使用Google Earth Engine计算并下载NDVI、EVI、RVI、DVI和SAVI

最新推荐文章于 2025-06-13 17:17:23 发布
最新推荐文章于 2025-06-13 17:17:23 发布
阅读量884 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： GEE
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.youkuaiyun.com/LrlDebug/article/details/133233650
GEE 专栏收录该内容
79 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何使用Google Earth Engine（GEE）计算和下载NDVI、EVI、RVI、DVI和SAVI指数。通过在GEE平台上定义区域和时间范围，加载Landsat 8图像集，应用特定函数计算指数，并将结果导出到Google Drive，用户可以进行地表覆盖和植被状况的研究。注意遵循GEE的使用条款和资源限制。

Google Earth Engine（GEE）是一个强大的云平台，用于存储、分析和可视化地理空间数据。它提供了大量的遥感数据和图像处理功能，使用户能够进行各种地球观测研究。本文将介绍如何使用GEE计算和下载NDVI、EVI、RVI、DVI和SAVI指数，并提供相应的源代码。

首先，我们需要登录到Google Earth Engine平台。登录后，我们可以在GEE代码编辑器中编写和运行我们的代码。以下是计算和下载这些指数的示例代码：

// 设置区域和时间范围
var region = ee.Geometry.Rectangle([xmin, ymin, xmax, ymax]<
了解本专栏 订阅专栏 解锁全文
利用 Google Earth Engine 计算并下载省级 NDVI 数据——以Landsat 8为例
amyniez的博客，欢迎交流讨论
10-17 98
本文分享了一段基于Google Earth Engine（GEE）平台的JavaScript代码，用于下载30米空间分辨率的Landsat 8 NDVI数据。代码功能包括：按省份范围提取NDVI数据、反射率因子缩放处理、去云与无效像元剔除，以及结果下载（GeoTIFF格式）。以海南省为例，展示了2016、2019和2024年的NDVI中值计算结果，并提供了统计值计算和可视化功能。该脚本可快速获取省级NDVI数据，为植被变化分析和生态评估提供支持。代码包含完整的预处理流程和示例输出，适合遥感数据分析人员使用。
使用Google Earth Engine进行MOD13A1_EVI/NDVI影像的最大值合成法下载
IxtProgramming的博客
09-24 379
本文介绍了如何使用Google Earth Engine下载MOD13A1_EVI/NDVI影像，并使用最大值合成法合成影像。通过在Google Earth Engine中执行相应的代码，您可以轻松地获取和处理遥感数据，以支持各种地理空间分析任务。本文将介绍如何使用GEE下载MOD13A1_EVI/NDVI影像，并使用最大值合成法获得合成影像。使用最大值合成法将过滤后的影像集合成一幅影像。使用起始日期和结束日期过滤影像集，以获取特定时间范围内的影像。根据需要下载的影像的时间范围，设置起始日期和结束日期。
GEE：快速了解如何用GEE提取并下载NDVI数据。
PiperAndy的博客
04-14 3865
废话不多说，直接上代码。
如何在GEE界面下载区域NDVI或者波段合成的影像（方法一）
weixin_51775350的博客
10-30 4785
本文在GEE平台中利用explore平台，再不编写代码的情况下，下载影像，并且计算并下载NDVI值
GEE：指数计算（NDVI、NBR、EVI、NDMI、NDSI、TC、NDFI、EBBI、VCI、BSI、NDBI、GRAY）
热门推荐
养乐多的博客
04-08 1万+
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。
计算和下载增强型植被指数（Enhanced Vegetation Index, EVI）和绿度植被指数（Normalized Difference Vegeta
CcsgFsharp的博客
09-22 885
在上述代码中，我们使用Landsat 8影像的近红外波段（Band 5）、红光波段（Band 4）和蓝光波段（Band 2）来计算EVI指数，并将结果重命名为’EVI’。在上述代码中，我们使用Landsat 8影像的近红外波段（Band 5）和红光波段（Band 4）来计算NDVI指数，并将结果重命名为’NDVI’。通过以上代码，我们可以将计算得到的EVI和NDVI结果数据导出为GeoTIFF格式，并保存到Google Drive的指定目录中。在GEE的代码编辑器中，导入需要处理的遥感影像数据。
利用GEE（Google Earth Engine）在线处理NDVI、EVI、SAVI、NDMI等指数归一化教程（详细代码）
07-20
如何利用GEE（Google Earth Engine）在线处理NDVI、EVI、SAVI、NDMI等指数进行归一化处理教程，我们需要进行GEE的一些基本学习，具体的专栏大家可以前去我的博客主页学习：涵盖了GEE基础、高阶和应用程序开发以及...
Google Earth Engine（GEE）——计算NDVI\EVI\RVI\DVI\SAVI计算并下载（2）
此星光明博客
05-12 4075
有粉丝还问到关于Landsat8如何计算，上一次的文章提到了关于各类植被指数的下载和加载：Google Earth Engine（GEE）——计算NDVI\EVI\RVI\DVI\SAVI归一化植被指数、比值植被指数、差值植被指数、土壤调节植被指数、增强型植被指数和绿度植被指数计算并下载 同样的道理 对下面指数分别建立函数，只是不同波段需要建立函数 归一化植被指数NDVI=(NIR-R)/ (NIR+R) 比值植被指数RVI=NIR/R 差值植被指数DVI=NIR-R 土壤调节植被指数SAVI=(
Google Earth Engine（GEE）——计算NDVI\EVI\RVI\DVI\SAVI归一化植被指数、比值植被指数、差值植被指数、土壤调节植被指数、增强型植被指数和绿度植被指数计算并下载
此星光明博客
05-10 8171
本次教程主要的目的就是实现6大指数的计算并按照逐月进行下载用于长时间序列的研究和分析 归一化植被指数NDVI=(NIR-R)/ (NIR+R) 比值植被指数RVI=NIR/R 差值植被指数DVI=NIR-R 土壤调节植被指数SAVI=(NIR-R)*(1+0.5)/(NIR+R+0.5) 增强型植被指数EVI = 2.5* (NIR - Red) / (NIR + 6*Red - 7.5*Blue + 1) 绿度植被指数 GNDVI = (NIR - Green)/(NIR + Green) 通
【遥感与地理信息】基于Sentinel-2影像的植被指数计算：NDVI、SAVI、RVI在云掩膜处理下的地表覆盖分析应用
最新发布
10-10
接着计算三种主要植被指数：NDVI、SAVI和RVI，并设置相应的可视化参数。最后将各指数结果作为图层添加至地图显示，并导出为GeoTIFF格式存储至Google Drive。; 适合人群：具备基本遥感知识与GEE平台操作经验的学生、...
Google Earth Engine（GEE）——利用Landsat卫星影像计算EVI数据并下载以山西省为例
此星光明博客
03-24 3562
这里简单说明以下本次适用的数据是Landsat系列，但是Landsat系列卫星中常用的数据包含地表反射率数据SR和大气层顶反射数据，这里面用到的去云方法是不一样的，所以大家要根据所选择的系列影像去采取不同的去云方法，本次案例我们以Landsat SR数据为实验目标。 之前关于去云的文章请参考： (452条消息) Google Earth Engine（GEE）——Landsat 8TI/TOA/SR影像对比分析区别和去云即NDVI计算_此星光明2021年博客之星云计算Top3的博客-优快云博客 第一
211124|GEE下载EVI
个人学习笔记
11-24 2181
//返青期 var month02 = ee.ImageCollection("MODIS/006/MOD13Q1") .filterBounds(roi) .filterDate("2009-02-10", "2009-03-10") .select('EVI'); var month02_mean = month02.reduce(ee.Reducer.mean())
GEE21：基于MODIS数据获取逐年GPP、EVI和FVC数据
amyniez的博客，欢迎交流讨论
11-20 2789
基于MODIS数据获取植被逐年的GPP、EVI和植被覆盖度，植被覆盖度作为全球气候变化模型和描述生态系统的重要参数，通过有效获取植被进行光合作用面积的大小以及植被生长的茂盛程度，主要表现为地表植被的覆盖状态。
GEE开发之Modis_EVI数据分析获取大总结
等待着冬天的风的博客
09-05 2846
前言：主要总结一下在GEE上获取Modis_EVI数据的各种形式，主要包括MYD13Q1、MOD13Q1、MOD13A1、MOD13A2以及日数据、月数据、年数据的获取和下载。
使用GEE计算多种时序植被指数/建筑指数/水体指数
m0_71243797的博客
02-20 2962
使用 Landsat5 数据从头开始计算
GEE基础——下载Sentinel-2影像数据
weixin_43536034的博客
12-12 1万+
GEE下载哨兵2号遥感影像数据
使用Google Earth Engine（GEE）批量下载MODIS产品
Ray_Elnino的博客
05-11 1万+
前提： （1）能够科学上网 （2）申请到了Google账号 首先，进入GEE的代码编辑器https://code.earthengine.google.com/，这里需要使用Google账号登录。编辑器的界面介绍、使用方法：https://developers.google.com/earth-engine/playground 在中间输入代码（这里以MOD13A2 EVI产品为...
GEE下载evi数据
m0_51711500的博客
06-13 163
【代码】GEE下载evi数据。
帮我写一个Python代码关于用采样点的地形因子 距离因子ndvi rvi evi osavi savi gndv等作为x自变量重金属含量为y因变量的多元线性回归模型，和最小二乘回归模型和随机森林模型得出r的平方和rmse
06-06
<think>我们注意到用户要求使用地形因子、距离因子（包括NDVI、RVI等）作为自变量，重金属含量作为因变量。由于在之前的对话中，用户提到需要做多元线性回归和随机森林模型，并且特别提到了最小二乘回归（实际上多元线性回归通常就是用最小二乘法求解的）。因此，我们将实现两个模型：多元线性回归（最小二乘）和随机森林回归。步骤：1.数据准备：假设我们有一个DataFrame，包含以下列：地形因子（例如高程、坡度等）、距离因子（例如到污染源的距离）以及各种植被指数（NDVI,RVI,EVI,OSAVI,SAVI,GNDVI）和重金属含量。2.我们将这些特征组合成自变量X，重金属含量作为因变量y。3.数据预处理：标准化（对于线性回归很重要，因为要比较系数；随机森林可以不标准化，但为了公平比较，我们统一先标准化）。4.划分训练集和测试集。5.训练多元线性回归模型和随机森林回归模型。6.在测试集上评估两个模型，计算R²和RMSE。注意：用户之前提到的引用[1]和[2]中，提到遥感影像需要辐射定标。但我们的代码假设用户已经完成了这些预处理，因为我们的输入是已经计算好的指数。代码结构：-导入必要的库-读取数据-定义自变量和因变量-数据标准化-划分训练集和测试集-训练线性回归模型并评估-训练随机森林模型并评估-输出结果由于用户要求最小二乘回归，而线性回归模型默认就是最小二乘法，所以我们将线性回归模型作为最小二乘回归。注意：如果数据量不大，可以考虑使用交叉验证，但用户没有明确要求，我们使用简单的一次性划分。我们将使用sklearn库。以下是完整的代码示例：</think> 以下是根据您的要求实现的Python代码，用于建立地形因子、遥感指数与重金属含量之间的多元线性回归、最小二乘回归和随机森林模型： ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import r2_score, mean_squared_error from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # 加载数据 - 假设数据文件包含以下列： # ['elevation', 'slope', 'aspect', 'distance', 'NDVI', 'RVI', 'EVI', 'OSAVI', 'SAVI', 'GNDVI', 'heavy_metal'] # 根据引用[1]，确保遥感数据已进行辐射定标处理 data = pd.read_csv('your_dataset.csv') # 替换为您的数据文件路径 # 特征和标签定义 features = ['elevation', 'slope', 'aspect', 'distance', 'NDVI', 'RVI', 'EVI', 'OSAVI', 'SAVI', 'GNDVI'] target = 'heavy_metal' X = data[features] y = data[target] # 数据标准化 - 确保不同尺度特征同等重要 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 划分训练集和测试集 (80%训练,20%测试) X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42) # ===== 多元线性回归模型(最小二乘回归) ===== print("\n===== 多元线性回归(最小二乘)模型 =====") mlr = LinearRegression() mlr.fit(X_train, y_train) # 预测与评估 y_pred_mlr = mlr.predict(X_test) r2_mlr = r2_score(y_test, y_pred_mlr) rmse_mlr = np.sqrt(mean_squared_error(y_test, y_pred_mlr)) print(f"R²: {r2_mlr:.4f}") print(f"RMSE: {rmse_mlr:.4f}") print("回归系数:") for feature, coef in zip(features, mlr.coef_): print(f"{feature}: {coef:.6f}") print(f"截距: {mlr.intercept_:.6f}") # ===== 随机森林模型 ===== print("\n===== 随机森林模型 =====") rf = RandomForestRegressor(n_estimators=100, random_state=42) rf.fit(X_train, y_train) # 预测与评估 y_pred_rf = rf.predict(X_test) r2_rf = r2_score(y_test, y_pred_rf) rmse_rf = np.sqrt(mean_squared_error(y_test, y_pred_rf)) print(f"R²: {r2_rf:.4f}") print(f"RMSE: {rmse_rf:.4f}") # 特征重要性可视化 importances = rf.feature_importances_ sorted_idx = np.argsort(importances)[::-1] plt.figure(figsize=(10, 6)) plt.bar(range(len(features)), importances[sorted_idx], align='center') plt.xticks(range(len(features)), np.array(features)[sorted_idx], rotation=45) plt.xlabel("特征") plt.ylabel("重要性得分") plt.title("随机森林特征重要性排序") plt.tight_layout() plt.savefig('feature_importance.png', dpi=300) plt.close() # ===== 模型性能对比 ===== results = pd.DataFrame({ '模型': ['多元线性回归(最小二乘)', '随机森林'], 'R²': [r2_mlr, r2_rf], 'RMSE': [rmse_mlr, rmse_rf] }) print("\n===== 模型性能对比 =====") print(results) ``` ### 代码说明： 1. **数据准备**： - 自变量包括地形因子(高程elevation、坡度slope、坡向aspect)、距离因子(distance)和遥感指数($NDVI$、$RVI$、$EVI$、$OSAVI$、$SAVI$、$GNDVI$) - 因变量为重金属含量(heavy_metal) - 确保遥感指数已进行辐射定标处理，如引用[1]所述 2. **数据处理**： - 使用`StandardScaler`进行数据标准化：$x_{\text{scaled}} = \frac{x - \mu}{\sigma}$ - 划分训练集(80%)和测试集(20%) 3. **多元线性回归(最小二乘)**： - 模型公式：$Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + \cdots + \beta_kX_k$ - 最小二乘估计：$\min \sum_{i=1}^n (y_i - \hat{y}_i)^2$ - 输出决定系数$R^2$和均方根误差$RMSE$ 4. **随机森林回归**： - 基于多棵决策树的集成模型：$\hat{y} = \frac{1}{B} \sum_{b=1}^B T_b(x)$ - 输出特征重要性排序，有助于识别关键影响因素 5. **评估指标**： - $R^2$（决定系数）：$R^2 = 1 - \frac{\sum_{i=1}^n (y_i - \hat{y}_i)^2}{\sum_{i=1}^n (y_i - \bar{y})^2}$ - $RMSE$（均方根误差）：$\sqrt{\frac{1}{n}\sum_{i=1}^n (y_i - \hat{y}_i)^2}$ ### 使用注意事项： 1. 在实际应用中，确保遥感影像已进行辐射定标处理，如引用[1]所述： $$ \text{band}_{\text{calibrated}} = \text{band} \times A + B $$ 其中$A$为乘法因子(如Landsat8为$2.75 \times 10^{-5}$)，$B$为加法因子(如-0.2) 2. 不同植被类型的指数与重金属关系可能存在差异，如引用[2]所述： > "不同植被类型的LA I与植被指数的函数关系会有所差异，在使用时需要重新调整、拟合" 3. 如果模型性能不佳，可考虑： - 检查特征间相关性（`X.corr()`） - 尝试特征工程（如交互项、多项式特征） - 进行交叉验证优化超参数
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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