优化NDVI阈值划分的方法与Google Earth Engine（GEE）中的where函数

最新推荐文章于 2024-06-02 14:39:59 发布

IxtProgramming

最新推荐文章于 2024-06-02 14:39:59 发布

阅读量239

点赞数

文章标签： GEE

本文链接：https://blog.csdn.net/IxtProgramming/article/details/133332184

版权

GEE 专栏收录该内容

75 篇文章 20 订阅 ¥59.90 ¥99.00

订阅专栏

本文介绍了如何在Google Earth Engine (GEE) 中利用where函数优化NDVI阈值划分，通过示例代码展示了如何获取NDVI数据、设置阈值并进行可视化，以便更好地分析植被生长状况。

摘要由CSDN通过智能技术生成

NDVI（Normalized Difference Vegetation Index）是一种常用的遥感指数，用于评估植被的生长状况和覆盖程度。在Google Earth Engine（GEE）平台上，使用where函数可以有效地划分NDVI阈值，使其更符合研究需求。本文将介绍如何利用where函数来合理划分NDVI阈值，并提供相应的源代码示例。

首先，我们需要获取NDVI数据。在GEE中，我们可以使用遥感影像数据来计算NDVI。以下是获取Landsat 8影像数据并计算NDVI的示例代码：

// 选择影像数据
var image = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR')
  .

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

IxtProgramming

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

Google Earth Engine ——利用where来合理划分NDVI阈值

此星光明博客

11-13

2157

重要的是，如果命令不是在 Google 的服务器上计算的，JavaScript 会在运行您的代码时产生严重的问题——实际上，服务器会尝试将所有要执行的信息发送到您自己计算机的浏览器上，而对于如此庞大的浏览器来说，它的设备非常不足任务。如果我们想查看地图的哪些区域有植被，我们可以使用阈值将每个像素中的 NDVI 值概括为“无植被” ”或“植被”。gt 方法来自布尔运算符系列——也就是说，gt 是一个函数，它在每个像素中执行测试，如果测试结果为 true，则返回值 1，否则返回 0。where（测试，值）

Google Earth Engine（GEE）——分别用NDVI和NDWI进行阈值设定从而进行土地类型的划分！

此星光明博客

08-13

3117

这里唯一要解释的函数就是这个： updateMask(mask) 说白了就是将不满足你条件的东西去掉，留下满足你要求的影像进行输出，输出图像保留输入图像的元数据和足迹。 Updates an image's mask at all positions where the existing mask is not zero. The output image retains the metadata and footprint of the input image. Arguments: this

参与评论您还未登录，请先登录后发表或查看评论

GEE学习之简单阈值分割

qq_50291870的博客

03-13

2013

GEE做简单的阈值分类并统计土地类型面积

Arcgis中使用NDVI阈值法提取农田shape

学习历程记录和分享

03-29

1543

首先有一幅NDVI影像TIFF，对其查看农田上的NDVI范围，大概是0.1以上，因为是12月份，小麦播种完1-2个月，此时NDVI并不是很高，但是树林基本叶子掉落了，所以比较好提取农田。打开地图代数-栅格计算器，用0.1的阈值法来筛选农田。打开按属性提取，提取其中为1的像元。要素转出为shape。得到了shape文件。

GEE随记（一）：利用NDVI和NDWI阈值提取区域裸土用地类型

weixin_48012947的博客

08-09

6583

利用NDVI和NDWI阈值提取区域裸土用地类型

图像处理：自动阈值选取算法

我本飘零客我乘风雨来人间只小住岁久自离开

02-10

786

循环分割算法和最大类间方差法的matlab代码实现自动阈值选取！

Google Earth Engine（GEE）—— VCT 算法案例

此星光明博客

12-27

1006

参见：Huang, C.、Goward, S.N.、Masek, J.G.、Thomas, N.、Zhu, Z. 和 Vogelmann, J.E.，2010。输出行包含：输入年份、VCT 土地覆盖遮罩、UD 复合术语的量级、B4 中的干扰量级、NDVI 中的干扰量级、dNBR 中的干扰量级。从中提取 VCT 干扰的集合，包含波段：B3、B4、B5、B7、热、NDVI、DNBR 和 COMP。植被变化追踪器，一种使用密集的 Landsat 时间序列堆栈重建近期森林干扰历史的自动化方法。

GEE：应用遥感影像时空插值技术的实践（插值填补去云空洞）

养乐多的博客

04-11

8374

本文介绍了几个GEE平台中处理遥感数据中的缺失值代码片段，这些代码可以用于时间序列线性插值，提供更加连续和完整的时间序列。第一段代码是一个线性插值函数，它能够在一个时间序列图像集合中对缺失数据进行插值。该函数使用了 GEE 平台中的图像集合操作函数和图像合成函数，并采用了线性插值方法对缺失值进行处理，最后返回一个插值后的图像集合。第二段代码是一个掩模替换函数，它的作用是将原始影像中的某些值（如缺失值）用一个新值替换。

GEE：栅格计算（GoogleEarthEngine平台）

养乐多的博客

04-01

1万+

ArcGIS中常用到的栅格计算器公式 https://blog.csdn.net/ccnucb/article/details/81010308 在GEE中怎么对影像进行栅格计算呢？我们可以用.where()和.clamp() 具体语法可以参考https://zhuanlan.zhihu.com/p/76343298 这里抽取他的例子。 var DEM = ee.Image("USGS/SRTMGL1_003"); var Land_Cover = ee.Image("ESA/GLOBCOVER_L4_

ENVI掩膜特定值范围，提取植被范围

weixin_45452300的博客

03-18

1万+

先打开计算的NDVI图（也可以是其他的LAI等）在工具里搜索mask，选择build mask 选中影像，OK 选择options，import data range选择影像选择值域范围，我的是0.35-0.7，我的NDVI最大就是0.7，我需要0.35以上的值然后选择choose把文件命名为TIFF文件得到mask文件，此时选择的区域为白色选择apply mask 确定后...

QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布（3）-NDVI阈值

QGISClass的博客

04-13

4424

本文继续介绍使用QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布，本文为教程的第三部分：NDVI阈值选择和冬小麦种植面积提取。所使用的示范数据下载地址为：链接: https://pan.baidu.com/s/1GI32ipvabbgu0Ic2Q-dhdg 提取码: 1nqx 01NDVI阈值提取2019年裸地查找阈值的过程需要将原始影像进行RGB波段合成。点击按钮打开SCP窗口，切换到，点击2019年10月影像所在的Bandset，如“Band set 1”...

使用Landsat的NDVI和NDWI阈值法土地分类

学习历程记录和分享

06-02

331

创建一个包含多个层的影像合成：水体（NDWI > 0.5），植被（NDVI > 0.2），阴影区域的裸地（bare2但不包括bare1），和其他裸地（bare1）。然后，使用mosaic()方法合并这些层，并用clip(hh)方法裁剪到研究区域的范围。

ENVI植被指数阈值法

学习历程记录和分享

12-04

2678

首先用ENVI打开无人机遥感影像。

NDVI 数据处理，及估算植被覆盖度（一）

最新发布

11-03

pytz库的主要功能时区转换：pytz库允许用户将时间从一个时区转换到另一个时区，这对于处理跨国业务或需要处理多地时间的数据分析尤为重要。历史时区数据支持：pytz库不仅提供了当前的时区数据，还包含了历史上不同时期的时区信息，这使得它在处理历史数据时具有无与伦比的优势。夏令时处理：pytz库能够自动处理夏令时的变化，当获取某个时区的时间时，它会自动考虑是否处于夏令时期间。与datetime模块集成：pytz库可以与Python标准库中的datetime模块一起使用，以确保在涉及不同时区的场景中时间的准确性。

VB程序实例-禁用IE[查看]菜单下[工具栏]中的子菜单.zip

11-03

VB程序实例，可供参考学习使用，希望对你有所帮助

在Google Earth Engine(GEE)上获取逐日NDVI的代码

05-26

以下是使用Google Earth Engine获取逐日NDVI的代码示例： ```javascript // 设置ROI var roi = ee.Geometry.Rectangle([xmin, ymin, xmax, ymax]); // 设置起始和结束日期 var startDate = ee.Date('2019-01-01'); var endDate = ee.Date('2019-12-31'); // 加载MODIS数据 var modis = ee.ImageCollection('MODIS/006/MOD13A1') .filterBounds(roi) .filterDate(startDate, endDate) .select('NDVI'); // 定义函数计算每个图像的年份和日数 var addDate = function(image) { var doy = image.date().getRelative('day', 'year'); return image.addBands(doy).addBands(image.date().get('year')); }; // 对图像集应用函数 var modisWithDate = modis.map(addDate); // 定义函数计算每个年份和日数的平均NDVI值 var reduceDaily = function(imageCollection, year, doy) { var filtered = imageCollection.filter(ee.Filter.calendarRange(year, year, 'year')) .filter(ee.Filter.calendarRange(doy, doy, 'day_of_year')); return filtered.mean().set('year', year).set('doy', doy); }; // 创建一个二维数组，其中第一维表示年份，第二维表示一年中的日数 var years = ee.List.sequence(startDate.get('year'), endDate.get('year')); var days = ee.List.sequence(1, 365); // 对所有年份和日数应用reduceDaily函数 var dailyNDVI = ee.ImageCollection.fromImages(years.map(function(y){ return days.map(function(d){ return reduceDaily(modisWithDate, y, d); }); }).flatten()); // 打印输出结果 print(dailyNDVI); ``` 在上述代码中，首先定义了一个感兴趣区域（ROI），然后加载了2000年至今的MODIS NDVI数据，并对其进行了筛选。接着定义了两个函数，一个函数用于向每个图像添加年份和日数作为带宽，另一个函数用于计算每个年份和日数的平均NDVI值。最后，将所有年份和日数应用到reduceDaily函数中，生成逐日的NDVI值。