下载文档原格式
NDVINDVIN ormal izedDiffe rence Vege tatio n Ind ex,归一化植被指数,标准差异植被指数)表达式：NDV I=(p(nir)-p(red))/(p(nir)+p(re d)) 和植物的蒸腾作用、太阳光的截取、光合作用以及地表净初级生产力等密切相关。
1、NDV I的应用：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<=N DVI<=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、N DVI的局限性表现在，用非线性拉伸的方式增强了NI R和R的反射率的对比度。
对于同一幅图象，分别求RV I和NDV I时会发现，RVI值增加的速度高于NDV I增加速度，即NDV I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；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。
差值植被指数又称农业植被指数，为二通道反射率之差，它对土壤背景变化敏感，能较好地识别植被和水体。
该指数随生物量的增加而迅速增大。
比值植被指数又称为绿度，为二通道反射率之比，能较好地反映植被覆盖度和生长状况的差异，特别适用于植被生长旺盛、具有高覆盖度的植被监测。
归一化植被指数为两个通道反射率之差除以它们的和。
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。
常用遥感指数的意义Post By：2007-11-27 3:30:31植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。
在学习和使用植被指数时必须由一些基本的认识：1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的；2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。
1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。
植被的RVI通常大于2；2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。
二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。
1、NDVI的应用：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；三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。
植被指数（Vegetable Index）植被指数是不同遥感光谱波段间的线性或非线性组合，被认为能作为反映绿色植被的相对丰度和活性的辐射量值（无量纲）的标志，是绿色植被的叶面积指数（LAI）、盖度、叶绿素含量、绿色生物量以及被吸收的光合有效辐射（APAR）的综合体现。
目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。
植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。
1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的；2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响几种常用的植被指数及其应用（一）比值植被指数（RVI)公式：RVI=ρNIR/ρRED(近红外波段反射率/红光波段反射率)特征：植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；值的范围是0-30+，一般绿色植被区的范围是2-8。
RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。
应用：①利用比值植被指数研究城市建设用地扩张速率，预测或规划城市未来今年的发展前景。
不同用地的地表温度由高到低排序是城镇用地、工矿与交通用地、农村宅基地、林地、旱地，说明建设用地的地表温度较高，其比值植被指数较非建设用地小。
RVI的平均值Ｍ和标准差Ｄ可以作为定量指标来提取建设用地：RVI ≤Ｍ-Ｄ/２为建设用地；RVI＞Ｍ-Ｄ/２为非建设用地。
②可用于实时、快速、无损监测作物氮素状况，这对于精确氮肥管理有重要意义。
利用高光谱比值指数RSI(990,720)来估算小麦叶片氮积累量为便携式小麦氮素监测仪的研制开发及遥感信息的快速提取提供了适用可行的波段选择与技术依据。
主要植被指数类型及其应用条件在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。
由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果。
研究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好，这些波段在气象卫星和地球观测卫星上都普遍存在，并包含90%以上的植被信息，这些波段间的不同组合方式统被称为植被指数。
植被指数有助于增强遥感影像的解译力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。
植被指数还可用来诊断植被一系列生物物理参量：叶面积指数（LAI）、植被覆盖率、生物量、光合有效辐射吸收系数（APA R）等；反过来又可用来分析植被生长过程：净初级生产力（NPP）和蒸散（蒸腾）等。
为了估算和监测植被覆盖，最早发展了比值植被指数（R VI）。
但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。
归一化差异植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。
对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。
但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。
继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。
这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。
农业植被指数（A VI ）针对作物生长阶段测量绿色植被；多时相植被指数（MTVI），将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。
草地资源学考试重点复习资料（农大）草地资源：是一定的地域范围内的草地类型，面积和分布，以及由他们所产生的物质的蕴藏量，它是一项农业自然资源。
植被指数（绿度值）：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。
草地类型：根据草地的发生发展和表现岀的自然、经济特性的趋同与趋异，以一定的原则和标准对草地进行划分的结果。
草甸：中度湿润条件下，以具中生特性的多年生草本植物为主的植被。
草原：主要生长草本植物或兼有灌丛和稀疏乔木，为家畜和野生动物提供食物和生产场所，并可为人类提供优良生活环境、其他生物产品等多种功能的土地生物资源和草业生产基地。
荒漠：以超旱生的小乔木、灌木、半灌木和肉质刺灌丛为主构成的植被类型，植被稀疏，地表大面积裸露。
草地退化：是指草地物理因子和生物因子的改变所导致的生产力、经济潜力、服务性能和健康状况的下降或丧失。
载畜量：以一定的草原面积，在放牧适度的原则下，能够使家畜良好生长及正常繁殖的放牧时间和放牧头数。
高寒草甸：多分布于高山和高原的湿润寒冷生境，湿冷中生草本植物组成，植物大都具有低矮、被毛茸和营养繁殖力强等适应高寒气候的习性。
典型草原：以典型旱生丛生禾草为主，伴有中旱生杂类草及根茎苔草的草原类型。
荒漠草原：草原中最旱生类型主要由旱生丛生小禾草组成，常混有旱生小半灌木。
建群种：在群落中处于优势层的优势种。
草地退化表现：低矮化、稀疏化、劣质化、土壤退化容重增加，有机质减少、动物生产性能下降。
草地退化因素：超载过牧、滥垦滥挖滥采、人口增长、全球气候变化，自然灾害频繁发生、草地建设管理水平低、草地利用不合理。
草地植被恢复措施：封育、补播、灌溉施肥、划区轮牧。
中国草地类型分类系统：温性草甸草原类、温性草原类、温性荒漠草原类、高寒草甸草原类、高寒草原类、高寒荒漠草原类；温性草原化荒漠类、温性荒漠类、高寒荒漠类; 暖性草丛类、暖性灌草丛类；热性草丛类、热性灌草丛类；干热稀树灌草丛类；低地草甸类、山地草甸类、高寒草甸类；沼泽类。
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。
主要植被指数类型及其应用条件分类:遥感知识2008.7.2 08:55 作者：晓雪天飞 | 评论：0 | 阅读：79在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。
由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果。
研究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好，这些波段在气象卫星和地球观测卫星上都普遍存在，并包含90%以上的植被信息，这些波段间的不同组合方式统被称为植被指数。
植被指数有助于增强遥感影像的解译力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。
植被指数还可用来诊断植被一系列生物物理参量：叶面积指数（LAI）、植被覆盖率、生物量、光合有效辐射吸收系数（APAR）等；反过来又可用来分析植被生长过程：净初级生产力（NPP）和蒸散（蒸腾）等。
为了估算和监测植被覆盖，最早发展了比值植被指数（R VI）。
但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。
归一化差异植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。
对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。
但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。
继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。
这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。
农业植被指数（AVI ）针对作物生长阶段测量绿色植被；多时相植被指数（MTVI），将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。
归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。
归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。
近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。
“红边” 的一般定义为叶绿素吸收红边斜率的拐点。
红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。
为获取红边位置信息，Miller 等用一个倒高斯模型拟合红边斜率。
导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，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。
近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。
生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期变化（如一天的植被的光合作用）进行探测。
植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用（如RVI 等）。
它们表现了严重的应用限制性，这是由于它们是针对特定的遥感器（Landsat MSS）并为明确特定应用而设计的。
第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，并通过数学和物理及逻辑经验以及通过模拟将原植被指数不断改进而发展的（如PVI、SAVI、MSAVI、TSAV I、ARVI、GEMI、AVI、NDVI等）。
它们普遍基于反射率值、遥感器定标和大气影响并形成理论方法，解决与植被指数相关的但仍末解决的一系列问题。
第三类植被指数是针对高光谱遥感及热红外遥感而发展的植被指数（如DVI、Ts-VI、PRI等）。
这些植被指数是近几年来基于遥感技术的发展和应用的深入而产生的新的表现形式。
尽管许多新的植被指数考虑了土壤、大气等多种因素并得到发展，但是应用最广的还是NDVI，并经常用NDVI作参考来评价基于遥感影像和地面测量或模拟的新的植被指数，NDVI在植被指数中仍占有重要的位置。
土壤亮度对植被指数有相当大的影响。
许多植被指数的发展就是为了控制土壤背景的影响。
土壤背景和环境反射率的空间变化与土壤结构、构造、颜色和湿度有关。
由于土壤背景的作用，当植被覆盖稀疏时，红波段辐射将有很大的增加，而近红外波段辐射将减小，致使比值指数和垂直指数（PVI）都不能对植被光谱行为提供合适的描述。
由此，必须发展其它新的植被指数以便更合适地描述“土壤—植被—大气”系统。
基于经验的方法，在忽略大气、土壤、植被间相互作用的前提下，发展了土壤亮度指数（SBI）、绿度植被指数（GVI）、黄度植被指数（YVI）等。
用Landsat数据已证明SBI和GVI 指数可用来评价植被和裸土的行为，GVI指数与不同植被覆盖有较大的相关性。
在此基础上，又考虑到大气影响的处理，发展了调整土壤亮度指数（ASBI）和调整绿度植被指数（AGVI ）。
基于Landsat MSS 图像而进行主成份分析，Misra等通过计算这些指数的多项因子而又发展了Misra土壤亮度指数（MSBI）、Misra绿度植被指数（MGVI）、Misra黄度植被指数（M YVI）和Misra典范植被指数（MNSI）。
为动态植被发展的裸土绿度指数（GRABS）是基于GVI 和SBI发展的。
绿度植被和土壤亮度指数（GVSB）在农作物识别中发挥了作用。
Kauth等利用Landsat MSS的4个光谱段作为4维空间分析了裸土的光谱变化，并注意到裸土信息变化的主要部分是由它们的亮度造成的，并提出了“土壤线”或“土壤亮度矢量”的观点。
Richardson等促使了土壤背景线指数（SBL）的发展，并用来辨别土壤和植被覆盖。
植被越密，植被象元离土壤线距越大。
在航空和卫星遥感图像分析和解译中，土壤线的概念被广泛采用。
基于土壤线理论，Jackson等发展了垂直植被指数（PVI）。
相对于比值植被指数，PVI表现为受土壤亮度的影响较小。
Jackson发展了基于n维光谱波段并在n维空间中计算植被指数的方法。
两维空间计算的PVI、四维空间计算的植被指数及六维空间计算的植被指数是n维植被指数的特殊情况。
普遍地用“n”波段计算“m”个植被指数（m≤n）。
实际上，相对于仅用红波段和红外波段的方法，通道数一味增加，常常并不能对植被指数有多大的贡献。
NDVI和PVI在描述植被指数和土壤背景的光谱行为上存在着矛盾的一面，因此发展了土壤调整植被指数SAVI。
该指数看上去似乎由NDVI和PVI组成，其创造性在于，建立了一个可适当描述土壤—植被系统的简单模型。
为了减小SAVI中的裸土影响，将植被指数发展为修改型土壤调整植被指数（MSAVI）。
Major 等又发展了SAVI的三个新的形式： SAVI2、SAVI3 和SAVI4，这些转换形式是基于理论考虑，考虑到土壤是干燥的还是湿润的，以及太阳入射角的变化等。
转换型土壤调整植被指数（TSAVI）是SAVI的转换形式，也与土壤线有关。
土壤线的参数参加该指数的运算，而且具有全球的特性。
TSAVI又进行改进，通过附加一个“X”值，将土壤背景亮度的影响减小到最小值。
SAVI和TSAVI表现出，在独立于遥感器类型的情况下，在描述植被覆盖和土壤背景方面有着较大的优势。
对于半干旱地区的土地利用图，TSAVI已证明满足于低覆盖植被特性。
由于考虑了裸土土壤线，TSAVI比NDVI对于低植被覆盖有更好的指示作用。
除了土壤亮度外，土壤颜色也是影响植被指数的一个重要因素。
土壤颜色变化使土壤线加宽，并且依赖于波长轴。
由颜色形成噪音阻止了植被覆盖的探测，该噪音与由土壤特性变化而造成植被指数的增加有关。
土壤颜色对于低密度植被区的反射率具有较大影响，尤其在干旱环境下对植被指数的计算影响更严重。
Escadafal表明，TM2和TM3反射率值与土壤颜色饱和度有关，并发展了颜色指数。
其中红色指数（RI）是土壤颜色影响植被的一个校正系数。
由土壤颜色引起的变化，普遍妨碍了低植被覆盖率的探测。
土壤的颜色指数用于校正使植被指数有双倍的敏感性。
利用卫星和航空遥感数据进行的空间—时相研究表明，大气对植被指数也有影响。
该影响对于植被而言，在红波段增加了辐射，而在近红外波段降低了辐射，从而使植被指数减小。
既然土壤对部分植被冠层的整个辐射亮度产生强烈的影响，大气对冠层反射辐射的修改也强烈地依赖于土壤的光学特性。
根据Pitts 等的研究，大气吸收可减小近红外信息量的20%以上。
据研究估算，水汽吸收和瑞利散射的影响占植被指数的5.5%。
根据Jackson研究，大气混浊限制了植被的测量并妨碍了植被胁迫的探测。
如果基于植被指数有效的应用遥感数据，如土地利用清查，发展大气校正技术是很必要的。
相对于NDVI，大气阻抗植被指数（ARVI）在红波段完成大气自我校正。
蓝和红波段的辐射亮度差异给予一个红—蓝波段（RB），替代了NDVI 的红波段。
该方法减小了由于大气气溶胶引起的大气散射对红波段的影响。
通过用大气辐射传输模型在各种大气条件下模拟自然表面光谱，发现ARVI与NDVI有同样的动态范围，但对大气的敏感性小于NDVI的4倍。
通过对土壤线的改进，发展了土壤线大气阻抗指数（SLRA）。
将SLRA与TSAVI相结合，又形成转换型土壤大气阻抗植被指数（TSARVI），该指数减小了大气、土壤亮度和颜色对于TSAVI 的影响。
全球环境监测指数（GEMI）不用改变植被信息而减小大气影响，并保存了比NDVI指数相对低密度至浓密度覆盖更大的动态范围。
尽管GEMI的目的是全球性地评价和管理环境而又不受大气影响，但是它受到裸土的亮度和颜色相当大的影响，对于稀疏或中密度植被覆盖不太适用。
抵制大气影响中散射的角度植被指数（AVI）是针对ATSR-2应用发展的，但它也适用于具有同样波段的其它遥感器，此外遥感器定标、遥感器光谱响应、双向反射等也对植被指数产生一定的影响。
