54种植被指数研究进展综述

摘要 植被是生态系统的重要组成部分，具有调节水文、气候和生态平衡的功能。植被指数是反映地表植被状况的重要指标之一，包含着植被90%以上的遥感信息，可以增强植被信息并削弱非植被信息的干扰。系统总结了全球54种主流植被指数的发展历程、影响因素以及分类体系，描述了其计算公式，并对其应用特点进行了评估和分析。指出未来植被指数的研究应该建立更加完善的汇总体系，关注植被指数的应用特点及应用方向，为生态研究、生产实践等提供理论基础。

关键词 植被指数；遥感；生态环境；土地利用类型

中图分类号 Q 948  文献标识码 A  文章编号 0517-6611（2023）01-0013-09

doi：10.3969/j.issn.0517-6611.2023.01.004

Review of 54 Vegetation Indices

AO Deng， YANG Jia-hui， DING Wei-ting et al

（College of Natural Resources and Environment， Northwest A & F University， Xianyang，Shaanxi 712100）

Abstract Vegetation， as an important part of the ecosystem， has the role of regulating hydrology， climate and ecological balance. Vegetation index is one of the important indicators to reflect the vegetation status and contains more than 90% remote sensing information， which can enhance the vegetation information and weaken the interference of non-vegetation information.This paper systematically summarizes the development history， influencing factors and classification system of 54 global mainstream vegetation indexes， describes their calculation formulas， and evaluates and analyzes their application characteristics. It is pointed out that the study of vegetation index in the future should establish a more perfect summary system， pay attention to the application characteristics and direction of vegetation index， and provide a theoretical basis for ecological research and production practice.

Key words Vegetation index;Remote sensing;Ecological environment;Land use type

作者简介 敖登（1998—），女，内蒙古乌兰察布人，硕士，研究方向：土壤学。

通信作者，副教授，博士，从事土壤物理学研究。

收稿日期 2022-02-28

地球表面辐射通量的光谱组成能够反映物候环境中的土壤、水分、植被等的物理性质且具有显著的规律性［1］，而遥感技术、模型以及指数就是为了将这些光谱信息转换成易于理解的形式［2］。因此，可根据植被的反射光谱特征来评价植被生长情况、生态效益等。关于植被研究的波段在气象卫星和地球观测卫星上都普遍存在，这些波段的不同组合方式则定义为植被指数［3-5］。植被指数作为无量纲，是一种利用叶冠的光学参数提取的独特光谱信号，旨在建立一种基于经验或半经验的、对地表大部分生物群体都适用的植被观测量［6-7］。

目前，已有许多科学家开发出了与具体研究方向相关的指数，其中一些指数已经能很好地反映包括林地、草地、耕地等不同土地利用类型的生物量、生产力等［8-10］。这些植被指数广泛应用在旱地检测、森林火灾、植被覆盖、作物变化、生产力分析等多个领域［11-12］，具有代表性的指数有归一化差异植被指数（NDVI）［13］、叶面积指数（LAI）［13-14］、增强型植被指数（EVI）［15］等。卫星遥感作为研究植被指数的重要方法，包含90%以上的植被信息，因其不受自然因素和社会因素的影响，能够迅速获得准确的大尺度观测资料，为气候、作物变化研究和植被信息监测等提供了依据［16-17］。NASA的“监测自然植被的春季进退（绿色效应）”是植被指数相关领域的领军研究——利用遥感数据初步评价地表植被生物量和植被状况在较短时间内的变化，分析两个地点的单波段图像和数字数据可以很容易划定林地、草地和农田，同时也促进了Landsat-Mss的发展［3］。

植被指数由于自身对光谱综合利用的特性，在多方面都有所应用。虽然在有据可循和控制环境变量的情况下可以确定各影响因素对植被指数的影响效果，但是在遥感图像上观察到的信号通常很难进行已知参数的分解［18］。相对于单波段，在定量测量植被活力、生物量探测等方面，植被指数有更好的灵敏性［19］。植被指数不仅能提高遥感的解译能力，而且大部分指标可以在专题测绘领域改善指数的分类［20］。20世纪70年代至今，科学家利用各种先进方法，不断完善不同情况下植被指数的表达。研究表明，不同植被指数可以应对多变且复杂的自然状况，使得植被指数更能准确地描述不同的植被情况［19］。不同的植被覆盖情况可以依据它们相对于整体地面元素的独特光谱进行区分。例如：叶绿素吸收红光，叶片细胞结构反射近红外光波段，红光和近红外光之间的偏差构成了对绿色植被敏感的变量；红光对叶绿素浓度敏感，而近红外光对叶面积指数和绿色植被密度敏感等。

自20世纪70年代起，植被指数被开发应用，到80～90年代得到了极大的发展，进入21世纪后，植被指数随着遥感卫星的发展不断改进。植被指数自被提出以来就在不断发展完善，前期的指数适用的范围比较单一，受限因素有很多，而后期的指数主要是对指数进行标准化和调整，也能适应更多的影响因素。田庆久等［21］对早期的植被指数进行了总结，之后尚无相关研究系统综述植被指数的研究进展。因此，该研究回顾植被指数发展历程，对近50年发展的植被指数进行汇总；并对几种常见植被指数的优缺点和应用方向做概述，以期为植被指数的应用提供更好更全面的理论依据，助力未来植被指数的发展。

1 植被指数的发展史

研究发现，在可见光波段（400～760 nm）的蓝色波段（450 nm）和红色波段（670 nm）这2个吸收带的中间，植被的反射光谱在绿色波段（550 nm）处有一个小反射峰（图1）［22-23］。由于叶片特殊组织结构中的空腔增大了反射表面，而且叶绿体的水溶胶状态，散射了大量的辐射能量，形成了高反射率，在近红外波段（700～800 nm）有一个反射的陡坡，至1 100 nm附近有一个峰值。受绿色植物含水率的影响，在中红外波段（1 300～2 500 nm），吸收率增大，反射率下降，特别是以1 450、1 950和2 700 nm为中心的波段是水的吸收带。近红外波段的反射陡坡、至1 100 nm附近的小峰值，是植被的独有特征［24-25］。红色波段和近红外波段之间的反差是植被生物量的一种表征［6］。植被覆盖度低的区域反差最小，中等植被覆盖区反差是红色和近红外波段的变化结果，而高植被覆盖区只有近红外波段对反差有贡献，红色波段已趋于饱和，不再变化。相对而言，在自然状态下土壤亮度区别不明显，土表的反射率没有明显峰值和谷值［26］。因此，可以根据植物在不同波长下的反射率特点进行辨别分类。此外，近红外与红光光谱观测通道的不同组合得到的植被指数可以在一定程度上反映自然植被的演化信息［27］。

植被指数发展史上的前驱者Pearson和Miller［28］以比率的形式提出了比值植被指数（ratio vegetation index，RVI）和植被指数数字（vegetation index number，VIN），主要是用于估算和监测植被覆盖。比值植被指数作为被提出来的第一个指数，是使用原始卫星数字开发的，没有经过大气校正和传感器校正。但是该指数增强了地表与植被的对比，而且受照明条件影响小，对地面光学特性敏感［29］。但也存在一定的局限性，比值植被指数对大气的透明度要求很高，当植被覆盖率低于50%时，其辨别力也会下降［30］，因此该植被指数适合应用在植被覆盖度较高的情况下，但是对于浓密植物的红光波段反射率很小，会导致RVI无限增大。

比值植被指数公式如下：

RVI=R/NIR（1）

式中，R为红光波段的平均反射率；NIR为近红外波段的平均反射率。

叶面积指数（leaf area index，LAI）定义为单位土地面积上的总植物叶面积。自1947年提出以来，就已作为重要植物学参数和评价指标，在农林果业以及生物、生态学等领域应用广泛［3］。LAI利用植被冠层的光谱特征来遥感定量统计。叶面积指数与各种冠层活动过程密切相关，例如，叶片的蒸散过程、叶片枯落过程等，因此该指数被广泛用于描述植物冠层的光合和叶面蒸腾。

归一化植被指数（normalized difference vegetation index，NDVI）作为反映农作物长势和营养信息的重要参数，是应用率最高的指数［13-14］。利用该指数，能够得到农作物在不同季节的需氮量，可以指导合理施用氮肥［31］。

NDVI=（NIR-R）/（NIR+R）（2）

NDVI与LAI相比，LAI与叶面积的相关性更好，而且对土壤亮度和大气衰减的敏感性也更低。同时NDVI也是评估如LAI、植被覆盖度、生物量等各种生物物理参数的中介［32］。NDVI能够部分消除与太阳高度角、卫星观测角、地形、云影等与大气条件有关的辐射变化的影响［33］；NDVI的值，-1表示可见光高反射；0表示有裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大［34-35］。相对其他的植被指数，NDVI是一种应用价值很高的指数，因为它足够稳定，能够减少各种因素的影响，可以对植被生长活动中的季节变化和年际变化进行有意义的比较。NDVI对叶绿素很敏感，又被称为“连续性指数”［36］，所以它对绿色植被的存在很敏感，对干旱地区的农作和降雨有很好的预测性。NDVI应用领域广泛，包括土地覆盖分类、干旱监测、土地退化等。该指数也是各种局部、区域和全球尺度模型的一个重要参数，它的时间序列也已被成功地用于许多关于全球植被活动的年际变化研究中［37］。

目前，NDVI依然是比较流行的植被指数［38］，但其也存在一些不可忽视的缺点，NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度［39］。利用相同数据分别求RVI和NDVI，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；NDVI会过度估计生长季节开始时的植被覆盖度和季节结束时的覆盖度［40］。

1974年，Rouse和其他学者为了避免NDVI的负值，转换了NDVI，重新定义了一种植被指数——转换植被指数（transform vegetation index，TVI）：

TVI=NDVI+0.5（3）

之后，在有学者的试验数据中，仍然出现了负值，为了解决这一问题，Perry和Lautenschlager在1984年又提出了新版本的转换植被指数［41］：

TVI=［（NDVI+0.5）/（|NDVI+0.5|）］NDVI+0.5（4）