GEE实战 | 计算NDVI & NDWI

最新推荐文章于 2024-03-12 09:00:00 发布
最新推荐文章于 2024-03-12 09:00:00 发布
阅读量3.2w 收藏 408
点赞数 44
分类专栏： Google Earth Engine (GEE) 文章标签： 可视化 google earth javascript python
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/weixin_43360896/article/details/108344915
版权

GEE实战 | 计算NDVI & NDWI

NDVI

NDVI数据库

  GEE自身提供了相当多的NDVI资源可以直接导入使用。
在这里插入图片描述
在这里插入图片描述

  以Landsat 8 8天周期NDVI产品为例，导入及可视化代码如下：

var dataset = ee.ImageCollection('LANDSAT/LC08/C01/T1_8DAY_NDVI')
                  .filterDate('2017-01-01', '2017-12-31');
var colorized = dataset.select('NDVI');
var colorizedVis = {
  min: 0.0,
  max: 1.0,
  palette: [
    'FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718', '74A901',
    '66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01',
    '012E01', '011D01', '011301'
  ],
};
Map.setCenter(6.746, 46.529, 6);
Map.addLayer(colorized, colorizedVis, 'Colorized');

计算NDVI

  当然，有时候产品无法满足要求，需要根据波段信息运算。GEE可以方便的使用几行代码完成运算。
  首先放上NDVI的计算公式：
  NDVI = (近红外波段 - 红波段) / (近红外波段 + 红波段)
  针对每种卫星的波段，选用的波段都有所不同，公式如下：
  Landsat8: NDVI = (band5 - band4) / (band5 + band4)
  Sentinel2: NDVI = (band8 - band4) / (band8 + band4)
  Modis: NDVI = (band2 - band1) / (band2 + band1)
  ETM/TM: NDVI = (band4 - band3) / (band4 + band3)
  AVHRR: NDVI = (CH2 - CH1) / (CH2 + CH1)

  接下来以Landsat 8和Sentinel 2为例，计算NDVI，摘自某位网友，侵删。

  Landsat 8：

//landsat 8 NDVI Demo

//方法一：普通方式，通过将数学公式翻译为代码直接计算
function NDVI_V1(img) {
 var nir = img.select("B5");
 var red = img.select("B4");
 var ndvi = nir.subtract(red).divide(nir.add(red));
 return ndvi;
}

//方法二：将计算公式直接带入，通过解析字符串实现计算。这种方式更加灵活，在某些特殊情况下非常好用，而且非常直观。
function NDVI_V2(img) {
 var nir = img.select("B5");
 var red = img.select("B4");
 var ndvi = img.expression(
   "(B5 - B4)/(B5 + B4)",
   {
     "B5": nir,
     "B4": red
   }
 );
 return ndvi;
}


//方法三：GEE将计算公式封装为一个方法可以直接调用
function NDVI_V3(img) {
 var ndvi = img.normalizedDifference(["B5","B4"]);
 return ndvi;
}


//landsat8 and roi 我们这里使用的2017年全部的Landsat8影像，地点是沧州附近 
var l8_col = ee.ImageCollection("LANDSAT/LC08/C01/T1_RT_TOA");
var roi = ee.Geometry.Point([117.0703125,38.09133660751176]);
var img = ee.Image(l8_col.filterBounds(roi)
                       .filterDate("2017-01-01", "2017-09-24")
                       .first());
var ndvi1 = NDVI_V1(img);
var ndvi2 = NDVI_V2(img);
var ndvi3 = NDVI_V3(img);
//NDVI显示配置，NDVI值范围是-1到1
var visParam = {
 min: -0.2,
 max: 0.8,
 palette: 'FFFFFF, CE7E45, DF923D, F1B555, FCD163, 99B718, 74A901, 66A000, 529400,' +
   '3E8601, 207401, 056201, 004C00, 023B01, 012E01, 011D01, 011301'
};
//原始影像真彩色
Map.addLayer(img, {bands:["B4", "B3", "B2"], max:0.3}, "raw_img");
Map.addLayer(ndvi1, visParam, "ndvi_1");
Map.addLayer(ndvi2, visParam, "ndvi_2");
Map.addLayer(ndvi3, visParam, "ndvi_3");
Map.centerObject(roi, 9);

//上面只是展示了图像，我们在分析的时候还需要查看我们所筛选的影像NDVI值
var ndvi_list = l8_col.filterDate("2017-01-01", "2017-09-24")
   .map(function(image) {
   //通过云筛选landsat8
   var cloud = ee.Algorithms.Landsat.simpleCloudScore(image).select("cloud");
   var mask = cloud.lte(20);
   var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI');
   return image.addBands(ndvi).updateMask(mask);
});


//展示每一张影像NDVI值 
var chart1 = ui.Chart.image.series({
 //影像集合
 imageCollection: ndvi_list.select('NDVI'),
 //关心区域
 region: roi,
 //关心区域计算方式，这里采用的是均值。也就是比如roi是一个矩形，
 //那么在图表中这个点的值就是矩形内所有像素值求平均。
 reducer: ee.Reducer.mean(),
 //分辨率
 scale: 30
}).setOptions({title: 'NDVI IMAGE SERIES'});
print(chart1);


//展示每一天所关心区域的NDVI值
var chart2 = ui.Chart.image.doySeries({
 imageCollection: ndvi_list.select('NDVI'),
 region:roi,
 regionReducer: ee.Reducer.mean(),
 scale:30
}).setOptions({title: "ROI NDVI EACH DAY SERIES"})
print(chart2)

   Sentinel 2:

//sentinel2 NDVI Demo
//方法一：普通方式，通过将数学公式翻译为代码直接计算
function NDVI_V1(img) {
 var nir = img.select("B8");
 var red = img.select("B4");
 var ndvi = nir.subtract(red).divide(nir.add(red));
 return ndvi;
}

//方法二：将计算公式直接带入，通过解析字符串实现计算。这种方式更加灵活，在某些特殊情况下非常好用，而且非常直观。
function NDVI_V2(img) {
 var nir = img.select("B8");
 var red = img.select("B4");
 var ndvi = img.expression(
   "(B5 - B4)/(B5 + B4)",
   {
     "B5": nir,
     "B4": red
   }
 );
 return ndvi;
}


//方法三：GEE将计算公式封装为一个方法可以直接调用
function NDVI_V3(img) {
 var ndvi = img.normalizedDifference(["B8","B4"]);
 return ndvi;
}


//sentinel2 and roi
var s2_col = ee.ImageCollection("COPERNICUS/S2");
var roi = ee.Geometry.Point([117.0703125,38.09133660751176]);
var img = ee.Image(s2_col.filterBounds(roi)
                       .filterDate("2017-01-01", "2017-09-24")
                       .first());
var ndvi1 = NDVI_V1(img);
var ndvi2 = NDVI_V2(img);
var ndvi3 = NDVI_V3(img);
var visParam = {
 min: -0.2,
 max: 0.8,
 palette: 'FFFFFF, CE7E45, DF923D, F1B555, FCD163, 99B718, 74A901, 66A000, 529400,' +
   '3E8601, 207401, 056201, 004C00, 023B01, 012E01, 011D01, 011301'
};
Map.addLayer(img, {bands:["B8", "B4", "B3"], max:3048}, "raw_img");
Map.addLayer(ndvi1, visParam, "ndvi_1");
Map.addLayer(ndvi2, visParam, "ndvi_2");
Map.addLayer(ndvi3, visParam, "ndvi_3");
Map.centerObject(roi, 9);

//show charts
var ndvi_list = s2_col.filterDate("2017-01-01", "2017-09-24")
   .map(function(image) {
   var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI');
   return image.addBands(ndvi);
});

//展示每一张影像NDVI值 
var chart1 = ui.Chart.image.series({
 //影像集合
 imageCollection: ndvi_list.select('NDVI'),
 //关心区域
 region: roi,
 //关心区域计算方式，这里采用的是均值。也就是比如roi是一个矩形，
 //那么在图表中这个点的值就是矩形内所有像素值求平均。
 reducer: ee.Reducer.mean(),
 //分辨率
 scale: 30
}).setOptions({title: 'NDVI IMAGE SERIES'});
print(chart1);

//展示每一天所关心区域的NDVI值
var chart2 = ui.Chart.image.doySeries({
 imageCollection: ndvi_list.select('NDVI'),
 region:roi,
 regionReducer: ee.Reducer.mean(),
 scale:30
}).setOptions({title: "ROI NDVI EACH DAY SERIES"})
print(chart2)

 

NDWI

NDWI数据库

  GEE自身提供了相当多的NDVI资源可以直接导入使用。
在这里插入图片描述

  以Landsat 8 32天周期NDWI产品为例，导入及可视化代码如下：

var dataset = ee.ImageCollection('LANDSAT/LC08/C01/T1_32DAY_NDWI')
                  .filterDate('2017-01-01', '2017-12-31');
var colorized = dataset.select('NDWI');
var colorizedVis = {
  min: 0.0,
  max: 1.0,
  palette: ['0000ff', '00ffff', 'ffff00', 'ff0000', 'ffffff'],
};
Map.setCenter(6.746, 46.529, 6);
Map.addLayer(colorized, colorizedVis, 'Colorized');

计算NDWI

  同理，NDWI的计算公式：
  NDWI = (绿波段 - 近红外波段) / (绿波段 + 近红外波段)
  针对每种卫星的波段，选用的波段都有所不同，公式如下：
  landsat8: NDWI = (band3 - band5) / (band3 + band5)
  landsat5/7: NDWI = (band2 - band4) / (band2 + band4)
  sentinel2: NDWI = (band3 - band8) / (band3 + band8)

  接下来以Landsat 8和Sentinel 2为例，计算NWVI，摘自某位网友，侵删。

  Landsat 8：

//landsat 8 NDWI Demo
function NDWI_V1(img) {
 var nir = img.select("B5");
 var green = img.select("B3");
 var ndwi = green.subtract(nir).divide(green.add(nir));
 return ndwi;
}

function NDWI_V2(img) {
 var nir = img.select("B5");
 var green = img.select("B3");
 var ndwi = img.expression(
   "(B3 - B5)/(B3 + B5)",
   {
     "B5": nir,
     "B3": green
   }
 );
 return ndwi;
}


function NDWI_V3(img) {
 var ndwi = img.normalizedDifference(["B3","B5"]);
 return ndwi;
}


//landsat8 and roi
var l8_col = ee.ImageCollection("LANDSAT/LC8_L1T_TOA");
var roi = ee.Geometry.Point([124.1455078125,45.644768217751924]);
var img = ee.Image(l8_col.filterBounds(roi)
                       .filterDate("2017-02-01", "2017-09-23")
                       .first());
var ndwi1 = NDWI_V1(img);
var ndwi2 = NDWI_V2(img);
var ndwi3 = NDWI_V3(img);
var visParam = {
 min: -0.5,
 max: 0.5,
 palette: ['00FFFF', '0000FF']
};
Map.addLayer(img, {bands:["B4", "B3", "B2"], max:0.3}, "raw_img");
Map.addLayer(ndwi1, visParam, "ndwi_1");
Map.addLayer(ndwi2, visParam, "ndwi_2");
Map.addLayer(ndwi3, visParam, "ndwi_3");
Map.centerObject(roi, 9);

//show charts
var ndwi_list = l8_col.filterDate("2017-01-01", "2017-09-23")
   .map(function(image) {
   var cloud = ee.Algorithms.Landsat.simpleCloudScore(image).select("cloud");
   var mask = cloud.lte(20);
   var ndwi = image.normalizedDifference(['B3', 'B5']).rename('NDWI');
   return image.addBands(ndwi).updateMask(mask);
});
var chart1 = ui.Chart.image.series({
 imageCollection: ndwi_list.select('NDWI'),
 region: roi,
 reducer: ee.Reducer.mean(),
 scale: 30
}).setOptions({title: 'NDWI IMAGE SERIES'});
print(chart1);


var chart2 = ui.Chart.image.doySeries({
 imageCollection: ndwi_list.select('NDWI'),
 region:roi,
 regionReducer: ee.Reducer.mean(),
 scale:30
}).setOptions({title: "ROI NDWI EACH DAY SERIES"})
print(chart2)

  Sentinel 2：

// sentinel2 ndwi
//哨兵2去云处理
var s2_rmcloud = function(image) {
 var quality = image.select("QA60").unmask();
 return image.updateMask(quality.eq(0));
};


//在原影像中加入一个新的波段，命名为NDWI

var s2_ndwi = function(image) {
 return image.addBands(image.normalizedDifference(["B3", "B8"]).rename("NDWI"));
};

//sentinel2 and roi 过滤筛选哨兵2影像
var s2_col = ee.ImageCollection("COPERNICUS/S2");
var roi = ee.Geometry.Point([117.0703125,38.09133660751176]);


var s2_nocloud = s2_col.map(s2_rmcloud)
                       .filterBounds(roi)
                       .filterDate("2017-01-01", "2017-09-24");
var ndwi = s2_nocloud.map(s2_ndwi).select("NDWI").reduce(ee.Reducer.mean());


var visParam = {
 min: -0.5,
 max: 0.5,
 palette: ['00FFFF', '0000FF']
};
Map.addLayer(ndwi, visParam, "ndwi");
Map.centerObject(roi, 9);

//展示关心区域roi在1.1-9.23日之间的的NDWI值序列
var ndwi_list = s2_nocloud.filterDate("2017-01-01", "2017-09-23")
   .map(function(image) {
   var ndwi = image.normalizedDifference(['B3', 'B5']).rename('NDWI');
   return image.addBands(ndwi);
});
var chart1 = ui.Chart.image.series({
 imageCollection: ndwi_list.select('NDWI'),
 region: roi,
 reducer: ee.Reducer.mean(),
 scale: 30
}).setOptions({title: 'NDWI IMAGE SERIES'});
print(chart1);


var chart2 = ui.Chart.image.doySeries({
 imageCollection: ndwi_list.select('NDWI'),
 region:roi,
 regionReducer: ee.Reducer.mean(),
 scale:30
}).setOptions({title: "ROI NDWI EACH DAY SERIES"})
print(chart2)

Landsat 8 NDVI 和 NDWI 添加波段

  python代码如下：

# Use Landsat 8 surface reflectance data. 【使用Landsat8影像】
l8sr = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR')

# Cloud masking function.【去云函数】
def maskL8sr(image):
  cloudShadowBitMask = ee.Number(2).pow(3).int()
  cloudsBitMask = ee.Number(2).pow(5).int()
  qa = image.select('pixel_qa')
  mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0).And(
    qa.bitwiseAnd(cloudsBitMask).eq(0))
  return image.updateMask(mask).select(opticalBands).divide(10000)

# The image input data is a cloud-masked median composite.【选取16年影像】
image = l8sr.filterDate('2016-01-01', '2016-12-31').map(maskL8sr).median()

def addNDVI(image):
  ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI')
  return image.addBands(ndvi)

def addNDWI(image):
  ndwi = image.normalizedDifference(['B3', 'B5']).rename('NDWI')
  # mndwi = image.normalizedDifference(['B3', 'B6']).rename('MNDWI')
  # lswi = image.normalizedDifference(['B5', 'B6']).rename('LSWI')
  return image.addBands(ndwi)

# 【增加信息】
image = addNDVI(image)
image = addNDWI(image)


# Use folium to visualize the imagery. 【可视化】
mapid = image.getMapId({'bands': ['B4', 'B3', 'B2'], 'min': 0, 'max': 0.3})
map = folium.Map(location=[38., -122.5])
folium.TileLayer(
    tiles=mapid['tile_fetcher'].url_format,
    attr='Map Data &copy; <a href="https://earthengine.google.com/">Google Earth Engine</a>',
    overlay=True,
    name='median composite',
  ).add_to(map)

mapid = image.getMapId({'bands': ['NDVI'], 'min': -0.2, 'max': 0.8, 
    'palette': ['FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718', '74A901', '66A000', '529400']})
folium.TileLayer(
    tiles=mapid['tile_fetcher'].url_format,
    attr='Map Data &copy; <a href="https://earthengine.google.com/">Google Earth Engine</a>',
    overlay=True,
    name='NDVI',
  ).add_to(map)
# map.add_child(folium.LayerControl())

mapid = image.getMapId({'bands': ['NDWI'], 'min': 0, 'max': 1, 
    'palette': ['0000ff', '00ffff', 'ffff00', 'ff0000', 'ffffff']})
folium.TileLayer(
    tiles=mapid['tile_fetcher'].url_format,
    attr='Map Data &copy; <a href="https://earthengine.google.com/">Google Earth Engine</a>',
    overlay=True,
    name='NDWI',
  ).add_to(map)
map.add_child(folium.LayerControl())

map

  可视化结果如下：
  NDVI：
在这里插入图片描述

  NDWI：
在这里插入图片描述

  下次讲下如何利用水体指数提取潘阳湖面积今年变化~

买猫咪的小鱼干
关注
  • 44
    点赞
  • 踩
  • 408
    收藏
    觉得还不错? 一键收藏
  • 42
    评论
专栏目录
GEE案例——利用MODIS数据（NDVI）计算中国大陆2000-2023年的MK、Sens趋势性分析和Z值统计以及方差分析
qq_31988139的博客
06-09 332
利用MODIS数据（NDVI）计算2000-2023年中国大陆的MK、Sens趋势性分析和Z值统计以及方差分析。
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
03-22 821
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 python高阶——如何使用geemap和eemont包基于MODIS影像计算GNDVI,NBR,NDWI指数并可视化（山西省太原市为例）
qq_31988139的博客
03-12 2157
GNDVI (Green Normalized Difference Vegetation Index)是一种用于评估植被覆盖状况的指数。它是通过测量红光波段和近红外波段之间的比值来计算的。GNDVI的公式如下：其中，NIR代表近红外波段的反射值，Green代表绿色波段的反射值。GNDVI的值范围在-1到1之间。数值越高，表示植被覆盖越多。因为植物叶绿素对近红外波长的反射较强，而对绿色波长的吸收较高，所以植被覆盖越多，GNDVI的值越高。
GEE上不同影像NDVI的计算公式.txt
08-21
GEE上不同影像NDVI的计算公式.txt
Google Earth Engine（GEE）计算NDVI、EVI、NDBI等指数并相关性分析
guaicaicexu的博客
06-29 8338
今天来分享如何在GEE中利用landsat影像计算上述指数，并进行相关性分析。相关性分析用Pearson相关系数表示
GEE开发之Sentinel-2计算NDVI和数据分析
热门推荐
等待着冬天的风的博客
07-31 1万+
主要介绍哨兵2号卫星下计算NDVI的值、遥感影像和数据的获取。
GEE：指数计算（NDVI、NBR、EVI、NDMI、NDSI、TC、NDFI、EBBI、VCI、BSI、NDBI、GRAY）
养乐多的博客
04-08 8619
本文记录了，使用 Landsat 光学波段计算指数的方法和代码，包括NDVI、NBR、EVI、NDMI、NDSI、TC变化（绿度、亮度、湿度）、NDFI、EBBI、VCI等指数。
基于GEE云平台实现NDWI水体提取并计算面积覆盖代码.txt
最新发布
04-06
基于GEE云平台实现NDWI水体提取并计算面积覆盖代码，所使用的数据是LANDSAT/LC08/C02/T1 NDWI数值范围 NDWI (Normalized Difference Water Index) 的数值范围在-1到1之间。数值越接近1表示水体的可能性越高，数值越...
新建文件夹_基于GEE_gee_支持向量机分类_
09-30
2. **特征提取**：根据遥感图像的光谱特性，选择合适的波段组合或者构建新的指数（如NDVI、NDWI等），以增强地物分类的区分度。 3. **样本选取**：定义训练区域，手动或自动选取代表不同土地类型的样本点。这些样本...
landsat7+TVDI指标计算
05-02
TVDI的计算通常涉及NDVI（归一化植被差异指数）和NDWI（归一化差值水指数）两个关键指标。NDVI是衡量植被覆盖度和生长状态的常用参数，而NDWI则侧重于植被含水量的估算。 在操作过程中，首先，我们需要从Landsat 7...
基于GEE云平台sentinel-2影像的土地分类代码.js
04-01
选择适当的波段组合或指数（例如NDVI，NDWI等）作为分类的特征。 数据采样。从不同土地类别中随机采样一定数量的样本点。 训练分类器。使用采样的样本点训练分类器模型，例如支持向量机 (Support Vector Machine, ...
GEE平台LULC分类_landsat8__LULC_gee_GEE平台_gee分类
09-11
- 特征提取：利用不同波段组合（比如NDVI、NDWI等指数）提取反映地物特性的信息。 - 训练样本制备：手动或自动选取不同地类的像素作为训练样本，赋予相应的类别标签。 - 模型建立：使用支持向量机（SVM）、随机...
利用GEE获取区域NDVI
pengbr的博客
10-15 1068
利用GEE谷歌大数据遥感平台获取某区域一定时间段的NVDI数据
Google Earth Engine（GEE）对指定地点Sentinel-2 Level1C数据进行NDVI指数的计算
qq_43177210的博客
07-28 4187
Google Earth Engine (GEE) 是由谷歌公司开发的众多应用之一。借助谷歌公司超强的服务器运算能力以及与NASA的合作关系，GEE平台将Landsat/Sentinel等可以公开获取的遥感图像数据存储在谷歌的磁盘阵列中，使得GEE用户可以方便的提取、调用和分析海量的遥感大数据资源。 本文基于GEE平台，实现对指定地点Sentinel-2 Level1C数据进行NDVI指数的计算，示例地点为湖南省长沙市。代码如下： （JS） var cs = China.filterBound.
【GEE笔记1】Landsat8/9的NDVI计算，并计算区域NDVI平均值
Vigo*GIS
07-31 9635
GEE提取Landsat8/9的NDVI数据，并计算研究区的NDVI均值
Google Earth Engine（GEE）——geetool中NDVI植被指数模型调用计算
qq_31988139的博客
11-21 1095
最流行的植被指数的简写。此模块中的所有函数都返回一个函数来映射。代码中的波段名称我是随便命名的，按照公式分别放入指定的波段即可。
GEE之计算10m分辨率的NDVI数据
gis收藏家的博客
12-20 1743
基于哨兵-2计算10m分辨率的ndvi
Google Earth Engine谷歌地球引擎GEE栅格代数与NDVI波段计算手动求取
疯狂学习GIS的博客
07-28 3020
  本文主要对GEE中的栅格代数与波段计算操作加以介绍。本文是谷歌地球引擎（Google Earth Engine，GEE）系列教学文章的第六篇，更多GEE文章请参考专栏：GEE学习与应用（https://blog.csdn.net/zhebushibiaoshifu/category_11081040.html）。   首先，依据第二篇GEE教学博客（https://blog.csdn.net/zhebushibiaoshifu/article/details/117296956）中内容，我们将Lands
GEE 查看指定区域的遥感数据（哨兵2为例）
weixin_39317090的博客
06-04 2505
GEE
利用gee计算20年的rsei
05-05
要计算20年的RSEI，您需要做以下几个步骤： 1. 获取20年的遥感数据，可以使用Landsat、MODIS等数据源。您可以通过GEE的数据目录来获取这些数据。 2. 计算每个时期的NDVI和NDWI指数。您可以使用GEE提供的函数来计算这些指数。 3. 根据计算出的NDVI和NDWI指数，计算每个时期的RSEI值。您可以使用GEE提供的函数来计算RSEI值。 4. 将计算出的RSEI值导出为CSV文件或其他格式的文件，以便进行后续的分析。 下面是一个简单的代码示例，可以帮助您计算20年的RSEI值： ```javascript // 定义时间范围 var startYear = 2000; var endYear = 2019; var startDate = ee.Date.fromYMD(startYear, 1, 1); var endDate = ee.Date.fromYMD(endYear, 12, 31); // 获取MODIS数据 var modis = ee.ImageCollection('MODIS/006/MOD13Q1') .select(['NDVI', 'NDWI']); // 定义计算RSEI的函数 var calculateRSEI = function(image) { var ndvi = image.select('NDVI'); var ndwi = image.select('NDWI'); var rsei = ndwi.multiply(ndvi).rename('RSEI'); return image.addBands(rsei); }; // 计算RSEI var rsei = modis.filterDate(startDate, endDate) .map(calculateRSEI); // 导出为CSV文件 Export.table.toDrive({ collection: rsei.select(['RSEI']), description: 'rsei_2000_2019', fileFormat: 'CSV' }); ``` 这段代码将计算2000年至2019年期间的RSEI值，并将结果导出为CSV文件。您可以根据自己的需求调整时间范围和数据源，并进行进一步的分析和可视化。

“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 42
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
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