波段算术函数

概览

波段算术函数可将对栅格数据集的波段执行算术操作。您可以选择预定义的算法，也可以输入您自己的单行公式。支持的运算符包括 -、+、/、* 和一元 -。

备注

使用定义波段算术算法的用户定义方法时，可以输入单行代数公式来创建单波段输出。支持的运算符包括 -、+、/、* 和一元 -。要识别波段，需以 B 或 b 作为波段号前缀。例如：

B1 + B2 b1 + (-b2) (B1 + B2) / 2(B3 * B5)

使用预定义指数时，可以输入以空格分隔的列表，表示要使用的波段号。以下部分详细说明预定义指数。

Clg 方法

叶绿素指数 - 绿光 (Clg) 是一种植被指数，利用近红外 (NIR) 和绿光波段中的反射率比率来评估叶片中的叶绿素含量。

ClRE = [(NIR / Green)-1]

• NIR = 近红外波段的像素值
• Green = 绿光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和绿光波段：NIR Green。例如，7 3。

参考文献：Gitelson, A.A., Kaufman, Y.J., Merzlyak, M.N., 1996. "Use of a green channel in remote sensing of global vegetation from EOS-MODIS", Remote Sensing of Environment, Vol. 58, 289–298.

Clre 方法

叶绿素指数 - 红边 (Clre) 是一种植被指数，利用近红外 (NIR) 和红边波段的反射率比率来评估叶片中的叶绿素含量。

Clre = [(NIR / RedEdge)-1]

• NIR = 近红外波段的像素值
• RedEdge = 红边波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和红边波段：NIR RedEdge。例如，7 6。

参考文献：

• Gitelson, A.A., Merzlyak, M.N., 1994. "Quantitative estimation of chlorophyll using reflectance spectra", Journal of Photochemistry and Photobiology B 22, 247–252.

GEMI 方法

“全球环境监测指数”(GEMI) 是通过卫星影像进行全球环境监测的非线性植被指数。该指数与 NDVI 类似，但对大气影响的敏感度较低。它受裸土影响，因此，不建议在植被稀疏或中度茂密的区域使用。

GEMI = eta*(1-0.25*eta)-((Red-0.125)/(1-Red))

其中，

eta = (2*(NIR2-Red2)+1.5*NIR+0.5*Red)/(NIR+Red+0.5)

• NIR = 近红外波段的像素值
• Red = 红光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和红光波段：NIR Red。例如，4 3。

此指数的输出值介于 0 和 1 之间。

参考文献：Pinty, B. and Verstraete, M. M. 1992, "GEMI: a non-linear index to monitor global vegetation from satellites," Plant Ecology, Vol. 101, 15–20.

GNDVI 方法

绿光归一化差值植被指数 (GNDVI) 是用于评估光合活性的植被指数，并且是用于确定植物冠层吸收的水氮的常用植被指数。

GNDVI = (NIR-Green)/(NIR+Green)

• NIR = 近红外波段的像素值
• Green = 绿光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和绿光波段：NIR Green。例如，5 3。

此指数的输出值介于 -1.0 和 1.0 之间。

参考文献：Buschmann, C., and E. Nagel. 1993. In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation. International Journal of Remote Sensing, Vol. 14, 711–722.

GVI (Landsat TM) 方法

“绿色植被指数”(GVI) 设计源于 Landsat MSS 影像，并已针对 Landsat TM 影像进行了修改。它也称为 Landsat TM Tasseled Cap 绿色植被指数。它可用于波段共享相同光谱特征的影像。

GVI=-0.2848*Band1-0.2435*Band2-0.5436*Band3+0.7243*Band4+0.0840*Band5-1.1800*Band7

通过以空格分隔的列表，您将按从一到五及六的顺序识别六个 Landsat TM 波段。例如，1 2 3 4 5 7。如果输入中包含按预期顺序排列的 6 个波段，则不需要在波段指数文本框中输入值。

此指数的输出值介于 -1 和 1 之间。

参考文献：Todd, S. W., R. M. Hoffer, and D. G. Milchunas, 1998, "Biomass estimation on grazed and ungrazed rangelands using spectral indices," International Journal of Remote Sensing, Vol. 19, No. 3, 427–438.

改良的 SAVI 方法

“修正土壤调节植被指数”(MSAVI2) 尝试将裸土对于 SAVI 的影响降至最小。

MSAVI2 = (1/2)*(2(NIR+1)-sqrt((2*NIR+1)2-8(NIR-Red)))

• NIR = 近红外波段的像素值
• Red = 红光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和红光波段：NIR Red。例如，4 3。

参考文献：Qi, J. et al., 1994, "A modified soil vegetation adjusted index", Remote Sensing of Environment, Vol. 48, No. 2, 119–126.

MTVI2 方法

修正型三角植被指数 (MTVI2) 是一种植被指数，用于检测冠层级别的叶片叶绿素含量，对叶面积指数相对不敏感。该指数使用绿光、红光以及近红外 (NIR) 波段中的反射率。

MTVI2 = [1.5(1.2(NIR-Green)-2.5(Red-Green))√((2NIR+1)²-(6NIR-5√(Red))-0.5)]

• NIR = 近红外波段的像素值
• Red = 红光波段的像素值
• Green = 绿光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外、红光以及绿光波段：NIR Red Green。例如，7 5 3。

参考文献：Haboudane, D., Miller, J.R., Tremblay, N., Zarco-Tejada, P.J., Dextraze, L., 2002. "Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture", Remote Sensing of Environment, Vol. 81, 416–426.

NDVI 方法

The Normalized Difference Vegetation Index (NDVI) is a standardized index allowing you to generate an image displaying greenness (relative biomass). This index takes advantage of the contrast of the characteristics of two bands from a multispectral raster dataset—the chlorophyll pigment absorptions in the red band and the high reflectivity of plant materials in the near-infrared (NIR) band.

文献记载的默认 NDVI 方程如下：

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

• NIR = 近红外波段的像素值
• Red = 红光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和红光波段：NIR Red。例如，4 3。

此指数的输出值介于 -1.0 和 1.0 之间。

参考文献：Rouse, J.W., R.H. Haas, J.A. Schell, and D.W. Deering, 1973, "Monitoring vegetation systems in the Great Plains with ERTS," Third ERTS Symposium, NASA SP-351 I:309-317.

了解有关 NDVI 的详细信息

NDVIre 方法

红边 NDVI (NDVIre) 是一种植被指数，利用红边波段来评估植被健康状况。在叶绿素浓度相对较高的生长中后期，该指数对于评估作物健康状况尤其有用。此外，NDVIre 可用于绘制田间叶氮变异，以了解作物的肥料需求。

可以使用近红外和红边波段计算 NDVIre 指数。

NDVIre = (NIR - RedEdge)/(NIR + RedEdge)

• NIR = 近红外波段的像素值
• RedEdge = 红边波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和红边波段：NIR RedEdge。例如，7 6。

此指数的输出值介于 -1.0 和 1.0 之间。

参考文献：Gitelson, A.A., Merzlyak, M.N., 1994. "Quantitative estimation of chlorophyll using reflectance spectra," Journal of Photochemistry and Photobiology B 22, 247–252.

PVI 方法

“垂直植被指数”(PVI) 与差值植被指数类似，但对大气变化的敏感度较高。使用此方法比较不同影像时，只可将其用于已进行大气修正的影像。

PVI = (NIR - a*Red - b) / (sqrt(1 + a2))

• NIR = 近红外波段的像素值
• Red = 红光波段的像素值
• a = 土壤线的坡度
• b = 土壤线的梯度

通过以空格分隔的列表，您将识别近红外和红光波段，并按以下顺序输入 a 值和 b 值：NIR Red a b。例如，4 3 0.3 0.5。

此指数的输出值介于 -1.0 和 1.0 之间。

参考文献：Richardson, A. J. and C. L. Wiegand, 1977, "Distinguishing vegetation from soil background information", Photogrammetric Engineering and Remote Sensing, 43, 1541-1552.

RTVIcore 方法

红边三角植被指数 (RTVICore) 是用于评估叶面积指数和生物量的植被指数。该指数使用近红外、红边以及绿光光谱波段中的反射率。

RTVICore = [100(NIR-RedEdge)-10(NIR-Green)]

• NIR = 近红外波段的像素值
• RedEdge = 红边波段的像素值
• Green = 绿光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外、红边以及绿光波段：NIR RedEdge Green。例如，7 6 3。

参考文献：Haboudane, D., Miller, J.R., Pattey, E., Zarco-Tejada, P.J., Strachan, I.B., 2004. "Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture", Remote Sensing of Environment, Vol. 90, 337–352.

SAVI 方法

“调节土壤的植被指数”(SAVI) 是试图通过土壤亮度校正系数最小化土壤亮度影响的植被指数。它通常用在植被覆盖率较低的干旱区域。

SAVI = ((NIR - Red) / (NIR + Red + L)) x (1 + L)

NIR 和 Red 是指与这些波长关联的波段。L 值根据绿色植被覆盖量而有所不同。通常，无绿色植被覆盖的区域 L=1；绿色植被中度覆盖的区域 L=0.5；植被高度覆盖的区域 L=0（与 NDVI 方法等效）。此指数的输出值介于 -1.0 和 1.0 之间。

通过以空格分隔的列表，您将识别近红外和红光波段，并按以下顺序输入 L 值：NIR Red L。例如，4 3 0.5。

参考文献：Huete, A. R., 1988, "A soil-adjusted vegetation index (SAVI)," Remote Sensing of Environment, Vol 25, 295–309.

SR 方法

简单比值 (SR) 是用于评估植被量的常用植被指数。该指数是近红外中散射的光线与红光波段中吸收的光线的比值，其降低了大气和地形的影响。

对于叶面积指数较大或冠层郁闭度较高的植被，其值较高；对于土壤、水分和非植被要素，其值较低。值的范围为 0 至大约 30，其中健康植被通常落在值为 2 到 8 的范围内。

SR = NIR / Red

• NIR = 近红外波段的像素值
• Red = 红光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和红光波段：NIR Red。例如，4 3。

参考文献：Birth, G.S., and G.R. McVey, 1968. "Measuring color of growing turf with a reflectance spectrophotometer," Agronomy Journal Vol. 60, 640-649.

SRre 方法

红边简单比值 (SRre) 是用于评估健康及缺水植被量的植被指数。该指数是近红外和红边波段中散射的光线的比值，其降低了大气和地形的影响。

对于冠层郁闭度较高的植被和健康植被，其值较高；对于土壤、水分和非植被要素，其值较低。值的范围为 0 至大约 30，其中健康植被通常落在值为 1 到 10 的范围内。

SRre = NIR / RedEdge

• NIR = 近红外波段的像素值
• RedEdge = 红边波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和红边波段：NIR RedEdge。例如，7 6。

参考文献：Anatoly A. Gitelson, Yoram J. Kaufman, Robert Stark, and Don Rundquist, 2002, "Novel algorithms for remote estimation of vegetation fraction," Remote Sensing of Environment, Vol. 80, 76–87.

Sultan 的公式法

Sultans 过程采用六波段八位图像并使用 Sultan 的公式生成三波段八位图像。生成的图像将突出显示海岸线上称为蛇绿岩的岩层。此公式根据 Landsat 5 或 7 场景的 TM 或 ETM 波段设计。应用于创建各输出波段的方程如下：

Band 1 = (Band5 / Band7) x 100 Band 2 = (Band5 / Band1) x 100 Band 3 = (Band3 / Band4) x (Band5 / Band4) x 100

通过以空格分隔的列表，您将识别所需的五个波段的索引。例如，1 3 4 5 6。如果输入中包含按预期顺序排列的 6 个波段，则不需要在波段指数文本框中输入值。

参考文献：Sultan, M., Arvidson, R.E, Sturchio, N.C. & Guiness, E.A. 1987, "Lithologic mapping in Arid Regions with Landsat thematic mapper data: Meatig Dome, Egypt". Geological Society of America Bulletin 99: 748-762

变换的 SAVI 方法

“转换型土壤调节植被指数”(TSAVI) 是试图通过假设土壤线具有任意斜率和截距来最小化土壤亮度影响的植被指数。

TSAVI=(s(NIR-s*Red-a))/(a*NIR+Red-a*s+X*(1+s2))

• NIR = 近红外波段的像素值
• IR = 红光波段的像素值
• s = 土壤线的坡度
• a = 土壤线的截距
• X = 用于最大限度降低土壤噪声的调整因子

通过以空格分隔的列表，您将识别近红外和红光波段，并按以下顺序输入 s 值、a 值和 X 值：NIR Red s a X。例如，3 1 0.33 0.50 1.50。

参考文献：Baret, F. and G. Guyot, 1991, "Potentials and limits of vegetation indices for LAI and APAR assessment," Remote Sensing of Environment, Vol. 35, 161–173.

VARI 方法

可见光大气阻抗指数 (VARI) 是一种植被指数，用于仅在光谱的可见范围内定量估算植被覆盖度。

VARI = (Green - Red) / (Green + Red – Blue)

• Red = 红光波段的像素值
• Green = 绿光波段的像素值
• Blue = 蓝光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别红光、绿光和蓝光波段：红绿蓝。例如，3 2 1。

参考文献：Anatoly A. Gitelson, Yoram J. Kaufman, Robert Stark, and Don Rundquist, 2002, "Novel algorithms for remote estimation of vegetation fraction," Remote Sensing of Environment, Vol. 80, 76–87.

参数

参数	说明
	输入栅格。
方法	您要部署的波段算术算法的类型。您可以定义自定义算法，或选择预定义的指数。 用户定义 - 允许您定义自定义波段算术表达式。 NDVI - 归一化差值植被指数 SAVI - 土壤调节植被指数 转换型 SAVI - 转换的土壤调节植被指数 修正型 SAVI - 修正的土壤调节植被指数 GEMI - 全球环境检测指数 PVI - 垂直植被指数 GVI (Landsat TM) - 绿色植被指数 Landsat TM Sultan 公式 - Sultan 公式 VARI - 可视化大气阻抗指数 GNDVI - 绿光归一化差值植被指数 SR - 简单比值 NDVIre - 红边归一化差值植被指数 SRre - 简单比值 MTVI2 - 修正型三角植被指数（第二次迭代） RTVICore - 红边三角植被指数 Clre - 叶绿素指数 - 红边 Clg - 叶绿素指数 - 绿光 NDWI - 归一化差值水体指数 EVI - 增强型植被指数 氧化铁 - 氧化铁比例 有色矿物 - 有色矿物比例 粘土矿物 - 粘土矿物比例
波段指数	如果针对方法选择了用户定义，则需定义波段算术公式。 如果针对方法选择了预定义指数，则需定义与指数对应的输入栅格数据集的正确波段。