MODIS数据介绍及植被指数算法

其中

为近红外（841-875nm）

为短波红外（1628-1652nm），该公示的原理是，植被在其中的近红外波段

吸收率较低，而在短波红外波段的吸收率较高（在我们所下载的数据集中对应第2、6个波段）。有些文章中提到的是

用7波段。

LSWI（Land Surface Water Index，地表水分指数）。是指植被冠层中水分的含量。

参考文章：Mapping paddy rice agriculture in southern China using multi-temporal MODIS images

2.EVI2计算

根据EVI的计算公式，我们需要包含了NIR1和RED两个波段的8天250米MOD09Q1数据集。此时波段数据DN值都在-3万多~3万之间，进行数值换算后再计算，除以1万。

EVI2=2.5*(NIR1-RED)/(NIR1+2.4*RED+1)

3. EVI计算

增强型植被指数（Enhanced Vegetation Index，即EVI）计算公式为：

EVI2.5NIRRED

NIR6.0RED7.5BLUE1NIR、RED和BLUE分别代表近红外波段、红光波段和蓝光波段的反射率。

3. NDVI计算

归一化植被指数（Normalized Difference Vegetation Index，即NDVI）的计算公式为：

NDVINIRRED

NIRRED其中：NIR和RED分别代表近红外波段和红光波段的反射率NDVI的值介于-1和1之间。

4.高光谱归一化植被指数（Hyp_NDVI）

对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外和红光的谱段进行归一化植被指数计算：

Hyp_NDVIHyp_NIRHyp_RED

Hyp_NIRHyp_RED4.其他植被指数

（1） 比值植被指数（Ratio Vegetation Index——RVI）

RVINIR RED该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。但是RVI对大气状况很敏感，而且当植被覆盖小于50%时，它的分辨能力显著下降。

（2） 差值植被指数（Difference Vegetation Index——DVI）

DVINIRRED

该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因此又被称为环境植被指数（EVI）。

（3） 土壤调整植被指数（Soil-Adjusted Vegetation Index——SAVI）

SAVINIRRED(1L)

NIRREDL其中，L是一个土壤调节系数，该系数与植被浓度有关，由实际区域条件确定，用来减小植被指数对不同土壤反射变化的敏感性。当L=0是，SAVI就是NDVI；对于中等植被覆盖区，L的值一般接近于0.5。乘法因子（1+L）主要是用来保证最后的SAVI值介于-1和1之间。该指数能够降低土壤背景的影响，但可能丢失部分植被信号，使植被指数偏低。

（4） 修正土壤调整植被指数（Modified Soil-Adjusted Vegetation Index——MSAVI）

MSAVI2NIR1(2NIR1)28(NIRRED)2 关于植被指数更详细的介绍，可参见田庆久（1998）[1]。

（5） 土壤湿度指数

该指数的物理意义为 : 对于黑体来说 ,E 点正好落于坐标原点 , 即 SIM I 为 0, 地表越湿润越接近于原点 . 当 E 点位于 D 点时 , 即 SIM I 为 1, 意味着极端干燥地表 , 土壤水分为 0. 尽管有时 MODIS 第 6 波段和第 7 波段构建的短波红外光谱特征空间散点图不一定是三角形分布 , 但是 SIM I 的构建与光谱散点分布形状无关 , 因为它用距离远近的方式定量表达土壤水分的变化 . 本文为了便于说明 SIM I, 作者采用了三角形分布的光谱散点图 . 此外 , 该指数只使用了 MODIS 第 6 波段和第 7 波段地表反射率两个参量 ,避免了大量经验系数的引入 , 易于操作和获取 .

（6） 突然调节植被指数

来源：Mapping agricultural wetlandsinthe Sacramento Valley USA with satelliteremotesensing

（7） 宽泛型植被指数等

来源：Modeling growing season phenology in North American forests using

（8） 水体指数

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