使用GEE以及LandSat8植被指数NDVI计算

Ricardo-Yang2026-05-13 15:25

进入GEE

右上角dataset打开

页面往下拉找到Landsat系列数据

选择地表反射率的L2层级产品，这个产品是做了辐射定标，大气校正，以及正射校正的产品

点击L2进入如下界面

下拉找到代码编辑器，点击

转到如下界面

可以新建一个项目或者是使用一个创建好的项目，之后的结果会存放再对应的项目之下，第一次使用需要登录谷歌账号绑定google cloud，可以创建项目相关文件夹

绑定完成之后输入js代码，选择研究区域，以及时间，在时间范围内筛选云量较少，有效区域范围95%以上的影像，建议不要使用镶嵌影像，因为在内蒙等区域植被生长周期不同，镶嵌尽管相差一两个月也可能导致植被的生长周期出现巨大差异，将代码复制点击Run运行。

bash 复制代码 
```javascript
/************************************
 * 丰镇周边15km Landsat8 L2 两期植被分析
 *
 * 方法：
 * 1. ROI缩小为丰镇中心周边15km
 * 2. 每期只选择一景Landsat8 L2影像，不镶嵌
 * 3. 后期保持2024年7-8月窗口
 * 4. 前期放宽到2020年6-9月窗口，重新筛选有效影像
 * 5. 加入VALID_RATIO，保证云掩膜后ROI内有效像元比例足够高
 *
 * 导出连续值：
 * 1. 前期L2多波段
 * 2. 后期L2多波段
 * 3. 前期NDVI
 * 4. 后期NDVI
 * 5. 前期FVC
 * 6. 后期FVC
 * 7. NDVI差异：后期 - 前期
 * 8. FVC差异：后期 - 前期
 *
 * 地图显示：
 * NDVI、FVC、NDVI差异、FVC差异使用5级可视化
 ************************************/


// ===============================
// 1. 研究区：丰镇市中心周边15km
// ===============================

var fengzhenPoint = ee.Geometry.Point([113.169, 40.440]);

// 周边15km范围，外接矩形，便于导出
var roi = fengzhenPoint.buffer(15000).bounds();

Map.centerObject(roi, 10);


// ===============================
// 2. 白色背景图层：用于隐藏GEE底图
// ===============================

// 如果你想看Google底图，就在Layers里取消勾选这个图层
var whiteBackground = ee.Image.constant(1).visualize({
  min: 0,
  max: 1,
  palette: ['ffffff']
});

Map.addLayer(
  whiteBackground,
  {},
  '白色背景_隐藏底图',
  true
);


// 只显示ROI边框，避免遮挡影像
var roiOutline = ee.Image().byte().paint({
  featureCollection: ee.FeatureCollection([ee.Feature(roi)]),
  color: 1,
  width: 3
});

Map.addLayer(
  roiOutline,
  {palette: ['red']},
  'ROI_丰镇周边15km'
);


// ===============================
// 3. 设置两个时间窗口
// ===============================

// 前期：放宽窗口，允许重新找一景有效覆盖更完整的影像
var startDate1 = '2020-06-01';
var endDate1   = '2020-09-30';
var targetDate1 = '2020-08-15';

// 后期：保持原来的7-8月窗口
var startDate2 = '2024-07-01';
var endDate2   = '2024-08-31';
var targetDate2 = '2024-08-15';

// 文件名标识
var periodTag1 = '2020_0601_0930_single_valid';
var periodTag2 = '2024_0701_0831_single_valid';


// ===============================
// 4. 导出参数
// 丰镇大致位于UTM 49N，使用EPSG:32649
// ===============================

var exportFolder = 'GEE_Fengzhen_Landsat8_15km_single_valid';
var exportScale = 30;
var exportCrs = 'EPSG:32649';


// ===============================
// 5. 影像筛选参数
// ===============================

// 影像足迹至少覆盖ROI的比例
var minCoverageRatio = 0.99;

// 云掩膜后，ROI内有效像元比例
// 如果前期候选影像数量为0，可以改成0.85
var minValidRatio = 0.90;

// Landsat整景云量上限
var maxCloudCover = 80;


// ===============================
// 6. Landsat8 L2尺度因子
// ===============================

function applyScaleFactors(image) {
  image = ee.Image(image);

  var opticalBands = image.select([
      'SR_B1', 'SR_B2', 'SR_B3', 'SR_B4',
      'SR_B5', 'SR_B6', 'SR_B7'
    ])
    .multiply(0.0000275)
    .add(-0.2);

  var thermalBand = image.select('ST_B10')
    .multiply(0.00341802)
    .add(149.0);

  var out = image
    .addBands(opticalBands, null, true)
    .addBands(thermalBand, null, true);

  return ee.Image(out.copyProperties(image, image.propertyNames()));
}


// ===============================
// 7. 云、云影、雪、无效值、饱和像元掩膜
// ===============================

function maskL8L2(image) {
  image = ee.Image(image);

  var qa = image.select('QA_PIXEL');

  // QA_PIXEL位说明：
  // bit0: Fill
  // bit1: Dilated Cloud
  // bit2: Cirrus
  // bit3: Cloud
  // bit4: Cloud Shadow
  // bit5: Snow
  var qaMask = qa.bitwiseAnd(parseInt('111111', 2)).eq(0);

  // 去除辐射饱和像元
  var saturationMask = image.select('QA_RADSAT').eq(0);

  var out = image
    .updateMask(qaMask)
    .updateMask(saturationMask);

  return ee.Image(out.copyProperties(image, image.propertyNames()));
}


// ===============================
// 8. 计算NDVI
// ===============================

function addNDVI(image) {
  image = ee.Image(image);

  var ndvi = image.expression(
    '(NIR - RED) / (NIR + RED)',
    {
      'NIR': image.select('SR_B5'),
      'RED': image.select('SR_B4')
    }
  ).rename('NDVI');

  var out = image.addBands(ndvi);

  return ee.Image(out.copyProperties(image, image.propertyNames()));
}


// ===============================
// 9. 计算影像足迹覆盖ROI比例
// ===============================

function addCoverageRatio(image) {
  image = ee.Image(image);

  var roiArea = roi.area(1);
  var intersectArea = image.geometry().intersection(roi, 1).area(1);
  var coverageRatio = intersectArea.divide(roiArea);

  return ee.Image(image.set('ROI_COVERAGE_RATIO', coverageRatio));
}


// ===============================
// 10. 计算云掩膜后ROI内有效像元比例
// 这是关键：避免去云后只剩一小块
// ===============================

function addValidRatio(image) {
  image = ee.Image(image);

  var masked = ee.Image(maskL8L2(image));

  // 取红光波段mask作为有效像元掩膜
  // unmask(0)非常关键：无效区域计为0，否则均值可能虚高
  var validMask = masked.select('SR_B4')
    .mask()
    .rename('valid')
    .unmask(0);

  var validRatio = validMask.reduceRegion({
    reducer: ee.Reducer.mean(),
    geometry: roi,
    scale: exportScale,
    maxPixels: 1e13,
    tileScale: 4
  }).get('valid');

  return ee.Image(image.set('VALID_RATIO', validRatio));
}


// ===============================
// 11. 计算影像与目标日期的距离
// 方便优先选择接近目标日期的影像
// ===============================

function addDateDistanceAndScore(image, targetDate) {
  image = ee.Image(image);

  var dateDistance = ee.Date(image.get('system:time_start'))
    .difference(ee.Date(targetDate), 'day')
    .abs();

  var cloudCover = ee.Number(image.get('CLOUD_COVER'));
  var validRatio = ee.Number(image.get('VALID_RATIO'));

  // 分数越低越优：
  // 1. 有效像元比例越高越好
  // 2. 云量越低越好
  // 3. 日期越接近目标日期越好
  var score = ee.Number(1).subtract(validRatio).multiply(200)
    .add(cloudCover.multiply(0.2))
    .add(dateDistance.multiply(0.1));

  return ee.Image(image.set({
    'DATE_DISTANCE_DAYS': dateDistance,
    'SCENE_SCORE': score
  }));
}


// ===============================
// 12. 获取单景L2影像
// ===============================

function getSingleL2Scene(startDate, endDate, targetDate, label) {
  var collectionRaw = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
    .filterBounds(roi)
    .filterDate(startDate, endDate)
    .filter(ee.Filter.lt('CLOUD_COVER', maxCloudCover))
    .map(addCoverageRatio)
    .filter(ee.Filter.gte('ROI_COVERAGE_RATIO', minCoverageRatio))
    .map(addValidRatio)
    .filter(ee.Filter.gte('VALID_RATIO', minValidRatio))
    .map(function(img) {
      return addDateDistanceAndScore(img, targetDate);
    })
    .sort('SCENE_SCORE');

  print(label + '_有效候选影像数量', collectionRaw.size());
  print(label + '_有效候选影像列表', collectionRaw);

  var infoTable = collectionRaw.map(function(img) {
    img = ee.Image(img);
    return ee.Feature(null, {
      'DATE_ACQUIRED': img.get('DATE_ACQUIRED'),
      'CLOUD_COVER': img.get('CLOUD_COVER'),
      'ROI_COVERAGE_RATIO': img.get('ROI_COVERAGE_RATIO'),
      'VALID_RATIO': img.get('VALID_RATIO'),
      'DATE_DISTANCE_DAYS': img.get('DATE_DISTANCE_DAYS'),
      'SCENE_SCORE': img.get('SCENE_SCORE'),
      'LANDSAT_PRODUCT_ID': img.get('LANDSAT_PRODUCT_ID'),
      'WRS_PATH': img.get('WRS_PATH'),
      'WRS_ROW': img.get('WRS_ROW')
    });
  });

  print(label + '_候选影像日期云量有效像元表', infoTable);

  var raw = ee.Image(collectionRaw.first());

  print(label + '_最终选中影像', raw);
  print(label + '_DATE_ACQUIRED', raw.get('DATE_ACQUIRED'));
  print(label + '_CLOUD_COVER', raw.get('CLOUD_COVER'));
  print(label + '_ROI_COVERAGE_RATIO', raw.get('ROI_COVERAGE_RATIO'));
  print(label + '_VALID_RATIO', raw.get('VALID_RATIO'));
  print(label + '_DATE_DISTANCE_DAYS', raw.get('DATE_DISTANCE_DAYS'));
  print(label + '_SCENE_SCORE', raw.get('SCENE_SCORE'));
  print(label + '_LANDSAT_PRODUCT_ID', raw.get('LANDSAT_PRODUCT_ID'));

  var masked = ee.Image(maskL8L2(raw));
  var scaled = ee.Image(applyScaleFactors(masked));
  var withNDVI = ee.Image(addNDVI(scaled));
  var processed = ee.Image(withNDVI.clip(roi));

  return processed;
}


// ===============================
// 13. 获取两期单景影像
// ===============================

var image1 = ee.Image(getSingleL2Scene(
  startDate1,
  endDate1,
  targetDate1,
  '前期'
));

var image2 = ee.Image(getSingleL2Scene(
  startDate2,
  endDate2,
  targetDate2,
  '后期'
));

var ndvi1 = image1.select('NDVI').rename('NDVI_period1');
var ndvi2 = image2.select('NDVI').rename('NDVI_period2');


// ===============================
// 14. 统一NDVIsoil和NDVIveg，用于FVC计算
// 两期共用同一套参数，保证FVC可比
// ===============================

var ndviStats1 = ndvi1.reduceRegion({
  reducer: ee.Reducer.percentile([5, 95]),
  geometry: roi,
  scale: exportScale,
  maxPixels: 1e13,
  tileScale: 4
});

var ndviStats2 = ndvi2.reduceRegion({
  reducer: ee.Reducer.percentile([5, 95]),
  geometry: roi,
  scale: exportScale,
  maxPixels: 1e13,
  tileScale: 4
});

var ndviSoil1 = ee.Number(ndviStats1.get('NDVI_period1_p5'));
var ndviVeg1  = ee.Number(ndviStats1.get('NDVI_period1_p95'));

var ndviSoil2 = ee.Number(ndviStats2.get('NDVI_period2_p5'));
var ndviVeg2  = ee.Number(ndviStats2.get('NDVI_period2_p95'));

var ndviSoil = ndviSoil1.min(ndviSoil2);
var ndviVeg  = ndviVeg1.max(ndviVeg2);

print('前期NDVI_5%', ndviSoil1);
print('前期NDVI_95%', ndviVeg1);
print('后期NDVI_5%', ndviSoil2);
print('后期NDVI_95%', ndviVeg2);
print('统一NDVIsoil', ndviSoil);
print('统一NDVIveg', ndviVeg);


// ===============================
// 15. 计算两期FVC
// FVC = (NDVI - NDVIsoil) / (NDVIveg - NDVIsoil)
// ===============================

var fvc1 = ndvi1
  .subtract(ndviSoil)
  .divide(ndviVeg.subtract(ndviSoil))
  .clamp(0, 1)
  .rename('FVC_period1');

var fvc2 = ndvi2
  .subtract(ndviSoil)
  .divide(ndviVeg.subtract(ndviSoil))
  .clamp(0, 1)
  .rename('FVC_period2');


// ===============================
// 16. 计算NDVI和FVC差异
// 差异 = 后期 - 前期
// ===============================

var ndviDiff = ndvi2
  .subtract(ndvi1)
  .rename('NDVI_diff_period2_minus_period1');

var fvcDiff = fvc2
  .subtract(fvc1)
  .rename('FVC_diff_period2_minus_period1');


// ===============================
// 17. 5级可视化分级函数
// 注意：这些分级影像只用于地图显示，不参与连续值导出
// ===============================

function classifyNDVI5(ndvi) {
  ndvi = ee.Image(ndvi);

  var cls = ee.Image(1)
    .where(ndvi.gt(0.10).and(ndvi.lte(0.30)), 2)
    .where(ndvi.gt(0.30).and(ndvi.lte(0.50)), 3)
    .where(ndvi.gt(0.50).and(ndvi.lte(0.70)), 4)
    .where(ndvi.gt(0.70), 5)
    .updateMask(ndvi.mask())
    .rename('NDVI_class_5');

  return ee.Image(cls);
}


function classifyFVC5(fvc) {
  fvc = ee.Image(fvc);

  var cls = ee.Image(1)
    .where(fvc.gt(0.20).and(fvc.lte(0.40)), 2)
    .where(fvc.gt(0.40).and(fvc.lte(0.60)), 3)
    .where(fvc.gt(0.60).and(fvc.lte(0.80)), 4)
    .where(fvc.gt(0.80), 5)
    .updateMask(fvc.mask())
    .rename('FVC_class_5');

  return ee.Image(cls);
}


function classifyDiff5(diff) {
  diff = ee.Image(diff);

  var cls = ee.Image(3)
    .where(diff.lte(-0.20), 1)
    .where(diff.gt(-0.20).and(diff.lte(-0.05)), 2)
    .where(diff.gt(-0.05).and(diff.lte(0.05)), 3)
    .where(diff.gt(0.05).and(diff.lte(0.20)), 4)
    .where(diff.gt(0.20), 5)
    .updateMask(diff.mask())
    .rename('diff_class_5');

  return ee.Image(cls);
}


var ndviClass1 = classifyNDVI5(ndvi1);
var ndviClass2 = classifyNDVI5(ndvi2);

var fvcClass1 = classifyFVC5(fvc1);
var fvcClass2 = classifyFVC5(fvc2);

var ndviDiffClass = classifyDiff5(ndviDiff);
var fvcDiffClass = classifyDiff5(fvcDiff);


// ===============================
// 18. 提取L2多波段数据
// 只导出L2地表反射率和地表温度
// 不包含NDVI和FVC
// ===============================

var l2Bands1 = image1.select([
  'SR_B1', 'SR_B2', 'SR_B3', 'SR_B4',
  'SR_B5', 'SR_B6', 'SR_B7',
  'ST_B10'
]).toFloat();

var l2Bands2 = image2.select([
  'SR_B1', 'SR_B2', 'SR_B3', 'SR_B4',
  'SR_B5', 'SR_B6', 'SR_B7',
  'ST_B10'
]).toFloat();


// ===============================
// 19. 可视化检查
// Map.addLayer只影响显示，不影响导出TIF真实值
// ===============================

Map.addLayer(
  image1.select(['SR_B4', 'SR_B3', 'SR_B2']),
  {min: 0.02, max: 0.30},
  '前期L2真彩色_单景'
);

Map.addLayer(
  image2.select(['SR_B4', 'SR_B3', 'SR_B2']),
  {min: 0.02, max: 0.30},
  '后期L2真彩色_单景'
);


// NDVI五级可视化
Map.addLayer(
  ndviClass1,
  {
    min: 1,
    max: 5,
    palette: [
      '#d73027',
      '#fc8d59',
      '#fee08b',
      '#91cf60',
      '#1a9850'
    ]
  },
  '前期NDVI_五级显示'
);

Map.addLayer(
  ndviClass2,
  {
    min: 1,
    max: 5,
    palette: [
      '#d73027',
      '#fc8d59',
      '#fee08b',
      '#91cf60',
      '#1a9850'
    ]
  },
  '后期NDVI_五级显示'
);


// FVC五级可视化
Map.addLayer(
  fvcClass1,
  {
    min: 1,
    max: 5,
    palette: [
      '#f7f7f7',
      '#ffffb2',
      '#fecc5c',
      '#78c679',
      '#006837'
    ]
  },
  '前期FVC_五级显示'
);

Map.addLayer(
  fvcClass2,
  {
    min: 1,
    max: 5,
    palette: [
      '#f7f7f7',
      '#ffffb2',
      '#fecc5c',
      '#78c679',
      '#006837'
    ]
  },
  '后期FVC_五级显示'
);


// NDVI差异五级可视化
Map.addLayer(
  ndviDiffClass,
  {
    min: 1,
    max: 5,
    palette: [
      '#b2182b',
      '#ef8a62',
      '#f7f7f7',
      '#67a9cf',
      '#2166ac'
    ]
  },
  'NDVI差异_五级显示'
);


// FVC差异五级可视化
Map.addLayer(
  fvcDiffClass,
  {
    min: 1,
    max: 5,
    palette: [
      '#b2182b',
      '#ef8a62',
      '#f7f7f7',
      '#67a9cf',
      '#2166ac'
    ]
  },
  'FVC差异_五级显示'
);


// ===============================
// 20. 均值统计，方便检查和写报告
// ===============================

var meanStats = ee.Image.cat([
  ndvi1, ndvi2, ndviDiff,
  fvc1, fvc2, fvcDiff
]).reduceRegion({
  reducer: ee.Reducer.mean(),
  geometry: roi,
  scale: exportScale,
  maxPixels: 1e13,
  tileScale: 4
});

print('NDVI和FVC均值统计', meanStats);


// ===============================
// 21. 导出：L2多波段
// ===============================

Export.image.toDrive({
  image: l2Bands1,
  description: 'Fengzhen_15km_L8_L2_Multiband_' + periodTag1,
  folder: exportFolder,
  fileNamePrefix: 'Fengzhen_15km_L8_L2_Multiband_' + periodTag1,
  region: roi,
  scale: exportScale,
  crs: exportCrs,
  maxPixels: 1e13
});

Export.image.toDrive({
  image: l2Bands2,
  description: 'Fengzhen_15km_L8_L2_Multiband_' + periodTag2,
  folder: exportFolder,
  fileNamePrefix: 'Fengzhen_15km_L8_L2_Multiband_' + periodTag2,
  region: roi,
  scale: exportScale,
  crs: exportCrs,
  maxPixels: 1e13
});


// ===============================
// 22. 导出：NDVI连续值
// ===============================

Export.image.toDrive({
  image: ndvi1.toFloat(),
  description: 'Fengzhen_15km_NDVI_' + periodTag1,
  folder: exportFolder,
  fileNamePrefix: 'Fengzhen_15km_NDVI_' + periodTag1,
  region: roi,
  scale: exportScale,
  crs: exportCrs,
  maxPixels: 1e13
});

Export.image.toDrive({
  image: ndvi2.toFloat(),
  description: 'Fengzhen_15km_NDVI_' + periodTag2,
  folder: exportFolder,
  fileNamePrefix: 'Fengzhen_15km_NDVI_' + periodTag2,
  region: roi,
  scale: exportScale,
  crs: exportCrs,
  maxPixels: 1e13
});


// ===============================
// 23. 导出：FVC连续值
// ===============================

Export.image.toDrive({
  image: fvc1.toFloat(),
  description: 'Fengzhen_15km_FVC_' + periodTag1,
  folder: exportFolder,
  fileNamePrefix: 'Fengzhen_15km_FVC_' + periodTag1,
  region: roi,
  scale: exportScale,
  crs: exportCrs,
  maxPixels: 1e13
});

Export.image.toDrive({
  image: fvc2.toFloat(),
  description: 'Fengzhen_15km_FVC_' + periodTag2,
  folder: exportFolder,
  fileNamePrefix: 'Fengzhen_15km_FVC_' + periodTag2,
  region: roi,
  scale: exportScale,
  crs: exportCrs,
  maxPixels: 1e13
});


// ===============================
// 24. 导出：NDVI差异和FVC差异连续值
// ===============================

Export.image.toDrive({
  image: ndviDiff.toFloat(),
  description: 'Fengzhen_15km_NDVI_Diff_' + periodTag2 + '_minus_' + periodTag1,
  folder: exportFolder,
  fileNamePrefix: 'Fengzhen_15km_NDVI_Diff_' + periodTag2 + '_minus_' + periodTag1,
  region: roi,
  scale: exportScale,
  crs: exportCrs,
  maxPixels: 1e13
});

Export.image.toDrive({
  image: fvcDiff.toFloat(),
  description: 'Fengzhen_15km_FVC_Diff_' + periodTag2 + '_minus_' + periodTag1,
  folder: exportFolder,
  fileNamePrefix: 'Fengzhen_15km_FVC_Diff_' + periodTag2 + '_minus_' + periodTag1,
  region: roi,
  scale: exportScale,
  crs: exportCrs,
  maxPixels: 1e13
});

生成结果如下

点击右下角layer可以选择可视化展示对应的图像

右上角task可以看到生成的结果，点击Run将其保存在google cloud对应的项目之下，即可进入对应的项目进行下载使用

NDVI可视化结果

FCV植被覆盖度可视化结果

NDVI变化可视化结果

想制作其他区域的将对应的经纬度范围更换即可

相关推荐
hkj88081 小时前
CRC-512算法输出64字节
算法
张二娃同学1 小时前
第08篇_RNN_LSTM_GRU序列模型
人工智能·python·rnn·深度学习·神经网络·gru·lstm
财经资讯数据_灵砚智能1 小时前
基于全球经济类多源新闻的NLP情感分析与数据可视化（夜间-次晨）2026年5月13日
大数据·人工智能·python·信息可视化·语言模型·自然语言处理
我鑫如一1 小时前
专业的AI API中转站厂家
人工智能·python
@我漫长的孤独流浪1 小时前
计算机系统核心概念与性能优化全解析
算法·计算机外设
如竟没有火炬1 小时前
接雨水22
数据结构·python·算法·leetcode·散列表
消晨消晨1 小时前
Pytorch初上手——Dataset自定义数据集与Dataloader数据加载器
人工智能·pytorch·python
ʚ希希ɞ ྀ2 小时前
二叉树的锯齿层序遍历
数据结构·算法
小白学大数据2 小时前
均线选股策略研究：基于 Python 数据分析实现
人工智能·python·数据分析
C137的本贾尼2 小时前
从零认识 Spring AI：Java 开发者的 AI 第一课
python·langchain
热门推荐
01GitHub 镜像站点02Codex 接入 DeepSeek API 完整配置文档03CC-Switch & Claude 基于 Linux 服务器安装使用指南04【AI】2026 年具身智能模型和世界模型总结05零基础教你claude code 接入 deepseek V406AI科技热点日报 | 2026年5月11日07codex app每次打开重连5次Reconnecting问题解决08人工智能最新动态 AI 日报 · 2026年5月10日09Gemini大升级、AI眼镜首发、Android XR亮相，13天后见分晓10Cursor 接入 DeepSeek‑V4‑Pro 完整指南（2026 实测）