遥感应用中常用的23个植被指数公式大全和GEE目前最常用Landsat影像时间和名称

最新推荐文章于 2024-11-26 16:30:00 发布
最新推荐文章于 2024-11-26 16:30:00 发布
阅读量7.3k 收藏 30
点赞数 6
文章标签： Landsat 植被指数 遥感 公式
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31988139/article/details/131558938
版权
本文介绍了多个遥感卫星如Landsat和Sentinel-2的传感器数据，这些数据涵盖了从1982年至今的时间段。文章强调了植被指数（VIs）在农业和其他应用中的重要性，列举了23种不同的VIs，包括ARVI、EVI等，并提到了它们的数学表达式和所涉及的光谱带。文章还引用了相关研究，概述了VIs的发展和应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

影像集合，具体包含名称、传感器、时间和引用代码
Sensor Dataset.availability Collection.ID
Landsat-4 TM 22/08/1982 - 24/06/1993 LANDSAT/LT04/C02/T1_L2
Landsat-5 TM 16/03/1993 – 05/05/2012 LANDSAT/LT05/C02/T1_L2
Landsat-7 ETM+ 01/01/1999-present LANDSAT/ LC08 /C02/T1_L2
Landsat-8 OLI 11/04/2013- present LANDSAT/LE07/C02/T1_L2
Landsat-9 OLI-2 31/10/2021- present LANDSAT/LC09/C02/T1_L2
Sentinel-2 (MSI) 28/03/2017-present COPERNICUS/S2_SR_HARMONIZED
Landsat和Sentinel-2的比较以及光谱带的位置。数字表示每个传感器所考虑的光谱带的数量
https://www.cbedai.net/xg

指数：
VIs允许与植被的不同参数或变量发生定量和功能关系。23个VIs，这些VIs通常用于农业应用（Bannari 2009），（Xue 2017）。

这些VIs的名称、它们的数学表达方式以及它们的缩写见以下列表：
1：ARVI：抗大气污染植被指数*。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在ARVI、ATSAVI、EVI、EVI2、OSAVI、SAVI、ATSAVI和WDRVI中，即所有那些除了频谱带之外还需要一些调整变量的VI。

在VI方程中使用的光谱带的缩写
Abreviatura Nombre
B Azul/Blue
G Verde/Green
R Rojo/Red
RE Borde Rojo/Red edge
NIR Infrarrojo Cercano /Near infrared
SWIR1 Infrarrojo de onda corta 1/Shortwave infrared 1
SWIR2 Infrarrojo de onda corta 2/Shortwave infrared 2

参考文献：
References
Bannari, Bonn & Huete, Morin. 2009. A Review of Vegetation Indices. Remote Sensing Reviews, 13(1–2), 95–120. https://doi.org/10.1080/02757259509532298.
Xue, Su. 2017. Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications. Journal of Sensors. https://doi.org/10.1155/2017/1353691.

遥感RS植被指数大全整理
「 刘一哥与GIS的故事」
11-25 1万+
本文整理了遥感中的常见指数及计算方法：植被指数、归一化植被指数、比值植被指数、差值植被指数、土壤调节植被指数、变换的土壤调节植被指数、修整的土壤调节植被指数、正交植被指数、绿度植被指数。 目录 一、VI - Vegetation Index - 植被指数 二、NDVI - Normalized Difference Vegetation Index - 归一化植被指数 三、RVI - Ratio Vegetation Index - 比值植被指数 四、DVI - Difference Veg..
遥感中常用的植被指数
我走的每一步都算数
05-22 4280
NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度对于同一幅图象，分别求RVI和NDVII时会发现，RVI值增加的速度高于NDⅥI增加速度，即NDVI对高植被区具有较低的灵敏度；NDVI是最常用的植被指数，NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增强了对植被的响应能力，是目前已有的40多种植被指数中应用最广的。但是，它的值会因云和明亮的物体而饱和，为了数据的准确性，应该掩膜掉这些物体。基于微波观测反演得到。
200+光谱指数计算公式和波段信息以及参考文献spectral-indices.csv
07-09
光谱指数 光谱指数在遥感界被广泛使用。这个资源库为不同的遥感应用记录了经典的和新的光谱指数。储存库中的所有光谱指数都是经过策划的，可以在不同的环境和编程语言中使用。你可以在这里查看策划好的光谱指数列表。这里超过了200个光谱指数。常用的光谱指数有以下几种： 1. 归一化植被指数（Normalized Difference Vegetation Index，NDVI）：NDVI是通过红外波段和可见光波段的反射率差计算出来的，用来评价植被覆盖程度。 2. 归一化水体指数（Normalized Difference Water Index，NDWI）：NDWI是通过近红外波段和绿色波段的反射率差计算出来的，用来评价水体的含量。 3. 土壤调节植被指数（Soil Adjusted Vegetation Index，SAVI）：SAVI是通过红外波段和可见光波段的反射率差来计算，与NDVI类似，但可以减少影响植被指数计算的背景和土壤等非植被因素。 4. 自适应差分植被指数（Adaptive Differential Vegetation Index，ADVI）等更多的其它指数均在本文件
关于从USGS下载的Landsat数据进行植被的提取
qq_62614735的博客
09-20 4886
关于landsat数据提取植被的各个指数
常用的遥感指数介绍
等待着冬天的风的博客
02-16 1万+
主要介绍常用的遥感指数，如NDVI、EVI、LAI、RECI、NDBI、NDWI、MNDWI等指数.
常见的植被指数，包含植被指数的定义，公式，所有的内容均是课程资料
09-30
常见的植被指数，包含植被指数的定义，公式，所有的内容均是课程资料
几种植被指数
热门推荐
weixin_43897736的博客
08-20 5万+
常见的植被指数 常见有：比值植被指数、差值植被指数、归一化植被指数 一、RVI——比值植被指数： RVI=NIR/R 1、值的范围：0-30+，一般绿色植被区的范围是2-8，无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。； 2、RVI与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量； 与植被覆盖度：当植被覆盖度较高时，RVI对植被十分敏...
常用的植被指数积累
GeoSuper的博客
07-22 1192
参考： 1、Zeng L, Wardlow B D, Xiang D, et al. A review of vegetation phenological metrics extraction using time-series, multispectral satellite data[J]. Remote Sensing of Environment, 2020. 2、Ghosh S, Mishra D, Gitelson A A, et al. Long-term monitoring ...
六种植被指数
Orbita_wangtao
11-15 2万+
六种植被指数   植被指数概念： 植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。 差值植被指数又称农业植被指数，为二通道反射率之差，它对土壤背景变化敏感，能较好地识别植被和水体。该指数随生物量的增加而迅速增大。 比值植被指数又称为绿度，为二通道反射率之比，能较好地反映植被覆盖度和生长状...
植被指数综合详解
weixin_44576131的博客
12-23 1万+
植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算。未经过大气校正的辐射亮度或者无量纲的DN值数据不适合计算植被指数。 目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。 在ENVI中，根据对植被波谱特征产生重要影响的主要化学成份：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），总结了7大类实用性较强的植被指数，即：宽
各种遥感植被指数计算公式
10-13
文档中有我自己统计的各种植被指数的计算公式，相信会对大家有所帮助。
GEE案例-利用多源遥感数据（Landsat sentinel）光谱波段和光谱指数实现大米种植区域的分类.pdf
07-04
1. 数据获取：获取Landsat 8和Sentinel-2的遥感数据，包括多光谱波段和植被指数数据。 2. 数据预处理：对获取的遥感数据进行预处理，包括辐射校正、大气校正、噪声去除等。 3. 特征提取：根据大米的特征，提取与...
GEE案例：Landsat 5、7、8影像构建1985-2023年rsei生态遥感指数详细代码
此星光明博客
07-30 2297
rsei（Regional Silviculture Ecological Index，地区林业生态指数）是一种生态遥感指标，用于评估森林生态系统的健康状况和生态服务。构建1985-2023年的rsei生态遥感指，主要需要使用Landsat 5、7和8的遥感影像数据。以下是一种可能的构建方法：1. 数据获取：从美国地质调查局（USGS）或其他可靠数据提供商处获取Landsat 5、7和8的遥感影像数据。确保选择的影像具有适当的空间和时间分辨率，以覆盖所需的时间段。
GEE19：基于 Landsat 8 的常见植被指数逐年获取【去云&波段计算】
amyniez的博客，欢迎交流讨论
10-18 1614
本文主要介绍常见的植被物候，及其GEE代码，通过去云，波段计算等方法获取高清植被指数影像。
【数据挖掘】基于GEE平台按采样点提取Landsat 植被指数时间序列秘籍
amyniez的博客，欢迎交流讨论
05-26 499
🚀🚀🚀大家好，今天我要分享的是如何使用Google Earth Engine (GEE) 平台，针对特定的采样点，提取LANDSAT 8卫星数据中的植被指数时间序列。本代码主要包括三种植被指数：NDVI、EVI和NDPI。
GEE教程——基于Landsat-8 和Sentinel-2的 NDVI和MSAVI指数的具体计算和下载
此星光明博客
11-26 796
GEE教程——基于Landsat-8 和Sentinel-2的 NDVI和MSAVI指数的具体计算和下载。
Google Earth Engine（GEE）——基于Landsat的高级植被指数 (AVI)、裸土指数 (BSI) 和冠层阴影指数 (SSI) 的计算
此星光明博客
09-18 2634
计算由A行和A列组成的正方形二维数组的实数特征向量和特征值。返回一个有A行和A+1列的数组，其中每一行的第一列包含一个特征值，其余A列包含相应的特征向量。图像的新掩码，是[0, 1]范围内的一个浮点值（无效=0，有效=1）。对输入进行缩放，使输入值[low, high]的范围变成[0, 1]。输出的图像保留了输入图像的元数据和足迹。通过指定要保留的轴，将每个像素中的数组投射到一个低维空间。恒定图像中的像素值。必须是一个数字或一个数组或一个数字或数组的列表。一个正方形的二维数组，用来计算特征值的分解。
ENVI植被指数的计算以及注意事项
Einzebrn的博客
11-13 7627
以下是一些植被指数的基本计算公式和注意事项;
统一的植被指数
weixin_38835395的博客
03-26 3045
基于光谱反射率数据的经验植被指数被广泛应用于生物圈遥感，因为它们是冠层结构、叶片色素含量以及植物光合作用潜力的可靠替代指标。利用光谱通道之间的所有高阶关系，归纳了广泛的常用植被指数家族。这导致了对植被生物物理和生理参数的更高的敏感性。本文提出的归一化差分植被指数(NDVI)的非线性概化方法不断提高了对叶面积指数、总初级生产力和太阳诱导叶绿素荧光等关键参数的监测精度。结果表明，统计方法最大限度地利用了光谱信息，解决了陆地生物圈卫星对地观测中长期存在的问题。非线性NDVI将有助于更准确地测量陆地碳源/汇动态和稳
gee遥感植被指数代码
最新发布
03-08
<think>好的，我现在要处理用户关于使用Google Earth Engine（GEE）计算遥感植被指数的代码示例的查询。首先，我需要回顾用户提供的引用资料，尤其是引用[1]、[2]和[3]，这些内容涉及GEE和PIE-Engine的波段计算、指数计算等。 用户的问题明确需要代码示例，因此我需要确保提供的代码符合GEE的语法规范，并且涵盖常见的植被指数，如NDVI、EVI等。根据引用[1]，EVI的计算公式是使用表达式波段计算的例子，所以可能需要展示如何用表达式来实现。此外，引用[2]提到了多个指数如NDVI、NDWI、IBI等的计算，这可以作为参考来扩展示例。 接下来，我需要考虑代码的结构。通常，GEE的代码流程包括选择影像集合、过滤日期和区域、定义计算函数、应用函数到影像上、最后可视化或导出结果。用户可能需要一个完整的示例，从数据加载到结果展示，所以代码应包括这些步骤。 还要注意用户提到的引用[3]中PIE-Engine的示例，虽然用户主要问的是GEE，但可能需要指出PIE-Engine的中文支持和国产数据，但用户当前的问题是关于GEE的，所以重点应放在GEE的代码上。 现在需要验证各个植被指数的公式是否正确。例如，NDVI的计算是（NIR - Red）/(NIR + Red)，而EVI的公式则涉及更多参数，如引用[1]中的例子。需要确保这些公式在代码中正确表达，并对应正确的波段名称，例如Landsat 8的波段名称是'B5'代表NIR，'B4'代表Red等。 另外，可能需要考虑影像预处理步骤，如云掩膜，但用户可能只需要核心的指数计算部分，所以是否包含云处理取决于示例的复杂度。如果保持简洁，可能先省略，但如果有引用提到相关步骤，比如引用[2]中的图像归一化函数，可能需要提及或简单包含。 最后，生成相关问题需要考虑用户可能的后续需求，比如不同卫星数据的处理、指数应用分析、批量处理等，这有助于用户进一步探索。</think>以下是在Google Earth Engine (GEE) 中计算常见遥感植被指数的代码示例，结合Landsat 8卫星数据实现： ### 1. NDVI（归一化植被指数） ```javascript // 定义研究区域和时间范围 var roi = ee.Geometry.Point([116.38, 39.90]); // 北京坐标示例 var startDate = '2022-05-01'; var endDate = '2022-10-01'; // 获取Landsat 8影像集 var l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterDate(startDate, endDate) .filterBounds(roi); // 定义NDVI计算函数 var addNDVI = function(image) { var ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI'); return image.addBands(ndvi); }; // 应用函数并选择最新影像 var ndviImage = l8.map(addNDVI).sort('system:time_start', false).first(); Map.addLayer(ndviImage.select('NDVI'), {min:0, max:1, palette: ['red','yellow','green']}, 'NDVI'); ``` 公式实现：$$ \text{NDVI} = \frac{\text{NIR} - \text{Red}}{\text{NIR} + \text{Red}} $$[^2] ### 2. EVI（增强型植被指数） ```javascript var addEVI = function(image) { var evi = image.expression( '2.5 * (NIR - RED) / (NIR + 6*RED - 7.5*BLUE + 1)', { 'NIR': image.select('SR_B5'), 'RED': image.select('SR_B4'), 'BLUE': image.select('SR_B2') }).rename('EVI'); return image.addBands(evi); }; var eviImage = l8.map(addEVI).first(); print(eviImage.select('EVI')); ``` 公式实现：$$ \text{EVI} = 2.5 \times \frac{\text{NIR} - \text{Red}}{\text{NIR} + 6 \times \text{Red} - 7.5 \times \text{Blue} + 1} $$[^1] ### 3. 批量计算多个指数 ```javascript // 定义复合计算函数 var addIndices = function(image) { var ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI'); var ndwi = image.normalizedDifference(['SR_B3', 'SR_B5']).rename('NDWI'); return image.addBands(ndvi).addBands(ndwi); }; // 生成时间序列数据集 var indicesCollection = l8.map(addIndices); ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值