第一章 遥感基础与植被指数概述
各位同学好，我是老张。做遥感这行十几年了，今天咱们开始聊植被指数。说实话，这玩意儿看着简单，但坑不少。我刚开始接触时也踩过雷，所以这一章我会把基础打扎实，后面你学起来才顺。
1.1 遥感的基本概念
遥感，说白了就是“不接触，远距离感知”。你拿手机拍张照片，也算一种遥感——只不过我们做的是卫星遥感，从几百公里外看地球。
我个人习惯把遥感理解成三个步骤：
- 获取数据：卫星传感器接收地面反射的电磁波
- 处理数据：把原始信号转成我们能用的数字信息
- 提取信息：从数据里反推出植被、水体、建筑等地物特征
嗯，这里要注意：遥感不是直接“看到”物体，而是通过电磁波的强弱变化来推断。你想想看，卫星上又没有温度计，怎么知道地面温度？靠热红外波段的辐射值反演出来的。
1.2 电磁波谱与植被光谱特征
电磁波谱范围很广，从伽马射线到无线电波。我们做植被遥感，主要关注可见光（VIS）、近红外（NIR）和短波红外（SWIR）这几个波段。
为什么？因为植被在这几个波段的表现特别明显。我给大家画个简图：
看到没？健康植被在可见光波段反射率低（被叶绿素吸收了），到了近红外波段突然飙升——这就是著名的“红边”效应。我当年做项目时，就靠这个特征区分植被和裸地，效果特别好。
核心要点：植被在近红外（NIR）波段反射率远高于可见光（VIS）波段，这是所有植被指数的物理基础。
1.3 植被指数的定义与意义
植被指数，就是把不同波段的反射率组合成一个数值，用来量化植被的生长状况。说白了，就是把多维光谱信息压缩成一个指标。
为什么要这么做？因为单波段数据很难直接判断植被好坏。举个例子：
- 同一片森林，夏天和冬天的近红外反射率差很多
- 不同土壤背景，也会影响反射率
植被指数能消除部分干扰，突出植被信息。我做过一个项目，用NDVI监测矿区植被恢复情况，三年数据一对比，哪个区域恢复得好一目了然。
1.4 常见植被指数简介
目前常用的植被指数有几十种，但核心的就那么几个。我按使用频率给大家列一下：
| 指数名称 | 公式 | 主要用途 | 我的经验 |
|---|---|---|---|
| NDVI | (NIR - Red) / (NIR + Red) | 通用植被监测 | 最常用，但高植被区会饱和 |
| EVI | 2.5 * (NIR - Red) / (NIR + 6*Red - 7.5*Blue + 1) | 高植被区、大气校正 | 比NDVI抗饱和，但需要蓝波段 |
| SAVI | (NIR - Red) * (1 + L) / (NIR + Red + L) | 稀疏植被、土壤背景校正 | L值取0.5效果最稳 |
| NDWI | (Green - NIR) / (Green + NIR) | 水体识别 | 做湿地监测时常用 |
避坑指南：我曾经在干旱区用NDVI做植被覆盖度，结果数值普遍偏低。后来换成SAVI（L=0.5），效果明显改善。所以选指数要看场景，别一招鲜吃遍天。
1.5 课程整体框架
这一章是开胃菜，后面咱们要啃的硬骨头还多。我把30章的内容梳理成一张图，你心里有个数：
你看，整个课程分六个模块，从基础到高级层层递进。我个人建议你按顺序学，别跳着看——尤其是代码部分，前面不打好基础，后面跑模型时会一脸懵。
重要提醒：本课程所有代码都用Python 3.8+，建议提前装好Anaconda环境。我遇到过不少同学因为版本问题跑不通代码，白白浪费时间。
好了，第一章就到这里。记住一句话：植被指数不是万能的，但没有植被指数是万万不能的。后面咱们一章一章啃，把每个指数都吃透。
公众号:蓝海资料掘金营，微信deep3321