地学科研
分享
扫一扫
文章平均质量分 83
Google Earth Engine是一个基于 Google 云服务基础设施的遥感大数据分析平台，它结合 Google 强大的云计算能力与 NASA、ESA、NOAA 等机构的空间数据，用于在全球尺度解决一些非常重要的社会问题，本专栏基于GEE实现复现相关文章内容，实现快速高效云计算。
超级会员免费看
Jackson的生态模型
大家好，我是一名优快云博主，目前正攻读博士研究生学位，专注于全球变化生态学的研究。自加入优快云以来，我始终以满腔热情和不懈的努力，通过撰写博文来分享我的学术探索和实践经验。我的博文内容覆盖了多个领域，包括地理信息系统（GIS）、基于GIS的Python开发、Google Earth Engine的使用、R语言编程以及机器学习等。
我衷心感谢每一位关注、点赞、评论和收藏我的博文的朋友们。正是你们的支持与鼓励，让我在学术道路上更加坚定和自信。展望未来，我计划进一步深化我所热爱的研究领域，不断学习新知，提升自我，并致力于创作更多高质量的内容。同时，我也期待与大家进行更深入的讨论和交流。
展开
-
【SDMs分析1】基于ENMTools R包的生态位分化分析和图像绘制（identity.test()）
最近学了一个新的内容，主要是关于两个物种之间生态位分化检验的R 语言代码。生态位分化是物种分布模型（SDM）研究中的关键部分，许多 SCI 论文都会涉及这一分析。该方法主要用于评估两个物种之间的生态位差异，并检验其是否存在显著分化。原创 2025-03-28 13:53:11 · 196 阅读 · 0 评论 -
GEE学习笔记 28：基于Google Earth Engine的Landsat8缨帽变换土壤指数反演——亮度、绿度与湿度分量的提取
缨帽变换（Tasseled Cap Transformation，TCT），也称为缨帽特征空间或缨帽系数，是一种用于遥感图像分析的线性变换方法。它最初由美国农业部的研究人员E. Kauth和G. Thomas在1976年提出，用于增强陆地卫星（Landsat）图像中的特定地表特征，如植被、土壤和城市区域。原创 2025-02-28 01:21:42 · 144 阅读 · 0 评论 -
【数据分析】基于GEE的2000-2023年逐年归一化差值水分指数（NDMI）获取-以成都市为例
随着遥感技术的发展，归一化差值水分指数（NDMI, Normalized Difference Moisture Index）作为一种重要的遥感指标，越来越多地被应用于生态监测、农业管理和气候变化研究等领域。NDMI能够灵敏地反映植被冠层水分的时空动态变化，对于干旱监测、森林健康评估和湿地管理具有重要意义。原创 2024-12-28 20:50:50 · 569 阅读 · 0 评论 -
【数据分析】基于GEE解析2000-2020年武汉市FVC时空变化特征
在应对全球气候变化和环境监测的挑战中，植被盖度(Fraction VegetationCoverage,FVC)是一个关键指标。植被覆盖度(Fraction Vegetation Coverage,FVC)通常被定义为植被(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，是刻画地表植被覆盖的重要参数，在植被变化、生态环境研究、水土保持、城市宜居等方面问题研究中起到重要作用。原创 2024-11-26 15:27:53 · 613 阅读 · 0 评论 -
【数据分析】基于GEE实现大津算法提取洞庭湖流域水体
最大类间方差法，也称为Otsu或大津法，是一种高效的图像二值化算法，由日本学者Otsu于1979年提出。该算法基于图像的频率分布直方图，假设图像包含两类像素（前景和背景），并计算出一个最佳阈值，以最大化类间方差，从而将这两类像素分开。这种方法旨在最小化类内方差，同时最大化类间方差。原创 2024-11-22 00:43:40 · 670 阅读 · 0 评论 -
【数据修复指南】手把手教你使用线性插值填补各类遥感数据缺失—Modis、Landsat和Sentinel
之前我写了使用年内均值或者中值来填补数据控制的方法，这种方法较为简单，不够精确。因此，我在这里结合所学知识提供一种线性插值的方法。线性插值假设在两个已知数据点之间的数据变化是均匀的，通过直线连接这两个点，并据此估算中间点的值。这种方法在数据缺失较少且缺失点两侧都有有效数据时效果较好。本研究以成都市成华区作为感兴趣区，选择MODIS和Landsat8数据进行线性插值。原创 2024-09-28 20:44:57 · 1086 阅读 · 0 评论 -
【数据优化】基于GEE平台筛选与合成高质量植被指数（以若尔盖NDVI去除拼接缝为例）
在合成植被指数（如NDVI、EVI）的过程中，我们经常遇到影像中异常值的问题，例如影像拼接缝。尽管可以采用多种滤波和平滑算法来处理这些异常值，但这些方法往往只能缓解问题，而不能从根本上消除异常区域的异常值。数据质量是决定数据合成效果的关键因素。如果数据质量不佳，即使使用再高级的优化算法，也无法彻底解决问题。此外，在进行数据合成时，通常会使用数月的数据，但这些数据的质量往往参差不齐，这会影响合成效果。因此，通过筛选出质量较高的数据进行合成，可以有效减少合成数据的异常。原创 2024-09-20 14:29:31 · 641 阅读 · 0 评论 -
【R语言】地理探测器模拟及分析（Geographical detector）
🗺️🔍地理探测器是一种用于探测空间分异性以及揭示其背后驱动因子的统计学方法。它由中国科学院地理科学与资源研究所的王劲峰研究员提出，并已被广泛应用于社会环境因素和自然环境因素的影响机理研究。地理探测器模型的核心思想是，如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性。通过计算和比较各单因子的q值，可以判断它们对空间分异性的解释力，q值越大表示解释力越强。原创 2024-06-21 14:27:25 · 5374 阅读 · 7 评论 -
【R语言】基于Biomod2集成平台探究物种分布区的构建流程（SDMs）
我为什么想要写这个内容呢？其实我已经想了很久了，但是一直没有把所有的代码给理清楚，此外这将是我之后研究的主要方向。本博客讲述了如何基于Biomod2集成平台构建物种分布模型的全流程，以及我在使用该模型时的一些心得，同时还有我提供的一些小福利（一键处理代码），可以十分快捷的帮助你完成SDMs的构建，写出你的中英文论文。原创 2024-09-02 17:48:21 · 2159 阅读 · 6 评论 -
【数据挖掘】批量导出逐日、逐月、逐季节和逐年的遥感影像（以NDVI为例）
🌟🌟🌟最近很多小伙伴们私信我，问我如何高效导出遥感数据，从逐日到逐季度，我都有一套自己的方法，今天就来和大家分享一下！大家有什么疑惑，可以评论区留言，相互学习，共同进步。原创 2024-05-25 22:21:57 · 897 阅读 · 0 评论 -
【数据挖掘】基于GEE平台按采样点提取Landsat 植被指数时间序列秘籍
🚀🚀🚀大家好，今天我要分享的是如何使用Google Earth Engine (GEE) 平台，针对特定的采样点，提取LANDSAT 8卫星数据中的植被指数时间序列。本代码主要包括三种植被指数：NDVI、EVI和NDPI。原创 2024-05-26 21:58:44 · 463 阅读 · 0 评论 -
【数据分析】基于GEE平台的随机森林回归分析（以重庆市为例）
这是一个在GEE平台上使用随机森林算法实现回归的一个案例，本研究所涉及的因变量为随机数，自变量包括：NDVI、EVI、kNDVI、NDBI、NDWI、相关气候因子和地形因子，实现因子重要性评估，并模拟因变量分布图。原创 2024-05-17 16:22:16 · 798 阅读 · 2 评论 -
【数据挖掘】Landsat8时间序列线性插值获取NDVI指数
今天分享一个对Landsat8数据进行线性插值并提取NDVI的方法。我想有很多人对遥感数据质量都有很大的困惑，主要是由于气候或者遥感探测器本身的影响，而导致部分时间段的遥感数据质量较差，所以，我们使用的线性插值的方法以提升遥感数据质量。原创 2024-05-03 13:54:59 · 638 阅读 · 0 评论 -
Python地理数据处理 十七：植被物候提取和分析（Savitzky-Golay）
植被是陆地生态系统中最重要的组分之一，也是对气候变化最敏感的组分，其在全球变化过程中起着重要作用，能够指示自然环境中的大气、水、土壤等成分的变化，其年际和季节性变化可以作为地球气候变化的重要指标。此外，由于生态工程保护建设和植被自然生长等因素，中国陆地生态系统发挥了重要的碳汇作用。因此，定量评估植被时空动态变化是制定生态系统可持续发展目标和衡量生态系统固碳潜力的重要前提，卫星遥感数据衍生的生态参量产品为研究长时间序列全球及区域植被时空变化提供了重要数据源。SG滤波能够对物候信息进行平滑，并提取其中的物候信息原创 2022-11-10 09:18:44 · 3695 阅读 · 26 评论 -
GEE 24：基于GEE实现高空间分辨率物种分布模型的模拟
使用未分类的卫星图像作为预测变量，以高空间分辨率对物种分布进行建模。对于本例，我们从 GBIF获得了 6 月份（繁殖季节中期）的雪貂（Hylocichla mustelina）观测数据集。首先，我们加载数据并将分析的空间分辨率设置为 90 m。我们对原始 99,939 个观测值进行了精简，每个像素保留一个，从而获得了 34,880 个用于建模的观测值。原创 2023-12-16 16:57:27 · 1206 阅读 · 0 评论 -
GEE19：基于 Landsat 8 的常见植被指数逐年获取【去云&波段计算】
本文主要介绍常见的植被物候，及其GEE代码，通过去云，波段计算等方法获取高清植被指数影像。原创 2023-10-18 21:03:41 · 1553 阅读 · 0 评论 -
MATLAB地理数据处理 25：植被物候提取及分析模型优化（Savitzky-Golay）
之前我写过一篇使用Savitzky-Golay处理遥感数据，获取地面物候信息的MATLAB代码，但是发现存在一些问题：对物候开始期和物候结束期的阈值设定都为相同值，但是有些研究中，需要根据不同的环境条件，设置不同的物候阈值，所以对其进行相应的修改。原创 2023-06-21 17:33:46 · 1702 阅读 · 3 评论 -
GEE 23：基于GEE实现物种分布模型之随机森林算法（Random Forest）
这是在 Google Earth Engine 中对物种分布和栖息地适宜性进行建模的指南。本例主要使用随机森林方法构建物种分布模型，当然也可以使用其他非参数分类方法。GEE 中有多种可以实现的非参数分类算法。其中包括随机森林、支持向量机、分类和回归树、最大熵和梯度提升。原创 2023-11-29 22:14:27 · 1497 阅读 · 0 评论 -
GEE 22：基于GEE实现物种分布模型之分布数据预处理【工欲善其事必先利其器】
工欲善其事必先利其器：基于GEE实现SDMs之物种分布数据的预处理。原创 2023-11-26 22:07:51 · 1020 阅读 · 0 评论 -
GEE17: 基于Theil-Sen Median斜率估计和Mann-Kendall趋势分析方法分析NDVI变化【趋势分析】
使用GEE实现Sen+Kendall，Theil-Sen Median方法又称为Sen斜率估计，是一种稳健的非参数统计的趋势计算方法。Mann-Kendall(MK)检验是一种非参数的时间序列趋势性检验方法，其不需要测量值服从正太分布，不受缺失值和异常值的影响，适用于长时间序列数据的趋势显著检验。原创 2023-10-07 21:50:16 · 3909 阅读 · 3 评论 -
GEE 18：基于GEE平台的土地荒漠化监测与分析【论文复现】
目前，一种比较新的方法是通过构造“植被指数(NDVI)——反照率(Albedo)特征空间”来进行荒漠化信息遥感提取。荒漠化过程及其地表特性的变化能在 Albedo-NDVI特征空间中得到明显直观的反映。在Albedo-NDVI特征空间中，可以利用植被指数和地表反照率的组合信息，通过选择反映荒漠化程度的合理指数，就可以将不同荒漠化土地有效地加以区分，从而实现荒漠化时空分布与动态变化的定量监测与研究。而这个问题的合理解决，实际上就是如何根据需要采用一定的综合指标来划分Albedo-NDVI特征空间。原创 2023-10-15 19:29:40 · 1834 阅读 · 10 评论