常用植被指数有哪些?NDVI该怎么计算?

你算的NDVI为什么总是一片黑？别慌，问题可能出在预处理上

刚接触遥感的小伙伴常会遇到一个“灵魂拷问”：明明按教程一步步操作，NDVI结果却显示为全黑或全白——这其实不是软件抽风，而是你忽略了数据预处理的关键一步。我在参与某省森林资源动态监测项目时，就曾因未校正影像DN值，导致团队误判了整片区域的植被退化趋势，差点闹出大乌龙。

植被指数的本质，是用数学公式把卫星拍到的“光谱密码”翻译成人类能懂的“绿意浓度表”。就像咖啡师用不同比例的浓缩和牛奶调制拿铁，我们用近红外和红光波段调配出植被健康度。

主流植被指数全家福：从NDVI到EVI，谁才是你的菜？

市面上植被指数不下百种，但真正常驻工具箱的就那么几位“顶流”。它们各有绝活，适用场景也大不相同：

这里有个冷知识：NDVI在植被覆盖率超过80%后会出现“饱和效应”——就像体重秤最大量程200斤，再重的人站上去都显示200。这时候就得请出EVI这位“高精度电子秤”来救场。

手把手拆解NDVI计算：避开三大暗礁

计算NDVI看似只是套公式，实则暗藏玄机。根据我带学生踩坑的经验，90%的失败案例都栽在这三步：

1. 数据预处理：原始影像必须经过辐射定标和大气校正。Sentinel-2数据可用Sen2Cor插件一键处理，Landsat系列推荐用LEDAPS工具包。
2. 波段选择：不同卫星的红光/近红外波段编号不同。以Landsat 8为例，红光选Band4，近红外选Band5；Sentinel-2则是B4和B8。
3. 异常值处理：云、阴影、水体会让NDVI出现负数或大于1的荒谬值，需用条件函数剔除（比如设置有效范围-1~1）。

下面是在QGIS中用栅格计算器实现的实战代码（假设红光层叫"red"，近红外层叫"nir"）：

("nir@1" - "red@1") / ("nir@1" + "red@1")

如果是Python党，用GeoPandas三行代码就能搞定：

import rasterio
with rasterio.open('red.tif') as src_red, rasterio.open('nir.tif') as src_nir:
    ndvi = (src_nir.read(1) - src_red.read(1)) / (src_nir.read(1) + src_red.read(1))

从理论到落地：我的三条军规

最后分享三条让我少走五年弯路的实战法则：

• 永远做直方图拉伸：原始NDVI值域[-1,1]直接可视化就是灰蒙蒙一片，记得在图层属性里设置Min=-0.2, Max=0.8
• 警惕传感器差异：无人机多光谱相机和卫星数据的NDVI不能直接对比，就像不能拿体温计量室温
• 验证！验证！验证！：至少选5个地面样点，用便携式光谱仪实测数据与卫星结果交叉验证

现在轮到你了——你在计算植被指数时遇到过什么奇葩报错？或者有独门调参技巧？欢迎在评论区晒出你的“翻车现场”，咱们一起把坑填平！