基于 GEE MODIS 数据的区域干旱监测——从植被状况指数（VCI）计算到干旱分级与空间分布可视化

本代码基于 Google Earth Engine（GEE）平台，以 MODIS NDVI 数据为核心，构建了 "数据加载 - 指数计算 - 干旱分级 - 动态分析 - 可视化统计 - 数据导出" 的完整干旱监测工作流，覆盖 2001-2003 年静态分析与 2001-2024 年动态监测，以下从技术原理、代码逻辑、参数意义三方面展开深度解析。

一、基础模块：研究区与时间配置

（一）研究区边界定义与可视化

核心作用：确定分析空间范围，是后续数据筛选、影像裁剪、面积统计的基础。

javascript 复制代码

var roi = table; 
Map.addLayer(roi, {color: 'red'}, '研究区');
Map.centerObject(roi, 8);

roi = table：table是 GEE 中预设的矢量数据（如 Shapefile 导入后的资产），包含研究区的边界坐标（经纬度），数据类型为ee.FeatureCollection（要素集合），需确保矢量边界无拓扑错误（如重叠、缝隙），否则会导致后续裁剪或统计结果偏差。
Map.addLayer(roi, {color: 'red'}, '研究区')：将研究区矢量边界添加到地图界面，color: 'red'设置边界线颜色为红色，第三个参数为图层名称（用于地图图例区分），若不添加该图层，无法在地图上直观确认研究区位置是否正确。
Map.centerObject(roi, 8)：自动将地图视角聚焦到研究区中心，第二个参数 "8" 是 GEE 的缩放级别（范围 1-24，1 为全球视角，24 为米级高清视角），缩放级别 8 对应约 10 公里分辨率视角，可完整显示地级市 / 区域级研究区，若缩放级别过高（如 12），可能导致研究区超出地图视野。

（二）时间范围设置

核心作用：划定数据筛选的时间区间，区分 "短期静态分析"（2001-2003 年）与 "长期动态分析"（2001-2024 年）两个研究目标。

javascript 复制代码

var time_start = '2001';
var time_end = '2003';
var time_start2 = '2001';
var time_end2 = '2024';

GEE 的filterDate函数支持多种时间格式（如'2001-01-01'精确到日、'2001'精确到年），此处用 "年" 作为时间单位，会自动筛选该年份 1 月 1 日至 12 月 31 日的所有数据。
时间区间为 "左闭右开"，即filterDate('2001','2003')实际筛选 2001 年 1 月 1 日 - 2002 年 12 月 31 日的数据，若需包含 2003 年数据，需将time_end设为'2004'，这是 GEE 时间筛选的常见 "坑点"，若忽略会导致数据缺失 1 年。

二、数据加载与预处理

（一）MODIS NDVI 数据集选择

javascript 复制代码

var ndvi = ee.ImageCollection("MODIS/061/MOD13A2")
  .select(['NDVI'])
  .filterDate(time_start, time_end)
  .filterBounds(roi);

数据集 ID：MODIS/061/MOD13A2，其中 "061" 是数据集版本（V6.1），是当前（2024 年）MODIS NDVI 的最新稳定版，相比旧版本（如 V5）优化了大气校正、云去除算法，数据精度更高；"MOD13A2" 表示产品类型：16 天合成的 NDVI 产品，空间分辨率为 500 米（每像元覆盖 500m×500m 区域）。
数据波段：MOD13A2包含 NDVI、EVI、质量控制（QC）等多个波段，此处用.select(['NDVI'])仅保留 NDVI 波段，减少数据量，提升后续计算效率（若保留多余波段，会导致内存占用增加，尤其长期序列分析时易卡顿）。

（二）数据筛选逻辑

时间筛选 ：.filterDate(time_start, time_end)根据 1.2 定义的时间范围，从整个 MODIS NDVI 影像集合中筛选出目标时段的影像，例如 2001-2003 年（实际 2001-2002 年）会筛选出(2002-2001+1)×(365/16)≈2×23=46景影像（16 天合成，每年约 23 景）。
空间筛选 ：.filterBounds(roi)筛选出 "影像覆盖范围与研究区有交集" 的影像，避免加载无关区域的影像（如研究区为华北某城市，无需加载华南地区的影像），进一步减少数据量。
注意事项 ：若研究区位于高纬度地区（如北纬 50° 以上），冬季（11-2 月）NDVI 值会接近 0 或为负数（植被枯萎），需确认研究目标是否包含冬季数据，若仅关注生长季（5-10 月），可在filterDate后添加.filter(ee.Filter.calendarRange(5,10,'month'))筛选月份。

三、核心指数计算：植被状况指数（VCI）

（一）VCI 的原理与意义

VCI（Vegetation Condition Index，植被状况指数）是干旱监测的常用指数，核心逻辑是 "通过当前 NDVI 与历史同期 NDVI 极值的对比，反映植被受干旱影响的程度"，公式如下：VCI = ((NDVI_current - NDVI_min) / (NDVI_max - NDVI_min)) × 100

取值范围：0-100，数值越低，干旱越严重：
- 0-10：极端干旱（植被严重枯萎，甚至死亡）；
- 80-100：无干旱（植被生长旺盛，水分充足）。
优势：相比原始 NDVI，VCI 消除了 "不同年份同一季节植被背景差异"（如 2001 年春季植被基数低，2002 年春季基数高），更能客观反映干旱导致的植被胁迫。

（二）VCI 计算的完整流程

javascript 复制代码

// 步骤1：计算研究时段内NDVI的极值（最小值、最大值）并缩放
var ndvi_min = ndvi.min().multiply(0.0001); 
var ndvi_max = ndvi.max().multiply(0.0001);

// 步骤2：遍历每景NDVI影像，计算单景VCI
var vci = ndvi.map(function(img) {
  var band = img.multiply(0.0001); // 单景NDVI缩放
  var index = band.expression(
    '((ndvi - min)/(max - min))*100.0',
    {
      'ndvi': band,
      'min': ndvi_min,
      'max': ndvi_max
    }
  ).rename('vci'); // 重命名波段为"vci"
  // 保留原始影像的时间属性
  return index.copyProperties(img, ['system:time_start', 'system:time_end']);
});

1. NDVI 极值计算与缩放

ndvi.min()：对筛选后的 NDVI 影像集合，计算 "每个像元" 在时间序列内的最小值（如 2001-2002 年 46 景影像中，某像元的最低 NDVI 值），结果为单波段影像（ee.Image），数据类型为Int16（整数）。
.multiply(0.0001)：MODIS NDVI 原始数据采用 "整数存储"（范围 - 32768 至 32767），需乘以缩放系数 0.0001 转换为 "实际 NDVI 值"（范围 - 1 至 1），这是 MODIS 数据的标准预处理步骤，若不缩放，原始值（如 1000）会被误判为 NDVI=1000，导致 VCI 计算结果完全错误。
为什么用 "极值" 而非 "均值"？NDVI_min 代表研究时段内植被最干旱的状态，NDVI_max 代表最湿润的状态，两者的差值反映了该区域植被对水分条件的最大响应范围，用极值计算的 VCI 能更灵敏地捕捉干旱变化。

2. 遍历影像计算单景 VCI

ndvi.map(function(img) { ... })：map函数是 GEE 中遍历集合的核心函数，此处遍历ndvi影像集合中的每景影像（img为单景影像），对每景影像执行相同的 VCI 计算逻辑，最终返回新的 VCI 影像集合（vci）。
band.expression(...)：通过表达式计算 VCI，第一个参数是公式字符串（需用单引号包裹，变量用占位符表示），第二个参数是 "占位符 - 实际数据" 的映射表：
- 'ndvi'：对应单景影像缩放后的 NDVI 值（band）；
- 'min'：对应步骤 1 计算的 NDVI 最小值（ndvi_min）；
- 'max'：对应步骤 1 计算的 NDVI 最大值（ndvi_max）。
copyProperties(img, ['system:time_start', 'system:time_end'])：保留原始 NDVI 影像的时间属性（system:time_start为影像起始时间，system:time_end为结束时间），若不保留，后续无法按时间筛选 VCI 影像（如提取 2002 年夏季的 VCI），也无法绘制时间序列图表。

四、干旱分析：静态分级与动态监测

（一）2001-2003 年静态干旱分级（短期分析）

javascript 复制代码

// 等级标准：1-极端干旱（0-10）| 2-严重干旱（10-20）| ... |7-无干旱3（>80）
var cons = ee.Image.constant(0); // 创建值为0的常量影像
var extreme = cons.where(vci_median.gte(0).and(vci_median.lt(10)), 1);
var severe = extreme.where(vci_median.gte(10).and(vci_median.lt(20)), 2);
// ... 后续等级依次叠加
var no3 = no2.where(vci_median.gte(80), 7);

核心逻辑 ：基于 VCI 中值（vci_median，2001-2003 年平均 VCI），通过where函数实现 "阈值分割"，将连续的 VCI 值转换为离散的干旱等级（1-7 级）。
关键函数解析：
- ee.Image.constant(0)：创建一幅所有像元值均为 0 的影像（cons），作为等级赋值的初始载体（若不创建初始影像，无法使用where函数叠加等级）。
- vci_median.gte(0).and(vci_median.lt(10))：构建逻辑条件："VCI 大于等于 0 且小于 10"，gte是 "greater than or equal" 的缩写，and是逻辑 "与"，条件成立的像元值为true，否则为false。
- cons.where(condition, 1)：对cons影像中 "条件成立（true）" 的像元赋值为 1（极端干旱），"条件不成立（false）" 的像元保持原值 0，后续等级通过 "叠加where" 实现：severe = extreme.where(...)，即在前一个等级影像（extreme）的基础上，对符合 "严重干旱" 条件的像元赋值为 2，未覆盖的像元保持原有等级（如极端干旱的 1、未赋值的 0），依次类推，最终得到完整的 7 级干旱影像。
注意事项 ：等级赋值必须按 "从低到高" 的顺序（极端干旱→无干旱），若先赋值高等级（如先赋值无干旱 7），后续低等级的where会覆盖高等级值，导致等级混乱。

（二）2001-2024 年动态干旱监测（长期分析）

1. 长时间序列 VCI 计算

代码 7 部分重复了步骤 3 的 VCI 计算逻辑，但时间范围扩展为 2001-2024 年，得到vci2影像集合（约 24 年 ×23 景 / 年 = 552 景影像），核心差异在于：极值计算范围更大，ndvi_min2和ndvi_max2是 24 年的 NDVI 极值，更能反映研究区长期的植被水分响应范围，计算的 VCI 更具跨年度可比性。

2. 逐年干旱等级分类与众数分析

javascript 复制代码

// 逐年干旱等级分类
var vci_class = vci2.map(function(img) {
  var cons = ee.Image.constant(0);
  var extreme = cons.where(img.gte(0).and(img.lt(10)), 1); // 关键修复：用img替代vci_median
  // ... 后续等级赋值（同4.1）
  return no3.copyProperties(img, img.propertyNames());
});

// 计算24年干旱等级众数
var vci_map = vci_class.mode();

核心修复点 ：原始代码中可能存在 "用 2001-2003 年 VCI 中值（vci_median）对 2001-2024 年每景 VCI 影像分类" 的错误，此处修复为 "用单景 VCI 影像（img）自身的数值进行等级分类"，确保每景影像的等级是基于自身 VCI 值，而非历史中值，符合动态监测的逻辑。
众数分析（mode） ：vci_class.mode()计算 "每个像元" 在 2001-2024 年所有干旱等级中的 "众数"（出现频率最高的等级），例如某像元在 24 年中有 15 年为 "无干旱 2（6 级）"，5 年为 "无干旱 1（5 级）"，4 年为 "轻度干旱（4 级）"，则该像元的众数等级为 6 级，最终生成的vci_map能反映研究区 24 年的 "主导干旱状态"，是动态分析的核心结果。

五、可视化与统计：从图表到面积

（一）VCI 直方图绘制

javascript 复制代码

print(ui.Chart.image.histogram(vci_median, roi, 1000)
  .setOptions({
    title: '研究区VCI值分布直方图',
    hAxis: {title: 'VCI值'},
    vAxis: {title: '像元数量'}
  })
);

核心作用：统计研究区内 VCI 中值的分布特征，通过 "VCI 值区间（横轴）" 与 "对应像元数量（纵轴）" 的柱状图，判断研究区整体干旱程度：
- 若直方图峰值集中在 80-100，说明研究区整体无干旱；
- 若峰值集中在 0-20，说明研究区整体干旱严重。
关键参数：
- vci_median：待统计的影像（此处为 VCI 中值）；
- roi：统计范围（研究区）；
- 1000：统计分辨率（单位：米），即按 1000 米网格统计像元数量，若设为 500（NDVI 原始分辨率），统计精度更高，但数据量更大，图表加载更慢，1000 米是 "精度与效率" 的平衡选择。

（二）干旱面积统计

javascript 复制代码

// 像元面积单位转换：平方米→平方公里（1平方公里=1e6平方米）
var drought_area = (ee.Image.pixelArea().divide(1e6)).addBands(vci_map);

// 按等级统计面积
print(ui.Chart.image.byClass({
  image: drought_area,
  classBand: 'constant', // 干旱等级波段（vci_map的默认波段名）
  region: roi,
  reducer: ee.Reducer.sum(), // 求和计算面积
  scale: 1000,
  classLabels: ['NaN', '极端干旱', '严重干旱', '中度干旱', '轻度干旱', '无干旱1', '无干旱2', '无干旱3']
}).setOptions({...}));

核心原理 ：GEE 中每个像元的面积可通过ee.Image.pixelArea()计算（单位：平方米），结合干旱等级影像，按等级求和得到各等级的总面积。
关键步骤解析：
- ee.Image.pixelArea()：生成一幅 "像元值 = 该像元实际面积（平方米）" 的影像，例如赤道附近 1000 米分辨率的像元面积约为 1 平方公里（1000m×1000m=1e6 平方米），高纬度地区因地球曲率影响，像元面积会略小。
- .divide(1e6)：将面积单位从 "平方米" 转换为 "平方公里"（1 平方公里 = 1000×1000=1e6 平方米），符合面积统计的常用单位。
- .addBands(vci_map)：将 "面积影像" 与 "干旱等级影像（vci_map）" 合并为一幅多波段影像，其中 "面积波段" 用于计算面积，"等级波段（constant）" 用于分组。
- ee.Reducer.sum()：按 "等级波段" 的类别（1-7 级），对 "面积波段" 的像元值求和，得到每个等级的总面积，例如 "极端干旱（1 级）" 的总面积 = 所有等级为 1 的像元面积之和。
classLabels 说明 ：classLabels的索引需与干旱等级对应，第一个元素'NaN'对应等级 0（未赋值像元，通常为研究区外），第二个元素'极端干旱'对应等级 1，以此类推，若顺序错误，会导致图表标签与实际等级不匹配。

（三）图例面板构建

javascript 复制代码

var legend = ui.Panel({style: {position: 'bottom-left', padding: '8px 15px'}});
var legendTitle = ui.Label({value: 'VCI 干旱等级图例', style: {...}});
legend.add(legendTitle);

// 干旱等级名称与对应颜色（与干旱众数图调色板一致）
var names = ['极端干旱', '严重干旱', '中度干旱', '轻度干旱', '无干旱1', '无干旱2', '无干旱3'];
var colors = ['black', 'brown', 'red', 'orange', 'yellow', 'lightgreen', 'darkgreen'];

// 循环构建图例行（颜色块+文字）
for (var i = 0; i < names.length; i++) {
  var colorBox = ui.Label({style: {backgroundColor: colors[i], padding: '8px', ...}});
  var description = ui.Label({value: names[i], style: {...}});
  var row = ui.Panel({widgets: [colorBox, description], layout: ui.Panel.Layout.Flow('horizontal')});
  legend.add(row);
}
Map.add(legend);

核心作用：为地图添加自定义图例，解决 GEE 默认图例无文字说明的问题，让用户能直观对应 "颜色 - 干旱等级"。
关键设计：
- 位置与样式：position: 'bottom-left'将图例放在地图左下角，避免遮挡研究区；padding: '8px 15px'设置内边距，让图例更美观。
- 颜色一致性：colors数组的颜色与 "干旱众数图（vci_map）" 的调色板完全一致（黑色 = 极端干旱，深绿色 = 无干旱 3），确保图例与地图颜色一一对应，若颜色不一致，会导致解读错误。
- 循环构建：通过for循环遍历names和colors数组，批量生成 "颜色块（colorBox）+ 文字说明（description）" 的水平行（row），避免重复代码，提升可维护性。

六、数据导出：将结果保存到 Google Drive

javascript 复制代码

Export.image.toDrive({
  image: vci_map.clip(roi), // 导出的影像（裁剪到研究区）
  description: 'vci_map', // 导出文件名称
  region: roi, // 导出范围（研究区）
  maxPixels: 1e13, // 最大像元数限制
  crs: 'EPSG:4326', // 坐标系（WGS84）
  folder: 'drought', // Drive中存储的文件夹名称
  scale: 1000 // 导出分辨率（1000米）
});

核心作用：将 GEE 中的干旱众数图导出为本地可使用的影像文件（如 GeoTIFF），用于后续 ArcGIS、QGIS 等软件的进一步分析（如叠加其他数据、制作专题图）。
关键参数解析：
- image: vci_map.clip(roi)：导出的影像为 "裁剪到研究区的干旱众数图"，clip(roi)确保导出的影像仅包含研究区范围，无多余背景像元（若不裁剪，会导出整幅 GEE 影像的范围，数据量极大）。
- maxPixels: 1e13：GEE 默认限制导出影像的最大像元数为 1e8（1 亿），研究区较大时（如省级区域），1e8 像元会不够用，需手动设置更大值（如 1e13，10 万亿），避免导出失败，计算公式：最大像元数 = 研究区面积（平方公里）/(分辨率（公里）)^2，例如研究区面积 10 万平方公里，分辨率 1 公里，最大像元数 = 10 万 /(1×1)=1e5，远小于 1e13，足够使用。
- crs: 'EPSG:4326'：指定导出影像的坐标系为 WGS84（经纬度坐标系），是全球通用坐标系，若需投影坐标系（如 UTM），可改为crs: 'EPSG:32649'（UTM 49N，适用于华北地区）。
- scale: 1000：导出分辨率为 1000 米，与 NDVI 原始分辨率（500 米）相比，降低了分辨率，减少导出文件大小（500 米分辨率的文件大小是 1000 米的 4 倍），若需更高精度，可设为 500，但需注意文件大小（可能达数百 MB）。
导出后操作：导出任务完成后，需到 Google Drive 的 "drought" 文件夹中下载 GeoTIFF 文件，下载后需检查文件是否完整（无损坏、边界正确），可在 QGIS 中打开，叠加研究区矢量边界确认。

七、常见问题与解决方案

常见问题	原因	解决方案
导出任务失败，提示 "超出最大像元数"	`maxPixels`设置过小，研究区像元数超过限制	将`maxPixels`改为 1e13 或更大值
VCI 值出现负数或大于 100	NDVI 极值计算错误（如未缩放），或公式写错	确认`ndvi_min`、`ndvi_max`和单景影像均已乘以 0.0001，检查 VCI 公式是否为`((ndvi - min)/(max - min))*100`
干旱等级图全为 0 或某一等级	`where`函数条件错误（如逻辑运算符用`or`而非`and`），或等级赋值顺序错误	检查条件是否为`gte(x).and(lt(y))`，确保等级赋值从低到高（极端干旱→无干旱）
地图上看不到研究区图层	`roi`矢量数据错误（如为空集合），或缩放级别过高	检查`table`是否正确导入，用`print(roi)`确认矢量数据非空，调整`Map.centerObject`的缩放级别为 6-10

八、运行结果

基于植被状况指数（VCI）的干旱监测成果
控制台输出的统计数据相关信息
研究区植被状况指数（VCI）值分布直方图
研究区各干旱等级面积统计柱状图

若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！