波段算数函数—ArcGIS AllSource

波段算术函数可对栅格图层的波段执行算术操作。您可以选择预定义的算法，也可以输入您自己的单行公式。支持的运算符包括 -、+、/、* 和一元 -。

注释

使用用户定义方法定义波段算术算法时，可以输入单行代数公式来创建单波段输出。支持的运算符包括 -、+、/、* 和一元 -。要识别波段，请将 B 或 b 添加到波段号的开头。例如：

B1 + B2 b1 + (-b2) (B1 + B2) / 2(B3 * B5)

使用预定义指数时，可以输入以空格分隔的列表，表示要使用的波段号。以下部分详细说明预定义指数。

BAI 方法

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

通过以空格分隔的列表，按以下顺序识别红光和 NIR 波段：Red NIR。例如，3 4。

参考文献：Chuvieco, E., M. Pilar Martin, and A. Palacios. "Assessment of Different Spectral Indices in the Red-Near-Infrared Spectral Domain for Burned Land Discrimination." Remote Sensing of Environment 112 (2002): 2381-2396.

CIg 方法

叶绿素指数 - 绿光 (CIg) 方法是一种植被指数，利用 NIR 和绿光波段中的反射率比率来评估叶片中的叶绿素含量。

CIg = [(NIR / Green)-1]

NIR = 近红外波段的像素值
Green = 绿光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和绿光波段：NIR Green。例如，7 3。

参考文献：Gitelson, A.A., Kaufman, Y.J., Merzlyak, M.N., 1996. "Use of a green channel in remote sensing of global vegetation from EOS-MODIS," Remote Sensing of Environment, Vol. 58, 289–298.

CIre 方法

叶绿素指数 - 红边 (CIre) 方法是一种植被指数，利用 NIR 和红边波段的反射率比率来评估叶片中的叶绿素含量。

Clre = [(NIR / RedEdge)-1]

NIR = 近红外波段的像素值
RedEdge = 红边波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和红边波段：NIR RedEdge。例如，7 6。

参考文献：

Gitelson, A.A., Merzlyak, M.N., 1994. "Quantitative estimation of chlorophyll using reflectance spectra," Journal of Photochemistry and Photobiology B 22, 247–252.

粘土矿物方法

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。

粘土矿物比 = 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

对于 Landsat TM 和 ETM+，这对应于波段 5 (SWIR1) 和 7 (SWIR2)。对于 Landsat 8，这对应于波段 6 (SWIR1) 和 7 (SWIR2)。

通过以空格分隔的列表，您将按以下顺序识别 SWIR1 和 SWIR2 波段：SWIR1 SWIR2。例如，6 7。

参考文献：Dogan, H., 2009. “Mineral composite assessment of Kelkit River Basin in Turkey by means of remote sensing,” Journal of Earth System Science, Vol. 118, 701-710.

EVI 方法

增强型植被指数 (EVI) 方法是一个经过优化的植被指数，可以解释大气影响和植被背景信号。它类似于 NDVI，但是对于背景和大气噪音不是很敏感，在查看绿色植被非常密集的区域时，颜色也不如 NDVI 那么深。

EVI = 2.5*(NIR - Red) / (NIR + 6*Red - 7.5*Blue + 1)

NIR = 近红外波段的像素值
Red = 红光波段的像素值
Blue = 蓝光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别 NIR、红光和蓝光波段：NIR Red Blue。例如，5 4 2。

此指数的输出值介于 0 和 1 之间。

参考文献：Huete, A. et al. 2002, "Overview of the radiometric and biophysical performance of the MODIS vegetation indices." Remote sensing of environment , Vol. 83, 195-213.

有色矿物方法

有色矿物 (FM) 比例方法是一个地质指标，用于通过 SWIR 和 NIR 波段来识别包含一定量的含铁矿物的岩石。 FM 用于矿物复合材料制图。

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。

有色矿物比 = SWIR / NIR

SWIR = 短波红外波段的像素值
NIR = 近红外波段的像素值

对于 Landsat TM 和 ETM+，这对应于波段 5 (SWIR) 和 4 (NIR)。对于 Landsat 8，这对应于波段 6 (SWIR) 和 5 (NIR)。

通过以空格分隔的列表，您将按以下顺序识别 SWIR 和 NIR 波段：SWIR NIR。例如，6 5。

参考书目：Segal, D. "Theoretical Basis for Differentiation of Ferric-Iron Bearing Minerals, Using Landsat MSS Data." Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX (1982): pp. 949-951.

GEMI 方法

“全球环境监测指数”(GEMI) 方法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.

GNDVI 方法

绿光归一化差值植被指数 (GNDVI) 方法是用于评估光合活性的植被指数，并且是用于确定植物冠层吸收的水氮的常用植被指数。

GNDVI = (NIR-Green)/(NIR+Green)

NIR = 近红外波段的像素值
Green = 绿光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和绿光波段：NIR Green。例如，5 3。

此指数的输出值介于 -1.0 和 1.0 之间。

参考文献：Buschmann, C., and E. Nagel. 1993. "In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation," International Journal of Remote Sensing, Vol. 14, 711–722.

GVI (Landsat TM) 方法

“绿色植被指数”(GVI) 方法设计源于 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 6。如果输入中包含按预期顺序排列的 6 个波段，则不需要在波段指数文本框中输入值。

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.

氧化铁方法

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。

氧化铁比例 = Red / Blue

Red = 红光波段的像素值
Blue = 蓝光波段的像素值

对于 Landsat TM 和 ETM+，这对应于波段 3（红色）和 1（蓝色）。对于 Landsat 8，这对应于波段 4（红色）和 2（蓝色）。

通过以空格分隔的列表，您将按以下顺序识别红光和蓝光波段：红蓝。例如，4 2。

MNDWI 方法

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

通过以空格分隔的列表，按以下顺序识别绿光和 SWIR 波段：Green SWIR。例如，3 7。

参考书目：Xu, H. "Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery." International Journal of Remote Sensing 27, No. 14 (2006): 3025-3033.

改良的 SAVI 方法

“修正土壤调节植被指数”(MSAVI2) 方法将裸土对于 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.

MTVI2 方法

修正型三角植被指数 (MTVI2) 方法是一种植被指数，用于检测冠层级别的叶片叶绿素含量，对叶面积指数相对不敏感。该指数使用绿光、红光以及 NIR 波段中的反射率。

MTVI2 = [1.5(1.2(NIR-Green)-2.5(Red-Green))√((2NIR+1)²-(6NIR-5√(Red))-0.5)]

NIR = 近红外波段的像素值
Red = 红光波段的像素值
Green = 绿光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外、红光以及绿光波段：NIR Red Green。例如，7 5 3。

参考文献：Haboudane, D., Miller, J.R., Tremblay, N., Zarco-Tejada, P.J., Dextraze, L., 2002. "Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture," Remote Sensing of Environment, Vol. 81, 416–426.

NBR 方法

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；有关详细信息，请参阅表观反射率函数。

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

通过以空格分隔的列表，按以下顺序识别 NIR 和 SWIR 波段：NIR SWIR。例如，4 7。

参考文献：Key, C. and N. N. Benson, N. "Landscape Assessment: Remote Sensing of Severity, the Normalized Burn Ratio; and Ground Measure of Severity, the Composite Burn Index." FIREMON: Fire Effects Monitoring and Inventory System, RMRS-GTR, Ogden, UT: USDA Forest Service, Rocky Mountain Research Station (2005).

NDBI 方法

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

通过以空格分隔的列表，按以下顺序识别 SWIR 和 NIR 波段：SWIR NIR。例如，7 4。

参考文献：Zha, Y., J. Gao, and S. Ni. "Use of Normalized Difference Built-Up Index in Automatically Mapping Urban Areas from TM Imagery." International Journal of Remote Sensing 24, no. 3 (2003): 583-594.

NDMI 方法

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

通过以空格分隔的列表，按以下顺序识别 SWIR 和 NIR 波段：NIR SWIR1。例如，4 7。

参考文献：

Wilson, E.H. and Sader, S.A., 2002, "Detection of forest harvest type using multiple dates of Landsat TM imagery." Remote Sensing of Environment, 80 , pp. 385-396.
Skakun, R.S., Wulder, M.A. and Franklin, .S.E. (2003). "Sensitivity of the thematic mapper enhanced wetness difference index to detect mountain pine beetle red-attack damage." Remote Sensing of Environment, Vol. 86, Pp. 433-443.

NDSI 方法

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

通过以空格分隔的列表，按以下顺序识别绿光和 SWIR 波段：Green SWIR。例如，3 7。

参考文献：Riggs, G., D. Hall, and V. Salomonson. "A Snow Index for the Landsat Thematic Mapper and Moderate Resolution Imaging Spectrometer." Geoscience and Remote Sensing Symposium, IGARSS '94, Volume 4: Surface and Atmospheric Remote Sensing: Technologies, Data Analysis, and Interpretation (1994), pp. 1942-1944.

NDVI 方法

归一化差值植被指数 (NDVI) 方法是一个标准化指数，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 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.

了解有关 NDVI 的详细信息

NDVIre 方法

红边 NDVI (NDVIre) 方法是一种植被指数，利用红边波段来评估植被健康状况。在叶绿素浓度相对较高的生长中后期，该指数对于评估作物健康状况尤其有用。此外，NDVIre 可用于绘制田间叶氮变异，以了解作物的肥料需求。

可以使用近红外和红边波段计算 NDVIre 指数。

NDVIre = (NIR - RedEdge)/(NIR + RedEdge)

NIR = 近红外波段的像素值
RedEdge = 红边波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和红边波段：NIR RedEdge。例如，7 6。

此指数的输出值介于 -1.0 和 1.0 之间。

参考文献：Gitelson, A.A., Merzlyak, M.N., 1994. "Quantitative estimation of chlorophyll using reflectance spectra," Journal of Photochemistry and Photobiology B 22, 247–252.

NDWI 方法

归一化差值水体指数 (NDWI) 方法是一个用于描绘和监测地表水内容变化的指标。该指标使用 NIR 和绿光波段进行计算。

NDWI = (Green - NIR) / (Green + NIR)

NIR = 近红外波段的像素值
Green = 绿光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和绿光波段：NIR Green。例如，5 3。

此指数的输出值介于 -1.0 和 1.0 之间。

参考文献：McFeeters, S., 1996. "The Use of Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features." International Journal of Remote Sensing, 17, 1425-1432.

PVI 方法

“垂直植被指数”(PVI) 方法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，您将按以下顺序识别 NIR 和红光波段并输入 a 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.

RTVIcore 方法

红边三角植被指数 (RTVICore) 方法是用于评估叶面积指数和生物量的植被指数。该指数使用近红外、红边以及绿光光谱波段中的反射率。

RTVICore = [100(NIR-RedEdge)-10(NIR-Green)]

NIR = 近红外波段的像素值
RedEdge = 红边波段的像素值
Green = 绿光波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外、红边以及绿光波段：NIR RedEdge Green。例如，7 6 3。

参考文献：Haboudane, D., Miller, J.R., Pattey, E., Zarco-Tejada, P.J., Strachan, I.B., 2004. "Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture," Remote Sensing of Environment, Vol. 90, 337–352.

SAVI 方法

“调节土壤的植被指数”(SAVI) 方法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，其输出值在 -1.0 到 1.0 之间。

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

通过以空格分隔的列表，您将按以下顺序识别 NIR 和红光波段并输入 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.

SR 方法

简单比值 (SR) 方法是用于评估植被量的常用植被指数。该指数是近红外中散射的光线与红光波段中吸收的光线的比值，其降低了大气和地形的影响。

对于叶面积指数较大或冠层郁闭度较高的植被，其值较高；对于土壤、水分和非植被要素，其值较低。值的范围为 0 至大约 30，其中健康植被通常落在值为 2 到 8 的范围内。

SR = 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：Birth, G.S., and G.R. McVey, 1968. "Measuring color of growing turf with a reflectance spectrophotometer," Agronomy Journal Vol. 60, 640-649.

SRre 方法

红边简单比值 (SRre) 方法是用于评估健康及缺水植被量的植被指数。该指数是近红外和红边波段中散射的光线的比值，其降低了大气和地形的影响。

对于冠层郁闭度较高的植被和健康植被，其值较高；对于土壤、水分和非植被要素，其值较低。值的范围为 0 至大约 30，其中健康植被通常落在值为 1 到 10 的范围内。

SRre = NIR / RedEdge

NIR = 近红外波段的像素值
RedEdge = 红边波段的像素值

通过以空格分隔的列表，您将按以下顺序识别近红外和红边波段：NIR RedEdge。例如，7 6。

参考文献：Anatoly A. Gitelson, Yoram J. Kaufman, Robert Stark, and Don Rundquist, 2002, "Novel algorithms for remote estimation of vegetation fraction," Remote Sensing of Environment, Vol. 80, 76–87.

Sultan 的公式法

Sultan 过程采用六波段八位图像并使用 Sultan 的公式方法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 / Band7) 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，您将识别所需的五个波段的索引。例如，1 3 4 5 6。如果输入中包含按预期顺序排列的六个波段，则不需要在波段指数文本框中输入值。

参考文献：Sultan, M., Arvidson, R.E, Sturchio, N.C. & Guiness, E.A. 1987, "Lithologic mapping in Arid Regions with Landsat thematic mapper data: Meatig Dome, Egypt," Geological Society of America Bulletin 99: 748-762

变换的 SAVI 方法

“转换型土壤调节植被指数”(TSAVI) 方法是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
Red = 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，您将按以下顺序识别 NIR 和红光波段并输入 s、a 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.

VARI 方法

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

通过以空格分隔的列表，您将按以下顺序识别红光、绿光和蓝光波段：红绿蓝。例如，3 2 1。

参考文献：Gitelson, A., et al. "Vegetation and Soil Lines in Visible Spectral Space: A Concept and Technique for Remote Estimation of Vegetation Fraction." International Journal of Remote Sensing 23 (2002): 2537−2562.

WNDWI 方法

加权归一化差值水体指数 (WNDWI) 方法是用于减少其他水体指数（包括水体浊度、小型水体或遥感场景中阴影）中常见错误的水体指数。

WNDWI = [Green – α * NIR – (1 – α) * SWIR ] / [Green + α * NIR + (1 – α) * SWIR]

Green = 绿光波段的像素值
NIR = 近红外波段的像素值
SWIR = 短波红外波段的像素值
α = 加权系数，范围从 0 到 1。默认值为 0.5。

通过以空格分隔的列表，您将按以下顺序识别绿光、NIR 和 SWIR 波段以及 α 系数：绿光 NIR SWIR α。例如，2 5 6 0.5。

参考文献：Qiandong Guo, Ruiliang Pu, Jialin Li & Jun Cheng, 2017, "A weighted normalized difference water index for water extraction using Landsat imagery," International Journal of Remote Sensing, Vol. 38, 5430-5445.

参数


参数	描述
栅格	输入栅格。
方法	要部署的波段算术算法的类型。您可以定义自定义算法，或选择预定义的指数。用户定义 - 定义自定义波段算术表达式。 BAI - 燃烧区域指数 Clg - 叶绿素指数 - 绿光 Clre - 叶绿素指数 - 红边粘土矿物 - 粘土矿物比例 EVI - 增强型植被指数有色矿物 - 有色矿物比例 GEMI - 全球环境检测指数 GNDVI - 绿光归一化差值植被指数 GVI (Landsat TM) - 绿色植被指数 Landsat TM 氧化铁 - 氧化铁比例 MNDWI - 修正的归一化差值水体指数 MTVI2 - 修正型三角植被指数修正型 SAVI - 修正的土壤调节植被指数 NBR - 归一化燃烧比率 NDBI - 归一化差值建筑指数 NDSI - 归一化差值雪盖指数 NDVI - 归一化差值植被指数 NDVIre - 红边归一化差值植被指数 NDWI - 归一化差值水体指数 PVI - 垂直植被指数 RTVICore - 红边三角植被指数 SAVI - 土壤调节植被指数 SR - 简单比值 SRre - 简单比值 Sultan 公式 - Sultan 公式转换型 SAVI - 转换的土壤调节植被指数 VARI - 可视化大气阻抗指数 WNDWI - 加权归一化差值水体指数
波段索引	如果针对方法参数选择了用户定义，则需定义波段算术公式。如果针对方法参数选择了预定义指数，则需定义与指数对应的输入栅格数据集的正确波段。

有关此主题的反馈?