波段算术函数可对栅格数据集的波段执行算术运算。您可以选择预定义的算法,也可以输入自己的单行公式。支持的运算符包括 -、+、/、* 和一元 -。
以下是此函数的输入:
- 输入栅格
- 方法 - 预定义或用户定义的表达式。
- 波段索引或表达式
- 对于“波段索引”,输入以空格分隔的列表,表示要在预定义公式中使用的波段号。
- 对于“表达式”,输入单行表达式。
用户定义的方法
您可以输入单行代数公式以创建单波段输出。支持的运算符包括 -、+、/、* 和一元 -。要识别波段,需以 B 或 b 作为波段号前缀。例如:
B1 + B2 b1 + (-b2) (B1 + B2) / 2(B3 * B5)
预定义的方法
对于这些预定义的方法,可以输入以空格分隔的列表,表示要使用的波段号。
GEMI 方法
“全球环境监测指数”(GEMI) 是通过卫星影像进行全球环境监测的非线性植被指数。该指数与 NDVI 类似,但对大气影响的敏感度较低。它受裸土影响,因此,不建议在植被稀疏或中度茂密的区域使用。
GEMI=eta*(1-0.25*eta)-((Red-0.125)/(1-Red))
其中,
eta=(2*(NIR2-Red2)+1.5*NIR+0.5*Red)/(NIR+Red+0.5)
- NIR = 近红外波段的像素值
- Red = 红光波段的像素值
通过以空格分隔的列表,您将按以下顺序识别近红外和红光波段:NIR Red。例如,4 3。
此指数的输出值介于 0 和 1 之间。
参考文献:Pinty, B. and Verstraete, M. M. 1992, "GEMI: a non-linear index to monitor global vegetation from satellites," Plant Ecology, Vol. 101, 15–20,
GVI (Landsat TM) 方法
“绿色植被指数”(GVI) 设计源于 Landsat MSS 影像,并已针对 Landsat TM 影像进行了修改。它也称为 Landsat TM Tasseled Cap 绿色植被指数。它可用于波段共享相同光谱特征的影像。
GVI=-0.2848*Band1-0.2435*Band2-0.5436*Band3+0.7243*Band4+0.0840*Band5-1.1800*Band7
通过以空格分隔的列表,您将按从一到五及六的顺序识别六个 Landsat TM 波段。例如,1 2 3 4 5 7。如果输入中包含按预期顺序排列的 6 个波段,则不需要在波段索引文本框中输入值。
此指数的输出值介于 -1 和 1 之间。
参考文献:Todd, S. W., R. M. Hoffer, and D. G. Milchunas, 1998, "Biomass estimation on grazed and ungrazed rangelands using spectral indices," International Journal of Remote Sensing, Vol. 19, No. 3, 427–438.
改良的 SAVI 方法
“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
通过以空格分隔的列表,您将按以下顺序识别近红外和红光波段:NIR Red。例如,4 3。
参考文献:Qi, J. et al., 1994, "A modified soil vegetation adjusted index, " Remote Sensing of Environment, Vol. 48, No. 2, 119–126.
NDVI 方法
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(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,即红光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
通过以空格分隔的列表,您将按以下顺序识别近红外和红光波段:NIR Red。例如,4 3。
此指数的输出值介于 -1.0 和 1.0 之间。
参考文献:Rouse, J.W., R.H. Haas, J.A. Schell, and D.W. Deering, 1973, "Monitoring vegetation systems in the Great Plains with ERTS," Third ERTS Symposium, NASA SP-351 I:309-317.
PVI 方法
“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
通过以空格分隔的列表,您将识别近红外和红光波段,并按以下顺序输入 a 值和 b 值:NIR Red a b。例如,4 3 0.3 0.5。
此指数的输出值介于 -1.0 和 1.0 之间。
参考文献:Richardson, A. J. and C. L. Wiegand, 1977, "Distinguishing vegetation from soil background information", Photogrammetric Engineering and Remote Sensing, 43, 1541-1552.
SAVI 方法
“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 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。
通过以空格分隔的列表,您将识别近红外和红光波段,并按以下顺序输入 L 值:NIR Red L。例如,4 3 0.5。
参考文献:Huete, A. R., 1988, "A soil-adjusted vegetation index (SAVI)," Remote Sensing of Environment, Vol 25, 295–309.
Sultan 的公式法
Sultans 过程采用六波段八位图像并使用 Sultan 的公式生成三波段八位图像。生成的图像将高亮显示在海岸线上称为蛇绿岩的岩石构造。此公式根据 Landsat 5 或 7 场景的 TM 或 ETM 波段设计。应用于创建各输出波段的方程如下:
Band 1 = (Band5 / Band6) x 100 Band 2 = (Band5 / Band1) x 100 Band 3 = (Band3 / Band4) x (Band5 / Band4) x 100
通过以空格分隔的列表,您将按从一到六的顺序识别六个波段。例如,1 2 3 4 5 6。如果输入中包含按预期顺序排列的 6 个波段,则不需要在波段索引文本框中输入值。
参考文献:Richardson, A. J. and C. L. Wiegand, 1977, "Distinguishing vegetation from soil background information," Photogrammetric Engineering and Remote Sensing, Vol 43, 1541-1552.
变换的 SAVI 方法
“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
通过以空格分隔的列表,您将识别近红外和红光波段,并按以下顺序输入 s 值、a 值和 X 值:NIR Red s a X。例如,3 1 0.33 0.50 1.50。
参考文献:Baret, F. and G. Guyot, 1991, "Potentials and limits of vegetation indices for LAI and APAR assessment," Remote Sensing of Environment, Vol. 35, 161–173.