Google Earth Engine（GEE）——Python干旱严重程度案例分析

最新推荐文章于 2024-07-08 23:30:30 发布
最新推荐文章于 2024-07-08 23:30:30 发布
阅读量1.5k 收藏 5
点赞数
分类专栏： GEE-PYTHON 文章标签： python 日历图 时间序列 chart 柱状图
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31988139/article/details/119938844
版权
本教程通过Google Earth Engine（GEE）使用Python分析帕尔默干旱严重程度指数（PDSI），展示如何创建日历热图和条形图以理解干旱趋势。数据经过过滤、减少、转换并导入到Pandas DataFrame，最后通过Altair库生成图表，揭示了2012年至2016年的严重干旱期。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在本节中，我们将把干旱严重程度的时间序列视为日历热图和条形图。

导入数据

  1. 将网格化的帕尔默干旱严重程度指数 (PDSI) 数据加载为ee.ImageCollection.
  2. 将 EPA 3 级生态区边界加载为ee.FeatureCollection并对其进行过滤以仅包括内华达山脉区域，该区域定义了感兴趣的区域 (AOI)。 
    #加载影像筛选波段，加载感兴趣的区域然后进行矢量边界筛选
pdsi = ee.ImageCollection('GRIDMET/DROUGHT').select('pdsi')
aoi = ee.FeatureCollection('EPA/Ecoregions/2013/L3').filter(
    ee.Filter.eq('na_l3name', 'Sierra Nevada')).geometry()

了解本专栏 订阅专栏 解锁全文 超级会员免费看
GEE高阶应用python wxee——气候平均值的估算（10年间月总降雨量和日均燃烧指数）
此星光明博客
03-02 373
在本教程中，我们将了解如何使用 wxee 计算网格天气数据的长期气候平均值。目前支持月平均气候学和日平均气候学。气候平均值的计算在气候学和气象学中有多种应用，包括：1. 气候分析：通过计算某地区长期的气候平均值，可以了解该地区的气候特征，如平均温度、降水量、湿度等。这对于了解地区的气候类型、季节变化以及气候变化趋势具有重要意义。2. 气候预测：通过计算过去的气候平均值，可以用于预测未来的气候变化。根据计算得出的气候平均值，可以推断未来的气温、降水情况，为农业、水资源管理、城市规划等领域提供参考。
Google Earth Engine（GEE）——Python 干旱指标PDSI和植被指数NDVI之间的关系
此星光明博客
08-28 2695
散点图是可视化两个变量之间关系的好方法。在这里，PDSI（干旱指标）将绘制在 x 轴上，NDVI（植被生产力）绘制在 y 轴上。为此，两个变量必须存在于同一个 DataFrame 中。每行将是一个时间观测值，列将对应于 PDSI 和 NDVI 值。目前PDSI和NDVI在两个不同的DataFrame中，需要合并。 准备数据 在它们可以合并之前，每个变量必须减少到一个共同的时间观察单元来定义对应关系。有多种方法可以做到这一点，每种方法都会以不同的方式定义 PDSI 和 NDVI 之间的关系。在这里，我们的
【Python代码】Python使用MODIS数据实现温度植被干旱指数TVDI的计算-代码+数据
11-26
对中巴经济走廊2000–2017年逐月温度植被干旱指数数据集中描述的方法进行了python实现
用python预处理提取干旱特征的数据
Phoebebbbb的博客
08-01 405
这里正式对时间进行循环，注意初始年月的书写位置，每次对新一年的循环，都要初始月份，不然就会判断上一次的月份，而不在范围内，导致无法进入循环。针对批量提取干旱特征，目前只找到matlab的代码，代码要求的数据格式跟我的数据格式不太相同，所以我选择用比较熟悉的python进行预处理。f是文件名，需要对文件夹下的f.csv文件进行循环，因此每次循环都要新的dataframe表格，所以空表写在循环里面。原始数据中，时间这列格式为1980/3/1，目标格式将时间拆分为一列是年，一列是月。
Google Earth Engine（GEE）——全球干旱指数（Global-Aridity_ET0）和全球参考蒸发量（Global-ET0）第三版数据集提供了1970-2000年
此星光明博客
06-06 2159
全球干旱指数（Global-Aridity_ET0）和全球参考蒸发量（Global-ET0）第三版数据集提供了1970-2000年期间高分辨率（30角秒）的全球栅格气候数据，与潜在植物生长的蒸发过程和降雨量不足有关，基于参考作物的Penman Monteith蒸发量方程式的实施。在这种表述下，干旱指数值在更潮湿的条件下会增加，而在更干旱的条件下会减少。在全球干旱指数_ET0地理数据集中报告的干旱指数值已经乘以10,000的系数，得出数据并作为整数分配（小数点后4位）。
干旱重现期：估算月降雨量记录的气象干旱重现期。-matlab开发
05-29
这项工作旨在量化发生的概率并估计气象干旱（降水）的重现期。 为了估算气象干旱的重现期，使用了按时间顺序排列的每月降雨量。
Google Earth Engine（GEE）——Python Landsat5/7/8合并、链接和属性统计（NBR案例分析）
此星光明博客
08-28 1335
在区域尺度上，干旱与植被生产力之间似乎存在关系。本节将更仔细地研究干旱对斑块级别植被的影响，特别关注死亡率。在这里，创建了 1984 年至今的 Landsat 时间序列集合，以相对精确的空间分辨率为变化提供更大的时间背景。 寻找兴趣点 在交互式Folium地图中使用来自国家农业图像计划 (NAIP) 的航拍图像来确定内华达山脉生态区中似乎有死树斑块的位置。 运行以下代码块为选定的 NAIP 图像渲染交互式 Folium 地图。 缩放和平移图像以识别最近死树的区域（没有细枝的站立的银色障碍物或带有细枝
Google Earth Engine（GEE）——Python 气候分析和预测
此星光明博客
08-27 1552
先前的数据可视化表明，内华达山脉生态区的干旱与植被压力和死亡率之间存在关系。 本节将着眼于预测未来气候将如何变化，这可以让我们了解对干旱条件的预期，并推测其对植被的影响。 我们将查看历史和预测的温度和降水。预测数据由 NEX-DCP30 表示，历史观测由 PRISM 表示。 未来气候 NEX-DCP30 数据包含使用多种温室气体浓度路径 (RCP) 情景预测到 2100 年的 33 个气候模型。在这里，我们将使用 RCP 8.5（最坏情况）的所有模型的中值来查看未来的潜在温度和降水。 导入并准备集
Google Earth Engine（GEE）——Python 归一化植被指数NDVI计算
此星光明博客
08-29 2055
NDVI 是光合能力的替代度量，在本教程中用于研究植被对上述 PDSI 条形图中确定的 2012-2016 干旱的响应。 MODIS 提供了一个可供分析的 16 天 NDVI 复合材料，非常适合时空植被动态的区域调查。以下步骤以与上述 PDSI 数据相同的方式减少和准备这些数据以用于制图；请参阅前面的部分以查看详细信息。 导入和减少 将 MODIS NDVI 数据加载为ee.ImageCollection. 创建区域缩减函数。 将该函数应用于时间序列中的所有图像。 过滤掉具有空计算值的特征。
GEE学习笔记 八十二：湖北旱情分析（2019年8月-9月）
02-16 323
用GEE结合气象数据来做一个简单的数据分析。
游程理论识别干旱特征
06-09
基于游程理论，可以提取干旱特征，分析区域干旱特诊该变化趋势
温度植被干旱指数（TVDI）计算
10-18
温度植被干旱指数TVDI(Temperature Vegetation Dryness Index)是一种基于光学与热红外遥感通道数据进行植被覆盖区域表层土壤水分反演的方法。 作为同时与归一化植被指数(NDVI)和地表温度(LST)相关的温度植被干旱指数(TVDI)可用于干旱监测，尤其是监测特定年内某一时期整个区域的相对干旱程度，并可用于研究干旱程度的空间变化特征。
Google Earth Engine——干旱指数（KBDI）是一个连续的参考量表，用于估计土壤和煤层的干燥程度。该指数在没有下雨的每一天都会增加（增加的数量取决于每日的最高温度）
此星光明博客
10-19 2163
Keetch-Byram Drought Index (KBDI) is a continuous reference scale for estimating the dryness of the soil and duff layers. The index increases for each day without rain (the amount of increase depends on the daily high temperature) and decreases when it rai
Python-Cartopy制图学习02-中国2010年5月干旱情况空间制图
EWBA_GIS_RS_ER的博客
06-01 862
Cartopy制图，自主设置颜色，自主设置图例
GEE代码实例教程详解：植被状况指数（VCI）与干旱监测
最新发布
TwcatL_tree
07-08 1045
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。
GEE数据集——加拿大干旱栅格数据集
此星光明博客
12-27 513
通常，SPI值小于-2代表严重干旱，-1至-2表示轻度到中度干旱，0至-1表示潜在干旱，1至2表示潜在湿润，大于2表示湿润。在计算前景时，考虑了农业气候指数，例如标准降水指数 (SPI)、标准降水蒸发指数 (SPEI) 和帕尔默干旱严重度指数 (PDSI)。标准降水蒸发指数（SPEI）是一种评估干旱和湿润程度的方法，是对帕尔默干旱严重度指数（PDSI）的改进和完善。负数表示干旱，正数表示湿润，0表示正常。该指数是一种有效的干旱监测工具，可以提供重要的参考信息，帮助人们更好地了解和应对干旱的风险。
利用Arcpy模块进行干旱严重度指数DSI的批量计算（栅格批量计算）
qq_53593909的博客
03-13 742
thi_Path = "D:\\modis_data\\3.9meeting\\2010_pet\\Setnulled\\2010pet_mon\\"# PET数据。sec_Path = "D:\\modis_data\\3.9meeting\\2010_et\\TICHU\\2010_etmon\\" # ET数据。fir_Path = "D:\\modis_data\\3.9meeting\\2010_ndvi\\" # NDVI数据。# 程序说明：使用ARCGIS自带的python2.7编译器。
Google Earth Engine（GEE）——计算火灾面积并利用不同图表进行展示
此星光明博客
11-18 1911
如果对象的时间戳落在日历字段的给定范围内，则返回一个通过的过滤器。月、年中的日、月中的日和周中的日是以1为基础的。本教程的主要目的是如何进行图表的多样化展示，本教程的主要是利用全球数简化版本的国家边界，分别计算中美洲地区洪都拉斯、尼加拉瓜、危地马拉、萨尔瓦多、巴拿马、哥斯达黎加、伯利兹7个国家的地区的过火面积，并利用不同图表进行了结果分析。提取并绘制集合中每张图片在每个区域的指定波段的值。选项有：年、月、小时、分钟、年中之日、月中之日和周中之日。field（字符串，默认为 "年中的一天"）。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值