买猫咪的小鱼干

GEE实战 | 各种指数分析(植被、水体、建筑)

GEE实战 | 各种指数分析（植被、水体、建筑）

指数
- 植被指数(NDVI | SAVI | IVI)
- - 代码
  - 对比
  - 结论
- 水体指数(NDWI | MNDWI)
- - 代码
  - 对比
  - 结论
- 建筑指数(NDBI | BSI | EIBI | NDISI)
- - 代码
  - 对比
  - 结论
总代码（指数计算+可视化(dual) map）

该文章介绍下在GEE平台下，使用Landsat 8 SR波段信息提取各种指数，并可视化对比讨论分类效果。

指数

全部以Landsat 8 SR波段数据进行计算，用CLC作为土地覆盖分类参考数据库。
P.S. 各个指数的代码主要是计算指数，可视化见总代码~

植被指数(NDVI | SAVI | IVI)

比较了NDVI、SAVI、IVI，并以CLC做对比选择合适的用来提取相关地物的波段。

代码

var l8sr = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR")

function maskL8sr(image) {
  var cloudShadowBitMask = 1 << 3;
  var cloudsBitMask = 1 << 5;

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

  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
      .and(qa.bitwiseAnd(cloudsBitMask).eq(0));

  return image.updateMask(mask).divide(10000)
      .copyProperties(image, ["system:time_start"]); //      .select("B[0-9]*")
}

var image = l8sr.filterDate('2017-04-01', '2017-09-30').map(maskL8sr).median();

var addVariables = function(image){
  var ndvi = image.normalizedDifference(['B5','B4']).rename('NDVI');
  var ndbi = image.normalizedDifference(['B6','B5']).rename('NDBI');
  var mndwi = image.normalizedDifference(['B3','B6']).rename('MNDWI');
  var savi = image.expression(
              '((NIR-red)*1.5)/(NIR+red+0.5)',{
              red:image.select('B4'),
              NIR:image.select('B5')
            }).float().rename('SAVI');  
  var ivi = image.expression(
              '(savi-(ndbi+mndwi)/2)/(savi+(ndbi+mndwi)/2)',{
              ndbi:image.select('NDBI'),
              savi:image.select('SAVI'),
              mndwi:image.select('MNDWI')
            }).float().rename('IVI');                  
  image = image.addBands([ndvi,savi,ivi]);
};

对比

先放上CLC数据库
注：
水体 - 蓝色
植被 - 绿色
作物 - 黄色
建筑 - 红色
湿地 - 灰色

结论

SAVI和NDVI有时候对于植被和农作物是相反的，迷惑.
在没找到明显区别的情况下，认为NDVI更合适

水体指数(NDWI | MNDWI)

水体指数采用以下两种NDWI和MNDWI：

$N D W I = (G r e e n - N I R) / (G r e e n + N I R)$

$M N D W I = (G r e e n - M I R) / (G r e e n + M I R)$

其中，Green为绿光波段，NIR为近红外波段，MIR为中红外波段。其水体指数的阈值是[0，1]。

代码

var l8sr = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR")

function maskL8sr(image) {
  var cloudShadowBitMask = 1 << 3;
  var cloudsBitMask = 1 << 5;

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

  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
      .and(qa.bitwiseAnd(cloudsBitMask).eq(0));

  return image.updateMask(mask).divide(10000)
      .copyProperties(image, ["system:time_start"]); //      .select("B[0-9]*")
}

var image = l8sr.filterDate('2017-04-01', '2017-09-30').map(maskL8sr).median();

var addVariables = function(image){
  var ndwi = image.normalizedDifference(['B3','B5']).rename('NDWI');
  var mndwi = image.normalizedDifference(['B3','B6']).rename('MNDWI');             
  image = image.addBands([ndwi,mndwi]);
};

对比

瑞士:
MNDWI无法区分大部分水体和雪

NDWI在区分雪方面更好点
这样对比更明显：
岸边附近水域对比：
NDWI:

MNDWI:

伦敦地区富营养化湖泊对比：

结论

	ad	dis
NDWI	岸边附近水域雪	富营养化湖泊
MNDWI	富营养化湖泊	岸边附近水域雪

藻类覆盖面积较大的湖泊，NDWI的精确度非常低，MNDWI可以取得较好的水体边界提取效果，适用于富营养化湖泊的水体边界提取。对于藻类覆盖面积较少的湖泊，两个水体指数的区别不明显，造成NDWI提取误差主要位于藻类覆盖的区域，造成MNDWI误差的主要区域位于岸边附近水域。

注：MNDWI更适合提取富营养化湖泊的水体边界；对于水深较浅的岸边区域，MNDWI也会存在一定的误差；对于贫营养湖泊，NDWI和MNDWI指数提取湖泊边界的效果差异并不明显。

建筑指数(NDBI | BSI | EIBI | NDISI)

比较了NDBI，BSI，EIBI，NDISI

代码

var l8sr = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR")

function maskL8sr(image) {
  var cloudShadowBitMask = 1 << 3;
  var cloudsBitMask = 1 << 5;

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

  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
      .and(qa.bitwiseAnd(cloudsBitMask).eq(0));

  return image.updateMask(mask).divide(10000)
      .copyProperties(image, ["system:time_start"]); //      .select("B[0-9]*")
}

var image = l8sr.filterDate('2017-04-01', '2017-09-30').map(maskL8sr).median();

var addVariables = function(image){
  var ndbi = image.normalizedDifference(['B6','B5']).rename('NDBI');
  var mndwi = image.normalizedDifference(['B3','B6']).rename('MNDWI');
  var ndbbi = image.expression(
              '(1.5*SWIR2-(NIR+green)/2)/(1.5*SWIR2+(NIR+green)/2)',{
              green:image.select('B3'),
              NIR:image.select('B5'),
              SWIR2:image.select('B7')
            }).float().rename('NDBBI');
  var savi = image.expression(
              '((NIR-red)*1.5)/(NIR+red+0.5)',{
              red:image.select('B4'),
              NIR:image.select('B5')
            }).float().rename('SAVI');
  var bsi = image.expression(
              '((SWIR1+red)-(NIR+blue))/((SWIR1+red)+(NIR+blue))',{
              blue:image.select('B2'),
              red:image.select('B4'),
              NIR:image.select('B5'),
              SWIR1:image.select('B6')
            }).float().rename('BSI');
            
  image = image.addBands([ndbi,mndwi,ndbbi,savi,bsi]);
  
  var ebsi = image.expression(
              '(bsi-mndwi)/(bsi+mndwi)',{
              bsi:image.select('BSI'),
              mndwi:image.select('MNDWI')
            }).float().rename('EBSI');
  image = image.addBands(ebsi);
  var eibi = image.expression(
              '(ndbbi-(4*ebsi+savi+mndwi)/6)/(ndbbi+(4*ebsi+savi+mndwi)/6)',{
              ndbbi:image.select('NDBBI'),
              ebsi:image.select('EBSI'),
              savi:image.select('SAVI'),
              mndwi:image.select('MNDWI')
            }).float().rename('EIBI');  
            
  var ndisi = image.expression(
              '(TIR-(mndwi+NIR+SWIR)/3)/(TIR+(mndwi+NIR+SWIR)/3)',{
              NIR:image.select('B5'),
              SWIR:image.select('B6'),
              mndwi:image.select('MNDWI'),
              TIR:image.select('B10'),
            }).float().rename('NDISI');
            
  return image.addBands([eibi,ndisi]);//,
};

对比