基于GEE平台的植被覆盖度（FVC）像元二分法计算

最新推荐文章于 2025-02-12 11:04:35 发布

doll ～CJ

最新推荐文章于 2025-02-12 11:04:35 发布

阅读量8.3k

点赞数 13

分类专栏：数字图像处理文章标签： FVC-GEE

本文链接：https://blog.csdn.net/Jcb1906824038/article/details/130339183

版权

数字图像处理专栏收录该内容

11 篇文章

订阅专栏

文章介绍了植被覆盖度（FVC）的概念及其重要性，讲解了像元二分模型用于计算FVC的基本原理，并提供了基于GoogleEarthEngine的遥感影像处理代码，包括去除云层影响、计算NDVI和FVC的步骤。同时，文章提到了在处理过程中遇到的像素数超限和空间分辨率不一致问题及相应的解决策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、植被覆盖度计算方法

植被覆盖度FVC（Fractional Vegetation Cover）定义为单位面积内绿色植被冠层垂直投影面积所占比例。FVC是衡量地表植被状况的重要指标之一，也是区域生态系统环境变化的重要指示，对水文、生态、区域变化等都具有重要意义。

像元二分模型主要对规则、均匀、单一的像元进行植被覆盖度提取。其原理是判定一个单位像元由植被与非植被两部分组成，而遥感影像中光谱波段组合由这两个组成部分权重线性合成，各因子的权重等于总像元中所占的比例，总像元中植被权重的集合与植被覆盖度具有很强的相关性。

基于遥感影像得到的全部像元信息S由地表植被覆盖信息Sveg和地表土壤覆盖信息Ssoil两部分组成，公式：

S = Sveg + Ssoil

该像元单位中植被覆盖的像元比例大小公式：

Sveg = fc × Sveg（端元）

式中，fc表示在此遥感影像的一个像元中地表植被覆盖信息所占的比例大小。

该单位像元中非植被覆盖度信息公式：

Ssoil = （1-fc）× Ssoil（端元）

式中，1-fc表示单位像元中的非植被覆盖信息比例。

S = fc×Sveg + (1-fc)×Ssoil

即有像元二分模型中的植被覆盖度（FVC）公式：

FVC = （S - Ssoil） / （Sveg - Ssoil）

通常，像元二分法的植被覆盖度提取会基于NDVI数据计算，即NDVI代替S，公式：

FVC = （NDVI - NDVIsoil） / （NDVIseg - NDVIsoil）

通常情况下，NDVIsoil取值与NDVI累计5%值最接近，NDVIveg取值与NDVI累计95%值最接近。不同区域针对不同植被状况可适当调整置信区间。

二、FVC计算代码

// import Puer SHP
var roi = ee.FeatureCollection("users/chuanbaojiangpr/puer_merge");
Map.centerObject(roi,10);
// Area Display
var style ={color:"red",fillColor:"00000000"};
Map.addLayer(roi.style(style),{},"geometry");

// remove cirrus cloud shadow and cloud
function maskS2clouds(image)
{
  var qa  =image.select("QA60");
  var cloudBitMask = 1<<10;
  var cirrusBitMask = 1<<11;
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0).and(qa.bitwiseAnd(cirrusBitMask).eq(0));
  return image.updateMask(mask).divide(10000);
}
// S2 SR_data
var startTime = "2018-11-01";
var endTime = "2019-04-30";
var S2 = ee.ImageCollection("COPERNICUS/S2_SR")
           .filterDate(startTime,endTime)
           .filterBounds(roi)
           .filter(ee.Filter.lt("CLOUDY_PIXEL_PERCENTAGE",10))
           .map(maskS2clouds)
           .select("B2","B3","B4","B8")
           .median()
           .clip(roi);
// min\max:experience threshold
var RGBvis = {min:0,max:0.5,bands:["B4","B3","B2"]};
Map.addLayer(S2,RGBvis,"S2");

// ndvi
var NDVI = S2.expression("(NIR-R)/(NIR+R)",
                        {"R":S2.select(["B4"]),"NIR":S2.select(["B8"])});
// sort pixels(downSample,because maxPixels allows only 10000000)
var threshold = NDVI.reduceRegion({
                     reducer:ee.Reducer.percentile([5,95]),
                     geometry:roi.geometry().bounds(),
                     // must downsample , in order to caculate online
                     scale:110
                    // maxPixels:1e13
});
// debug and get the valName-B8
// print(threshold)
var NDVI_5 = ee.Number(threshold.get("B8_p5"));
var NDVI_95 = ee.Number(threshold.get("B8_p95"));
// var RGBvis = {min:-0.5,max:1};
// Map.addLayer(NDVI,RGBvis,"NDVI");

// FVC
var imgFVC = ((NDVI.subtract(ee.Image(NDVI_5))).divide(ee.Image(NDVI_95).subtract(ee.Image(NDVI_5)))).float();
// normalize FVC 0-1
var FVC = (imgFVC.lt(0).multiply(0))
          .add((imgFVC.gt(0).and(imgFVC.lte(1))).multiply(imgFVC))
          .add(imgFVC.gt(1).multiply(1));
// rank and colormap
var FVC_rank = FVC.where(FVC.lt(0.2),1)
                  .where((FVC.gte(0.2).and(FVC.lt(0.4))),2)
                  .where((FVC.gte(0.4).and(FVC.lt(0.6))),3)
                  .where((FVC.gte(0.6).and(FVC.lt(0.8))),4)
                  .where(FVC.gt(0.8),5);
// Map.addLayer(FVC_rank,{min:1,max:5,palette:["DCDCDC","FFEBCD","99B718","529400","011301"]},"FVC_rank")

// Export FVC_rank
Export.image.toDrive({
  image:FVC_rank,
  description:"FVC_dry_2018",
  folder:"users/chuanbaojiangpr/DataGET/Image",
  fileFormat:"GeoTIFF",
  region:roi,
  scale:110,
  crs:"EPSG:4326"
});