Google Earth Engine（GEE）计算长时序的月VCI和TCI

生态遥感监测笔记

已于 2022-08-10 19:21:24 修改

阅读量3.3k

点赞数 5

分类专栏： GEE 文章标签： python 人工智能 java 机器学习大数据

于 2022-08-04 10:42:48 首次发布

本文链接：https://blog.csdn.net/guaicaicexu/article/details/126169378

版权

GEE 专栏收录该内容

22 篇文章

订阅专栏

本文介绍了如何使用Google Earth Engine (GEE) 计算并可视化武汉市的植被状况指数(VCI)和温度条件指数(TCI)，基于MODIS数据集进行大规模干旱和热力条件分析。作者详细展示了从数据预处理到结果展示的全过程，包括代码实现和统计图表的创建。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

今天来简单分享在上一篇文章的基础上计算植被状况指数（VCI）和温度条件指数（TCI）

目标：

利用MODIS为数据源，在GEE计算某一地区对月VCI和TCI，并制作统计图

以武汉市为研究区

Kogan等提出的植被状态指数(vegetation condition index,VCI)。与NDVI一样,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。它是在ndvi的基础上计算得出的。

同样而言，TCI也是在LST的基础上计算得出的，

具体的定义的可以查阅相关的论文

GEE实现代码：

首先确定研究区和使用的数据集

var roi = ee.FeatureCollection("users/lilei655123/WUhan");
Map.centerObject(roi,7)
var styling = {color:"red",fillColor:"00000000"};
Map.addLayer(roi.style(styling),{},"geometry")
//添加MODIS植被指数16天全球250米 
var Coll_NDVI = ee.ImageCollection("MODIS/006/MOD13Q1")
//MODIS/006/MOD13A1
var Coll_LST = ee.ImageCollection("MODIS/006/MOD11A2")
//MODIS/006/MOD11A1

确定起止时间和月份

var startYear = 2010;
var endYear = 2020;
var startDate = ee.Date.fromYMD(startYear, 1, 1);
var endDate = ee.Date.fromYMD(endYear, 12, 31);

合成NDVI和LST

Coll_NDVI = Coll_NDVI.filterDate(startDate, endDate).select("NDVI");
Coll_NDVI = ee.ImageCollection(ee.Algorithms.If(Coll_NDVI.size().eq(0),
      ee.ImageCollection(ee.Image(0).selfMask().rename('NDVI')),
      Coll_NDVI
    ));
Coll_LST = Coll_LST.filterDate(startDate, endDate).select("LST_Day_1km");
Coll_LST = ee.ImageCollection(ee.Algorithms.If(Coll_LST.size().eq(0),
      ee.ImageCollection(ee.Image(0).selfMask().rename('LST_Day_1km')),
      Coll_LST
    ));
// MOD12Q1数据的NDVI比例为0.0001 [ 最小值=-2000，最大值=10000]
var Coll_NDVI = Coll_NDVI.map(function(img) {
  return img
    .divide(10000).float().set("system:time_start", img.get("system:time_start")); // keep time info
    });


var Coll_LST = Coll_LST.map(function(img) {
  return img
    .multiply(0.02).subtract(273.15).float().set("system:time_start", img.get("system:time_start")); // keep time info
});


print(Coll_NDVI);
print(Coll_LST);

合成VCI和TCI

var VCI2 = monthlyNDVI.map(function(image) {
  var img = image.select('NDVI').clip(roi);
  return image.addBands(image.expression(
  "100*(NDVI-min)/(max-min)",{
    "NDVI" : img,
    "max" : ee.Image(MonthlyMAX.filter(ee.Filter.eq('month', image.get('month'))).first()),
    "min" : ee.Image(MonthlyMIN.filter(ee.Filter.eq('month', image.get('month'))).first()),
  })
  .rename('VCI')).copyProperties(img,['system:time_start','system:time_end']);
});


//print(VCI2)
Map.addLayer(VCI2)
Map.centerObject(roi)
var clipped_VCI = VCI2.mean().clip(roi).select('VCI');
var VCI_Vis = {
  min: 0.0,
  max: 100.0,
  palette: [
    'red', 'yellow', 'green'],
};


Map.addLayer(clipped_VCI,  VCI_Vis, 'VCI');
//计算TCI: 温度条件指数（TCI）
// 温度条件指数（TCI）
var TCI2 = monthlyLST.map(function(image) {
  var img = image.select('LST_Day_1km').clip(roi);
  return image.addBands(image.expression(
  "100*(LST_Day_1km-min)/(max-min)",{
    "LST_Day_1km" : img,
    "max" : ee.Image(Monthly_LST_MAX.filter(ee.Filter.eq('month', image.get('month'))).first()),
    "min" : ee.Image(Monthly_LST_MIN.filter(ee.Filter.eq('month', image.get('month'))).first()),
  })
  .rename('TCI')).copyProperties(img,['system:time_start','system:time_end']);
});
//print(TCI2)
//Map.addLayer(TCI2)
var clipped_TCI = TCI2.mean().clip(roi).select('TCI');
var TCI_Vis = {
  min: 0,
  max: 100,
  palette: [
    'green', 'yellow', 'red'],
};
Map.addLayer(clipped_TCI,  TCI_Vis, 'TCI');

创建统计图

var VCITimeSeries = ui.Chart.image.seriesByRegion(
    VCI2, roi, ee.Reducer.mean(), 'VCI', 500, 'system:time_start', 'label')
        .setChartType('ScatterChart')
        .setOptions({trendlines: {0: {color: 'red'}},lineWidth: 1,pointSize: 3,
          title: 'MODIS VCI Time Series',
          vAxis: {title: 'VCI'},
                   series: {
            0: {color: 'red'}, 
           
}});


print(VCITimeSeries);
print(ui.Chart.image.series(VCI2 , roi , ee.Reducer.mean(), 500));


var TCITimeSeries = ui.Chart.image.seriesByRegion(
    TCI2, roi, ee.Reducer.mean(), 'TCI', 500, 'system:time_start', 'label')
        .setChartType('ScatterChart')
        .setOptions({trendlines: {0: {color: 'red'}},lineWidth: 1,pointSize: 3,
          title: 'MODIS TCI Time Series',
          vAxis: {title: 'TCI'},
                   series: {
            0: {color: 'red'}, 
           
}});


print(TCITimeSeries);
print(ui.Chart.image.series(TCI2 , roi , ee.Reducer.mean(), 500));

运行结果如下: