遥感生态指数（RSEI）实战：从ENVI计算到全国生态质量可视化

1. 遥感生态指数（RSEI）入门指南

第一次接触遥感生态指数（RSEI）时，我也被这个专业名词唬住了。但实际操作后发现，它其实就是用卫星照片帮我们"把脉"地球健康状态的一个工具。想象一下，医生用体温计、血压仪给人做体检，而RSEI就是用卫星数据给地球做体检。这个体检报告包含四个关键指标：湿度（WET）、绿度（NDVI）、热度（LST）和干度（NDBSI），最后通过主成分分析合成一个综合分数。

我去年用这套方法做过长三角城市群的生态评估，发现特别适合这几类人：环境监测站需要定期出报告的公务员、写毕业论文的地理专业学生、做区域规划的咨询公司分析师。你只需要准备Landsat系列卫星影像（推荐用Landsat 8/9，数据免费又好获取），装上ENVI和ArcGIS这两个软件，跟着我的步骤走，三天就能从菜鸟变高手。

最让我惊喜的是，RSEI结果可以直接套用国家《生态环境状况评价技术规范》的五个等级标准：优（0.8-1）、良（0.6-0.8）、一般（0.4-0.6）、较差（0.2-0.4）、差（0-0.2）。去年我把计算结果叠加了经济数据，清晰显示出GDP增速超过12%的区县，RSEI评分平均下降0.15——这种直观的关联性让汇报PPT特别有说服力。

2. 四大核心指标计算详解

2.1 湿度指标（WET）的实战技巧

湿度计算要用到缨帽变换这个"魔法公式"，听起来高大上，其实在ENVI里点几下鼠标就能完成。我常用的是Landsat 8数据，具体操作：在Toolbox里找到Transform > Tasseled Cap，弹出的对话框中选择对应传感器类型（比如选Landsat 8 OLI）。这里有个坑要注意：不同卫星的系数矩阵不一样，用错会导致结果偏差高达30%。

实测发现，长三角地区夏季WET值普遍在0.3-0.5之间，但城市建成区会骤降到0.1以下。有次我忘记做辐射定标直接计算，结果湿地公园的湿度值比工业区还低——这个错误让我通宵重算了整批数据。建议新手按这个检查清单操作：

1. 先做辐射定标（Radiometric Calibration）
2. 接着做大气校正（FLAASH或QUAC）
3. 最后执行缨帽变换

保存结果时，记得选32位浮点型（Float），不然会损失小数精度。我曾比较过16位整型和32位浮点的差异，在后续主成分分析时，前者会导致RSEI总分波动约0.05。

2.2 绿度指标（NDVI）的避坑指南

NDVI公式看似简单（(NIR-Red)/(NIR+Red)），但波段顺序搞错是新手最容易翻车的地方。在ENVI的Band Math中输入公式时，一定要确认：

• Landsat 8的Red波段是B4
• NIR波段是B5
  （注意：原文示例有误，实际应为(float(b5)-b4)/(b5+b4)）

有个快速验证方法：计算后查看农田区域的NDVI值，正常应在0.6-0.8之间。如果出现负值，大概率是波段选反了。去年帮学妹调试时，发现她用的数据是经过裁剪的，波段编号被重排过，这时应该用波段名称而非编号来确认。

进阶技巧：当遇到云污染时，可以用NDVI阈值法去除云影响。设置NDVI<-0.1的像元为无效值，这个经验值在亚热带地区特别管用。另外建议保存计算结果时，用_ENVI_Header文件记录波段信息，三个月后回看数据时就不会蒙圈。

2.3 热度指标（LST）的反演秘诀

地表温度反演最复杂，但单通道算法已经帮我们简化了流程。关键是要拿到卫星过境时的气象数据（气温、湿度），可以从NASA的AIRS数据库免费下载。我总结了个傻瓜流程：

1. 先计算大气水汽含量（用ENVI的Water Vapor工具）
2. 再运行LST工具（Thermal > Land Surface Temperature）
3. 最后单位转换：开尔文转摄氏度

有个省时间的技巧：对同一地区的多景影像，可以批量处理气象数据。我曾用Python写了个自动抓取脚本，把处理效率提升了5倍。温度结果要特别注意异常值——有次发现某像素温度显示120℃，检查发现是未做云掩膜导致的错误。

2.4 干度指标（NDBSI）的组合算法

干度指标需要组合裸土指数（SI）和建筑指数（NDBI），公式看起来复杂但其实拆解后很简单：

• SI = [(B5+B3)-(B4+B1)] / [(B5+B3)+(B4+B1)]
• NDBI = (B6-B5)/(B6+B5)
• NDBSI = (SI + NDBI)/2

这里B6指Landsat 8的SWIR2波段。有个易错点：不同文献对SI公式有不同版本，建议在论文中注明所用公式。我对比过三种变体，结果差异最大可达0.12。实际操作时，建议先在Band Math里分别计算SI和NDBI，验证无误后再合成NDBSI。

3. 数据处理与主成分分析

3.1 标准化处理的黄金标准

四个指标量纲不同（NDVI无量纲，LST是摄氏度），必须标准化到同一尺度。我强烈推荐用最大最小值法而非Z-score，因为后者会导致负值出现，不利于后续解释。公式很简单：

code复制(原始值 - 最小值)/(最大值 - 最小值)

但这里藏着两个陷阱：

1. 最大值最小值要用整景影像统计，不能只看ROI区域
2. 遇到异常值要手动设定合理范围（比如LST超过60℃的像素应剔除）

有个实用技巧：在ENVI的Statistics面板里，勾选"Ignore Zero"选项，避免背景值干扰统计结果。做完标准化后，建议用Quick Stretch检查图像，正常应该看到完整的0-1值域分布。

3.2 波段合并的隐藏技巧

用Layer Stacking合并四个指标时，顺序会影响主成分分析结果！经过20+次测试，我发现最佳顺序是：NDVI → WET → NDBSI → LST。这样排列时，PC1的贡献率通常能超过75%。合并前务必检查：

• 所有数据空间分辨率一致（建议重采样到30米）
• 投影坐标系相同（推荐用UTM/WGS84）
• 像元对齐（用ENVI的Registration工具调整）

我曾因为两景数据有半个像元的偏移，导致后续分析出现"鬼影"现象。现在每次合并前都会用Pixel Inspector工具抽查边缘区域。

3.3 主成分分析的实战解析

在ENVI里做PCA时，关键是要勾选"Covariance Matrix"而不是"Correlation Matrix"。前者能保留各指标的原始差异信息，后者会过度标准化。点击Transform > PCA Rotation后，重点关注：

• Eigenvalues表里PC1的贡献率（理想应>70%）
• Eigenvectors表中PC1的载荷系数（NDVI应为正，NDBSI应为负）

有个专业技巧：把PC1的Eigenvector值直接作为权重，可以手动计算RSEI验证结果。公式是：

code复制RSEI = (NDVI×v1 + WET×v2 - NDBSI×v3 - LST×v4)

这个土方法和PCA结果的相关性能达到0.98以上，适合快速验证。

4. 全国生态质量可视化实战

4.1 ArcGIS制图的核心要点

把ENVI的结果导入ArcGIS后，按这个流程操作：

1. 符号化：用Classified方法，分5级对应生态质量
2. 配色方案：推荐用绿-黄-红渐变，符合大众认知
3. 添加图例：注明RSEI值范围与等级对应关系

我收藏了个绝佳的色带值：

• 优：#1a9641
• 良：#a6d96a
• 一般：#ffffbf
• 较差：#fdae61
• 差：#d7191c

这个配色在学术汇报中接受度最高。记得在布局视图里添加比例尺和指北针，小技巧是把比例尺单位设为"公里"而非米，更符合阅读习惯。

4.2 时空对比分析的妙招

要展示生态变化时，可以用栅格计算器做差值分析。比如：

code复制("2020_RSEI" - "2010_RSEI") > 0.1  # 显著改善区域
("2020_RSEI" - "2010_RSEI") < -0.1 # 显著恶化区域

但要注意：不同年份的影像要统一在相同季节（最好相差不超过15天），否则物候差异会导致误判。我处理全国数据时，会先用MOD13Q1的NDVI数据做季节性匹配，确保可比性。

4.3 成果报告的呈现技巧

最后成图时，建议叠加这三类辅助信息：

1. 省级行政区划边界（适度透明化）
2. 主要河流/湖泊水系
3. 关键城市标注

在ArcGIS的布局视图里，设置输出分辨率至少300dpi。有个专业细节：添加两个指北针——一个主罗盘显示真北，一个小箭头显示磁偏角（可以从NOAA网站下载磁偏角数据）。这样的图既美观又专业，直接放论文里都能加分。