GEE案例分析——计算植被状况指数(VCI)、温度条件指数(TCI)和植被健康指数(VHI)时序图表绘制和栅格导出

于 2025-10-08 07:30:00 发布
阅读量487 收藏 9
点赞数 12
CC 4.0 BY-SA版权
文章标签： 植被健康指数 温度条件指数 植被条件指数 案例 gee vci javascript
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/136204645

简介

植被状况指数(Vegetation Condition Index, VCI)

它是一种用于评估特定地区植被健康状况的指标。它通过衡量植被对特定时间段内的干旱或湿润条件的适应能力来反映植物的生态状况。VCI通常通过计算植被指数(NDVI或EVI)与其长期平均值之间的差异来计算，并进一步进行一些归一化处理。

VCI的计算可以使用以下公式：
VCI = (NDVI - NDVImin) / (NDVImax - NDVImin)
其中，NDVI是当前时期的植被指数，NDVImin和NDVImax分别是该地区长期气候条件下，植被指数的最小值和最大值。

通过VCI的计算，我们可以评估特定地区的植被健康状况。当VCI高于正常范围时，表示植被处于较好的状况，可以应对干旱或湿润条件。而当VCI低于正常范围时，表示植被可能受到干旱或湿润条件的影响，植物生长可能受到抑制，植被状况较差。

温度条件指数(Temperature Condition Index, TCI)

与VCI相对应的是温度条件指数(Temperature Condition Index, TCI)。TCI用于衡量植被对温度变化的适应能力。它可以通过计算地表温度与该地区长期平均地表温度之间的差异来评估。TCI的计算方式与VCI类似，可以使用以下公式：
TCI = (Tmax - Tmin) / (Tmax_max - Tmin_min)
其中，Tmax是当前时期的最高温度，Tmin是当前时期的最低温度，Tmax_max和Tmin_min分别是该地区长期气候条件下的最高温度和最低温度。

植被健康指数(Vegetation Health Index, VHI)

植被健康指数(Vegetation Health Index, VHI)是综合考虑VCI和TCI的指标。VHI通过将VCI和TCI进行加权平均来计算，以反映植被整体的健康状况。VHI可以使用以下公式计算：
VHI = (VCI + TCI) / 2

VHI的计算结果范围在0到1之间，其中0表示植被处于非常不健康的状态，1表示植被处于非常健康的状态。通过VHI的计算，我们可以更全面地评估特定地区植被的健康状况，从而进行适当的管理和保护措施。

VCI、TCI和VHI在农业、生态学、气象学等领域都有广泛应用。它们可以帮助我们及时了解植被的健康状况，预测和应对干旱或湿润条件的影响，从而优化农业生产和生态系统管理。此外，它们还可以用于监测和评估气候变化对植被生态系统的影响，为环境保护和气候适应提供参考。

作用

利用遥感影像计算植被状况指数(VCI)、温度条件指数(TCI)和植被健康指数(VHI)可以提供重要的信息和指导决策，在以下方面具有意义：

  1. 农业生产管理：VCI、TCI和VHI可以帮助农业决策者了解农田植被的健康状况和温度变化情况。通过监测VCI，农业决策者可以及时了解植物对干旱或湿润条件的适应能力，预测农作物产量和品质。TCI则可以提供关于温度变化的信息，有助于决策者优化农作物种植时间和管理策略。VHI综合考虑了植被和温度条件，可以提供更全面的农田植被和热量状态的评估，为农业管理提供指导。

  2. 气象灾害监测和预警：通过监测VCI、TCI和VHI，可以及时发现潜在的气象灾害风险。例如，当VCI和VHI较低时，可能表示植被面临干旱或病虫害风险；当TCI较高时，可能表示气温较高，农作物可能面临热害风险。基于这些指标，可以及早预警并采取相应的灾害管理措施，减少灾害的损失。

  3. 生态系统管理：VCI、TCI和VHI可以用于监测和评估自然和人工生态系统的健康状况。例如，在自然生态系统中，可以使用这些指标来评估植被对干旱或湿润条件的适应能力，预测生物多样性和生态系统功能的变化。在人工生态系统中，如森林管理和城市绿地管理中，可以通过计算这些指标来评估植被的生态状况、健康状况和生态系统服务能力。

  4. 气候变化研究：VCI、TCI和VHI可以用于监测和评估气候变化对植被和温度的影响。通过长期监测这些指标的变化，可以了解气候变化对生态系统的影响和生态系统对气候变化的响应。这对于评估和适应气候变化、制定环境政策和管理措施具有重要意义。

总的来说，利用遥感影像计算VCI、TCI和VHI可以为农业生产、气象灾害预警、生态系统管理和气候变化研究提供重要的信息和指导，有助于优化决策和保护生态环境。

函数

ee.ImageCollection.fromImages(images)

Returns the image collection containing the given images.

返回包含给定图像的图像集合。

Arguments:

images (List):

The images to include in the collection.

Returns: ImageCollection

ui.Chart.image.seriesByRegion(imageCollection, regions, reducer, band, scale, xProperty, seriesProperty)

Generates a Chart from an image collection. Extracts and plots the value of the specified band in each region for each image in the collection. Usually a time series.

  • X-axis = Image labeled by xProperty (default: 'system:time_start').

  • Y-axis = Reducer output.

  • Series = Region labeled by seriesProperty (default: 'system:index').

  • 从图像集生成图表。提取并绘制图像集中每张图像每个区域的指定波段值。通常是时间序列。

    X 轴 = xProperty（默认值："system:time_start"）标记的图像。

    Y 轴 = 还原器输出。

    系列 = 由 seriesProperty（默认值：'system:index'）标记的区域。

Returns a chart.

Arguments:

imageCollection (ImageCollection):

An ImageCollection with data to be included in the chart.

regions (Feature|FeatureCollection|Geometry|List<Feature>|List<Geometry>):

The regions to reduce.

reducer (Reducer):

Reducer that generates the value for the y-axis. Must return a single value.

band (Number|String, optional):

The band name to reduce using the reducer. Defaults to the first band.

scale (Number, optional):

Scale to use with the reducer in meters.

xProperty (String, optional):

Property to be used as the label for each image on the x-axis. Defaults to 'system:time_start'.

seriesProperty (String, optional):

Property of features in opt_regions to be used for series labels. Defaults to 'system:index'.

Returns: ui.Chart

代码

//加载研究区
var geometry2 = /* color: #0b4a8b */ee.Geometry.Point([31.26883334786884, -28.54776015097778]),
    geometry = ee.FeatureCollection("users/nqoehjiks98/Study_Area"),
    imageVisParam = {"opacity":1,"bands":["VCI"],"max":100,"palette":["ff0000","ffff00","008000"]},
    imageVisParam2 = {"opacity":1,"bands":["VCI"],"min":-1,"palette":["ff0000","ffff00","008000"]},
    imageVisParam3 = {"opacity":1,"bands":["VCI"],"min":-1,"palette":["6fff16","f0ff12","ff5808"]},
    imageVisParam4 = {"opacity":1,"bands":["VHI"],"palette":["ff0000","ffff00","008000"]},
    Melmoth = ee.FeatureCollection("users/nqoehjiks98/Melmoth_Eucalyptus");

//添加 MODIS 植被指数 16-Day 全球 250m 

var Coll_NDVI = ee.ImageCollection("MODIS/006/MOD13Q1")//MODIS/006/MOD13A1
var Coll_LST = ee.ImageCollection("MODIS/006/MOD11A2")//MODIS/006/MOD11A1

var startYear = 2018;
var endYear = 2019;

var startDate = ee.Date.fromYMD(startYear, 1, 1);
var endDate = ee.Date.fromYMD(endYear, 12, 31);

Coll_NDVI = Coll_NDVI.filterDate(startDate, endDate).select("NDVI");
Coll_NDVI = ee.ImageCollection(ee.Algorithms.If(Coll_NDVI.size().eq(0),
      ee.ImageCollection(ee.Image(0).selfMask().rename('NDVI')),
      Coll_NDVI
    ));
Coll_LST = Coll_LST.filterDate(startDate, endDate).select("LST_Day_1km");
Coll_LST = ee.ImageCollection(ee.Algorithms.If(Coll_LST.size().eq(0),
      ee.ImageCollection(ee.Image(0).selfMask().rename('LST_Day_1km')),
      Coll_LST
    ));
// MOD12Q1 数据的 NDVI 比例尺为 0.0001 [ 最小值 = -2000，最大值 = 10000] 。
var Coll_NDVI = Coll_NDVI.map(function(img) {
  return img
    .divide(10000).float().set("system:time_start", img.get("system:time_start")); // keep time info
    });

var Coll_LST = Coll_LST.map(function(img) {
  return img
    .multiply(0.02).subtract(273.15).float().set("system:time_start", img.get("system:time_start")); // keep time info
});

print(Coll_NDVI);
print(Coll_LST);

// 创建每月的 NDVI 综合数据
var years = ee.List.sequence(startYear,endYear);
var months = ee.List.sequence(1,12);

//*********************************************************NDVI****************************************************//
var monthlyNDVI =  ee.ImageCollection.fromImages(
  years.map(function (y) { 
    return months.map(function(m) {
      var monthly = Coll_NDVI
        .filter(ee.Filter.calendarRange(y, y, "year"))
        .filter(ee.Filter.calendarRange(m, m, "month"))
        .mean(); 
      return monthly
        .set("year", y) 
        .set("month", m)
        .set('date', ee.Date.fromYMD(y,m,1))
        .set("system:time_start", ee.Date.fromYMD(y, m, 1));}); })
  .flatten());
print('monthlyNDVI',monthlyNDVI)


//NDVI 最大值组成
var MonthlyMAX =  ee.ImageCollection.fromImages(months
  .map(function (m) {
    var maxNDVI = monthlyNDVI.filter(ee.Filter.eq("month", m))
      .reduce(ee.Reducer.percentile({percentiles: [90]}));
  return maxNDVI
    .set("month", m);})
  .flatten());
  
//print (MonthlyMAX, 'MonthlyMAX');
Map.addLayer (MonthlyMAX.first().clip(geometry),  {min:0, max:1,  'palette': ['red','yellow', 'green']}, 'MonthlyMAX');

//NDVI 最小值合成
var MonthlyMIN =  ee.ImageCollection.fromImages(months
  .map(function (m) {
    var minNDVI = monthlyNDVI.filter(ee.Filter.eq("month", m))
      .reduce(ee.Reducer.percentile({percentiles: [10]}));
  return minNDVI
    .set("month", m);})
  .flatten());
  
//print (MonthlyMIN, 'MonthlyMIN');
Map.addLayer (MonthlyMIN.first().clip(geometry),  {min:0, max:1,  'palette': ['red','yellow', 'green']}, 'MonthlyMIN');

//*********************************************************LST****************************************************//

var monthlyLST =  ee.ImageCollection.fromImages(
  years.map(function (y) { 
    return months.map(function(m) {
      var monthly = Coll_LST
        .filter(ee.Filter.calendarRange(y, y, "year"))
        .filter(ee.Filter.calendarRange(m, m, "month"))
        .mean(); 
      return monthly
        .set("year", y) 
        .set("month", m)
        .set('date', ee.Date.fromYMD(y,m,1))
        .set("system:time_start", ee.Date.fromYMD(y, m, 1));}); })
  .flatten());
print('monthlyLST',monthlyLST)


//LST 最大值合成
var Monthly_LST_MAX =  ee.ImageCollection.fromImages(months
  .map(function (m) {
    var maxNDVI = monthlyLST.filter(ee.Filter.eq("month", m))
      .reduce(ee.Reducer.percentile({percentiles: [90]}));
  return maxNDVI
    .set("month", m);})
  .flatten());
  
//print (Monthly_LST_MAX, 'Monthly_LST_MAX');
Map.addLayer (Monthly_LST_MAX.first().clip(geometry),  {min:15, max:35,  'palette': ['red','yellow', 'green']}, 'Monthly_LST_MAX');

////LST 最小值合成
var Monthly_LST_MIN =  ee.ImageCollection.fromImages(months
  .map(function (m) {
    var minNDVI = monthlyNDVI.filter(ee.Filter.eq("month", m))
      .reduce(ee.Reducer.percentile({percentiles: [10]}));
  return minNDVI
    .set("month", m);})
  .flatten());
  
//print (Monthly_LST_MIN, 'Monthly_LST_MIN');
Map.addLayer (Monthly_LST_MIN.first().clip(geometry),  {min:0, max:1,  'palette': ['red','yellow', 'green']}, 'Monthly_LST_MIN');

//*********************************************************VCI****************************************************//
//Caluclo de VCI：植被状况指数（VCI）
// VCI - 我需要使用每月最大值和每月最小值
var VCI2 = monthlyNDVI.map(function(image) {
  var img = image.select('NDVI').clip(geometry);
  return image.addBands(image.expression(
  "100*(NDVI-min)/(max-min)",{
    "NDVI" : img,
    "max" : ee.Image(MonthlyMAX.filter(ee.Filter.eq('month', image.get('month'))).first()),
    "min" : ee.Image(MonthlyMIN.filter(ee.Filter.eq('month', image.get('month'))).first()),
  })
  .rename('VCI')).copyProperties(img,['system:time_start','system:time_end']);
});

//print(VCI2)
//Map.addLayer(VCI2)
//Map.centerObject(geometry)

var clipped_VCI = VCI2.mean().clip(geometry).select('VCI');

var VCI_Vis = {
  min: 0.0,
  max: 100.0,
  palette: [
    'red', 'yellow', 'green'],
};

Map.addLayer(clipped_VCI,  VCI_Vis, 'VCI');
// 导出 VCI 图像
Export.image.toDrive({
  image: clipped_VCI,
  description: 'VCI',
  scale: 250,
  region: geometry
});
//*********************************************************TCI****************************************************//
//Calculo de TCI: 温度条件指数（TCI）
// TCI - 我需要使用每月最大值和每月最小值
var TCI2 = monthlyLST.map(function(image) {
  var img = image.select('LST_Day_1km').clip(geometry);
  return image.addBands(image.expression(
  "100*(LST_Day_1km-min)/(max-min)",{
    "LST_Day_1km" : img,
    "max" : ee.Image(Monthly_LST_MAX.filter(ee.Filter.eq('month', image.get('month'))).first()),
    "min" : ee.Image(Monthly_LST_MIN.filter(ee.Filter.eq('month', image.get('month'))).first()),
  })
  .rename('TCI')).copyProperties(img,['system:time_start','system:time_end']);
});

//print(TCI2)
//Map.addLayer(TCI2)


var clipped_TCI = TCI2.mean().clip(geometry).select('TCI');

var TCI_Vis = {
  min: 0,
  max: 100,
  palette: [
    'green', 'yellow', 'red'],
};

Map.addLayer(clipped_TCI,  TCI_Vis, 'TCI');
// exporting TCI image
Export.image.toDrive({
  image: clipped_TCI,
  description: 'TCI',
  scale: 250,
  region: geometry
});
//*****************************************************VCI 和 TCI 图表********************************************//
var VCITimeSeries = ui.Chart.image.seriesByRegion(
    VCI2, geometry2, ee.Reducer.mean(), 'VCI', 500, 'system:time_start', 'label')
        .setChartType('ScatterChart')
        .setOptions({trendlines: {0: {color: 'red'}},lineWidth: 1,pointSize: 3,
          title: 'MODIS VCI Time Series',
          vAxis: {title: 'VCI'},
                   series: {
            0: {color: 'red'}, 
           
}});
// Display.
print(VCITimeSeries);
print(ui.Chart.image.series(VCI2 , geometry2 , ee.Reducer.mean(), 500));

var TCITimeSeries = ui.Chart.image.seriesByRegion(
    TCI2, geometry2, ee.Reducer.mean(), 'TCI', 500, 'system:time_start', 'label')
        .setChartType('ScatterChart')
        .setOptions({trendlines: {0: {color: 'red'}},lineWidth: 1,pointSize: 3,
          title: 'MODIS TCI Time Series',
          vAxis: {title: 'TCI'},
                   series: {
            0: {color: 'red'}, 
           
}});
// Display.
print(TCITimeSeries);
print(ui.Chart.image.series(TCI2 , geometry2 , ee.Reducer.mean(), 500));

//********************************************************Union Collection******************************************************//
var merg = VCI2.combine(TCI2);
print("Merge",merg)

//*********************************************************VHI****************************************************//
//植被健康指数（VHI） 

// TCI - 我需要使用每月最大值和每月最小值
merg = merg.map(
  function(img3) {
    var vhi = img3.select('VCI')
                          .multiply(0.5)
                          .add((img3.select('TCI'))
                          .multiply(0.5))
                          .rename('VHI');
    return img3.addBands(vhi);
  }
);

var VHI = merg.select('VHI');
 print(ui.Chart.image.series(VHI , geometry2 , ee.Reducer.mean(), 500));


var clipped_VHI = VHI.mean().clip(geometry).select('VHI');

var VHI_Vis = {
  min: 70,
  max: 75,
  palette: [
    'blue', 'green', 'violet'],
};

Map.addLayer(clipped_VHI,  VHI_Vis, 'VHI');
// exporting VHII image
Export.image.toDrive({
  image: clipped_VHI,
  description: 'VHI',
  scale: 250,
  region: geometry
});
var VHITimeSeries = ui.Chart.image.seriesByRegion(
    VHI, geometry2, ee.Reducer.mean(), 'VHI', 500, 'system:time_start', 'label')
        .setChartType('ScatterChart')
        .setOptions({trendlines: {0: {color: 'violet'}},lineWidth: 1,pointSize: 3,
          title: 'MODIS VHI Time Series',
          vAxis: {title: 'VHI'},
                   series: {
            0: {color: 'red'}, 
           
}});
// Display.
print(VHITimeSeries);

结果

GEE 案例：基于MODIS数据的2001-2024年VCI植被指数、TCI地表温度指数和VHI植被健康指数的计算和时序分析
此星光明博客
06-21 130
基于MODIS数据的VCI植被指数、TCI地表温度指数和VHI植被健康指数的计算。
GEE教程：进行植被健康指数（VHI）计算和NDVI（归一化植被指数）、TCI（热条件指数）和VCI（植被条件指数）的计算
此星光明博客
03-27 258
首先，我们定义了一个多边形作为我们的感兴趣区域（ROI）。}));通过这段代码，我们成功地计算了植被健康指数，并可视化了相关数据。这种方法可以帮助我们监测和分析植被健康状况，为环境保护和农业管理提供重要参考。希望这篇博客能帮助你更好地理解如何使用Google Earth Engine进行遥感数据分析！
基于 GEE 计算长时序的月度植被状况指数 VCI 和温度条件指数 TCI
@HNUSTer的博客
02-09 888
基于 GEE 计算长时序的月度植被状况指数 VCI 和温度条件指数 TCI。
GEE图表：计算和可视化温度综合指数（TCI，Temperature Condition Index）在特定区域的变化和时序图表
此星光明博客
04-29 965
首先，我们需要定义一个研究区域。我们使用一个多边形来表示该区域。})]);
GEE图表：基于Google Earth Engine的2014-2024年墨西哥城（CDMX）植被指数与地表温度分析
此星光明博客
04-30 1026
此外，还可以结合实地观测数据，对模型结果进行验证和改进。从影像中可以看出，城市中心区域的NDVI值相对较低，而周边山区和绿地的NDVI值较高，这表明城市化对植被覆盖产生了显著影响。线性回归分析结果表明，LST与年份之间存在显著的正相关关系，斜率为正值，表明随着时间的推移，地表温度逐渐升高。其次，进行了云层掩膜处理，通过分析影像的质量评估（QA）波段，去除云层和云影干扰，确保数据的准确性。通过绘制时间序列图表，分析了LST随时间的变化趋势，并进行了线性回归分析，拟合了LST随年份变化的线性趋势线。
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 2176
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代码实例教程详解：植被状况指数（VCI）与干旱监测
TwcatL_tree
07-08 1289
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计算VCI（植被状况指数）及VHI（植被健康指数）
weixin_52257359的博客
02-22 5277
Google Earth Engine（GEE）提供了强大的工具和功能，使得对遥感数据进行高效处理和分析成为可能。其中，计算植被状况指数（VCI）和植被健康指数（VHI）是遥感领域中的重要应用之一。本文将介绍如何使用GEE计算VCI和VHI，并解释这些指数在遥感分析中的重要性。
Google Earth Engine（GEE）——合并VCI指数和TCI温度得时序影像折线图（危地马拉、萨尔瓦多为例）
此星光明博客
06-22 1122
本次得实验是适用MODIS影像MODIS/006/MOD13Q1和MODIS/006/MOD11A2对影像进行分析分别选取NDVI波段和LST波段进行时间序列分析，分别先对NDVI最大最小值归一化，然后计算VCI，然后通过LST同样计算TCI，然后分别将两者展示：代码： 结果：...
遥感监测基于MODIS NDVI的植被状况指数VCI计算：干旱评估与植被健康分类系统实现
09-03
内容概要：本文是一段用于计算和可视化植被状况指数（VCI）的Google Earth Engine（GEE）脚本代码。通过选取指定区域（ROI）和时间范围（最近两个月），从MODIS NDVI数据集（MOD13Q1）中提取当前NDVI均值，并基于...
【遥感影像处理】基于Google Earth Engine的土地表面温度与植被指数计算及主成分分析：多光谱影像处理与应用
06-18
接着，基于预处理后的影像计算了地表温度（LST）、归一化植被指数（NDVI）、湿度指数（WET）、建筑指数（NDBSI）四个关键指标，并进行了主成分分析（PCA），提取出最重要的信息成分。为了进一步优化结果，还应用了...
前端-JavaScript简介JavaScript模块化
kong7906928的博客
10-01 1703
前端-JavaScript简介，JavaScript模块化，JavaScript开发工具。
JavaScript入门知识
jipinadai的博客
10-07 680
JavaScript 是一种面向对象、事件驱动的编程语言，主要用于增强网页的互动性。它能够在浏览器中执行，常常与 HTML 和 CSS 一同使用。JavaScript 被广泛应用于前端开发，它允许开发者通过浏览器动态操作网页元素、响应用户输入、处理网络请求等。JavaScript 是一门功能强大的编程语言，能够帮助我们创建动态的网页和应用程序。掌握 JavaScript 的基本语法和常见操作将为你打开编程的大门。希望本文对你入门 JavaScript 提供了有用的帮助！????
前端内存泄漏：从原理到实践的全方位解析
最新发布
警警的博客
10-07 554
解决方法：在移除DOM元素后，将对应的JavaScript引用设置为null，或使用WeakMap/WeakSet存储DOM引用。如果不恰当地使用闭包，可能会导致外部函数中的变量无法被回收。添加的事件监听器如果没有在适当的时候移除，即使对应的DOM元素已被删除，监听器函数和其引用的变量仍然保留在内存中。当JavaScript保留对DOM元素的引用，即使这些元素已从DOM树中移除，垃圾回收器也无法回收它们的内存。内存管理是前端性能优化的重要环节，通过系统性的学习和实践，可以显著提升应用的稳定性和用户体验。
web：vue中方法watch和方法watchEffect的对比
weiweiqiao的专栏
10-04 145
Vue3中watch和watchEffect的对比：watch显式指定监听源，仅在变化时执行，可获取旧值，适合精确监控；watchEffect自动收集依赖，立即执行且任一依赖变化就重新执行，适合依赖复杂或需要初始化的场景。两者都支持调试和停止监听，根据场景需求选择使用。
3.2.2 LangChain.js + LangGraph.js 实战
weixin_42429220的博客
10-04 36
本目录详细介绍了基于 LangGraph 的可视化工作流引擎的设计与实现。该项目通过前后端分离架构，实现了直观的工作流设计和强大的执行能力。可视化设计：基于 React Flow 的直观编辑界面灵活执行：基于 LangGraph 的状态图执行引擎多节点支持：输入、LLM、条件、输出等多种节点类型智能路由：基于条件的动态路由选择易于扩展：插件化的节点执行器架构。
AI编程开发系统022-基于Vue+SpringBoot的智能家居系统（源码+部署说明+演示视频+源码介绍+lw）
码农飞哥
10-07 291
摘要： Springboot076智能家居系统基于Spring Boot开发，提供用户管理、设备控制、场景设置等功能，支持远程家居管理。系统源码结构清晰，注释详细，适合学习Spring Boot开发与前后端分离实践。部署文档详细指导环境搭建，演示视频直观展示操作流程。首页集成信息查询、公告留言等模块，用户需注册登录后使用完整功能（如图6.1-6.2所示）。该系统兼具实用性与教学价值，助力智能家居开发与学习。 （字数：148）
【开题答辩全过程】以 爱心捐赠网站为例，包含答辩的问题和答案
shiji0319的博客
10-07 183
本文介绍了一位14年开发经验的毕设指导专家，擅长Java、Python等多种技术，提供项目开发、答辩指导等服务。并以"爱心捐赠网站"为例展示答辩过程，系统采用Vue+SpringBoot架构，实现捐赠匹配、积分兑换等功能。评委肯定项目的实用性和技术可行性，建议优化匹配算法和物流同步。文末提供开题报告和源码参考服务，帮助未选题学生确定方向。
【小沐学GIS】基于C++瓦片地图下载工具（高德/天地图/谷歌/必应/OSM/MapBox/ArcGIS）第十三期
爱看书的小沐
10-02 641
文章还详细讲解了瓦片地图金字塔模型原理，并提供了相关代码示例，如Python实现的地图瓦片下载工具。该系列适合GIS开发者学习三维可视化技术，实现从基础地球模型到复杂空间分析功能的全套开发流程。
使用modis数据，基于 GEE 计算2014年至2024年山东省温度植被干旱指数 TVDI并进行分析预测
04-15
<think>好的，我需要帮助用户基于Google Earth Engine (GEE)使用MODIS数据计算2014-2024年山东省的温度植被干旱指数（TVDI），并进行趋势分析和预测。首先，我需要回顾一下TVDI的基本概念和计算方法。TVDI通常基于植被指数（如NDVI）和地表温度（LST）的关系构建，公式为$$TVDI = \frac{LST - LST_{min}}{LST_{max} - LST_{min}}$$，其中LST_min和LST_max是同一NDVI值下的最小和最大地表温度[^1]。 接下来，用户需要处理MODIS数据。根据引用[4]中的代码示例，用户可能需要使用MODIS的NDVI和LST数据集。例如，MOD13Q1提供NDVI数据，而MOD11A2提供LST数据。首先，我需要确定如何在GEE中调用这些数据集，并按时间范围筛选数据。同时，用户的研究区域是山东省，需要导入对应的矢量边界，这可能通过FeatureCollection实现，如引用[4]中的示例所示。 然后，计算TVDI的关键步骤包括：1）计算每个时期的NDVI和LST；2）建立NDVI与LST的散点图，并提取LST_min和LST_max；3）应用TVDI公式。这里可能需要用到GEE的线性拟合功能，例如使用ee.Reducer.linearFit()来获取每个NDVI区间的最小和最大LST值。需要注意的是，处理时间序列数据时，可能需要按月份或季度聚合，以消除季节变化的影响，如引用[4]中提到的月VCI计算。 趋势分析部分，用户可能需要使用Mann-Kendall检验或线性回归来分析TVDI的时间变化趋势。在GEE中，可以使用像ee.ImageCollection的线性拟合函数来实现。预测方面，可能需要应用时间序列模型，如ARIMA或Prophet，但GEE本身可能不支持这些模型，需要将数据导出到本地或其他平台进行处理，或者使用GEE内置的简单预测方法。 此外，用户可能需要注意数据预处理，如云掩膜、数据重投影和分辨率调整。例如，MODIS数据可能需要进行质量控制，使用QC波段来过滤低质量像元。同时，山东省的边界需要准确导入，确保区域裁剪正确。 最后，可视化与结果输出也是重要步骤。GEE的ui.Chart模块可以帮助生成时间序列图表，而导出结果到Google Drive后，用户可以使用其他工具进行进一步分析和制图。 过程中可能遇到的问题包括数据可用性、处理大量数据时的计算效率，以及模型参数的调整。需要确保代码正确过滤和映射数据集，合理设置缩放比例和投影，以避免内存溢出或计算错误。此外，趋势分析的显著性检验也需要合适的统计方法，确保结果可靠。</think>### 基于GEE的山东省TVDI计算与趋势分析步骤 #### 一、数据准备与预处理 1. **导入研究区域** 使用GEE的`ee.FeatureCollection`加载山东省矢量边界，并设置地图中心： ```javascript var roi = ee.FeatureCollection("用户提供的山东省边界路径"); Map.centerObject(roi, 7); ``` 2. **加载MODIS数据集** - **NDVI数据**：调用MOD13Q1（250米分辨率，16天合成）： ```javascript var ndviColl = ee.ImageCollection("MODIS/006/MOD13Q1") .filterDate('2014-01-01', '2024-12-31') .select('NDVI'); ``` - **LST数据**：调用MOD11A2（1公里分辨率，8天合成），需转换为摄氏度： ```javascript var lstColl = ee.ImageCollection("MODIS/006/MOD11A2") .filterDate('2014-01-01', '2024-12-31') .select('LST_Day_1km') .map(function(image) { return image.multiply(0.02).subtract(273.15); // 转换为°C }); ``` #### 二、计算TVDI 1. **构建NDVI-LST特征空间** 按月合成数据以减少季节性波动： ```javascript var monthlyNDVI = ndviColl.map(function(img) { return img.set('month', img.date().get('month')); }).median().clip(roi); var monthlyLST = lstColl.map(function(img) { return img.set('month', img.date().get('month')); }).median().clip(roi); ``` 2. **计算LST_min和LST_max** 使用分位数回归提取不同NDVI下的温度极值： ```javascript var lstMin = monthlyLST.reduceRegion({ reducer: ee.Reducer.percentile(5), // 5%分位数作为LST_min geometry: roi, scale: 1000, maxPixels: 1e13 }); var lstMax = monthlyLST.reduceRegion({ reducer: ee.Reducer.percentile(95), // 95%分位数作为LST_max geometry: roi, scale: 1000, maxPixels: 1e13 }); ``` 3. **计算TVDI** 应用公式$$TVDI = \frac{LST - LST_{min}}{LST_{max} - LST_{min}}$$： ```javascript var tvdi = monthlyLST.expression( '(LST - LST_min) / (LST_max - LST_min)', { 'LST': monthlyLST, 'LST_min': lstMin, 'LST_max': lstMax }).rename('TVDI'); ``` #### 三、趋势分析与预测 1. **时间序列趋势分析** 使用线性回归计算年际变化趋势： ```javascript var trend = ee.ImageCollection.fromImages( years.map(function(year) { return tvdi.filter(ee.Filter.calendarRange(year, year, 'year')) .mean() .set('year', year); }) ).reduce(ee.Reducer.linearFit()); // 斜率存储在'offset'波段 ``` 2. **预测模型（示例）** 导出TVDI时间序列数据至Google Drive，使用Python进行ARIMA预测： ```javascript Export.table.toDrive({ collection: tvdiTimeSeries, description: 'TVDI_TS_Export' }); ``` #### 四、可视化与验证 - **制图**：添加TVDI图层与趋势结果： ```javascript Map.addLayer(tvdi, {min:0, max:1, palette:['blue','red']}, 'TVDI'); Map.addLayer(trend.select('scale'), {palette:['green','yellow','red']}, 'Trend'); ``` - **验证**：使用同期气象站干旱数据或土壤湿度数据进行相关性分析[^3]。
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