R语言——AVOCADO“(异常植被变化检测)算法(1990-2015数据分析)监测森林干扰和再生(含GEE影像下载代码)

本文主要是介绍R语言——AVOCADO“(异常植被变化检测)算法(1990-2015数据分析)监测森林干扰和再生(含GEE影像下载代码),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!

 "AVOCADO"(异常植被变化检测)算法

AVOCADO"(异常植被变化检测)算法是一种连续的植被变化检测方法,也能捕捉植被再生。该算法基于 R 软件包 "npphen"(Chavez 等人,2017 年),开发用于监测物候变化,并经过调整,以半自动和连续的方式监测森林干扰和再生。该算法使用所有可用数据,不需要某些预处理步骤,如去除异常值。参考植被(本例中为未受干扰的森林)取自附近已知在整个时间序列中未受干扰的像素,因此无需留出部分时间序列作为历史基线。通过在 AVOCADO 中使用完整的时间序列,可以对植被变化做出更可靠的预测,同时提高我们处理数据缺口的能力。该算法考虑了年度物候的自然变异性(利用核拟合的灵活性),因此适用于监测季节性强的地区(如干旱生态系统)和渐变/微小变化的地区(如退化)。

"AVOCADO"(异常植被变化检测)算法是一种用于检测植被变化的算法。这个算法主要用于遥感图像的处理,通过比较不同时间点的图像来识别和定位植被变化的区域。

该算法的核心思想是将植被的变化视为异常值,并使用统计学方法来检测和分类这些异常值。具体而言,AVOCADO算法使用了聚类分析和假设检验的技术,对图像中的像素进行分类和比较。

首先,AVOCADO算法将两个不同时间点的图像分别转换为灰度图像。然后,使用聚类分析将像素分为不同的类别,类别之间的差异被认为是植被变化的指标。

接下来,AVOCADO算法使用假设检验来确定哪些类别的差异是统计显著的。通过比较类别之间的均值和方差,算法能够确定哪些区域的植被发生了显著变化。

最后,AVOCADO算法将检测到的变化区域标记出来,并生成一个变化图像,以便进一步分析和应用。

总的来说,AVOCADO算法是一种有效的植被变化检测方法,可以在遥感图像中准确地识别和定位植被变化的区域。它可以在农业、环境监测和城市规划等领域中得到广泛应用。

步骤

步骤 1:安装所需软件包


软件包可通过 github 获取,并可通过 "远程 "安装:

library(remotes) 
install_github('MDecuy/AVOCADO')  
#load library
library(AVOCADO) 

 

请注意,关于 AVOCADO 算法所有参数的解释可在 github 文档中找到。

其他需要的软件包:rgdal、raster、npphen、bfastSpatial、RColorBrewer、rts、lubridate

GitHub - MDecuy/AVOCADO: Monitoring vegetation change in a continuous way 

步骤 2:下载卫星数据


目前有多种卫星来源和数据下载方式,如地球探索者或谷歌地球引擎平台。有关如何在谷歌地球引擎指南平台上下载各种卫星数据的信息很多,但在此我们提供了一个 Landsat Collection 2 Level 2 数据的小型示例脚本。

第一步是上传您感兴趣区域(AOI)的形状文件。这可以在 "资产 "选项卡下完成,一旦上传,您就可以将目录(见 "表 ID")添加到下面的脚本中(在 "var input_polygon "下)。

 GEE代码:

//Downloading Landsat data via the Google Earth Engine (GEE) platform.// Paste this code into your GEE script page// Specify the location of the before uploaded shapefile in your assets
var input_polygon = 'users/yourusername/ AOI';
// Export folder in your google drive
var input_export_folder = 'FolderName_You_Created_in_Your_GoogleDrive_Account';
// Start and end dates
var input_StartStr = ee.String('1990-01-01');
var input_FinishStr = ee.String('2015-01-01');
/* available indices: NDVI (ndvi_ind), NBR (nbr_ind), EVI (evi_ind), SAVI (savi_ind), tasseled cap 
brightness (Tcap_bri_ind), tasseled cap greenness (Tcap_gre_ind), tasseled cap wetness (Tcap_wet_ind)
Specify the vegetation indices you are interested in by marking it as TRUE, or if not as FALSE. 
In this example we use NDMI.*/
var ndvi_ind = ['FALSE'];
var ndmi_ind = ['TRUE'];
var nbr_ind = ['FALSE'];
var evi_ind = ['FALSE'];
var savi_ind = ['FALSE'];
var Tcap_bri_ind = ['FALSE'];
var Tcap_gre_ind = ['FALSE'];
var Tcap_wet_ind = ['FALSE'];
///
// END of input variables./* The following lines can be left default, unless you want 
to change e.g. the cloud cover percentage.*/
///
// Buffer to download around the above area, use 0 for no buffer
var input_buffer = 0;
// Convert text string dates to date tpe
var Start = ee.Date(input_StartStr);
var Finish = ee.Date(input_FinishStr);
// Create a feature collection out of the fustion table id
var Polygon = ee.FeatureCollection(ee.String(input_polygon));
// Buffer the area of interest
var PolygonBuffer = input_buffer === 0 ? Polygon.first().geometry() : Polygon.first().geometry().buffer(input_buffer);
Map.addLayer(PolygonBuffer,null,'Buffer');
Map.centerObject(PolygonBuffer);
// Standard names to rename the bands regardless of collection
var selected_bands = ['blue','green','red','nir','swir','swir2','QA_PIXEL'];// Applies scaling factors.
var applyScaleFactors = function (image) {var opticalBands = image.select('SR_.*').multiply(0.0000275).add(-0.2);return image.addBands(opticalBands, null, true);
};// Merge the 3 collections, select, and rename the bands to standard names
var Collection = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2').map(applyScaleFactors).select(['SR_B1','SR_B2','SR_B3','SR_B4','SR_B5','S

这篇关于R语言——AVOCADO“(异常植被变化检测)算法(1990-2015数据分析)监测森林干扰和再生(含GEE影像下载代码)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/631910

相关文章

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖(即BeanA依赖BeanB,而BeanB又依赖BeanA),会导致Spring的... 目录1. 什么是循环依赖?2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1:使用 @La

使用C#代码在PDF文档中添加、删除和替换图片

《使用C#代码在PDF文档中添加、删除和替换图片》在当今数字化文档处理场景中,动态操作PDF文档中的图像已成为企业级应用开发的核心需求之一,本文将介绍如何在.NET平台使用C#代码在PDF文档中添加、... 目录引言用C#添加图片到PDF文档用C#删除PDF文档中的图片用C#替换PDF文档中的图片引言在当

C#使用SQLite进行大数据量高效处理的代码示例

《C#使用SQLite进行大数据量高效处理的代码示例》在软件开发中,高效处理大数据量是一个常见且具有挑战性的任务,SQLite因其零配置、嵌入式、跨平台的特性,成为许多开发者的首选数据库,本文将深入探... 目录前言准备工作数据实体核心技术批量插入:从乌龟到猎豹的蜕变分页查询:加载百万数据异步处理:拒绝界面

Java实现文件图片的预览和下载功能

《Java实现文件图片的预览和下载功能》这篇文章主要为大家详细介绍了如何使用Java实现文件图片的预览和下载功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... Java实现文件(图片)的预览和下载 @ApiOperation("访问文件") @GetMapping("

用js控制视频播放进度基本示例代码

《用js控制视频播放进度基本示例代码》写前端的时候,很多的时候是需要支持要网页视频播放的功能,下面这篇文章主要给大家介绍了关于用js控制视频播放进度的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言html部分:JavaScript部分:注意:总结前言在javascript中控制视频播放

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

java之Objects.nonNull用法代码解读

《java之Objects.nonNull用法代码解读》:本文主要介绍java之Objects.nonNull用法代码,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐... 目录Java之Objects.nonwww.chinasem.cnNull用法代码Objects.nonN

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Java异常架构Exception(异常)详解

《Java异常架构Exception(异常)详解》:本文主要介绍Java异常架构Exception(异常),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1. Exception 类的概述Exception的分类2. 受检异常(Checked Exception)