Google Earth Engine谷歌地球引擎计算多年中某两个时间点之间遥感数据差值的平均值

news2025/1/14 0:56:35

本文介绍在谷歌地球引擎GEE中，提取、计算某一种遥感影像产品在连续的多年中，2个不同时相的数据差值的多年平均值，并将计算得到的这一景差值的结果图像导出的方法。

本文是谷歌地球引擎（Google Earth Engine，GEE）系列教学文章的第十八篇，更多GEE文章请参考专栏：GEE学习与应用（https://blog.csdn.net/zhebushibiaoshifu/category_11081040.html）。

首先，我们来看一下本文需要实现的需求。现在我们希望计算某一个地区中，在2013年到2020年的这8年中，第257天与249天的这2个时间节点上，NDVI数据的差值的平均值；换句话说，我们希望在2013年到2020年的这8年中，计算每一年里第257天与249天的NDVI数据的差值（也就是获得了8个差值），然后对这8个差值计算平均值，最终得到一景结果栅格图像。随后，我们还希望将这一景结果图像导出到本地。

知道了需求，我们即可开始代码的撰写。本文需要用到的代码如下。

var ndvi = ee.ImageCollection("MODIS/MYD09GA_006_NDVI")
  .filterDate('2013-01-01', '2023-01-01')
  .select(["NDVI"]);
  
var filterByDay = function(date) {
  var start = ee.Date(date).advance(249, 'day');
  var end = start.advance(1, 'day');
  return ndvi.filterDate(start, end).mosaic();
};
var filterByDay_2 = function(date) {
  var start = ee.Date(date).advance(257, 'day');
  var end = start.advance(1, 'day');
  return ndvi.filterDate(start, end).mosaic();
};

var images = ee.List.sequence(2013, 2020)
  .map(function(year) {
    var date = ee.Date.fromYMD(year, 1, 1);
    return filterByDay(date);
  });
var images_2 = ee.List.sequence(2013, 2020)
  .map(function(year) {
    var date = ee.Date.fromYMD(year, 1, 1);
    return filterByDay_2(date);
  });

var result = ee.ImageCollection.fromImages(images);
var result_2 = ee.ImageCollection.fromImages(images_2);

// var chinaBoundary = ee.Geometry.Rectangle(73, 8, 136, 54);
var chinaBoundary = ee.Geometry.Rectangle(97, 26, 109, 35);

var ndvi_china = result.map(function(image) {
  return image.clip(chinaBoundary);
});
var ndvi_china_2 = result_2.map(function(image) {
  return image.clip(chinaBoundary);
});

var ndvi_history = ndvi_china.reduce(ee.Reducer.mean());
var ndvi_history_2 = ndvi_china_2.reduce(ee.Reducer.mean());

var ndvi_dif_history = ndvi_history_2.subtract(ndvi_history);

Map.addLayer(ndvi_dif_history, {}, 'NDVI_History');
Map.centerObject(ndvi_dif_history, 2);

var exportParams = {
  image: ndvi_dif_history,
  description: 'ndvi_dif_history',
  scale: 500,
  region: chinaBoundary,
  maxPixels: 10000000000000
};

Export.image.toDrive(exportParams);

上述代码的具体含义如下。

首先，加载MODIS/MYD09GA_006_NDVI产品，也就是MODIS的NDVI产品；随后，使用.filterDate()方法筛选出日期范围为2013-01-01到2023-01-01的图像（本文只需要计算2013年到2020年的这8年数据，所以这里的截止时间设置为2020-12-31之后的任意时间均可），并使用.select(["NDVI"])方法仅选择NDVI波段。

随后，var filterByDay = function(date) { ... };和var filterByDay_2 = function(date) { ... };这两个函数分别定义了2个不同天数（第257天与249天）的不同的筛选方式。filterByDay函数通过将日期向后推移249天来获取每年的第249天的NDVI图像，而filterByDay_2函数通过将日期向后推移257天来获取每年的第257天的NDVI图像。

其次，var images = ee.List.sequence(2013, 2020).map(function(year) { ... });等两个部分使用ee.List.sequence() 函数生成从2013年到2020年的年份序列，随后通过.map()方法对每个年份应用相应的函数。images变量包含了每年的第249天的的NDVI图像，而images_2变量包含了每年的第257天的NDVI图像。这个函数和前面的函数相结合，就可以提取出从2013年到2020年中每一年的第257天与249天的数据。

接下来，var result = ee.ImageCollection.fromImages(images);等两行代码将images和images_2转换为ee.ImageCollection对象，以便进行后续的图像处理；var ndvi_china = result.map(function(image) { ... });等两个部分使用.map()方法对result和result_2中的每个图像应用函数，即将图像裁剪为我们需要的边界范围内的区域。

随后，var ndvi_history = ndvi_china.reduce(ee.Reducer.mean());等两行代码对ndvi_china和ndvi_china_2中的图像集合应用ee.Reducer.mean()函数进行降维，计算每个像素点在时间范围内的平均的NDVI图像值，也就是获得了2013年到2020年的这8年中，第257天与249天的这2个时间节点上，NDVI数据各自的平均值。随后的这行代码，就是计算ndvi_history_2和ndvi_history之间的差异，相当于就是获得了NDVI数据平均值的差值。

接下来的两行代码，则将ndvi_dif_history图像添加到地图中，并将地图中心设置为该视图的范围。

最后，var exportParams = { ... };和Export.image.toDrive(exportParams);这两段代码为设置导出参数，并使用Export.image.toDrive()将ndvi_dif_history图像导出到Google Drive中。之后，我们就可以到Google Drive中下载这一景导出的数据了。

执行上述代码，如下图所示。首先可以在下方的地图中看到我们计算得到的结果图像，其次可以在右侧看到Tasks中生成的任务。