Google Earth Engine（GEE）——Python 干旱指标PDSI和植被指数NDVI之间的关系

最新推荐文章于 2025-03-03 17:35:57 发布
最新推荐文章于 2025-03-03 17:35:57 发布
阅读量2.6k 收藏 6
点赞数
分类专栏： GEE-PYTHON 文章标签： python 机器学习 PDSI NDVI 线性相关
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/119939457
版权
本文使用Google Earth Engine (GEE) 和Python探索干旱指标PDSI与植被指数NDVI之间的关系。通过年度观测数据，计算两者的平均值并建立散点图，展示两者之间的正相关性。2016-2018年的异常值可能是长期干旱后的恢复影响。

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

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，我们的时间单位将是一个年度观测集，其中 NDVI 从 DOY 224 到 272 减少到年内最小值，PDSI 将是从 DOY 1 到 272 的平均值。我们建议前三个季度的平均干旱严重程度一年的最小夏季 NDVI 与给定年份的最低夏季 NDVI 相关

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Google Earth Engine（GEE）——Python干旱严重程度案例分析
此星光明博客
08-29 1563
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 将网格化的帕尔默干旱严重程度指数 (PDSI) 数据加载为ee.ImageCollection. 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')
Google Earth Engine（GEE）——Python 归一化植被指数NDVI计算
此星光明博客
08-29 2056
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。
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 2167
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）。
基于 GEE 下载 1958—2023 年全球 0.04 度气候数据（蒸散、气温、干旱、降水、土壤湿度、辐射、饱和水汽压差、风速）
最新发布
@HNUSTer的博客
03-03 828
基于 GEE 下载 1958—2023 年全球 0.04 度气候数据（蒸散、气温、干旱、降水、土壤湿度、辐射、饱和水汽压差、风速）。
GEE数据集：美国植被干旱响应指数 (Vegetation Drought Response Index,VegDRI)数据集
此星光明博客
06-03 1106
植被干旱响应指数（VegDRI）是一个每周一次的地理空间模型，用于描述干旱对美国本土植被造成的压力。VegDRI干旱监测工具是由美国地质调查局EROS中心、内布拉斯加大学国家干旱缓解中心（NDMC）和高原区域气候中心（HPRCC）的科学家们合作开发的。VegDRI方法将美国宇航局Terra平台上的中分辨率成像分光仪（MODIS）传感器提供的遥感数据与气候和生物物理数据整合在一起，形成了空间分辨率为1千米的无缝产品。与一般植被状况有关的卫星组件是年季节绿度百分比（PASG）和季节起始异常（SOSA）数据。
SPEI干旱指数和ETo潜在蒸散量计算在python上的实现
04-30 9194
1、计算公式 2、输入数据 3、需求 计算每个站点的spei和ETo以及按年、季节、月统计每个站点的干旱等级、干旱湿润指标统计等 4、结果 代码
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 2167
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
GEE 中 PDSI 和 NDVI 之间的关系
TpjtRuby的博客
09-28 214
通过运行上述代码，我们可以得到 PDSI 和 NDVI 的数值结果，并可视化 NDVI 的时间序列图表。根据图表和数值结果，我们可以分析 PDSI 和 NDVI 之间的关系。然后，我们加载了 PDSI 和 NDVI 数据集，并对其进行了空间和时间上的裁剪，以确保数据集与指定的区域和时间范围一致。接下来，我们绘制了 NDVI 的时间序列图表，以可视化 NDVI 随时间的变化趋势。总之，利用 GEE 平台和 Python 编程语言，我们可以方便地计算 PDSI 和 NDVI，并分析二者之间的关系。
利用Google Earth Engine计算生态区域NDVI值
- Google Earth Engine API 的JavaScript和Python库允许用户编写脚本来执行自动化地理空间分析任务。 - 身份验证的Google帐户是使用GEE平台进行交互的前提。 - Python版本的API库被提及，但缺乏详细文档，这可能...
利用gee计算遥感生态指数的Python脚本示例
GEE（Google Earth Engine）是一个强大的云计算平台，它为处理大规模遥感数据提供了便利。在使用GEE计算遥感生态指数时，通常涉及到对多光谱、高光谱和雷达影像的处理，以及特定指数的计算方法。 首先，代码片段...
Google Earth Engine ——1979-2020年帕尔默干旱严重程度指数PDSI数据集每月三次提供高空间分辨率（约 4 公里）
此星光明博客
09-14 4458
PDSI: University of Idaho Palmer Drought Severity Index 帕尔默干旱严重程度指数数据集每月三次提供高空间分辨率（约 4 公里）估计值，该估计值是对 1979 年至今美国本土广泛使用的综合供水和需求异常的衡量标准。 PDSI 是使用从 Abatzoglou (2013) 的网格气象数据集得出的降水和潜在蒸散量计算的。 使用参考草表面的 Penman-Montieth 方程计算潜在蒸散量。土壤表层 2.5m 的可用土壤持水量来自 STATSGO 土壤..
Google Earth Engine（GEE）——美国干旱监测数据集
此星光明博客
06-08 597
干旱是一种缓慢移动的危害，所以你可以肯定，如果一个地区没有下雨，它仍然会处于干旱状态。这些数据有5个不同的干旱等级/类别，并被转换为栅格，其中DM（干旱监测等级/类别值）为栅格属性。自1999年成立以来，干旱监测一直是一个团队的努力，由内布拉斯加大学林肯分校的国家干旱缓解中心（NDMC）、国家海洋和大气管理局（NOAA）和美国农业部（USDA）共同制作。该地图使用五个分类：异常干燥（D0），显示可能进入或正在走出干旱的地区，以及四个级别的干旱：中度（D1），严重（D2），极端（D3）和特殊（D4）。
基于python的多光谱影像植被指数计算
weixin_45452300的博客
12-09 4284
利用GDAL库对多光谱影像进行分析，光谱5波段，顺序 import numpy as np from osgeo import gdal, osr def export_tif(out_tif_name, var_lat, var_lon, NDVI): # 分辨率计算 N_Lat = len(var_lat) N_Lon = len(var_lon) LonMin, LatMax, LonMax, LatMin = [min(var_lon), max(var_lat)
GEE代码实例教程详解：植被状况指数（VCI）与干旱监测
TwcatL_tree
07-08 1052
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学习笔记 八十二：湖北旱情分析（2019年8月-9月）
无形的风专栏
10-10 4157
这个内容本来在前两周就已经写完了，只不过由于家里突发各种事情，先是老人过世，接着就是媳妇和儿子同时生病住院，各种事情忙了两周多的时间，今天就将这篇内容补充发布出来。 学习GEE不光是学习使用这一个工具，最重要的是将它运用到我们的工作生活中，利用它来验证我们遇到的各种问题，通过实践练习来加深我们对我们所学习知识的认识。在9月份我看到一篇新闻报道，原文如下： 2019年8月...
GEE数据集——加拿大干旱栅格数据集
此星光明博客
12-27 516
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。
Google Earth Engine（GEE）——长时间序列逐月VCI数据提取分析和面积计算(墨西哥为例)
此星光明博客
06-22 2101
Kogan等提出的植被状态指数（vegeta-tion condition index，VCI）植被状况指数 (VCI) 将当前的 NDVI 与前几年同期观察到的值范围进行比较。VCI 以 % 表示，并提供了一个概览，其中观察值位于前几年的极值（最小值和最大值）之间。较低和较高的值分别表示不良和良好的植被状态条件。。与NDVI-样，VCI也可以通过NOAA卫星的AVHRR传感器获取，VCI对干旱敏感可以消除地理位置、生态系统对NDVI的影响，成为了大规模遥感干旱监测的理想数据，它的可靠性得到了大量数据的证明
GEE数据集——美国干旱监测数据集（更新）
此星光明博客
02-07 982
美国干旱监测》是每周四发布的地图，显示美国部分地区的干旱情况。该地图采用五种分级：异常干旱（D0），显示可能进入或即将摆脱干旱的地区；四级干旱：中度（D1）、严重（D2）、极度（D3）和异常（D4）。干旱监测仪自 1999 年推出以来，一直由内布拉斯加大学林肯分校的国家干旱缓解中心 (NDMC)、美国国家海洋与大气管理局 (NOAA) 和美国农业部 (USDA) 联合制作。内布拉斯加大学林肯分校的 NDMC 负责管理干旱监测网站和相关数据，并向 NOAA、USDA 和其他机构提供地图和数据。可在。
干旱指数数据介绍及下载
南柯
07-11 7826
干旱指数的讲解与下载操作
如何使用GEE（Google Earth Engine）来计算NDVI（归一化差值植被指数）？
12-17
Google Earth Engine (GEE) 是一个强大的在线数据处理和分析平台，用于地理空间数据分析。计算归一化差值植被指数 (NDVI) 主要是通过以下步骤： 1. **获取遥感数据**：首先需要从GEE的数据库中选择合适的卫星图像数据，通常使用的是红光和近红外光波段的数据。例如，你可以选择MODIS或Sentinel-2等卫星数据产品。 ```javascript var red = ee.ImageCollection('MODIS/006/MOD09GA'); var nir = ee.ImageCollection('MODIS/006/MYD09GA'); ``` 2. **下载并合并数据**：对每个时间点获取对应的红光和近红外影像，并将它们合并到一起。 ```javascript var dateFilter = ee.DateRange(start, end); var imageCollection = red.merge(nir).filterDate(dateFilter); ``` 3. **计算NDVI**：利用公式 `(nir - red) / (nir + red)` 计算NDVI。注意，GEE需要预处理数据（如转换到合适范围），确保红色和近红外波段都在正常范围内。 ```javascript var ndvi = imageCollection.map(function(image) { return image.select('B5').subtract(image.select('B4')).divide( image.select('B5').add(image.select('B4')) ).rename('NDVI'); }); ``` 4. **统计和可视化结果**：最后，你可以计算平均NDVI、制作时间序列图，或者按区域导出数据进行进一步分析。 ```javascript var meanNdvi = ndvi.mean(); map.centerObject(meanNdvi.geometry(), 10); map.addLayer(meanNdvi, {'min': -1, 'max': 1}, 'NDVI Mean'); ```
评论
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