基于 GEE 使用植被状况指数（VCI）、温度状况指数（TCI）与植被健康指数（VHI）实现区域干旱遥感监测

功能：确定分析的空间边界，table为预先导入 GEE 的矢量数据（如行政区、研究区边界等），后续所有数据处理与分析均限定在该范围内。
关键说明：需提前在 GEE 资产中上传矢量文件（如 Shapefile 转换的 FeatureCollection），并确保变量名与table一致，否则会导致空间范围失效。

（二）MODIS 数据集加载

var imageCollection = ee.ImageCollection("MODIS/061/MOD13A2"),
    imageCollection2 = ee.ImageCollection("MODIS/061/MOD11A2");

数据集 1（MOD13A2）：
- 产品类型：MODIS 植被指数产品，空间分辨率 1km，时间分辨率 16 天 / 幅。
- 核心用途：提取NDVI波段，反映植被生长状况（NDVI 值越高，植被覆盖度越高、生长越旺盛）。
- 版本说明：061为第 6.1 版，是当前 GEE 中该产品的最新稳定版本，数据质量和精度较旧版本有提升。
数据集 2（MOD11A2）：
- 产品类型：MODIS 地表温度产品，空间分辨率 1km，时间分辨率 8 天 / 幅。
- 核心用途：提取LST_Day_1km波段（白天地表温度），用于分析温度对植被的胁迫作用。

（三）地图中心与时间范围设置

Map.centerObject(geometry, 8);
var time_start = '2001', 
    time_end = '2024';

地图定位：Map.centerObject(geometry, 8)将地图视图自动定位到geometry研究区，8为缩放级别（1-24，数值越大视图越精细），方便可视化查看研究区范围。
时间范围：设定分析周期为 2001-2024 年，覆盖 MODIS 数据从早期到近期的完整时间序列，可根据研究需求调整（如缩短为特定年份：'2010'至'2020'）。

四、原始数据预处理

（一）NDVI 数据筛选与转换

var ndvi = imageCollection
    .select('NDVI')
    .filterDate(time_start, time_end);
// 时序上逐像元的最小值与最大值
var ndvi_min = ndvi.min().multiply(0.0001);
var ndvi_max = ndvi.max().multiply(0.0001);

数据筛选：
- select('NDVI')：从 MOD13A2 集合中仅保留NDVI波段，剔除其他无关波段（如 EVI、QA 等），减少数据量。
- filterDate(time_start, time_end)：按设定时间范围筛选影像，仅保留 2001-2024 年的 NDVI 数据。
极值计算与单位转换：
- ndvi.min()/ndvi.max()：计算整个时间序列内逐像元的 NDVI 最小值和最大值（反映该像元植被生长的历史波动范围）。
- multiply(0.0001)：MODIS NDVI 数据以整数形式存储，缩放系数为 0.0001（如原始值 10000 对应实际 NDVI 值 1.0），此步骤将数据转换为实际物理意义的 NDVI 值（范围 - 1~1）。

（二）LST 数据筛选与转换

var temp = imageCollection2
    .select('LST_Day_1km')
    .filterDate(time_start, time_end);
var temp_min = temp.min().multiply(0.02);
var temp_max = temp.max().multiply(0.02);

数据筛选：
- select('LST_Day_1km')：从 MOD11A2 集合中保留白天地表温度波段，聚焦白天温度对植被的影响（白天是植被光合作用和水分消耗的主要时段）。
- filterDate(...)：同样按 2001-2024 年时间范围筛选，确保 LST 与 NDVI 数据时间匹配。
极值计算与单位转换：
- temp.min()/temp.max()：计算逐像元在时间序列内的最低和最高白天地表温度。
- multiply(0.02)：MODIS LST 原始数据为整数，缩放系数 0.02，且单位为开尔文（K），转换后需根据需求可进一步减去 273.15 转为摄氏度（代码中未体现，需额外添加步骤）。

五、核心函数：时序数据月尺度聚合

function temporal_collection(collection, start, count, interval, unit) {
    var seq = ee.List.sequence(0, ee.Number(count).subtract(1));
    var origin_date = ee.Date(start);
    
    return ee.ImageCollection(seq.map(function(i) {
        var start_date = origin_date.advance(ee.Number(interval).multiply(i), unit);
        var end_date = origin_date.advance(ee.Number(interval).multiply(ee.Number(i).add(1)), unit);
        
        return collection
            .filterDate(start_date, end_date)
            .mean()
            .set('system:time_start', start_date.millis())
            .set('system:time_end', end_date.millis());
    }));
}

该函数是实现 “高频数据转月尺度” 的核心，将原始 16 天（NDVI）/8 天（LST）的影像聚合为月度均值影像，便于长期时序趋势分析（避免高频数据冗余，突出月度变化规律）。

（一）函数参数说明

参数名	含义	示例（NDVI 聚合）
`collection`	输入的影像集合（如 NDVI 或 LST 集合）	`ndvi`（2001-2024 年 NDVI 集合）
`start`	时间序列起始日期	`time_start`（即 '2001'）
`count`	聚合后的总期数	276（2001-2024 年共 24 年 ×12 月 = 288 个月，此处为示例值）
`interval`	每次聚合的时间间隔	1（表示 “1 个单位时间”）
`unit`	时间单位	'month'（表示 “月”，可选 'year'/'day' 等）

（二）函数内部逻辑

生成序列列表：ee.List.sequence(0, count-1)生成从 0 到count-1的整数列表（如 count=276 时，列表为 [0,1,...,275]），每个整数对应 1 个月度时段的索引。
定义起始日期：ee.Date(start)将输入的起始年份（如 '2001'）转换为 GEE 可识别的日期对象（默认从该年 1 月 1 日开始）。
循环生成月度影像：
- start_date/end_date：对每个索引i，计算该月度的起始和结束日期（如 i=0 时，start_date=2001-01-01，end_date=2001-02-01；i=1 时，start_date=2001-02-01，end_date=2001-03-01，以此类推）。
- filterDate(start_date, end_date)：筛选该月度内的所有原始影像（如 2001 年 1 月内的 2 幅 NDVI 影像，因 NDVI 为 16 天分辨率）。
- mean()：计算该月度内所有影像的逐像元均值，得到月度合成影像（平滑高频数据的波动，反映月度平均状态）。
- set(...)：为月度影像添加时间属性（system:time_start/system:time_end），确保后续时序分析能识别影像的时间顺序。

（三）月尺度数据生成

// 月度NDVI影像集合
var ndvi_monthly = temporal_collection(ndvi, time_start, 276, 1, 'month');
// 月度LST影像集合
var temp_monthly = temporal_collection(temp, time_start, 276, 1, 'month');

调用temporal_collection函数，分别将 NDVI 和 LST 的原始时间序列转换为 2001-2024 年的月度均值集合（ndvi_monthly和temp_monthly），两者均包含 276 幅月度影像，时间维度完全对齐。

六、干旱指数计算

（一）植被状态指数（VCI）计算

VCI 通过 NDVI 的实际值与历史极值的比值，反映当前植被生长状况相对于历史同期的偏离程度，VCI 值越低，植被受胁迫（如干旱）越严重。

var vci = ndvi_monthly.map(function(img) {
    var index = img.expression('(ndvi - min)/(max - min)', {
        'ndvi': img.select('NDVI').multiply(0.0001),
        'min': ndvi_min,
        'max': ndvi_max
    });
    
    return index.rename('VCI').copyProperties(img, img.propertyNames());
});

逐影像计算：ndvi_monthly.map(...)对每幅月度 NDVI 影像执行相同计算逻辑。
指数公式解析：
- 分子(ndvi - min)：当前月度 NDVI 值与该像元历史最小值的差值（反映当前值高于历史最低的程度）。
- 分母(max - min)：该像元 NDVI 的历史极差（反映历史波动范围）。
- 结果范围：VCI 理论范围为 0~1，0 表示植被生长最差（接近历史最低），1 表示生长最好（接近历史最高）。
单位转换与属性复制：
- img.select('NDVI').multiply(0.0001)：再次执行 NDVI 单位转换（因ndvi_monthly是原始 NDVI 的均值，未提前转换单位）。
- rename('VCI')：将计算结果波段命名为VCI，便于后续识别。
- copyProperties(...)：将原始月度 NDVI 影像的时间属性（如system:time_start）复制到 VCI 影像，确保时间信息不丢失。

（二）温度状态指数（TCI）计算

TCI 通过地表温度的历史极值比，反映当前温度对植被的胁迫程度，TCI 值越低，温度胁迫越严重（如高温干旱）。

var tci = temp_monthly.map(function(img) {
    var index = img.expression('(max - lst)/(max - min)', {
        'lst': img.select('LST_Day_1km').multiply(0.02),
        'min': temp_min,
        'max': temp_max
    });
    
    return index.rename('TCI').copyProperties(img, img.propertyNames());
});

核心差异：与 VCI 公式相反，TCI 以(max - lst)为分子 —— 因高温对植被不利，当前温度（lst）越低，分子越大，TCI 值越高，代表温度胁迫越轻。
单位转换：multiply(0.02)将月度 LST 原始值转换为实际开尔文温度。
结果范围：同 VCI，TCI 范围 0~1，0 表示温度胁迫最强（当前温度接近历史最高），1 表示胁迫最弱（当前温度接近历史最低）。

（三）植被健康指数（VHI）计算

VHI 是 VCI 和 TCI 的加权求和，综合植被生长状况与温度胁迫，VHI 值越低，干旱程度越严重，是国际通用的干旱监测指数。

var modis_indices = vci.combine(tci);
var drought = modis_indices.map(function(img) {
    var vhi = img.expression('0.5 * vci + (1 - 0.5) * tci', {
        'vci': img.select('VCI'),
        'tci': img.select('TCI')
    }).rename('VHI');
    
    return img.addBands(vhi).copyProperties(img, img.propertyNames());
});

指数合并：vci.combine(tci)将 VCI 和 TCI 两个影像集合合并为一个集合（modis_indices），每幅影像包含VCI和TCI两个波段，便于同时调用。
加权公式解析：
- 权重设置：代码中 VCI 和 TCI 的权重均为 0.5（0.5 * vci + 0.5 * tci），表示同等重视植被状态和温度胁迫。
- 权重调整：可根据研究区特点修改（如干旱区更关注温度，可设 TCI 权重 0.6，VCI 权重 0.4）。
结果处理：
- addBands(vhi)：将计算的 VHI 波段添加到原始影像中，最终drought集合的每幅影像包含VCI、TCI、VHI三个波段。
- copyProperties(...)：保留时间属性，确保后续时序图表的时间轴正确。

七、结果可视化：时序图表输出

代码通过ui.Chart.image.series生成两个时序图表，直观展示研究区 VCI、TCI、VHI 的长期变化趋势。

（一）VCI 与 TCI 时序图

print(
    ui.Chart.image.series(
        drought.select('TCI', 'VCI'), 
        geometry, 
        ee.Reducer.mean(), 
        1000, 
        'system:time_start'
    )
);

drought.select('TCI', 'VCI')：指定图表的数据源为drought集合中的TCI和VCI波段。
geometry：指定统计范围为研究区geometry，计算该区域内的平均值。
ee.Reducer.mean()：统计方法为 “均值 reducer”，即对geometry范围内的所有像元计算平均值（反映研究区整体的 VCI/TCI 水平）。
1000：空间分辨率（单位：米），与 MODIS 原始数据分辨率一致，避免重采样导致的误差。
system:time_start：时间轴的依据，使用影像的system:time_start属性（即月度起始时间）。
图表意义：输出 2001-2024 年每月的 VCI 和 TCI 均值曲线，可观察两者的变化趋势是否一致（如干旱年份通常 VCI 下降、TCI 下降）。

（二）VHI 时序图

print(
    ui.Chart.image.series(
        drought.select('VHI'), 
        geometry, 
        ee.Reducer.mean(), 
        1000, 
        'system:time_start'
    )
);

核心功能：单独输出 VHI 的月度均值时序图，是干旱监测的核心结果 —— 曲线下降的时段对应干旱发生期，下降幅度越大，干旱越严重；曲线平稳或上升则表示植被健康状况良好。
应用场景：可结合历史气象数据（如降雨量）验证 VHI 的准确性，或用于识别研究区的干旱发生规律（如季节性干旱、多年尺度干旱）。

八、代码核心逻辑总结与注意事项

核心逻辑链：原始数据（NDVI/LST）→ 时间 / 波段筛选 → 历史极值计算（min/max）→ 月尺度聚合（temporal_collection 函数）→ 指数计算（VCI→TCI→VHI）→ 时序可视化（图表输出）

关键注意事项：

单位转换不可遗漏：MODIS 数据的 NDVI（缩放系数 0.0001）和 LST（0.02）均需转换，否则数值无物理意义（如原始 NDVI 值 10000 未转换会显示为 10000，远超实际范围 - 1~1）。
时间范围与期数匹配：temporal_collection函数的count参数需与时间范围对应（如 2001-2024 年共 288 个月，count应设为 288，代码中 276 为示例值，需根据实际时间范围调整），否则会导致时间序列不完整。
空间范围有效性：geometry需为 GEE 中已导入的矢量数据，若未导入或变量名错误，会导致后续分析无空间约束（计算全球范围数据，耗时且无意义）。
权重合理性：VHI 的 VCI/TCI 权重需根据研究区调整（如湿润区植被受温度影响小，可提高 VCI 权重；干旱区温度影响大，提高 TCI 权重），默认 0.5 仅为通用设置。