Google Earth Engine（趋势分析）

GIS与遥感开发平台

发布于 2022-04-29 00:56:15

1.1K00

代码可运行

文章被收录于专栏：GIS与遥感开发平台GIS与遥感开发平台

运行总次数：0

代码可运行

之前有小伙伴想让做一期利用GEE做植被指数变化的文章，可惜一直没什么时间去做。今天小编终于把这个给做好了。

我们这里使用的还是MOD13Q1的NDVI产品，我们选取2000年到2019年每一年的NDVI做最大值合成。这样我们都有了20年的20景NDVI的影像。

我们以年份作为自变量，年最大NDVI最为因变量做一个趋势分析，来看一下北京这20年来的NDVI变化趋势。

这里的NDVI我们没有乘以尺度因子（0.0001），因此，我们用到的NDVI是实际的10000倍。

我们首先看一下北京区域的年最大NDVI随着年份的变化趋势把！

直接上代码：

var table = ee.FeatureCollection("users/boyxiaozheng/feature/beijing");
//合成20年的年最大NDVI
var year_list=ee.List.sequence(2000,2019);
year_list=year_list.map(function(num){
  var time=ee.Date.fromYMD(num, 1, 1)
  var year_image=ee.ImageCollection('MODIS/006/MOD13A1')
                  .filterDate(time,ee.Date(time).advance(1,'year'))
                  .max();
  var year_ndvi=year_image.select('NDVI');
  return  year_ndvi.addBands(ee.Image.constant(num).toFloat());                 
}
  )

var img_collection=ee.ImageCollection.fromImages(year_list);
//对影像进行趋势分析
var linearFit = img_collection.select(['constant', 'NDVI'])
  .reduce(ee.Reducer.linearFit());
//显示结果
var trendVis = {
  min: -100,
  max: 100,
  palette: [
    '040274', '040281', '0502a3', '0502b8', '0502ce', '0502e6',
    '0602ff', '235cb1', '307ef3', '269db1', '30c8e2', '32d3ef',
    '3be285', '3ff38f', '86e26f', '3ae237', 'b5e22e', 'd6e21f',
    'fff705', 'ffd611', 'ffb613', 'ff8b13', 'ff6e08', 'ff500d',
    'ff0000', 'de0101', 'c21301', 'a71001', '911003'
  ],
};
Map.centerObject(table);
Map.addLayer(linearFit.select('scale').clip(table),trendVis);

代码链接：

https://code.earthengine.google.com/413df994e0afb4107f4d957157e02ff3

运行结果：

上图为代码的运行结果，图中越红表示NDVI增加的越多，越蓝表示减少的越多。

可以看出，市中心绿化这20年来是越来越好的，而东南部和市中心稍微靠北的地方绿化是在减少的。

这主要是因为市中心的绿化做的比较好，而市中心周围的地区因为城市扩张导致NDVI的减少。

至于北京西部主要是山区，所以NDVI基本上不怎么变化。

下面我们分别在西北部（山区），市中心和北京东南部提取三个小区域，画一个这20年来的折线图，看一下是否和我们之前的图相符合。

先看看我们选的三个区域位置：

代码：

//选取区域
var northwest =
    ee.Geometry.Polygon(
        [[[116.1134535754385, 40.18621292916931],
          [116.1134535754385, 40.127436350381466],
          [116.17662496215725, 40.127436350381466],
          [116.17662496215725, 40.18621292916931]]], null, false),
    center =
    ee.Geometry.Polygon(
        [[[116.3441664660635, 39.89814325577099],
          [116.3441664660635, 39.851770517596385],
          [116.40184468871975, 39.851770517596385],
          [116.40184468871975, 39.89814325577099]]], null, false),
    southeast =
    ee.Geometry.Polygon(
        [[[116.525440880126, 39.77582023827742],
          [116.525440880126, 39.71880246541583],
          [116.5858656848135, 39.71880246541583],
          [116.5858656848135, 39.77582023827742]]], null, false);

var roi_collection=ee.FeatureCollection([ee.Feature(northwest,{'label':'northwest'}),
                                     ee.Feature(center,{'label':'center'}),
                                      ee.Feature(southeast,{'label':'southeast'})]);
//合成年最大NDVI值
var year_list=ee.List.sequence(2000,2019);
year_list=year_list.map(function(num){
  var time=ee.Date.fromYMD(num, 1, 1)
  var year_image=ee.ImageCollection('MODIS/006/MOD13A1')
                  .filterDate(time,ee.Date(time).advance(1,'year'))
                  .max();
  var year_ndvi=year_image.select('NDVI');
  year_ndvi=year_ndvi.set({'system:time_start':ee.Date.fromYMD(num,1,1)})
  return  year_ndvi;                 
}
  )

var img_collection=ee.ImageCollection.fromImages(year_list);
//画图
var ndviTimeSeries = ui.Chart.image.seriesByRegion(
  img_collection, roi_collection, ee.Reducer.mean(), 'NDVI',500,'system:time_start','label')
          .setOptions({
          vAxis: {title: 'NDVI*10000'},
          lineWidth: 1,
          pointSize: 4,
          series: {
            0: {color: 'FF0000'},
            1: {color: '00FF00'},
            2: {color: '0000FF'}
}});
print(ndviTimeSeries)