植被指数是生态监测和植被健康评估的重要工具，以下是三种常用指数及其公式：归一化植被指数 (NDVI)、增强型植被指数 (EVI)、以及叶面积指数 (LAI)。
一、归一化植被指数 (NDVI)
NDVI 是最常用的植被指数，通过近红外波段（B5）和红波段（B4）的反射率差异来衡量植被生长状况。其计算公式为：
其中，NIR 为近红外波段（B5），RED 为红波段（B4）。NDVI 值的范围是从 -1 到 1，值越高，代表植被覆盖越密集，生长状况越好。
二、增强型植被指数 (EVI)
EVI 是对 NDVI 的改进，旨在减少大气和背景噪声的影响，特别适用于高密度植被地区。其计算公式为：
其中，NIR 为近红外波段（B5），RED 为红波段（B4），BLUE 为蓝波段（B2）。EVI 通过加入蓝波段的校正因素，使其在高密度植被监测中更为精准。
三、叶面积指数 (LAI)
LAI 是衡量单位面积上植物叶片总面积的指标，常用于评估植物的生长状况。通过对 EVI 数据进行线性转换，可以获得 LAI：
该公式通过研究 DOI:10.1016/S0034-4257(01)00342-X 得到，用于转化 EVI 值为 LAI。
四、GEE代码
var geometry = ee.FeatureCollection('users/yusuhenhao/beijing');Map.centerObject(geometry, 5);var time_start = ee.Date('2023-01-01');var time_end = ee.Date('2024-11-30');var interval = 8;var maskClouds = function(image) {var mask = image.select('QA_PIXEL').bitwiseAnd(1 << 4).eq(0).and(image.select('QA_PIXEL').bitwiseAnd(1 << 3).eq(0));return image.updateMask(mask).divide(10000).select(['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7'],['B2', 'B3', 'B4', 'B5', 'B6', 'B7']).copyProperties(image, ['system:time_start']);};var landsat = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2").merge(ee.ImageCollection("LANDSAT/LC09/C02/T1_L2")).filterDate(time_start, time_end).filterBounds(geometry).map(maskClouds);var computeIndices = function(img) {var NDVI = img.normalizedDifference(['B5', 'B4']).rename('NDVI');var EVI = img.expression('2.5 * ((nir - red) / (nir + 6 * red - 7.5 * blue + 1))', {'nir': img.select('B5'),'red': img.select('B4'),'blue': img.select('B2')}).rename('EVI');var LAI = EVI.expression('3.618 * EVI - 0.118', {'EVI': EVI}).rename('LAI');return img.addBands([NDVI, EVI, LAI]).copyProperties(img, ['system:time_start']);};var indices = landsat.map(computeIndices);var mosaic = ee.ImageCollection(ee.List.sequence(0, time_end.difference(time_start, 'day').subtract(1), interval).map(function(days) {var start = time_start.advance(days, 'days');return indices.filterDate(start, start.advance(interval, 'days')).max().set('system:time_start', start.millis());}));Map.addLayer(mosaic.select('LAI').toBands().clip(geometry), {min: 0, max: 6}, 'LAI');var plotTimeSeries = function(band, title, yLabel) {print(ui.Chart.image.series({imageCollection: mosaic.select(band),region: geometry,reducer: ee.Reducer.mean(),scale: 1000,xProperty: 'system:time_start'}).setOptions({title: title,hAxis: {title: 'Date'},vAxis: {title: yLabel},lineWidth: 2,pointSize: 4,legend: {position: 'none'},chartArea: {backgroundColor: 'white', left: 80, top: 50, width: '70%', height: '60%'},series: {0: {color: 'black', pointSize: 4}},backgroundColor: {fill: 'white', stroke: 'black', strokeWidth: 2},vAxis: {gridlines: {color: 'black'},baselineColor: 'black',textStyle: {color: 'black'},titleTextStyle: {color: 'black'}},hAxis: {gridlines: {color: 'black'},baselineColor: 'black',textStyle: {color: 'black'},titleTextStyle: {color: 'black'}}}));};plotTimeSeries('NDVI', 'NDVI Time Series', 'NDVI');plotTimeSeries('EVI', 'EVI Time Series', 'EVI');plotTimeSeries('LAI', 'LAI Time Series', 'LAI');
五、成为会员
