哨兵2NDVI均值时序曲线

### 计算 Sentinel-2 数据的 NDVI 均值并绘制时序曲线 为了生成基于 Sentinel-2 卫星数据的 NDVI（归一化植被指数）均值时序曲线，可以按照以下方法操作： #### 1. **NDVI 的定义** NDVI 是通过红光波段 (Red) 和近红外波段 (NIR) 计算得出的一个指标，其公式如下： \[ NDVI = \frac{(NIR - Red)}{(NIR + Red)} \] 其中 \( NIR \) 表示近红外波段反射率，\( Red \) 表示红光波段反射率。 #### 2. **数据准备** 使用 Sentinel-2 Level-2A 数据集，该数据已经过大气校正处理[^1]。Level-2A 数据提供了表面反射率产品，可以直接用于计算 NDVI 而无需额外的大气校正步骤。 #### 3. **提取 NDVI 并计算均值** 利用遥感软件或 Python 编程工具（如 Google Earth Engine 或 Rasterio），可以从 Sentinel-2 图像中提取 NDVI，并进一步计算区域内的 NDVI 均值。 以下是基于 Python 和 Pandas 库实现 NDVI 时间序列分析的代码示例： ```python import ee import pandas as pd import matplotlib.pyplot as plt # 初始化 GEE ee.Initialize() # 定义研究区范围（以 GeoJSON 形式的坐标为例） region_of_interest = ee.Geometry.Polygon( [[[-106.97, 45.0], [-106.97, 44.8], [-106.7, 44.8], [-106.7, 45.0]]]) # 加载 Sentinel-2 L2A 数据集合 s2_data = ee.ImageCollection('COPERNICUS/S2_SR') \ .filterBounds(region_of_interest) \ .filterDate('2019-01-01', '2021-12-31') \ .select(['B8', 'B4']) # B8: 近红外波段; B4: 红光波段 # 定义函数来计算 NDVI def add_ndvi(image): ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI') return image.addBands(ndvi) # 添加 NDVI 波段到图像集合 ndvi_collection = s2_data.map(add_ndvi) # 提取时间序列中的 NDVI 均值 time_series = ndvi_collection.select('NDVI').mean() \ .reduceRegion(**{ 'reducer': ee.Reducer.mean(), 'geometry': region_of_interest, 'scale': 10, 'maxPixels': 1e9 }) # 将结果导出为 DataFrame dates = [] values = [] for img in ndvi_collection.getInfo()['features']: date = img['properties']['DATE_ACQUIRED'] value = img['bands'][0]['data'] # 示例简化逻辑 dates.append(date) values.append(value) df = pd.DataFrame({'date': pd.to_datetime(dates), 'ndvi_mean': values}) # 绘制 NDVI 曲线图 plt.figure(figsize=(15, 7)) sns.lineplot(x='date', y='ndvi_mean', data=df) plt.title('S2 NDVI Time Series (Mean Value)', fontsize=20) plt.xlabel('Date', fontsize=16) plt.ylabel('NDVI Mean', fontsize=16) plt.grid(True) plt.show() ``` 上述代码实现了从 Sentinel-2 数据集中提取指定区域内 NDVI 均值的时间序列，并将其可视化为一条折线图[^4]。 #### 4. **平滑时间序列** 如果需要减少噪声影响，可以通过移动平均法对时间序列进行平滑处理。例如，在绘图前应用 `rolling` 方法设置合适的时间窗口大小。 --- ###