GEE19：基于Landsat8的常见的植被指数逐年获取

news2024/11/15 17:46:17

植被指数逐年获取

  • 1. 常见的植被指数
    • 1.1 比值植被指数（Ratio vegetation index，RVI）
    • 1.2 归一化植被指数（Normalized Difference Vegetation Index，NDVI）
    • 1.3 增强植被指数（Enhanced Vegetation Index，EVI）
    • 1.4 土壤调节植被指数（Soil Adjusted Vegetation Index，SAVI）
    • 1.5 差值植被指数（Difference Vegetation Index，DVI）
    • 1.6 计算公式
  • 2. GEE code
  • 3. 参考

1. 常见的植被指数

1.1 比值植被指数（Ratio vegetation index，RVI）

  RVI值的范围：0-30+，一般绿色植被区的范围是2-8，无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。
  RVI是绿色植物的敏感参数，可以及时反映出作物 LAI 的变化。植被覆盖度影响 RVI，当植被覆盖度较高时，RVI 对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低。

1.2 归一化植被指数（Normalized Difference Vegetation Index，NDVI）

  NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件相关辐射照度变化的影响，常用于研究植被生长状态及覆盖度。
  NDVI在LAI值很高，即植被茂密时其灵敏度会降低。负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；值的范围是 -1 ~ 1，一般绿色植被区的范围是0.2 ~ 0.8。

1.3 增强植被指数（Enhanced Vegetation Index，EVI）

  EVI 加入蓝色波段以增强植被信号，矫正土壤背景和气溶胶散射的影响。EVI常用于LAI值高，即植被茂密区。值的范围是-1~1，一般绿色植被区的范围时0.2 ~ 0.8

1.4 土壤调节植被指数（Soil Adjusted Vegetation Index，SAVI）

  目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。 L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。

1.5 差值植被指数（Difference Vegetation Index，DVI）

  DVI对土壤背景的变化较 RVI 敏感，植被覆盖度高时，对植被的敏感度有所下降，适宜于冬小麦初期的植被覆盖研究。

1.6 计算公式

在这里插入图片描述
在这里插入图片描述

2. GEE code

  获取多种植被主要通过USGS Landsat 8 Level 2, Collection 2, Tier 1提取，数据如下：
在这里插入图片描述

var table = ee.FeatureCollection("users/cduthes1991/boundry/China_province_2019")
              .filter(ee.Filter.eq('provinces','beijing'));
var roi = table.geometry();
Map.addLayer(roi, {'color':'blue'}, 'StudyArea');
Map.centerObject(roi, 6);

var year_name = 2014;
var start_date = (year_name) + '-01-01';
var end_date   = (year_name + 1) + '-01-01';
var cloudCover = 20

//****************************************************************************************************
//****************************************************************************************************
// indices
function DVI(img) {
 var red = img.select("red");
 var nir = img.select("nir");
 var dvi = img.expression(
   "(nir - red)",
   {
     "red": red,
     "nir": nir
   }
 );
 return dvi;
}

function RVI(img) {
 var nir = img.select("nir");
 var red = img.select("red");
 var rvi = img.expression(
   "(nir/red)",
   {
     "nir": nir,
     "red": red
   }
 );
 return rvi;
}

function NDVI(img) {
 var nir = img.select("nir");
 var red = img.select("red");
 var ndvi = img.expression(
   "(nir - red)/(nir + red)",
   {
     "nir": nir,
     "red": red
   }
 );
 return ndvi;
}

function EVI(img) {
 var nir = img.select("nir");
 var red = img.select("red");
 var blue = img.select("blue");
 var evi = img.expression(
   "2.5 * (nir - red)/(nir + 6 * red - 7.5 * blue + 1)",
   {
     "nir": nir,
     "red": red,
     "blue": blue
   }
 );
 return evi;
}

function SAVI(img) {
 var nir = img.select("nir");
 var red = img.select("red");
 var savi = img.expression(
   "1.5 * (nir - red)/(nir + red + 0.5)",
   {
     "nir": nir,
     "red": red
   }
 );
 return savi;
}

// cloud
function bandRenameL8(image) {
  var blue = image.select(['SR_B2']).rename('blue');
  var green = image.select(['SR_B3']).rename('green');
  var red = image.select(['SR_B4']).rename('red');
  var nir = image.select(['SR_B5']).rename('nir');
  var swir1 = image.select(['SR_B6']).rename('swir1');
  var swir2 = image.select(['SR_B7']).rename('swir2');
  var new_image = blue.addBands([green, red, nir, swir1, swir2]);
  return new_image;
}

function applyScaleFactorsL8(image) {
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);
  return image.addBands(opticalBands, null, true)
              .addBands(thermalBands, null, true);
}

function cloudmaskL8(image) {
  // Bits 3 and 5 are cloud shadow and cloud, respectively.
  var cloudShadowBitMask = (1 << 4);
  var cloudsBitMask = (1 << 3);
  // Get the pixel QA band.
  var qa = image.select('QA_PIXEL');
  // Both flags should be set to zero, indicating clear conditions.
  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
                 .and(qa.bitwiseAnd(cloudsBitMask).eq(0));
  return image.updateMask(mask);
}


//****************************************************************************************************
//****************************************************************************************************
for(var i = year_name; i <= 2016; i++){
// get image collection
var l8_col = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL8)
                  .map(cloudmaskL8)
                  .map(bandRenameL8);
print('landsat8', l8_col.size())

// combine, mean and calculate
var image = l8_col
print("final image count", l8_col.size(), l8_col)
var final_image = image.mean().clip(roi);
print(final_image) // 6 bands(red,blue,green,nir...)
var image_dvi= DVI(final_image)
var image_rvi = RVI(final_image)
var image_ndvi= NDVI(final_image)
var image_evi= EVI(final_image)
var image_savi= SAVI(final_image)

Map.addLayer(final_image, {bands: ["red", "green", "blue"], min:0.0, max:0.25}, "image")

var ndwi_palettes = ["ffffff","#f9f9f9","#d8fdf4","#7dd5e9","3d7ede","243ad4","#1c00b8", "#250081"];
var ndvi_palettes = ["#e700d5", "#e60000", "#e69f00", "#dfe200", "#7ebe00", "#00a10c", "#008110"];

//Map.addLayer(image_dvi.clip(roi), {min:-1, max:1, palette:ndwi_palettes}, "dvi");
//Map.addLayer(image_rvi.clip(roi), {min:0, max:30, palette:ndwi_palettes}, "rvi");
Map.addLayer(image_ndvi.clip(roi), {min:-0.3, max:1, palette:ndvi_palettes}, "ndvi");
//Map.addLayer(image_evi.clip(roi), {min:-0.3, max:1, palette:ndwi_palettes}, "ndwi");
Map.addLayer(image_savi.clip(roi), {min:-0.3, max:1, palette:ndwi_palettes}, "savi");

// export to drive
Export.image.toDrive(
  {
    image: image_dvi.clip(roi),
    folder: "LUCC",
    description: "image_dvi" + i,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })
Export.image.toDrive(
  {
    image: image_rvi.clip(roi),
    folder: "LUCC",
    description: "image_rvi" + i,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })
Export.image.toDrive(
  {
    image: image_ndvi.clip(roi),
    folder: "LUCC",
    description: "image_ndvi" + i,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })
Export.image.toDrive(
  {
    image: image_evi.clip(roi),
    folder: "LUCC",
    description: "image_evi" + i,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })
Export.image.toDrive(
  {
    image: image_savi.clip(roi),
    folder: "LUCC",
    description: "image_savi" + i,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })
}

研究区：

在这里插入图片描述

NDVI:

在这里插入图片描述
SAVISAVI:

3. 参考

  • 光谱植被指数与水稻叶面积指数相关性的研究

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1107044.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

nuxt3+ts：集成 百度-爱番番 客服

nuxt3+ts：集成 百度-爱番番 客服

一、本文目标 nuxt3 ts 集成百度爱番番&#xff08;客服&#xff09; 百度爱番番—企业的一站式智能营销管家 二、百度爱番番客服能力 三、爱番番后台基础配置 3.1、设置中心 登录后点右上角设置中心 3.2、沟通与触达 -- > 站点设置 -- > 新建站点 填写信息 3.3、获…
阅读更多...
jQuery的使用,下载以及一些小案例

jQuery的使用,下载以及一些小案例

24.jQuery的使用 1.官网地址 https://jquery.com/ 版本&#xff1a; ●1X:兼容E678等低版本浏览器&#xff0c;官网不再更新 ●2x:不兼容IE678等低版本浏览器&#xff0c;官网不再更新 ●3x:不兼容E678等低版本浏览器&#xff0c;是官方主要更新维护的版本 2 jQuery的使用步…
阅读更多...
【MySQL】面试题

【MySQL】面试题

引言 &#xff1a;MySQL面试题及答案 【最新版】 目录 1、NOW&#xff08;&#xff09;和CURRENT_DATE&#xff08;&#xff09;有什么区别&#xff1f;2、CHAR和VARCHAR的区别&#xff1f;3、主键索引与唯一索引的区别4、MySQL中有哪些不同的表格&#xff1f;5、SQL的生命周期…
阅读更多...
优化大型机床装配调度：项目管理软件的应用方法

优化大型机床装配调度：项目管理软件的应用方法

最近&#xff0c;Zoho Projects项目管理软件的一位资深客户&#xff0c;跟我们分享了他是如何把Projects应用于大型机床装配的复杂调度。小Z觉得特别有必要&#xff0c;把各行各业的成功应用和实践经验发布出来。在取得这位资深用户同意后&#xff0c;我们推出了本篇文章&#…
阅读更多...
NIO IN：技术蔚来的首次「大阅兵」

NIO IN：技术蔚来的首次「大阅兵」

宝山&#xff0c;上海第一钢铁厂旧址。 上周&#xff0c;蔚来在这里点亮金色炉台&#xff0c;2500 立方米高炉&#xff0c;浓重的工业气质与古典凝重的光影交织&#xff0c;蔚来 NIO IN 用科技的进步呼应那个火红的年代。 这是蔚来第一次开科技发布会&#xff0c;为了全方位展…
阅读更多...
【Leetcode每日一题 2530】「贪心｜模拟｜优先队列」执行K次操作后的最大分数

【Leetcode每日一题 2530】「贪心｜模拟｜优先队列」执行K次操作后的最大分数

2023.10.18 本题重点&#xff1a; 1.优先队列的使用 2.ceil()函数的使用相同的还有floor()函数的使用 题目介绍&#xff1b; 给你一个下标从 0 开始的整数数组 nums 和一个整数 k 。你的 起始分数 为 0 。 在一步 操作 中&#xff1a; 选出一个满足 0 < i < nums.l…
阅读更多...
latex：使用中文字体

latex：使用中文字体

解决方案 我这里使用的是gbsn&#xff08;其他的字体我不知道&#xff0c;如果有补充请评价&#xff09;&#xff0c;详细说明如下&#xff1a;
阅读更多...
vscode调试container（进行rocksdb调试）+vscode比较git项目不同分支和fork的哪个分支

vscode调试container（进行rocksdb调试）+vscode比较git项目不同分支和fork的哪个分支

vscode调试container&#xff08;进行rocksdb调试&#xff09; 参考链接&#xff1a; https://blog.csdn.net/qq_29809823/article/details/128445308#t5 https://blog.csdn.net/qq_29809823/article/details/121978762#t7 使用vscode中的插件dev containners->点击左侧的…
阅读更多...
【算法练习Day22】 组合总和组合总和 II分割回文串

【算法练习Day22】 组合总和组合总和 II分割回文串

​&#x1f4dd;个人主页&#xff1a;Sherry的成长之路 &#x1f3e0;学习社区&#xff1a;Sherry的成长之路&#xff08;个人社区&#xff09; &#x1f4d6;专栏链接&#xff1a;练题 &#x1f3af;长路漫漫浩浩&#xff0c;万事皆有期待 文章目录 组合总和组合总和 II分割回…
阅读更多...
多继承vs查看类结构

多继承vs查看类结构

多继承里面的虚函数 类A有两个虚函数&#xff0c;类B重写了其中一个&#xff0c;类C重写了两个&#xff1b; 类C里面可以重写所有继承到的虚函数&#xff08;类A、类B里面的虚函数&#xff09; class A { public:virtual void init() { std::cout << "A init !&qu…
阅读更多...
uniapp collapse动态生成多个折叠面板手动展开收起（包括uni-ui版）

uniapp collapse动态生成多个折叠面板手动展开收起（包括uni-ui版）

前言 官方文档没有暴露出相关api&#xff0c;那就看看组件源码。 以下示例均通过 vue-cli 创建的 uni-app h5 项目 uView&#xff08;1.x&#xff09;版本 源码 node_modules\uview-ui\components\u-collapse-item\u-collapse-item.vue 这个方法是用来改变折叠面板子组件收起还…
阅读更多...
Jmeter接口测试 —— jmeter对图片验证码的处理

Jmeter接口测试 —— jmeter对图片验证码的处理

jmeter对图片验证码的处理 在web端的登录接口经常会有图片验证码的输入&#xff0c;而且每次登录时图片验证码都是随机的&#xff1b;当通过jmeter做接口登录的时候要对图片验证码进行识别出图片中的字段&#xff0c;然后再登录接口中使用&#xff1b; 通过jmeter对图片验证码…
阅读更多...
亲,手撸图文博文太累了?试试这个神器!

亲,手撸图文博文太累了?试试这个神器!

这一篇博客有关如何使用[InternLM-XComposer]来写图文并茂的博文。InternLM-XComposer是一个基于人工智能的创作工具&#xff0c;它可以根据你的输入生成不同类型的内容&#xff0c;例如文章、诗歌、歌词、代码等。你可以使用它来创作有趣和有创意的博客&#xff0c;同时也可以…
阅读更多...
【MySQL】数据库——表操作

【MySQL】数据库——表操作

文章目录 1. 创建表2. 查看表3. 修改表修改表名add ——增加modify——修改drop——删除修改列名称 4. 删除表 1. 创建表 语法&#xff1a; create table 表名字 ( 列名称 列类型 ) charset set 字符集 collate 校验规则 engine 存储引擎 ; charset set字符集 &#xff0c;若…
阅读更多...
Unity SRP 管线【第二讲：Draw Call】

Unity SRP 管线【第二讲：Draw Call】

参考&#xff1a; https://edu.uwa4d.com/lesson-detail/282/1309/0?isPreview0 文章目录 参考&#xff1a;一、Shader1.HLSL引入2.获取Unity提供的标准输入3.Unity提供的运算库SpaceTransform库的宏对应补充&#xff1a; 4.标准库Common.hlsl5.SpaceTransforms库引入Commo…
阅读更多...
Flutter视图原理之三棵树的建立过程

Flutter视图原理之三棵树的建立过程

目录 三棵树的关系树的构建过程1.updateChild函数&#xff08;element的复用&#xff09;2.inflateWidget函数3.mount函数3.1 componentElement的实现3.2 RenderObjectElement的实现3.2.1 attachRenderObject函数 4.performRebuild函数 总结三棵树创建流程 三棵树的关系 Flutt…
阅读更多...
【数组的使用续篇】

【数组的使用续篇】

文章目录 以数组的形式打印数组打印方法&#xff1a;Arrays.toString(数组名) 数组排序大小排序方法是 Arrays.sort(数组名) 创建一个自己的打印数组的方法自己创建一个冒泡排序两数之间交换方法 逆置数组打印核心思路还是 i 和 j 交换 总结 以数组的形式打印数组 打印方法&am…
阅读更多...
LeCun和Bengio“吵”起来了，人工智能是“潘多拉魔盒”吗？

LeCun和Bengio“吵”起来了，人工智能是“潘多拉魔盒”吗？

作者 | 谢年年 上周末&#xff0c;深度学习领域最有影响力的三巨头之二Yann LeCun和Yoshua Bengio就AI的潜在风险和安全问题引发了一场激烈辩论&#xff0c;人工智能是“潘多拉魔盒”吗&#xff1f;这场辩论引来众多AI知名人士围观。 LeCun在Facebook上发起了这场辩论&#xff…
阅读更多...
【Axure高保真原型】树筛选中继器表格

【Axure高保真原型】树筛选中继器表格

今天和大家分享树筛选中继器表格的原型模板&#xff0c;点的树节点的箭头可以展开或者收起子节点&#xff0c;点击节点内容&#xff0c;可以按照对应层级筛选右侧中继器表格的数据&#xff0c;那这个模板里的树和表格都是用中继器制作的&#xff0c;所以使用也很方便&#xff0…
阅读更多...
从零开始学习秒杀项目

从零开始学习秒杀项目

构思了很多种讲述这个简易版的秒杀项目的思路&#xff0c;比如按照功能分类&#xff0c;按照项目亮点串起来讲述&#xff0c;总觉得不适合基础薄弱的同学来学习&#xff0c;所以本项目按照从搭建开始&#xff0c;过程中需要什么来学习什么。 技术栈 SpringBootmybatisPlus&am…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023