植被指数第一弹—宽带绿度指数（你最常见的植被指数）

植被指数第一弹—宽带绿度指数（你最常见的植被指数）

本文参考资料:

Calculating different Vegetation Indices in Google Earth Engine

Enhanced Vegetation Index(EVI) from Sentinel-2 image on Google Earth Engine

Calculating NDVI from Sentinel-2 Images

增强型植被指数-EVI_linsen 1833[CSDN]

植被指数总结（作业） - 简书 (jianshu.com)

arcgis 笔记 4：收藏的一些植被指数公式 - 知乎 (zhihu.com)

宽带绿度指数可以简单度量绿色植被的数量和生长状况，选择的波段范围在可见光和近红外。本文以哨兵二号数据为参照，将宽带绿度指数公式表达出来，仅供参考。若有错误之处，敬请指正。

下面先看看Sentinel-2各波段中心波长与空间分辨率。

波段	Sentinel-2A 中心波长(nm)	Sentinel-2B 中心波长(nm)	空间分辨率(m)
1-Coastal aerosol	442.7	442.2	60
2-Blue	492.4	492.1	10
3-Green	559.8	559.0	10
4-Red	664.6	664.9	10
5-Vegetation red edge	704.1	703.8	20
6-Vegetation red edge	740.5	739.1	20
7-Vegetation red edge	782.8	779.7	20
8-NIR	832.8	832.9	10
8A-Narrow NIR	864.7	864.0	20
9-Water vapour	945.1	943.2	60
10-SWIR-Cirrus	1373.5	1376.9	60
11-SWIR	1613.7	1610.4	20
12-SWIR	2202.4	2185.7	20

根据绿色植被对红波段和蓝波段的光吸收与发射特征，一系列植被指数发展出来，有比值植被指数(RVI, Ratio Vegetation Index)，差值植被指数(DVI, Difference Vegetation Index)等。后来，随着人们对大气对辐射影响的理解，蓝波段和一系列校正因子与系数被引入公式，发展出适用于不同冠层、土壤背景、大气状况的植被指数。

1. NDVI(Normalized Difference Vegetation Index)

不多介绍，这应该是应用地最广的植被指数了...

\[NDVI=\frac{NIR-Red}{NIR+Red} \]

def getNDVI(image):
    
    # Normalized difference vegetation index (NDVI)
    ndvi = image.normalizedDifference(['B8','B4']).rename("NDVI")
    image = image.addBands(ndvi)

    return(image)

2. EVI(Enhanced Vegetation Index)

\(EVI\)与\(NDVI\)相比，在高生物量区域变化较敏感，引入蓝波段，减少大气影响，对冠层信噪背景进行调整。

\[EVI=G*\frac{NIR-Red}{NIR+C1*Red-C2*Blue+L} \]

其中，\(C1\)大气阻抗红波段校正系数，取值为6；\(C2\)大气阻抗蓝波段校正系数，取值为7.5；\(L\) 冠层背景亮度校正因子，取值为1；\(G\) 增益系数，取值为2.5。

def getEVI(image):
    # Compute the EVI using an expression.
    EVI = image.expression(
        '2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))', {
            'NIR': image.select('B8').divide(10000),
            'RED': image.select('B4').divide(10000),
            'BLUE': image.select('B2').divide(10000)
        }).rename("EVI")

    image = image.addBands(EVI)

    return(image)

3. SAVI(Soil-Adjusted Vegetation Index)

\(NDVI\)在低植被覆盖率地区，易受到土壤亮度的影响，故常用土壤调节植被指数\(SAVI\)，代替\(NDVI\)来表征植被特征。公式：

\[SAVI=\frac{NIR-Red}{NIR+Red+L}*(1+L) \]

其中，\(L\)为土壤亮度校正因子，表示绿色植被覆盖量，常取0.5来表示绝大多数的土地覆盖类型。\(SAVI\)取值范围-1到1。

# SAVI (Soil Adjusted Vegetation Index)
def getSAVI(image):
    # Compute the SAVI using an expression.
    SAVI = image.expression ('(((NIR - RED) / (NIR + RED + L))* (1+L))',{
        'L': 0.5, # Cobertura vegetation 0-1
        'NIR': image.select ('B8'),
        'RED': image.select ('B4')
    }).rename("SAVI")
    
    image = image.addBands(SAVI)

    return(image)

后来发展的变换型土壤调节植被指数\(TSAVI\)，调整型土壤调节植被指数\(MSAVI\)，优化型土壤调节植被指数\(OSAVI\)，归纳土壤调节植被指数\(GESAVI\)

4. ARVI(Atmospherically Resistant Vegetation Index)

大气阻抗植被指数\(ARVI\)，主要应用于大气气溶胶较高（刀耕火种，森林火灾，干旱半干旱）的地区；通过引入蓝波段，校正受到散射影响的红波段反射率。

\[ARVI=\frac{NIR-RB}{NIR+RB}\\ RB = Red+\gamma(Red-Blue) \]

\(\gamma\)为校正因子，常取值为1.0，取值范围-1到1，健康植被的取值范围常为0.2到0.8。

# ARVI (Atmospherically Resistant Vegetation Index)
def getARVI(image):
    # Compute the ARVI using an expression.
    ARVI = image.expression ('((NIR - (2 * RED) + BLUE) / (NIR + (2 * RED) - BLUE))',{
        'NIR': image.select ('B8'),
        'BLUE': image.select ('B2'), 
        'RED': image.select ('B4')
    }).rename("ARVI")
    
    image = image.addBands(ARVI)

    return(image)

将\(SAVI\)和\(ARVI\)结合到一起，可以得出土壤大气阻抗植被指数\(SARVI\)【叫SAR VI，bushi👀】。

5. GCVI(Green Chlorophyll Vegetation Index)

叶绿素植被指数\(GCVI\)采用近红外和绿光波段的反射比率来反映叶片中的叶绿素含量。

\[GCVI=\frac{NIR}{Green}-1 \]

# GCVI ( Vegetation Index)
def getGCVI(image):
    # Compute the GCVI using an expression.
    GCVI = image.expression('(((NIR) / (GREEN)) - 1)', {
    'NIR' : image.select('B8'),
    'GREEN' : image.select('B3')
  }).float().rename("GCVI")
    
    image = image.addBands(GCVI)

    return(image)

6. GLI(Green Leaf Index)

绿叶指数(GLI)，也叫做绿度指数(Green Index)，将绿波段和其他两个可见光波段进行组合，公式：

\[GLI = \frac{2*Green-Red-Blue}{Red+Green+Blue} \]

# GLI (Green Leaf Index)
def getGLI(image):
    # Compute the GLI using an expression.
    GLI = image.expression ('(((GREEN - RED) + (GREEN - BLUE)) / ((2 * GREEN) + RED + BLUE))', {
        'GREEN': image.select ('B3'),  
        'RED': image.select ('B4'),
        'BLUE': image.select ('B2')
        }).rename("GLI")
    image = image.addBands(GLI)

    return(image)