中国1986-2024年30米分辨率年最大NDVI数据集（含条带修复）含24年最新！！

中国1986-2023年30米分辨率年最大NDVI数据集（含条带修复）

     本数据集包含1986年至2023年间中国（东经112.749955°至113.225114°，北纬28.022906°至28.337638°）地区的年最大归一化植被指数（NDVI）值，体现了38年间该地区植被动态的年际变化。数据源自LANDSAT系列遥感卫星，通过Google Earth Engine云计算平台进行处理(包括去云、云影去除、以及条带错位的修复)获得。

    本数据集以30米的空间分辨率捕捉植被的生长状态，为从长时间尺度观测植被变化提供了宝贵的数据资源。

关键词    NDVI, LANDSAT系列,中国, 条带修复，30米 数据采集和处理   数据集整合了LANDSAT系列多型号卫星（如LANDSAT 5 TM, LANDSAT 7 ETM+, LANDSAT 8 OLI/TIRS，LANDSAT9等）的表面反射率产品。采用先进算法对原始遥感影像进行云屏蔽、条带错位修复，并基于已处理影像生成年最大NDVI。   

 (1)云和阴影遮挡修正    应用去云算法cloudMaskL7，通过分析影像的质量评估带来除去影响植被指数计算的云和阴影，提升数据的质量与应用价值。其主要代码：   

 (2)SLC条带修复    特别对于LANDSAT 7 ETM+在2011-2013年的SLC-off期间受损数据，开发了GapFill条带修复算法，通过周边像素值预测缺失信息，确保NDVI时序的完整性。     

主要是通过一个核函数进行设定，然后按照邻近像素进行聚类分析，最后按照线性函数的斜率和截距进行进行条带的插值即可填充。具体的修复原理如下：     

1. 首先，使用适当的算法来确定缺失的数据，例如插值算法或回归分析。   

 2. 然后，使用较高分辨率的传感器图像，例如MODIS的数据，来填充缺失的数据。可以使用像素匹配技术来匹配Landsat 7和MODIS数据之间的相似像素。     

3. 接下来，通过对不同波段的颜色进行校正，将填充的数据与原始的Landsat 7数据进行融合。此时，需要对填充的数据进行调整，使其与原始数据的亮度和色调匹配。   

4. 最后，对修复后的图像进行后处理，例如去除椒盐噪声或进行图像平滑操作，以获得更好的视觉效果。   

通过使用较高分辨率的传感器数据来填充缺失的数据，可以恢复Landsat 7图像的质量并减少条带状的颜色差异。   

 (3)NDVI计算与合成    分别对LANDSAT 5/7/8系列数据计算NDVI，最后合成各年份最大NDVI值以反映植被在每年中的最佳状态。由红波段与近红外波段的归一化比值处理获得，其中Landsat5 和Landsat 7NDVI计算利用 B4和B3波段，Landsat8 和Landsat9 NDVI计算利用 B5和B4波段。但合成算法采用的是最大NDVI方法，并进行BRDF校正。   

 NDVI计算公式为：     

                                        NDVI=(NIR-R)/(NIR+R)

应多位学者科研需求，现将主要修复代码分享给大家，大家可自行处理，代码如下：

// ##### 去云函数 #######//

var cloudMaskL7 = function(image) { var qa = image.select('pixel_qa');

var cloud = qa.bitwiseAnd(1 << 5) .

                and(qa.bitwiseAnd(1 << 7)) .

                or(qa.bitwiseAnd(1 << 3));

var mask2 = image.mask().reduce(ee.Reducer.min());

return image.updateMask(cloud.not()).updateMask(mask2); };

var l7 = ee.ImageCollection('LANDSAT/LE07/C01/T1_SR')

 .map(cloudMaskL7);

// ##### 用于云遮蔽 L7 收集的 SLC 填隙功能 #######//

var kernelSize = 25;// Tried with 5, 10, 20, 30

var kernel = ee.Kernel.square(kernelSize * 30, 'meters', false);

var GapFill = function(image) { var start = image.date().advance(-1, 'year');

var end = image.date().advance(1, 'year');

var fill = l7.filterDate(start, end).median();

var regress = fill.addBands(image);

var regress1 = regress.select(regress.bandNames().sort());

var fit = regress1.reduceNeighborhood(ee.Reducer.linearFit().forEach(image.bandNames()), kernel, null, false);

var offset = fit.select('.*_offset');

var scale = fit.select('.*_scale');

var scaled = fill.multiply(scale).add(offset);

return image.unmask(scaled, true); };

// ##### 过滤原始图像集并实施云屏蔽#######//

Map.centerObject(AOI, 11);

var visParams = {bands: ['B3', 'B2', 'B1'], min: 200, max: 3000};

var filteredColl_cloudmasked = ee.ImageCollection('LANDSAT/LE07/C01/T1_SR')                   .filterBounds(AOI)

.filterDate('2012-01-01', '2012-07-31')

.map(cloudMaskL7)

print(filteredColl_cloudmasked);

数据集创新点

        该数据集受Landsat影像数量影响明显，有的年份局部区域(主要是新疆、西藏)数据缺失，不同影像图幅间可能会有整体性条纹状差异。对2012和2013年LANDSAT 7 ETM+受SLC-off影响的数据进行条带修复，确保数据连续性。便于分析中国近40年的植被历史变化及趋势。数据修复效果前后对比：