NDVI、EVI、SAVI、NDRE 与 NDWI：不同场景下该选哪个植被指数？

在遥感植被监测中，NDVI 是最广为人知的指数，但它并非万能。NDVI 和 EVI 都利用红光与近红外波段测量绿色植被，然而 NDVI 在茂密冠层上会趋于饱和，EVI 则通过引入蓝光波段和三个系数来保持响应。SAVI 针对裸土背景进行校正，NDRE 用红边波段替代红光，而 NDWI 和 NDMI 则转向水体与水分监测。如果你对 NDVI 本身还不熟悉，建议先了解它的基本原理。 简单来说，NDVI 告诉你一个像元是否绿色；EVI、SAVI 和 NDRE 帮你区分不同的绿色地物；NDWI 和 NDMI 则揭示水分信息。本文涉及的八个指数均可在 QGIS 栅格计算器中基于 Sentinel-2 地表反射率数据运行，波段名称即图层名称。EVI 采用 Huete 等人（2002）的 MODIS 系数，与 USGS 应用于 Landsat 的系数一致；SAVI 采用 USGS 页面推荐的 L=0.5。对于 NDRE，我将 B8A 与 B5 配对：两者在 Sentinel-2 网格上均为 20 米分辨率，避免计算器混合分辨率，且 B8A 是 865 纳米附近的窄波段，而 B8 宽约 100 纳米。

以 2026 年 5 月 7 日马托格罗索州 Querência 附近的一景无云 Sentinel-2 影像为例，NDVI 给茂密亚马逊森林的中位数为 0.88，处于峰值期的作物为 0.87，54% 的森林像元落入作物区间。EVI 将两者拉开：森林 0.44，作物 0.66，无重叠，但森林与浅色稀疏作物落入同一范围。NDRE 是唯一将三者完全区分的指数。数值为中位数，括号内为第 10 至 90 百分位，每类随机选取 1000 个像元。 NDVI 将 80% 的森林压缩在宽度仅 0.04 的区间内。EVI 并未如教科书所言“EVI 不饱和”那样将森林排在作物之上，反而排在之下。森林冠层反射 23% 的近红外光，而峰值期作物反射 39%，因为粗糙冠层充满阴影，而 EVI 跟随近红外。我的看法是：将 EVI 视为冠层信号，而非生物量计。SAVI 和 EVI2 在每一类上的表现都与 EVI 类似。NDMI 则讲述另一个故事：开阔水面读数为 0.05，与浅色干燥作物的 0.03 相同。这就是为什么 NDMI 是水分指数，而 NDWI（McFeeters）是水体测绘指数。

我的测量方法：从 Microsoft Planetary Computer 获取 Sentinel-2 L2A 影像 S2C_MSIL2A_20260507T135111_R024_T22LCM（0% 云量），窗口为 20×20 公里，位于 Querência 镇以北约 55 公里。在计算任何指数之前，我在真彩色影像上绘制矩形，覆盖深绿色田地、浅色田地、裸地和森林区块，仅保留 ESA WorldCover 2021 标记为农田或树木覆盖且场景分类标记为清晰的像元。水体为窗口内所有 WorldCover 水体像元。反射率计算公式为 (DN − 1000) / 10000。局限性：仅一个日期和一个地点，作物阶段从颜色而非实地读取，水体类别包含带浮水植物的河流湿地，这解释了其 NDVI 分布较宽的原因。 选择指数应基于问题，而非习惯。NDRE 反映氮素状况，氮素影响叶绿素，进而移动红边，当冠层闭合、NDVI 饱和后，NDRE 仍保持响应。在生长季早期，土壤仍可见时，NDVI 足够。在本景影像中，NDRE 将峰值期作物与森林区分开（2% 重叠），而 NDVI 无法做到（54% 重叠）。两个不同指数共享 NDWI 之名：McFeeters（1996）使用绿光和近红外，测绘开阔水体；Gao（1996）使用近红外和短波红外，测量叶片水分，如今多数工具称后者为 NDMI。在信任名为 NDWI 的图层前，请检查波段。 在茂密冠层上，EVI 饱和较少。在我的马托格罗索测试中，它将森林与峰值期作物分开，但混淆了森林与浅色稀疏作物，而 NDVI 能区分。EVI 还需要干净的蓝光波段和真实反射率。将其与 NDVI 并列使用，而非替代。普通 RGB 相机不记录近红外光，因此这些指数均无法工作。具备红、近红外和红边波段的多光谱相机可计算 NDVI、SAVI、GNDVI 和 NDRE。EVI 还需要蓝光波段，NDMI 需要短波红外，无人机相机很少携带。在 Landsat 8 和 9 上：蓝光为第 2 波段，绿光第 3 波段，红光第 4 波段，近红外第 5 波段，短波红外 1 第 6 波段，均为 30 米。Landsat 没有红边波段，因此无法计算 NDRE。Collection 2 Level-2 反射率为 DN × 0.0000275 − 0.2。

Sentinel-2 每几天提供 10 米像元，Landsat 8 和 9 提供 30 米像元并携带热波段，存档可追溯至 1972 年。从 Landsat 到无人机，像元尺寸各异，一个法国郊区在每种分辨率下可见的建筑和泳池数量也不同。若想了解这些公式背后的波段，请参阅多光谱与高光谱对比。QGIS AI 中心按任务列出了 AI 在 QGIS 中能做什么。若你更愿意输入请求而非公式，我们构建的 QGIS 插件 AI Agent 可用一句话运行这些栅格计算器步骤。要首先获取波段，请参阅如何在 QGIS 中下载 Sentinel-2。点击原文链接，查看完整技术细节与实测数据。