GEE15：获取不同遥感指数的时间序列及不同指数间的关系

GEE

- 1. 不同遥感指数间的时间序列分析
- 2. 不同指数之间的关系

1. 不同遥感指数间的时间序列分析

GPP数据在一定程度上和植被指数（如NDVI和EVI）有着显著的相关性，那么其相关性如何？如何从时间序列的角度来思考呢？下面我将用GEE代码解答这个问题。

数据：

GPP： MOD17A2H.006 Terra Gross Primary Productivity 8-Day Global 500m
NDVI & EVI： MOD13Q1.006 Terra Vegetation Indices 16-Day Global 250m
DEM： Copernicus DEM GLO-30 Global 30m Digital Elevation Model

// 不同数据源的时间序列分析(GPP,NDVI and EVI)
// 研究区设置
var ROI = ee.FeatureCollection('projects/ee-*******736/assets/Sichuan_province')
var styling = {color:"red",fillColor:"00000000"}
Map.centerObject(ROI,5)
Map.addLayer(ROI.style(styling),{},"geometry")// 数据预处理
// 选择数据集并进行波段比例换算
var years = ee.List.sequence(2000, 2022);
var collectYear = ee.ImageCollection(years.map(function(y) {var start = ee.Date.fromYMD(y, 1, 1);var end = start.advance(12, 'month');var GPP = ee.ImageCollection('MODIS/006/MOD17A2H').select('Gpp').filterDate(start, end).map(function(image){return image.multiply(0.001).set(image.toDictionary(image.propertyNames()));// 此处将GPP扩大了10倍}).mean().rename('GPP')var NDVI = ee.ImageCollection("MODIS/006/MOD13Q1").filterDate(start, end).select("NDVI").map(function(image){return image.multiply(0.0001).set(image.toDictionary(image.propertyNames()))}).mean().rename('NDVI');var EVI = ee.ImageCollection("MODIS/006/MOD13Q1").filterDate(start, end).select("EVI").map(function(image){return image.multiply(0.0001).set(image.toDictionary(image.propertyNames()))}).mean().rename('EVI');return GPP.addBands(NDVI).addBands(EVI).set('year',y)})
);
print (collectYear);// 计算研究区域内的波段时间序列
var Yearlychart = ui.Chart.image.series({imageCollection : collectYear.select('NDVI','EVI','GPP'),region : ROI,reducer:ee.Reducer.mean(),scale:500,xProperty: 'year',}).setChartType('LineChart').setOptions({interpolateNulls: true,title: 'GPP & NDVI time series',hAxis: {title: 'Date'},vAxis: {title: 'GPP & NDVI & EVI',viewWindowMode: 'explicit'}});
print('GPP & NDVI & EVI 时间序列',Yearlychart);

结果：
在这里插入图片描述
可见GPP在一定程度上和植被指数有着显著的相关性，其中EVI的变化趋势与GPP变化趋势更相近。

2. 不同指数之间的关系

为了了解不同指数之间的关系，如线性，我在这里使用GPP与EVI进行分析：

// 不同数据源的时间序列分析(GPP,NDVI and EVI)
// 研究区设置
var ROI = ee.FeatureCollection('projects/ee-******736/assets/Sichuan_province')
var styling = {color:"red",fillColor:"00000000"}
Map.centerObject(ROI,5)
Map.addLayer(ROI.style(styling),{},"geometry")//数据选择Gpp和EVI(EVI与Gpp的时间序列更加契合)
var start = ee.Date.fromYMD(2022, 3, 1);
var end = start.advance(6, 'month');    // 选择生长季
var GPP = ee.ImageCollection('MODIS/006/MOD17A2H') // 空间分辨率为500m.select('Gpp').filterDate(start, end).map(function(image){return image.multiply(0.0005).set(image.toDictionary(image.propertyNames()));//此处将GPP扩大了5倍}).mean().rename('GPP').clip(ROI);
var EVI = ee.ImageCollection("MODIS/006/MOD13Q1")  // 空间分辨率为250m.filterDate(start, end).select("EVI").map(function(image){return image.multiply(0.0001).set(image.toDictionary(image.propertyNames()));}).mean().reproject('EPSG:4326',null,500).clip(ROI);// 建立EVI与Gpp两个数组，需要保持两个数据的空间分辨率一致，500m即可
var merge = EVI.addBands(GPP).clip(ROI);
var array = merge.reduceRegion({reducer: ee.Reducer.toList(), geometry: ROI, scale: 1000});
var x = ee.List(array.get('GPP')).slice(0, 5000);//注意：此处的切片范围不能超过数据向量本身的范围，否则会报错
var y = ee.List(array.get('EVI')).slice(0, 5000);// 数据可视化
var chart = ui.Chart.array.values({array: y, axis: 0, xLabels: x}).setOptions({title: 'Relationship between the EVI and GPP',colors: ['green'],hAxis: {title: 'GPP(kg*C/m^2)',titleTextStyle: {italic: false, bold: true},viewWindow: {min: 0, max: 0.3}},vAxis: {title: 'EVI values',titleTextStyle: {italic: false, bold: true},viewWindow: {min: -0.1, max: 0.7}},pointSize: 2, //调整点的大小legend: {position: 'none'},
});print('Relationship between the EVI and GPP',chart);

结果： 在这里插入图片描述

可以看出GPP与EVI存在着一定的线性相关性。

EVI与地形 （海拔高度） 之间的变化关系：

// 研究区设置
var ROI = ee.FeatureCollection('projects/ee-yipeizhao736/assets/Sichuan_province')
var styling = {color:"red",fillColor:"00000000"}
Map.centerObject(ROI,5)
Map.addLayer(ROI.style(styling),{},"geometry")//数据选择DEM和EVI
var start = ee.Date.fromYMD(2022, 3, 1);
var end = start.advance(6, 'month');    // 选择生长季
var DEM = ee.ImageCollection('COPERNICUS/DEM/GLO30') // 空间分辨率为30m.select('DEM').map(function(image){return image.set(image.toDictionary(image.propertyNames()));}).mean().rename('DEM').clip(ROI);
var EVI = ee.ImageCollection("MODIS/006/MOD13Q1")  // 空间分辨率为250m.filterDate(start, end).select("EVI").map(function(image){return image.multiply(0.0001).set(image.toDictionary(image.propertyNames()));}).mean().rename('EVI').clip(ROI);var merge = EVI.addBands(DEM).clip(ROI);
var array = merge.reduceRegion({reducer: ee.Reducer.toList(), geometry: ROI, scale: 250}); //
var x = ee.List(array.get('DEM')).slice(0, 5000);
var y = ee.List(array.get('EVI')).slice(0, 5000);// 数据可视化
var DEM_EVIchart = ui.Chart.array.values({array: y, axis: 0, xLabels: x}).setOptions({title: 'Relationship between the EVI and DEM',colors: ['green'],hAxis: {title: 'DEM(m)',titleTextStyle: {italic: false, bold: true},viewWindow: {min: 2000, max: 5500}},vAxis: {title: 'EVI values',titleTextStyle: {italic: false, bold: true},viewWindow: {min: -0.1, max: 0.9}},pointSize: 2, //调整点的大小legend: {position: 'none'},
});
print('Relationship between the EVI and DEM', DEM_EVIchart);