使用Google Earth Engine(GEE)进行生态敏感性分析

已于 2025-04-27 20:50:28 修改
阅读量1.2k 收藏 17
点赞数 27
分类专栏： GEE思路和代码分享 文章标签： 信息可视化 jupyter github 云计算
于 2024-11-11 13:28:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Owen__z/article/details/143680334
版权

使用GEE进行生态敏感性分析

背景

生态环境敏感性反映了人类活动对于生态环境的干扰程度，生态敏感性是衡量区域生态环境脆弱的重要指标，对区域规划发展起着重要的导向作用。目前，主流的生态敏感性评价多基于ArcGIS平台实现，其优势是简单易上手，特别是对于没有编程基础的同学，使用ArcGIS进行生态敏感性评价的流程可以参考以下资料：
ArcGIS软件制作生态敏感性
ArcGIS生态服务敏感性网格化计算并空间可视化（附练习数据下载）
GEE全称为Google Earth Engine，是美国谷歌公司开发的一款免费的遥感云计算平台，该平台集成了海量地理空间数据、相应的可视化和分析计算能力及可调用的API。依托谷歌公司的全球百万台服务器，GEE具有极强的后台处理运算能力，实现了数PB级的卫星图像和地理空间数据集目录与行星级尺度分析功能的结合。使用GEE进行生态敏感性评价有以下优点：

  1. GEE上集成了海量数据可以直接调用而无需下载
  2. 可以免去在ArcGIS中繁琐的预处理和重分类步骤
  3. 更为灵活地切换研究区和研究时间，进行长时间序列上的研究
  4. 效率更高，更加方便DeBug

实现框架

本例使用python中的geemap库实现，具体流程框架为：
Part1：导入必要的函数库并初始化GEE
Part2：定义研究区、筛选Landsat影像并执行预处理
Part3：导入NDVI、高程、坡度、土地利用、土壤基质数据并重分类
Part4：进行生态敏感性计算
Part5：进行生态敏感性分级与制图
可选：数据可视化、导出结果图像到本地

Part 1 导入函数库

import ee
import geemap
# geemap.set_proxy(port=7897)
geemap.ee_initialize()

Part 2 影像预处理

# 定义研究区
region = ee.Geometry.Rectangle([106.6833, 38.3, 108.9, 40.1833])
Map = geemap.Map(center=[39.25, 107.8], zoom=8)
Map.addLayer(region,{},'边界')

# 导入Landsat 8影像，并筛选无云影像
def applyScaleFactors(image):
    opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2)
    thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0)
    return image.addBands(opticalBands, None, True) \
        .addBands(thermalBands, None, True)

# QA波段去云
def CloudMask(image):
    cloudShadowBitMask = (1 << 4)
    cloudsBitMask = (1 << 3)
    qa = image.select('QA_PIXEL')
    mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0) \
        .And(qa.bitwiseAnd(cloudsBitMask).eq(0))
    return image.updateMask(mask) \
        .copyProperties(image) \
        .copyProperties(image, ["system:time_start"])

# 导入Landsat数据并裁剪
landsatCol = (ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
           .filterDate('2020-07-01', '2020-08-31')
           .filterBounds(region)
           .filter(ee.Filter.lt('CLOUD_COVER', 30))
           .map(CloudMask)
           .map(applyScaleFactors))
landsat = ee.ImageCollection(landsatCol).median()

Part 3 导入评价因子并重分类

评价因子的选取及分级赋值标注可以参考相关论文，本例使用以下评价体系进行分析赋值：
在这里插入图片描述

# 计算NDVI并按区间分级
ndvi = landsat.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI')
ndvi_classified = ndvi.expression(
    "b('NDVI') < 0 ? 9 : " +       # 第一级 [-1, 0], 赋值为9
    "b('NDVI') < 0.25 ? 7 : " +    # 第二级 [0, 0.25], 赋值为7
    "b('NDVI') < 0.5 ? 5 : " +     # 第三级 [0.25, 0.5], 赋值为5
    "b('NDVI') < 0.75 ? 3 : 1"     # 第四级 [0.5, 0.75], 赋值为3, 第五级 [0.75, 1], 赋值为1
)
# 导入DEM并分级
dem = ee.Image("USGS/SRTMGL1_003")
elevation_classified = dem.expression(
    "b('elevation') > 2153 ? 9 : " +
    "b('elevation') > 1950 ? 7 : " +
    "b('elevation') > 1700 ? 5 : " +
    "b('elevation') > 1500 ? 3 : 1"
)
# 计算坡度并分级
slope = ee.Terrain.slope(dem)
slope_classified = slope.expression(
    "b('slope') > 35 ? 9 : " +
    "b('slope') > 25 ? 7 : " +
    "b('slope') > 15 ? 5 : " +
    "b('slope') > 5 ? 3 : 1"
)
# 导入CLCD土地利用分类数据
imgPathGLB30 = 'users/studyroomGEE/LULC_Dataset/LULC_HuangXin/CLCD_v01_2020'
land_cover = ee.Image(imgPathGLB30)

# 将土地利用数据进行重分类
# 原始类别 [1:耕地, 2:林地, 3:灌丛, 4:草地, 5:水域, 6:冰/雪, 7:荒地，8：不透水面，9：湿地]
# 重分类[1：耕地，2：园地，3：林地，4：草地，5：水域，6：建设用地，7：未利用地]
land_cover_reclassified = land_cover.remap(
    [1, 2, 3, 4, 5, 9, 8, 6, 7],  # 原始类别值
    [1, 3, 2, 4, 5, 5, 6, 7, 7]   # 重分类后的值
)

# 土地利用敏感性分级
land_cover_sensitivity = land_cover_reclassified.remap(
    [7, 5, 3, 4, 1, 6],   # 重分类的值
    [9, 7, 7, 5, 3, 1]     # 敏感性赋值
)
# 导入土壤基质数据
soil_texture = ee.Image(
    "OpenLandMap/SOL/SOL_CLAY-WFRACTION_USDA-3A1A1A_M/v02").select('b0')

# 将土壤基质数据重分类为：沙质、砾质、壤质、粘质和基岩
# 基于粘土含量分类:
# 0-10: 沙质, 10-20: 砾质, 20-40: 壤质, 40-60: 粘质, 60以上: 基岩
soil_texture_reclassified = soil_texture.expression(
    "b('b0') < 10 ? 9 : " +        # 沙质
    "b('b0') < 20 ? 7 : " +        # 砾质
    "b('b0') < 40 ? 5 : " +        # 壤质
    "b('b0') < 60 ? 3 : 1"         # 粘质和基岩
)

Part 4 敏感性计算

各因子的评价权重根据层次分析法（AHP）计算出权重，具体如下所示：
在这里插入图片描述

# 将所有因子合成一个多波段影像
combined_image = ndvi_classified.rename('NDVI')\
    .addBands(elevation_classified.rename('Elevation'))\
    .addBands(slope_classified.rename('Slope'))\
    .addBands(land_cover_sensitivity.rename('LandCover'))\
    .addBands(soil_texture_reclassified.rename('SoilTexture'))

# 使用指定的权重进行加权计算生态敏感性
sensitivity = combined_image.expression(
    "(Elevation * 0.0722) + (Slope * 0.2429) + (NDVI * 0.1256) + (LandCover * 0.4683) + (SoilTexture * 0.0900)",
    {
        'Elevation': combined_image.select('Elevation'),
        'Slope': combined_image.select('Slope'),
        'NDVI': combined_image.select('NDVI'),
        'LandCover': combined_image.select('LandCover'),
        'SoilTexture': combined_image.select('SoilTexture')
    }
).rename('sensitivity')

Part 5 敏感性分级与制图

# 计算分位数（五分位数）
quantiles = sensitivity.reduceRegion(
    reducer=ee.Reducer.percentile([20, 40, 60, 80]),
    geometry=region,
    scale=30,
    maxPixels=1e9
).values()

# 获取分位数的实际值
q20, q40, q60, q80 = quantiles.getInfo()

# 使用分位数进行敏感性分级
classified_sensitivity = sensitivity.expression(
    "(sensitivity <= q20) ? 1 : " +   # 非敏感
    "(sensitivity <= q40) ? 2 : " +   # 轻度敏感
    "(sensitivity <= q60) ? 3 : " +   # 中度敏感
    "(sensitivity <= q80) ? 4 : 5",   # 极高度敏感
    {
        'sensitivity': sensitivity,
        'q20': q20,
        'q40': q40,
        'q60': q60,
        'q80': q80
    }
)

# 设置分级可视化参数
sensitivity_vis = {
    'min': 1,
    'max': 5,
    'palette': ['darkgreen', 'lightgreen', 'yellow', 'orange', 'red'],
    'legend': {
        'Non-sensitive': 'darkgreen',
        'Slightly sensitive': 'lightgreen',
        'Moderately sensitive': 'yellow',
        'Highly sensitive': 'orange',
        'Extremely sensitive': 'red'
    }
}

# 添加图层到地图
Map.addLayer(region, {}, '边界')
Map.addLayer(classified_sensitivity.clip(region), sensitivity_vis,
             'Classified Sensitivity Map')
# 显示地图
Map

可选操作（Option）

数据可视化

# Landsat可视化参数
landsat_vis_params = {
    'bands': ['SR_B4', 'SR_B3', 'SR_B2'],  # 使用Landsat的RGB波段
    'min': 0,
    'max': 0.3,
    'gamma': 1.4
}

# 重分类可视化参数
vis_params = {
    'min':1,
    'max':9,
    'palette': ['brown', 'orange', 'yellow', 'lightgreen', 'green']
}
# 可视化Landsat影像
Map.addLayer(landsat, landsat_vis_params, 'Landsat 8 (2020)')

# 可视化高程
Map.addLayer(dem, {'min': 0, 'max': 3000}, 'DEM')

# 可视化坡度
Map.addLayer(slope, {'min': 0, 'max': 45}, 'Slope')

# 可视化土地利用
Map.addLayer(land_cover_sensitivity, vis_params, 'Reclassified Land Cover')

# 可视化土壤基质
Map.addLayer(soil_texture_reclassified, vis_params, 'Soil Texture')

# 可视化重分类NDVI
Map.addLayer(ndvi_classified, vis_params, 'NDVI Classification')

# 可视化重分类高程
Map.addLayer(elevation_classified, vis_params, 'Elevation Classification')

# 可视化重分类坡度
Map.addLayer(slope_classified, vis_params, 'Slope Classification')

Map.addLayer(region, {}, '边界')
Map

导出影像到本地

# 导出生态敏感性图
sensitivity_image = sensitivity.clip(region)
geemap.download_ee_image(
    sensitivity_image,
    filename = 'sensitivity.tif',
    scale = 30,
    crs = "EPSG:4326",
    region = region
)

在这里插入图片描述

参考论文

景艳宾, 孙旭, 刘军, 等. 基于MCR模型的内蒙古鄂托克旗生态廊道构建[J/OL]. 水土保持通报, 2021, 41(2): 170-177. DOI:10.13961/j.cnki.stbctb.2021.02.023.

GitHub

https://github.com/a820936422/Earth-Code

Google Earth Engine(GEE)——多源遥感变量筛选（PCA主成分分析），变量筛选/降维处理
此星光明博客
11-22 1255
主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维方法，它可以将高维数据降到低维空间中，同时尽量保留原始数据的信息。在生物信息学领域，PCA可以用来进行基因表达数据的分析和可视化。需要注意的是，在进行PCA之前需要对原始数据进行标准化处理，以避免不同特征之间的量纲不同对结果产生影响。很多时候我们需要进行数据的将为和筛选，传统的方法我们可以根绝经验方法进行筛选或者按照变量重要性和相关性进行分析，当然我们可以通过计算多个变量之间的主成分分析来进行变量的筛选。
Google Earth Engine（GEE）——一个免费下载Landsat影像的APP
此星光明博客
09-13 2809
首先奉上这个APP的链接：https://eeflux-level1.appspot.com/EEFlux（Earth Engine Evapotranspiration Flux）是在 Google Earth Engine 系统上运行的 METRIC（使用内部校准以高分辨率映射蒸散）的一个版本。EEFlux 由内布拉斯加大学林肯分校、沙漠研究所和爱达荷大学联合开发，并得到谷歌的资助。EEFlux 处理从 1984 年到现在的任何时期以及地球上几乎每个陆地区域的各个 Landsat 场景。EEFlux 使
Google Earth Engine（GEE）入门，快速上手且使用
最新发布
qq_34815075的博客
02-18 1436
1、项目需求，没时间系统的学习，根据项目需求需要各种指数。总结快速入门，有助于新手快速上手，具体其他的单独部分不做介绍，都可以查阅到资料。【GEE】Google Earth Engine（GEE）注册详细教程&无需教育邮箱。注册问题不在阐述，网上都能查到相应的资料，需要科学上网。2、以获取某一区域（矢量数据）的土地覆盖为例展开。1、加载矢量数据并读取数据。一、需要有个谷歌邮箱。四、土地类型所有代码。
利用ArcGIS进行生态敏感性的分析
hu397313168的博客
02-02 1万+
生态敏感性是指生态环境遭外界的干扰和侵入时，生态系统受损害的可能性大小，它可衡量外界干扰对生态环境造成的危害程度，通常生态敏感性越高，生态环境越容易受外界因素的影响地形、植被、水体方面的生态因子及其对该地区的敏感性等级见表，根据表中各因子权重值，加权计算植被覆盖区域的生态敏感性信息，生成该地区的生态敏感性等级分布专题图。2.3 使用【按掩膜提取】将将研究区内的NDVI提取出来，再利用【栅格计算器】对上面生成的NDVI进行重分类。3.3 加权之后，为了将敏感性分级，还需要将上面的加权结果进行一次【重分类】。
ArcGIS提取水系并进行生态敏感性分析
hu397313168的博客
06-14 7150
设置如图4.4.11结果如图4.4.12。（1）使用【ArcToolbox】【Spatial Analyst工具】【重分类】【重分类】对坡度数据“Slope_DEM_ve1”根据敏感性进行重分类。（3）使用【ArcToolbox】【Spatial Analyst工具】【重分类】【重分类】对坡向数据“Aspect_DEM_v1”根据敏感性进行重分类。（2）使用【ArcToolbox】【Spatial Analyst工具】【重分类】【重分类】对高程数据“DEM_ve1”根据敏感性进行重分类。
第七届全国大学生GIS应用技能大赛——生态敏感性分析
@HNUSTer的博客
07-14 4915
生态环境敏感性是指生态系统对区域内自然和人类活动干扰的敏感程度，它反映区域生态系统在遇到干扰时，发生生态环境问题的难易程度和可能性的大小，并用来表征外界干扰可能造成的后果。即在同样干扰强度或外力作用下，各类生态系统出现区域生态环境问题可能性的大小，研究生态敏感性对保护生态系统及其重要。按照下列要求，进行生态敏感性评价。
arcgis生态敏感性分析
热门推荐
huangguo1688的博客
05-14 1万+
用地变化分析，选用2005，2014，2018三年的数据来分析。 分别勾画出2005，2014，2018三年的地类矢量图斑用地类渲染制图 二、湖南烈士公园生态敏感性分析。 1.下载数据，高程，影像 2.确定分析因子，分析因子有高程，坡度，坡向，地类，水体，道路。 3. 确定分析因子权重，总权重为100%。 高程为15%，坡度为15%，坡向为15%，地类为20%，水体为20%，道路为15%。 4. 分析因子打分。 4.1高程小于40为1， 40-50为3, 50...
Google Earth Engine APP（GEE） ——多源遥感变量与生物量变量相关性分析APP
此星光明博客
11-28 263
此APP的主要目的是，当我们进行多源遥感变量多波段组合与生物量单一变量分别进行相关性分析的时候我们就需要分别进行相关性分析，这里我们所用的是皮尔逊相关性数来评价，结果会有两个值一个是相关系数一个是P值。本APP可以选择年月日，但是如果没有结果的话，请注意不同月份的日期是不同的，所以我们需要注意，这是唯一可以选择的部分。我们这里仅仅用了不同的波段指数进行了计算，这里所有的波段也没多少，因为无法通过ui.text获取波段输入名称，所以这里只能通过程序修改和添加波段。
Google Earth Engine重大更新：没有项目（projection）的脚本将被限制访问
此星光明博客
07-23 1468
starting。
Google Earth Engine（GEE）——长时间序列逐月VCI数据提取分析和面积计算(墨西哥为例)
此星光明博客
06-22 2101
Kogan等提出的植被状态指数（vegeta-tion condition index，VCI）植被状况指数 (VCI) 将当前的 NDVI 与前几年同期观察到的值范围进行比较。VCI 以 % 表示，并提供了一个概览，其中观察值位于前几年的极值（最小值和最大值）之间。较低和较高的值分别表示不良和良好的植被状态条件。。与NDVI-样，VCI也可以通过NOAA卫星的AVHRR传感器获取，VCI对干旱敏感可以消除地理位置、生态系统对NDVI的影响，成为了大规模遥感干旱监测的理想数据，它的可靠性得到了大量数据的证明
Google Earth Engine（GEE）——mask和updateMask的区别（以贵州省为例）
此星光明博客
04-16 2522
之前有一个很大误区就是在GEE中mask和updateMask的区别和差异到底在哪里？今天我们通过单景影像来实现一下这个目标，用高程数据。本次实验的研究区域主要是贵州省，实验数据是： Global ALOS mTPI (Multi-Scale Topographic Position Index) Resolution 270 meters Bands Table Name Description Min* Max* Units AVE ALOS-derived
Google Earth Engine
qq_45740903的博客
12-04 632
Google Earth Engine 申请之路 小编我在大学时就想学习GEE，但是由于自己的拖延症和没有解决Gmail邮箱账号，所以一直没有实践的学习。这一周我开始申请Gmail账号，注册GEE，这里那我来总结一下我申请过程中遇到的问题和如何解决的。 第一次申请 第一次申请，我用的是其他人的Gmail账号，填写申请的时候我没有查看网上的失败案例，第一次申请我填写的很随便，GEE给我回复的也很快，邮件内容就是申请失败。 失败后我开始找教程，都表示要重新申请账号。我开始不信，我就想重新填写申请，尝试了多次发现
Google Earth Engine（GEE）——
此星光明博客
08-28 1064
对于特征和特征集合，唯一支持的键是 "color"，作为一个CSS 3.0颜色字符串或 "RRGGBB "格式的十六进制字符串。调用b()时没有参数，或者本身使用一个变量，会返回图像的所有波段。表达式中的变量被解释为额外的图像参数，必须在opt_map中提供。如果表达式的结果是一个单一的波段，可以用'='运算符给它指定一个名称（例如：x = a + b）。主要输入图像的波段可以使用内置函数b()，如b(0)或b('band_name')。该图层的不透明度，用0到1之间的数字表示，默认为1。...
Google Earth Engine (GEE) 是一个强大的云端地理信息处理平台，提供了全球陆地冰层空间数据的丰富资源和功能
UdlvScheme的博客
09-20 1364
通过 GEE，用户可以访问、分析和可视化全球范围内的陆地冰层数据，从而深入了解地球上冰川、冰盖和冰岛的动态变化。Google Earth Engine 是一个基于云计算的地理信息处理平台，集成了大量的遥感数据和地理空间数据，为用户提供了高性能的数据处理和分析能力。在 GEE 中，用户可以访问全球范围内的陆地冰层数据集，包括冰川覆盖、冰盖厚度、冰岛边界等信息，以及相关的时间序列数据。GEE 平台提供了丰富的陆地冰层数据集，用户可以通过代码访问这些数据。，其中包含了冰川覆盖数据的颜色映射。
生态功能区划方法之一：生态敏感性分析法
weixin_30415801的博客
08-19 3140
文中内容多来自国家环保总局发布的《生态功能区划技术暂行规程》。 生态环境敏感性的定义：指生态系统对人类活动反应的敏感程度，用来反映产生生态失衡与生态环境问题的可能性大小。可以以此确定生态环境影响最敏感的地区和最具有保护价值的地区，为生态功能区划提供依据。 生态环境敏感性评价的评价要求： 　　（1）敏感性评价应明确区域可能发生的主要生态环境问题类型与可能性大小。 　　（2）敏感...
Google Earth Engine APP（GEE） ——基于多种机器学习多源遥感不同变量组合下的森林地表生物量模型预测APP
此星光明博客
11-28 386
本代码的主要功能是将我们提前准备好的森林生物量样本点上传到Google earth engine中的assets中，通过在APP中上传两个链接：分别是1：森林样地生物量样本点，2：为多波段影像集合第二步就是选择不同波段组合，这里就是我们已经将我们所导入的链接中所包含的结果。这个功能主要通过ui.Select(itemsvalueonChangedisabledstyle)通过label 和已经给定的value值来选取匹配指定的波段进行机器学习。
Google Earth Engine（GEE）——国际卫星云气候学项目：HXG云量数据集
此星光明博客
06-26 507
H系列数据包括几个产品。这些产品包括HXS（H系列像素级单颗卫星-不在netcdf中），HXG（H系列像素级网格化），HGG（H系列网格化全球），HGH（H系列网格化每月按小时计算），以及*HGM（H系列网格化每月）。这些文件旨在供新的和/或不太高级的用户使用，他们可能想使用云数据，但不需要完整的ISCCP数据集。国际卫星云气候学项目（ISCCP）成立于1982年，是世界气候研究计划（WCRP）的一部分，旨在收集气象卫星辐射度测量数据，并对其进行分析，以推断云的全球分布、云的特性及其昼夜、季节和年际变化。
Google Earth Engine（GEE）——GEE最全介绍（7000字长文）初学者福音！
此星光明博客
08-23 1万+
地球引擎代码编辑器 code.earthengine.google.com 上的地球引擎 (EE) 代码编辑器是用于地球引擎 JavaScript API 的基于网络的 IDE。代码编辑器功能旨在快速轻松地开发复杂的地理空间工作流程。代码编辑器具有以下元素（如图 1 所示）： JavaScript 代码编辑器 用于可视化地理空间数据集的地图显示 API 参考文档（文档选项卡） 基于Git的脚本管理器（脚本选项卡） 控制台输出（控制台选项卡） 任务管理器（任务选项卡）处理长时间运行的查询 .
全球山区物候指标绘制算法：GEE代码开源实现
资源摘要信息:"本资源详细介绍了如何使用谷歌地球引擎（Google Earth Engine，简称GEE）和开源算法，结合Landsat系列和Sentinel-2等高分辨率卫星数据，绘制全球山区的物候指标图。物候指标（Phenological Metrics，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值