The AVIRIS-NG hyperspectral data consists of continuous spectral bands with low bandwidth, Sentinel-2 multispectral image has less number of bands with higher bandwidth. Several studies are carried out to calculate the Normalized Difference Vegetative Index (NDVI) of hyperspectral data. The studies considered a single band in the red and NIR region of hyperspectral data. In this present study, NDVI analysis is carried out by taking the mean reflectance of red and NIR wavelength region bands of the AVIRIS image. To choose the bands, a methodology is devised for AVIRIS image by analyzing and evaluating the NDVI between AVIRIS and Sentinel-2 image. The AVIRIS data consists of 7 red bands and 22 NIR bands. Root Mean Square Error (RMSE) between NDVI of all the 154 combinations of AVIRIS image bands and Sentinel-2 image is calculated for each Land Use Land Cover (LULC). Three mean NDVI are evaluated such as (i) mean of all bands reflectance; (ii) mean of band reflectance higher than [Mean + Standard deviation] (iii) the mean of the band reflectance involved lower than [Mean-Standard deviation] are compared using RMSE and linear regression. The bands that contribute to lower RMSE values are chosen and separated into band sets. The distinct sets of NDVI on various classes are validated with the existing studies and the other field data to check the RMSE and correlation. The proposed statistical sets are performed better than the existing models on various classes of land use and land cover.

AVIRIS-NG 高光谱数据由低带宽的连续光谱带组成，Sentinel-2 多光谱图像的带数较少，带宽较高。进行了几项研究来计算高光谱数据的归一化差异植被指数 (NDVI)。这些研究考虑了高光谱数据的红色和 NIR 区域中的单个波段。在本研究中，NDVI 分析是通过获取 AVIRIS 图像的红色和 NIR 波长区域带的平均反射率来进行的。为了选择波段，通过分析和评估 AVIRIS 和 Sentinel-2 图像之间的 NDVI，为 AVIRIS 图像设计了一种方法。AVIRIS 数据由 7 个红色波段和 22 个 NIR 波段组成。AVIRIS 影像波段的所有 154 种组合与 Sentinel-2 影像的 NDVI 之间的均方根误差 (RMSE) 是针对每个土地利用土地覆盖 (LULC) 计算的。评估三个平均 NDVI，例如 (i) 所有波段反射率的平均值；(ii) 高于 [平均值 + 标准偏差] 的波段反射率平均值 (iii) 使用 RMSE 和线性回归比较涉及低于​​ [平均标准偏差] 的波段反射率平均值。选择有助于降低 RMSE 值的波段并将其分成波段集。使用现有研究和其他实地数据验证不同类别的 NDVI 组，以检查 RMSE 和相关性。建议的统计集在各类土地利用和土地覆盖方面的表现优于现有模型。评估三个平均 NDVI，例如 (i) 所有波段反射率的平均值；(ii) 高于 [平均值 + 标准偏差] 的波段反射率平均值 (iii) 使用 RMSE 和线性回归比较涉及低于​​ [平均标准偏差] 的波段反射率平均值。选择有助于降低 RMSE 值的波段并将其分成波段集。使用现有研究和其他实地数据验证不同类别的 NDVI 组，以检查 RMSE 和相关性。建议的统计集在各类土地利用和土地覆盖方面的表现优于现有模型。评估三个平均 NDVI，例如 (i) 所有波段反射率的平均值；(ii) 高于 [平均值 + 标准偏差] 的波段反射率平均值 (iii) 使用 RMSE 和线性回归比较涉及低于​​ [平均标准偏差] 的波段反射率平均值。选择有助于降低 RMSE 值的波段并将其分成波段集。使用现有研究和其他实地数据验证不同类别的 NDVI 组，以检查 RMSE 和相关性。建议的统计集在各类土地利用和土地覆盖方面的表现优于现有模型。选择有助于降低 RMSE 值的波段并将其分成波段集。使用现有研究和其他实地数据验证不同类别的 NDVI 组，以检查 RMSE 和相关性。建议的统计集在各类土地利用和土地覆盖方面的表现优于现有模型。选择有助于降低 RMSE 值的波段并将其分成波段集。使用现有研究和其他实地数据验证不同类别的 NDVI 组，以检查 RMSE 和相关性。建议的统计集在各类土地利用和土地覆盖方面的表现优于现有模型。