GEEer成长日记四:Landsat8_SR计算NDVI并时间序列分析

这篇具有很好参考价值的文章主要介绍了GEEer成长日记四:Landsat8_SR计算NDVI并时间序列分析。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

  前两次我们介绍了MODIS_NDVI和LANDSAT8_NDVI产品的时间序列,它们都是基于Landsat8_TOA影像制成的。实际工作中我们还需要通过LANDSAT8_SR影像进行NDVI时间序列分析,那么该怎么开展工作呢?本期我们就来介绍介绍。

  下一期我们将介绍Sentinel-2数据在时间序列方面的研究。


LANDSAT/LC08/C01/T1_SR (deprecated)

GEEer成长日记四:Landsat8_SR计算NDVI并时间序列分析

 如果想深入了解这两个数据集,可以登录:

Landsat Surface Reflectance | U.S. Geological Survey

  官方介绍:This dataset is the atmospherically corrected surface reflectance from the Landsat 8 OLI/TIRS sensors. These images contain 5 visible and near-infrared (VNIR) bands and 2 short-wave infrared (SWIR) bands processed to orthorectified surface reflectance, and two thermal infrared (TIR) bands processed to orthorectified brightness temperature

  These data have been atmospherically corrected using LaSRC and includes a cloud, shadow, water and snow mask produced using CFMASK, as well as a per-pixel saturation mask.

  Strips of collected data are packaged into overlapping "scenes" covering approximately 170km x 183km using a standardized reference grid.

  See also the USGS page on SR QA bands.

  SR can only be produced for Landsat assets processed to the L1TP level

  Data provider notes:

  • Although Surface Reflectance can be processed only from the Operational Land Imager (OLI) bands, SR requires combined OLI/Thermal Infrared Sensor (TIRS) product (LC8) input in order to generate the accompanying cloud mask. Therefore, OLI only (LO8), and TIRS only (LT8) data products cannot be calculated to SR.

  • SR is not run for a scene with a solar zenith angle greater than 76°.

  • Users are cautioned to avoid using SR for data acquired over high latitudes (> 65°).

  • The panchromatic band (ETM+ Band 7, OLI Band 8) is not processed to Surface Reflectance.

  • Efficacy of SR correction will be likely reduced in areas where atmospheric correction is affected by adverse conditions:

    • Hyper-arid or snow-covered regions

    • Low sun angle conditions

    • Coastal regions where land area is small relative to adjacent water

    • Areas with extensive cloud contamination

  This product is generated by Google using a Docker image supplied by USGS.

  分辨率:30m

  波段介绍:

GEEer成长日记四:Landsat8_SR计算NDVI并时间序列分析

  首先在计算NDVI之前,我们先了解几种NDVI计算的方式,感谢大佬的总结(https://blog.csdn.net/weixin_43360896/article/details/108344915)。我就直接搬用了。


//方法一:普通方式,通过将数学公式翻译为代码直接计算
function NDVI_V1(img) {
 var nir = img.select("B5");
 var red = img.select("B4");
 var ndvi = nir.subtract(red).divide(nir.add(red));
 return ndvi;
}

//方法二:将计算公式直接带入,通过解析字符串实现计算。这种方式更加灵活,在某些特殊情况下非常好用,而且非常直观。
//在这里多插一嘴,这个img.expression在复杂公式计算的时候,可谓真香!屡试不爽
function NDVI_V2(img) {
 var nir = img.select("B5");
 var red = img.select("B4");
 var ndvi = img.expression(
   "(B5 - B4)/(B5 + B4)",
   {
     "B5": nir,
     "B4": red
   });
 return ndvi;
}

//方法三:GEE将计算公式封装为一个方法可以直接调用
function NDVI_V3(img) {
 var ndvi = img.normalizedDifference(["B5","B4"]);
 return ndvi;
}

   好了,介绍完几种NDVI的计算方法后,我们使用第三种方法开始进行时间序列分析。


//还是老样子哈,以广东省2020年为目标
var geometry = ee.FeatureCollection('users/ZhengkunWang/guangdongsheng')
Map.centerObject(geometry,6)

var colorizedVis = {
  min: -0.8,
  max: 0.8,
  palette: ['blue', 'white', 'green'],
};
//去云的方法照搬就可以,想深入了解的同学可以去看看波段介绍
//cloud mask
function maskL8sr(image) {
  // Bits 3 and 5 are cloud shadow and cloud, respectively.
  var cloudShadowBitMask = (1 << 3);
  var cloudsBitMask = (1 << 5);
  // Get the pixel QA band.
  var qa = image.select('pixel_qa');
  // 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);
}

var col = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR')
.map(maskL8sr)
.filterDate('2020-01-01','2020-12-31')
.filterBounds(geometry)
.map(function(image){
  var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI');
  return image.addBands(ndvi)
})
.select('NDVI');

Map.addLayer(col.mean().clip(geometry), colorizedVis, 'col');

  结果如图:

GEEer成长日记四:Landsat8_SR计算NDVI并时间序列分析

print(ui.Chart.image.series(col, geometry, ee.Reducer.mean(), 500));

结果如图:

GEEer成长日记四:Landsat8_SR计算NDVI并时间序列分析

  其实看完时间序列,还是会发现,有好多异常值。对我们的研究来说肯定是不适用的。

  我们先研究研究它的变化趋势吧。


var landsat8trendline = Chart.image.series(col, geometry, ee.Reducer.mean(), 500);
landsat8trendline = landsat8trendline
    .setOptions({
        title: 'Landsat 8 SR NDVI',
        hAxis: {title: 'Date', gridlines: {count: 10}},
        vAxis: {title: 'NDVI',viewWindowMode: 'explicit', viewWindow: {max: 1,min: -0.25,},gridlines: {count: 5,}},
        interpolateNulls: true, 
        lineWidth: 1,
    pointSize: 1,
    trendlines: { 0: {title: 'NDVI_trend',type:'linear', showR2: true,  color:'red', visibleInLegend: true}}
    });
print(landsat8trendline)

GEEer成长日记四:Landsat8_SR计算NDVI并时间序列分析

  这次我们在趋势线分析的时候,还加入了趋势线的相关系数R2进行分析,虽然结果0.033,但是看起来还算可以。强行接受

  既然结果不太美观,我们在进行月平均分析一波吧。

var years = ee.List.sequence(2020, 2020);
var months = ee.List.sequence(1, 12);
var landsat8monthlymeanNDVI =  ee.ImageCollection.fromImages(
  years.map(function (y) {
    return months.map(function(m) {
    return col.filter(ee.Filter.calendarRange(y,y, 'year')).filter(ee.Filter.calendarRange(m, m, 'month')).mean().set('year', y).set('month', m).set('system:time_start', ee.Date.fromYMD(y, m, 1));
    });
  }).flatten()
);
print(ui.Chart.image.series(landsat8monthlymeanNDVI, geometry, ee.Reducer.mean(), 500));

GEEer成长日记四:Landsat8_SR计算NDVI并时间序列分析

   稍微平滑了一点点吧算是。再加入趋势线看看相关系数

var monthlymeantrendline = Chart.image.series(landsat8monthlymeanNDVI, geometry, ee.Reducer.mean(), 500);
monthlymeantrendline = monthlymeantrendline
    .setOptions({
        title: 'Landsat 8 SR NDVI',
        hAxis: {title: 'Date', gridlines: {count: 10}},
        vAxis: {title: 'NDVI',viewWindowMode: 'explicit', viewWindow: {max: 1,min: -0.25,},gridlines: {count: 5,}},
        interpolateNulls: true, 
        lineWidth: 1,
    pointSize: 1,
    trendlines: { 0: {title: 'NDVI_trend',type:'linear', showR2: true,  color:'red', visibleInLegend: true}}
    });
print(monthlymeantrendline)

GEEer成长日记四:Landsat8_SR计算NDVI并时间序列分析

   哈哈,相关系数翻了10倍。其实趋势没有变,只是月平均NDVI更加平滑罢了。不过月平均分析还是挺管用的。

更多精彩内容请关注:

 文章来源地址https://www.toymoban.com/news/detail-412936.html

 

到了这里,关于GEEer成长日记四:Landsat8_SR计算NDVI并时间序列分析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

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: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Google Earth Engine(GEE)合成长时序的月NDVI与LST

    今天来简单分享下如何在GEE 合成长时序的月NDVI与LST,并进行分析 目标: 利用MODIS为数据源,在GEE计算某一地区对 月NDVI与LST ,并制作统计图 以武汉市为研究区 GEE实现代码: 首先确定研究区和使用的数据集 确定起止时间和月份 合成NDVI和LST 合成月NDVI 同样的方法合成月LST

    2024年02月15日
    浏览(51)
  • Arcgis快速计算NDVI

    如何使用Arcgis像ENVI一样波段计算NDVI的值,事实上,Arcgis更快速一些。 首先准备好影像 打开窗口- 影像分析 点击左上角 点击确定 (发现自己使用的遥感影像不对劲,是计算好了的NDVI,然后下面的步骤中换了一张。)然后点击树叶按钮,生成NDVI

    2024年02月07日
    浏览(38)
  • (五)Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演

    所谓植被指数,就是利用多波段遥感图像的可见光波段以及近红外波段相组合,形成能够反映突出植被分布状况和强度的指数。植被指数的求解方法不唯一,定义的植被指数已经多达50多种。通过红波段以及近红外波段,可以有效的消除大气对植被指数的影响。 公式: NDVI=(

    2024年02月11日
    浏览(35)
  • 利用GEE计算遥感生态指数(WBEI)——Landsat 8为例

    基于GEE平台,实现顾及水效益的生态环境质量评价方法。 《Water Benefit-based Ecological Index for Urban Ecological Environment Quality Assessments》 论文链接:https://ieeexplore.ieee.org/document/9492814 运行结果: 代码如下(示例): 代码如下(示例): 代码如下(示例): 代码如下(示例): 代

    2024年02月12日
    浏览(36)
  • ENVI、ERDAS计算Landsat 7地表温度:单窗算法实现

    本文介绍基于 ENVI 与 ERDAS 软件,对 Landsat 7 遥感影像数据加以 单窗算法 的地表温度( LST )反演操作。 目录 1 原理部分与前期操作准备 1.1 图像预处理 1.2 植被指数反演 1.3 单窗算法原理 2 实际操作部分 2.1 数据导入与辐射定标 2.2 波段合成 2.3 编辑头文件 2.4 转换文件数据格式

    2024年02月15日
    浏览(41)
  • 【GEE】基于GEE-Landsat8数据集地表温度反演(LST热度计算)

            老样子,最近在做生态方面的项目,然后需要分析城市的热岛效应,想了想还是用GEE计算比较简单,直接下载影像太麻烦了。所以在网上看看了资料,踩了踩坑终于是将代码写出来了。秉承着取之于民、用之于民的想法,今天给大家分享一下如何使用GEE的Landsat8数据

    2024年02月05日
    浏览(40)
  • 云计算时代,观测产品Sunfire的成长史

    在企业数字化转型的浪潮中,核心业务的上云和迁云无疑是转型过程的重中之重,企业对于数字安全性及等保合规层面的需求也日益强烈,混合云成为诸多大型政府企业客户上云迁云的首选方案。随着企业云上业务的复杂化,云上云下技术栈的多样化,以及云上运维组织规模

    2023年04月09日
    浏览(46)
  • Cloudflare — 从美国农村到硅谷独角兽,云计算新贵的成长秘籍

    DNS 服务:奠定可靠访问的基石 Cloudflare 通过快速、稳定的域名解析服务,确保了网站的访问速度和可靠性。同时,强大的 DDoS 防护措施保障了服务的高可用性和持续性。 🚨 注意:SSL/TLS 设置为 Flexible 并不安全,在 Cloudflare 到源站之间仍存在中间人攻击的风险。如果你的服务器开启

    2024年04月16日
    浏览(62)
  • 金山办公和金山软件是同一家公司?复盘金山办公成长史 | 云计算

    文 | 科技周竖人 欢迎关注同名公众号 本文主要回答以下几个问题:金山办公这些年都在做些什么,如何成为了国内为数不多的较纯的云计算SaaS上市公司?金山软件和金山办公到底是不是一家公司?这两家公司到底什么关系?金山和雷军的关系是什么? 金山办公的发展史可以

    2024年02月05日
    浏览(50)
  • Arcgis Pro NDVI(植被指数)导出RGB

    在arcgis中计算的NDVI栅格数据,取值范围为-1到1,直接导出JPG或者PNG,会出现导出错误的问题:      导出出错, 设置导出格式为TIFF,然后选中使用渲染器,勾选强制RGB颜色,即可导出你选择的色带NDVI数据,然后再导出为JPG就可以了。  

    2024年02月15日
    浏览(30)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包