NDVI指数在植被研究中的应用及其评价
NDVI计算范文
NDVI计算范文NDVI（Normalized Difference Vegetation Index，归一化植被指数）是一种常用的用于评估植被覆盖度和生长状况的指数。
它通过比较近红外波段（NIR）和红波段（R）的反射率，反映出植被的光合作用和叶绿素含量。
在实际应用中，NDVI可用于植被监测、农业生产、环境监测等领域。
以下将详细介绍NDVI的计算方法和应用。
NDVI的计算方法是通过以下公式得出：NDVI=(NIR-R)/(NIR+R)其中，NIR代表近红外波段的反射率，R代表红波段的反射率。
一般采用植被监测所用的多光谱遥感数据，包括NIR和R波段的数据。
通过计算NDVI，可以得到一个-1到1之间的数值，反映植被的状况。
在计算NDVI时，需要注意的是，遥感数据需要进行预处理。
首先，需要对数据进行大气校正，以消除大气干扰。
其次，需要进行辐射校正，以消除不同传感器之间的差异。
最后，需要对数据进行影像配准，以保证不同时间的数据能够对应。
在完成上述预处理后，就可以进行NDVI的计算。
在实际应用中，NDVI能够提供丰富的信息，可用于评估植被覆盖度。
NDVI越高，表示植被覆盖度越好，反之表示植被覆盖度较差。
因此，NDVI被广泛应用于农业生产领域，可用于评估作物的生长状况和健康程度。
通过监测NDVI的变化，可以及时掌握植被的生长状态，以辅助农业管理决策。
此外，NDVI还可用于环境监测领域。
通过监测NDVI的变化，可以评估植被的恢复情况和生态系统的健康状况。
在城市规划中，NDVI可用于评估绿化水平和城市热岛效应。
在生态保护中，NDVI可用于监测森林覆盖度和植被退化。
此外，NDVI还可以用于土地利用分类和植被类型的识别。
通过计算不同地区的NDVI值，可以对植被进行分类和划分。
通过监测NDVI的变化，可以及时了解不同植被类型的发展和变化。
总之，NDVI是一种重要的指数，在植被监测、农业生产、环境监测等领域具有广泛的应用价值。
遥感地质学NDVI名词解释
遥感地质学NDVI名词解释遥感技术可以监测植被的变化，主要研究植被的替代指标NDVI，又称标化植被指数，是目前应用最为广泛的指标，是近红外波段与红色波段的差异经二者之和校正后的结果。
公式为:NDVI=(NIR-RED)/(NIR+RED)，该指数值介于-1与1之间:0代表该区域基本没有植被生长;负值代表非植被覆盖的区域;取值0~1之间，数字越大代表植被的覆盖面积越大，植被的量越多。
云、水体和冰雪在红色及近红外波段均有较大反射，其NDVI值为负值;土壤和岩石在这两个波段的反射率基本相同，因此其NDVI值接近0。
对于Landsat TM 传感器来说，其红外及可见红光波段分别为CH4和CH3波段。
为了对不同像素显示配色，按公式(NDVI-NDVI极小值)/(NDVI极大值-NDVI 极小值)x255将NDVI扩展为0~255。
首先肯定一点，计算NDVI必须用反射率。
DN值有多种类型，TM、NOAA的原始数据就是DN值，不能用来直接计算NDVI，必须通过辐射定标计算成反射率，才能用来计算NDVI。
但一般我们需要先进行大气校正，大气校正又包含多个方面，例如水汽、臭氧和气溶胶，世界上提供的NDVI数据集一般只做了其中部分的校正。
对于山区，还需要做地形校正。
计算出来的反射率是浮点型，为了节省存储空间，往往被转换成DN值，此时转换DN值到真实值得计算公式是真实值=aDN+b，a为斜率，b为截距。
单纯利用DN值计算。
可以解释成仅仅只是DN值计算;而TM4=0且TM3=0，是说TM34波段的DN值均为0时候，分母为0，计算不免会出现问题。
NDVI的物理依据是地物反射率的差异变化。
所以用反射率来计算是比较客观准确的，而r现实生活]中，大多的人，根本不会考虑用地表反射率来计算NDVI，直接用DN来代替地表反射率，这样的替代是不是可以，从定量的角度来讲，肯定是不够严密的，大气的影响毕竟客观存在。
大气校正有两个目的:一是大气参数的反演，一是地表反射率的反演。
ndvi公式范文
ndvi公式范文NDVI（Normalized Difference Vegetation Index）是一种常用的遥感指数，用于评估植被覆盖度和植被生长状况。
本文将介绍NDVI的计算公式，并探讨其在遥感领域中的应用。
NDVI是通过计算红外波段和可见光波段反射率之间的差异来评估植被状况的指数。
它利用了植物叶绿素对可见光的吸收以及红外波段中的反射，可以提供关于植被覆盖度和生长活力的信息。
NDVI的计算公式如下：NDVI = (NIR - Red) / (NIR + Red)其中，NIR代表近红外波段的反射率，Red代表红光波段的反射率。
这个公式的数值范围在-1到1之间，数值越高表示植被覆盖度越高，反之，数值越低表示植被覆盖度越低。
通过计算NDVI，可以得到一幅图像，其中不同颜色代表不同的植被状况。
通常情况下，绿色表示健康的植被，黄色和橙色表示受到一定程度的应力，红色表示植被覆盖度较低或者已经枯死。
NDVI在遥感领域有广泛的应用。
首先，它可以用于监测大规模的植被变化。
通过对不同时间段的NDVI图像进行比较，可以评估植被的生长情况，检测植被退化或者恢复的趋势。
这对于农业生产、森林管理和环境保护等领域具有重要的意义。
其次，NDVI可以用于评估植被覆盖度。
通过计算一个地区的平均NDVI值，可以得到该地区的植被覆盖度。
这对于城市规划和土地利用规划等方面具有指导意义。
例如，在城市绿化规划中，可以通过NDVI图像来评估不同地区的绿化水平，从而科学合理地规划绿化布局。
此外，NDVI还可以用于监测干旱和土地退化。
由于植被对水分的需求较高，当地区遭受干旱或者土地退化时，植被覆盖度会明显下降，这可以通过NDVI图像来观察和评估。
这对于制定灾害管理措施和保护生态环境具有重要的意义。
综上所述，NDVI是一种常用的遥感指数，可以通过计算红外波段和可见光波段之间的差异来评估植被状况。
它在大规模植被变化监测、植被覆盖度评估以及干旱和土地退化监测等方面具有广泛的应用前景。
多气候带复杂地理环境植被覆盖指数(NDVI)的时间变化特征及其与环境因子关系解析
多气候带复杂地理环境植被覆盖指数（NDVI）的时间变化特征及其与环境因子关系解析多气候带复杂地理环境植被覆盖指数（NDVI）的时间变化特征及其与环境因子关系解析植被覆盖指数（NDVI）是一种用于反映植被活力和植被覆盖程度的指标。
通过监测和分析NDVI的时间变化特征，我们可以了解不同气候带复杂地理环境下植被的生长状况和环境因子对植被生长的影响。
首先，不同气候带的植被覆盖指数存在明显的时间变化特征。
以夏季为例，气候带的北部地区温度逐渐升高，降水逐渐增多，植被覆盖指数也呈现上升的趋势。
而在南部地区，气温逐渐升高、降水量减少，植被覆盖指数呈现下降趋势。
同时，气候带的东部地区与西部地区也存在一定的差异。
东部地区受到大气环流和地形的影响，降水量较高，植被覆盖指数相对较高。
而西部地区受到干旱气候和地质条件的制约，植被覆盖指数相对较低。
其次，气候因子对植被生长的影响非常重要。
温度和降水是影响植被生长的核心因素。
适宜的温度和适量的降水有助于提供良好的生长环境，促进植物的光合作用和养分吸收。
在夏季，北部地区温度升高，降水增多，对植被的生长起到促进作用。
而南部地区由于温度升高和降水减少，导致植被生长不足。
此外，水分的分布也在很大程度上影响着植被覆盖指数的变化。
在复杂地理环境下，地形和水文条件对水分的分布起到重要的调节作用。
最后，利用遥感技术可以对植被覆盖指数进行监测和分析。
通过遥感影像和相关算法，我们可以获取不同时间段和空间的植被覆盖指数数据。
结合气候数据和地理信息系统分析工具，可以进一步研究植被覆盖指数与环境因子之间的关系，并绘制相应的空间分布图。
这种综合分析方法可以帮助我们更好地了解植被覆盖指数的变化特征，为保护生态环境和可持续发展提供科学依据。
综上所述，多气候带复杂地理环境下的植被覆盖指数具有明显的时间变化特征，且与环境因子密切相关。
深入研究植被覆盖指数的时空变化规律和影响因素对于有效监测和管理植被资源具有重要意义。
landsat 5 ndvi 指数
landsat 5 ndvi 指数Landsat 5是美国国家航空航天局（NASA）和美国地质调查局（USGS）于1984年发射的一颗卫星，主要用于地球遥感。
NDVI （Normalized Difference Vegetation Index）是一种常用的遥感指数，用于评估植被生长和植被覆盖的程度。
在这篇文章中，我们将详细介绍Landsat 5 NDVI指数。
NDVI指数通过计算红外波段和可见光波段的反射率之差来评估植被的状况。
在Landsat 5卫星上，可见光波段包括蓝色（0.45 - 0.52微米）、绿色（0.52 - 0.60微米）和红色（0.63 - 0.69微米）波段，红外波段包括近红外（0.76 - 0.90微米）波段。
NDVI指数的计算公式如下：NDVI = (NIR - RED) / (NIR + RED)其中，NIR代表近红外波段的反射率，RED代表红色波段的反射率。
NDVI指数的取值范围为-1到1之间，数值越高表示植被覆盖越好。
Landsat 5卫星的数据在地理信息系统（GIS）和环境领域有着广泛的应用。
通过NDVI指数，我们可以监测植被的生长和覆盖变化，了解农作物的状况以及自然植被的分布和健康状况。
使用Landsat 5数据计算NDVI指数可以帮助我们研究不同地区的植被覆盖差异。
例如，在农业领域，NDVI指数可以用来评估不同农作物的生长状况。
植物的绿叶通常会吸收可见光，而反射红外光。
因此，NDVI指数的数值越高，意味着农作物的生长状况越好。
农民可以根据NDVI指数的变化来判断作物的健康状况，并采取相应的措施来提高产量。
除了农业领域，NDVI指数还可以用于评估自然植被的覆盖变化。
例如，在林业领域，研究人员可以使用NDVI指数来监测森林的生长和植被的分布。
通过比较不同时间点的NDVI指数图像，我们可以了解森林的健康状况以及植被的生长速度。
这对于森林管理者来说是非常有价值的信息，可以帮助他们做出科学的决策。
ndvi和ndwi的计算公式
ndvi和ndwi的计算公式NDVI和NDWI的计算公式植被指数是遥感图像处理中常用的指标之一，主要用于衡量植被的生长状况和覆盖程度。
其中，NDVI（Normalized Difference Vegetation Index）和NDWI（Normalized Difference Water Index）是常见的植被指数。
本文将介绍它们的计算公式和相关应用。
一、NDVI的计算公式NDVI是通过计算可见光波段和近红外波段的反射率差异来衡量植被状况的指数。
其计算公式如下：NDVI = (NIR - Red) / (NIR + Red)其中，NIR表示近红外波段的反射率，Red表示红光波段的反射率。
计算结果的取值范围在-1到1之间，数值越高表示植被覆盖度越高，数值越低表示植被覆盖度越低。
二、NDWI的计算公式NDWI是通过计算绿光波段和近红外波段的反射率差异来衡量水体分布的指数。
其计算公式如下：NDWI = (Green - NIR) / (Green + NIR)其中，Green表示绿光波段的反射率，NIR表示近红外波段的反射率。
计算结果的取值范围也在-1到1之间，数值越高表示水体分布越广泛，数值越低表示水体分布越有限。
三、NDVI与NDWI的应用1. 植被监测与评估NDVI可以用于植被监测和评估，例如农作物生长状况的监测、森林覆盖度的评估等。
通过分析NDVI的数值变化，可以及时发现植被健康状况的变化，为农业生产和生态环境保护提供科学依据。
2. 水资源管理NDWI可以用于水资源的监测与管理，例如湖泊水质的评估、河流洪水的监测等。
通过分析NDWI的数值，可以判断水体分布的情况，及时发现水资源的变化和异常，为水资源的合理利用和保护提供决策支持。
3. 土地利用规划NDVI和NDWI可以用于土地利用规划，例如城市绿化评估、湿地保护定级等。
通过分析NDVI和NDWI的空间分布，可以了解地表覆盖的情况，为土地利用规划和生态环境保护提供参考。
遥感常用ndvi、mndwi、ndbi等三个指数的计算及landsat8应用
NDVINDVI,植被覆盖指数。
应用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。
NDVI( Normalized Differenee Vegetation Index.数），也称为生物量指标变化，可使植被从水和土中分离出来。
表达式:NIR和R分别为近红外波段和红波段处的反射率值。
和植物的蒸腾作用、太阳光的截取、光合作用以及地表NDVI^ NIR-RN I R T R1、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；⑴2、NDVI结果被限定在[-1，1]之间，避免了数据过大或过小给使用带来的不便; [1]3、NDVI是植被生长状态及植被覆盖度的最佳指示因子; [1]4、非线性变换，增强了NDVI低值部分，抑制了高值部分，导致NDVI数值容易饱和,对高植被密度区敏感性降低：NLR-R NIR^R-2RNIRT R二NIR^-R2J?NIK+/?表 1 Lan dsat7 Lan dsat8 卫星对比归一化差分植被指数，标准差异植被指[1]净初级生产力等密切相关。
中文名Index[1]Land&at 7.T Band Name . Bandwidth (pm 〕・ Resolution (m)1Band Name.,Bandwidth (pm-1-F1 1 i d1 1 Band 1 Coastal.0.43 -0.45, Band 1 Blue. (M5 -0.52, 130：j1 Band2 Blu&0.45-0.51Band 2 Gre&n . 0.52 -OWO.130,i Bmnd 3 Green, 0.53 -0.59 . Sand 3 Red.— 0.63 -069,i30. I 二 LBand 4 Red.,0,64-0.67.Band 4 NIR. 0,77 -690, i i30.1 Band 5 NIR.0.85一 0,88. Band 5 SWIR 1,1.55 -1.75,130,11 Band 5 SWIft 1, 1.57 -1.65, 归日nd 7 SWIR 2.2.09 -2 35, 130.1Band 7 SWIR 22.11 - 2.29, Band 8 Pan,0.52 -0.90、15.,!1 1Band 9 Pan,0.50 -0.68.■ ri i .n1 1 Band 9 Cirrus,1,36-1.38*10,40 -12.50.130/60, Band 10 TrRS 110,6 -11.19.Sand 6 TIRiSand 11 TIRS 2.11.5 - 12.51NDWINDWI （Normalized Differenee Water Index, 归一化 水指数），用遥感影像 的特定波段进 行归一化差值处理，以凸显影像中的水体信息。
遥感常用ndvimndwi、ndbi等三个指数的计算及landsat应用
N D V INDVI,植被覆盖指数。
应用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。
中文名归一化差分植被指数外文名Normalized Difference Vegetation Index简????称NDVI影响因素植物的蒸腾作用、太阳光的截取简介NDVI（Normalized Difference Vegetation Index,归一化差分植被指数,标准差异植被指数)，也称为生物量指标变化，可使植被从水和土中分离出来。
表达式：，NIR 和R分别为近红外波段和红波段处的反射率值。
[1]和植物的蒸腾作用、太阳光的截取、光合作用以及地表等密切相关。
特点1、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；[1]2、NDVI 结果被限定在[-1，1]之间，避免了数据过大或过小给使用带来的不便；[1]3、NDVI 是植被生长状态及植被覆盖度的最佳指示因子；[1]4、非线性变换，增强了NDVI 低值部分，抑制了高值部分，导致NDVI数值容易饱和，对高植被密度区敏感性降低：表1Landsat7 Landsat8卫星对比NDWINDWI(Normalized Difference Water Index,水指数)，用的特定波段进行归一化差值处理，以凸显影像中的水体信息。
目前对于NDWI有S. K. McFEETERS和Bo-cai Gao的两种不同做法，且都于1996年发表在权威国际遥感学术杂志上。
对于NDWI的命名尚有争议。
在1996年提出的差分水体指数（NDWI）[1]其表达式为：NDWI =(p(Green)-p())/(p(Green)+p(NIR))是基于绿波段与波段的归一化比值指数。
该NDWI一般用来提取影像中的水体信息，效果较好。
局限性：用NDWI来提取有较多建筑物背景的水体，如城市中的水体，其效果会较差。
2. Gao于1996年也命名了一个NDWI[2]?，用于研究植被的含水量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
NDVI指数在植被研究中的应用及其评价归一化植被指数NDVI是目前应用最广泛的植被指数。
不同的NDVI值对应不同的土地覆被类型，可以进行土地覆被方面的研究;NDVI 20余年的时序资料可用于研究植被动态，以及与相关生态因子的相关性研究；卫星遥感技术具有覆盖面广、获取数据快等特点，可以用于环境、植被等的监测；应用NDVI发展生态学模型，可以开展生态学模拟研究，并在实地检验过程中完善。
NDVI指数虽然存在容易饱和、校正有限、噪音较多等缺点，而且已经发展了新的替代性指数，但其特有的优点仍将使其在今后的研究中发挥重大作用。
植被指数是基于植物的光谱特征，将可见光与近红外遥感光谱观测通道进行组合运算而得到的数据。
迄今为止，植被指数已经发展出40 余种。
其中AVHRR-NDVI是目前应用最广泛的植被指数，应用领域包括土地利用、产量预报、区域检测以及生物地理学和生态学研究等。
NDVI已经积累了20 余年的数据资料Anyamba Tucker，2005，应用研究颇具成效。
1、NDVI指数原理植物叶片组织对蓝光470nm和红光650nm有强烈吸收，而对绿光和红外光强烈反射叶片中心的海绵组织和叶片背面组织对近红外辐射NIR，700-1000nm 反射较强。
从红光Red到红外光，裸地反射率较高但增幅很小。
植被覆盖越高，红光反射越小，近红外光反射越大。
红光吸收很快达到饱和，而近红外光反射随着植被增加而增加。
所以，任何强化Red 和NIR 差别的数学变换都可以作为植被指数，来描述植被状况。
归一化植被指数NDVI 就被定义为：NIR/Red-1/ NIR/Red1。
在理想状况下，不考虑大气、土壤背景等的影响，太阳-地物-传感器位置相对固定，此时传感器受到的信号将没有信号丢失和噪音干扰。
而现实中，遥感数据要受到大气、土壤和传感器角度等因素的影响，因此在使用时需要进行必要的校正。
如AVHRR-NDVI，对瑞利散射和臭氧吸收作了校正，又通过最大值合成法MVC对其他噪音作了校正。
2、NDVI指数应用举例2.1. 土地覆被研究在合适的条件下，不同的NDVI 值对应不同的土地覆盖类型，从而可以进行大尺度上的土地覆盖分类。
王长耀等2005利用1995 年NOAA 十天合成的ch4、ch5 通道亮温，先计算出陆地表面温度Ts，然后用最大值合成法计算每月的最大Ts 和NDVI，以每月最大Ts 和NDVI 建立NDVI-Ts 空间。
根据像素点NDVI，Ts 在空间中的位置矢量，求出矢量在空间中的方向角度，并作归一化处理，得对到温度植被角度NTVA。
12 个月NTVA 做主成分变换提取前三个主分量辅以全年总NDVI和大于0℃Ts 积温，用模糊K-均值法进行全国土地覆盖分类。
研究结果表明，基于NDVI-Ts 空间的NTVA 与NDVI、Ts 一起作为分类特征在土地覆盖分类中具有较高的分类精度，能够取得较好的分类效果。
植被盖度是土地覆被研究的重要内容。
结合实地观测来验证NDVI指数的植被盖度估测方法，可以提高实际工作的效率。
张云霞等2007选择中国北方温带典型草原为研究对象，运用样方叠加的方法，选择不同植被盖度的49 块样地，将地面实测数据和ASTER 遥感数据结合，建立植被盖度经验模型，研究植被指数与植被盖度的相关性以及地面样方尺度对经验模型的影响。
发现NDVI 在估测草原植被盖度上优于其它植被指数RVI NDGI，而且样方尺度的选择对植被盖度经验模型的建立又很大影响，中国北方典型草原区适合大样方、取中值的方法。
夏照华等2006研究宁夏盐池县农牧交错区植被盖度，利用NDVI数据和植被盖度遥感定量模型提取植被覆盖等级图，并对比分析了1989、1999、2003 年的植被覆盖图，发现植被盖度的变化，并为当地荒漠化治理提供了建议。
2.2. NDVI时序及相关因子分析作为植被指数，NDVI有着很好的时间序列，从而为植被动态或地表覆被动态研究，以及植被变化相关因子研究上提供方便。
在NDVI 时序变化研究方面，李晓兵和史培军1999基于3S 技术，利用连续时间序列的NOAA-AVHRR 影像，通过主分量分析和非监督分类，对中国植被进行宏观分类，然后结合NDVI指数，讨论植被变化规律，进一步阐明中国植被NDVI 动态变化的地区差异。
由于NDVI 数据覆盖范围遍及全球，运用NDVI时序可以进行很好的开创性研究。
侯英雨等2005利用1982-2000 年NOAA-AVHRR 月合成NDVI数据对西藏草地和森林等主要植被年内和年际变化进行了初步研究，发现NDVI 指数年内变化的季节性和年际变化的波动幅度规律。
在生物入侵方面，李加林2006 运用MODIS 数据研究江苏沿海互花米草NDVI/EVI 的季节变化规律，发现互花米草的返青出苗、抽穗、种子成熟等主要物候期在VI 曲线上均能得到很好体现，从而当地植被管理提供借鉴。
当前研究最多的还是NDVI 时序变化与其它生态因子相关性的研究，而这些生态因子主要是气候因子，如降水，温度等。
NOAA-AVHRR 20 多年的NDVI时间序列资料，可以作为地表指数来研究不同时期植被对降水的响应Anyamba Tucker 2005。
Jeremy 等2004运用NDVI 时序数据来研究美国新墨西哥州6种半干旱环境下的植被群落，发现NDVI 每年有两个峰值，分别出现在春季和夏季，对应植物的生长高峰期，其中 6 个群落春季的NDVI指数更具有空间异质性。
另外，NDVI变异性与受季风和厄尔尼诺现象影响的降水变化一致。
陈云浩等2001，2002以NDVI 时序资料为基本数据源，应用变化矢量分析和诸成分分析方法，分析1983-1992 年中国植被变化特征，总结了NDVI变化规律，并结合全国160 个气象站的月均温和降雨数据，探讨了气温、降水对中国植被NDVI变化的驱动作用。
杨建平等2005使用8km 分辨率Pathdfinder NOAA-AVHRR-NDVI时序数据，对青藏高原长江黄河源区1982-2001 年地表植被覆盖的空间分布和时间序列变化进行了分析，并在典型区NDVI与气温、降水和浅层地温单相关分析的基础上，构建了NDVI与气温、降水和浅层地温的统计模型，发现20 年来江河源地区的植被覆盖总体上保持原状，局部继续退化。
张远东等2003利用1992-1996 年NOAA/AVHRR 逐旬NDVI数据和气候、水文资料，分别对绿洲和荒漠进行了NDVI 与气候、水文因子间的相关分析，发现绿洲与荒漠NDVI具有不同的季节变化规律。
郭广猛等2007使用2000 年与2004 年250m 分辨率的MODIS 植被指数数据NDVI，分析了泾河上游固原地区植被和降水利用效率变化，结果表明该区植被覆盖情况有较大好转。
付新峰等2007分析了雅鲁藏布江流域的NDVI时空变化特征，在流域DEM 的支持下，把流域站点主要气候因子降水量与平均气温等数据采用Kriging 方法插值成与流域NDVI相一致的空间Grid 数据，发现NDVI 与降水量之间存在显著的相关性。
张军等2001 利用1982-1992 年时间序列的NOAA-AVHRR 8km×8km 分辨率的NDVI，将研究区域的土地覆盖类型分为10 类，然后结合该地区的19 个气象站1982-1992 年的年平均气温、年最高温度、年最低温度、年降水量和年相对湿度研究了各类型NDVI年平均值的变化与气候因子之间的关系进一步阐明了气候因子是NDVI动态变化的主要原因。
王宏等2005 利用Krigging 插值方法对1982-1999 年降水、气温数据插值生成中国东北地区的二维气象因子影像，然后与东北地区的1982-1999年的NOAA-AVHRRR-NDVI月平均、季平均、年平均影像做零时滞偏相关、复-3- NDVI 指数在植被研究中的应用及其评价相关分析，及以月为时滞间隔偏相关、复相关分析，得出东北地区森林植被类型与气象因子相关性的时空分异规律。
2.3. 动态监测卫星遥感图像以覆盖面广、获取信息快的优点，成为动态监测的有效途径。
孙丹峰等2002 利用NDVI植被指数和半方差纹理特征的知识进行影像大类区域分割，再结合光谱知识对各影像区域进行详细分类同时利用区域生长技术与地类空间知识进行区域分类，然后进行分类后处理与变化信息提取，利用基础图件提供的知识与各区域分类进行比较以发现变化的区域。
王宏等2006 采用Savitzky-Golay 滤波算法平滑了1982-1999 年NOAA-AVHRR-NDVI 时间序列影像，然后利用曲线拟合了锡林郭勒典型草原1982-1999 年的每年物候期返青期、黄枯期及18 年的平均物候期和生长季长度，并对1982-1999 年的物候期进行了线性拟合，分析物候期的变化趋势，从而达到监测目的。
此外，将NDVI应用于林火监测，可以弥补地理信息系统GIS难以随时更新数据的不足，排除云体对NOAA-AVHRR 传感器CH3 通道的干扰提高森林火灾监测的准确性、及时性和可靠性何筱萍易浩若1997。
2.4. 生态学模拟研究发掘NDVI 与生态学过程的关系及其量化方法，可以用于生态学模拟研究。
Burgheimer2006 等研究了叶色列内盖夫西北黄土沙丘地区雨季的BSCbiological soil crusts、光谱反射率和光合活性三者之间关系，发现NDVI指数能很好地指示BSC 同化活动的潜在量级，而且可以指示不同微型植物光合作用率。
郑元润和周广胜2000 基于叶面积指数LAI和归一化植被指数NDVI 建立了中国森林植被净第一性生产力NPP模型，经我国13 组森林植被生产力数据的验证表明，该模型的预测结果与实测值相符较好，对我国森林植被有良好的适应性。
王宏等2006运用阈值法、滑动平均法、最大变化斜率、曲线拟合模型四种基于NDVI的参数估测方法，模拟了锡林浩特1991-1999 年的草原生长季，野外实测验证说明，基于曲线拟合模型能适用于大尺度上的植被生长季变化监测存在问题是拟合曲线很难接近于实际曲线。
由于高海拔地段情况特殊，如生长季短、冬季长、冰雪覆盖、常绿树种占优势等特征，NDVI数据很难应用。
Pieter 等2006利用斯堪的纳维亚半岛2000-2004年的NDVI数据，运用模型的方法来估计生物物理参数和研究植被物候，结果显示，比目前基于傅立叶序列Fourier series和非对称高斯函数asymmetric Gaussianfunctions的方法要优越许多。
3. NDVI 指数存在问题目前，AVHRR-NDVI虽广泛应用，但仍存在一些问题：1 在植被高覆盖区容易饱和；2 对大气干扰所做的校正有限；3 没有考虑树冠背景对植被指数的影响；4 NDVI的比值算式和最大值合成算法MVC虽消除了某些内部和外部噪音但MVC 不能确保选择最小视角内的最佳像元，最终的合成产品仍然有较多噪音王正兴等，2003。