指数库—ArcGIS Pro

影像指数是指根据多波段影像进行计算的影像。该影像强调存在的特定现象，同时减少降低影像效果的其他因素。例如，植被指数将索引影像中的健康植被显示为亮色，不健康植被的值较低，而裸露地带则为暗色。因为地形变化（山丘和山谷）所产生的阴影会影响影像强度，所以指数将以强调对象的颜色而非强调对象的强度或亮度的方式进行创建。处于山谷阴影中的一棵健康松树的植被指数值将与全光照下松树的植被指数值相似。这些指数通常通过波段的加减组合构建，从而产生多种波段比。它们与电磁光谱特定部分中的特定波段相关联。因此，这些指数可能仅对某些传感器或某几类传感器有效，而且在计算中使用正确的波段至关重要。

这些指数的常见使用方式之一即是随时间推移，对多个影像中的同一对象进行比较。例如，对某块农田，在自播种起的整个生长期内，每周会为其采集多个影像。并计算每个影像的植被指数。在分析这些每周的植被指数时，您会期望看到整个生长期内亮度一直在增加。然后，当秋天植被开始衰老时，您会看到指数不断减小，直到完成作物收割或季末叶片枯萎为止。指数的归一化作用使得这一比较具有实用性。通过比较区域内的多块农田，您即可识别哪些农田可获丰收，哪些农田存在问题。此类分析还可用于识别哪些农田遭受了风暴灾害。

请根据您希望分析的现象选择指数。请确保输入影像来自具有正确波段（波长和范围）的传感器，以支持所选指数。指数会从影像中读取元数据，以检查波段名称。找到匹配项后，系统会自动应用该指数。 ArcGIS Pro 通常使用来自 Landsat 8 的波段名称，但来自其他传感器的波段名称可能具有不同的名称。在这种情况下，您可以替换来自您在指数函数中使用的传感器的适当波段。例如，美国陆地资源卫星 5 TM 栅格产品具有名为中红外 (MIR) 的波段 (7)，该波段相当于美国陆地资源卫星 8 名为短波红外 2 (SWIR2) 的对应波段 (7)。在这种情况下，您要应用的指数将无法从影像元数据中找到所需的波段名称信息，因此系统会打开一个对话框，要求您输入要应用的指数的正确波段号。

注：

在选择要应用于影像的指数时，请确保您的源影像包含指数的正确波段。例如，归一化差分雪盖指数 (NDSI) 需要短波红外 (SWIR) 波段，且针对不包含 SWIR 波段的影像将无法正常工作。

植被和土壤指数

MSAVI

“修正土壤调节植被指数”(MSAVI2) 方法将裸土对于 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

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.

NDVI

归一化差值植被指数 (NDVI) 是一个标准化指数，用于生成显示植被量（也称为相对生物量）的影像。该指数对多光谱栅格数据集中两个波段的特征进行对比，即红色波段中叶绿素的色素吸收率和近红外 (NIR) 波段中植物体的高反射率。

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

此指数的输出值介于 -1.0 和 1.0 之间。

了解有关 NDVI 的详细信息

PVI

“垂直植被指数”(PVI) 方法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

此指数的输出值介于 -1.0 和 1.0 之间。

SAVI

“调节土壤的植被指数”(SAVI) 方法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，其输出值在 -1.0 到 1.0 之间。

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

NIR = 近红外波段的像素值
Red = 近红光波段的像素值
L = 绿色植被覆盖量

通过以空格分隔的列表，您将按以下顺序识别 NIR 和红光波段并输入 L 值：NIR Red。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.

TSAVI

“转换型土壤调节植被指数”(TSAVI) 方法是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
Red = 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

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

可见光大气阻抗指数 (VARI) 用于突出处于光谱中可见光部分的植被，同时减轻光照差异和大气效应。非常适合 RGB 或彩色影像；利用全部三种彩色波段。

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

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

参考文献：Gitelson, A., et al. "Vegetation and Soil Lines in Visible Spectral Space: A Concept and Technique for Remote Estimation of Vegetation Fraction." International Journal of Remote Sensing 23 (2002): 2537−2562.

水体指数

NDSI

归一化差分雪盖指数 (NDSI) 用于在忽略云覆盖的情况下，使用 MODIS（波段 4 和波段 6）和 Landsat TM（波段 2 和波段 5）识别雪覆盖。因为该指数为比值型，所以同样会减轻大气效应。

NDSI = (Green - SWIR) / (Green + SWIR)

Green = 绿光波段的像素值
SWIR = 短波红外波段的像素值

参考文献：Riggs, G., D. Hall, and V. Salomonson. "A Snow Index for the Landsat Thematic Mapper and Moderate Resolution Imaging Spectrometer." Geoscience and Remote Sensing Symposium, IGARSS '94, Volume 4: Surface and Atmospheric Remote Sensing: Technologies, Data Analysis, and Interpretation (1994), pp. 1942-1944.

MNDWI

修正归一化差值水体指数 (MNDWI) 使用绿光和 SWIR 波段对开阔水面要素进行增强。该指数还会减少其他指数中通常与开阔水面相关的构建区要素。

MNDWI = (Green - SWIR) / (Green + SWIR)

Green = 绿光波段的像素值
SWIR = 短波红外波段的像素值

参考书目：Xu, H. "Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery." International Journal of Remote Sensing 27, No. 14 (2006): 3025-3033.

NDMI

归一化差值含水指数 (NDMI) 对植被的水分含量敏感。用于监测干旱情况以及监测火灾多发区域的油位情况。该指数使用 NIR 和 SWIR 波段创建比值，可减轻光照影响和大气效应。

NDMI = (NIR - SWIR1)/(NIR + SWIR1)

NIR = 近红外波段的像素值
SWIR1 = 短波红外 1 波段的像素值

参考文献：

Wilson, E.H. and Sader, S.A., 2002, "Detection of forest harvest type using multiple dates of Landsat TM imagery." Remote Sensing of Environment, 80 , pp. 385-396.
Skakun, R.S., Wulder, M.A. and Franklin, .S.E. (2003). "Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage."Remote Sensing of Environment, Vol. 86, Pp. 433-443.

地质指数

黏土矿物

粘土矿物比为 SWIR1 和 SWIR2 波段的比值。该比值利用的是粘土、明矾石等含水矿物吸收光谱中 2.0–2.3 微米部分的辐射的实际原理。因为该指数为比值型，所以可减轻由地形引起的光照变化。

粘土矿物比 = SWIR1 / SWIR2

SWIR1 = 短波红外 1 波段的像素值
SWIR2 = 短波红外 2 波段的像素值

参考书目：Amro F. Alasta, "Using Remote Sensing data to identify iron deposits in central western Libya." International Conference on Emerging Trends in Computer and Image Processing (ICETCIP'2011) Bangkok Dec., 2011.

有色矿物

有色矿物比会突出显示含铁材料。它采用 SWIR 波段和 NIR 波段间的比值。

有色矿物比 = SWIR / NIR

SWIR = 短波红外波段的像素值
NIR = 近红外波段的像素值

参考文献：Segal, D. "Theoretical Basis for Differentiation of Ferric-Iron Bearing Minerals, Using Landsat MSS Data."Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.

氧化铁

氧化铁比率为红光波长和蓝光波长的比值。层状褐铁硅酸盐矿物以及褐铁矿的氧化蚀变产物会吸收蓝光波段并反射红光波段。这会使铁蚀严重的区域显示为亮色。该比值的特性使该指数可减轻由地形阴影导致的光照差异。

氧化铁比例 = Red / Blue

Red = 红光波段的像素值
Blue = 蓝光波段的像素值

景观指数

BAI

燃烧面积指数 (BAI) 使用光谱中红光和 NIR 部分的反射率值来识别受火灾影响的地形面积。

BAI = 1/((0.1 -RED)^2 + (0.06 - NIR)^2)

Red = 红光波段的像素值
NIR = 近红外波段的像素值

参考文献：Chuvieco, E., M. Pilar Martin, and A. Palacios. "Assessment of Different Spectral Indices in the Red-Near-Infrared Spectral Domain for Burned Land Discrimination." Remote Sensing of Environment 112 (2002): 2381-2396.

NBR

归一化燃烧比率指数 (NBRI) 使用 NIR 和 SWIR 波段来突出燃烧面积，同时减少光照和大气效应。在使用此指数前，应根据反射率值校正您的影像；有关详细信息，请参阅表观反射率函数。

NBR = (NIR - SWIR) / (NIR+ SWIR)

NIR = 近红外波段的像素值
SWIR = 短波红外波段的像素值

参考文献：Key, C. and N. Benson, N. "Landscape Assessment: Remote Sensing of Severity, the Normalized Burn Ratio; and Ground Measure of Severity, the Composite Burn Index."FIREMON: Fire Effects Monitoring and Inventory System, RMRS-GTR, Ogden, UT: USDA Forest Service, Rocky Mountain Research Station (2005).

NDBI

归一化差值建筑用地指数 (NDBI) 使用 NIR 和 SWIR 波段来突出人为构建面积。该指数为比值型，可减轻地形光照差异的影响以及大气效应。

NDBI = (SWIR - NIR) / (SWIR + NIR)

SWIR = 短波红外波段的像素值
NIR = 近红外波段的像素值

参考文献：Zha, Y., J. Gao, and S. Ni. "Use of Normalized Difference Built-Up Index in Automatically Mapping Urban Areas from TM Imagery." International Journal of Remote Sensing 24, no. 3 (2003): 583-594.

注：