GEE19：基于Landsat8的常见的植被指数逐年获取

2023-10-18 21:36
文章标签 常见 获取 植被指数 gee19 landsat8 逐年

本文主要是介绍GEE19：基于Landsat8的常见的植被指数逐年获取，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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

这篇关于GEE19：基于Landsat8的常见的植被指数逐年获取的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/235271。

相关文章

Android Environment 获取的路径问题

Android Environment 获取的路径问题

1. 以获取 /System 路径为例 /*** Return root of the "system" partition holding the core Android OS.* Always present and mounted read-only.*/public static @NonNull File getRootDirectory() {return DIR_ANDR
阅读更多...
JVM 常见异常及内存诊断

JVM 常见异常及内存诊断

栈内存溢出 栈内存大小设置：-Xss size 默认除了window以外的所有操作系统默认情况大小为 1MB，window 的默认大小依赖于虚拟机内存。 栈帧过多导致栈内存溢出 下述示例代码，由于递归深度没有限制且没有设置出口，每次方法的调用都会产生一个栈帧导致了创建的栈帧过多，而导致内存溢出(StackOverflowError)。 示例代码： 运行结果： 栈帧过大导致栈内存
阅读更多...
模拟实现vector中的常见接口

模拟实现vector中的常见接口

insert void insert(iterator pos, const T& x){if (_finish == _endofstorage){int n = pos - _start;size_t newcapacity = capacity() == 0 ? 2 : capacity() * 2;reserve(newcapacity);pos = _start + n;//防止迭代
阅读更多...
JS和jQuery获取节点的兄弟，父级，子级元素

JS和jQuery获取节点的兄弟，父级，子级元素

原文转自http://blog.csdn.net/duanshuyong/article/details/7562423 先说一下JS的获取方法，其要比JQUERY的方法麻烦很多，后面以JQUERY的方法作对比。 JS的方法会比JQUERY麻烦很多，主要则是因为FF浏览器，FF浏览器会把你的换行也当最DOM元素。 <div id="test"><div></div><div></div
阅读更多...
【Kubernetes】常见面试题汇总（三）

【Kubernetes】常见面试题汇总（三）

目录 9.简述 Kubernetes 的缺点或当前的不足之处？ 10.简述 Kubernetes 相关基础概念？ 9.简述 Kubernetes 的缺点或当前的不足之处？ Kubernetes 当前存在的缺点（不足）如下： ① 安装过程和配置相对困难复杂； ② 管理服务相对繁琐； ③ 运行和编译需要很多时间； ④ 它比其他替代品更昂贵； ⑤ 对于简单的应用程序来说，可能不
阅读更多...
【附答案】C/C++ 最常见50道面试题

【附答案】C/C++ 最常见50道面试题

文章目录 面试题 1：深入探讨变量的声明与定义的区别面试题 2：编写比较“零值”的`if`语句面试题 3：深入理解`sizeof`与`strlen`的差异面试题 4：解析C与C++中`static`关键字的不同用途面试题 5：比较C语言的`malloc`与C++的`new`面试题 6：实现一个“标准”的`MIN`宏面试题 7：指针是否可以是`volatile`面试题 8：探讨`a`和`&a`
阅读更多...
vcpkg子包路径批量获取

vcpkg子包路径批量获取

获取vcpkg 子包的路径，并拼接为set(CMAKE_PREFIX_PATH “拼接路径” ) import osdef find_directories_with_subdirs(root_dir):# 构建根目录下的 "packages" 文件夹路径root_packages_dir = os.path.join(root_dir, "packages")# 如果 "packages"
阅读更多...
Weex入门教程之4，获取当前全局环境变量和配置信息(屏幕高度、宽度等)

Weex入门教程之4，获取当前全局环境变量和配置信息(屏幕高度、宽度等)

$getConfig() 获取当前全局环境变量和配置信息。 Returns: config (object): 配置对象；bundleUrl (string): bundle 的 url；debug (boolean): 是否是调试模式；env (object): 环境对象； weexVersion (string): Weex sdk 版本；appName (string): 应用名字；
阅读更多...
常见的服务器

常见的服务器

常见的Web服务器 1、Tomcat：Tomcat和Java结合得最好，是Oracle官方推荐的JSP服务器。Tomcat是开源的Web服务器，经过长时间的发展，性能、稳定性等方面都非常优秀。 2、Jetty：另一个优秀的Web服务器。Jetty有个更大的优点是，Jetty可作为一个嵌入式服务器，即：如果在应用中加入Jetty的JAR文件，应用可在代码中对外提供Web服务。 3、Resin:
阅读更多...
MFC中App,Doc,MainFrame,View各指针的互相获取

MFC中App,Doc,MainFrame,View各指针的互相获取

纸上得来终觉浅，为了熟悉获取方法，我建了个SDI。 首先说明这四个类的执行顺序是App->Doc->Main->View 另外添加CDialog类获得各个指针的方法。 多文档的获取有点小区别，有时间也总结一下。 //  App void CSDIApp::OnApp() {      //  App      //  Doc     CDocument *pD
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2