- 博客(128)
- 收藏
- 关注
RSS订阅原创 Python | 基于栅格数据绘制空间分布、频率分布和剖面图
在这些图中，空间分布图能帮助我们清晰地看到数据在不同地区的分布情况，直观揭示各地的数据差异；频率分布图展示了数据的整体分布模式，让我们了解数据值的高低及其分布范围；而剖面图则通过展示某条线上的数据变化，帮助我们理解数据在特定方向上的变化趋势。今天，我们将结合自己的研究内容，绘制类似的图片，给大家提供参考。代码已经尽量简化，容易理解。大家只需更改以下几个部分即可：16行栅格数据的输入路径、26行栅格数据的有效值范围、53行图标题、69和79行图例刻度、74行图例标题、83行剖面图刻度和130行图片输出路径。
2025-02-14 12:00:35
556
原创 Python | 基于栅格数据绘制空间分布图
该代码的流程包括读取栅格数据、去除异常值、基于数据的地理范围生成经纬度网格，并使用Cartopy在平面投影下绘制全球范围的地图，添加海岸线和经纬度刻度。接着，通过contourf函数绘制等值线图，展示数据的空间分布，并采用'RdYlGn'颜色映射来呈现数据的值变化。同学们可以根据自身需求更改栅格数据的路径、有效值范围、图标题和图例等设置。
2025-02-13 13:56:52
506
原创 GEE | 计算ERA5数据的每日风速
ERA5是由欧洲中期天气预报中心（ECMWF）生成的第五代全球气候再分析数据集，具有高分辨率和全球覆盖的优势，广泛应用于气候研究和环境科学领域。ERA5 Daily数据集提供了日均值、日最小值或最大值的主要气象参数，包括：2米气温、2米露点温度、总降水量、平均海平面气压、地表气压以及10米高度的东西向风分量（u）和南北向风分量（v）。利用GEE平台，计算并分析每日风速。各位同学可以根据自己的研究需求更改研究区、时间段。
2025-02-12 10:06:50
1243
原创 GEE | 2000-2023年LANDSCAN全球1Km人口数据
与传统人口普查仅关注居住地不同，LandScan 提供全天（24小时平均）的人口分布模型，捕捉人口在一天内活动的空间范围。该数据基于地理空间科学、遥感技术和机器学习算法，通过多变量的区域模型，将行政边界内的人口普查数据高分辨率分解至像素级。LandScan Global 每年更新一次，覆盖全球范围，具有极高的空间分辨率和可靠性，适用于自然灾害、突发事件和其他多尺度地理分析。此外，为满足更高精度需求，美国范围内还推出了 LandScan USA，其模型包括人口的昼夜变化。
2025-02-10 19:29:25
775
原创 GEE | 基于MODIS数据的作物缺水指数CWSI
CWSI（Crop Water Stress Index，作物缺水指数）是基于能量平衡原理计算的，用于衡量植被覆盖区域土壤的干旱程度。CWSI值的计算公式为：CWSI = 1 - ET / PET，其中ET代表实际蒸散量（mm），PET为潜在蒸散量（mm）。CWSI的取值范围在0到1之间，值越接近1表示土壤干旱程度越严重，而值越接近0则表明土壤较为湿润。基于MCD12Q1数据集识别研究区域内的作物区域，采用MOD16A2GF的ET和PET，计算每年夏季的作物CWSI，输出年度变化折线图和栅格数据。
2025-02-09 13:43:18
648
原创 GEE | 1901-2022年全球0.5°标准化降水蒸散指数SPEI数据集
SPEIbase（全球标准化降水-蒸散指数数据库）提供了全球尺度上干旱状况的长期可靠信息，空间分辨率为0.5度，时间分辨率为月度，可支持从1至48个月的多时间尺度分析。标准化降水-蒸散指数（SPEI）通过标准化变量量化当前气候平衡相对于长期平衡的偏差，确保了时空上的可比性。以SPEI_01_month为例，print月度SPEI变化并导出栅格数据。
2025-02-08 11:30:09
1064
原创 MATLAB | 基于Theil-Sen斜率和Mann-Kendall检验的栅格数据趋势分析
最近看到一些博主分享关于 Sen+MK 检验的代码，对于新手来说可能有点复杂。我们还准备了几个关于趋势检验的空间分布图，供大家参考。在研究中，我们常结合 Theil-Sen 斜率估计（Sen's Slope）和 Mann-Kendall (MK) 检验对栅格数据进行趋势分析。1. 将得到三个栅格数据，图中分别是MK检验、SEN趋势和MK显著区域。ABC是MATLAB输出的栅格，我们需要把D做出来。只需要更改栅格数据的输入输出路径、年份和栅格的有效值。3. 更改矢量的样式。
2025-02-07 13:07:31
1882
1
原创 GEE | 2000年至今MODIS蒸散发ET变化分析 (日/月/季节/年)
一、说明MOD16A2.061是基于Penman-Monteith方程的8天复合蒸散量产品，空间分辨率为500米，时间范围自2001年起至今。基于GEE对ET进行时间变化分析，包括日、月、季节和年，并导出对应的栅格数据。各位同学可以根据需求更改研究区、时间段和分辨率，当然也可以分析其他产品数据。二、日变化特征 三、月尺度 四、季节尺度春：3-5月，夏：6-8月，秋：9-11月，冬：12-次年2月 五、生长季代码中设置为了4-9月，可以根据研究区的生长季时间修改。 六、年度变化
2025-02-06 12:49:17
481
原创 GEE | 1958年至今全球0.04°干燥度指数AI (PET/PR)
TerraClimate 数据集提供了全球范围内的气候与水分平衡数据，数据结合了 WorldClim 的高分辨率气候均值与 CRU Ts4.0 和 JRA55 的时变气候数据，采用气候辅助插值法生成，空间分辨率为 4638.3 米（约 0.04°），时间分辨率为月。干燥度指数（Aridity Index, AI）是衡量一个地区水分状况的指标，常用于描述降水量和潜在蒸散发之间的比例关系。AI=PET/PR。其中，PET 代表潜在蒸散发，PR 代表降水量，AI 值较大表示该地区干旱程度较高。
2025-02-05 18:27:17
1587
1
原创 2000-2023年全球0.05° GOSIF GPP数据集（附Python代码）
GOSIF GPP 是基于 OCO-2 卫星的太阳诱导叶绿素荧光（SIF）数据生成的全球总初级生产力（GPP）估算数据集，覆盖 2000 至 2023 年，具有 0.05° 的空间分辨率以及 8 天、月和年的时间分辨率。我们根据该数据集的比例因子和异常值编写了Python代码，大家可以从官网下载数据并使用此代码。请注意，不同时间分辨率下的比例因子有所不同，使用时需根据具体分辨率进行相应的修改。
2025-02-04 19:28:37
1416
原创 MATLAB | 基于长时间序列栅格数据的Mann-Kendall与Pettitt突变检验分析
各位同学好，今天我们将分享在水文气象等领域中常用的两种突变检验方法——Mann-Kendall（MK）检验和Pettitt检验。由于时间关系，今天我们不详细介绍具体的公式和推导过程，感兴趣的同学可以参考相关文献，如。3. Pettitt突变检验。
2025-02-03 18:32:51
770
原创 GEE | 计算Sentinel-2的改进型土壤调整植被指数MSAVI
改进型土壤调整植被指数（MSAVI）是一种针对植被覆盖区域土壤背景干扰问题提出的指数。传统的植被指数如NDVI在植被稀疏或土壤裸露较多的区域容易受到土壤反射率的影响，而MSAVI通过引入土壤调节因子有效减少了土壤噪声。今天和大家分享的是 “改进型土壤调整植被指数MSAVI”，它能够更准确地反映植被生长状态，且广泛应用于植被覆盖监测、生态环境评估等领域。其中NIR代表近红外波段，RED代表红光波段。
2025-02-02 14:44:08
1097
原创 GEE | 多源遥感蒸散发ET的月变化特征
本次我们采用了多种遥感数据集计算蒸散发（ET）的月变化趋势，涉及的数据集包括FLDAS、GLDAS、MODIS、TerraClimate、SMAP以及基于PML模型的ET数据。由于时间限制，具体的数据集说明将不再详细介绍，数据的时间跨度、时空分辨率以及比例因子等参数均已在代码中体现，有兴趣的同学可以自行运行代码进行进一步探索。
2025-02-02 02:42:25
338
原创 GEE | 植被总初级生产力GPP的时间变化特征
同学们好，这期我们分享的是植被总初级生产力GPP的日、月、生长季和年变化趋势代码。我们选用的数据集是MODIS/061/MOD17A2HGF，该产品时间跨度为2000-至今，空间分辨率500米，时间分辨率8天。其中我们把生长季时间设置为了5-9月份，各位同学可以根据自己的需求更改数据集、波段及合成方式。
2025-01-31 18:22:41
535
原创 GEE | 1975-2030年全球100米人口数据集
这个数据集是由欧洲委员会联合研究中心（JRC）发布的GHSL: Global Population Surfaces 1975-2030，它提供了全球各地人口分布的详细时空信息。数据集的空间分辨率为100米，能够精准地描绘每个网格单元的居民人口。时间跨度从1975年到2030年，包括每五年一次的历史人口数据（如1975、1980、1985……2020年）以及未来的预测数据。
2025-01-30 15:57:31
592
原创 GEE | 1985-2022年全球30米土地覆盖数据
GLC_FCS30D数据集提供了1985至2022年间全球30米分辨率的土地覆盖变化数据，采用Landsat影像和Google Earth Engine平台的连续变化检测方法，涵盖35个土地覆盖子类，数据更新频率为2000年前每五年一次，2000年后每年一次。各位同学，我们对gee-community上的数据和代码(https://gee-community-catalog.org/projects/glc_fcs/)进行了更改，同学们可以在代码基础上修改研究区和时间并导出。
2025-01-29 17:16:26
1027
原创 GEE | 提取随机样本点的数据，以CHIRPS降水为例
从CHIRPS 数据集中提取时间段的降水数据，随机生成点并获取它们的值和经纬度，最后导出CSV和各点的SHP文件，坐标系为WGS 1984。各位同学可以结合自己需求更改研究区、时间段、数据集波段及合成方式。
2025-01-28 10:45:30
347
原创 CHM | 1961-2022年逐日降水数据（附R代码）
CHM_PRE数据集是中国大陆高时空分辨率的逐日降水数据集，覆盖1961年至2022年（持续更新），空间分辨率提供0.5°×0.5°、0.25°×0.25°和0.1°×0.1°三种选择。基于2839个站点的逐日观测数据，利用日气候场与降水比例场算法生成，并结合月降水约束和地形特征修正进行调整，适用于干旱监测、洪水预报和水文建模等研究。数据格式为NC，我们写了R代码，将其转为栅格并导出到每年的文件夹中。
2025-01-27 18:15:18
1099
原创 GEE | Sentinel-2影像监督分类、精度评估并导出
对COPERNICUS/S2_SR进行时间和云量筛选，然后利用中位值合成数据。定义样本区域并提取训练数据，划分为训练集和测试集。通过CART分类器对训练数据进行训练，并对影像进行分类，最后通过混淆矩阵评估分类结果，包括Kappa系数等指标。定义不同土地利用类型的样本（水体、建设用地、植被、道路和荒地），并将其合并形成训练集，从而确保样本的空间代表性和统计平衡。
2025-01-26 17:30:35
453
原创 GEE | NASA全球30米高程和坡度数据
NASADEM 是 NASA 和 USGS 提供的全球数字高程模型（DEM），由 2000 年航天飞机雷达地形任务（SRTM）数据重处理生成，并结合了 ASTER GDEM、ICESat GLAS 和 PRISM 等数据的改进版本。其空间分辨率为 30 米（1 角秒），覆盖范围为全球 60°N 至 56°S，通过校准地面控制点提升了地理定位精度，同时修复了数据空洞，参考基准为 WGS84/EGM96。合成研究区的高程和坡度并导出栅格。
2025-01-25 10:12:04
769
原创 GEE+Python | NDVI、LST和植被干旱指数TVDI
我们先通过GEE合成年度和月度NDVI与LST，再基于博主"remote sensing"分享的“同时，该博主还提供了ndvi和lst的示例数据，以下是我们用其代码和示例数据跑出来的效果，代码很给力，各位同学可以关注一下该博主。我们要计算每个时间段的TVDI，需要NDVI和LST对应，因此需要更改博主代码中的ndvi_files和lst_files部分。我们基于全球的MOD13A3和MOD11A2产品合成并导出了年度和月度NDVI与LST。由于数据量较多，我们设置为了多波段导出，此R代码可以提取每个波段。
2025-01-23 10:20:04
826
原创 GLASS | 全球植被净初级生产力NPP数据集（附R代码）
GLASS NPP产品基于GLASS GPP数据，通过结合TRENDY模型中动态植被模型对植物自养呼吸与GPP比值的模拟，生成了高精度的净初级生产力（NPP）数据产品。目前提供三个版本：MODIS_500m（2000-2021）、AVHRR_0.05°（1981-2018）和AVHRR_0.5°（1982-2018）。本次分享的是1982-2018年的年数据，可通过香港大学GLASS产品发布网站（https://www.glass.hku.hk/download.html）获取。
2025-01-22 10:47:51
1607
原创 1998-2022年全球PM2.5数据集（附python）
卫星反演PM2.5数据基于卫星气溶胶光学厚度(AOD)、化学传输模型(GEOS-Chem)及地面观测数据，结合统计方法校正，生成全球及区域高分辨率PM2.5浓度估算（0.01°×0.01°）。数据集包括1998-2022年的年均和月均数据，并提供不同版本适用于特定区域。该产品是多年的NC数据，各位同学如果需要转为栅格，可以使用以下python代码。
2025-01-21 11:53:17
828
原创 GEE | Dynamic World全球10米土地利用数据
Dynamic World V1 是一个10米分辨率的近实时土地利用/土地覆盖（LULC）数据集，基于Sentinel-2 L1C数据生成，覆盖时间范围为2015年6月27日至今。数据通过对云、云影的去除以及像素概率的计算，提供了9种土地利用类型的预测，包括水体（0）、树木（1）、草地（2）、淹水植被（3）、农田（4）、灌丛（5）、建设用地（6）、裸地（7）、雪冰（8）。此代码适用于合成并导出年度的土地利用数据，各位同学可以根据自己的更换研究区和时间段。
2025-01-20 10:24:50
931
原创 1980-2023年GLEAM全球E/Eb/Ec/Ei/Ep/Es/Et/Ew/H/S/SMrz/SMs数据集（附代码）
GLEAM数据提供陆地蒸发组分和相关变量，包括实际蒸发（E）、蒸腾（Et）、截留损失（Ei）、土壤蒸发（Eb）、雪升华（Es）、表面凝结（Ec）、开阔水域蒸发（Ew）、潜在蒸发（Ep）、蒸发胁迫（S）、根区土壤水分（SMrz）、表层土壤湿度（SMs）和感热通量（H）。GLEAM4采用Penman方程计算潜在蒸发，结合深度学习模型改进蒸发胁迫模拟，分辨率达0.1°，覆盖1980-2023年。该产品提供了年度和月度数据，各位同学可以使用以下代码对他们进行格式转换。
2025-01-19 11:54:22
682
原创 GEE | 去云并导出250米MODIS NDVI数据
MOD13Q1 V6.1数据集由NASA LP DAAC提供，空间分辨率为250米，主要包括归一化植被指数（NDVI）和增强型植被指数（EVI）。代码通过Google Earth Engine（GEE）平台对2000至2023年间的NDVI数据进行处理，使用SummaryQA波段进行质量控制，去除云覆盖和雪冰覆盖像素，我们计算并导出了年度和月度影像数据。
2025-01-18 20:45:08
651
原创 1901-2023年中国1km干燥度指数AI（附matlab代码）
该数据集包含了1901年至2023年中国逐年干燥度指数（AI），数据的空间分辨率为0.0083333°（约1km），时间跨度为1901年到2023年，更新频率为每年一次。数据基于中国1km逐月潜在蒸散发（PET）和降水量（PRE），通过比值法计算得到：年AI = 年PET/年PRE。AI指数用于衡量一个地区的干湿程度，依据AI值可以将地区划分为湿润（AI<1）、半湿润（1≤AI<1.5）、半干旱（1.5≤AI<4）和干旱（AI≥4）区域。
2025-01-17 09:21:00
1055
1
原创 1982-2021年全球0.05度植被NDVI和NIRv数据（附R代码）
该数据集时空分辨率为0.05度/月，格式为.nc文件，缩放因子为0.01（官网介绍，但实际的nc没有缩放因子），缺失值为-9999，时间范围覆盖1982年1月至2021年12月，全球栅格尺寸为3600×7200，与MODIS CMG网格一致。NIRv: 0.0003 yr−1），为研究全球植被对气候变化的响应提供了可靠支持。数据为多年的月度nc格式，如果需要月和年数据，可以使用以下R代码，文件名需要改成SNU_NDVI_YYYYMM.nc，例如SNU_NDVI_198201.nc。
2025-01-16 13:21:31
1105
2
原创 GEE | 城市扩张对空气质量的影响，以北京市为例
使用MCD12Q1数据集分析城市（IGBP 波段13，至少30%的不透水面）增长，生成城市面积时间序列图。基于MCD19A2_GRANULES AOD数据，统计每年中AOD值超过0.5的高污染事件频次，反映空气质量变化，并将结果导出至Google Drive。给各位同学们提供个思路，大家可以根据自己的研究需求更改区域和时间及AOD阈值等，并计算其相关性。
2025-01-15 09:08:48
310
原创 GEE | MODIS 500米土地利用数据
基于MODIS MCD12Q1.061全球年度土地覆盖分类数据集（500m分辨率，2001-2020），提取IGBP分类（LC_Type1）波段，裁剪至研究区，通过遍历生成每年的分类影像，并将每年影像以GeoTIFF格式导出到Google Drive。我们一般用的是IGBP分类体系。
2025-01-14 10:37:08
648
原创 GEE | GLDAS地下水储量GWS变化
GLDAS提供高分辨率地下水储量（GWS）数据，通过GEE平台，可提取某一时间段的GWS_tavg波段数据并生成研究区域的时间序列图。代码设置研究区域，计算每月地下水储量均值。为减少处理量并便于学习，本代码将导出的栅格设置为多波段格式。如需单独提取各波段数据，可通过 R 实现批量导出。此代码也适用于其他多波段栅格数据的导出。GLDAS GWS的变量名、全称、波段最小值、最大值和单位。
2025-01-13 09:26:58
958
原创 1961-2022年中国大陆多干旱指数SPI/SPEI/EDDI/PDSI/SC-PDSI/VPD（附代码）
CHM_Drought是一套覆盖1961-2022年中国大陆的高分辨率多干旱指数数据集，空间分辨率为0.1°，包括SPI、SPEI、EDDI、PDSI、SC-PDSI和VPD六大干旱指数，其中SPI、SPEI和EDDI支持2周到12个月的多时间尺度分析。数据为nc格式，以PDSI为例，R代码输出每年的月度和年度栅格数据。这些数据可以用官网直接获取。
2025-01-11 17:49:31
1794
原创 GEE | 2000年至今MODIS NDVI/FVC/C因子
下面是GEE链接和代码，各位同学可以根据自己的需求更改研究区、数据集等。此外，代码中的MOD13Q1数据集分辨率为250米，如果区域较大，请同学适当修改。，本次我们使用MODIS的250m数据计算合成并导出每年的NDVI、FVC和C因子年度和月度栅格及表格数据。具体的公式我们就不再说明了。上期我们基于Landsat产品计算了NDVI、FVC和C因子，
2025-01-10 11:15:26
518
原创 GEE | 1985年至今Landsat NDVI/FVC/C因子
各位同学对NDVI和FVC的计算公式都比较了解，我们就不具体说明了，这篇主要介绍一下覆盖与管理因子C，以下是其公式。基于Landsat5/7/8，计算NDVI，像元二分法计算FVC，再计算C因子，导出每年的各栅格数据。
2025-01-09 09:36:24
444
原创 1981-2023年中国逐日归一化植被指数NDVI栅格数据（附代码）
2000至2023年期间，本产品与MODIS逐日补隙NDVI产品（MCD19A3CMG）的PB和RMSE分别为7.54%和0.1，与三个月度NDVI产品（GIMMS3g、MODIS MOD13C2、SPOT/PROBA）的PB分别为-5.79%、4.82%和2.66%。该产品覆盖18.16°N至53.56°N，73.44°E至135.09°E，空间分辨率为0.05°，数据时间范围为1981年6月24日至2023年5月10日，存储于figshare库中。以下python可以将每年每日NC转换为月和年尺度。
2025-01-08 15:10:31
1470
原创 GEE | 计算标准化降水指数（SPI）
P 是当前时间段的降水量；μ 是该地区长期降水量的均值；σ 是该地区降水量的标准差。SPI 分级通常如下：SPI > 2 表示极端湿润，1.5 < SPI ≤ 2 表示湿润，-1.5 ≤ SPI ≤ 1.5 表示正常，-1.5 < SPI ≤ -2 表示干旱，SPI ≤ -2 表示极端干旱。SPI（标准化降水指数，Standardized Precipitation Index）是一种用于衡量某地区降水异常的方法，它通过将降水量与该地区长期降水量的均值和标准差进行对比，得出一个标准化的数值。
2025-01-07 09:19:38
1727
原创 GEE | 计算并导出ERA5饱和水汽压差VPD数据
以下是VPD的计算公式，各参数的具体含义我们就不详细说明了。计算并合成某区域的VPD，生成折线图并导出每年的栅格数据。1. 饱和水汽压差VPD。
2025-01-05 09:35:25
928
1
原创 WorldPop | 2000-2020年全球100m人口密度数据（附GEE代码）
WorldPop Global Project Population Data提供全球高分辨率、当代的人口分布数据，成为衡量人口增长影响、监测变化以及规划干预措施的关键基础。该项目旨在通过公开透明、同行评审的方法，为各领域提供详细且开放获取的人口分布数据。WorldPop基于最新的普查数据，将行政单元内的总人口数，通过机器学习算法，结合人口密度与多种地理空间协变量之间的关系，重新分配至约100x100米的栅格单元。核心算法为基于随机森林的达西方法重分布，以此实现人口分布的细化估算。
2025-01-04 11:22:51
2459
原创 1961-2022年中国大陆多干旱指数数据集(SPI/SPEI/EDDI/PDSI/SC-PDSI/VPD)
干旱指数对于评估和管理缺水和农业风险至关重要;它具有6个关键的气象干旱指数：标准化降水指数（SPI）、标准化降水蒸散指数（SPEI）、蒸发需求干旱指数（EDDI）、帕尔默干旱严重程度指数（PDSI）、自校准帕尔默干旱严重程度指数（SC-PDSI）和蒸气压赤字（VPD），其中SPI、SPEI和EDDI包含2周和1-12个月的多尺度特征。总体而言，我们的数据集弥补了中国在高精度多指标干旱数据方面的差距，完整的基于CHM的框架保证了数据集的一致性和可靠性，有助于提高对中国干旱模式和趋势的理解。
2025-01-03 19:21:36
2946
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人