基于 GEE 实现计算核植被指数 kNDVI 并下载数据

最新推荐文章于 2025-03-30 20:52:43 发布

@HNUSTer

最新推荐文章于 2025-03-30 20:52:43 发布

阅读量528

点赞数 6

分类专栏： Google Earth Engine（GEE）文章标签： GEE 云计算云平台遥感大数据数据集

本文链接：https://blog.youkuaiyun.com/ZK180531/article/details/145839342

版权

Google Earth Engine（GEE）专栏收录该内容

87 篇文章

订阅专栏

1 核植被指数（kNDVI）

目前，NDVI依然是比较流行的植被指数。但由于NDVI自身是“非线性”的，当植被覆盖持续增加时，比值NIR/RED持续增加，这种非线性的转换过程也使得NDVI对RED波段过度敏感，因此，在植被覆盖较高的或者生物含量较高地区，NDVI不可避免的伴有不同程度的饱和现象。此外，NDVI对红光(叶绿素)高度敏感，当叶绿索浓度超过一定浓度时，红光对叶绿素不再具有敏感性，很快出现饱和现象。

为了调整NDVI以适应大气和土壤噪声，特别是在植被茂密地区，减缓NDVI饱和性问题，在NDVI中加入了蓝光波段，提出了增强型植被指数EVI，但是EVI中饱和现象依旧存在。

有学者为解决NDVI（归一化差异植被指数）和EVI（增强型植被指数）的饱和度问题上存在的缺陷，通过采用机器学习的核方法理论，将NDVI线性化，转变为了kNDVI（核植被指数）。

kNDVI指数计算公式如下：

n为NIR；r为Red。核函数k表示这两个波段之间的相似性。在任何情况下均通过径向基函数（RBF）再生核，sigma控制近红外和红外波段之间的距离概念。

对于径向基函数（RBF），自相似性k（n，n）为1，可先简化为下式。

最后计算公式可以简化为：

kNDVI的数值含义与NDVI类似，但提供了更细致的反映植被状况的能力，尤其是在高植被覆盖度的地区。kNDVI的数值范围通常在-1到1之间，但实际应用中，它主要取值在0到1的区间。下面是kNDVI数值的一些含义：

（1）接近0：kNDVI值接近0通常表示植被覆盖度较低，可能是由于植被稀疏、植被处于非生长季节、或者是非植被区域（如裸土、岩石、水体等）。

（2）接近1：kNDVI值接近1表示植被覆盖度很高，通常与健康、茂盛的植被相关。这可能意味着该地区有丰富的植被生物量和活跃的光合作用。

（3）中间值：kNDVI值在0到1之间的中间值表示不同程度的植被覆盖度，具体解释可能需要结合具体的生态系统和环境条件。

（4）负值：虽然理论上kNDVI可以取负值，但在实际应用中很少见，因为kNDVI的设计是为了减少负值的出现，并且提高在低植被覆盖度区域的敏感性。

kNDVI的一个关键优势是它通过核方法减少了NDVI在高植被覆盖度区域的饱和现象，使得它能够更准确地反映植被的生物物理和生理参数，如叶面积指数（LAI）、总初级生产力（GPP）和太阳诱导叶绿素荧光（SIF）等。这使得kNDVI在植被监测、物候和绿化研究、参数升级等领域具有重要的应用潜力。在实际应用中，kNDVI的数值需要结合具体的遥感影像、时间序列分析、地面验证数据以及其他环境参数来综合解读，以获得更准确的植被状况评估。

2 完整代码

var ROI = table.geometry();

Map.addLayer(ROI,{},'ROI');

Map.centerObject(ROI, 5);

for(var i = 2008;i<=2010;i++){
// 月份，共计12个月
for(var j = 1;j<=12;j++){

var CHIRPS_Daily = ee.ImageCollection("MODIS/061/MOD13Q1")

.filter(ee.Filter.calendarRange(j,  j,'month'))
  .filter(ee.Filter.calendarRange(i, i, 'year'))
  .map(function(img) {
    return img.set('year', img.date().get('year'));
  }).filterBounds(ROI)
 .select('NDVI')

var CHIRPS_Year_mean = CHIRPS_Daily.mean().clip(ROI).multiply(0.0001).pow(2).tanh();

// var batch = require('users/fitoprincipe/geetools:batch')

var precipitationVis = {
  min: -0.2,
  max: 1.0,
  palette: [
    'FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718', '74A901',
    '66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01',
    '012E01', '011D01', '011301'
  ],
};

print(CHIRPS_Year_mean,i+'_year_'+j+'_CHIRPS_Year_mean')

Map.addLayer(CHIRPS_Year_mean, precipitationVis, i+'_year_'+j+'_CHIRPS_Year_mean');

// Map.addLayer(CHIRPS_Daily.first().clip(ROI), precipitationVis, 'CHIRPS_Year_mean_first');

Export.image.toDrive({
      image: CHIRPS_Year_mean,
      description: 'everymonth_kndvi_mean_'+i+'_'+j+'_1',
      // description: 'everyMonthKNDVI',
      crs: "EPSG:4326", // use webside:epsg.io to choose the right crs
      scale: 250,
      region: ROI,
      maxPixels: 1e13,
      folder: '2000-2020_EveryMonth_KNDVI'
    })

// batch.Download.ImageCollection.toDrive(CHIRPS_Year_mean, "2000-2020_EveryMonth_KNDVI", {
// image: CHIRPS_Year_mean,
// description: i+'_year_'+j+'_month_mean',
// region: ROI,
// scale: 1000,
// type:"int16" 
// }
// )
}
}