GEE19：基于 Landsat 8 的常见植被指数逐年获取【去云&波段计算】

已于 2023-12-03 14:46:53 修改
阅读量1.8k 收藏 8
点赞数 6
CC 4.0 BY-SA版权
分类专栏： 地学科研 文章标签： GEE javascript gis 植被指数 云计算 Landsat8 数据分析
于 2023-10-18 21:03:41 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/amyniez/article/details/133913911
本文介绍了基于Google Earth Engine（GEE）使用Landsat 8数据计算常见的植被指数，如NDVI、EVI、RVI等，并讨论了如何处理异常值，尤其是云影导致的负值问题。文章强调了Landsat数据的免费、全球覆盖以及多波段特性在植被监测中的优势。

植被指数逐年获取

1. 常见的植被指数

1.1 比值植被指数（Ratio vegetation index，RVI）

  RVI值的范围：0-30+，一般绿色植被区的范围是2-8，无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。
  RVI是绿色植物的敏感参数，可以及时反映出作物 LAI 的变化。植被覆盖度影响 RVI，当植被覆盖度较高时，RVI 对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低。

1.2 归一化植被指数（Normalized Difference Vegetation Index，NDVI）

  NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件相关辐射照度变化的影响，常用于研究植被生长状态及覆盖度。
  NDVI在LAI值很高，即植被茂密时其灵敏度会降低。负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；值的范围是 -1 ~ 1，一般绿色植被区的范围是0.2 ~ 0.8。

1.3 增强植被指数（Enhanced Vegetation Index，EVI）

  EVI 加入蓝色波段

了解本专栏 订阅专栏 解锁全文 超级会员免费看
GEE：指数计算（NDVI、NBR、EVI、NDMI、NDSI、TC、NDFI、EBBI、VCI、BSI、NDBI、GRAY）
养乐多的博客
04-08 1万+
本文记录了，使用 Landsat 光学波段计算指数的方法和代码，包括NDVI、NBR、EVI、NDMI、NDSI、TC变化（绿度、亮度、湿度）、NDFI、EBBI、VCI等指数。
使用Google Earth Engine (GEE) 在Python中计算归一化植被指数（NDVI）
TpjtRuby的博客
09-18 1093
在这篇文章中，我们将使用Google Earth Engine（GEE）和Python编程语言来计算NDVI，并展示如何从卫星图像中提取植被信息。通过使用GEE的强大功能和Python的灵活性，我们可以轻松地从卫星图像中提取有关地表植被的信息。在上述代码中，我们使用了Folium库来创建一个交互式地图，并使用addLayer函数将计算得到的NDVI图层添加到地图中。较高的NDVI值对应着更密集的植被覆盖，而较低的值则表示较少的植被。现在，我们可以使用刚刚定义的函数计算NDVI，并将结果可视化。
根据Landset 8计算植被覆盖度
weixin_43010839的博客
04-14 1万+
之前处理了山东省的Modis合成产品，这次用landset8的原始数据算下植被覆盖度练练手。
Google Earth Engine(GEE)——计算相关植被指数
weixin_48048649的博客
02-03 1638
相关植被指数等列表曲线。
Google Earth Engine（GEE）计算雷达植被指数RVI
guaicaicexu的博客
07-08 4371
今天来分享下如何在GEE中计算雷达植被指数，
GEE学习笔记 29：基于GEE的多源Landsat合成与植被指数时序提取
amyniez的博客，欢迎交流讨论
04-18 299
在生态环境研究、植被动态监测以及全球变化响应分析中，植被指数（如NDVI、EVI、kNDVI）是衡量植被生长状况与生态系统变化的重要指标。传统的植被指数提取往往面临流程复杂、效率低、难以批量处理的问题。
GEE案例：Landsat 5、7、8影像构建1985-2023年rsei生态遥感指数详细代码
此星光明博客
07-30 2875
rsei（Regional Silviculture Ecological Index，地区林业生态指数）是一种生态遥感指标，用于评估森林生态系统的健康状况和生态服务。构建1985-2023年的rsei生态遥感指，主要需要使用Landsat 5、7和8的遥感影像数据。以下是一种可能的构建方法：1. 数据获取：从美国地质调查局（USGS）或其他可靠数据提供商处获取Landsat 5、7和8的遥感影像数据。确保选择的影像具有适当的空间和时间分辨率，以覆盖所需的时间段。
GEE案例：Landsat影像进行逐年月浮游藻类指数（FAI）叶绿素浓度chla指数的计算和统计下载
此星光明博客
04-05 287
首先，我们需要定义一个感兴趣区域（ROI），即我们要分析的区域。})]);接下来，我们定义了一个用于计算FAI的函数。FAI（Floating Algae Index）是一种用于检测水体中浮游藻类的指数。我们还将计算NDVI（归一化植被指数）和基于NDVI的叶绿素a浓度（CHLA）。为了去除影像中的云和云阴影，我们定义了两个云掩膜函数，分别适用于Landsat 5和Landsat 8影像。
GEE 案例分析：利用GEE云平台处理Landsat卫星影像逐年月批量提取浮游藻类指数（FAI）、叶绿素a浓度等关键生态指标（海洋水色遥感）
此星光明博客
04-17 304
建议使用GEE Code Editor直接克隆修改。本方案完整代码库已开源至GEE平台，可通过。
GEE计算时间序列植被指数-以哨兵2数据计算MTCI指数为例+多点像元时间序列值提取
weixin_43347033的博客
03-14 1877
GEE计算时间序列植被指数-以哨兵2数据计算MTCI指数为例
利用遥感影像软件ENVI提取植被指数
03-05
介绍利用ENVI软件进行遥感图像进行植被指数提取的方法。并结合操作实例进行介绍，相信有用哦
利用ENVI进行植被指数提取
03-17
在ENVI下帮助进行植被指数提取，系统介绍了NDVI提取步骤，希望对初学者有所帮助
GEE实战 | 各种指数分析(植被、水体、建筑)
热门推荐
小鱼干的博客
03-07 1万+
GEE实战 | 各种水体指数分析NDWI VS MNDWI NDWI MNDWI
GEE5：kNDVI植被指数的获取
amyniez的博客，欢迎交流讨论
10-26 8483
kNDVI具有更好的性能，kNDVI将允许更准确地测量陆地碳源/汇的动态，以及稳定大气二氧化碳值和减缓全球气候变化的潜力。目前对该指数的使用比较少，之前主要集中在EVI的使用。
GEE学习笔记4：Sentinel 2 植被指数计算
晚秋的专栏
12-24 1万+
一、Sentinel 2 植被指数计算 从GEE数据集导入的数据 //2. RVI function s2_rvi(image){ var rvi = image.expression('NIR / RED', { 'NIR' : image.select('B8'), 'RED' : image.select('B4') }).float(); return image.addBands(rvi.rename("S2_RVI")); } ​ //3. ...
使用GEE计算多种时序植被指数/建筑指数/水体指数
m0_71243797的博客
02-20 2926
使用 Landsat5 数据从头开始计算
GEE | 基于Landsat8 计算福建省EVI
AlenSmithing的博客
11-04 559
Landsat 8 的EVI计算公式：EVI= (2.5* (NIR-Red)) / (NIR+6。
GEE学习笔记3：Landsat8 植被指数计算
晚秋的专栏
12-24 7589
一、Landsat8 植被指数计算 从GEE数据集导入的数据 // NDVI function L8_ndvi(image){ return image.addBands(image.normalizedDifference(['B5', 'B4']).rename("L8_NDVI")); } // RVI function L8_rvi(image){ var rvi = image.expression('NIR / Red', { 'NIR': image.selec
地表反射率、温度以及植被指数的计算
weixin_46420698的博客
08-11 1万+
1.初步掌握使用定量遥感方法反演地表反射率、地表温度和植被指数的方法。 2.深入认识在 ENVI FLAASH 中 MODTRAN 算法的主要内容。 3.深入认识几种常见土地覆盖类型所具有的反射率、温度和植被指数的参数特征。......
gee计算Landsat8增强型植被指数
最新发布
05-14
&lt;think&gt;好的，我现在需要帮助用户在Google Earth Engine（GEE）中计算Landsat 8的EVI指数。首先，我得回忆一下EVI的计算公式。根据用户提供的引用内容，EVI的公式是：EVI=(2.5*(NIR-Red))/(NIR + 6*Red - 7.5*Blue + 1)，其中NIR、Red、Blue分别对应近红外、红光和蓝光波段。所以，我需要确认Landsat 8各个波段的名称，这样才能正确提取这些波段的数据。 接下来，用户提到的引用[1]和[2]是关于Landsat 7的数据集和EVI计算的，但用户现在需要的是Landsat 8的处理。因此，我需要确保使用的数据集是Landsat 8的，比如&#39;LANDSAT/LC08/C02/T1_L2&#39;，这是Landsat 8 Level 2的数据集，已经进行了大气校正，反射率数据更准确。 然后，我需要考虑如何筛选数据。用户提到了使用ee.Filter.calendarRange来筛选时间范围，这可能用于选择特定年份或季节的影像，减少云量影响。同时，可能还需要应用云掩膜，比如使用QA波段来去除云覆盖的区域，确保计算EVI时使用的是清晰的像元。 在代码实现方面，步骤可能包括：加载Landsat 8数据集、应用时间和区域的筛选、应用云掩膜、计算EVI并将其添加到影像中，最后进行可视化或导出结果。需要注意的是，Landsat 8的波段名称可能与Landsat 7不同，例如近红外波段在Landsat 8中是B5，红光波段是B4，蓝光波段是B2。因此，在代码中要正确映射这些波段。 另外，EVI计算中的系数可能需要根据具体情况进行调整，比如不同的数据集可能有不同的缩放因子。例如，Landsat Level 2数据的反射率已经缩放到0-1之间，因此在计算时可能需要乘以比例因子（如0.0000275）并加上偏移量（如-0.2），但用户提供的公式中并没有提到缩放，所以需要确认数据集的元数据，确保反射率值正确。 用户可能还需要将计算后的EVI结果进行可视化，设置合适的显示参数，比如最小值、最大值和调色板。此外，导出结果或进行进一步的分析，如时间序列分析或趋势分析，可能需要用到额外的GEE功能，比如图像集合的映射、缩减操作等。 最后，需要验证代码的正确性，确保EVI计算的结果在合理范围内（-1到1），并检查是否有常见的错误，比如波段名称错误、未正确应用云掩膜导致云污染等。可能还需要提供示例代码，帮助用户直接在自己的GEE环境中运行和调整。&lt;/think&gt;### Google Earth Engine中Landsat 8的EVI计算步骤 #### 1. 数据准备 选择Landsat 8 Level 2数据集`LANDSAT/LC08/C02/T1_L2`，该数据集已进行辐射校正和大气校正，反射率数据可直接用于指数计算。波段对应关系如下： - 近红外（NIR）: **B5** - 红光（Red）: **B4** - 蓝光（Blue）: **B2** #### 2. 数据筛选 使用时间过滤和区域过滤缩小数据范围： ```javascript var collection = ee.ImageCollection(&#39;LANDSAT/LC08/C02/T1_L2&#39;) .filterDate(&#39;2020-01-01&#39;, &#39;2023-12-31&#39;) .filterBounds(geometry); // geometry为感兴趣区域 ``` #### 3. 云掩膜处理 利用QA波段进行云掩膜： ```javascript function maskClouds(image) { var qa = image.select(&#39;QA_PIXEL&#39;); var cloudBit = 1 &lt;&lt; 3; // 云覆盖标志位 var mask = qa.bitwiseAnd(cloudBit).eq(0); return image.updateMask(mask); } var filteredCollection = collection.map(maskClouds); ``` #### 4. EVI计算 通过公式计算并添加EVI波段： ```javascript function addEVI(image) { var evi = image.expression( &#39;2.5 * (NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1)&#39;, { &#39;NIR&#39;: image.select(&#39;SR_B5&#39;).multiply(0.0000275).add(-0.2), &#39;RED&#39;: image.select(&#39;SR_B4&#39;).multiply(0.0000275).add(-0.2), &#39;BLUE&#39;: image.select(&#39;SR_B2&#39;).multiply(0.0000275).add(-0.2) } ).rename(&#39;EVI&#39;); return image.addBands(evi); } var eviCollection = filteredCollection.map(addEVI); ``` #### 5. 可视化与输出 合成年均EVI并可视化： ```javascript var annualEVI = eviCollection.select(&#39;EVI&#39;).mean(); Map.addLayer(annualEVI, {min: -0.2, max: 1, palette: [&#39;red&#39;, &#39;yellow&#39;, &#39;green&#39;]}, &#39;Annual EVI&#39;); ``` #### 6. 结果导出（可选） ```javascript Export.image.toDrive({ image: annualEVI, description: &#39;L8_EVI_Annual&#39;, scale: 30, region: geometry }); ``` --- ### 技术说明 1. **反射率缩放**：Landsat 8 Level 2数据的反射率存储为16位整型，需通过公式`反射率 = SR_Bx * 0.0000275 + (-0.2)`转换为实际值[^2]。 2. **QA波段处理**：QA_PIXEL波段中第4位（从0开始计数）表示云覆盖，掩膜后保留清洁像元。 3. **多时相分析**：可通过`ee.ImageCollection`的时间序列方法（如线性回归）进行植被变化趋势分析[^1]。 ---
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

打赏作者

Jackson的生态模型

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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