基于Landsat 1-7提取点或区域的覆盖度

已于 2024-09-13 10:18:52 修改
阅读量255 收藏 3
点赞数 21
文章标签： 前端 javascript 开发语言
于 2024-09-13 10:05:52 首次发布
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_44021581/article/details/142201797
版权

主要任务：

植被覆盖度（fractional vegetation coverage）是一些生态水文过程模型的重要输入参数，本文的主要目的是提取年均覆盖度的时间序列，以约束生态水文模型。

计算原理：

基于像元二分模型（Gao et al., 2020, Redirecting），可以得到覆盖度的计算：

FVC=\frac{NDVI-NDVI_{\infty }}{NDVI_{soil}-NDVI}

其中NDVI是年平均NDVI，根据下表的波段计算的（前一个为nir波段，后一个为red波段），NDVIsoil和NDVI∞分别为裸土时的NDVI和植被饱和时的NDVI，有多种方法确定，这里采取NDVI的所有值的2%，98%分位数对应的NDVI计算，也有用定值计算的，如分别取0.05，0.9（可以参考Gao这篇文献。但是实操下来，还是用百分位数得到的覆盖度更符合我之前对这个地区调查的真实覆盖度。

使用的数据集：

产品名字        GEE数据产品

时间范围

（实际用的图像的范围）

计算覆盖度的波段
Landsat 1LANDSAT/LM01/C02/T21972-1978 (1974-1974)'B6', 'B5'
Landsat 2LANDSAT/LM02/C02/T21975-1982（1975-1977）'B6', 'B5'
Landsat 3LANDSAT/LM03/C02/T21978-1983（1978）'B6', 'B5'
Landsat 4LANDSAT/LT04/C02/T1_L2

1982-1993

（-）

'SR_B4', 'SR_B3'
Landsat 5LANDSAT/LT05/C02/T1_L21984-2012（1986-2010）'SR_B4', 'SR_B3'
Landsat 7LANDSAT/LE07/C02/T1_L21999-2021（2011-2012）'SR_B4', 'SR_B3'
Landsat 8LANDSAT/LC08/C02/T1_L21975-1982（2013-2023）'SR_B5', 'SR_B4'

成果：

代码

代码修改的话，只需要修改第一行的point坐标。

// 定义要查找的经纬度点
var point = ee.Geometry.Point([108.8955, 37.6935]); // Mu Us
//var point = ee.Geometry.Point([116.6821648, 43.55310465]); // Xilingol
// 定义边界
var bounds = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2').filterBounds(point).first().geometry();


// Define the time range
var start = '1972-01-01';
var end = '2024-01-01';

// Filter Landsat data
var LC1 = ee.ImageCollection("LANDSAT/LM01/C02/T2")
                          .filterBounds(point)
                          .filterDate(start, end);
print(LC1);

var LC2 = ee.ImageCollection("LANDSAT/LM02/C02/T2")
                          .filterBounds(point)
                          .filterDate(start, end);
print(LC2);

var LC3 = ee.ImageCollection("LANDSAT/LM03/C02/T2")
                          .filterBounds(point)
                          .filterDate(start, end);
print(LC3);

var LC4 = ee.ImageCollection("LANDSAT/LM04/C02/T2")
                          .filterBounds(point)
                          .filterDate(start, end);
//print(LC4);

var LC4 = ee.ImageCollection("LANDSAT/LT04/C02/T1_L2")
                          .filterBounds(point)
                          .filterDate(start, end);
print(LC4);


var LC5 = ee.ImageCollection("LANDSAT/LT05/C02/T1_L2")
                          .filterBounds(point)
                          .filterDate(start, end);
print(LC5);

var LC7 = ee.ImageCollection("LANDSAT/LE07/C02/T1_L2")
                          .filterBounds(point)
                          .filterDate(start, end);
print(LC7);

var LC8 = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
                          .filterBounds(point)
                          .filterDate(start, end);
print(LC8);
// Display the result
Map.centerObject(point, 10);



// NDVI计算函数
function calcNDVI(image, bands) {
  var ndvi = image.normalizedDifference(bands);
  return image.addBands(ndvi.rename('NDVI'));
}

// FVC计算函数
function calFVC(image, minNDVI, maxNDVI) {
  var FVC = image.subtract(minNDVI).divide(maxNDVI.subtract(minNDVI))
                 //.clamp(0, 1); // 保证 FVC 值在 0 到 1 之间
  return FVC.rename('FVC');
}

function rmCloud123(image) {  
  var cloudBitMask = (1 << 3); 
  var qa = image.select("QA_PIXEL");  
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0)  
  return image.updateMask(mask);  
} 

function rmCloud4578(image) {  
  var cloudBitMask = (1 << 3); 
  var cloudShadowBitMask = (1 << 4)
  var cloudsBitMask1 = (1 << 5);  
  var qa = image.select("QA_PIXEL");  
  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)  
                 .and(qa.bitwiseAnd(cloudBitMask).eq(0))
                 .and(qa.bitwiseAnd(cloudsBitMask1).eq(0));  
  return image.updateMask(mask);  
} 
  
// 获取跨所有传感器的 NDVI 5% 和 95% 分位数
function getAllSensorsNDVIPercentiles(startYear, endYear) {
  var start = ee.Date.fromYMD(startYear, 1, 1);
  var stop = ee.Date.fromYMD(endYear, 12, 31);

  // 所有传感器的集合
  var LM01 = ee.ImageCollection("LANDSAT/LM01/C02/T2")
                          .filterBounds(point)
                          .filterDate('1973-01-01', '1974-12-31')
                          .map(function(image) {
                            return rmCloud123(image);
                          })
                          .map(function(image) {
                            var bands = ['B6', 'B5'];
                            return calcNDVI(image, bands);
                          });                         
  
  var LM02 = ee.ImageCollection("LANDSAT/LM02/C02/T2")
                          .filterBounds(point)
                          .filterDate('1975-01-01', '1977-12-31')
                          .map(function(image) {
                            return rmCloud123(image);
                          })
                          .map(function(image) {
                            var bands = ['B6', 'B5'];
                            return calcNDVI(image, bands);
                          });   
  
  var LM03 = ee.ImageCollection("LANDSAT/LM03/C02/T2")
                          .filterBounds(point)
                          .filterDate(start, stop)
                          .map(function(image) {
                            return rmCloud123(image);
                          })
                          .map(function(image) {
                            var bands = ['B6', 'B5'];
                            return calcNDVI(image, bands);
                          });  
  
  var LT04 = ee.ImageCollection("LANDSAT/LT04/C02/T1_L2")
                          .filterBounds(point)
                          .filterDate(start, stop)
                          .map(function(image) {
                            return rmCloud4578(image);
                          })
                          .map(function(image) {
                            var bands = ['SR_B4', 'SR_B3'];
                            return calcNDVI(image, bands);
                          });

  var LT05 = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2')
                          .filterBounds(point)
                          .filterDate(start, stop)
                          .map(function(image) {
                            return rmCloud4578(image);
                          })
                          .map(function(image) {
                            var bands = ['SR_B4', 'SR_B3'];
                            return calcNDVI(image, bands);
                          });
                  
  var LE07 = ee.ImageCollection('LANDSAT/LE07/C02/T1_L2')
                          .filterBounds(point)
                          .filterDate(start, stop)
                          .map(function(image) {
                            return rmCloud4578(image);
                          })
                          .map(function(image) {
                            var bands = ['SR_B4', 'SR_B3'];
                            return calcNDVI(image, bands);
                          });
  
  var LC08 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
                          .filterBounds(point)
                          .filterDate(start, stop)
                          .map(function(image) {
                            return rmCloud4578(image);
                          })
                          .map(function(image) {
                            var bands = ['SR_B5', 'SR_B4'];
                            return calcNDVI(image, bands);
                          });
                
  var allSensors = LM01.merge(LM02).merge(LM03).merge(LT04).merge(LT05).merge(LE07).merge(LC08);
  var ndvi = allSensors.select('NDVI');
  var percentiles = ndvi.reduce(ee.Reducer.percentile([2, 98]));
  
  return percentiles;
}

function applyNDVI(image, sensor) {
  var bands;
  // Set bands based on sensor type
  if (sensor === 'LM01' || sensor === 'LM02' || sensor === 'LM03') {
    bands = ['B6', 'B5'];  // Landsat 1, 2, 3
  } else if (sensor === 'LT05' || sensor === 'LT04') {
    bands = ['SR_B4', 'SR_B3'];  // Landsat 4, 5, 7
  } else if (sensor === 'LC08') {
    bands = ['SR_B5', 'SR_B4'];  // Landsat 8
  } else {
    bands = ['SR_B4', 'SR_B3'];  // Default to Landsat 4, 5, 7 bands or handle other cases
  }

  return calcNDVI(image, bands);
}

// 生成时间序列
function getFVCtimeSeries(sensor, startYear, endYear) {
  //var ndviPercentiles = getNDVIPercentiles(2012, 2023);
  var ndviPercentiles = getAllSensorsNDVIPercentiles(1972, 2019);
  
  var minNDVI = ndviPercentiles.select('NDVI_p2');
  var maxNDVI = ndviPercentiles.select('NDVI_p98');
  //var minNDVI = ee.Image.constant(0.01).rename('minNDVI');
  //var maxNDVI = ee.Image.constant(0.3).rename('maxNDVI');

  var years = ee.List.sequence(startYear, endYear);
  return ee.FeatureCollection(years.map(function(year) {
    var start = ee.Date.fromYMD(year, 1, 1);
    var stop = ee.Date.fromYMD(year, 12, 31);
    
    var collection = ee.ImageCollection(ee.Algorithms.If(
      sensor === 'LM01' || sensor === 'LM02' || sensor === 'LM03' , 
      ee.ImageCollection('LANDSAT/' + sensor + '/C02/T2')
                      .filterBounds(point)
                      .filterDate(start, stop)
                      .map(function(img) {
                        var img = rmCloud123(img);
                        var img = applyNDVI(img, sensor)
                        return img
                      }),
      ee.ImageCollection('LANDSAT/' + sensor + '/C02/T1_L2')
                .filterBounds(point)
                .filterDate(start, stop)
                .map(function(img) {
                  var img = rmCloud4578(img);
                  var img = applyNDVI(img, sensor)
                  return img
                })
                ));

    var ndvi = collection.select('NDVI').mean().clip(bounds); // 使用均值 NDVI
    var ndvimask = ndvi.updateMask(ndvi.gt(0));
    var FVC = calFVC(ndvimask, minNDVI, maxNDVI);
    
    var ndviValue = ndvi.reduceRegion({
      reducer: ee.Reducer.mean(),
      geometry: point,
      scale: 100,
      maxPixels: 1e13
    }).set('year', year);
    
    var FVCvalue = FVC.reduceRegion({
      reducer: ee.Reducer.mean(),
      geometry: point,
      scale: 100,
      maxPixels: 1e13
    }).set('year', year);
    
    return ee.Feature(null, ee.Dictionary(ndviValue).combine(FVCvalue, true));
  }));
}

// 获取 FVC 时间序列
var fvcAndNDVITimeSeries = ee.FeatureCollection([
  //getFVCtimeSeries('LM01', 1972, 1978),
  //getFVCtimeSeries('LM02', 1975, 1982),
  //getFVCtimeSeries('LM03', 1978, 1983),
  getFVCtimeSeries('LM01', 1974, 1974),
  getFVCtimeSeries('LM02', 1975, 1977),
  getFVCtimeSeries('LM03', 1978, 1978),
  //getFVCtimeSeries('LT04', 1982, 1993),
  getFVCtimeSeries('LT05', 1986, 2010),
  getFVCtimeSeries('LE07', 2011, 2012),
  getFVCtimeSeries('LC08', 2013, 2023)
]).flatten();


// 打印时间序列数据
print('FVC 和 NDVI 时间序列:', fvcAndNDVITimeSeries);

// 可视化 FVC 和 NDVI 时间序列
var fvcChart = ui.Chart.feature.byFeature(fvcAndNDVITimeSeries, 'year', 'FVC')
  .setOptions({
    title: 'FVC 时间序列',
    hAxis: {title: '年份'},
    vAxis: {
      title: 'FVC 值',
      minValue: 0,
      maxValue: 0.8
    },
    lineWidth: 1,
    pointSize: 3
  });

var ndviChart = ui.Chart.feature.byFeature(fvcAndNDVITimeSeries, 'year', 'NDVI')
  .setOptions({
    title: 'NDVI 时间序列',
    hAxis: {title: '年份'},
    vAxis: {
      title: 'NDVI 值',
      minValue: -0.1,
      maxValue: 0.5
    },
    lineWidth: 1,
    pointSize: 3
  });

print(fvcChart);
print(ndviChart);

// 绘制每年 FVC 图像到地图
function drawFVCImages(sensor, startYear, endYear) {
  //var ndviPercentiles = getNDVIPercentiles(2012, 2023);
  var ndviPercentiles = getAllSensorsNDVIPercentiles(1972, 2019);
  
  var minNDVI = ndviPercentiles.select('NDVI_p2');
  var maxNDVI = ndviPercentiles.select('NDVI_p98');
  
  var years = ee.List.sequence(startYear, endYear);
  years.evaluate(function(yearsList) {
    yearsList.forEach(function(year) {
      var start = ee.Date.fromYMD(year, 1, 1);
      var stop = ee.Date.fromYMD(year, 12, 31);
      
      var collection = ee.ImageCollection('LANDSAT/' + sensor + '/C02/T1_L2')
                        .filterBounds(point)
                        .filterDate(start, stop)
                        .map(function(img) {
                          return rmCloud4578(img, sensor);
                        })
                        .map(function(image) {
                          var bands = sensor === 'LC08' ? ['SR_B5', 'SR_B4'] : ['SR_B4', 'SR_B3'];
                          return calcNDVI(image, bands);
                        });
      
      var ndvi = collection.qualityMosaic('NDVI').clip(bounds);
      var ndvimask = ndvi.select('NDVI').updateMask(ndvi.select('NDVI').gt(0));
      var FVC = calFVC(ndvimask, minNDVI, maxNDVI);
      
      // 定义颜色映射
      var visParams = {
        min: 0,
        max: 0.8,
        palette: [
          'blue',    // 0-0.1
          'cyan',    // 0.1-0.2
          'green',   // 0.2-0.3
          'yellow',  // 0.3-0.4
          'orange',  // 0.4-0.5
          'red',     // 0.5-0.6
          'darkred'  // 0.6-0.8
        ]};
        
      Map.addLayer(FVC, visParams, year.toString() + ' FVC');
    });
  });
}

// 绘制每年的 FVC 图像
//drawFVCImages('LT05', 1986, 2010);
drawFVCImages('LE07', 2011, 2012);
//drawFVCImages('LC08', 2013, 2023);

// 设置地图视图到点的位置
Map.centerObject(point, 10);
Map.addLayer(ee.Image().paint(point.buffer(1000).bounds(), 1, 2).visualize({palette: ['blue']}), {}, '正方形标记');

探寻ワールドライン
关注
  • 21
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Google Earth Engine（GEE）——利用GEE在线计算Landsat 4、5、7和8的LST地表温度
qq_31988139的博客
06-23 2456
然而，由于模型的粗略分辨率，TCWV值在所选区域内几乎是恒定的，因此，没有显示。在选定的地区，FVC和发射率值是相当均匀的。由此产生的裸地辐射率图显示了大约0.96-0.97的数值，这与11微米区域的光谱库中通常发现的数值一致[53]。Landsat图像的FVC值也是由各自的NDVI得出的（图4e）。此外，河流最西边的稻田具有非常低的NDVI值，通常与水有关，因此，被掩盖了。植被密度低的地区的数值接近0.97，而植被茂密地区的发射率数值达到接近0.99，都与光谱库中的典型数值一致[53]。
GEE案例：Landsat 5、7、8影像构建1985-2023年rsei生态遥感指数详细代码
qq_31988139的博客
07-30 875
rsei（Regional Silviculture Ecological Index，地区林业生态指数）是一种生态遥感指标，用于评估森林生态系统的健康状况和生态服务。构建1985-2023年的rsei生态遥感指，主要需要使用Landsat 5、7和8的遥感影像数据。以下是一种可能的构建方法：1. 数据获取：从美国地质调查局（USGS）或其他可靠数据提供商处获取Landsat 5、7和8的遥感影像数据。确保选择的影像具有适当的空间和时间分辨率，以覆盖所需的时间段。
ENVI基于Landsat影像提取水体流程
qq_53019493的博客
05-19 3794
一、导入数据一、导入数据启动ENVI,file—Open As,根据影像选择合适的传感器，此处以Landsat8为例，因而选择光学传感器下Landsat带有源数据的tiff图；File—Open As—Optical Sensors—Landsat—Geo TIFF with Metadata,导入MTL.txt文件(影像元数据，头文件)※ 如果遇到打不开的情况，查看MTL.txt文件中开头和结尾：若MTL文件中开头为：MTL文件中结尾为：END则修改为为修改后保存txt，即可打开。
ENVI软件对Landsat-8数据进行辐射定标、大气校正、提取NDVI、估算植被覆盖度等操作【图说GIS】
热门推荐
ONEGISER的博客
04-21 7万+
本系列文章会介绍在ENVI软件对Landsat-8数据进行辐射定标、大气校正、几何校正、投影转换、图像裁剪与镶嵌、提取NDVI、估算植被覆盖度等操作，内容会逐步利用业余时间添加，暂时只有部分内容，敬请期待，如有不当的地方，欢迎大家批评指正。先来了解几个概念。DN值（Digital Number ）遥感影像像元亮度值，记录地物的灰度值，无单位，是一个整数值，值大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率等相关。反映地物的辐射率radiance地表反射率。
ENVI提取NDVI与植被覆盖度估算
weixin_45709844的博客
06-23 4万+
目标是通过ENVI计算植被覆盖度结合ArcGIS出图得到植被覆盖图。 一、植被覆盖度的定义： 植被覆盖度( FractionalVegetation Cover，FVC) 通常定义为植被( 包括叶、茎、枝) 在地面的垂直投影面积占统计区总面积的百分比，它量化了植被的茂密程度，反应了植被的生长态势，是刻画地表植被覆盖的重要参数，也是指示生态环境变化的基本指标。植被覆盖度的测量方法从以前的地面测量（目估法、采样法等）操作复杂，成本高，效率低逐渐被遥感估算方法取代（回归指数、植被指数等）。 二、植被
ENVI软件|基于多源遥感影像的红树林范围提取1-数据获取及处理
海洋GISer成长记
04-29 8678
红树林是一种生长在海岸带的木本植物群落，主要分布在热带、亚热带地区海岸带的海湾、河口等海域，是国际上生物多样性的重点保护对象。红树林具有提供产品、防风御浪、净化环境、保护海岸线、维持生物多样性等生态功能，它与海草床和珊瑚礁并称为三大海洋生态系统，并且有着重要的社会、经济和生态价值。红树林、盐沼和海草等海洋湿地生态系统构成了地球的“蓝色碳汇”，植被固碳中，红树林固碳占据着重要的地位，是地球碳循环的重要组成部分，红树林还具有碳循环周期短、碳沉积速率高和碳排放量低等特点。 随着遥感技术的发展，其应用领域也越
详细流程记录——基于landsat8影像辐射传输方程法遥感温度反演
qq_47204937的博客
12-04 1万+
基本思路：辐射定标-裁剪-大气校正-ndvi值计算-植被覆盖度计算-地表比辐射率计算-同温黑体辐射亮度计算-温度反演
笔记二——遥感-植被指数计算 以LANDSAT-7为例
weixin_51504724的博客
03-10 2568
最近用到了LANDSAT计算植被指数，用到的一些指数记录一下 笔记 大部分卫星应该都可以使用 嘿嘿！！！1.LANDSAT-7波段介绍1-blue 蓝波段2.上公式。
Landsat Collection 2 T1一级数据详细介绍（数据处理过程和几何精度）
qq_31988139的博客
11-24 1712
太平洋上空第 165 行第 198 行的这些 Landsat 8 OLI 图像（波段 3，于 2019 年 10 月 10 日获取）比较了 Collection-1 中的条纹（左）和 Collection 2 图像中由于改进的偏差估计而减少的条纹（正确的）。新的偏差估计考虑了与图像数据同时获取的 VRP 暗信号信息，而不是仅基于快门数据（在图像数据的 +/-40 分钟内获取）进行暗减法。OLI 中的暗信号随时间漂移，新的偏差估计考虑了快门收集之间的短期漂移。条纹的减少是改进偏差估计的结果。
Landsat 8 计算FVC全流程-以西安市隋大兴唐长安城遗址为例
2301_77687129的博客
03-12 1631
NDVI（归一化植被指数）与FVC（植被覆盖度）是基于像元二分法所反演的计算模型，用于描述地表被植物遮盖的程度指标，通常表示为一个百分比，它用来表述在一个特定地表区域内植被所占的比例。本文用以逆向评估植被在隋大兴唐长安城遗址范围内的分布情况，监测土体、植被阶段性健康状况，判断、预估其可能对保护范围内对现存露天夯土遗址本体的生物性危害。目前，该技术的应用，在宏观层面上具有决策价值，但在植株种类、分布态势、具体病害、预防性保护措施等相关方面尚且还有所欠缺。
基于Landsat影像的近郊采煤沉陷湿地植被覆盖度提取
05-06
文中以2016年12月唐山南湖近郊采煤沉陷次生湿地的Landsat8遥感影像为数据源,利用ENVI遥感信息处理软件,基于像元二分模型和NDVI指数进行了该区域植被覆盖度的提取。实例结果表明该方法能够简便快速的估算植被覆盖度,...
基于landsat8利用水体指数提取海岸线
03-13
### 基于Landsat 8利用水体指数提取海岸线的知识点 #### 遥感影像海岸线和海岸带的提取流程 在利用遥感技术进行海岸线及海岸带提取的过程中，需要经历一系列步骤，包括遥感数据的获取与预处理、海岸线的提取以及...
基于GEE云平台Landsat 8 TOA影像的冰雪覆盖代码（NDSI指数）.txt
04-01
在部分内容中，代码段展示了如何定义感兴趣的区域（ROI），选择影像数据集的时间范围和云量覆盖度限制，创建自定义的复合影像（Custom Composite），以及计算NDSI指数并将其应用于分析过程。代码中还包含利用GEE的...
landsat7+TVDI指标计算
05-02
对于“基于landsat7数据的TDVI指标计算”的压缩包文件，其中可能包含Landsat 7的原始图像数据、处理脚本或已计算好的TVDI结果。使用这些数据时，用户需要具备一定的遥感图像处理和数据分析基础，例如熟悉ENVI、QGIS...
Vue使用query传参Boolean类型，刷新之后转换为String问题
最新发布
q879936814的博客
09-12 208
要解决这个问题，不能直接Boolean处理，因为如果传入false，那么转换成字符串，Boolean(‘false’)会变成true；做项目时发现第一次进入页面时传参是正常的Boolean类型，刷新之后变成了String，这是浏览器进行的一次强制转换；解决方法：使用JSON.parse处理参数。
easyexcel模板导出并且公式自动计算的方法
weixin_47615289的博客
09-11 212
【代码】easyexcel模板导出并且公式自动计算的方法。
Vue2 中对数组进行操作时需要注意什么
m0_73882020的博客
09-06 627
在 Vue 2 中，对数组进行操作时，关键是确保操作能够被 Vue 的响应式系统检测到。使用 Vue 的响应式 API，如Vue.set或this.$set，可以确保数组的变化会被正确地反映到视图中。此外，避免直接修改数组的length属性或使用数组索引直接赋值，以确保视图的响应性。
TinyWebSever源码逐行注释(五)_ http_conn.cpp
qq_39969848的博客
09-09 861
根据状态转移,通过主从状态机封装了http连接类。其中,主状态机在内部调用从状态机,从状态机将处理状态和数据传给主状态机。http_conn.cpp利用一个主从状态机来处理客户端的htttp连接并生成相应的响应。Linux下C++轻量级Web服务器，助力初学者快速实践网络编程，搭建属于自己的服务器.
基于Spring Boot开发一个二手交易平台系统
嵌入式行业打工人，不定期更新博客。
09-08 953
这个示例提供了一个非常基础的框架，你可以在此基础上扩展更多的功能，如商品搜索、购物车、支付接口等。在实际开发过程中，还需要考虑诸如错误处理、事务管理、日志记录等方面的问题。此外，确保所有的API调用都是安全的，并且正确处理用户的输入数据，防止SQL注入等安全风险。如有疑问可以评论或者私信，看到一定解答。
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
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