Google Earth Engine笔记-植被覆盖度计算 GEE

1 植被覆盖度遥感监测根据 N D V I NDVI NDVI数据进行像元二分模型计算植被覆盖度
【Google Earth Engine笔记-植被覆盖度计算】像元二分模型将像元的植被覆盖结构分为纯像元与混合像元两类，纯像元植被完全覆盖覆盖度为1，混合想要由植被与非植被构成，其 N D V I NDVI NDVI是植被覆盖部分的 N D V I NDVI NDVI值与非植被覆盖部分 N D V I NDVI NDVI值的线性加权：
N D V I = f v ? N D V I v + ( 1 ? f v ) ? N D V I 0 NDVI=f_v\cdot NDVI_v+(1-f_v)\cdot NDVI_0 NDVI=fv??NDVIv?+(1?fv?)?NDVI0?
其中 N D V I NDVI NDVI为像元 N D V I NDVI NDVI值， f v f_v fv?为像元植被覆盖度， N D V I v NDVI_v NDVIv?与 N D V I 0 NDVI_0 NDVI0?分布式植被覆盖部分和非植被覆盖部分的 N D V I NDVI NDVI值，即为纯植被与纯裸地像元的 N D V I NDVI NDVI值，可得
f v = N D V I ? N D V I 0 N D V I v ? N D V I 0 f_v=\frac{NDVI-NDVI_0}{NDVI_v-NDVI_0} fv?=NDVIv??NDVI0?NDVI?NDVI0??
通常情况取直方图累计频率为5%与95%的 N D V I NDVI NDVI值作为 N D V I 0 NDVI_0 NDVI0?与 N D V I v NDVI_v NDVIv?， N D V I ≤ N D V I 0 NDVI\le NDVI_0 NDVI≤NDVI0?的像元植被覆盖度为0， N D V I ≥ N D V I v NDVI\ge NDVI_v NDVI≥NDVIv?的像元植被覆盖都为1，在水体较多的区域为了避免水体面积过大对 N D V I v NDVI_v NDVIv?与 N D V I 0 NDVI_0 NDVI0?取值产生影响，可将水体去除( N D V I < 0 NDVI<0 NDVI<0)后再统计 N D V I NDVI NDVI直方图

准备数据，基于哨兵2号的SR数据来进行初始数据集筛选

var wuhan = ee.FeatureCollection("users/yp7454982/wuhan"); Map.addLayer(wuhan) Map.centerObject(wuhan,8) function maskS2clouds(image) { var qa = image.select('QA60'); // Bits 10 and 11 are clouds and cirrus, respectively. var cloudBitMask = 1 << 10; var cirrusBitMask = 1 << 11; // Both flags should be set to zero, indicating clear conditions. var mask = qa.bitwiseAnd(cloudBitMask).eq(0) .and(qa.bitwiseAnd(cirrusBitMask).eq(0)); return image.updateMask(mask).divide(10000); } var dataset_sentinel2=ee.ImageCollection("COPERNICUS/S2_SR") .filterDate('2019-01-01','2019-12-31') .filterBounds(wuhan)// .filterMetadata('CLOUDY_PIXEL_PERCENTAGE',"less_than",20) .map(maskS2clouds) print(dataset_sentinel2)

筛选2019年在武汉市云量百分之20以下的所有数据，进行去云处理

中值合成并进行数据裁剪，真彩色合成

var mid_image=dataset_sentinel2.median().clip(wuhan.geometry()); var visualization = { min: 0.0, max: 0.3, bands: ['B4', 'B3', 'B2'], }; Map.addLayer(mid_image,visualization,'RGB')

计算NDVI并将水体mask掉，并利用像元二分模型进行植被覆盖度反演

var NDVI=mid_image.normalizedDifference(["B8","B4"]).rename("NDVI") print(NDVI) Map.addLayer(NDVI.lt(0))//water Map.addLayer(mid_image.updateMask(NDVI.gt(0)),visualization,'RGB1') var mask_water_NDVI=NDVI.updateMask(NDVI.gt(0))//mask water //var chart=ui.Chart.image.histogram(mask_water_NDVI,wuhan,100) //print(chart) function calFVC(BestVI,region,scale){ var num = BestVI.reduceRegion({ reducer:ee.Reducer.percentile([5,95]), geometry:region, scale:scale, maxPixels:1e13 }); var min = ee.Number(num.get("NDVI_p5")); var max = ee.Number(num.get("NDVI_p95")); //print(top_min); //print(top_max); //quantile and combine var greaterPart = BestVI.gt(max); var lessPart = BestVI.lt(min); var middlePart =ee.Image(1).subtract(greaterPart).subtract(lessPart); //calculate FVC var tempf1=BestVI.subtract(min).divide(max.subtract(min)); var FVC=ee.Image(1).multiply(greaterPart).add(ee.Image(0).multiply(lessPart)) .add(tempf1.multiply(middlePart)) return FVC.rename('FVC'); } var FVC=calFVC(mask_water_NDVI,wuhan,10) print(FVC) var chart=ui.Chart.image.histogram({ image:FVC, region:wuhan, scale:250, //maxPixels:1e13 }) print(chart) Export.image.toDrive({ image: FVC, description: "wuhan_fvc_2019", scale: 10, region: wuhan.geometry(), maxPixels: 1e13 });