GEE计算时间序列植被指数-以哨兵2数据计算MTCI指数为例+多点像元时间序列值提取

GEE计算时间序列植被指数-以哨兵2数据计算MTCI指数为例

// 首先是去云处理
function rmCloudByQA(image) {
  var qa = image.select('QA60');
  var cloudBitMask = 1 << 10;
  var cirrusBitMask = 1 << 11;
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
               .and(qa.bitwiseAnd(cirrusBitMask).eq(0));
  return image.updateMask(mask);}
// 计算MTCI指数（选择哨兵2数据的第4,5,6波段）
function s2_mtci(image) {
     var mtci = image.expression('(RE2 - RE1)/ (RE1 - Red)', {
    'RE2': image.select('B6'),
    'RE1': image.select('B5'),
     'Red': image.select('B4'),
    }).float().rename('MTCI');  // 这里强调一点需要利用rename()将结果名字改成‘MTCI’,原因后面再说。
    return image.addBands(mtci);  
} // 这里强调，函数返回的如果直接是image的话，后面在进行时序分析就会报错，说没有波段匹配，因为缺少了相应的时间信息。所以这里是将计算的结果作为一个波段添加进原影像中。 
// 导入研究区
var roi = ee.FeatureCollection("users/area");
// 导入哨兵2数据，根据时间、研究区和云量对影像进行筛选
var s2_col = ee.ImageCollection("COPERNICUS/S2")
               .filterBounds(roi)
               .filterDate('2022-05-14','2022-09-21')
               .filter(ee.Filter.lte('CLOUD_COVERAGE_ASSESSMENT',20))
               .map(rmCloudByQA)
               .map(function(image){
                 return image.clip(roi)
               });
print (s2_col)  
// 计算研究区的MTCI指数
var mtci = s2_col.map(s2_mtci).select("MTCI");  // 上面只有rename()函数使用了以后，才能在这里根据名字进行select,不然的话，mtci指数的波段名字这里就是显示的'B6_1'，不知道为什么是这样的。
print ('mtci is:', mtci)
Map.addLayer(mtci)

// 站点时间序列显示（以日期和日序数两种）

var chart1 = ui.Chart.image.series({
  imageCollection:mtci,
  region:ee.Geometry.Point([107.29424,40.73286]),
  reducer:ee.Reducer.mean(),  //计算均值
  scale:10
}).setOptions({title:'MTCI IMAGE SERIES'});
print(chart1);


var chart2 = ui.Chart.image.doySeries({
  imageCollection:mtci,
  region:ee.Geometry.Point([107.29424,40.73286]),
  regionReducer:ee.Reducer.mean(),
  scale:10
}).setOptions({title:"ROI MTCI EACH DAY SERIES"})
print(chart2)

**结果：**可以看到选择以后只有mtci一个波段数据；时间序列数据也可以得到，通过右上角可以打开新的界面，导出图以及相应的数据表。

多点像元时间序列值提取

上述代码只是提供了单点的时间序列的表示，下面这个代码是在上述代码的基础上，提取多点像元时间序列，并导出。代码参考的博文GEE：提取多个点的时间序列数据

// 提取多点像元值  

var pointValues = mtci.toBands().sampleRegions({  // 这里必须使用toBands才能进行计算，没搞懂这个是啥意思。
  collection:syz,  
  /* properties:ee.List(['Number']),*/  //这里如果加上properties的话应该是可以根据矢量点的属性信息导出数据的，如果不加的话，属性信息应该都会导出，这里没有测试过。
  scale:10
});

print(pointValues)
//导出
Export.table.toDrive({
		collection: pointValues,
		description:"MTCI",
		folder: "MTCI",
		fileFormat: "CSV"
});

导出的数据的编号和print(pointValues)中的feature是一致的，可以对照。我的矢量点文件中也有Number编号，所以也可以对照。如图：

申明： 自己也是查询了很多代码，加上自己的理解得到的结果，有问题大家可以指出来，互相交流学习，自己关注的是以下几个公众号来学习，推荐一下。