常用植被指数有哪些?NDVI该怎么计算?

为什么你拿到的遥感图“绿油油”，却不知道植被到底健不健康？

在农业监测、生态评估或灾害预警项目中，我经常遇到客户拿着卫星影像问我：“这片地看起来挺绿，但作物产量为什么上不去？”——问题就出在：肉眼看到的“绿色”≠植被真实健康状态。这时候，你就需要一套科学的“植被体检报告”：植被指数（Vegetation Index, VI）。

别被术语吓到。你可以把植被指数想象成“植物的心电图”——它用数学公式把红光和近红外波段“翻译”成一个数值，数值越高，说明叶绿素越活跃、叶片结构越完整、植被越健康。

我在帮某智慧农场搭建自动化监测系统时，最初直接用RGB图像判断长势，结果误判率高达40%。改用NDVI后，配合n8n定时抓取Sentinel-2数据，准确率飙升到92%——这就是专业工具的力量。

主流植被指数大盘点：不止NDVI一个选手

虽然NDVI最出名，但它不是万能钥匙。根据应用场景不同，还有这些“兄弟型号”值得你了解：

手把手教你计算NDVI：从公式到代码实战

NDVI的核心思想是：健康植被强烈反射近红外光（NIR），同时吸收红光（Red）。我们用这个“吸收与反射的差值比”来量化活力。

公式如下：
NDVI = (NIR - Red) / (NIR + Red)

结果范围在 -1 到 +1 之间：
• 接近 +1 → 茂密健康植被
• 接近 0 → 裸土、岩石或水体
• 负值 → 云、雪或人工建筑

假设你从Landsat或Sentinel-2获取了波段数据，下面这段Python脚本能帮你快速计算：

import numpy as np

# 假设 red_band 和 nir_band 是 NumPy 数组，代表对应波段像素值
red_band = np.array([...])  # 红光波段数据
nir_band = np.array([...])  # 近红外波段数据

# 计算 NDVI，注意避免除零
denominator = nir_band + red_band
ndvi = np.where(denominator != 0, (nir_band - red_band) / denominator, 0)

print("NDVI 平均值:", np.nanmean(ndvi))

如果你用的是n8n，可以搭配“HTTP Request”节点调用Google Earth Engine API，或使用“Function”节点嵌入上述逻辑，实现自动化批处理——这正是我们团队为客户部署的标准方案。

避坑指南：三个最容易踩的NDVI误区

1. 忽略传感器差异：Landsat 8 的Band 5是NIR，Sentinel-2则是Band 8——千万别搞混波段编号！
2. 未做大气校正：原始DN值（Digital Number）必须转为地表反射率，否则结果失真。推荐先用Sen2Cor或FLAASH预处理。
3. 时间分辨率错配：想监测作物生长趋势？至少保证每周一张图。突发性病虫害可能3天内就让NDVI暴跌20%。

总结：选对指数，比堆砌数据更重要

NDVI是入门首选，但面对复杂地表（比如城市绿化带+裸土混合区），不妨试试SAVI；若研究亚马逊雨林，EVI更能抵抗饱和效应。关键在于：理解每个指数的设计初衷，匹配你的业务目标。

现在轮到你了：你在项目中用过哪种植被指数？遇到了哪些“数据看着正常，结论却离谱”的坑？欢迎在评论区分享你的故事——说不定下期专栏，我就为你定制解决方案！