GEE&Python-demo：利用Sentinel-监测北京奥林匹克森林公园年NDVI变化(附Python版)

GEE&Python-demo：利用Sentinel-监测北京奥林匹克森林公园年NDVI变化(附Python版)

一、项目背景植被覆盖度是衡量城市生态健康的重要指标。NDVI（归一化植被指数）利用植物在近红外波段的高反射和红光波段的强吸收特性，广泛用于植被监测。北京奥林匹克森林公园作为城市绿肺，其植被年际变化能反映城市生态政策与气候影响。传统遥感处理繁琐，而Google Earth Engine（GEE）提供了强大的云端计算能力。本文通过GEE JavaScript API和Python（geemap库）双语言实现，展示如何用Sentinel-2时间序列分析奥林匹克森林公园的NDVI年变化。## 二、技术栈与数据- 数据源 ：ESA Sentinel-2 MSI Level-2A（已大气校正）- 分析区域 ：北京奥林匹克森林公园（北五环，中心点约39.993°N, 116.390°E）- 时间范围 ：2019-2023年每年6-8月（生长旺季）- 核心工具 ： - GEE JavaScript Code Editor - Python + geemap + earthengine-api## 三、GEE JavaScript版：快速原型验证以下代码在GEE Code Editor中运行。我们首先加载北京奥林匹克森林公园的矢量边界（使用GEE内置的FAO数据集或手动绘制），然后逐年计算NDVI平均值。javascript// 1. 定义研究区域（手动绘制或从资产导入）var roi = ee.FeatureCollection('FAO/GAUL/2015/level2') .filter(ee.Filter.eq('ADM2_NAME', 'Chaoyang')) .filter(ee.Filter.eq('ADM1_NAME', 'Beijing')) .geometry(); // 简化：实际需手动裁剪至奥林匹克公园区域// 更精确做法：直接绘制多边形（示例用矩形近似）var park = ee.Geometry.Rectangle([116.380, 39.985, 116.400, 40.005]);// 2. 定义时间序列函数function calcAnnualNDVI(year) { var startDate = ee.Date.fromYMD(year, 6, 1); var endDate = ee.Date.fromYMD(year, 8, 31); // 加载Sentinel-2影像集，去云处理 var s2 = ee.ImageCollection('COPERNICUS/S2_SR') .filterBounds(park) .filterDate(startDate, endDate) .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20)) .map(function(image) { // 计算NDVI并添加波段 var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI'); return image.addBands(ndvi).clip(park); }); // 取中值合成（减少云噪） var median = s2.median(); return median.select('NDVI').set('year', year);}// 3. 逐年计算并输出var years = ee.List.sequence(2019, 2023);var ndviCollection = ee.ImageCollection.fromImages( years.map(function(y) { return calcAnnualNDVI(y); }));// 4. 打印各年平均值var means = ndviCollection.map(function(img) { var mean = img.reduceRegion({ reducer: ee.Reducer.mean(), geometry: park, scale: 10, maxPixels: 1e9 }); return ee.Feature(null, { year: img.get('year'), meanNDVI: mean.get('NDVI') });});print('Annual NDVI means:', means);Export.table.toDrive({ collection: means, description: 'OlympicPark_NDVI_Annual'});关键点注释 ：- 使用normalizedDifference直接计算NDVI = (B8-B4)/(B8+B4)- 通过中值合成避免单景影像的云遮挡- 逐年reduceRegion获取区域统计值## 四、Python版：geemap自动化工作流Python版更适合批量处理和可视化。使用geemap库可以无缝对接GEE，无需前端界面。pythonimport eeimport geemapimport pandas as pdimport matplotlib.pyplot as plt# 初始化GEE（需先认证）ee.Authenticate()ee.Initialize(project='your-project-id')# 定义区域（同上，使用矩形代替）park = ee.Geometry.Rectangle([116.380, 39.985, 116.400, 40.005])def get_annual_ndvi(year): """获取指定年份的NDVI中值合成""" start = f'{year}-06-01' end = f'{year}-08-31' s2 = (ee.ImageCollection('COPERNICUS/S2_SR') .filterBounds(park) .filterDate(start, end) .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20)) .map(lambda img: img.clip(park))) # 计算NDVI并合成 def add_ndvi(img): ndvi = img.normalizedDifference(['B8', 'B4']).rename('NDVI') return img.addBands(ndvi) ndvi_coll = s2.map(add_ndvi).select('NDVI') median_ndvi = ndvi_coll.median() # 区域统计 mean_dict = median_ndvi.reduceRegion( reducer=ee.Reducer.mean(), geometry=park, scale=10, maxPixels=1e9 ) return mean_dict.getInfo()['NDVI']# 逐年计算years = list(range(2019, 2024))ndvi_values = []for yr in years: try: val = get_annual_ndvi(yr) ndvi_values.append(val) print(f'{yr} NDVI均值: {val:.3f}') except Exception as e: print(f'{yr} 计算失败: {e}') ndvi_values.append(None)# 可视化plt.figure(figsize=(10, 5))plt.plot(years, ndvi_values, 'o-', color='green', linewidth=2)plt.title('北京奥林匹克森林公园年均NDVI变化 (2019-2023)')plt.xlabel('年份')plt.ylabel('NDVI均值')plt.grid(True, linestyle='--', alpha=0.7)plt.xticks(years)plt.ylim(0.3, 0.7) # 根据实际情况调整# 添加趋势线import numpy as npvalid = [(y, v) for y, v in zip(years, ndvi_values) if v is not None]if len(valid) > 2: x = [p[0] for p in valid] y = [p[1] for p in valid] z = np.polyfit(x, y, 1) p = np.poly1d(z) plt.plot(x, p(x), 'r--', alpha=0.5, label='趋势线') plt.legend()plt.tight_layout()plt.savefig('olympic_park_ndvi_trend.png', dpi=300)plt.show()重点说明 ：- 使用geemap.CenterMap可定位到奥林匹克公园（未在代码中展示）- 通过reduceRegion的scale=10匹配Sentinel-2原始分辨率- 异常处理确保单年失败不影响整体流程## 五、结果解读与可视化运行上述代码后，我们将获得类似下表的数据（示例值）：| 年份 | 平均NDVI ||------|----------|| 2019 | 0.532 || 2020 | 0.548 || 2021 | 0.561 || 2022 | 0.557 || 2023 | 0.543 |趋势分析 ：- 2019-2021年NDVI呈现上升趋势，可能与公园植被成熟及养护提升有关- 2022年略有下降，可能与极端高温干旱有关- 2023年继续小幅下降，需结合降雨数据分析Python版生成的趋势图如下图所示（此处为文字描述，实际运行会生成PNG文件）。## 六、扩展与调优1. 更精确的边界 ：使用OpenStreetMap或高德API获取奥林匹克森林公园实际轮廓。2. 时间窗口优化 ：可改为5-10月（生长季）或逐月分析。3. 去云增强 ：使用ee.Algorithms.Landsat.simpleComposite或S2云概率波段。4. 多指数对比：同时计算EVI、NDWI等指数。## 七、总结本文通过GEE JavaScript和Python双语言实现，完整演示了利用Sentinel-2监测北京奥林匹克森林公园年NDVI变化的方法。核心步骤包括：1. 定义研究区域并过滤影像2. 计算NDVI并合成年际中值3. 区域统计提取均值4. 结果可视化与趋势分析GEE极大地降低了遥感数据处理门槛，而Python版提供了更灵活的可视化和自动化能力。实际应用中，建议结合地面观测数据进行验证，并注意影像云量滤波和尺度效应对结果的影响。整套代码可直接迁移至其他城市公园或自然保护区，为城市生态监测提供数据支撑。