Challenges of Cross-Sensor Application of MODIS EVI： A Case Study of Landsat-8

XU Hanqiu; BAI Yafen; TANG Fei; SHI Tingting; LIN Zhongli

doi:10.13203/j.whugis20250302

您当前的位置：

首页 >

文章列表页 >

Challenges of Cross-Sensor Application of MODIS EVI： A Case Study of Landsat-8

Photogrammetry and Remote Sensing | 更新时间：2026-11-05

- Challenges of Cross-Sensor Application of MODIS EVI： A Case Study of Landsat-8
- Geomatics and Information Science of Wuhan University Vol. 51, Issue 8, Pages: 1657-1670(2026)
- 作者机构：
  
  1.福州大学环境与安全工程学院，福州大学遥感信息工程研究所，福建福州，350116
  2.福建省水土流失遥感监测评估与灾害防治重点实验室，福建福州，350116
  3.福建省海岛资源生态监测与保护利用重点实验室，自然资源部海岛研究中心，福建平潭，350400
  4.闽江大学经济与管理学院，福建福州，350108
  5.福建理工大学建筑与城乡规划学院，福建福州，350118
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20250302
  CLC： P235
- Received：15 January 2026，
  
  Published：05 August 2026
- 稿件说明：
移动端阅览
徐涵秋,白雅芬,唐菲，等.MODIS EVI指数跨传感器应用的挑战：以Landsat-8为例[J].武汉大学学报（信息科学版）,2026,51(8):1657-1670.

XU Hanqiu,BAI Yafen,TANG Fei,et al.Challenges of Cross-Sensor Application of MODIS EVI:A Case Study of Landsat-8[J].Geomatics and Information Science of Wuhan University,2026,51(8):1657-1670.
徐涵秋,白雅芬,唐菲，等.MODIS EVI指数跨传感器应用的挑战：以Landsat-8为例[J].武汉大学学报（信息科学版）,2026,51(8):1657-1670. DOI：10.13203/j.whugis20250302

XU Hanqiu,BAI Yafen,TANG Fei,et al.Challenges of Cross-Sensor Application of MODIS EVI:A Case Study of Landsat-8[J].Geomatics and Information Science of Wuhan University,2026,51(8):1657-1670. DOI：10.13203/j.whugis20250302

摘要

中分辨率成像光谱仪（moderateresolution imaging spectroradiometer，MODIS）增强型植被指数(enhanced vegetation index，EVI)究竟能否直接应用于其他卫星传感器数据，这是一个EVI提出近30年尚未被探索的重要挑战。EVI是基于MODIS数据开发的，指数带有根据MODIS数据特征确定的4个经验参数。长期以来，用户们都是将这些基于MODIS的参数不加修改地直接应用于其他卫星数据上。然而，这些参数究竟是否适用于其他卫星数据，却鲜有研究见及。因此，以EVI最常应用的Landsat-8数据和6个试验区为例，系统探讨了这一问题。由于归一化差值植被指数(normalized difference vegetation index，NDVI)的公式不带参数，MODIS与Landsat-8 NDVI之间的关系不会受到参数的影响，因此可将二者的关系作为参考基准，用以评估MODIS EVI对Landsat-8数据的适用性。鉴于MODIS EVI还引入了蓝光波段，因此进一步构建了辅助指数EVI

，用以考察蓝光波段对MODIS EVI在Landsat-8的应用是否也会产生影响。研究结果发现，在6个试验区的MODIS和Landsat-8的同步观测中，两种传感器EVI数据之间的偏差比它们在NDVI数据之间的偏差平均大了近3倍，

的偏差也达11.8 %。分析表明，产生偏差的原因并不是来自蓝光波段，而是源于MODIS EVI的经验参数。敏感性检验进一步证明，EVI公式中4个参数的交互作用对EVI值产生了显著影响，其中尤以土壤调节因子

的敏感性最强。据此，建议在EVI应用于Landsat-8时应对其参数进行校正。该研究通过交叉校正，将6个试验区MODIS与Landsat-8 EVI之间的平均偏差率从12.8%降低至接近0%。这一研究对EVI指数的跨传感器应用具有重要的指导意义，同时对区域乃至全球植被变化的精准监测也具有重要的实践价值。

Abstract

Objectives

This study aims to investigate the applicability of the moderateresolution imaging spectroradiometer（MODIS）enhanced vegetation index (EVI) when directly applied to data from other satellite sensors

an important challenge that has remained unexplored for nearly 30 years since the introduction of EVI. It focuses on whether the four empirical parameters of EVI developed based on MODIS data are suitable for other satellite datasets

using Landsat-8 data as a case study.

Methods

We systematically examined the relationship between MODIS EVI and Landsat-8 normalized difference vegetation index（NDVI）across six test areas. Given that the NDVI formula does not include parameters

the NDVI relationship between MODIS and Landsat-8 served as a reference for assessing the suitability of MODIS EVI for Landsat-8 data. Additionally

a modified EVI

referred to as EVI

was constructed to evaluate the influence of the blue band on the MODIS EVI application in Landsat-8 data.

Results

The results revealed that the discrepancies between EVI data from MODIS and Landsat-8 were significant

which is

on average

nearly three times larger than those observed for NDVI data from the two satellites

with an 11.8% difference in

. The analysis indicated that the source of these discrepancies was not the blue band

but rather the four empirical parameters used in MODIS EVI. Sensitivity testing further confirmed that the interactions among the four parameters in the EVI formula significantly affected EVI values

particularly highlighting the strong sensitivity of the soil adjustment factor (

Conclusions

Therefore

we recommend calibrating these parameters when applying EVI to Landsat-8. The cross-calibration conducted in this study has reduced the average bias rate between the MODIS and Landsat-8 EVI from 12.8% to nearly 0% across the six test areas. This research provides significant guidance for the cross-sensor application of the EVI index and holds important practical value for the precise monitoring of vegetation changes at both regional and global scales.

关键词

Keywords

references

DIMICELI C ， TOWNSHEND J ， CARROLL M ， et al . Evolution of the Representation of Global Vegetation by Vegetation Continuous Fields ［J］. Remote Sensing of Environment ， 2021 ， 254 ： 112271 .

PEI F S ， WU C J ， LIU X P ， et al . Monitoring the Vegetation Activity in China Using Vegetation Health Indices ［J］. Agricultural and Forest Meteorology ， 2018 ， 248 ： 215 - 227 .

FRAPPART F ， WIGNERON J P ， LI X J ， et al . Global Monitoring of the Vegetation Dynamics from the Vegetation Optical Depth （VOD）： A Review ［J］. Remote Sensing ， 2020 ， 12 （ 18 ）： 2915 .

SUN G Y ， JIAO Z J ， ZHANG A Z ， et al . Hyperspectral Image-Based Vegetation Index （HSVI）： A New Vegetation Index for Urban Ecological Research ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2021 ， 103 ： 102529 .

MASTRANTONIS S ， RADFORD B ， LANGLOIS T ， et al . A Novel Method for Robust Marine Habitat Mapping Using a Kernelised Aquatic Vegetation Index ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2024 ， 209 ： 472 - 480 .

HAMZEH S ， NASERI A A ， ALAVIPANAH S K ， et al . Estimating Salinity Stress in Sugarcane Fields with Spaceborne Hyperspectral Vegetation Indices ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2013 ， 21 ： 282 - 290 .

GITELSON A A ， KAUFMAN Y J ， MERZLYAK M N . Use of a Green Channel in Remote Sensing of Global Vegetation from EOS-MODIS ［J］. Remote Sensing of Environment ， 1996 ， 58 （ 3 ）： 289 - 298 .

GAO S ， ZHONG R ， YAN K ， et al . Evaluating the Saturation Effect of Vegetation Indices in Forests Using 3D Radiative Transfer Simulations and Satellite Observations ［J］. Remote Sensing of Environment ， 2023 ， 295 ： 113665 .

YAN J J ， ZHANG G P ， LING H B ， et al . Comparison of Time-Integrated NDVI and Annual Maximum NDVI for Assessing Grassland Dynamics ［J］. Ecological Indicators ， 2022 ， 136 ： 108611 .

HUETE A ， JUSTICE C ， VAN LEEUWEN W . MODIS Vegetation Index （MOD 13 ）. 3Version. Algorithm Theoretical Basis Document ［EB/OL］. ［ 2026-01-14 ］. https：//eospso.gsfc.nasa.gov/sites/default/files/atbd/atbd_mod13.pdf https://eospso.gsfc.nasa.gov/sites/default/files/atbd/atbd_mod13.pdf .

HUETE A ， DIDAN K ， MIURA T ， et al . Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation Indices ［J］. Remote Sensing of Environment ， 2002 ， 83 （ 1/2 ）： 195 - 213 .

SCHUBERT P ， EKLUNDH L ， LUND M ， et al . Estimating Northern Peatland CO2 Exchange from MODIS Time Series Data ［J］. Remote Sensing of Environment ， 2010 ， 114 （ 6 ）： 1178 - 1189 .

POTITHEP S ， NAGAI S ， NASAHARA K N， et al . Two Separate Periods of the LAI–VIs Relationships Using in Situ Measurements in a Deciduous Broadleaf Forest ［J］. Agricultural and Forest Meteorology ， 2013 ， 169 ： 148 - 155 .

MEDINA H ， TIAN D ， ABEBE A . On Optimizing a MODIS-Based Framework for In-Season Corn Yield Forecast ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2021 ， 95 ： 102258 .

SJÖSTRÖM M ， ARDÖ J ， ARNETH A ， et al . Exploring the Potential of MODIS EVI for Modeling Gross Primary Production Across African Ecosystems ［J］. Remote Sensing of Environment ， 2011 ， 115 （ 4 ）： 1081 - 1089 .

KHARE S ， DESLAURIERS A ， MORIN H ， et al . Comparing Time-Lapse PhenoCams with Satellite Observations Across the Boreal Forest of Quebec， Canada ［J］. Remote Sensing ， 2022 ， 14 （ 1 ）： 100 .

LARA C ， SALDÍAS G ， PAREDES A ， et al . Temporal Variability of MODIS Phenological Indices in the Temperate Rainforest of Northern Patagonia ［J］. Remote Sensing ， 2018 ， 10 （ 6 ）： 956 .

王正兴，刘闯，陈文波，等 . MODIS增强型植被指数EVI与NDVI初步比较［J］. 武汉大学学报（信息科学版）， 2006 ， 31 （ 5 ）： 407 - 410 .

WANG Zhengxing ， LIU Chuang ， CHEN Wenbo ， et al . Preliminary Comparison of MODIS-NDVI and MODIS-EVI in Eastern Asia ［J］. Geomatics and Information Science of Wuhan University ， 2006 ， 31 （ 5 ）： 407 - 410 .

NAGLER P L ， CLEVERLY J ， GLENN E ， et al . Predicting Riparian Evapotranspiration from MODIS Vegetation Indices and Meteorological Data ［J］. Remote Sensing of Environment ， 2005 ， 94 （ 1 ）： 17 - 30 .

VERA E ， CRUZ C ， BARBOZA E ， et al . Change of Vegetation Cover and Land Use of the Pómac Forest Historical Sanctuary in Northern Peru ［J］. International Journal of Environmental Science and Technology ， 2024 ， 21 （ 14 ）： 8919 - 8930 .

BOLTON D K ， COOPS N C ， HERMOSILLA T ， et al . Evidence of Vegetation Greening at Alpine Treeline Ecotones： Three Decades of Landsat Spectral Trends Informed by LiDAR-Derived Vertical Structure ［J］. Environmental Research Letters ， 2018 ， 13 （ 8 ）： 084022 .

SANTOS M ， BAUMANN M ， ESGALHADO C . Drivers of Productivity Trends in Cork Oak Woodlands over the Last 15 Years ［J］. Remote Sensing ， 2016 ， 8 （ 6 ）： 486 .

VENTER Z S ， SCOTT S L ， DESMET P G ， et al . Application of Landsat-Derived Vegetation Trends over South Africa： Potential for Monitoring Land Degradation and Restoration ［J］. Ecological Indicators ， 2020 ， 113 ： 106206 .

JOPIA A ， ZAMBRANO F ， PÉREZ-MARTÍNEZ W ， et al . Time-Series of Vegetation Indices （VNIR/SWIR） Derived from Sentinel-2（A/B） to Assess Turgor Pressure in Kiwifruit ［J］. ISPRS International Journal of Geo-Information ， 2020 ， 9 （ 11 ）： 641 .

SOTO D P ， SEIDEL D ， HERNÁNDEZ-MORENO Á ， et al . Increase in Forest Structural Complexity Along a Precipitation Gradient Is Mediated by Partial Harvests in Temperate Patagonian Forests ［J］. Scientific Reports ， 2024 ， 14 ： 13656 .

MALULEKE A ， FEIG G ， BRÜMMER C ， et al . Evaluation of Selected Sentinel-2 Remotely Sensed Vegetation Indices and MODIS GPP in Representing Productivity in Semi-Arid South African Ecosystems ［J］. Journal of Geophysical Research： Biogeosciences ， 2024 ， 129 （ 4 ）： e2023JG007728 .

WU F ， REN Y F ， WANG X K . Application of Multi-source Data for Mapping Plantation Based on Random Forest Algorithm in North China ［J］. Remote Sensing ， 2022 ， 14 （ 19 ）： 4946 .

LIU Y ， GU X F ， CHENG T H ， et al . Temporal Shape-Based Fusion Method to Generate Continuous Vegetation Index at Fine Spatial Resolution ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2022 ， 60 ： 4414514 .

WILSON C H ， CAUGHLIN T T ， RIFAI S W ， et al . Multi-decadal Time Series of Remotely Sensed Vegetation Improves Prediction of Soil Carbon in a Subtropical Grassland ［J］. Ecological Applications ， 2017 ， 27 （ 5 ）： 1646 - 1656 .

MARTÍN-ORTEGA P ， GARCÍA-MONTERO L G ， SIBELET N . Temporal Patterns in Illumination Conditions and Its Effect on Vegetation Indices Using Landsat on Google Earth Engine ［J］. Remote Sensing ， 2020 ， 12 （ 2 ）： 211 .

ZHU X L ， LEUNG K H ， LI W S ， et al . Monitoring Interannual Dynamics of Desertification in Minqin County， China， Using Dense Landsat Time Series ［J］. International Journal of Digital Earth ， 2020 ， 13 （ 8 ）： 886 - 898 .

KOWALSKI K ， SENF C ， HOSTERT P ， et al . Characterizing Spring Phenology of Temperate Broadleaf Forests Using Landsat and Sentinel-2 Time Series ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2020 ， 92 ： 102172 .

王瑶瑶，周光，刘琪璟，等 . 长白山阔叶红松林不同演替阶段冠层光谱特征及其与气温的关系［J］. 北京林业大学学报， 2021 ， 43 （ 7 ）： 40 - 53 .

WANG Yaoyao ， ZHOU Guang ， LIU Qijing ， et al . Canopy Spectral Characteristics of Broadleaved Korean Pine Forest in Different Successional Stages and Its Relation with Temperature in Changbai Mountain of Northeastern China ［J］. Journal of Beijing Forestry University ， 2021 ， 43 （ 7 ）： 40 - 53 .

DESCALS A ， VERGER A ， YIN G F ， et al . Improved Estimates of Arctic Land Surface Phenology Using Sentinel-2 Time Series ［J］. Remote Sensing ， 2020 ， 12 （ 22 ）： 3738 .

MANSARAY L R ， YANG L B ， KABBA V T S ， et al . Optimising Rice Mapping in Cloud-Prone Environments by Combining Quad-source Optical with Sentinel-1A Microwave Satellite Imagery ［J］. GIScience & Remote Sensing ， 2019 ， 56 （ 8 ）： 1333 - 1354 .

XU H Q . Modification of Normalised Difference Water Index （NDWI） to Enhance Open Water Features in Remotely Sensed Imagery ［J］. International Journal of Remote Sensing ， 2006 ， 27 （ 14 ）： 3025 - 3033 .

MIURA T ， MURATSUCHI J ， VARGAS M . Assessment of Cross-Sensor Vegetation Index Compatibility Between VIIRS and MODIS Using Near-Coincident Observations ［J］. Journal of Applied Remote Sensing ， 2018 ， 12 （ 4 ）： 045004 .

ROCCHINI D . Effects of Spatial and Spectral Resolution in Estimating Ecosystem α -Diversity by Satellite Imagery ［J］. Remote Sensing of Environment ， 2007 ， 111 （ 4 ）： 423 - 434 .

NOURI H ， NAGLER P ， CHAVOSHI BORUJENI S ， et al . Effect of Spatial Resolution of Satellite Images on Estimating the Greenness and Evapotranspiration of Urban Green Spaces ［J］. Hydrological Processes ， 2020 ， 34 （ 15 ）： 3183 - 3199 .

GAO M L ， ZHAO W J ， GONG Z N ， et al . Topographic Correction of ZY-3 Satellite Images and Its Effects on Estimation of Shrub Leaf Biomass in Mountainous Areas ［J］. Remote Sensing ， 2014 ， 6 （ 4 ）： 2745 - 2764 .

CHEN J M . Spatial Scaling of a Remotely Sensed Surface Parameter by Contexture ［J］. Remote Sensing of Environment ， 1999 ， 69 （ 1 ）： 30 - 42 .

MATSUSHITA B ， YANG W ， CHEN J ， et al . Sensitivity of the Enhanced Vegetation Index （EVI） and Normalized Difference Vegetation Index （NDVI） to Topographic Effects： A Case Study in High-Density Cypress Forest ［J］. Sensors ， 2007 ， 7 （ 11 ）： 2636 - 2651 .

XU H Q ， CHEN J H ， HE G J ， et al . Immediate Assessment of Forest Fire Using a Novel Vegetation Index and Machine Learning Based on Multi-platform， High Temporal Resolution Remote Sensing Images ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2024 ， 134 ： 104210 .

CHEN R ， YIN G F ， LIU G X ， et al . Evaluation and Normalization of Topographic Effects on Vegetation Indices ［J］. Remote Sensing ， 2020 ， 12 （ 14 ）： 2290 .

MA Y C ， HE T ， MCVICAR T R ， et al . Quantifying How Topography Impacts Vegetation Indices at Various Spatial and Temporal Scales ［J］. Remote Sensing of Environment ， 2024 ， 312 ： 114311 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Capability Analysis of Lake Extent Monitoring in the Tibetan Plateau from MERSI-II Images of FY-3D Satellite

Generation and Application of 250 m NDVI Dataset Covering 40 Years Based on Multi-source Data Fusion

Research Progress in Spatiotemporal Modeling， Analysis， and Prediction of Urban Activity Flows in Built Environment

Three-State Fusion Support Problem of Marine Geographic Information for Ship Navigation

High-Resolution L-Band InSAR Study of Intense Near-Field Deformation Associated with Shallow Moderate Earthquakes

Related Author

MIAO Shunxia

SUN Kaimin

HU Xiuqing

QU Jianhua

LIU Junyi

WANG Yuchen

CHU Dong

GUAN Xiaobin

Related Institution

State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University

Key Laboratory of Radiometric Calibration and Validation for Environmental Satellites, China Meteorological Administration

Beijing Huayun Shinetek Company, China Meteorological Administration

School of Resource and Environmental Sciences, Wuhan University

School of Geography and Tourism, Anhui Normal University

AI问答

⁰