GEE学习——绘制NDVI长时序曲线图

时而支楞时而摆烂的小刘

已于 2023-03-01 14:50:59 修改

阅读量5.6k

点赞数 19

文章标签：学习 googlecloud

于 2023-02-28 21:35:01 首次发布

本文链接：https://blog.csdn.net/qq_50291870/article/details/129269012

版权

绘制全区域NDVI变化曲线——一景一值

首先认真阅读数据集介绍，包括波段名、缩放因子、数据集持续时间、空间分辨率等。

准备好研究区域、处理好数据集（缩放），先print一下看看数据集是否处理完毕。这里选的数据集MOD13Q1是500m空间分辨率、16天时间分辨率的，也可以选用其他NDVI数据集（貌似不同数据集得出的结果差异还蛮大）。

//load roi
var table = ee.FeatureCollection("projects/ee-lzying1999/assets/Boundary-wgs");
Map.centerObject(table, 9);
Map.addLayer(ee.Image().paint(table, 0, 2), {}, 'roi');

//load imagecollection 类似的NDVI数据集还有MODIS/MOD09GA_006_NDVI;MODIS/061/MOD13Q1;MODIS/006/MOD13A1
var collection = ee.ImageCollection('MODIS/006/MOD13Q1')  
  .filterDate('2000-01-01', '2022-12-31').filterBounds(table)
  .select('NDVI').map(function(image){
                       return image.multiply(0.0001).set(image.toDictionary(image.propertyNames()))
                     }) //这里是NDVI产品的缩放因子，在数据集介绍里面有
print(collection);

对一整个区域的NDVI均值绘制长时序曲线（之前找了很久函数，捣鼓了半天list\dictionary等的数据转换，结果发现一个函数就能解决= =）：

//绘制由全区域每景图像NDVI平均值构成的曲线图
print(ui.Chart.image.series({
    imageCollection: collection,
    region: table,
    reducer: ee.Reducer.mean(),
    scale: 500
    }).setOptions({
      interpolateNulls: true,
      lineWidth: 2,
      title: 'NDVI_totalregion',
      vAxis: {title: 'NDVI'}, //viewWindow: {min: 0, max: 0.3}调整坐标轴上下限
      hAxis: {title: 'Date'},
      trendlines: { 0: {title: 'NDVI_trend',type:'linear', showR2: true,  color:'red', visibleInLegend: true}} //添加趋势线
    }));

绘制全区域逐月平均的NDVI曲线——一月一值

关于月平均，实际上是在多个教程基础上修改了一点点绘图选项。最开始时间选择了2001-2022，结果又溢出了，所以换成了2001-2011年，这次可以显示了。

//date range
var years = ee.List.sequence(2001, 2011);
var months = ee.List.sequence(1, 12);

//monthly mean
var monthlymean =  ee.ImageCollection.fromImages( 
 years.map(function (y) {  
   return months.map(function(m) {   
   return collection.filter(ee.Filter.calendarRange(y,y, 'year')).filter(ee.Filter.calendarRange(m, m, 'month')).mean().set('year', y).set('month', m).set('system:time_start', ee.Date.fromYMD(y, m, 1)); 
      });  }).flatten());
print(monthlymean);
      
// Create and print charts.
print(ui.Chart.image.series({
  imageCollection:monthlymean, 
  region:table, 
  reducer:ee.Reducer.mean(), 
  scale:500}).setOptions({
      interpolateNulls: true,
      lineWidth: 2,
      title: 'NDVI Monthly Series',
      vAxis: {title: 'NDVI'},
      hAxis: {title: 'Date'},
      //trendlines: { 0: {title: 'NDVI_trend',type:'linear', showR2: true,  color:'red', visibleInLegend: true}}
    }));

绘制全区域逐年平均的NDVI曲线——一年一值

按年平均也有很多教程给代码，然而我到现在还是没看明白是怎么实现的QAQ，只是能用。先贴在这，找个时间恶补一下。。。

//create year list
var years = ee.List.sequence(2000, 2022);
var collectYear = ee.ImageCollection(years
  .map(function(y) {
    var start = ee.Date.fromYMD(y, 1, 1);
    var end = start.advance(12, 'month');
    return collection.filterDate(start, end).reduce(ee.Reducer.mean()).float().set('system:time_start',y).set('year',y);
}));
print(collectYear);

//create chart of NDVI_mean yearly of the total region
var Yearly_chart = ui.Chart.image.series({
    imageCollection: collectYear.select('NDVI_mean'),
    region: table,
    reducer: ee.Reducer.mean(),
    scale: 500,
    xProperty: 'year',
    }).setOptions({
      interpolateNulls: true,
      lineWidth: 2,
      title: 'NDVI Yearly Series_totalregion',
      vAxis: {title: 'NDVI'},//,viewWindow: {min: 0, max: 0.3}
      hAxis: {title: 'Date'},
      trendlines: { 0: {title: 'NDVI_trend',type:'linear', showR2: true,  color:'red', visibleInLegend: true}}
    });
print(Yearly_chart);

将roi中的subregion取出来进行NDVI的分析

这个故事有点曲折，概括来讲就是：从ui.Chart.image.seriesByRegion到单独将灌域提取出来再手动聚合再回归ui.Chart.image.seriesByRegion。以下是我研究区的矢量文件，已经包含了各个子区域。

首先是昨天用for循环将灌域一个个提取出来的过程：

//aggregate_array这个函数将featurecollection里面的Name1提取出来成为一个list
var point = table.aggregate_array('Name1')
print(point)

//根据Name1构成的point(list)逐个提取feature（用filterMetadata方法）
for(var i = 0; i<6 ; i++){
  var roi = table.filterMetadata('Name1','equals',point.get(i));
  //这里就是绘制NDVI的函数，同上。在生成chart的时候将i放入图标名称中方便标识  
}

搞出来之后虽然觉得麻烦，但也算是节省了一部分步骤了，于是今天一整天手动处理了68个csv，把它们拼起来。现在想想真是血泪史。

事情的转机就发生在酝酿这篇“巨作”的时候。。我突然想再尝试一下ui.Chart.image.seriesByRegion这个函数，然后又上网搜教程。。上次我疑惑的点在于这个函数里面有个seriesProperty，而我的featurecollection里面没有property这个内容，放了其他的字段也总是跳错，或者直接生成整个大区域的平均值。然而，就在刚才，我把seriesProperty设置为了‘NAME’，就发现可以按照子区域绘图了。。。我晒干了沉默。。。之前设置了‘Feature Index’，没什么效果，然后发现可能是因为这个参数类型必须是string。

var chart =
    ui.Chart.image
        .seriesByRegion({
          imageCollection: collection,
          band:'NDVI',
          regions: table,
          reducer: ee.Reducer.mean(),
          scale: 500,
          seriesProperty: 'NAME', //你害得世兰好苦啊
          xProperty: 'system:time_start'
        })
        .setOptions({
          title: 'Average NDVI Value by roi',
          hAxis: {title: 'Date', titleTextStyle: {italic: false, bold: true}},
          vAxis: {
            title: 'NDVI',
            titleTextStyle: {italic: false, bold: true}
          },
          lineWidth: 2,
          series: { //这里前面的名字和seriesProperty里面的要对应上
            'Yongji': {color: 'FF0000'}, 
            'Yichang': {color: '00FF00'}, 
            'Wulate': {color: '0000FF'} ,
            'Jiefangzha': {color: 'f0af07'},
            'Wulanbuhe': {color: '0f8755'},
            'Wuliangsu Lake': {color: '76b349'}
        }});
print(chart);

后记

本来只是想把长时序绘图的代码备一份，理一下思路，没想到还有意外收获。类似的LST、SM、GPP、NPP等绘图也是一样的，只要更改数据集、时间、波段名、绘图设置，就可以按照自己的需要绘制长时序曲线图了！另外，在应用ERA5L数据集时，时间序列太长，所以daily的数据就要分开几部分进行。2022-6-10不知道出了什么问题，没有数据总会报错，就手动跳过了这一天，尝试了union函数连接没有交集的两个时间范围，结果发现时间变得连续了。似乎只能手动剔除掉这一天了。。

var Range1 = ee.DateRange('2000-01-01','2002-01-01')
var Range2 = ee.DateRange('2003-01-01','2004-01-01')
var Range3 = Range1.union(Range2)
print(Range1,Range2,Range3)