简介朱文泉植被NPP程序V2.0.zip 是2020年发布的ENVI扩展工具面向遥感、生态、地理等地学专业的师生与科研人员用于在ENVI环境下估算植被净初级生产力。它针对NPP计算中太阳辐射换算、时序NDVI整理和气象数据插值分散、流程繁琐的问题将常用处理环节集成到模块中适合课程实验、论文研究与项目生产中的植被生产力分析。压缩包共76个文件约30.58MB以dat栅格及hdr头文件、sav程序模块为主配有csv/txt参数与说明、pdf文档、bat安装卸载脚本以及shp矢量辅助数据目录组织便于按功能查阅。已有5560人学习下载。新版可直接用日照时数计算太阳辐射也能从HDF格式NDVI得到时序NDVI并支持在模块内完成气象数据插值配合示例数据与文档读者可较快搭建NPP计算流程、核对中间结果并为参数调整和二次开发提供参考。1. 一套运行在 ENVI 里的 NPP 插件到底适合谁县域尺度的净初级生产力核算最容易卡住的往往就是数据齐了却跑不出图。NDVI、土地利用、月气温、月降水、月辐射五套栅格摆在硬盘里自己写 CASA 要先处理投影、掩膜、量纲、缺测一周就没了。植被NPP程序V2.0 的定位正好在这里一个 ENVI 插件形态的净初级生产力计算工具把 CASA 模型的链路包在对话框后面选完输入点确定输出一幅 NPP 栅格。它适合做生态遥感、碳汇估算、论文里要一张 NPP 分布图但不想重写模型的人也适合手上只有 ENVI 没有 Python 环境的老项目组。但它不会自动解决数据问题编码映射、量纲、掩膜还得自己准备。2. CASA 模型拆成栅格运算NPP APAR × ε 的每一步在算什么插件界面上那几个输入框每一个都对应 CASA 模型里的一个物理量。弄清楚哪个框填什么、单位是什么、缺了会怎样比反复点“运行”有用得多。很多人第一次跑出来的 NPP 要么全 0要么比文献值小一个数量级查到最后基本都落在两三处量纲或掩膜上跟模型本身的公式无关。所以先把公式拆到栅格层面再去看对话框顺序会顺很多。CASA 的核心只有一行NPP APAR × ε。APAR 是植被冠层吸收的光合有效辐射ε 是光能利用率。前者由太阳辐射和 FPAR 决定后者由温度、水分和植被类型共同压制。插件做的全部工作就是按月把这两项在像元上乘起来再累加成年的总量。看起来简单但 APAR 和 ε 各自还挂着两三个中间变量任何一个中间变量的单位错了整幅图都会错而且错得不明显。2.1 三组输入与它们的时间分辨率插件的输入分成气象、植被、辐射三组缺一不可。它们的空间分辨率不一定要相同但时间分辨率必须严格对齐模型是按月循环的如果 NDVI 是生长季最大值合成、气象是月值那 7 月的 NDVI 应该配 7 月的气温和降水不能拿年最大值去配 12 个月的均值。输入常见格式时间分辨率量纲与取值范围在模型里的用途NDVIGeoTIFF / ENVI 栅格月最大值合成-11或 Int16 缩放 10000计算 FPAR土地利用GeoTIFF / ENVI 栅格年年内不变整型编码查 εmax 和 NDVI 上下限月均气温GeoTIFF / ENVI 栅格月摄氏度温度胁迫因子月降水量GeoTIFF / ENVI 栅格月毫米水分胁迫因子月太阳辐射GeoTIFF / ENVI 栅格月MJ/(m²·d)计算 APARFPAR 的算法有 NDVI 和 SR 两条路径插件一般走 NDVI 那条FPAR (NDVI − NDVI_min) / (NDVI_max − NDVI_min)结果截断在 00.95 之间这里的 NDVI_min 和 NDVI_max 不是全局常数而是按植被类型分别给的。水体、裸地、建设用地的 FPAR 应当被压到接近 0森林的 NDVI_max 可以取到 0.9 以上草地可能只有 0.7。如果图省事给了一个全局的 0.95草地区域的 FPAR 会被系统性高估NPP 也就跟着虚高。这也是为什么插件要求同时输入土地利用图而不只是 NDVI。APAR 那一侧APAR SOL × FPAR × 0.5SOL 是月平均日太阳辐射单位 MJ/(m²·d)0.5 是光合有效辐射PAR占短波总辐射的比例业内基本都取这个经验值。注意这个 0.5 是乘在日辐射上的如果输入的是月总辐射得先除以当月天数换成日均值否则 7 月和 2 月会差出 3 倍多。2.2 光能利用率 ε 的两个胁迫因子εmax 是理想条件下的最大光能利用率单位是 gC/MJ。实际值要被温度和水分各压一次ε Tε1 × Tε2 × Wε × εmax温度胁迫分两项。Tε1 描述的是“温度偏离最适温度时效率下降”Tε2 描述的是“低温和高温两端同时压制”Tε1 0.8 0.02 × Topt − 0.0005 × Topt² Tε2 1.1814 / [(1 e^(0.2 × (Topt − 10 − T))) × (1 e^(0.3 × (−Topt − 10 T)))]T 是当月平均气温Topt 是该像元的最适温度。Topt 的取法各家不一样常见做法是把该像元全年 NDVI 达到最大值那个月的平均气温当作 Topt也有的直接用生长季平均气温。插件一般会有一个“最适温度计算方式”的选项选哪个会影响结果尤其在高原和北方交错带两种取法能差出 10% 以上。水分胁迫 Wε 0.5 0.5 × E/EpE 是实际蒸散Ep 是潜在蒸散。真正的蒸散需要更多参数插件里通常用简化的降水驱动方案近似或者用 Thornthwaite 方法从月均温估算潜在蒸散。这也是这套模型在国内应用时争议最大的一块干旱区降水少但地下水补给强的地段纯降水驱动算出来的 Wε 会偏低NPP 被低估。提示如果研究区跨越多个气候带不要用全图统一的最适温度让插件按像元自己算或者先用分区统计把研究区拆成几块分别跑。2.3 量纲对齐从 MJ/m² 到 gC/(m²·a)这是最容易出现问题、也最容易被忽略的一环。整条链路的量纲必须自洽SOLMJ/(m²·d)FPAR无量纲00.95APARMJ/(m²·d)εgC/MJ月 NPPAPAR × ε × 当月天数单位 gC/(m²·月)年 NPP12 个月累加单位 gC/(m²·a)常见的三处错位把太阳辐射填成 W/m²差 11.57 倍1 W/m² ≈ 0.0864 MJ/(m²·d)把气温填成开尔文温度胁迫因子直接算崩把降水填成米而不是毫米Wε 几乎恒为 0.5全图 NPP 被压平。这三种错误在结果图上都不会报错只是数值整体偏移肉眼看不出来必须靠统计值判断。一个自检的笨办法跑完之后看全图 NPP 的均值和中位数。中国北方草地一般在 200400 gC/(m²·a)华北农田 400700南方常绿阔叶林 9001500。如果算出来的均值是 3 或者 30000先别怀疑模型回去查量纲。3. ENVI 插件部署与第一次跑通拿到压缩包到出第一幅图中间的步骤不多但每一步都有失败的可能。下面按实际操作顺序走一遍中间夹着几个能省时间的自检脚本。3.1 把 .sav 挂到 Extensions 菜单ENVI 的插件机制很老派把编译好的 .sav 文件扔进安装目录下的extensions文件夹重启 ENVI菜单栏的 Extensions 下面就会多出一项。整个过程不需要编译也不需要在 IDL 里写一行代码。# 解压后先看清目录结构别急着复制 unzip 植被NPP程序V2.0.zip -d npp_v2 find npp_v2 -maxdepth 2 -type f | sort# 典型的目录长这样 # npp_v2/npp_v2.sav 主程序 # npp_v2/param/emax.txt 光能利用率查找表 # npp_v2/param/vi_type.txt 植被类型编码映射 # npp_v2/sample/ 示例数据如果有 # 复制到 ENVI 的 extensions 目录路径按自己的安装位置改 ENVI_EXT/usr/local/envigis5/extensions # Windows 下类似 C:\Program Files\NV5\ENVI5x\extensions cp npp_v2/npp_v2.sav $ENVI_EXT/ ls -l $ENVI_EXT | grep npp复制完重启 ENVIExtensions 菜单里出现条目就算挂载成功。如果没出现八成是两个原因.sav 的编译版本比当前 ENVI 自带的 IDL 虚拟机新低版本加载不了高版本的 .sav或者路径里带了中文和空格。老版本 IDL 对中文路径的处理很容易出错把整个 ENVI 装在一个纯英文路径下能省掉后面很多问题。参数文件emax.txt、vi_type.txt不要一起扔进 extensions留在解压目录里运行时在对话框里指定绝对路径。改参数时直接改这两个文本文件比在对话框里一个个填省事也比改完再重新打包安全。3.2 输入数据先对齐一套 rasterio 自检脚本插件对输入栅格的容忍度很低行列数、投影、像元大小三者必须完全一致否则要么直接报错要么算出一幅错位的图。跑之前用一段脚本把五个输入全过一遍比在 ENVI 里逐个点开看快得多。import rasterio ref_path ndvi_2020_07.tif # 以 NDVI 网格为基准 ref rasterio.open(ref_path) def check(path, ref): with rasterio.open(path) as ds: same (ds.crs ref.crs) and (ds.transform ref.transform) print(f{path}) print(f crs{ds.crs} size{ds.width}x{ds.height} res{ds.res}) print(f nodata{ds.nodata} dtype{ds.dtypes[0]} 与基准一致{same}) return same for p in [lucc_2020.tif, temp_07.tif, prec_07.tif, srad_07.tif]: check(p, ref)transform相等意味着原点、像元大小、行列数全部吻合这比单独比 width/height 更严格。如果打印出一堆与基准一致False别急着上插件先统一网格from rasterio.warp import reproject, Resampling import numpy as np def align(src_path, ref_path, dst_path, methodResampling.bilinear): with rasterio.open(ref_path) as ref: meta ref.meta.copy() dst np.full((ref.height, ref.width), ref.nodata or -9999, dtypefloat32) with rasterio.open(src_path) as src: reproject( sourcerasterio.band(src, 1), destinationdst, src_transformsrc.transform, src_crssrc.crs, dst_transformref.transform, dst_crsref.crs, resamplingmethod, # 连续量用 bilinear dst_nodataref.nodata or -9999, ) meta.update(dtypefloat32, count1, nodataref.nodata or -9999) with rasterio.open(dst_path, w, **meta) as out: out.write(dst.astype(float32), 1) print(written:, dst_path) # 连续量气温、降水、辐射、NDVI 用双线性 align(temp_07_raw.tif, ref_path, temp_07.tif, Resampling.bilinear) # 分类量土地利用必须用最近邻否则会插出并不存在的类型码 align(lucc_raw.tif, ref_path, lucc_2020.tif, Resampling.nearest)重采样方法的选择很容易出错。土地利用图如果用双线性插值会在类型交界处产生3.47这种并不存在的编码插件查 εmax 表时查不到对应项要么报错要么按默认值处理整片过渡带的 NPP 都是错的。连续量反过来用最近邻会让气温图出现明显的块状台阶。3.3 按插件界面顺序填参数挂载成功、数据对齐之后打开 Extensions 下的菜单项对话框里一般按这个顺序填界面项填什么容易填错的地方NDVI 文件月最大值合成后的单月 NDVI填了年最大值全年 12 个月共用一张土地利用文件与 NDVI 同网格的分类栅格编码体系和参数表不匹配气温 / 降水 / 辐射按月排列的序列或多波段文件月份顺序颠倒1 月配了 12 月时间范围起止年月与气象数据的实际月份数不一致NDVI 上下限按植被类型的分位数填了全局常数εmax 查找表参数文件的绝对路径路径含中文输出目录纯英文路径预留足够空间输出到系统盘跑到一半写满月份顺序是最隐蔽的一个坑。多波段文件默认从第 1 波段开始按月递增但如果数据是倒序排列的有些再分析产品从最新月份往前存插件不会提醒你只会安静地把 1 月的辐射配给 7 月的 NDVI出来的图看起来“有纹理、有梯度”实际上完全对不上。跑之前用gdalinfo看一眼波段的元数据里有没有月份标注没有的话自己数一遍。首次运行建议先裁一块 500×500 像元的小区域试跑。整幅图跑一次动辄几十分钟参数填错就白等小区域几分钟出结果看一眼统计值合不合理再放全图。4. 参数表怎么改εmax、NDVI 上下限与气象数据插件默认带的参数表是通用值直接拿来跑特定区域结果大概率偏离文献。参数表里两个文件最需要动手emax.txt和vi_type.txt。4.1 εmax 查找表与土地利用编码的一一对应CASA 原始文献给的最大光能利用率是一组按生物群区划分的值国内应用时通常按中国植被分类做一版映射。一个常见的取值表植被类型εmax (gC/MJ)说明常绿阔叶林0.985高值水热条件最好落叶阔叶林0.692常绿针叶林0.389低温、干旱限制明显落叶针叶林0.485针阔混交林0.475灌丛0.429草地0.542农田0.542可再按作物类型细分建设用地0.542多数做法直接给 0 更合理裸地 / 水体0不参与生产这张表不是万能值。同一个“草地”内蒙古典型草原和青藏高寒草甸的最优 εmax 能差一倍。有条件的话用通量塔实测 GPP 反推或者用本区域的文献值替换比照抄通用表靠谱。编码错位是这一块最常见的事故。土地利用产品五花八门有的用 16 的 IGBP 分类有的用 124 的 CNLUCC 二级分类插件参数表可能按 118 写。编码对不上时插件有两种表现查不到就跳过该类型区域 NPP 全为 0或者取默认值整片区域 NPP 一样。两种都很隐蔽。下面这段重分类脚本能把任意编码体系映射到参数表期望的编码import numpy as np import rasterio # 源产品编码 - 参数表期望编码按自己的数据填 mapping { 1: 1, 2: 1, # 常绿针叶林、常绿阔叶林 - 1 3: 2, 4: 2, # 落叶针叶林、落叶阔叶林 - 2 5: 3, # 混交林 - 3 6: 4, 7: 4, # 灌丛 - 4 8: 5, 9: 5, # 草地 - 5 10: 6, 11: 6, 12: 6, # 农田 - 6 13: 7, # 建设用地 - 7 } with rasterio.open(lucc_2020.tif) as src: lucc src.read(1) meta src.meta.copy() out np.zeros_like(lucc, dtypeuint8) for k, v in mapping.items(): out[lucc k] v # 没映射到的编码统计一下往往是类别漏了 unmapped set(np.unique(lucc)) - set(mapping.keys()) print(未映射编码:, sorted(unmapped)) meta.update(dtypeuint8, nodata0) with rasterio.open(lucc_reclass.tif, w, **meta) as dst: dst.write(out, 1)未映射编码那行打印很关键。漏掉一个类别对应区域就是 NPP 0图上看是几块空白很容易被当成“无数据”忽略过去。4.2 NDVI 上下限按植被类型统计而不是拍脑袋NDVI_max 决定 FPAR 的上限。直接取全图最大值会被云残留和异常像元带偏一个 0.98 的噪声点就能让整类植被的 FPAR 被压低。稳妥的做法是按土地利用类型分组取 95 分位数。import numpy as np import rasterio ndvi rasterio.open(ndvi_2020_07.tif).read(1).astype(float32) lucc rasterio.open(lucc_reclass.tif).read(1) # 如果 NDVI 是 Int16 缩放存储先还原 if ndvi.max() 2: ndvi ndvi / 10000.0 ndvi[ndvi -1] np.nan ndvi[ndvi 1] np.nan for t in np.unique(lucc): if t 0: continue vals ndvi[lucc t] vals vals[np.isfinite(vals)] if vals.size 100: continue print(f类型 {t:2} 有效像元 {vals.size:8} fP5{np.percentile(vals, 5):.3f} fP95{np.percentile(vals, 95):.3f})输出的 P5 和 P95 直接填进参数表的 NDVI_min / NDVI_max。vals.size 100那个判断是防止小类别比如零星水体统计量不稳定。NDVI 缩放那一段也要留意如果数据是 010000 的 Int16不除 10000 的话FPAR 的公式会因为 NDVI 远大于 NDVI_max 而被截断到 0.95全图 FPAR 一片 0.95看起来“正常”实际上植被差异全丢了。4.3 气象数据的月合成与缺测处理气象栅格通常是站点插值来的插值方法和边界处理直接影响 NPP 的空间格局。常见做法是用 ANUSPLIN 或克里金把站点插到目标网格插值前先做高程订正气温随高程递减不做订正的话山区气温会偏高 25 ℃温度胁迫因子整体偏移。缺测是另一件事。月降水在西部干旱区经常整月无记录插值后出现大片的常数区。如果直接送进模型那片区域的 Wε 会常年不变NPP 图上表现为一块边缘生硬的平台。处理办法有两个用相邻月份插补或者用多年同月均值替代后者在时间序列分析里更稳。辐射数据国内比较难拿。常见做法是用日照时数配合 Angström 公式估算或者直接用再分析产品的短波辐射。再分析产品的空间分辨率通常很粗0.1°0.5°插到 30 m 网格上会显得非常平滑NDVI 的细节和辐射的平滑度不匹配结果图上会出现“NDVI 的纹理 辐射的梯度”这种混合质感属于正常现象不是算错了。5. 避坑与排查五条把 NPP 跑成 0 的经验下面这几条都是实际跑图时遇到过的按“现象 → 原因 → 解决”写对着排查能省不少时间。5.1 数据层面的三个问题问题一全图 NPP 恒等于 0或者只剩几个孤立的亮点。现象是输出栅格统计出来均值 0.00最大值倒是有几百。原因是土地利用编码和参数表对不上绝大部分像元的 εmax 查不到插件按 0 处理。解决方法是把重分类脚本里那行未映射编码的打印结果看清楚逐个补进 mapping补完再跑一次均值应该立刻回到合理区间。如果补完还是 0检查参数文件的分隔符——Tab 和空格混用的文本表很多解析器会整行读失败。问题二图像边缘有一圈异常高值或者沿海区域出现巨大的负值。现象是 NPP 图边框上一圈数值是内部的几十倍。原因是输入的 NDVI 或气象数据用了 -9999 作填充值但插件没读到 nodata 标记把这 -9999 当真实值送进了运算负的 NDVI 经过截断后变成 0 或异常值而气温的 -9999 让温度胁迫因子算出极端结果。解决方法是在送入插件前显式设置 nodata并把填充值区域掩成 NaNimport numpy as np import rasterio with rasterio.open(temp_07.tif) as src: arr src.read(1).astype(float32) meta src.meta.copy() arr[arr -999] np.nan # 顺带把明显的异常值也清掉 meta.update(nodatanp.nan, dtypefloat32) with rasterio.open(temp_07_clean.tif, w, **meta) as dst: dst.write(arr, 1)问题三插件报“行列数不一致”但明明已经重采样过了。现象是五个文件用 QGIS 打开看着完全重合插件仍然拒绝运行。原因是重采样只统一了范围和像元大小没统一transform的原点——差半个像元也算不一致。解决办法是回到 3.2 那段自检脚本看与基准一致那一列全部为 True 再往下走。另外ENVI 格式.img/.dat和 GeoTIFF 混用时ENVI 的 BIP/BIL/BSQ 存储顺序有时会让插件读错波段统一转成 BSQ 的 GeoTIFF 最省事。5.2 环境与参数层面的两个问题问题四Extensions 菜单里根本没有出现插件项。现象是 .sav 明明复制进 extensions 目录了菜单栏毫无变化。原因是 .sav 的编译版本高于当前 ENVI 内置的 IDL 虚拟机版本加载时被静默跳过日志里可能只有一行提示。解决方法是换用与插件同时代的 ENVI 版本或者用 IDL 命令行手动resolve_routine试加载一次看报什么错。另一个常见诱因是安装路径带中文或空格IDL 的路径解析在这块一直不稳定把 ENVI 装到D:\env5x这种纯英文短路径下能规避掉一大半玄学问题。问题五NPP 数值整体偏小 10 倍左右但空间格局看着完全正常。现象是图的样子很对山区高平原低跟 NDVI 分布一致就是数值只有文献值的十分之一。原因是太阳辐射的单位填成了 W/m²而模型期望 MJ/(m²·d)。两者的换算系数是 0.0864正好差 11.57 倍跟观测到的偏差量级吻合。解决办法是在送入插件前统一换算import rasterio import numpy as np # W/m² - MJ/(m²·d) with rasterio.open(srad_07_w.tif) as src: arr src.read(1).astype(float32) meta src.meta.copy() arr arr * 0.0864 meta.update(dtypefloat32) with rasterio.open(srad_07_mj.tif, w, **meta) as dst: dst.write(arr, 1) print(换算后均值 MJ/(m2·d):, np.nanmean(arr))换算完顺手打印个均值全球平均日辐射在 1220 MJ/(m²·d) 量级中国大部分地区夏季 1525、冬季 512。如果打印出来是 0.2 或者 200说明原始数据的单位还不是 W/m²得回去查数据说明。注意五条问题里有四条都能靠“先跑小区域 打印统计值”提前发现。养成跑全图前先看一眼均值和分位数的习惯比事后返工划算。6. 结果如何验证拿 MOD17A3 做抽样对比与批量化的两个技巧出图不等于可信。最省事的验证办法是拿现成的 NPP 产品做交叉比对MODIS 的 MOD17A3 年 NPP 产品1 km是最常用的参照。两者模型不同、分辨率差 30 倍不可能完全吻合但相关系数和偏差带能告诉你结果有没有系统性跑偏。6.1 抽样对比算相关系数与偏差带思路是把插件输出的 NPP 聚合到 1 km 网格取均值再和 MOD17A3 在同样的像元上配对剔除水体、建设用地和云污染像元后算相关。import numpy as np import rasterio from rasterio.warp import reproject, Resampling # 把 30m 的 NPP 聚合到 MODIS 的 1km 网格上 with rasterio.open(mod17a3_2020.tif) as ref: dst np.full((ref.height, ref.width), np.nan, dtypefloat32) with rasterio.open(npp_2020.tif) as src: reproject( sourcerasterio.band(src, 1), destinationdst, src_transformsrc.transform, src_crssrc.crs, dst_transformref.transform, dst_crsref.crs, resamplingResampling.average, # 聚合用均值 dst_nodatanp.nan, ) modis ref.read(1).astype(float32) modis[modis 0] np.nan mask np.isfinite(dst) np.isfinite(modis) (dst 0) (modis 0) x, y dst[mask], modis[mask] print(f配对像元 {x.size}) print(f相关系数 r {np.corrcoef(x, y)[0,1]:.3f}) print(f偏差 bias {np.mean(x - y):.1f} RMSE {np.sqrt(np.mean((x-y)**2)):.1f}) # 分位数对比比均值更能看出系统性偏移 for q in (10, 50, 90): print(fP{q}: 插件{np.percentile(x,q):.0f} MODIS{np.percentile(y,q):.0f})Resampling.average这一步是关键聚合必须取均值而不是最近邻否则 30 m 里恰好抽到哪个像元全凭运气相关系数会莫名其妙地低。分位数对比比均值有用如果插件结果的 P90 明显低于 MODIS 的 P90说明高值区森林被压低了回去查 εmax 是不是用了一刀切的通用值如果 P10 偏高多半是水体、裸地掩膜没做干净。r 在 0.60.8 之间属于正常范围两套模型的结构差异摆在那里。r 低于 0.4 就别调参数了先回去查输入数据的月份顺序和量纲。bias 的方向也有信息量插件系统性偏低 30% 以上优先怀疑水分胁迫因子的简化方案在干旱区过于保守。6.2 多年批量把参数模板和命名固定下来做时间序列时一年一年点对话框是不现实的。真正省时间的做法不是找批处理接口而是把“参数模板 命名规则”固定下来每年一个目录里面五个输入的命名完全一致只是年份不同这样批量跑的时候只需要改目录名。for y in $(seq 2000 2020); do d/data/npp/${y} [ -d $d ] || continue echo ${y} # 每年都要重新做一遍对齐和掩膜别偷懒复用上一年的 python align_check.py --dir $d # 参数文件按年份复制一份跑完保留出问题能回溯 cp /data/npp/param/emax.txt ${d}/emax_${y}.txt done年份目录的命名统一之后参数文件也按年份留档这样某一年结果明显异常时能直接比对该年的参数和输入而不是靠记忆回想当时填了什么。我一般还会在每年目录下放一个run.log记下当月用了哪个气象数据源、NDVI 是哪版合成、εmax 表改没改几年之后回头看这几行字比任何文档都管用。跑批次的时候还有一个隐形陷阱磁盘空间。30 m 分辨率、全国范围的年 NPP 单幅 float32 大约 58 GB跑 20 年就是一百多 GB加上中间过程文件很容易把这个分区容量占满。输出目录单独挂一块盘跑之前用df -h看一眼剩余空间比跑一半崩掉再重来强。从那以后我每次用这套插件跑新区域都强制先走一遍三件事对齐自检脚本、NDVI 缩放检查、小区域试跑看统计值。这三步加起来十分钟能挡掉后面百分之八十的返工。V2.0 的压缩包和配套的参数表我放在下载区了按需取用先拿示例数据跑通一遍再换自己的图。希望帮到你。本文还有配套的精品资源点击获取