多光谱遥感卫星影像植被指数种类
【基于遥感影像进行城市植被信息】遥感影像植被分类
【基于遥感影像进行城市植被信息】遥感影像植被分类遥感主要是根据不同的物体会产生不同的电磁波的响应，从而识别地面上各类地物。
具有视域范围广、图像清晰逼真、宏观性强、重复周期短、信息量多、收集方便的优点。
因此，卫星遥感是监测植被的有效手段。
本文主要针对城市植被的提取，从城市遥感的原理和数据源、城市植被信息的提取方法和遥感技术等几方面对基于遥感影像对城市植被信息提取的研究的进展进行论述，并讨论了这些研究的特点和各自存在的一些不足，以及发展的趋势。
1 城市植被及遥感影像光谱特征1.1 城市植被城市植被指的是城市里覆盖着的生活植物，即城市内一切自然正常生长以及人工种植的各类植物类型的总称。
1.2 植被遥感影像光谱特征在蓝色和红色波段，能量很低；在绿色波段附近，会形成一个小的峰值。
而在近红外波段，叶肉海绵组织结构有很大的反射表面。
2 城市植被信息提取数据源、遥感影像预处理2.1 信息提取数据源及其选择1）Landsat TM影像及ETM+遥感数据。
空间分辨率不是很高。
2）MODIS数据，很高的信噪比。
3）美国商业遥感卫星Quick Bird影像，能较清晰的从遥感图像判读出城市绿地。
4）IKONOS遥感数据，全色波段的分辨率为1m，多光谱数据分辨率为4m。
5）此外，遥感数据还有很多类型，比如SPOT影像等。
2.2 卫星影像预处理研究中遥感影像的预处理包括：几何校正、遥感影像图像增强、截取研究区域、相关性分析等一系列处理，在处理中需根据不同类型不同特点的遥感图像进行不同的预处理。
3 城市植被信息提取的方法3.1 人机交互方式进行植被信息提取3.1.1 基于波段的选择进行分类法提取步骤：1）实验波段的选择及彩色合成结合波段的波谱物理特征优先选择几个波段，K-L变换后的第一、第二、第三主成分波段，NDVI植被指数段和K-L变换后的第一主分量加影像的三个波段进行波段间的相关性分析，对该3种波段数据进行假彩色合成，反复比较，选出植被景观目视效果最好的合成的图像。
landsat 5 ndvi 指数 -回复
landsat 5 ndvi 指数-回复什么是Landsat 5 NDVI指数？Landsat 5 NDVI指数是一种衡量植被健康程度的遥感指标。
NDVI代表归一化植被指数（Normalized Difference Vegetation Index），是由美国航空航天局（NASA）开发的一种植被指标。
Landsat 5是1972年至2013年期间运行的一颗美国卫星，它搭载了太阳能辐射计和多光谱扫描仪，可以收集和记录地球表面不同波段的图像数据。
为什么要使用Landsat 5 NDVI指数？通过使用Landsat 5 NDVI指数，科学家们可以更好地了解地球上植被的分布、类型和健康状况。
植被是地球生态系统的关键组成部分，它们对碳循环、气候调节和土壤保持起着重要作用。
通过监测和评估植被健康状况，我们可以更好地了解气候变化和土地利用变化的影响，并为农业生产、森林管理和自然灾害预警等提供重要的依据。
如何计算Landsat 5 NDVI指数？为了计算Landsat 5 NDVI指数，首先需要收集来自Landsat 5卫星的多光谱图像数据。
多光谱图像数据包含不同波段的图像，其中包括红光波段（通常为TM3波段）和近红外波段（通常为TM4波段）。
接下来，使用以下公式计算NDVI指数：NDVI = (TM4 - TM3) / (TM4 + TM3)其中，TM4代表近红外波段的反射值，TM3代表红光波段的反射值。
通过计算后，NDVI的取值范围通常在-1到1之间。
数值接近1表示植被健康状况好，数值接近-1表示植被健康状况差，而数值接近0表示地表无植被。
如何解读Landsat 5 NDVI指数结果？Landsat 5 NDVI指数的结果可以提供有关植被健康状况的有用信息。
首先，根据NDVI数值的范围，可以进行植被分类。
通常，数值大于0.2的地区被认为是森林、草原或农田，数值大于0.5的地区被认为是热带或亚热带地区的繁茂植被。
ENVI中常见植被指数介绍
作业9 植被指数植被指数概念：利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。
植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。
不同的植被覆盖类型可以通过其特有的光谱特征进行区分，这是由于叶绿素在红波段内对太阳辐射的吸收以及叶片细胞结构对红外波段内太阳辐射的强反射。
Broadband Greenness(5 indices)（宽带绿色指标(5)）宽带绿度指数可以简单度量绿色植被的数量和生长状况，它对植物的叶绿素含量、叶子表面冠层、冠层结构比较敏感，这些都是植被光合作用的主要物质，与光合有效辐射（fAPAR）也有关系。
宽带绿度指数常用于植被物候发育的研究，土地利用和气候影响评估，植被生产力建模等。
宽带绿度指数选择的波段范围在可见光和近红外，一般的多光谱都包含这些波段。
下面的公式中规定波段的中心波长：ρNIR=800nm，ρRED=680nm，ρBLUE=450nm。
1. Normalized Difference Vegetation Index归一化植被指数增强在近红外波段范围绿叶的散射与红波段范围叶绿素的吸收差异。
简称NDVI： NDVI=(NIR-R)/(NIR+R)（1）应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；（2）-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，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；（3）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。
对于同一幅图象，分别求RVI和NDVI时会发现，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；（4）NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；2.Simple Ratio Index比值植被指数在近红外波段范围绿叶的散射与红波段范围叶绿素吸收的比值。
地表反射率、温度、植被指数
地表反射率、温度、植被指数、几何精纠正和Landsat影像影像几何精纠正1.深入理解影像几何精纠正的原理2.学会使用影像对影像的几何精纠正方法和具体操作步骤1. 扫描地形图（宁夏中卫地区1:25万104811.img ）进行几何精纠正（包括投影参数、单位的调整将选定参考点保存）。
2. 利用纠正好的全色波段高分辨率影像完成同景多光谱影像的几何精纠正。
1. 扫描地形图（宁夏中卫地区1:25万104811.img ）进行几何精纠正（包括投影参数、单位的调整将选定参考点保存）。
2. 利用纠正好的全色波段高分辨率影像完成同景多光谱影像的几何精纠正Landsat影像数据下载、导入、目视解译与分析1．学会在美国NASA/USGS网上进行Landsat卫星影像的检索和下载，认识影像名编号意义。
2．初步掌握ENVI/IDL影像处理软件的使用方法，熟悉软件的用户界面、功能模块，掌握基本功能的使用。
复习遥感导论课程中的遥感影像目视解译环节，选择自己熟悉的地区，进行Landsat TM/ETM+影像的目视解译。
实习内容1、课前准备：根据自己感兴趣的地区，下载一景Landsat TM/ETM+影像。
2、将单波段分别添加在ENVI中（采用file| open image file工具，注意在添加波段数据时，热红外波段影像应另存为一个文件）3、利用Basic tools | layer stscking视窗选择多波段影像进行添加，在available中选择刚才添加的影像，选择RGB color分别选取4、3、2和7、4、2波段组合进行彩色合成，此时，可以再打开一个视窗（new display）观察地物的色调变化。
列表说明上述地物分别在两种波段组合下的颜色特征。
4、查询并记录影像文件的基本信息、投影信息，以及各个波段直方图信息。
5、将影像缩小、放大、漫游工具识别影像中的土地利用/土地覆盖类型，可能的土地利用/土地覆盖类型包括：(1) 耕地farmland(8) 公路/铁路road or railway(2) 草地grassland(9) 河流stream(3) 裸地barren land(10) 水库reservoir(4) 森林forest(11) 冰雪ice and snow(5) 城镇居民地town(12) 云cloud(6) 农村居民地village(13) 阴影shadow(7) 沙漠desert6、利用load RGB将图像显示，后用视窗中的光谱剖面工具，提取上述地物在不同波段的数值（Digital Number，DN）；要求针对影像中的6种地物至少各采集10个样本，取平均值，做光谱剖面图，分析不同地物的灰度值随波段变化的特点。
sentinel-2各种指数
sentinel-2各种指数
Sentinel-2卫星是欧洲空间局（ESA）开发的一组地球观测卫星，它们携带着多光谱成像仪（MSI），可以捕捉地表的光谱信息。
利用这些光谱信息，可以计算出各种地表指数，这些指数对于农业、林业、城市规划、环境监测等领域具有重要意义。
以下是一些常见
的Sentinel-2影像数据可用于计算的地表指数：
1. 归一化植被指数（NDVI），NDVI是衡量植被覆盖程度和植
被生长状况的重要指标，可用于监测植被的健康状况和生长情况。
2. 土壤调节植被指数（SAVI），SAVI是NDVI的一种改进方法，可以减少对土壤表面的反射影响，更准确地反映植被生长情况。
3. 植被指数（EVI），EVI结合了红光、近红外和蓝光波段的
信息，对于覆盖茂密植被的区域具有更好的敏感性。
4. 植被健康指数（VHI），VHI结合了NDVI和地表温度数据，
可以综合评估植被的健康状况。
5. 水体指数（MNDWI），MNDWI可以用于提取水体信息，对于
监测水资源和湿地具有重要意义。
6. 土壤湿度指数（MSI），MSI可以用于估计土壤湿度，对于农业灌溉和土壤水分管理具有重要意义。
这些地表指数可以通过Sentinel-2影像数据计算得出，为各种应用领域提供了丰富的信息，帮助人们更好地理解和利用地球表面的资源。
同时，这些指数也为环境监测、自然灾害监测和城市规划提供了重要的数据支持。
通过利用Sentinel-2影像数据计算这些地表指数，可以更好地实现对地表特征的监测和分析，为可持续发展和资源管理提供重要的参考依据。
多光谱遥感卫星影像植被指数种类
多光谱遥感卫星影像植被指数种类1. 归一化植被指数（Normalized Difference Vegetation Index，NDVI）：归一化植被指数是最常见且最广泛应用的植被指数之一、它利用红光和近红外波段的反射率差异来评估植被的健康和生长状况。
NDVI值的范围从-1到1，数值越高表示植被覆盖越好。
2. 增强型植被指数（Enhanced Vegetation Index，EVI）：增强型植被指数是对NDVI的改进，它通过加入大气校正和土地表面背景修正，可以提高植被指数的特征表达能力。
相比于NDVI，EVI在地表背景光照条件变化大的情况下表现更好。
3. 土壤调整植被指数（Soil-Adjusted Vegetation Index，SAVI）：土壤调整植被指数是在NDVI的基础上引入土壤亮度校正因子，用于纠正影响NDVI计算的土壤亮度对植被指数的影响。
SAVI对土壤覆盖比较重的地区提供了更准确的植被信息。
4. 归一化水体指数（Normalized Difference Water Index，NDWI）：归一化水体指数利用短波红外波段和近红波段的反射率差异来区分水体和其他地表信息。
NDWI值的范围从-1到1，数值越高表示水体覆盖越多。
除了以上提到的常见植被指数，还有其他一些衍生出来的指数用于特定的研究和应用，如大气校正后的植被指数（AtmosphericallyResistant Vegetation Index，ARVI）、非线性植被指数（Non-linear Vegetation Index，NVI）等。
多光谱遥感卫星影像植被指数种类的选择取决于研究目的和具体的科学问题。
不同的指数在对植被响应的灵敏度、对土壤背景和大气影响的抑制能力等方面有所差异。
因此，在具体应用中，需根据研究区域的自然环境特点，综合考虑各种植被指数的适用性，选择合适的指数进行分析和研究。
使用遥感图像进行植被覆盖度测量的方法
使用遥感图像进行植被覆盖度测量的方法植被覆盖度是评估地表生态系统的重要指标之一，可以帮助我们了解植被分布、生长状况以及生态环境的变化。
通过遥感技术，我们可以借助航天器、无人机等高空平台获取的图像数据，来进行植被覆盖度的测量与分析。
本文将介绍一些使用遥感图像进行植被覆盖度测量的方法及其应用。
一、光谱指数法光谱指数法是使用遥感图像中的光谱信息来推断植被覆盖度的一种方法。
光谱指数是根据植被对不同波段的反射特性而计算得出的。
其中，植被指数（Vegetation Index，VI）是光谱指数法中最常用的一种指数计算方法。
常见的植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、简化型植被指数（Simple Ratio Index，SR）等。
在使用光谱指数法进行植被覆盖度测量时，首先需要根据遥感图像计算出相应的植被指数值。
然后，通过与实地采样数据进行对比，建立植被指数与植被覆盖度之间的关系模型，从而推算出植被覆盖度。
这种方法具有简单、快速、非破坏性的优点，并能够进行大范围的植被分布调查，因此被广泛应用于植被覆盖度的监测与评估。
二、面向对象的分类方法面向对象的分类方法是利用遥感图像中的纹理、形状、空间分布等特征，将图像中的像素分成不同的类别，并将每个类别与相应的植被覆盖度关联起来的方法。
通过这种方法，我们可以得到植被覆盖度变化的空间分布图，并进一步进行植被生态系统调查和分析。
面向对象的分类方法需要先进行图像分类，将图像中的不同景物、地物分割成不同的对象。
然后，根据所建立的训练样本库，将这些对象分类为与植被覆盖度相关的类别。
最后，通过对每个类别中的对象进行统计，得到相应的植被覆盖度。
三、机器学习方法机器学习方法是一种将遥感图像与实地采样数据进行关联的高级技术。
通过训练模型，机器学习方法可以从遥感图像中学习到特定的植被覆盖度信息，并将其应用于未知区域的植被覆盖度估计。
如何进行遥感影像的植被监测与评估
如何进行遥感影像的植被监测与评估遥感影像的植被监测与评估广泛应用于农业、林业、生态学等领域，可以帮助我们了解植被的分布、生长状况和变化趋势等。
本文将介绍如何进行遥感影像的植被监测与评估的方法和技术。
一、植被指数的计算与分析植被指数是评估植被状况的重要指标，可以通过光谱反射率计算得到。
常用的植被指数有归一化植被指数（NDVI）、近红外参数指数（NDPI）等。
NDVI的计算公式为（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。
通过计算植被指数，可以得到植被的生长状况和空间分布特征。
二、遥感影像的分类与识别遥感影像的分类与识别是植被监测与评估的重要步骤。
通过遥感图像分类技术，可以将图像中的像元分为不同的类别，如植被、水体、建筑等。
常用的图像分类方法有支持向量机（SVM）、最大似然分类（MLC）等。
利用这些分类方法，可以识别出遥感影像中的植被区域，并进行面积统计和变化分析。
三、时间序列分析与变化检测时间序列分析是遥感影像植被监测中的重要手段，可以了解植被的季节性变化和长期趋势。
通过获取不同时间点的遥感影像数据，可以计算出植被指数的变化量，并对植被的生长状态进行分析。
变化检测技术可以将两幅或多幅遥感影像进行对比，检测出植被变化的区域和幅度。
这些数据可以用于制定植被保护和管理策略。
四、植被盖度和生物量估算植被盖度和生物量是评估植被状况的重要指标之一。
通过遥感影像的光谱信息和植被指数计算方法，可以估算出植被的覆盖度。
而植被的生物量可以通过多源数据融合和统计模型建立进行估算。
这些数据对于农业生产和生态环境评估具有重要意义。
五、植被监测系统的发展趋势随着遥感技术的不断发展和卫星观测系统的进步，植被监测系统也在不断完善。
高分辨率的遥感影像数据和多源数据融合技术使得植被监测与评估工作更加精准和全面。
同时，人工智能和机器学习算法的应用为植被监测提供了新的思路和方法。
- 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)。
遥感植被指数的种类、适用性和优缺点分析摘要：遥感是现代科学技术中的一种远距离观测、分析目标地物的理论和方法，它在现代环境监测中具有广泛的应用。
遥感植被指数是指利用遥感图像进行植被长势、生物量生产潜能等监测的重要指标。
本文将在对植物的光谱特征分析的基础上，总结相关研究，对植被指数的种类以及它们的适用性和优缺点进行分析。
1、引言遥感是指利用不同地物波谱特征不同这一特性，通过传感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物，获取其反射、辐射或散射的电磁波信息，进行处理、分析与应用的一门科学和技术。
而植被指数则是利用遥感图像获取多光谱遥感数据，经过分析得到植被分布、种类等数值，对某些植被的长势、生物量等有一定应用价值。
目前，国内外学者已研究发展了几十种不同的植被指数模型，常用的有以下几类：1、比值植被指数（RVI）；2、归一化植被指数（NDVI）；3、差值植被指数（DVI）；4、缨帽变换中的绿度植被指数（GVI）；5、垂直植被指数（PVI）；6、土壤调整植被指数（SAVI）等，这几类植被指数对植被的敏感性、抗土壤和大气的干扰性等不尽相同。
一般情况下由于归一化植被指数（NDVI）与一些重要的生物物理参数如生物量、叶面积指数和光有效辐射等有密切的联系[1]，所以NDVI被广泛用于植被研究。
遥感植被指数是预测生物量、作物生产潜能以及评价一个生态系统结构与功能特征的重要指标[2]，然而遥感的植被指数不仅取决于植被的种类，还要受到其他环境条件的干扰，如土壤湿度、土壤的物理化学属性、大气条件以及季节等的影响。
于是如何在不同的条件下选择不同的植被指数对更好的进行植被监测、农作物估产等有着较大的影响。
本文正是通过对植被遥感的原理、植物光谱特征分析研究等的基础上，总结有关资料数据，对各类遥感植被指数的适用性和优缺点进行了分析，作为今后相关研究的参考。
2、植被遥感的原理植物遥感依赖于植物本身的特征，主要是叶片结构特点和植被冠层光谱特性。
我们都知道，植物叶片能进行光合作用，但所利用的仅是太阳光的可见光部分（0.4~0.76μm），即称之为光合有效辐射（PAR），约占太阳辐射的47%~50%，其强度随着时间、地点、大气条件等变化。
植物的光谱特征可使其在遥感影像上有效地与其他地物相区别。
同时，不同的植物各有其自身的波谱特征，从而成为区分植被类型、长势及估算生物量的依据。
首先，近红外波段是植物遥感的重要波段，因为近红外区的反射是受叶内复杂的叶腔结构和腔内对近红外辐射的多次散射控制，以及近红外光对叶片有近50%的透射和重复反射，这对植物的生长阶段、发育水平或受病虫害胁迫状态或水分亏缺状态等的监测有很重要的意义；其次，植物的微波辐射特征能量较低，受大气干扰较小等。
2.1健康植被的反射光谱特征健康植物的波谱曲线有明显的特点，在可见光的0.55µm附近有一个反射率为10％~20％的小反射峰。
在0.45µm和0.65µm附近有两个明显的吸收谷。
在0.7~0.8µm是一个陡坡，反射率急剧增高。
在近红外波段0.8~1.3µm之间形成一个高的，反射率可达40％或更大的反射峰。
在1.45µm，1.95µm和2.6~2.7µm处有三个吸收谷。
图1:健康植被的有效光谱响应特征2.2影响植物光谱的因素影响植物光谱的因素除了植物本身的结构特征，同时也受到外界的影响。
外界影响主要包括季节的变化，植被的健康状况，植物的含水量的变化，植株营养物质的缺乏与否等等。
但外界的影响总是通过植物本身生长发育的特点在有机体的结构特征反映出来的。
从植物的典型波谱曲线来看，控制植物反射率的主要因素有植物叶子的颜色、叶子的细胞构造和植物的水分等。
植物的生长发育、植物的不向种类、灌溉、施肥、气候、土壤、地形等因素都对有机物的光谱特征发生影响，使其光谱曲线的形态发生变化。
总之，不同植被种类、在不同的生长时期呈现出不同状态以及不同的环境条件变化等的结果都将进一步反应到植被遥感图像中，同时，植被的光谱反射或发射特性是由其化学和形态学特征决定的，而这种特征与植被的发育、健康状况以及生长条件密切相关。
因此，可以采用多波段遥感数据来揭示植物活动的信息，进行植物状态监测等。
3、植被指数的概念遥感植被指数是反映地表植被覆被情况的数学指标,可用于提取植被覆被信息。
由于高光谱遥感的窄波段特性,高光谱遥感植被指数可以定量地反演植被的物理和化学参量,如叶绿素、叶黄素、类胡萝卜素等色素,N、P、K等营养物质,纤维素、木质素、蛋白质、淀粉、糖和油等。
这些定量信息的获取对全面、精确地分析和评价生态环境具有重要的意义。
通常在植被指数中，选用对绿色植物强吸收的可见光红波段和对绿色植物高反射的近红外波段。
4、植被指数的种类、适用性及其优缺点分析4.1几种常用的植被指数种类（1）比值值被指数（RVI）：由于可见光红波段（R）与近红外波段（NIR）对绿色植物的光谱响应十分不同，且具倒转关系。
两者简单的数值比能充分表达两反射率之间的差异。
比值植被指数可表达为：或者其中：DN为近红外（NIR）、红外段（R）的灰度值，ρ为地表反照率比值值被指数（RVI）对于绿色植物叶绿素引起的红光吸收和叶肉组织引起的近红外有强反射，使其R与NIR值有较大的差异，从而产生较高的RVI值。
而对于无植被的地面包括裸土、人工特征物、水体以及枯死或受胁迫植被，由于不显示这种特殊的光谱响应，则RVI值低。
因此，比值植被指数能增强植被与土壤背景之间的辐射差异，适用于估算和监测植被覆盖，是植被长势、丰度的度量方法之一。
但该指数对大气影响敏感，最好运用经大气纠正的数据，或将两波段的灰度值转换成反射率，消除大气对两波段不同非线性衰减速的影响后再进行指数的计算，而且当植被覆盖不够浓密时(小于50%)，其分辨能力也很弱；在植物生长的整个阶段，能较好地反映植被的覆盖度和生长状况的差异，特别适合于植被生长高度旺盛并具有高覆盖度时的植被监测。
（2）归一化植被指数（NDVI）：为近红外波段（NIR）与可见光红波段（R）数值之差和这两个波段数值之和的比值。
即：或其中：DN为近红外（NIR）、红外段（R）的灰度值，ρ为地表反照率归一化植被指数（NDVI）是简单比值RVI经非线性的归一化处理所得。
在植被遥感中，NDVI的应用最为广泛。
它是植被生长状态及植被覆盖度的最佳指示因子，与植被分布密度呈线性相关。
因此又被认为是反映生物量指标。
NDVI部分消除了太阳高度角、卫星扫描角及大气程辐射的影响，特别适用于全球或各大陆等大尺度的植被动态监测。
这是因为，对于陆地表面主要覆盖而言，云、水、雪在可见光波段比近红外波段有较高的反射作用，因而其NDVI值为负值（岩石、裸土在两波段有相似的反射作用，因ρ其NDVI值近于0；而在有植被覆盖的情况下，NDVI为正值（＞0），并随着植被覆盖度增大，其NDVI值越大。
可见，几种典型的地面覆盖类型在大尺度NDVI图像上区分鲜明，植被得到有效的突出。
实验表明，作物生长初期NDVI将过高估计植被覆盖度，而在作物生长的结束季节，NDVI值偏低。
因此，NDVI更适用于植被发育中期或中等覆盖度的植被检测。
NDVI的一个缺陷在于，对土壤背景的变化较为敏感。
实验证明，当植被覆盖度小于15%时，植被的NDVI值高于裸土的NDVI值，植被可以被检测出来，但因植被覆盖度很低，如干旱、半干旱地区，其NDVI很难指示区域的植物生物量，而对观测与照明却反应敏感；当植被覆盖度由25～80%增加时，其NDVI值随植物量的增加呈线性迅速增加；当植被覆盖度大于80%时，其NDVI值增加延缓而呈现饱和状态，对植被检测灵敏度下降。
（3）差值植被指数（DVI）：又称环境植被指数（EVI），被定义为近红外波段（NIR）与可见光红波段（R）数值之差。
即：其中：DN为近红外（NIR）、红外段（R）的灰度值差值植被指数（DVI）对土壤背景的变化极为敏感，有利于对植被生态环境的监测，主要应用于高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。
另外，当植被覆盖浓密（≥80%）时，它对植被的灵敏度下降，适用于植被发育早－中期，或低－中覆盖度的植被检测。
与NDVI类似，DVI植被指数受土壤背景的影响大，且这种影响是相当复杂的，它随波长、土壤特征（含水量、有机质含量、表面粗糙度等）及植被覆盖度、作物排列方向等的变化而变化。
（4）缨帽变换中的绿度植被指数（GVI）：为了排除或减弱土壤背景值对植物光谱或植被指数的影响，除了修正土壤亮度的植被指数（如SAVI、TSAVI、MSAVI 等）外，还广泛采用了光谱数值的缨帽变换技术（Tasseled Cap，即TC变换）又称之为K-T变换。
而对于TM而言，可见光—红外6个波段数据经缨帽变换的前三个分量主要反映土壤亮度、绿度、湿度特征，第四分量主要为噪声。
其中绿度指数可表示为：TC变换既然是以各波段的辐射亮度值作为变量的，这些亮度值中包含了太阳辐射、大气辐射、环境辐射等多要素的综合信息，因而TC变换所得的图形和数值，受大气纯度、光照角度等外界条件的变化而波动。
就K-T变换的特征空间而言,其林学意义是很明确的,森林具有较高的绿度、湿度和较低的亮度,它们在光谱空间具有相对稳定的位置,利用这一特殊性质,即可用反射光谱描述森林的林学意义及其环境特征。
（5）垂直植被指数（PVI）：是在R、NIR二维数据中对GVI的模拟，两者物理意义相似。
在R、NIR的二维坐标系内，土壤的光谱响应表现为一条斜线——即土壤亮度线。
土壤在R与NIR波段均显示较高的光谱响应，随着土壤特性的变化，其亮度值沿土壤线上下移动。
而植被一般在红波段响应低，而在近红外波段光谱响应高。
因此在这二维坐标系内植被多位于土壤线的左上方。
不同植被与土壤亮度线的距离不同。
于是把植物象元到土壤亮度线的垂直距离定义为垂直植被指数，是一种简单的欧几米得（Euclidean）距离。
表示为：其中S为土壤反射率，V为植被反射率，R为红波段，NIR为红外波段PVI表征着在土壤背景上存在的植被的生物量，距离越大，生物量越大，也可将PVI定量表达为：其中：DN为近红外（NIR）、红外段（R）的灰度值，b为土壤基线与NIR反射率纵轴的截距，为土壤基线与R光反射率横轴的夹角PVI的显著特点是较好地滤除了土壤背景的影响，且对大气效应的敏感程度也小于其它植被指数。
正因为它减弱和消除了大气、土壤的干扰，所以被广泛应用于作物估产。
（6）土壤调整植被指数（SAVI）：基于NDVI和大量观测数据提出土壤调节植被指数用以减小土壤背景影响。
其中：DN为近红外（NIR）、红外段（R）的灰度值，土壤调节系数LSAVI能够减少土壤和植被冠层背景的干扰,但是必须预先知道下垫面植被的密度分布或覆盖百分比，适合于提取某一小范围植被覆盖度变化较小的下垫面的植被信息。