GEE 案例：利用MODIS数据和NDSI指数进行雪地（积雪面积）提取分析

最新推荐文章于 2025-05-05 16:53:00 发布
最新推荐文章于 2025-05-05 16:53:00 发布
阅读量683 收藏 2
点赞数
分类专栏： GEE案例分析 文章标签： gee modis ndsi 积雪 面积 JavaScript 案例
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/qq_31988139/article/details/142109903
版权

目录

简介

数据介绍

NDSI指数

函数

mode()

Arguments:

Returns: Image

代码

结果

简介

利用MODIS数据和NDSI指数进行雪地提取分析

数据介绍

MODIS/061/MCD12Q1是由美国国家航空航天局（NASA）运行的MODIS卫星的一个数据产品线。它是每年12个月内全球陆表覆盖类型和地表植被持久性的一个数据集。

具体来说，MCD12Q1数据集包括了陆地覆盖类型（Land Cover Type）和陆地覆盖植被持久性（Land Cover Vegetation Dynamics）两个主要产品。陆地覆盖类型指的是地表上不同的陆地覆盖类别，例如森林、草地、农田、城市等，而陆地覆盖植被持久性则指的是地表植被在不同季节和年份之间的变化情况。

MCD12Q1数据集的空间分辨率为500米，时间分辨率为每年一次，覆盖全球陆地区域。数据集由多个不同的MODIS观测角度和波段组成，经过处理和分析后得到。

MCD12Q1数据集在地表覆盖类型分类和地表植被变化研究、生态环境监测、气候模拟和气候变化研究等方面具有重要的应用价值。它可以帮助科学家和决策者理解地表覆盖类型的分布和变化趋势，评估植被的生态系统服务功能，监测生态系统的健康状况，以及研究气候变化对植被

了解本专栏 订阅专栏 解锁全文 超级会员免费看
GEE 案例——如何利用Landsat数据和NDSI指数进行冰面（冰川、雪地和积雪）提取和面积计算（含矢量面积提取）——阿拉斯加为例
此星光明博客
04-01 1879
Landsat卫星是美国国家航空航天局（NASA）和美国地质调查局（USGS）联合开发的一系列卫星。它们携带了一系列感光器，可以捕捉地球表面的可见光、红外线和热红外线信息。这些信息可以用于许多应用领域，包括冰面提取和面积计算。冰面提取是使用Landsat数据来确定地表上冰覆盖的区域。而NDSI（Normalized Difference Snow Index）指数是一种用来识别雪和冰的方法，可以帮助我们提取冰面区域。
Google Earth Engine——如何正确的查询GEE数据集信息和使用
此星光明博客
10-01 1775
1简介 2背景 2.1数据类别：气候和天气 2.2数据类别：影像 2.3数据类别：地球物理 3图像采集探索 3.1查找和加载集合 3.2快速地理搜索 3.3探索集合属性 3.3.1空间分辨率 3.3.2时间分辨率 4结论 4.1完整的图像采集探索脚本 1简介 在本模块中，我们将讨论以下概念： Google Earth Engine 中可用的潜在数据来源。 通过生态示例显示的数据集抽样用例。 如何使用 Google Earth En.
基于MODIS数据的积雪监测
04-25
基于MODIS数据的积雪监测,遥感技术与GIS相结合
GEE实现积雪面积长时间序列监测（附代码）
Ffffkkkkfk的博客
12-26 1025
本研究使用了 Google Earth Engine 的 JavaScript API 对 MODIS 积雪数据进行处理。首先，设置了起始和结束日期，选择了相应的数据集。随后，通过循环遍历每一天的数据，进行投影、统计，并将结果导出为 GeoTIFF 文件。将每天的数据添加到地图上，并计算了每天的总积雪覆盖面积，最终将这些统计信息保存为 CSV 文件。整个过程涵盖了数据处理、地图展示以及结果导出等关键步骤，实现了对积雪情况的全面统计和可视化。
MODIS中国积雪物候数据集（2000-2020年）
国科大硕士在读，分享Python/GEE/Matlab/R专业代码实践，涵盖数据分析、算法开发与应用技巧等，以代码会友。
05-05 1088
本数据集以中国2000-2019年积雪面积500m逐日无云产品为基础资料，制备了2000-2020年MODIS中国积雪物候数据集，包括三个目录，目录命名规则为2000-2020年中国XXXX数据集，其中XXXX表示积雪物候参数积雪日数、积雪初日、积雪终日；
Google Earth Engine（GEE）——中分辨率成像影像 (MODIS) 是积雪分析的重要数据支撑
此星光明博客
11-06 1529
我们星球经历的最深刻的变化之一是积雪的季节性积累和消融。这种季节性循环不仅对生物圈具有深远影响，而且在我们星球的能量平衡、气候和水文循环中也起着不可或缺的作用。与其他类型的土地覆盖相比，积雪具有更高的反照率，并且在全球能量平衡中发挥着重要作用（美国宇航局，2015 年）。随着雪的融化，它为多达六分之一的世界人口提供了饮用水源，大大减少了对替代淡水资源的需求（Barnett 等，2005）。融雪在维持接收融雪的流域的基流水平方面也发挥着重要作用（Viviroli 等，2007）。此外，仅在...
MOD10CM&MOD10C2MODIS降雪产品的解释和处理
qq_34950486的博客
02-27 3382
我还没有找到过这个产品的教程。。 然后想记录一下吧。不对的地方请多多指正！ 前排求问一下有没有人处理过ASTER的HDFEOS-5的降雪量数据？ 小萌新不大懂如何引用文章，所以就直接截图了QAQ 首先是下载地址NSIDC网站，应该没有人不知道这个网站吧 https://nsidc.org/data/search/#keywords=snow/sortKeys=score,,desc/facetFi...
获取MODIS/006/MOD10A1数据集的 NDSI_Snow_Cover 波段、对逐日数据进行波段叠加（设定有雪的像元为1，无雪为0），并导出积雪天数
Ffffkkkkfk的博客
01-08 933
积雪天数云统计
Google Earth Engine ——MODIS Terra/Aqua Daily NDSI归一化差异雪指数数据集
此星光明博客
11-07 1189
The Normalized Difference Snow Index is used to identify snow, based on its characteristically higher reflectance in the visible portion of the spectrum compared to the mid-IR. NDSI is computed using the Green and Mid-IR bands, and has a range of -1.0 to 1
Google Earth Engine（GEE）——MODIS计算NDFSI（归一化差值林地积雪指数）案例
此星光明博客
12-24 1814
在积雪林地，传感器接收到的光谱信息为森林冠层和积雪的混合光谱。由于冠层的遮挡作用，该混合光谱在可见光波段的反射率远小于纯积雪。因此，基于积雪光谱特征提出的NDSI指数不能有效地用于识别林地积雪。表单 function(success, failure) 的函数，在服务器返回答案时调用。参照同时相的高分影像，选择研究区积雪林地样本区，统计其NDSI及NDFSI的分布。NDSI与NDFSI的计算公式分别为式(1)和式(2)。从服务器异步检索此对象的值并将其传递给提供的回调函数。
GEE：MODIS计算遥感指数（NDVI、BSI、NDSI、EVI、LSWI、SIPI、EBI等）
养乐多的博客
04-29 5811
使用MODIS数据集计算和可视化几种植被指数，主要包括，NDVI、BSI、NDSI、EVI、LSWI、SIPI、EBI等。
ndsi
最新发布
06-08
这部分可能关联到用户如何获取和处理NDSI数据，特别是GEE中是否有现成的NDSI计算模块或数据集，如MODIS积雪产品。这里需要提及GEE作为工具的应用，方便用户实际操作。接下来考虑用户的历史问题。用户之前询问了关于...
Google Earth Engine（GEE）——MODIS 8天Terra和Aqua雪覆盖综合产品
此星光明博客
04-07 782
PANGAEA该数据包含与Randolph Glacier Inventory (RGI6.0)合并的增强型MODIS 8天Terra和Aqua雪覆盖综合产品。用于生成该产品的输入数据是MOD10A2.006*和MYD10A2.006*，分别代表Terra和Aqua MODIS 8天综合收集6（C6）的积雪。该数据是专门为亚洲高山地区（HMA）开发的，地理范围在北纬24.32-49.19和东经58.22-122.48之间。
GEE高阶应用——Sentinel-2数据集进行EVI和NDSI检索和加载（spectralIndices（）函数使用）
此星光明博客
03-11 954
EVI（Enhanced Vegetation Index）和NDSI（Normalized Difference Snow Index）是遥感影像处理中常用的两个指数。它们都是基于不同波段的反射率差异来评估地表覆盖特征的指数，可以用于植被和雪深度的监测。首先，介绍EVI指数。EVI指数是由美国宇航局（NASA）提出的，旨在克服NDVI指数（Normalized Difference Vegetation Index）的局限性。
GEE平台收录的MODIS数据产品介绍（一）
weixin_53620375的博客
03-30 4597
在单个数据层中，将日期编码为燃烧发生的日历年的第几天，将值分配给未燃烧的土地像素，并为丢失的数据和水网单元保留额外的特殊值。国际地圈-生物圈计划(IGBP)、马里兰大学(UMD)和叶面积指数(LAI)分类方案的地图，以0.05度(5600米)的空间分辨率，以每年为间隔提供2001年至2022年全球地图。当这种情况发生时，像素值是所有符合条件的观测值的平均值。它的设计目的是连续地表示地球陆地表面的基本植被特征的比例，它提供了三个表面覆盖成分的等级:树木覆盖百分比、非树木覆盖百分比和光秃秃的百分比。
GEE ：结合 MODIS Aqua 和 Terra 的积雪覆盖产品推导出融雪-积雪（积雪物候）日期
此星光明博客
10-15 290
该项目的谷歌地球引擎（GEE）代码结合了 MODIS Aqua 和 Terra 的积雪覆盖产品，并推导出融雪-积雪（积雪物候）日期。由美国国家冰雪数据中心（NSIDC）处理的原始 MODIS 产品（MOD10A1 和 MYD10A1，分别用于 Terra 和 Aqua 平台）有偏低的趋势。我的代码使用最大值方法融合这两个数据流，以考虑这种偏差。更重要的是，该脚本还能生成一个衍生的积雪物候学产品，计算春季融雪（积雪覆盖率小于 5%）和秋季积雪（积雪覆盖率大于 5%）的日期。
Google Earth Engine中加载和展示MODIS/MYD10A1数据集中的NDSI波段
LhlbPerl的博客
09-21 548
在本文中，我们将重点介绍如何加载和展示MODIS/MYD10A1数据集中的NDSI（Normalized Difference Snow Index，标准化差异雪指数）波段。通过以上步骤，我们可以加载和展示MODIS/MYD10A1数据集中的NDSI波段。你可以根据自己的需要修改代码中的区域、时间范围和可视化参数，以获取适合你研究的数据和展示效果。方法将NDSI波段影像图层添加到地图上，并指定图层的可视化参数和名称。在以上代码中，我们首先定义了NDSI波段影像的可视化参数。在以上代码中，我们首先使用。
MOD10A1.061 Terra Snow Cover Daily Global 500m数据集，逐日，连续，循环导出到网盘，GEE
Ffffkkkkfk的博客
12-26 1538
MOD10A1.061是MODIS（Moderate Resolution Imaging Spectroradiometer）卫星遥感数据产品系列中的一个数据集，该数据集提供了Terra卫星每日全球500米分辨率的积雪覆盖信息。科学家和决策者可以利用这些数据来了解地球表面的积雪状况，监测季节变化，以及评估气候变化对积雪覆盖的影响。积雪覆盖通常以百分比的形式表示，表明每个像素中积雪所占的比例。2.产品类型： MOD10A1.061是MODIS的一种产品，属于积雪覆盖数据集。
GEE - 数据集介绍MCD12Q1
By
07-16 4039
数据集：MCD12Q1,计算面积，列表求和
arcmap提取农田
03-21
### 使用ArcMap提取农田数据或矢量的方法 在ArcMap中提取农田数据或矢量可以通过多种方法实现，具体取决于所使用的数据源以及目标精度的要求。以下是基于提供的参考资料和专业知识的一种综合解决方案。 #### 数据准备阶段 首先需要确保拥有高质量的遥感影像或其他栅格数据作为基础素材。这些数据应经过预处理，例如大气校正、辐射定标等[^1]。如果原始数据为多光谱图像，则可考虑通过波段运算增强农作物特征的表现力。 #### 初步分类与分割 采用监督分类或者非监督分类技术对整个研究区进行土地覆盖类型的初步划分。对于特定作物种类识别而言，支持向量机(SVM)、随机森林(Random Forests)等机器学习算法往往能够提供更优的结果相比传统最大似然法(Maximum Likelihood Classification)[^3]。完成初始分类后，运用对象导向图像分析(Object-Based Image Analysis, OBIA)进一步细化边界并减少噪声干扰。 #### 后处理优化 - **平滑处理**: 对于不规则形状的小型地块，可以应用Smooth Polygon工具来改善视觉效果同时保留重要细节信息。 - **属性调整**: 打开要素层属性表，在其中查找对应类别编码(ClassID)，并通过字段计算器批量更新名称至标准化术语如“耕地”、“荒地”等等。 - **异常值剔除**: 借助面积阈值设定排除那些尺寸过小且不符合实际逻辑存在的伪农田区域[^4]。 #### 结果验证与整合 最后一步是对所得成果进行全面质量评估并与实地考察资料对比确认无误后再与其他专题地图（比如建筑分布图）合并形成完整的地理国情监测产品。 ```python import arcpy # 设置工作空间环境变量 arcpy.env.workspace = r"C:\path\to\your\data" # 定义输入输出路径参数 input_raster = "classified_image.tif" output_vector = "farmland.shp" try: # 将分类后的栅格转换成矢量格式 arcpy.RasterToPolygon_conversion(input_raster, output_vector, "NO_SIMPLIFY", "VALUE") except Exception as e: print(e.message) ``` 上述脚本展示了如何利用Python脚本调用ArcPy库函数自动执行从栅格到矢量的转化流程[^2]。
评论
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

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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