GEE计算NDVI

### 如何在 Google Earth Engine 中计算归一化植被指数 (NDVI) 在 Google Earth Engine (GEE) 中，可以通过处理遥感影像数据来计算归一化植被指数 (Normalized Difference Vegetation Index, NDVI)[^2]。NDVI 是一种常用的指标，用于评估植被健康状况和密度。其定义如下： \[ NDVI = \frac{(NIR - Red)}{(NIR + Red)} \] 其中 \( NIR \) 表示近红外波段反射率，\( Red \) 表示红光波段反射率。 以下是基于 GEE 的 Python 和 JavaScript 实现方法的详细说明以及代码示例。 #### 使用 Python 计算 NDVI 通过 Python 定义函数并将其应用于图像集合中的每张图像，可以实现批量计算 NDVI 值[^2]。下面是一个完整的代码示例： ```python import ee # 初始化地球引擎 ee.Initialize() # 加载 Landsat 8 图像集 landsat = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') # 过滤日期范围和地理区域 filtered = landsat.filterDate('2020-01-01', '2020-12-31') \ .filterBounds(ee.Geometry.Point(-122.08, 37.42)) # 定义 NDVI 函数 def add_ndvi(image): ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI') return image.addBands(ndvi) # 应用 NDVI 函数到图像集合 with_ndvi = filtered.map(add_ndvi) # 打印带有 NDVI 波段的结果 print(with_ndvi.first().bandNames().getInfo()) ``` 此代码加载了 Landsat 8 数据，并应用了一个自定义函数 `add_ndvi` 来为每个图像添加一个新的 NDVI 波段。 --- #### 使用 JavaScript 计算 NDVI JavaScript 是 GEE 平台上的默认脚本语言之一。以下是如何利用 Sentinel-2 或其他卫星数据源计算 NDVI 的示例代码： ```javascript // 定义研究区 var roi = ee.Geometry.Rectangle([76.8, 19.0, 78.0, 20.0]); // 加载 Sentinel-2 数据 var sentinel2 = ee.ImageCollection('COPERNICUS/S2'); // 筛选时间范围内的图像 var filtered = sentinel2.filterDate('2021-01-01', '2021-12-31') .filterBounds(roi); // 添加 NDVI 波段 function addNDVI(image) { var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI'); return image.addBands(ndvi); } var withNDVI = filtered.map(addNDVI); // 可视化 NDVI 结果 Map.centerObject(roi, 8); var visParams = {min: 0, max: 1, palette: ['red', 'yellow', 'green']}; Map.addLayer(withNDVI.select('NDVI').mean(), visParams, 'NDVI Mean'); ``` 上述代码展示了如何从 Sentinel-2 数据集中提取 B8（近红外）和 B4（红色）波段，并计算它们之间的差异以生成 NDVI 影像[^3]。 --- #### 解决 GLCM 特征无结果问题 如果尝试使用灰度共生矩阵 (GLCM) 提取纹理特征而未获得预期结果，则可能是因为输入参数设置不当或缺少必要的预处理步骤[^1]。建议验证以下几点： 1. 输入影像是否已去云、校正大气影响； 2. 是否选择了合适的窗口大小进行局部统计分析； 3. 验证所使用的算法版本与文档描述一致。 ---