TwcatL_tree

本篇博客将介绍如何使用Google Earth Engine (GEE) 对Sentinel-2数据进行归一化差异水体指数（NDWI）和归一化差异植被指数（NDTI）的分析。这些指数有助于识别水体和植被覆盖情况。创建多边形区域roi，用于限定分析的地理范围，并设置地图中心。

在本篇博客中，我们将使用Google Earth Engine (GEE) 对土地覆盖变化进行年度和月度的分析。通过Google的Dynamic World数据集，我们可以识别2023年至2024年间土地覆盖的类型和变化。创建一个点对象loc，用于确定研究区域。定义函数，用于生成时间序列的土地覆盖图像集合。

在本篇博客中，我们将使用Google Earth Engine (GEE) 对蒸散发 (Evapotranspiration, ET) 和作物水分胁迫指数 (Crop Water Stress Index, CWSI) 进行分析。通过MODIS数据集，我们可以评估2001年至2024年间的水分状况和作物生长环境。创建一个点对象loc，用于确定研究区域。

在本篇博客中，我们将使用Google Earth Engine (GEE) 进行植被状况指数（Vegetation Condition Index, VCI）的计算和干旱监测。通过MODIS NDVI数据，我们可以评估2001年至2024年间的植被状况和干旱等级。创建一个点对象point，用于确定研究区域。

本篇博客将介绍如何使用Google Earth Engine (GEE) 对湖泊水位变化进行监测。通过MODIS数据集，我们可以识别2001年和2023年的湖泊范围，并计算湖泊的高程变化。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。

在本篇博客中，我们将使用Google Earth Engine (GEE) 对长时间序列的风速数据进行分析。通过ERA5再分析数据集，我们可以计算2010年至2024年间的平均风速，并与1980年至2020年的风速数据进行比较。创建一个多边形区域roi，用于限定分析的地理范围。

在本篇博客中，我们将使用Google Earth Engine (GEE) 对地表温度数据进行分析，并探究不同土地覆盖类型（特别是水体和城市区域）的地表温度变化。通过MODIS数据集，我们可以监测2001年至2024年间的数据。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。

本篇博客将介绍如何使用Google Earth Engine (GEE) 进行雪盖监测和分析。通过MODIS MOD10A1数据集，我们可以识别2010年至2015年间的雪盖范围，并计算其面积。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。

在本篇博客中，我们将使用Google Earth Engine (GEE) 对MODIS土地覆盖数据进行分析。通过MODIS/061/MCD12Q1数据集，我们可以识别不同的土地覆盖类型，并计算每种类型的总面积。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。

在本篇博客中，我们将使用Google Earth Engine (GEE) 对地表温度 (LST) 进行长时间序列分析。通过结合Landsat 4-9的数据，我们将探索1982年至2024年间地表温度的变化趋势。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。

在本篇博客中，我们将使用Google Earth Engine (GEE) 对MODIS NDVI数据进行时间序列趋势分析。通过分析2001年至2021年的NDVI数据，我们可以了解植被覆盖度随时间的变化趋势。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。

本篇博客将介绍如何使用Google Earth Engine (GEE) 对长时间序列的Landsat数据进行归一化植被指数（NDVI）分析。通过此分析，可以监测和评估1982年至2024年间的植被变化趋势。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。定义函数，用于计算Landsat 4-5和7（SLC正常）的NDVI。定义slc_off函数，用于处理Landsat 7 SLC偏移后的数据。定义ndvi_oli函数，用于计算Landsat 8-9的NDVI。

在本篇博客中，我们将使用Google Earth Engine (GEE) 进行洪水灾害监测。通过分析Sentinel-1雷达数据，我们可以识别特定时间段内的洪水变化情况。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。定义speckel函数，使用局部中值滤波去除Sentinel-1图像的斑点噪声。

在本篇博客中，我们将使用Google Earth Engine (GEE) 对特定区域内的地形进行分析。我们将使用SRTM（Shuttle Radar Topography Mission）数据集获取高程信息，并计算坡度、坡向等地形属性。此外，我们还将使用ALOS（Advanced Land Observing Satellite）数据集来分析数字地表模型（DSM）。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。

在本篇博客中，我们将使用Google Earth Engine (GEE) 对特定区域内的降水量进行分类分析。通过设定不同的降水量阈值，我们可以将降水量分为干旱、中等和湿润三个类别，并分析这些类别随时间的变化。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。

在本篇博客中，我们将使用Google Earth Engine (GEE) 分析特定区域内年平均温度随时间的变化。通过分析ECMWF（European Centre for Medium-Range Weather Forecasts）提供的ERA5_LAND数据集，我们可以了解从1950年到2020年的温度趋势。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。

在本篇博客中，我们将通过Google Earth Engine (GEE) 分析特定区域内的降水量异常。利用UCSB-CHG提供的CHIRPS（Climate Hazards Group InfraRed Precipitation with Station data）数据集，我们可以监测2000年至2020年期间的降水量变化。创建一个多边形区域roi，用于限定分析的地理范围。

我们定义了一个多边形区域作为研究对象，使用创建，并将其添加到地图上。

我们首先定义了一个多边形区域（Region of Interest, ROI），这是分析湖泊面积的地理范围。坐标点列表表示多边形的顶点，我们使用来创建这个多边形。设置时间范围time_start和time_end，用于筛选Landsat 8图像集合中的图像。

OpenStreetMap官网：https://www.openstreetmap.org/export#map=5/36.085/-91.890&layers=T。具体解释参见http://wiki.openstreetmap.org/wiki/Key:highway。‘motorway_link’ 高速公路连接处 50。‘secondary_link’ 次干道连接处 30。‘tertiary_link’ 三级道路连接处 10。‘primary_link’ 主干道连接处 40。

届时，你已经把所有因变量与自变量的关系都运行出来了，每一对都有一个Q值和P值，根据Q值的大小可以进行后续分析，这里也不对原理做过多解释了，P值主要是用于显著性检验的。此时，在RStudio右下方的“Packages”中，可以看到raster包以及其所依赖的sp包都处于选中的状态，表明二者都已经配置成功，且完成导入。注意了，上面代码的参数还是需要你自己改的，比如离散分割方法，尺度范围等等。你需要到相应的网站去下载你的研究区的自变量和因变量数据的栅格数据（可以是离散的，也可以是连续的）

背景：准确提取区域的水稻分布对农业和生态很重要；问题：以前的研究大多用单一的关键物候期（例如移植期），但是这个时期和湿地容易混淆；方法：开发了一种增强的基于像素的物候特征复合方法（Eppf-CM）；结论：实地调查数据显示，Eppf模型制图的总体精度高于0.98。东北水稻区，2019年Eppf制图仅比国家统计局少1.86%。展望：1）Eppf-CM将推进物候农业测绘发展；2）水稻分布将为农业和生态提供新的基础数据。

2.2 getSmallVec(featureCollection, i, table.geometry())函数。2.1 vecSplitByRowCol(table.geometry(), Row, Col)函数。

APP左侧展示了加沙地区2022年11月-2023年3月以及2023年11月和2024年3月的植被面积变化曲线。本文将介绍如何在 Google Earth Engine (GEE) 平台中使用光谱距离度量方法进行地表覆盖变化检测，并以加沙地区为例，使用Sentinel2数据展示2023年3月和2024年3月的地表覆盖变化区域。点击进入APP之后，需要等一会。放大局部地区观察，和2023年3月对比，可以看到2024年3月的地表覆盖中大部分是裸地，这些裸地都是由耕地和建筑用地变化而来。4.5 土地利用分类图。

以下文章来源于GEE学习室 ，作者GEEStudyRoom光学影像由于受到天气因素（云、雨和雾等）影响，导致单张影像数据存在大量坏死像元。此处，坏死像元指由于受到云遮挡等导致下垫面地物覆盖不能准确被卫星信息捕捉从而不能正常用于实际应用的像素（云识别等研究除外，因为这类研究就是需要有云像素）。坏死像元的存在造成实际应用中数据需求难以得到满足，因此有必要考虑时序影像合成等技术来补充/弥补影像。

【代码】【GEE】使用Colab加载Geemap。

【代码】【GEE】基于Landsat8数据的地表温度LST反演。

当单开3D Cube RGB Face Input Bands对话框时，通过点击所需的波段，选择置于图像表面的RGB波段，这里使用的Indian pines数据集，RGB分别使用了29,19,9波段，单击OK按钮。但是这里却到了一个问题，由于使用的高光谱数据集是mat格式，Envi是不支持这种格式的。（2）波普缩放系数（Spectral Scale）：波普放大系数，对于多光谱等波段数较少的数据，可以适当的设置这个系数。​ 值得一提的是，可以通过鼠标和键盘对绘制的图像进行旋转，放大，缩小等操作。

【代码】【GEE】利用哨兵2号计算NDBI并使用前后时段影像补全空值。

如果有 n 个时间点 在序列中，我们需要检查 N（N-1）/2 对 （i， j），i

【代码】【GEE】遥感数据趋势分析Sen+mk。

/ 设置日期范围 var startDate = ‘2020-06-01’;// 对图像进行融合 var meanImage = landsat.select(‘B4’, ‘B3’,这里我选用的是RGB，如果你需要其他波段的话，请在这里添加。你可以适当的调整时间，来看看哪一张那个融合后的影像效果最好。如果你仅仅是使用影像来可视化的话，追求没有云的效果。如果你要绘制研究区概况或者是做一个产品的比较。需要整个研究区的Landsat8影像的话。

例如，当我们处理网格数据（如降水数据）时，由于这类数据通常不会受到异常值（如云或云阴影）的影响，因此使用。更适用于存在异常值的数据集。在光学遥感数据中，如云、云阴影等异常值经常会影响数据的准确性。在这种情况下，使用中位数聚合可以更有效地排除这些异常值的影响。在使用Google Earth Engine（GEE）进行数据分析和影像处理时，我们经常会遇到需要对影像进行聚合的情况。可以减少这些异常值对整体数据的影响，从而得到更准确的聚合结果。这也是为什么在处理光学遥感数据时，我们通常会选择使用中位数聚合的原因。

【代码】【GEE】基于PCA的LANDSAT 8计算遥感生态指数（RSEI）

在地球科学、气象学以及环境监测等领域，遥感影像数据是一种重要的信息源，它们可以提供地表的地形、植被覆盖、气候变化等丰富信息。然而，随着观测技术的进步，我们通常会获得大量的遥感影像数据，如何高效地处理和分析这些数据成为了一项挑战。本文将介绍如何利用 Python 中的 GDAL 库处理遥感影像数据，并通过计算年度平均影像来提取更有意义的信息。

修改以下代码中的output_path（结果输出路径）、path_class（POI分类编码表位置）、amap_web_key（高德地图API_KEY）、cityname(要搜索的POI的城市名称)、areas（要搜索的POI的区县名称），运行。（2）下载高德地图POI分类编码表，下载地址：https://lbs.amap.com/api/webservice/download。（1）申请Key，若无高德地图API账号需要先申请账号 https://lbs.amap.com/dev/key。

1.Theil-Sen Median方法又被称为 Sen 斜率估计，是一种稳健的非参数统计的趋势计算方法。该方法计算效率高，对于测量误差和离群数据不敏感，常被用于长时间序列数据的趋势分析中。对于后续代码计算结果中的slope.tif解读,当slope大于0表示随时间序列呈现上升趋势；slope小于0表示随时间序列呈现下降趋势。

MK检验是曼－肯德尔法，又称Mann—Kenddall 检验法，是一种气候诊断与预测技术，应用Mann-Kendall检验法可以判断气候序列中是否存在气候突变，如果存在，可确定出突变发生的时间。目前常用于长时间序列的栅格数据的显著性检验，在植被覆盖度，NDVI，NPP等方面尤为常见。该检验功能强大，不需要样本遵从一定的分布，部分数据缺失不会对结果造成影响，不受少数异常值的干扰，适用性强。不但可以检验时间序列的变化趋势，还可以检验时间序列是否发生了突变。Matlab代码实现。

本实验拟分析艾比湖地区2010年至2020年间的NDVI数据，数据从MODIS遥感影像中提取的NDVI值，在GEE遥感云平台上将影像数据下载下来。下载该10年间的数据后，打开RStdio并导入将趋势检验中将使用的R包。R语言计算完slope和Z值后，根据这两个结果就可以进行NDVI趋势制图了。使用栅格计算器将Slope和Z值计算结果相乘，最后得到趋势变化划分。−0.0005≥SNDVI≥0.0005 植被生长稳定。|Zs|≥0.196 通过95%置信度检验，显著。SNDVI≥0.0005 植被改善。

Landsat Level 2 科学产品是从满足