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。

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。

【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）

Landsat Level 2 科学产品是从满足

未经过大气校正，为大气表观反射率： COPERNICUS/S2，RGB图像如下图：2023年10月。COPERNICUS/S2_SR_HARMONIZED，RGB图像如下图：2023年10月。：COPERNICUS/S2_SR，RGB图像如下图：2023年10月。sentinel-2主要三个。

分类和回归之间的主要区别在于，在分类中，我们的预测目标是离散的类别，而在回归中，预测目标是连续的预测值。本实验的研究区域位于佛蒙特州的埃塞克斯郡，使用训练数据来模拟土壤氧化还原深度，然后生成准确度评估图表和统计数据。（数据仅供实验使用，不代表真实值）

观察这段代码，有一点需要注意的是：调用去云方法rmCloudByScore(image, threshold)需要传入两个参数，一个是影像另外一个是识别云的阈值（也就是大于多大的值就认为是云，范围是0-100）。还有就是调用这个方法之间首先需要将影像的波段做缩放和将波段名称重新命名为指定的名称，这是因为这个算法内部主要逻辑方法_cloudScore(xxx)它内部计算时候取的都是特殊值，具体参考上述代码。这段代码中去云的方法是：rmCloudByQA()其他的代码也都是基础代码，我就不在过多解释。

完整的辐射校正包括遥感器校准、大气校正、太阳高度和地形校正。本文主要介绍辐射校正基本概念及区分辐射校正、辐射定标、大气校正。

之前写了多季节叠加的监督学习，所以这次简单写一个非监督学习吧。。这次为了简单明了，就不整那么多虚的了，在这里我不叠图层了，有需要的可以参考前一篇博客自己添加输入的图层。

这种允许您的最终用户和合作伙伴使用遥感数据提出自己的问题的能力是将他们的专业知识整合到您的工作中的关键一步。虽然此模块中的方法并非旨在回答特定的管理问题，但调整此代码将允许您开始开发自己的 GUI，以针对与项目利益相关者相关的研究问题量身定制。这是您的最终用户应该回答的问题，因为如果您可以让他们保持参与，那么您的内容更有可能被使用。下面是在函数中定义但被本地环境中存在的脚本中的其他元素调用的变量的示例。在下面的脚本中，我们创建了一个面板来存储有关我们正在显示的内容的文本并保存我们的直方图以便于查看。

地图比例尺，地图上测量的距离与景观上的实际距离之间的关系，是地理工作中最常见的。从一个地区排除麋鹿、鹿和奶牛放牧对白杨再生有可观察到的影响，但在了解白杨林下的存在如何影响从初级生产者到大型哺乳动物的地区的整体生物多样性方面所做的工作有限。虽然使用与您在现场的时间非常匹配的图像通常是最佳实践，但在这种情况下，2015 年图像的一致性超过了这些时间问题。我们在这个过程中使用 NAIP，因为它是免费提供的，并且有一个已知的收集日期，允许我们将白杨林区域标记为“存在”，将没有白杨的区域标记为“不存在”。

在本模块中，我们将通过监测受溢油高度影响的区域内藻类浓度随时间的变化趋势，对此次溢油的生态影响进行自己的探索。Sunglit 有效地改变了它所覆盖的表面的所有数据，因为到达传感器的能量只是阳光的直接反射，而不是基于表面吸收和反射的光的子集。我们知道油具有抚平水面的能力，当这种情况发生在阳光明媚的区域内时，油覆盖的表面反射的光比单独的水要多。遥感数据的趋势分析是一个很大的研究领域。这是一种重要的方法，因为在复杂系统中，单一事件可能在短期内产生影响，但由于系统的弹性，随着时间的推移对生态系统功能几乎没有影响。