遥感零基础实战：ENVI+Landsat全流程构建RSEI生态指数指南
第一次接触遥感生态评估时，我被各种专业术语和复杂公式弄得晕头转向。直到导师扔给我一份Landsat数据和ENVI软件，说"按这个流程做就明白了"。现在，我想把这份真正可操作的保姆级指南分享给所有初学者——不需要任何遥感基础，只要跟着步骤操作，两小时内就能完成从数据下载到结果可视化的完整流程。
1. 环境准备与数据获取
工欲善其事，必先利其器。在开始计算RSEI之前，我们需要准备好以下三件套：
- ENVI 5.3+：建议使用经典版而非ENVI Zoom，后者缺少部分高级功能
- Landsat 8/9 Level-2数据：从USGS官网下载时认准"Surface Reflectance"产品
- Excel或记事本：用于记录中间参数和验证计算结果
提示：国内用户推荐使用"地理空间数据云"镜像站下载数据，速度更快且无需科学上网
1.1 数据下载实操演示
以2023年长三角地区数据为例：
- 访问EarthExplorer
- 绘制研究区范围（建议先用Google Earth确定经纬度）
- 筛选条件设置：
Dataset: Landsat Collection 2 Level-2 Cloud Cover: <10% Acquisition Date: 2023-01-01 to 2023-12-31 - 下载包含"_MTL.txt"的完整压缩包
常见坑点：
- 误下载"Level-1"原始数据（缺少大气校正）
- 选择云量过高的影像（>20%会影响结果）
- 遗漏元数据文件（MTL文件包含关键参数）
2. 四大基础指标计算详解
RSEI的核心由四个基础指标构成，它们像生态健康的"体检项目"各司其职：
| 指标类型 | 生态意义 | 典型值域 | 敏感波段 |
|---|---|---|---|
| 绿度(NDVI) | 植被覆盖状况 | [-1,1] | 近红外(NIR)、红 |
| 湿度(WET) | 地表水分含量 | 无固定范围 | 全波段加权 |
| 干度(NDBSI) | 建筑/裸土占比 | [-1,1] | SWIR1、蓝、绿 |
| 热度(LST) | 地表温度 | 280-320K | 热红外(TIRS) |
2.1 绿度指标：NDVI计算实战
在ENVI中操作：
加载"_SR_B5"(NIR)和"_SR_B4"(Red)波段
打开Band Math工具输入：
(float(B5)-float(B4))/(float(B5)+float(B4)+0.0001)注意：添加0.0001防止除零错误
保存为"NDVI.dat"并验证：
- 水体区域应≈-0.2
- 茂密植被应>0.6
- 裸土≈0.1~0.2
2.2 湿度指标：WET系数自动匹配
不同传感器需要不同系数，这段代码可自动识别：
# Landsat 8 OLI wet_oli = 0.1511*b1 + 0.1973*b2 + 0.3283*b3 + 0.3407*b4 - 0.7117*b5 - 0.4559*b7 # Landsat 7 ETM+ wet_etm = 0.0315*b1 + 0.2021*b2 + 0.3012*b3 + 0.1594*b4 - 0.6806*b5 - 0.6109*b7操作技巧：
- 在ENVI中使用"Build Layer Stack"合并所有反射率波段
- 根据MTL文件中的"SENSOR_ID"选择对应公式
- 结果需要除以10000转换为实际反射率
2.3 干度指标：NDBSI二步法
这个指标需要先计算两个子指数：
- 裸土指数(SI)：
( (b3 + b5) - (b1 + b4) ) / ( (b3 + b5) + (b1 + b4) ) - 建筑指数(IBI)：
(2*b5/(b5+b4) - (b4/(b4+b3) + b2/(b2+b5))) / (2*b5/(b5+b4) + (b4/(b4+b3) + b2/(b2+b5))) - 最终NDBSI = (SI + IBI)/2
关键检查点：城市中心区值应>0，水体≈-1
2.4 热度指标：LST温度反演
地表温度计算是最复杂的环节，分四步完成：
步骤一：辐射定标
Lλ = ML * Qcal + AL # 从MTL文件获取ML/AL参数步骤二：比辐射率估算
# 植被覆盖度计算 FV = (NDVI - 0.05)/(0.7 - 0.05) # 限定在[0,1]范围 # 比辐射率计算 ε = 0.995*(NDVI<0) + (0.9589+0.086*FV-0.0671*FV*FV)*(0≤NDVI<0.7) + (0.9625+0.0614*FV-0.0461*FV*FV)*(NDVI≥0.7)步骤三：大气校正需要从NASA大气校正网站获取三个参数：
- 大气透过率(τ)
- 上行辐射(L↑)
- 下行辐射(L↓)
步骤四：温度转换
# Landsat 8专用公式 BT = 1321.08 / alog(774.89/(Lλ/ε) + 1) - 273.153. 主成分分析与RSEI合成
当四个指标层准备就绪后，真正的魔法开始了：
3.1 数据标准化处理
为避免量纲影响，先用波段标准化工具处理：
(原始值 - 均值) / 标准差务必勾选"Ignore Zero"选项排除背景值
3.2 PCA操作细节
- 打开"Principal Components Analysis"工具
- 选择四个标准化后的指标层
- 关键设置：
- 输出成分数：4
- 旋转方法：Varimax
- 标准化：已预先处理
第一主成分(PC1)通常包含70%以上的信息量，这就是我们的RSEI雏形。
3.3 结果归一化
最后将PC1值线性变换到[0,1]范围：
RSEI = (PC1 - min(PC1)) / (max(PC1) - min(PC1))值越接近1表示生态环境越好。
4. 结果验证与可视化技巧
4.1 质量检查清单
完成计算后，请对照检查：
- [ ] 水体区域的RSEI值是否显著低于陆地
- [ ] 城市中心是否呈现明显的低值区
- [ ] 森林/农田是否形成连续高值带
- [ ] 整体值域是否分布在[0,1]之间
4.2 专业级出图配置
在ENVI的"Display"中设置：
- 色带选择："Vegetation Index"色系
- 拉伸方式：2%线性拉伸
- 叠加要素：
- 行政边界矢量层
- 主要道路网络
- 图例比例尺
4.3 时间序列对比
若要分析生态变化，建议：
- 统一所有年份的PC1权重
- 使用相同的显示范围
- 制作变化检测图：
ΔRSEI = RSEI2023 - RSEI2018
记得第一次成功跑出结果时，我盯着屏幕上清晰的生态分级图看了好久——原来那些抽象的公式真的能转化为直观的环境洞察。现在你也会经历这个奇妙的时刻，只需要按照上述步骤耐心操作，遇到报错时回头检查波段顺序和公式括号。遥感没有想象中那么难，关键是要跨出动手实践的第一步。
