使用的库为GDAL、OS、NUMPY 1、读取影像 2、计算植被指数 3、导出植被指数 代码是在此视频基础上做出的改进（https://www.bilibili.com/video/BV1cr4y1F7aD?from=search&seid=2693900365831477955&spm_id_from=333.337.0.0）

Unity植被优化插件The Vegetation Engine 3.2.1 仅供学习，请勿商用。

2000-2017年中国县级尺度陆地植被固碳量.xlsx

该植被指数（NDVI）数据来源于美国NASA定期发布的MODIS数据系列，原始数据集为MOD13A3。MOD13A3的空间分辨率为1km，时间分辨率为monthly。经过提取子数据集、拼接、投影栅格、换算单位、裁剪得到逐月1km的NDVI数据。 投影坐标系：WGS 1984 UTM分带 时间分辨率：逐月 空间分辨率：1 km 引用：Didan, K. (2015). MODIS/Terra Vegetation Indices Monthly L3 Global 1km SIN Grid V006, NASA EOSDIS Land Processes DAAC.https://doi.org/10.5067/MODIS/MOD13A3.006 CSDN主页：https://blog.csdn.net/qq_37948866 下载数据版权归原作者所有，基于开放数据二次处理加工得到，仅供学习使用，请支持正版！

对简单场景下的点云数据进行分类（建筑物点、地面点、植被），提取轮廓线并三维可视化。具体的效果可参考博客：https://blog.csdn.net/qq_32867925/article/details/123301985

基于遥感定量化干旱监测结果，进行了干旱预测的研究。将遥感获得的条件植被温度指数VTCI序列应用于陕西关中平原地区，并利用ARIMA模型对该地区的VTCI时间序列进行分析建模预测。提出由点到面的时空序列预测方法，先对该区域的36个气象站所在像素点建立适合的ARIMA模型，再对整个区域所有像素点的VTCI时间序列进行建模预测。进行1步和2步预测，显示预测结果较好，1步预测精度好于2步预测；对历史数据进行AR(1)模型的拟合，拟合误差大部分较小。结果显示AR(1)模型适合VTCI序列。

全球植被覆盖率TIF栅格数据-精度1Km（含数据源信息）；数据有数据源网址信息，可以公开发文章使用。

数据范围：涵盖中东国家包括沙特阿拉伯、伊朗、伊拉克、科威特、阿联酋、阿曼、卡塔尔、巴林、土耳其、以色列、黎巴嫩、约旦、也门； 时间：2000-2019年逐年； 数据分辨率：2000m； 数据来源：基于2000-2019年16天MODIS卫星NDVI数据提取，经过年平均值计算，裁剪等操作，获取20年，每年9幅图像； 价格：先试卖9.9，需求人多再涨价，这个20年NDVI大范围处理，找人做3、4百都没人做。 分享方式：百度云盘链接；

人工智能-机器学习-黄土高原流域生态水文模拟和植被生态用水计算.pdf

介绍如何由NDVI计算得到植被覆盖率及相关的一些知识介绍