NDVI 用红光与近红外对比表征植被状态

绿色植被通常在红光波段吸收较强，在近红外波段反射较强。归一化植被指数 NDVI 用这两个波段的差与和构造无量纲比值，增强二者对比。它能描述冠层光谱状态，但不是对叶面积、生物量、产量或健康程度的直接测量。

公式比较两段反射差异

NDVI 定义为近红外反射率减去红光反射率，再除以二者之和：

$NDVI = \frac{\rho_{NIR} - \rho_{Red}}{\rho_{NIR} + \rho_{Red}}$

其中反射率必须来自对应传感器的近红外和红光波段。对正常非负输入，指数通常位于负一到正一之间；产品可能用整数缩放存储，读取时要应用比例因子并先处理填充值。

分母归一化降低了整体亮度差异的部分影响，但不会消除大气、地形、观测角度和传感器响应。公式简单不代表输入可以忽略处理级别。

叶绿素在红光区域吸收能量，健康绿色叶片的红光反射通常较低。近红外不被叶绿素强烈吸收，叶片内部结构和冠层多次散射可产生较高反射。两者形成的对比让 NDVI 对绿色植被较敏感。

像元观测的是冠层、土壤、阴影和其他地物的混合。叶片含水量、冠层结构、叶倾角、覆盖度和太阳观测几何都会改变红光与近红外响应。同样的 NDVI 可以由不同植被结构组合产生。

水体、雪、云和裸地也有各自光谱差异，可能得到低值或负值，但固定阈值不能在所有传感器和环境中可靠区分地类。分类需要更多波段、时相或辅助数据。

用数字数直接计算会混入传感器增益和量化，用顶层大气反射率计算仍保留大气影响。长期或跨场景分析通常优先采用经过质量控制的地表反射率产品，并保持集合和算法版本一致。

云、云影、高气溶胶和饱和像元必须依据质量波段处理。薄云可能没有完全遮挡地表，却会改变红光和近红外程度不同，造成看似合理但偏离真实地表状态的指数。

山地阴影和坡向改变照明。归一化比值只能抵消部分共同亮度变化，不能替代地形校正。季节比较时还要考虑太阳角和观测角差异。

不同 Landsat 传感器的红光与近红外位于不同波段编号。不能把某一代传感器的公式编号复制到另一代产品。应按产品手册确认波段名称、光谱响应、缩放和无数据值。

不同传感器即使都提供红光和近红外，波段中心和响应范围也不完全相同。地物光谱在波段内并非平坦，跨传感器 NDVI 可能存在系统差异。时间序列拼接需要重叠期比较或经过验证的协调方法。

空间分辨率也改变混合程度。粗像元包含更多土壤和非植被，指数不能与细像元一一对应。将粗分辨率指数重采样到细网格不会增加真实植被细节。

随着叶面积和覆盖度增加，红光吸收可能很快接近下限，近红外变化也受冠层结构影响。高生物量区域中，NDVI 对进一步增长的响应会减弱，多个不同冠层状态可能得到相近高值。

这种饱和使 NDVI 不适合作为所有植被类型下的线性生物量代理。若目标是高覆盖森林结构、叶面积或产量，需要结合其他指数、红边波段、雷达、LiDAR 或地面模型，并独立标定。

指数接近上限也不证明植被“更健康”。病害、水分胁迫和营养状况可能在可见症状出现前后以不同方式影响光谱，且品种和物候本身会造成变化。

植被覆盖较低时，土壤亮度、颜色和湿度对像元贡献较大。不同土壤背景可让相同覆盖度得到不同 NDVI。土壤调整植被指数等方法试图减弱这一影响，但会引入参数和新的适用条件。

阴影比例也会改变红光和近红外。行作物方向、冠层高度和太阳角造成的阴影变化，可能被误认为植被量变化。对农田时间序列，应尽量保持相近观测条件并结合物候解释。

城市和破碎景观中的混合像元包含屋顶、道路、土壤和植被，NDVI 更接近覆盖组成的综合信号，不能直接代表某一株植物状态。

植被返青、生长、成熟和衰退会形成季节曲线。单景高低容易受天气、云污染和观测日期影响，连续时间序列更适合比较物候和异常。

合成前要应用一致质量掩膜，并记录每个周期的有效观测数量。多云季节可能只剩少量清晰日期，最大值合成会偏向偶然高值，中位数又可能削弱短暂峰值。合成方法应与目标现象的时间尺度一致。

异常检测需要可靠基线。与多年同一物候阶段比较，通常比与上一景直接相减更合理。灌溉、收割、轮作、火灾和传感器变化都可能产生真实或非目标变化，解释应结合土地管理和其他数据。

NDVI 与叶面积、生物量或产量可能在特定作物、区域和生育期内相关，但相关关系不是通用转换公式。建立反演模型需要有代表性的地面样本、明确时间匹配和独立验证。

模型应报告适用植被类型、指数范围、传感器和误差。把局部回归应用到不同气候或冠层结构，会产生不可控外推。高 NDVI 饱和和低覆盖土壤影响都可能破坏线性关系。

可靠使用 NDVI 的顺序是先确认产品与波段，处理质量和尺度，再根据任务解释时间与空间差异。它是压缩红光和近红外信息的指标，不是植被所有性质的统一答案。