54種植被指數研究進展綜述

敖 登，楊佳慧，丁維婷，安韶山，何海龍，3*

(1.西北農林科技大學資源環境學院，陜西咸陽 712100；2.西北農林科技大學水土保持研究所黃土高原土壤侵蝕與旱地農業國家重點實驗室，陜西咸陽 712100；3.農業部西北植物營養與農業環境重點實驗室，陜西咸陽 712100)

地球表面輻射通量的光譜組成能夠反映物候環境中的土壤、水分、植被等的物理性質且具有顯著的規律性[1],而遙感技術、模型以及指數就是為了將這些光譜信息轉換成易于理解的形式[2]。因此，可根據植被的反射光譜特征來評價植被生長情況、生態效益等。關于植被研究的波段在氣象衛星和地球觀測衛星上都普遍存在，這些波段的不同組合方式則定義為植被指數[3-5]。植被指數作為無量綱，是一種利用葉冠的光學參數提取的獨特光譜信號，旨在建立一種基于經驗或半經驗的、對地表大部分生物群體都適用的植被觀測量[6-7]。

目前，已有許多科學家開發出了與具體研究方向相關的指數，其中一些指數已經能很好地反映包括林地、草地、耕地等不同土地利用類型的生物量、生產力等[8-10]。這些植被指數廣泛應用在旱地檢測、森林火災、植被覆蓋、作物變化、生產力分析等多個領域[11-12]，具有代表性的指數有歸一化差異植被指數(NDVI)[13]、葉面積指數(LAI)[13-14]、增強型植被指數(EVI)[15]等。衛星遙感作為研究植被指數的重要方法，包含90%以上的植被信息，因其不受自然因素和社會因素的影響，能夠迅速獲得準確的大尺度觀測資料，為氣候、作物變化研究和植被信息監測等提供了依據[16-17]。NASA的“監測自然植被的春季進退(綠色效應)”是植被指數相關領域的領軍研究——利用遙感數據初步評價地表植被生物量和植被狀況在較短時間內的變化，分析兩個地點的單波段圖像和數字數據可以很容易劃定林地、草地和農田，同時也促進了Landsat-Mss的發展[3]。

植被指數由于自身對光譜綜合利用的特性，在多方面都有所應用。雖然在有據可循和控制環境變量的情況下可以確定各影響因素對植被指數的影響效果，但是在遙感圖像上觀察到的信號通常很難進行已知參數的分解[18]。相對于單波段，在定量測量植被活力、生物量探測等方面，植被指數有更好的靈敏性[19]。植被指數不僅能提高遙感的解譯能力，而且大部分指標可以在專題測繪領域改善指數的分類[20]。20世紀70年代至今，科學家利用各種先進方法，不斷完善不同情況下植被指數的表達。研究表明，不同植被指數可以應對多變且復雜的自然狀況，使得植被指數更能準確地描述不同的植被情況[19]。不同的植被覆蓋情況可以依據它們相對于整體地面元素的獨特光譜進行區分。例如：葉綠素吸收紅光，葉片細胞結構反射近紅外光波段，紅光和近紅外光之間的偏差構成了對綠色植被敏感的變量；紅光對葉綠素濃度敏感，而近紅外光對葉面積指數和綠色植被密度敏感等。

自20世紀70年代起，植被指數被開發應用，到80～90年代得到了極大的發展，進入21世紀后，植被指數隨著遙感衛星的發展不斷改進。植被指數自被提出以來就在不斷發展完善，前期的指數適用的范圍比較單一，受限因素有很多，而后期的指數主要是對指數進行標準化和調整，也能適應更多的影響因素。田慶久等[21]對早期的植被指數進行了總結，之后尚無相關研究系統綜述植被指數的研究進展。因此，該研究回顧植被指數發展歷程，對近50年發展的植被指數進行匯總；并對幾種常見植被指數的優缺點和應用方向做概述，以期為植被指數的應用提供更好更全面的理論依據，助力未來植被指數的發展。

1 植被指數的發展史

研究發現，在可見光波段(400～760 nm)的藍色波段(450 nm)和紅色波段(670 nm)這2個吸收帶的中間，植被的反射光譜在綠色波段(550 nm)處有一個小反射峰(圖1)[22-23]。由于葉片特殊組織結構中的空腔增大了反射表面，而且葉綠體的水溶膠狀態，散射了大量的輻射能量，形成了高反射率，在近紅外波段(700～800 nm)有一個反射的陡坡，至1 100 nm附近有一個峰值。受綠色植物含水率的影響，在中紅外波段(1 300～2 500 nm)，吸收率增大，反射率下降，特別是以1 450、1 950和2 700 nm為中心的波段是水的吸收帶。近紅外波段的反射陡坡、至1 100 nm附近的小峰值，是植被的獨有特征[24-25]。紅色波段和近紅外波段之間的反差是植被生物量的一種表征[6]。植被覆蓋度低的區域反差最小，中等植被覆蓋區反差是紅色和近紅外波段的變化結果，而高植被覆蓋區只有近紅外波段對反差有貢獻，紅色波段已趨于飽和，不再變化。相對而言，在自然狀態下土壤亮度區別不明顯，土表的反射率沒有明顯峰值和谷值[26]。因此，可以根據植物在不同波長下的反射率特點進行辨別分類。此外，近紅外與紅光光譜觀測通道的不同組合得到的植被指數可以在一定程度上反映自然植被的演化信息[27]。

圖1 地物光譜反射特征曲線示例Fig.1 Spectral reflectance characteristic curves of ground objects

植被指數發展史上的前驅者Pearson和Miller[28]以比率的形式提出了比值植被指數(ratio vegetation index，RVI)和植被指數數字(vegetation index number，VIN)，主要是用于估算和監測植被覆蓋。比值植被指數作為被提出來的第一個指數，是使用原始衛星數字開發的，沒有經過大氣校正和傳感器校正。但是該指數增強了地表與植被的對比，而且受照明條件影響小，對地面光學特性敏感[29]。但也存在一定的局限性，比值植被指數對大氣的透明度要求很高，當植被覆蓋率低于50%時，其辨別力也會下降[30]，因此該植被指數適合應用在植被覆蓋度較高的情況下，但是對于濃密植物的紅光波段反射率很小，會導致RVI無限增大。

比值植被指數公式如下：

RVI=R/NIR

(1)

式中，R為紅光波段的平均反射率；NIR為近紅外波段的平均反射率。

葉面積指數(leaf area index，LAI)定義為單位土地面積上的總植物葉面積。自1947年提出以來，就已作為重要植物學參數和評價指標，在農林果業以及生物、生態學等領域應用廣泛[3]。LAI利用植被冠層的光譜特征來遙感定量統計。葉面積指數與各種冠層活動過程密切相關，例如，葉片的蒸散過程、葉片枯落過程等，因此該指數被廣泛用于描述植物冠層的光合和葉面蒸騰。

歸一化植被指數(normalized difference vegetation index，NDVI)作為反映農作物長勢和營養信息的重要參數，是應用率最高的指數[13-14]。利用該指數，能夠得到農作物在不同季節的需氮量，可以指導合理施用氮肥[31]。

NDVI=(NIR-R)/(NIR+R)

(2)

NDVI與LAI相比，LAI與葉面積的相關性更好，而且對土壤亮度和大氣衰減的敏感性也更低。同時NDVI也是評估如LAI、植被覆蓋度、生物量等各種生物物理參數的中介[32]。NDVI能夠部分消除與太陽高度角、衛星觀測角、地形、云影等與大氣條件有關的輻射變化的影響[33]；NDVI的值，-1表示可見光高反射；0表示有裸土等，NIR和R近似相等；正值，表示有植被覆蓋，且隨覆蓋度增大而增大[34-35]。相對其他的植被指數，NDVI是一種應用價值很高的指數，因為它足夠穩定，能夠減少各種因素的影響，可以對植被生長活動中的季節變化和年際變化進行有意義的比較。NDVI對葉綠素很敏感，又被稱為“連續性指數”[36]，所以它對綠色植被的存在很敏感，對干旱地區的農作和降雨有很好的預測性。NDVI應用領域廣泛，包括土地覆蓋分類、干旱監測、土地退化等。該指數也是各種局部、區域和全球尺度模型的一個重要參數，它的時間序列也已被成功地用于許多關于全球植被活動的年際變化研究中[37]。

目前，NDVI依然是比較流行的植被指數[38]，但其也存在一些不可忽視的缺點，NDVI的局限性表現在，用非線性拉伸的方式增強了NIR和R的反射率的對比度[39]。利用相同數據分別求RVI和NDVI，RVI值增加的速度高于NDVI增加速度，即NDVI對高植被區具有較低的靈敏度；NDVI會過度估計生長季節開始時的植被覆蓋度和季節結束時的覆蓋度[40]。

1974年，Rouse和其他學者為了避免NDVI的負值，轉換了NDVI，重新定義了一種植被指數——轉換植被指數(transform vegetation index，TVI)：

(3)

之后，在有學者的試驗數據中，仍然出現了負值，為了解決這一問題，Perry和Lautenschlager在1984年又提出了新版本的轉換植被指數[41]：

(4)

1992年，Daughtry和一些學者根據NDVI提出了綠色歸一化植被指數(green normalize difference vegetation index，GNDVI)[42]：

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

(5)

式中，G為綠光波段的平均反射率。

綠色歸一化植被指數與氮元素的相關性最好，該指數也可作為遙感監測的特征指標，是表征處于拔節期和抽穗階段植物的最佳指數[43]。同年，Pinty等[44]提出了在高密度覆蓋情況下仍保留相當于NDVI指數的較大動態范圍的全球環境監測指數(global environment monitoring index，GEMI)：

GEMI=μ(1-0.25μ)-(R-0.125)/(1-R)

μ=[2(NIR2-R2)+1.5NIR+0.5R]/(NIR+R+0.5)

(6)

該指數可以相對最小化大氣的影響，并且適合于干旱地區植被監測[45-46]。

Roujean和Breon 利用歸一化差異植被指數和差值植被指數(difference vegetation index，DVI)開發了修正比值植被指數(renormalized difference vegetation index，RDVI)：

DVI=NIR-R

(7)

(8)

在整個植被指數的發展過程中，許多指數都是對上一代指數的發展和完善，有些是對受限制因素控制的指數的替代，而有的指數是對原有在某方面研究較為片面的指數的補充[47-48]。例如，隨后提出的歸一化差異水指數(normalized difference water index，NDWI)[49]，除了可以反映圖像中的水信息、植被含水量等，與NDVI相比，它還可以有效地提取植被冠層的水分。NDWI指數可以及時響應植被冠層的水分脅迫，它對植被冠層中液態水含量的變化敏感，這對于干旱監測具有重要意義[50]。除此之外，它還可以描述開放水域的特征，并使用了反射的近紅外光和可見光來增強其在遙感數字圖像中的存在，還能估算水的濁度。

進入21世紀后，相繼出現了很多NDVI的優化版本。例如，Gitelson等[51]提出的大動態范圍植被指數(wide dynamic range vegetation index，WDRVI)，該指數主要是克服了中高密度綠色植被覆蓋時NDVI靈敏度下降的問題。2007年，汪卓琦等[52]提出高光譜植被指數(hyperspectral vegetation index，VIUPD)，該指數可以提取植被生物物理參數的定量信息，并且監測植被的生長情況。該指數在反映植被某些生物物理特征的細微變化方面有獨特的作用，而且VIUPD的性能優于NDVI，處理高光譜遙感數據簡單實用，是一種與傳感器無關的植被指數算法。VDVI(visible-band difference vegetation index，VIDI)也是基于NDVI的構造原理提出的一種植被指數，該指數具有基于綠光帶的強反射特性以及紅藍光吸收特性，其提取精度最高，忽略了土壤背景變化對光譜的影響：

VDVI=[2G-(R+B)]/[2G+(R+B)]

(9)

式中，B為藍光波段的平均反射率。

2016年，根據NDVI 演化出了歸一差異指數的重整指數(renormalized difference vegetation index，RNDVI)，該指數可以判斷植物的生長期[53]，目前有許多關于水稻的研究會應用到RNDVI，當RNDVI<0時表明作物處于生長期，而當RNDVI>0時表明作物處于衰老期。

此外，還有一系列其他植被指數，表1列舉了現有文獻中54種主流植被指數的名稱、公式、文獻來源和應用特點。由典型植被指數NDVI的發展歷程，可以把植被指數的發展史大體分成2個階段：首先，第一發展階段就只是基于線性組合(差、和或比值)，而不考慮其他外部因素，即不考慮土壤植被的相互作用；其次，第二階段以解釋電磁輻射、大氣、植被和土壤背景之間相互作用的物理現象的知識為基礎，第二階段是獲取知識和理論方法的起點，可以利用遙感技術或相關學科來解決植被指數的問題。

表1 植被指數匯總Table 1 Summary of vegetation index

接下表 續表1

接下表 續表1

2 植被指數的影響因素

植被指數應用廣泛，不僅計算便捷而且時間序列長，但是植被指數又受很多因素的限制，在“大氣—土壤—植被”的系統中，主要是受到大氣對反射波的吸收反射、土壤背景的干擾、冠層結構的影響，此外還會受到衛星觀測角度、太陽高度角、傳感器類型等的限制。波長范圍、土壤特性、大氣質量、濕度溫度等則是影響植被指數的物理因素。以往研究表明，影響植被指數的因子大致可以歸屬于2個相互獨立又相互補充的領域：生物領域和物理領域[21]。在考慮植被覆蓋隨時間演替的光學特性時，植被的含水率、礦物質含量、葉片分布、生物入侵等都是影響植被指數的生物因素。因此，在完善植被指數的發展之路上，必須要研究植被指數的影響因素[90]。

2.1 土壤背景隨著科學技術的進步，遙感在不斷發展，基于遙感影像的植被指數也得到了發展，但是遙感上的植被指數有很多影響因素，其中土壤背景的影響尤為重要。因為在不同光譜的遙感影像上，自然狀態下植被和土壤亮度區別不明顯，土表的反射率沒有明顯峰值和谷值[27]，所以由于土壤背景帶來的干擾很難用校正的辦法來消除。為了控制土壤背景的影響，目前主要發展了兩類削弱土壤背景的植被指數。

2.1.1基于土壤線計算的植被指數。土壤在可見光紅波段(R)與近紅外波段(NIR)的反射率具有線性關系。在NIR-R通道的二維坐標中表現為一個由近于原點發射的直線，稱為“土壤線(soil background line，BIL)”[91]。土壤線是在二維光譜空間中土壤純像元光譜反射率按照大小排列而成的直線，它綜合反映了具有不同水分條件的土壤含水狀況，對于了解土壤和植被的理化性質和生態特征有著重要意義[92]，其方程式為[93]：

NIR=αR+b

(10)

式中，α、b分別為土壤線的斜率和截距。

基于土壤線提出來了垂直植被指數(perpendicular vegetation index，PVI)，地物的反射率組成的點到土壤線的距離定義為PVI。如圖2所示，土壤線左上方的點的PVI值取正，右下方的點的PVI值取負[13]：

(11)

圖2 垂直植被指數PVIFig.2 Perpendicular vegetation index

PVI指數運算簡單，也因此得到了廣泛應用，主要運用在計算葉面積指數、植被識別和分類等方向。PVI在低覆蓋植被的信息提取時具有優勢，例如，應用于水稻的估產、對荒漠半荒漠草地區進行植被識別與區分。

1989年，Baret提出基于土壤線的斜率和截距計算的轉換型土壤調節植被指數(transformed soil-adjusted vegetation index，TSAVI)，該指數同樣可以削弱土壤背景對植被信息提取的影響[13]。當土壤線的斜率為1，截距為0時，TSAVI與NDVI數值一樣：

TSAVI=α(NIR-αR-b)/(αNIR+R-αb)

(12)

TSAVI的應用主要是其與LAI之間的相關性研究。薛利紅等[94]的研究證明了它們之間呈顯著相關；有研究驗證了TSAVI對LAI的預測能力[95]。

變量L=1-2αNDVI·WDVI

WDVI=NIR-αR

(13)

國內目前對MSAVI的應用研究尚處于待開發階段，該指數可以大大減少土壤背景的影響[51]。

2.1.2經驗植被指數。為最大程度地減少土壤對冠層光譜的影響，通過將土壤調整因子L納入NDVI方程的分母中，開發了土壤調整植被指數(soil-adjusted vegetation index，SAVI)[96]：

SAVI=[(NIR-R)(1+L)]/(NIR+R+L)

(14)

式中，L為土壤調整因子。

L的取值范圍是[0，-1]，實際取值取決于應用實踐的具體情況，也是SAVI利用的最大難點。研究對象一定時，可以參照其他植被指數確定L值；也可以擬定幾個L值，再根據研究對象的實測數據去決定適合L值的范圍，最后用內插值確定最適L值[66]，通常植被覆蓋度越大，L的取值也越大。在理想狀態下，L=1，即表示土壤背景對植被信息的提取沒有任何影響，這種情況在實際生活中幾乎不會出現，只有在冠層覆蓋密度很大的情況下才會發生[53]。找到了隨植物密度變化的最佳調節因子，通常把調整因子設置為L=0.5，因為這樣可以在大范圍內有效地降低土壤帶來的影響。此外，使用L=0.5會導致植被動態響應的損失，因為0.5通常大于紅色反射率值，導致緩沖液反射率變化。

堅持從思想上政治上建設和掌握部隊，是陸軍從勝利走向勝利的根本法寶，也是文化軟實力的最大優勢。文化軟實力造就人民陸軍為黨和人民沖鋒陷陣的堅定信念、勇往直前的精神力量。建設強大現代化新型陸軍，必須堅持把政治建軍放在首位，確保部隊任何時候任何情況下都始終聽黨話、跟黨走。

SAVI是一種應用比較廣泛的植被指數，而且不用計算土壤線的參數，該指數可以提取植被信息和植被覆蓋度、反演葉綠素和氮含量、比較不同植被的差異、計算葉面積指數、監測旱情并修正模型。SAVI消除土壤背景影響和適應植被變化的能力很強。

目前應用較廣泛的指數——修改型二次土壤調節植被指數(modified soil-adjusted vegetation index，MSAVI2)是在修改型土壤調整植被指數(MSAVI)的基礎上提出的[74]：

(15)

MSAVI2之所以能夠廣泛應用，主要是因為其不依賴于土壤線，算法簡單，是所有需要考慮土壤背景的植被指數中較簡單的一種。該指數主要用于分析植物的長勢、荒漠化的研究、草地估產、計算LAI、分析土壤有機質、監測旱情等方面。有研究曾利用MSAVI2監測湖北省的旱情、草地遙感估產。

有研究經過不斷地模擬試驗分析，確定了用來減少土壤背景影響的優化值X=0.16，從而提出了優化土壤調節植被指數(optimization of soil-adjusted vegetation index，OSAVI)，研究結果顯示，X取值0.16，在無論高低的植被覆蓋情況下都能有效減少土地噪聲的影響[97]：

OSAVI=(NIR-R)/(NIR+R+X)

(16)

雖然OSAVI的計算不依賴于土壤線而又受土壤背景的影響小，但是對該指數的應用還不是很多，主要是用于反演地表生物量、葉片氮含量等，也有將其用于指導變量施肥。

土壤背景是影響植被指數的主要因素，因此為了削弱土壤背景對植被指數提取信息的影響，應由而生一系列控制土壤背景的植被指數，而這一系列指數根據其是否依賴于土壤線，分為兩類。土壤線的提出對于植被指數的發展頗有意義，但是隨著科技發展，不依賴于土壤線的植被指數運算更加簡單，也因此應用更加廣泛。利用影響因素的植被指數分類方法也不為一種很好的分類方法，當然在應用該類指數時也更要考慮到土壤線的影響和經驗常數的影響。此外，控制土壤背景的植被指數只是糾正了土壤對植被指數的影響，并沒有考慮到第二大影響因素——大氣。同理，也會有很多控制大氣的植被指數相繼被提出。

2.2 大氣植被指數是由輻射強度表示的。太陽天頂角、測量方向和大氣狀況都會影響輻射強度的測量，從而影響植被指數的測量[97]。因此，植被指數反映的就不僅是植物的光譜特性，同時也能反映太陽天頂角、測量方向和大氣狀況對測量的影響程度。植被、裸地、巖石、冰雪等不同的地表類型會有不同的光譜反射率，這種差異就為地表監測提供了可能。基于地表在可見光和近紅外光區光譜反射特性的差別，NOAA/AVHRR通道1(可見光通道)和通道2(近紅外光通道)被廣泛地用于各種實踐應用[98]。在大氣窗口選擇合適的遙感光譜段可以減小大氣中水汽的吸收影響，標準差(NDVI指數就是應用的標準差方法)本身是一種歸一化的算法，它可以減小觀測角度的影響以及減小部分氣溶膠的吸收、散射效應，但是這種方法沒有完全消除大氣影響[99]。

大氣對植被指數的計算帶來的影響主要有兩個方面：①遠程輻射帶來的圖像噪聲的增加；②大氣的吸收和散射作用造成的有效信號減少。太陽輻射要2次穿過大氣，最終到達傳感器感應元件，再經過處理才是人們看到的遙感圖像，在輻射過程中大氣的吸收、折射等特性會使得被地物反射的包含地物信息的重要輻射信號會被干擾。經試驗驗證，會發現大氣的影響會造成計算植被指數的獲取值要小于實際值，雖然一般會采取若干天監測值得極大值來表示，但是不同的大氣情況同樣會對監測值帶來影響。同時一般情況下，在地表覆蓋度的估算研究中就會造成估測誤差。

大氣對紅光以及近紅外波段有不同的吸收系數，紅光波段反射的影響大于近紅外波段反射率的影響，有研究曾發現大氣對植被指數的影響甚至會超過植被指數自身的變化。為避免該影響，有學者提出了一種大氣修正植被指數(atmosphere resistant vegetation index，ARVI)，指數利用了藍光波段和紅光波段大氣層輻射的相關性[100]：

ARVI=(NIR-RB)/(NIR+R)

RB=R-γ(B-R)

(17)

式中，γ為光學路徑的效應因子，依賴于氣溶膠的類型，通過紅光和藍光波段的自動調節獲得。

相對于NDVI，ARVI對大氣的敏感性降低了40%，這是因為ARVI的應用效果取決于光學路徑的效應因子，存在一定的局限性。除此之外，該指數在應用時操作難度較大。針對以上問題，有研究基于ARVI，利用大氣下行輻射的觀測值以及大氣傳輸方程，得出NDVI的校正系數，并且把校正系數的值控制在0.65～1.21范圍內變動，利用輻射傳輸模型預處理，得到了新抗大氣影響指數(IAVI)。

針對大氣的影響，上文提到的全球環境監測指數(global environment monitor index，GEMI)[44]是紅光波段與近紅外波段的非線性組合，可以對AVHRR數據進行自糾正。GEMI在不影響植被信息提取的同時，可以降低大氣的影響，能較好區別云斑和地表，并且相對于NDVI有更加寬泛的植被覆蓋度檢測區間，但是該指數的局限性在于它受裸土的亮顏色影響大，不適用于植被覆蓋度低的區域[99]。

綜上，消除大氣對植被指數的影響可總結為2種方法：一種是使用相關技術手段來消除大氣影響，例如可以使用5s模型消除分子和臭氧帶來的影響；另一種就是應用抗大氣植被指數，利用藍光波段和紅光波段的線性組合來減少紅光輻射增加部分帶來的影響。

2.3 綜合因素植被指數的影響因素不單單是來自土壤或大氣，植被—大氣—土壤相互作用在植被指數的計算中是不可忽視的。Miura等[15]綜合考慮了影響因素，提出了改進型土壤大氣修正植被指數，又稱增強型植被指數(enhance vegetation index，EVI)：

EVI=[2.5(NIR-R)]/(NIR+6R-7.5B+1)

(18)

EVI通過添加藍帶增強植被信號來糾正土壤背景和氣溶膠散射的影響，是一種優化的植被指數，通過解釋植被冠層背景信號來減少大氣影響，提高了對高生物量區域的敏感性和植被監測能力和效果。

4 結論與討論

植被指數是評估植被的關鍵指標，可以反映大多數的植被信息。它應用廣泛，不僅可以指導生產實踐，監測干旱水文，同時對于水土流失的監測也具有重要指導意義。

(1)相比單波段，植被指數能更有效地表達植物的活力。植被指數可以廣泛應用于葉面積指數的反演、旱區監測和土地利用類型變化情況等。然而，植被指數并沒有一個標準的普適值，不同的植被指數往往會有不同的研究結果。另外，大氣條件、土壤亮度、太陽高度角、傳感器類型等都是制約植被指數的重要因素，從而影響計算結果。

(2)植被指數的發展史就是下一代對上一代指數的限制因素的改進，為擴大適用范圍植被指數在數值的正負、波段的選擇等方面一直在不斷發展完善。第一代植被指數完全是基于最簡單的線性組合，或者是利用原始衛星數據。第二代是以解釋電磁輻射、大氣因素、土壤背景之間的相互作用的物理現象的知識理論為基礎，解決植被指數應用的問題。但是，這些問題尚不明確。

(3)目前有抗大氣干擾的植被指數、抗土壤背景的植被指數，也有其他類型的植被指數，但是能夠綜合反映“大氣—土壤—植被”系統的指數還是未來研究的重點。分析表明，在理想條件下第二代植被指數比一代能夠更好地反映真實情況，是因為二代對大氣效應和土壤亮度等干擾因素的敏感度降低了，對植被覆蓋的敏感度升高了。

與前人研究相比，該研究統計的植被指數種類更加豐富，植被指數匯總相對完整，從植被指數的誕生到不斷發展，各個階段的不同方向的發展都有更加完善的論述，并且匯總了植被指數的應用特點，可以更好地為實踐應用提供參考依據。鑒于目前針對不同植被指數性能的評估研究缺乏，對這些指數的系統評估是未來急需開展的工作。