归一化植被指数是啥?NDVI如何计算?

wowwwai GIS研习社 · 工具流程与项目排障

很多刚接触遥感和GIS的同学都会问：归一化植被指数是啥?NDVI如何计算? 简单说，NDVI是一种用红光波段和近红外波段判断植被生长状况的遥感指数，常用于农情监测、生态评估、城市绿化分析和土地覆盖变化识别。

引言：NDVI解决的是“哪里有植被、长得好不好”的问题

在GIS和遥感分析中，我们经常需要回答几个实际问题：一块农田是否缺水？城市公园的植被覆盖是否下降？某片区域是裸地还是草地？如果只看普通真彩色影像，很多时候判断并不稳定。

归一化植被指数，也就是NDVI，正是为这类问题服务的。它利用植物叶片对不同波段光谱反射特征的差异，把植被信息转换成一个相对直观的数值范围。

对于GIS读者来说，理解NDVI不只是记住一个公式，还要知道用哪个波段、结果怎么解释、为什么有时算出来不准，以及在QGIS、ArcGIS Pro或Python中如何检查计算结果。

背景：归一化植被指数是啥

NDVI的英文全称是Normalized Difference Vegetation Index，中文通常叫归一化植被指数。它是一种基于遥感影像波段计算的植被指数。

绿色植物有一个典型光谱特征：在红光波段吸收较强，因为植物需要利用红光进行光合作用；在近红外波段反射较强，因为健康叶片内部结构会强烈反射近红外光。

因此，当一个像元内有健康植被时，近红外反射率通常较高，红光反射率较低。NDVI就是把这种差异用一个标准化公式表达出来。

NDVI常见用途

• 农田长势监测：判断作物生长差异、缺水或病虫害风险区域。
• 生态环境评估：分析草地、林地和湿地植被覆盖变化。
• 城市绿地分析：提取公园、绿带、行道树等植被分布。
• 土地覆盖分类辅助：区分植被、裸地、水体和建设用地。
• 灾害评估：比较火灾、干旱、洪涝前后的植被恢复情况。

原理：NDVI如何计算

NDVI的标准计算公式如下：

NDVI = (NIR - Red) / (NIR + Red)

其中，NIR表示近红外波段，Red表示红光波段。

这个公式的核心思想是：用近红外和红光的差值突出植被信号，再用两者之和进行归一化，减少光照强弱、地形阴影和传感器整体亮度差异带来的影响。

NDVI的取值范围怎么理解

理论上，NDVI的取值范围在-1到1之间。实际解释时可以参考下面的经验范围，但不要把它当成绝对分类标准。

不同卫星影像对应的NDVI波段

计算NDVI最容易出错的地方是选错波段。不同卫星传感器的红光和近红外波段编号并不一样。

如果你使用的是其他商业卫星、无人机多光谱影像或处理后的栅格产品，一定要先查看元数据，确认哪个波段是Red，哪个波段是NIR。

步骤：用QGIS计算NDVI

下面以QGIS为例，说明如何从多光谱影像计算归一化植被指数。这个流程适合Sentinel-2、Landsat和无人机多光谱栅格数据。

步骤1：准备红光和近红外波段

1. 打开QGIS。
2. 加载红光波段栅格，例如Sentinel-2的B04。
3. 加载近红外波段栅格，例如Sentinel-2的B08。
4. 检查两个栅格是否覆盖同一区域。
5. 检查像元大小是否一致，例如10米、30米或其他分辨率。

如果两个波段的坐标系、范围或分辨率不同，建议先进行重投影、裁剪或重采样。否则NDVI结果可能出现错位、边缘异常或大面积空值。

步骤2：打开栅格计算器

1. 在QGIS菜单中选择栅格。
2. 打开栅格计算器。
3. 在表达式区域输入NDVI公式。
4. 设置输出文件路径，建议保存为GeoTIFF格式。
5. 确认输出坐标系和范围。

步骤3：输入NDVI计算表达式

如果你的近红外波段图层名为B08，红光波段图层名为B04，可以使用类似表达式：

("B08@1" - "B04@1") / ("B08@1" + "B04@1")

如果使用Landsat 8或Landsat 9，常见表达式是：

("B5@1" - "B4@1") / ("B5@1" + "B4@1")

图层名称可能与你的数据文件名不同，实际输入时应以QGIS栅格计算器中列出的波段名称为准。

步骤4：设置结果渲染样式

NDVI计算完成后，结果通常是一幅单波段浮点型栅格。为了更容易看出植被分布，可以设置伪彩色渲染。

1. 右键NDVI结果图层，打开属性。
2. 进入符号系统。
3. 选择单波段伪彩色。
4. 设置最小值为-1，最大值为1，或使用实际统计值。
5. 可以设置低值为灰色或褐色，高值为绿色。

渲染颜色只影响显示效果，不改变NDVI的真实像元值。做统计分析时，应使用原始NDVI栅格值，而不是截图颜色。

步骤5：验证NDVI结果是否合理

计算完成后不要急着出图，建议先做三个检查：

• 查看水体区域：NDVI通常应接近0或小于0。
• 查看密集植被区域：NDVI通常应明显高于裸地和建筑区。
• 查看影像边缘和云区：异常值、空值和云影可能影响统计。

如果城市建筑区域出现大面积高NDVI，或者健康农田区域NDVI明显为负，通常说明波段选错、数据未对齐、云影未处理或影像产品本身不适合直接计算。

步骤：用Python快速计算NDVI

如果你需要批量处理大量影像，可以使用Python计算NDVI。下面示例使用Rasterio读取红光和近红外波段，并输出GeoTIFF。

import rasterio
import numpy as np

red_path = "B04.tif"
nir_path = "B08.tif"
out_path = "ndvi.tif"

with rasterio.open(red_path) as red_src:
    red = red_src.read(1).astype("float32")
    profile = red_src.profile

with rasterio.open(nir_path) as nir_src:
    nir = nir_src.read(1).astype("float32")

np.seterr(divide="ignore", invalid="ignore")
ndvi = (nir - red) / (nir + red)

ndvi[(nir + red) == 0] = np.nan

profile.update(
    dtype=rasterio.float32,
    count=1,
    nodata=np.nan
)

with rasterio.open(out_path, "w", **profile) as dst:
    dst.write(ndvi.astype("float32"), 1)

这段代码适合红光和近红外波段已经完成配准、裁剪和重采样的情况。如果两个栅格的行列数、范围或分辨率不同，需要先统一栅格网格。

常见坑：NDVI计算不准通常不是公式问题

坑1：红光和近红外波段选反

NDVI公式是(NIR – Red) / (NIR + Red)。如果写成了(Red – NIR) / (Red + NIR)，植被区域会变成负值，结果解释完全相反。

坑2：不同传感器波段编号混用

Sentinel-2的近红外常用B8，Landsat 8的近红外是B5。不要把一个数据源的波段编号直接套到另一个数据源上。

坑3：没有做大气校正或使用了不合适产品

严格的植被时序分析通常应优先使用地表反射率产品，而不是未经校正的原始数字量化值。不同日期、不同传感器之间对比时，这一点尤其重要。

坑4：云、云影和水体没有掩膜

云、云影、水体和雪会显著干扰NDVI结果。如果你的目标是统计植被长势，应先进行云掩膜、水体掩膜或质量控制。

坑5：把NDVI当作植被覆盖度本身

NDVI可以反映植被活力和覆盖状况，但它不是严格意义上的植被覆盖度。裸土背景、冠层结构、传感器角度和土壤湿度都会影响NDVI值。

坑6：高植被覆盖区域出现饱和

在茂密森林或高覆盖农田中，NDVI可能对进一步的长势变化不够敏感。这种情况可以考虑EVI、SAVI等其他植被指数作为补充。

方法比较：NDVI、EVI和SAVI怎么选

NDVI是最常用的植被指数，但不是所有场景都只用NDVI。不同指数适合不同问题。

如果你刚开始做植被分析，建议先用NDVI建立基础判断；如果发现结果受裸土或高覆盖饱和影响明显，再考虑引入其他植被指数。

检查清单：计算NDVI前后要确认什么

• 是否确认了数据源，例如Sentinel-2、Landsat或无人机多光谱影像。
• 是否确认了红光波段和近红外波段。
• 两个波段是否具有相同坐标系、分辨率、范围和行列数。
• 是否使用了适合分析目的的反射率产品。
• 是否处理了云、云影、水体和无效值。
• NDVI公式是否写成了(NIR – Red) / (NIR + Red)。
• 结果值是否大致落在-1到1之间。
• 植被、水体、裸地和建筑区的NDVI值是否符合常识。
• 是否避免只根据颜色判断结果，而是查看真实像元值。
• 是否在报告中说明数据日期、数据源、波段和处理流程。

FAQ：归一化植被指数和NDVI计算常见问题

NDVI值越高就一定代表植被越好吗？

不一定。一般情况下，NDVI越高说明植被信号越强，但它还会受到土壤背景、地形阴影、大气条件、作物类型和传感器差异影响。跨区域或跨日期比较时，应保持数据源和处理流程一致。

NDVI可以直接用来提取植被范围吗？

可以作为植被提取的重要依据，但不建议只依赖一个固定阈值。不同地区、季节和影像条件下，阈值会变化。更稳妥的方法是结合样本、目视检查、土地利用数据或分类模型。

Sentinel-2计算NDVI用B8还是B8A？

常规10米NDVI通常使用B8作为近红外波段，红光使用B4。如果研究需要使用窄近红外波段或与特定产品匹配，也可能使用B8A，但B8A空间分辨率为20米，通常需要重采样后再参与计算。

Landsat 8计算NDVI为什么用B5和B4？

Landsat 8和Landsat 9 OLI中，B4是红光波段，B5是近红外波段。因此NDVI表达式通常是(B5 – B4) / (B5 + B4)。这与早期Landsat传感器的波段编号不同，使用前要确认传感器类型。

NDVI结果为什么出现大于1或小于-1的值？

常见原因包括输入数据不是可直接用于计算的反射率、存在异常无效值、未正确处理NoData，或者波段没有对齐。建议先查看原始波段统计值，并检查NoData、缩放系数和数据类型。

用QGIS计算NDVI时需要先把影像转成浮点型吗？

QGIS栅格计算器通常可以输出浮点结果，但如果输入数据带有缩放系数或整数存储，最好确认实际参与计算的值是否为正确反射率。输出NDVI时建议保存为浮点型GeoTIFF。

结论：理解波段和数据质量，比背公式更重要

归一化植被指数NDVI的公式并不复杂，核心就是利用近红外和红光波段的差异来突出植被信息。真正影响结果质量的，往往是波段选择、数据预处理、云影掩膜、坐标对齐和结果验证。

在实际GIS项目中，建议把NDVI当作一个可解释、可验证的遥感指标，而不是简单的“一键绿度图”。只要确认数据源、选对红光和近红外波段，并认真检查结果，NDVI就能成为植被监测和空间分析中非常实用的基础工具。