2023-5-30-GEE-土地覆盖处理

暮色驶过苍茫

已于 2023-06-08 22:57:49 修改

阅读量1.7k

点赞数 17

分类专栏： GEE arcgis学习文章标签： javascript

于 2023-05-30 21:29:24 首次发布

本文链接：https://blog.csdn.net/m0_51203082/article/details/130957492

版权

GEE 同时被 2 个专栏收录

1 篇文章 0 订阅

订阅专栏

arcgis学习

1 篇文章 0 订阅

订阅专栏

大家可以借鉴，但是希望不要抄的一模一样喔。・ࡇ・

GEE-土地覆盖处理

1 数据集介绍

MCD12Q1.061 MODIS 土地覆盖类型每年全球500m

DOIS：https://doi.org/10.5067/M ODIS/MCD12Q1.061

GEE中获取方式：ee.ImageCollection(“MODIS/061/MCD12Q1”)

描述：Terra 和 Aqua 组合的中分辨率成像光谱仪 (MODIS) 土地覆盖类型(MCD12Q1) 版本 6.1 数据产品每年提供全球土地覆盖类型。MCD12Q1 版本 6.1 数据产品是使用 MODIS Terra 和 Aqua 反射率数据的监督分类得出的。土地覆盖类型源自国际地圈-生物圈计划 (IGBP)、马里兰大学 (UMD)、叶面积指数 (LAI)、生物群落-生物地球化学循环 (BGC) 和植物功能类型 (PFT) 分类方案。监督分类然后进行额外的后处理，结合先验知识和辅助信息以进一步细化特定类别。还提供了土地覆盖类型 1-5、土地覆盖特性 1-3、土地覆盖特性评估 1-3、土地覆盖质量控制 (QC) 和土地水掩模的图层。

2 GEE

2.1 code

function addLegend(palette, names) {
 //图例的底层Panel
 var legend = ui.Panel({
   style: {
     position: 'bottom-right',
     padding: '5px 10px'
   }
 });
 //图例标题
 var title = ui.Label({
   value: '图例',
   style: {
     fontWeight: 'bold',
     color: "red",
     fontSize: '16px'
   }
 });
 legend.add(title);

 //添加每一列图例颜色以及说明
 var addLegendLabel = function(color, name) {
       var showColor = ui.Label({
         style: {
           backgroundColor: '#' + color,
           padding: '8px',
           margin: '0 0 4px 0'
         }
       });

       var desc = ui.Label({
         value: name,
         style: {margin: '0 0 4px 8px'}
       });
     //颜色和说明是水平放置
       return ui.Panel({
         widgets: [showColor, desc],
         layout: ui.Panel.Layout.Flow('horizontal')
       });
 };

 //添加所有的图例列表
 for (var i = 0; i < palette.length; i++) {
   var label = addLegendLabel(palette[i], names[i]);
   legend.add(label);
 }  

 Map.add(legend);
}


//modis地标分类数据  
var countries = ee.FeatureCollection("users/landusers/province"); 
var mcd12q1 = ee.ImageCollection("MODIS/006/MCD12Q1");  
var roi = countries.filter(ee.Filter.eq("PINYIN_NAM", "chongqingshi"));//feature 7 
Map.centerObject(roi, 8);  
Map.addLayer(roi, {}, "roi");
//选择重庆2020的土地覆盖  
var dataset = mcd12q1.filterDate('2020-01-01', '2021-1-01')
                     .select('LC_Type1')
                     .first()
                     .clip(roi)
print("dataset",dataset);  
//统计
var area = ee.Image.pixelArea().addBands(dataset)
.reduceRegion({
        reducer: ee.Reducer.sum().group({
          groupField: 1, 
          groupName: "discrete_classification"
        }),
        geometry: roi, 
        scale: 500,
        maxPixels:10e15,
})
print("discrete_classification",area)
var dataset = dataset.set({"area":area})

var dataseicol = ee.ImageCollection(dataset);

var area = dataseicol.reduceColumns(ee.Reducer.toList(), ['area'])
                            .get('list');
                            
var time = dataseicol.reduceColumns(ee.Reducer.toList(), ['system:time_start'])
                            .get('list');
var feature = ee.List(time).zip(area).map(function(timeArea){
  var time = 2020+"year";
  var area = ee.List(timeArea).get(1);
      area = ee.Dictionary(area).get("groups");
  var feature = ee.List(area).map(function(dict){
      dict = ee.Dictionary(dict);
  var value = dict.values();
    return ee.Feature(null, { 
      time: time,
      land:value.get(0),
      area:value.get(1)});
    });
    
  return feature;
});

feature = feature.flatten();
var feature = ee.FeatureCollection(feature);
var palette = [
    '05450a', '086a10', '54a708', '78d203', '009900', 'c6b044', 'dcd159',
    'dade48', 'fbff13', 'b6ff05', '27ff87', 'c24f44', 'a5a5a5', 'ff6d4c',
    '69fff8', 'f9ffa4', '1c0dff'
  ]
var names = [ '1 Evergreen Needleleaf Forests',
              '2 Evergreen Broadleaf Forests',
              '3 Deciduous Needleleaf Forests',
              '4 Deciduous Broadleaf Forests ',
              '5 Mixed Forests',
              '6 Closed Shrublands ',
              '7 Open Shrublands',
              '8 Woody Savannas',
              '9 Savannas',
              '10 Grasslands ',
              '11 Permanent Wetlands',
              '12 Croplands',
              '13 Urban and Built-up Lands ',
              '14 Cropland/Natural Vegetation Mosaics',
              '15 Permanent Snow and Ice',
              '16 Barren',
              '17 Water Bodies']
//画折线图
var chart = ui.Chart.feature.groups(feature, "land", "area", "time")
    .setOptions({
      title: 'area  Landcover',
      hAxis: {'title': 'classfication'},
      vAxis: {'title': 'area (m^2)'},
      pointSize: 3,
      colors:['c24f44']
    })
print(chart)
var landcoverVisualization = {palette: palette, min: 1, max: 17, format: 'png'};
Map.addLayer(dataseicol.first().clip(roi), landcoverVisualization, 'landcover');

//添加图例
addLegend(palette, names);
//下载
 Export.image.toDrive({
  image: dataset,
  description: 'modis_landcover_chongqing',
  folder:"DATA",
  region: roi,
  scale: 500,
  crs:'EPSG:4326',
  fileFormat: 'GeoTIFF',
});

其中颜色标注与土地分类来源于文档MCD12_User_Guide_V61.pdf （https://lpdaac.usgs.gov/documents/101/MCD12_User_Guide_V6.pdf）中关于LC_Type1的说明。
选择重庆市的土地覆盖数据时，ee.Filter.eq字段为"chongqingshi",而不是"Chongqing"，这需要打印countries字段查看属性得知，发现有很多省份也不是首字母大写，此外还有西藏不是国际上一般使用的"Tibet"，而是中文拼音。可能是ID字段要唯一有关。

2.2 代码运行结果:

重庆市土地覆盖分类图

在这里插入图片描述

重庆各类土地折线图

在这里插入图片描述

2.2 结果分析

结果导出计算得到重庆面积大约为81150平方公里，而实际重庆面积为82402万平方公里，误差约为1.5%，说明整个过程误差准确性较高。

表格 1 GEE-土地覆盖各类面积

value and name	Area(km²)
1 Evergreen Needleleaf Forests	300
2 Evergreen Broadleaf Forests	62
4 Deciduous Broadleaf Forests	3841
5 Mixed Forests	10542
8 Woody Savannas	29103
9 Savannas	10624
10 Grasslands	250
11 Permanent Wetlands	328
12 Croplands	461
13 Urban and Built-up Lands	1640
14 Cropland/Natural Vegetation Mosaics	23909
16 Barren	15
17 Water Bodies	74

GEE-各类土地复合饼图

在这里插入图片描述

3 Arcmap

3.1 重分类

选择Spatal Analyst工具-重分类-重分类，对GEE导出的tif文件进行重分类重分类字段选择value,分类方法(M)选择唯一，手动修改重分类旧值与新值对应无误后，其中0值对应为NoData，最后选择输出栅格。

3.2 颜色标注与土地分类

参考文档：

MCD12_User_Guide_V61.pdf（https://lpdaac.usgs.gov/documents/101/MCD12 _User_Guide_V6.pdf）中关于LC_Type1的说明

表格 2 颜色对照表

value and name	Color Value	RGB
1 Evergreen Needleleaf Forests	05450a	RGB(5,69,10)
2 Evergreen Broadleaf Forests	086a10	RGB(8,106,16)
3 Deciduous Needleleaf Forests	54a708	RGB(84,167,8)
4 Deciduous Broadleaf Forests	78d203	RGB(120,210,3)
5 Mixed Forests	009900	RGB(0,153,0)
6 Closed Shrublands	c6b044	RGB(198,176,68)
7 Open Shrublands	dcd159	RGB(220,209,89)
8 Woody Savannas	dade48	RGB(218,222,72)
9 Savannas	fbff13	RGB(251,255,19)
10 Grasslands	b6ff05	RGB(182,255,5)
11 Permanent Wetlands	27ff87	RGB(39,255,135)
12 Croplands	c24f44	RGB(194,79,68)
13 Urban and Built-up Lands	a5a5a5	RGB(165,165,165)
14 Cropland/Natural Vegetation Mosaics	ff6d4c	RGB(255,109,76)
15 Permanent Snow and Ice	69fff8	RGB(105,255,248)
16 Barren	f9ffa4	RGB(249,255,164)
17 Water Bodies	1c0dff	RGB(28,13,255)

3.4 导出图层

1、重庆市土地覆盖图1

在这里插入图片描述

2、重庆市土地覆盖图2

3.5 结果分析

将图层进行投影变换，查看属性得出每一个像元大小大约为475.5m*475.5m，总计379420 个像元，计算得到重庆面积大约为85791平方公里，而实际重庆面积为82402万平方公里，误差约为4.1%，说明整个过程误差并没有很大。误差可能产生在投影变换中。

表格 3 Arcmap-土地覆盖各类面积

value and name	Count	Area(km²)
1Evergreen Needleleaf Forests	1400	317
2 Evergreen Broadleaf Forests	292	66
4 Deciduous Broadleaf Forests	18281	4134
5 Mixed Forests	49673	11232
8 Woody Savannas	136029	30758
9 Savannas	49545	11203
10 Grasslands	1166	264
11 Permanent Wetlands	1525	345
12 Croplands	2157	488
13 Urban and Built-up Lands	7583	1715
14 Cropland/Natural Vegetation Mosaics	111354	25178
16 Barren	69	16
17 Water Bodies	346	78

Arcmap-各类土地复合饼图

在这里插入图片描述

4总结

首先，GEE上面编程更加方便快捷，只要更改数据，对其他研究区域也可以很快的进行处理。在ArcMap上面手动操作就慢了许多，而且每次都要进行相同的处理，在制图时更加耗时耗力。

不过，ArcMap制图更加的标准以及有着丰富的功能进行制图美化。

总的来说，可以把数据处理放到GEE上面来做，而制图使用ArcMap工具，这样综合两者的长处。

暮色驶过苍茫

关注

17
点赞
踩
29

收藏

觉得还不错? 一键收藏
6
评论
2023-5-30-GEE-土地覆盖处理

首先，GEE上面编程更加方便快捷，只要更改数据，对其他研究区域也可以很快的进行处理。在ArcMap上面手动操作就慢了许多，而且每次都要进行相同的处理，在制图时更加耗时耗力。不过，ArcMap制图更加的标准以及有着丰富的功能进行制图美化。总的来说，可以把数据处理放到GEE上面来做，而制图使用ArcMap工具，这样综合两者的长处。
复制链接

扫一扫

专栏目录