GEE 案例——TVDI（Temperature Vegetation Dryness Index）指数

最新推荐文章于 2025-03-06 17:30:41 发布
最新推荐文章于 2025-03-06 17:30:41 发布
阅读量807 收藏 5
点赞数 1
分类专栏： GEE案例分析 文章标签： javascript 开发语言 gee 机器学习 tvdi 指数 Landsat
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/143864061
版权

目录

简介

方法论

代码解释

函数

案例代码

单景影像的TVDI

影像集合批量计算TVDI

引用

结果

简介

本文中代码包含两个可用于计算 TVDI 的主要函数。其中一个函数用于仅根据一幅 NDVI 和一幅 LST 图像生成 TVDI（singleTVDI），另一个函数用于为多幅 NDVI 和多幅 LST 图像生成 TVDI（collectionTVDI）。这些函数可以导出 可由外部代码访问。

TVDI（Temperature Vegetation Dryness Index）指数是一种用于衡量地表温度、植被覆盖和干旱程度的指标。它结合了地表温度和植被指数（如NDVI）的信息，通过计算两者的差异来评估地表的干旱程度。

TVDI指数的计算公式为：
TVDI = (NDVI - BT) / (NDVI + BT)
其中，NDVI代表植被指数（Normalized Difference Vegetation Index），BT代表地表温度（Brightness Temperature）。通常&#x

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Landsat计算TVDI进行干旱监测（二）
所有专家都曾始于新手
01-10 2191
下面的操作步骤在GEE平台中完成，首先需要注册一个谷歌账号并创建自己的GEE项目。
GEE 案例——利用MODIS数据和NDWI指数进行美国五大湖水体计算和时序分析（直方图统计和面积统计）
此星光明博客
09-16 620
利用MODIS数据和NDWI指数进行水体计算和时序分析（直方图统计和面积统计），这里我们统计了2001-2023年的美国五大湖的水域面积变化情况。
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。
基于 GEE 计算温度植被干旱指数 TVDI
@HNUSTer的博客
01-10 1063
基于 GEE 计算温度植被干旱指数 TVDI。
Python计算温度植被干旱指数（TVDI）
qq_26610239的博客
06-14 1万+
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。
温度植被干旱指数（TVDI）：精准农业与环境监测的利器
gitblog_00717的博客
09-14 953
温度植被干旱指数（TVDI）：精准农业与环境监测的利器 项目地址:https://gitcode.com/gh_mirrors/tv/tvdi 项目介绍 温度植被干旱指数（Temperature Vegetation Dryness Index，简称TVDI）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。TVDI通过结合地表温度（LST）和归一化植被指数（NDVI），能...
TVDI计算插件
04-16
包括TVDI计算插件以及源代码，方便使用者进行学习。
tvdi_TVDI_
10-02
计算TVDI
温度植被干旱指数(TVDI)
热门推荐
David_jiang
10-15 2万+
一、研究背景     近几年来我国持续发生干旱，严重影响我国农业发展，给我国国民经济带来巨大损失。为防范旱灾而进行的土壤水分监测一直是人们关心的问题。遥感技术具有宏观、快速、动态、经济的特点，可以代替常规的监测方法，实现大面积、动态监测。因此，近几年来利用遥感的进行干旱监测是一个研究和应用的热点。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
GEE应用遥感培训——Analysis of Vegetation Data.docx
08-27
在“GEE应用遥感培训——Analysis of Vegetation Data.docx”中，主要关注的是如何利用GEE来分析植被数据，特别是通过计算归一化差值植被指数（NDVI）。 **归一化差值植被指数（NDVI）** NDVI是一种广泛用于评估...
温度植被干旱指数TVDI插件
12-30
做温度植被干旱指数TVDI的插件，有需求的可以下载。。
ENVI TVDI插件
03-11
ENVI TVDI插件，可直接计算TVDI指数 支持envi5.3以上版本
TVDI_idl.rar
07-03
本代码基于IDL 语言结合植被指数和地表温度，实现了TVDI的计算，
TVDI_Calculate.pro
08-22
遥感温度植被指数的干湿边拟合并计算干湿边方程，用于计算得到温度植被指数(TVDI),实现干旱监测
TVDI_Main_V5.3_S1.zip
06-26
TVDI(温度植被干旱指数)计算插件，用词插件输入地表温度影像和NDVI或EVI影像可以构建Ts-NDVI特征空间，输出TVDI影像和拟合方程及散点图
GEE案例——基于landsat 8的计算特定区域（太湖和鄱阳湖）的 FUI（遥感水色指数）监测和可视化分析
此星光明博客
03-06 559
FUI（遥感水色指数，Fluorescence Utilization Index）是一种用于评估水体健康和生态状况的遥感指标。它通过分析水体的光谱特征，特别是水体中植物的光合作用和荧光信号，来提供有关水体质量的信息。
GEE案例——利用归一化建筑物指数NDBI提取1990-2020年长时序森林损毁面积
此星光明博客
12-18 3067
归一化建筑物指数（Normalized Difference Built-up Index，NDBI）是一种用于评估城市建筑物分布和城市化程度的指数。它基于不同波段的反射率差异，通过红色波段（通常是可见光波段）和近红外波段的反射率来计算。NDBI的计算公式为：其中，SWIR代表短波红外波段的反射率，NIR代表近红外波段的反射率。计算得到的NDBI值范围通常在-1到1之间，数值越高表示建筑物密度越高。NDBI主要用于遥感图像分析和城市研究领域，可以帮助识别和提取城市区域中的建筑物信息。
Python实现温度植被干旱指数（TVDI）的计算
晚来天欲雪，能饮一杯无？
05-25 3937
Python实现温度植被干旱指数（TVDI）的计算
Landsat计算TVDI进行干旱监测（一）
所有专家都曾始于新手
01-08 1428
由于OLI波段分辨率为30M，因此NDVI也是30M，而热红外为100M，一般来说需要将NDVI重采样至100M。预先下载了研究区13景的Landsat8和9的影像，该影像有10个波段，其中1-9为可见光波段(30m)，10-11为热红外波段（100m）。4、0.81-0.1：重度干旱区，植被生长受到严重影响，大量植物枯死，植被覆盖度显著降低。3、0.61-0.8：中度干旱区，植被受到较严重的影响，叶片黄化、生长减缓等症状明显。把NDVI放入ARCGIS中，由于颜色映射的关系，全是黑色的，调整一下。
gee下计算tvdi
最新发布
03-30
### 实现 TVDI 的计算 TVDI（Temperature Vegetation Dryness Index）是一种基于植被指数（NDVI 或 EVI）和地表温度（LST）的关系来评估干旱程度的指标。其核心思想是通过构建 NDVI 和 LST 的散点图，在该空间中定义干边和湿边，从而量化某一区域的干燥程度。 #### 数据准备 为了在 GEE 平台中实现 TVDI 计算，需要获取 Landsat 卫星影像中的波段数据用于计算 NDVI 和 LST。具体来说： - **NDVI (Normalized Difference Vegetation Index)** 可以通过红光波段（Band 4）和近红外波段（Band 5）计算得出[^2]。 - **LST (Land Surface Temperature)** 则可以通过热红外波段（如 Band 10）以及大气校正模型得到[^1]。 以下是完整的代码框架，展示如何在 GEE 中实现 TVDI 的计算过程。 ```javascript // 定义研究区域 var roi = ee.Geometry.Rectangle([78, 18, 80, 20]); // 加载 Landsat 8 影像集合 var dataset = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA') .filterDate('2020-01-01', '2020-12-31') // 时间范围筛选 .filterBounds(roi); // 空间范围筛选 // 获取最近的一幅影像 var image = ee.Image(dataset.sort('CLOUD_COVER').first()); // 计算 NDVI var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI'); // 地表温度 (LST) 计算函数 function calculateLST(band10) { var k1 = 774.89; // 常数 K1 对于 Band 10 var k2 = 1321.08; // 常数 K2 对于 Band 10 // 辐射亮度转换为开尔文温度 var rad = band10.multiply(0.0003342).add(0.1); var lst = rad.pow(-1).multiply(k2).subtract(k1).divide(100); // 转换为摄氏度 return lst.rename('LST'); } // 提取 Band 10 并计算 LST var band10 = image.select('B10'); var lst = calculateLST(band10); // 合并 NDVI 和 LST 图层 var combined = image.addBands(ndvi).addBands(lst); // 构建干边和湿边关系 var dryEdge = combined.reduceRegion({ reducer: ee.Reducer.max(), geometry: roi, scale: 30, }).getNumber('NDVI'); var wetEdge = combined.reduceRegion({ reducer: ee.Reducer.min(), geometry: roi, scale: 30, }).getNumber('NDVI'); // TVDI 计算逻辑 var tvdi = combined.expression( '(lst - minLst) / (maxLst - minLst)', { lst: combined.select('LST'), minLst: combined.select('LST').reduceRegion({reducer:ee.Reducer.min(),geometry:roi,scale:30}), maxLst: combined.select('LST').reduceRegion({reducer:ee.Reducer.max(),geometry:roi,scale:30}) }); Map.addLayer(tvdilayer, {min:0, max:1, palette:['blue','green','yellow','red']}, 'TVDI'); ``` 上述代码实现了以下功能： 1. 使用 `normalizedDifference` 方法计算 NDVI。 2. 将 Band 10 波段的数据转化为辐射亮度，并进一步转为地表温度（LST），其中涉及 Planck 方程的应用。 3. 结合 NDVI 和 LST 数据，分别提取最大值与最小值作为干边和湿边条件下的边界线参数。 4. 最终利用公式 `(LST - Min_LST) / (Max_LST - Min_LST)` 来计算 TVDI。 #### 注意事项 - 需要确保输入的研究区域 (`roi`) 已经被正确设置。 - 如果存在云覆盖，则可能影响最终的结果质量，因此建议先进行云掩膜处理后再执行分析。
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