前言
GEE,如何分析黄河流域10年来降水变化特征?
同类分析参见:
GEE:探索黄河流域10年来植被变化特征【逐像元分析】
本次进行分析的区域如下:
一、分析步骤
主要分析步骤:
二、python代码
1、加载影像集
使用的数据集为:逐月气候与水平衡数据集
python代码如下
# 添加显示底图,选取高德地图
Map = geemap.Map()
# Map.basemap_demo()
Map.add_basemap('Gaode.Normal')
Map
2、流域降水变化特征
- ee.Reducer.linearFit()
python代码如下:
# 流域边界
basin_shp = '../world_basins/worldrivers2/huanghe.shp'
basin_bj = geemap.shp_to_ee(basin_shp)
roi = basin_bj.geometry()
Map.centerObject(roi)
Map.addLayer(ee.Image().paint(roi, 0, 2), {'palette':'darkblue'}, 'huanghe')
# 定义添加时间波段函数
def addTime(image):
return image.addBands(image.metadata('system:time_start').divide(1000 * 60 * 60 * 24 * 365))
# 添加数据集,添加时间波段
collection = ee.ImageCollection('IDAHO_EPSCOR/TERRACLIMATE') \
.filterDate('2010-01-01', '2020-12-31') \
.map(addTime)
# 选择用于线性趋势预测的波段
trend = collection.select(['system:time_start', 'pr']) \
.reduce(ee.Reducer.linearFit()) \
.clip(roi)
#渲染显示
visualization = {
'max':3,
'min':-3,
'palette': ['b30000','d7301f','ef6548','fc8d59','fdbb84','fdd49e','fee8c8','f7fcf0','e0f3db','ccebc5','a8ddb5','7bccc4','4eb3d3','2b8cbe','0868ac']
}
# 降水量的斜率变化,反映20年来流域内降水量的增加或减少的变化趋势
Map.addLayer(trend.select('scale'),visualization, 'huanghe_pre')
Map
结果如下:
三、对比的问题
在这儿引用了另外一篇博文对于年降水量的分析,比较两者计算结果的差异,其python代码如下:
# 修改来自"GEE(Python)逐像元线性拟合"的code
#加入研究区
study_area = basin_bj
#添加时间波段的函数
def createTimeBand(img):
date = img.metadata("date").subtract(2010)
return date.rename("year").clip(study_area).addBands(img)
#遍历获取月降水数据,并循环计算每年的总降水量,存入list中
datalist=ee.List([])
year=2010
for i in range(10):
datalist=datalist.add(ee.ImageCollection("IDAHO_EPSCOR/TERRACLIMATE") \
.filter(ee.Filter.date(ee.Date(str(year)+"-01-01"), ee.Date(str(year+1)+"-01-01"))) \
.select('pr')\
.sum()\
.clip(study_area)\
.set("date",ee.Number(year)))
year += 1
#将list转为ImageCollection
varyCollection = ee.ImageCollection.fromImages(datalist)
trend = varyCollection.map(createTimeBand) \
.reduce(ee.Reducer.linearFit()) #对每个像元线性回归
print(trend.getInfo())
#渲染显示
visualization = {
'max':3,
'min':-3,
'palette': ['b30000','d7301f','ef6548','fc8d59','fdbb84','fdd49e','fee8c8','f7fcf0','e0f3db','ccebc5','a8ddb5','7bccc4','4eb3d3','2b8cbe','0868ac']
}
Map.addLayer(trend.select('scale'),visualization,'yearly pre trend')
# Map.centerObject(roi)
Map
结果如下:
二者计算结果的差异比较分析:
- 可以看出,二者计算的结果在大的趋势上相同,均表现为东部区域降水在减少,而西部地区降水在增加。
- 但降水量变化量却出现较明显的差异。同一地点比如Point (110.8477, 38.0308)处,上一段代码拟合的该处像元处降水的斜率变化为-0.85,而年总量的斜率却是-12.5,二者差了1个数量级。
- 初步感觉年变化率为12mm/a的变化不太符合实际情况,若这样的话,10年减少了120mm,有些太夸张了。
四、小结与讨论
- 通过MODIS长时间序列降水量变化,探索了流域内降水的时空变化特征
- 应掌握ee.Reducer.linearFit()函数的用法,该函数有2个参数的产出,分别为scale(斜率)和offset(截距),可以通过scale的变化看出区域植被的演变趋势。
- 有待探索的问题,在利用线性模拟函数前,先对于数据进行了增加时间波段的处理,所获取的时间为metadata中system:time_start时间,对于该数值进行了以年为单位的换算,理解为将毫秒单位转换为年单位,但为何与完全按照年总降水量进行计算出来的结果有差异?问题出在哪里呢?希望评论区讨论.
参考:
- https://developers.google.com/earth-engine/guides/ic_reducing
- https://blog.csdn.net/alley51775/article/details/121708658?spm=1001.2014.3001.5502