Google Earth Engine（GEE）——NDVI时序线性插值补缺和导出视频结果案例分析（北京奥森公园为例）

最新推荐文章于 2024-03-22 14:00:00 发布
最新推荐文章于 2024-03-22 14:00:00 发布
阅读量3.5k 收藏 14
点赞数 2
分类专栏： GEE案例分析 文章标签： 图像处理 NDVI 时序 视频 插值
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/123201764
版权

本案例是一个综合案例：

在NDVI时间序列上应用脚本使用OEEL库，在图像集上应用Savitzky-Golay滤波器。

需要一个有规律的时间序列，没有任何遮挡的像素。所以这个脚本将线性插值来创建有规则间隔的图像，形成有规则间隔的图像，并从原始时间序列中提取。

  • 第1步：准备一个NDVI时间序列
  • 第2步：创建一个空的时间序列，其中包含n天的图像。
  • 第3步：使用连接来寻找前后的图像。
  • 第4步：应用线性插值来填充每个图像
  • 第5步：应用Savitzky-Golay滤波器。

值得注意的是本次调用了一个库中的函数：

oeel.ImageCollection.SavatskyGolayFilter(...)

oeel.ImageCollection.SavatskyGolayFilter(collection, filter, distanceFunction, degree, bandOfInterest, EstimationCollection)

Arguments:

  • collection* ee.ImageCollectionThe image collection on which to perform the filtering
  • filter* ee.FilterThe moving windows filter
  • distanceFunction* functionA lambda function that specifies how to compu
了解本专栏 订阅专栏 解锁全文 超级会员免费看
此星光明
关注
  • 2
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
专栏目录
订阅专栏
Google Earth Engine（GEE）——逐月影像缺失后利用插值方法弥补，并循环下载（北京市为例）
qq_31988139的博客
04-02 3483
本次主要尝试了两个重要的结合，一个是NDVI、FVC的逐月计算并下载，另外就是将逐月影像存在的去云后影像空缺的方法进行弥补，将两者结合在一起，因为数据较大，建议在使用本代码的过程中尽量少打印出来结果，或者使用.limit()来限制输出的个数，我们可直接可以下载到本地进行影像查看。 以前单独的插值文章： (469条消息) Google Earth Engine（GEE）——NDVI时序线性插值补缺和导出视频结果案例分析（北京奥森公园为例）_此星光明2021年博客之星云计算Top3的博客-CSDN博客 (
Google Earth Engine APP（GEE）-设定中国区域的一个夜间灯光时序分析app.pdf
08-08
如何利用GEE（Google Earth Engine）中国区域的一个夜间灯光时序分析app教程，我们需要进行GEE的一些基本学习，具体的专栏大家可以前去我的博客主页学习：涵盖了GEE基础、高阶和应用程序开发以及JavaScript和python两种语言的专栏，同时还建立有GEE图表和应用，外接高阶程序应用等，与此同时，还有微软行星云计算、PIE、AI EARTH等遥感云平台专栏类容可供大家参考。主页链接：https://blog.csdn.net/qq_31988139?type=blog 本资源主要介绍了一些简单的部件加载到地图上的国臣给，以及如何和地图设置连接，大家可以通过下载来获取具体的而代码信息，可以直接在线copy代码到gee中进行操作，如有任何疑问可以随时到私信我。此代码仅限于我专栏的一个案例，如果你想学习更多的GEE知识，请进入主页选择，我将不定期更新更多的GEE和其它平台的相关云计算内容，同时也欢迎大家由问题私信，我可以承接相应的代码调试，GEE资源下载等相关服务。再次感谢你的订阅。
在GEE使用线性插值和平均插值插补缺少的影像
wlh2067的博客
06-14 1012
本文利用线性平均和历史平均插值处理两种数据缺失的情况，下期利用Savitzky-Golay滤波和Whittaker滤波再对缺失的影像进行平滑并分享代码。一些遥感数据会出现整张影像缺失的情况，如下图的情况，整个6月是没有影像的。函数插值，第一个参数是待插值ImgCol，中间的参数是计算出的平均值，最后参数是在哪个尺度下进行插值。数据缺失存在两种情况，一种是局部数据缺失，一种是整张影像缺失，影像后续分析。如图所示，MODIS的某年反照率数据，可能由于云层或其他原因，有大面积缺失。
GEE训练——如何利用MODIS影像中的NDVI波段计算长时间序列的植被面积（不同NDVI值的面积）
qq_31988139的博客
03-22 541
MODIS（Moderate Resolution Imaging Spectroradiometer）是一种遥感传感器，用于收集地球表面的高分辨率影像数据。NDVI（Normalized Difference Vegetation Index）是一种常用的遥感指数，用于衡量植被的状况和覆盖面积。计算NDVI面积需要以下步骤：数据获取：从地球观测卫星上获取MODIS遥感影像数据。MODIS影像数据可以从NASA的遥感数据中心或其他可靠的遥感数据供应商处获取。
GEE：提取研究区 NDVI/LST/RVI 并进行时间序列线性插值填补缺失像素和Savitsky-Golay（SG）滤波平滑处理
养乐多的博客
07-08 1660
养乐多_本文将介绍使用Landsat数据集，构建时间序列，并使用线性插值算法填补缺失数据，或者去云空洞，并进一步对完整的时间序列数据进行SG滤波处理。
Google Earth Engine（GEE）-MNDWI水体面积提取和统计分析OTSU算法（东江水库为例）.pdf
11-13
Google Earth Engine（GEE）——MNDWI水体面积提取和统计分析OTSU算法（东江水库为例）Otsu最大类间方差法原理 利用阈值将原图像分成前景，背景两个图象。 前景：用n1,csum,m1来表示在当前阈值下的前景的点数，质量矩，平均灰度 背景：用n2, sum-csum,m2来表示在当前阈值下的背景的点数，质量矩，平均灰度 当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准，而在otsu算法中这个衡量差别的标准就是最大类间方差，在本程序中类间方差用sb表示，最大类间方差用fmax 关于最大类间方差法（otsu）的性能: 类间方差法对噪音和目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。 当目标与背景的大小比例悬殊时，类间方差准则函数可能呈现双峰或多峰，此时效果不好，但是类间方差法是用时最少的。 最大类间方差法（otsu）的公式推导： 记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。 则图像的总平均灰度为：u=w0*u0+w1*u1。 前景和背景
GEE：线性插值方法填补去云空洞——以 MCD43A4 和 NDVI 时间序列为例
养乐多的博客
07-20 1233
本文将介绍使用GEE平台上的数据集“MODIS/006/MCD43A4”，计算NDVI时间序列，并对去云后产生的空洞采用线性插值的方法进行填补，以获得更精细的空间分辨率和连续的时间序列数据。
GEE 时序插值实现MODIS 8天无云影像代码免费分享
m0_51479488的博客
12-31 2365
本文利用MOD09Q1数据，通过GEE算法实现8天每景无云遥感影像，全年共计46景。
python实现NDVI线性插值
weixin_46080995的博客
01-20 303
python实现NDVI线性插值
我与插值萍水相逢：线性插值(Linear Interpolation)原理及使用
热门推荐
Xyc19930930的博客
08-31 1万+
各位博友们大家好，小弟遇到一些问题经常会去看大家的博客，所以也想加入大伙的阵营，每每看到一些好的东西，有些心得体会什么的也想与大伙分享。 1.关于插值     插值，它根据已知的数据序列（也可以理解为坐标中一连串离散的点），找到其中的规律；然后根据找到的这个规律，来对其中尚未有数据记录的点进行数值估计。     基于这样一种功能，我目前知道的应用是：1）它可以对数据中的缺失进行合理的补偿
Google Earth Engine（GEE）-利用插值方法解决影像去云后的空缺填充弥补方法详细讲解.pdf
08-01
本篇文章重点要解决的 问题就是，很多时候我们无论是在小区域内的单景影像或者是中大尺度的影像，更或是长时间序列的影像研究中，很多情况下我们会因为云量筛选等因素，或多或少的存在影像空白而缺少值，因此如何处理这些问题，我们今天就来解决。 我们现在主要面临的问题主要是，在影像去云之后，会留下很多的空白，那么我们如何实现插值的方式实现影像的弥补呢？其实，原理很简单，主要的方式就是，分别利用同一区域的影像，分别通过前后同一时间的影像的中值来弥补这些影像。 简单的说，就是通过一幅有云的影像时间位2020年，去云后有一部分空洞，但是我们通过该地区的2019年的前一幅影像和2021年的影像通过两者影像的合并并求取真值即可用来弥补影像。 Google Earth Engine 可以有效地用于填补时间序列去云后的影像。本次需要使用的技术手电使用join，mask和filter三个函数来实现。这篇文章用代码片段解释了这些步骤，并构建了一个可以应用于任何时间序列数据的功能齐全的脚本。 要获取更多的数据资源，请前往： https://blog.csdn.net/qq_31988139?type=blog
Overview of Apps and User Interfaces in Google Earth Engine GEE
09-26
Overview of Apps and User Interfaces in Google Earth Engine GEE
Google Earth Engine(GEE)-在线计算EVI指数线性回归趋势图.pdf
10-16
在GEE云平台上计算一元线性趋势的具体步骤如下： 1. 登录GEE云平台，打开地图编辑器界面，点击左上角的“代码编辑器”按钮。 2. 在代码编辑器中，输入以下代码，定义要分析的区域和时间范围： 其中，`<region_bounds>`是要分析的区域的边界坐标，可以是一个数组或一个字符串；`<start_date>`和`<end_date>`是要分析的时间范围的起始日期和结束日期，可以是一个字符串或一个日期对象。 3. 读取要分析的数据，例如读取一个NDVI数据集： 这段代码从MODIS数据集中读取NDVI数据，并进行了时间、空间和排序的筛选。 计算每个像元的一元线性趋势，使用ee.Reducer.linearFit()函数： 这段代码将NDVI数据集进行线性拟合，得到每个像元的一元线性趋势，即斜率和截距。 可视化结果，例如绘制趋势斜率图： 这段代码将NDVI的线性趋势斜率图像添加到地图中，可以指定颜色、范围等参数。 运行代码并查看结果，可以在地图上看到一元线性趋势的结果图像，并可以下载结果数据进行进一步分析。 总的来说，使用GEE云平台进行一元线性趋势分析，需要定义区域、时间范围
利用GEE（Google Earth Engine）在线处理NDVI、EVI、SAVI、NDMI等指数归一化教程（详细代码）
07-20
如何利用GEE（Google Earth Engine）在线处理NDVI、EVI、SAVI、NDMI等指数进行归一化处理教程，我们需要进行GEE的一些基本学习，具体的专栏大家可以前去我的博客主页学习：涵盖了GEE基础、高阶和应用程序开发以及JavaScript和python两种语言的专栏，同时还建立有GEE图表和应用，外接高阶程序应用等，与此同时，还有微软行星云计算、PIE、AI EARTH等遥感云平台专栏类容可供大家参考。主页链接：https://blog.csdn.net/qq_31988139?type=blog 本资源主要详细介绍了我们指数表达式的计算，以及归一化教程的详细代码，这里主要是去除指数生成过程中出现的异常值的问题，大家可以通过下载来获取具体的而代码信息，可以直接在线copy代码到gee中进行操作，如有任何疑问可以随时到私信我。此代码仅限于我专栏的一个案例，如果你想学习更多的GEE知识，请进入主页选择，我将不定期更新更多的GEE和其它平台的相关云计算内容，同时也欢迎大家由问题私信，我可以承接相应的代码调试，GEE资源下载等相关服务。再次感谢你的订阅。
GEE案例-1990-2023年计算某个区域的NDVI时序变化轨迹（以徐州市为例）含全部代码.pdf
最新发布
04-30
我们在长时间序列的分析中，往往会根据影像时序的长短来进行分析，这里我们以NDVI指数进行长时序分析，来实现NDVI1990-2023年长时序的监测。 时序监测 时序监测是指通过对连续时间序列的遥感图像进行分析，以观察和...
Google Earth Engine（GEE）-在线计算列表二维ee.List对象为线性回归方程计算slope和残差.pdf
01-11
注意：减少的结果ee.List是一个对象。将其强制转换为 an ee.Dictionary以使访问属性更容易。 注意：行和列之间的长度必须相等。使用null表示丢失的数据条目。 Arguments: 值（对象）： 要转换的现有数组，或用于创建...
Google Earth Engine（GEE）-如何在线计算NDVI（归一化植被指数）和FVC（植被覆盖度）并批量下载.pdf
11-04
Google Earth Engine（GEE）——如何在线计算NDVI（归一化植被指数）和FVC（植被覆盖度）并批量下载。 归一化植被指数（Normalized Difference Vegetation Index，NDVI）是遥感中常用的植被指数之一，用于表征地表...
GEE学习——绘制NDVI长时序曲线图
qq_50291870的博客
02-28 5493
GEE常用的长时序曲线绘制代码记录
在Google Earth Engine(GEE)上获取逐日NDVI的代码
05-26
以下是使用Google Earth Engine获取逐日NDVI的代码示例： ```javascript // 设置ROI var roi = ee.Geometry.Rectangle([xmin, ymin, xmax, ymax]); // 设置起始和结束日期 var startDate = ee.Date('2019-01-01'); var endDate = ee.Date('2019-12-31'); // 加载MODIS数据 var modis = ee.ImageCollection('MODIS/006/MOD13A1') .filterBounds(roi) .filterDate(startDate, endDate) .select('NDVI'); // 定义函数计算每个图像的年份和日数 var addDate = function(image) { var doy = image.date().getRelative('day', 'year'); return image.addBands(doy).addBands(image.date().get('year')); }; // 对图像集应用函数 var modisWithDate = modis.map(addDate); // 定义函数计算每个年份和日数的平均NDVI值 var reduceDaily = function(imageCollection, year, doy) { var filtered = imageCollection.filter(ee.Filter.calendarRange(year, year, 'year')) .filter(ee.Filter.calendarRange(doy, doy, 'day_of_year')); return filtered.mean().set('year', year).set('doy', doy); }; // 创建一个二维数组，其中第一维表示年份，第二维表示一年中的日数 var years = ee.List.sequence(startDate.get('year'), endDate.get('year')); var days = ee.List.sequence(1, 365); // 对所有年份和日数应用reduceDaily函数 var dailyNDVI = ee.ImageCollection.fromImages(years.map(function(y){ return days.map(function(d){ return reduceDaily(modisWithDate, y, d); }); }).flatten()); // 打印输出结果 print(dailyNDVI); ``` 在上述代码中，首先定义了一个感兴趣区域（ROI），然后加载了2000年至今的MODIS NDVI数据，并对其进行了筛选。接着定义了两个函数，一个函数用于向每个图像添加年份和日数作为带宽，另一个函数用于计算每个年份和日数的平均NDVI值。最后，将所有年份和日数应用到reduceDaily函数中，生成逐日的NDVI值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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