arcgis pro指数库

来自：https://pro.arcgis.com/zh-cn/pro-app/help/data/imagery/indices-gallery.htm

植被和土壤指数

MSAVI

“修正土壤调节植被指数”(MSAVI2) 尝试将裸土对于 SAVI 的影响降至最小。

MSAVI2 = (1/2)*(2(NIR+1)-sqrt((2*NIR+1)²-8(NIR-Red)))

NIR = 近红外波段的像素值
Red = 红光波段的像素值

Remote Sensing of Environment, Vol. 48, No. 2, 119–126.

NDVI

归一化差值植被指数 (NDVI) 是一个标准化指数，用于生成显示植被量（也称为相对生物量）的影像。该指数对多光谱栅格数据集中两个波段的特征进行对比，即红色波段中叶绿素的色素吸收率和近红外 (NIR) 波段中植物体的高反射率。

文献记载的默认 NDVI 方程如下：

NDVI = ((NIR - Red)/(NIR + Red))

NIR = 近红外波段的像素值
Red = 红光波段的像素值

此指数的输出值介于 -1.0 和 1.0 之间。

了解有关 NDVI 的详细信息

PVI

“垂直植被指数”(PVI) 与差值植被指数类似，但对大气变化的敏感度较高。使用此方法比较不同影像时，只可将其用于已进行大气修正的影像。

PVI=(NIR-a*Red-b)/(sqrt(1+a²))

NIR = 近红外波段的像素值
Red = 红光波段的像素值
a = 土壤线的坡度
b = 土壤线的梯度

此指数的输出值介于 -1.0 和 1.0 之间。

SAVI

“调节土壤的植被指数”(SAVI) 是试图通过土壤亮度校正系数最小化土壤亮度影响的植被指数。它通常用在植被覆盖率较低的干旱区域。

SAVI = ((NIR - Red) / (NIR + Red + L)) x (1 + L)

NIR = 近红外波段的像素值
Red = 近红光波段的像素值
L = 绿色植被覆盖量

NIR 和 Red 是指与这些波长关联的波段。L 值根据绿色植被覆盖量而有所不同。通常，无绿色植被覆盖的区域 L=1；绿色植被中度覆盖的区域 L=0.5；植被高度覆盖的区域 L=0（与 NDVI 方法等效）。此指数的输出值介于 -1.0 和 1.0 之间。

Remote Sensing of Environment, Vol 25, 295–309.

TSAVI

“转换型土壤调节植被指数”(TSAVI) 是试图通过假设土壤线具有任意斜率和截距来最小化土壤亮度影响的植被指数。

TSAVI=(s(NIR-s*Red-a))/(a*NIR+Red-a*s+X*(1+s²))

NIR = 近红外波段的像素值
IR = 红光波段的像素值
s = 土壤线的坡度
a = 土壤线的截距
X = 用于最大限度降低土壤噪声的调整因子

Remote Sensing of Environment, Vol. 35, 161–173.

VARI

可见光大气阻抗指数 (VARI) 用于突出处于光谱中可见光部分的植被，同时减轻光照差异和大气效应。非常适合 RGB 或彩色影像；利用全部三种彩色波段。

VARI = (Green - Red)/ (Green + Red - Blue)

Green = 绿光波段的像素值
Red = 红光波段的像素值
Blue = 蓝光波段的像素值

International Journal of Remote Sensing 23 (2002): 2537−2562.

水体指数

NDSI

归一化差分雪盖指数 (NDSI) 用于在忽略云覆盖的情况下，使用 MODIS（波段 4 和波段 6）和 Landsat TM（波段 2 和波段 5）识别雪覆盖。因为该指数为比值型，所以同样会减轻大气效应。

 NDSI = (Green - SWIR) / (Green + SWIR)

Green = 绿光波段的像素值
SWIR = 短波红外波段的像素值

Geoscience and Remote Sensing Symposium, IGARSS '94, Volume 4: Surface and Atmospheric Remote Sensing: Technologies, Data Analysis, and Interpretation (1994), pp. 1942-1944.

MNDWI

修正归一化差值水体指数 (MNDWI) 使用绿光和 SWIR 波段对开阔水面要素进行增强。该指数还会减少其他指数中通常与开阔水面相关的构建区要素。

MNDWI = (Green - SWIR) / (Green + SWIR)

Green = 绿光波段的像素值
SWIR = 短波红外波段的像素值

International Journal of Remote Sensing 27, No. 14 (2006): 3025-3033.

NDMI

归一化差值含水指数 (NDMI) 对植被的水分含量敏感。用于监测干旱情况以及监测火灾多发区域的油位情况。该指数使用 NIR 和 SWIR 波段创建比值，可减轻光照影响和大气效应。

NDMI = (NIR - SWIR1)/(NIR + SWIR1)

NIR = 近红外波段的像素值
SWIR1 = 短波红外 1 波段的像素值

参考书目：

Remote Sensing of Environment, 80 , pp. 385-396.
Remote Sensing of Environment, Vol. 86, Pp. 433-443.

地质指数

黏土矿物

粘土矿物比为 SWIR1 和 SWIR2 波段的比值。该比值利用的是粘土、明矾石等含水矿物吸收光谱中 2.0–2.3 微米部分的辐射的实际原理。因为该指数为比值型，所以可减轻由地形引起的光照变化。

Clay Minerals Ratio = SWIR1 / SWIR2

SWIR1 = 短波红外 1 波段的像素值
SWIR2 = 短波红外 2 波段的像素值

International Conference on Emerging Trends in Computer and Image Processing (ICETCIP'2011) Bangkok Dec., 2011.

有色矿物

有色矿物比会突出显示含铁材料。它采用 SWIR 波段和 NIR 波段间的比值。

Ferrous Minerals Ratio = SWIR / NIR

SWIR = 短波红外波段的像素值
NIR = 近红外波段的像素值

Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.

氧化铁

氧化铁比率为红光波长和蓝光波长的比值。层状褐铁硅酸盐矿物以及褐铁矿的氧化蚀变产物会吸收蓝光波段并反射红光波段。这会使铁蚀严重的区域显示为亮色。该比值的特性使该指数可减轻由地形阴影导致的光照差异。

Iron Oxide Ratio = Red / Blue

Red = 红光波段的像素值
Blue = 蓝光波段的像素值

Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.

景观指数

BAI

燃烧面积指数 (BAI) 使用光谱中红光和 NIR 部分的反射率值来识别受火灾影响的地形面积。

BAI = 1/((0.1 -RED)^2 + (0.06 - NIR)^2)

Red = 红光波段的像素值
NIR = 近红外波段的像素值

Remote Sensing of Environment 112 (2002): 2381-2396.

NBR

归一化燃烧比率指数 (NBRI) 使用 NIR 和 SWIR 波段来突出燃烧面积，同时减少光照和大气效应。在使用此指数前，应根据反射率值校正您的影像。

NBR = (NIR - SWIR) / (NIR+ SWIR)

NIR = 近红外波段的像素值
SWIR = 短波红外波段的像素值

FIREMON: Fire Effects Monitoring and Inventory System, RMRS-GTR, Ogden, UT: USDA Forest Service, Rocky Mountain Research Station (2005).

NDBI

归一化差值建筑用地指数 (NDBI) 使用 NIR 和 SWIR 波段来突出人为构建面积。该指数为比值型，可减轻地形光照差异的影响以及大气效应。

NDBI = (SWIR - NIR) / (SWIR + NIR)

SWIR = 短波红外波段的像素值
NIR = 近红外波段的像素值