从绿度到热度：手把手构建你的首个RSEI生态遥感指数

1. 什么是RSEI生态遥感指数？

第一次接触RSEI（Remote Sensing Ecological Index）这个概念时，我也是一头雾水。简单来说，它就像给地球做体检的"综合评分卡"，通过卫星拍摄的遥感影像，把复杂的生态环境状况浓缩成一个0-1之间的数字。这个数字越大，表示生态环境质量越好。

你可能要问：为什么需要这样一个指数？想象一下，我们要评估一个城市的生态环境，如果只看绿化率，可能会忽略空气质量；如果只看温度，又可能忽视植被覆盖。RSEI的聪明之处在于，它同时考虑了四个关键指标：绿度（植被状况）、湿度（水分条件）、干度（土地硬化程度）和热度（地表温度）。就像医生不会仅凭体温判断病情一样，RSEI通过多维度评估，能更全面地反映生态环境质量。

在实际应用中，我发现RSEI特别适合做两件事：一是监测同一地区不同时期的生态变化，比如城市扩张对环境影响；二是比较不同区域的生态差异，比如工业园区与自然保护区的对比。去年我用它分析过长三角某城市的生态变迁，结果清晰地显示出近十年城市热岛效应加剧的趋势。

2. 准备工作：获取和处理Landsat数据

2.1 数据获取渠道

工欲善其事，必先利其器。做RSEI分析的第一步，就是获取质量可靠的遥感数据。我强烈推荐NASA的Landsat系列卫星数据，原因有三：免费开放、时间跨度长（从1972年至今）、空间分辨率适中（30米）。具体获取途径有：

1. USGS官网（https://earthexplorer.usgs.gov/）
2. Google Earth Engine
3. 国内的地理空间数据云平台

新手最容易踩的坑就是选错数据版本。记得要下载"Level-2"级别的产品，这种数据已经过大气校正，可以直接用于指数计算。我有次用了原始数据，结果算出来的NDVI值完全失真，白白浪费了两天时间。

2.2 数据预处理

拿到数据后，别急着计算指数，这几个预处理步骤必不可少：

1. 辐射定标：将DN值转换为辐射亮度值。在ENVI中操作很简单：打开Radiometric Calibration工具，选择对应的传感器类型（TM/OLI），然后选择热红外波段。

python复制# 示例：Landsat 8辐射定标参数
radiance = DN * 0.0003342 + 0.1  # Band 10的转换公式

2. FLAASH大气校正：这个步骤很关键但容易被忽略。我常用的参数设置是：

   • 传感器类型：Landsat TM/ETM+/OLI
   • 大气模型：根据经纬度和拍摄时间自动选择
   • 气溶胶模型：Urban（城市区域）或Rural（乡村区域）

3. 影像裁剪：建议先用ROI工具框选研究区，可以大幅减少后续计算量。有个小技巧：保存裁剪范围时选择"Same as"原图像，能保持空间参考一致。

3. 计算四大分量指标

3.1 绿度指数（NDVI）

NDVI（归一化差异植被指数）是反映植被生长状态最常用的指标。计算公式看似简单：

code复制NDVI = (NIR - Red) / (NIR + Red)

但实际操作时要注意几个细节：

1. 波段选择：Landsat系列不同传感器的近红外和红波段编号不同。比如：

   • Landsat 5/7 TM：NIR=Band4，Red=Band3
   • Landsat 8/9 OLI：NIR=Band5，Red=Band4

2. 值域处理：理论上NDVI范围是[-1,1]，但实际计算时：

   • 小于0的值通常表示水体或云层
   • 0-0.2可能为裸土或建筑
   • 大于0.6表示茂密植被

在ENVI中可以用Band Math工具计算：

python复制(b5 - b4) / (b5 + b4)  # Landsat 8/9

3.2 湿度指数（WET）

湿度指数反映地表水分状况，计算公式相对复杂，需要根据不同传感器选择参数：

Landsat 5/7 TM：

code复制WET = 0.0315*B1 + 0.2021*B2 + 0.3012*B3 + 0.1594*B4 - 0.6806*B5 - 0.6109*B7

Landsat 8/9 OLI：

code复制WET = 0.1511*B1 + 0.1973*B2 + 0.3283*B3 + 0.3407*B4 - 0.7117*B5 - 0.4559*B7

这里有个常见误区：有人会忘记除以10000（当使用反射率数据时）。我建议先用小范围测试，看看结果值是否在合理范围（通常-0.5到0.5之间）。

3.3 干度指数（NDBSI）

干度指数由两个子指数合成：裸土指数（SI）和建筑指数（IBI）。计算公式如下：

裸土指数（SI）：

code复制SI = [(B3 + B5) - (B1 + B4)] / [(B3 + B5) + (B1 + B4)]

建筑指数（IBI）：

code复制IBI = [2*B5/(B5+B4) - (B4/(B4+B3) + B2/(B2+B5))] / [2*B5/(B5+B4) + (B4/(B4+B3) + B2/(B2+B5))]

最终NDBSI：

code复制NDBSI = (SI + IBI) / 2

这个计算过程比较繁琐，建议分步进行。我在第一次尝试时，曾因为括号嵌套错误导致结果异常，后来改用ENVI的Band Math分步计算才解决问题。

3.4 热度指数（LST）

地表温度反演是最复杂的部分，主要步骤包括：

1. 辐射亮度计算：对热红外波段进行辐射定标

2. 植被覆盖度计算：

   code复制Fv = (NDVI - NDVI_soil) / (NDVI_veg - NDVI_soil)
   

   通常取NDVI_soil=0.05，NDVI_veg=0.7

3. 比辐射率估算：

   • 水体：0.995
   • 城镇：0.9589 + 0.086Fv - 0.0671Fv²
   • 自然表面：0.9625 + 0.0614Fv - 0.0461Fv²

4. 大气校正：

   code复制LST = K2 / ln(K1/Lλ + 1)
   

   其中Lλ是大气校正后的辐射亮度，K1/K2是常量参数（Landsat 8的K1=774.89，K2=1321.08）

这个过程中最棘手的是大气参数获取。如果研究区没有实测数据，可以使用NASA的大气校正工具（https://atmcorr.gsfc.nasa.gov/）估算。

4. 合成RSEI指数

4.1 数据标准化

由于四个指标的量纲和范围不同，直接相加没有意义。我们需要先进行标准化处理：

code复制NDVI' = (NDVI - min) / (max - min)
WET' = (WET - min) / (max - min)
NDBSI' = 1 - (NDBSI - min) / (max - min)  # 注意干度是负向指标
LST' = 1 - (LST - min) / (max - min)      # 温度也是负向指标

这里有个实用技巧：计算min/max时，可以去掉前后1%的极端值，避免异常值影响。

4.2 主成分分析（PCA）

标准化后的数据需要通过PCA合成。在ENVI中的操作步骤：

1. 打开Principal Components Analysis工具
2. 输入四个标准化后的分量
3. 选择输出PC波段数（通常选1）
4. 查看特征值贡献率，第一主成分通常能解释70%以上的变异

PCA有个重要特性：第一主成分的系数符号可能与预期相反。如果出现这种情况，需要用1减去PC1值。

4.3 结果验证

最后得到的RSEI值应该在0-1之间。建议通过以下方式验证结果合理性：

1. 检查空间分布：植被茂密区值应较高，建筑密集区值应较低
2. 随机抽样检查：选择几个典型地物点，查看其RSEI值是否符合预期
3. 与实地调查数据对比（如果有）

我常用的验证方法是叠加Google Earth高清影像，目视检查RSEI结果与真实地物的对应关系。

5. 实际应用案例

去年我参与了一个城市生态评估项目，使用RSEI分析了某省会城市2010-2020年的生态变化。具体流程如下：

1. 数据准备：获取2010、2015、2020年的Landsat数据
2. 计算各年份的RSEI
3. 制作变化检测图：

   code复制变化等级 = 2020年RSEI - 2010年RSEI
   

4. 结合城市规划图分析变化原因

结果显示，城市新区的RSEI值平均下降了0.15，主要原因是大量农田转为建设用地；而老城区的部分区域由于公园建设，RSEI有所提升。这个案例说明，RSEI不仅能评估现状，还能有效监测变化趋势。

6. 常见问题与解决技巧

6.1 数据缺失问题

云覆盖是遥感分析的老大难问题。我的解决方案是：

1. 选择云量<10%的影像
2. 必要时使用多时相数据融合
3. 对少量云区进行插值处理

6.2 结果异常排查

如果得到的RSEI值异常（如全为0或1），建议按以下步骤排查：

1. 检查输入数据的值域是否正常
2. 确认波段顺序和计算公式是否正确
3. 查看中间结果（如NDVI、LST等）是否合理

6.3 精度提升技巧

要提高RSEI的精度，可以尝试：

1. 使用更高分辨率数据（如Sentinel-2）
2. 结合夜间灯光数据修正城市区域
3. 引入DEM数据进行地形校正

记得第一次做RSEI分析时，我忽略了地形影响，结果山区值普遍偏低。后来加入高程校正，效果明显改善。