最近遇到的一个小作业,一开始是想按以前熟悉的方法来,后面因为嫌麻烦(懒)尝试了GEE快速做完了。开心
作业是很简单的,就是找到某个地方的自然资源数据,然后绘制成图。
我有以下几个思路
在地理空间数据云下载DEM,然后arcgis中栅格系统的空间分析功能提取河流:首先对DEM数据进行填洼和削峰,然后确定每个栅格单元的水流方向,再根据各栅格单元的水流方向,计算出每个栅格单元的汇流能力,根据汇流能力采用阈值法确定河流。
优点:可以利用在线裁剪功能出一个省的DEM,节约处理的时间。
缺点:
可以下载到不同时期的DEM,不过DEM在几十年的尺度应该变化不大,很难看见不同时期降水的差异。
提取河流的过程比较繁琐,做过几次我就不想做了。
全国地理信息资源目录服务系统提供了1:25万的基础矢量数据,包括了河流、道路、建成区等多种数据。
不足:
1,很多地方只有一年的数据,无法做多年的比较。
2,仅广西一省就有28个shp数据,需要导入arcgis合并。
按之前的经验是把27个shp追加到第一个shp中
在各地的统计局找统计年鉴,然后手动整理数据,并输入shp数据中,利用arcgis出图。这种方法也要耗费较多的时间。
直接自己干:从地理空间数据云下载不同年份的原始遥感图像(Landsat、哨兵等),利用envi或者arcgis进行图像分类,一般有水、植被、耕地、建设用地、道路等类型。就可以进行分析土地变化。
GEE提供了一个快速处理数据的方案
Google Earth Engine是Google提供的对大量全球尺度地球科学资料(尤其是卫星数据)进行在线可视化计算和分析处理的云平台。该平台能够存取卫星图像和其他地球观测数据数据库中的资料并提供足够的运算能力对这些数据进行处理。Google Earth Engine上包含的数据集超过 200 个公共的数据集,超过500万张影像,每天的数据量增加大约 4000张影像,容量超过 5PB。
相比于ENVI等传统的处理影像工具,Google Earth Engine可以快速、批量处理数量“巨大”的影像。通过Google Earth Engine可以快速计算比如NDVI等植被指数,可以预测作物相关产量,监测旱情长势变化,监测全球森林变化等。
JRC Monthly Water History, v1.1,数据库拥有1987年到现在的全球水体分布图(根据LANDSAT数据提取)
数据只包含一个波段,3种值分别代表该像素点的三种情况: 0为无数据 ;1为有数据但不是水 ;2为水资源。
然后从中科院地理所下载广西的shp数据,上传到GEE。
提取某一年,在广西境内的图像。若要修改研究区域,上传自己的shp数据替换掉即可。
//设置需要提取的区域,由于是上传的shp文件,需要转为geometry的格式
var yantze_down_region = yantze_down.geometry();
//设置需要提取的年份
var startDate = ee.Date.fromYMD(year, 1, 1);
var endDate = ee.Date.fromYMD(year, 12, 31);
//筛选JRC水体数据
var myjrc = jrc.filterBounds(yantze_down_region).filterDate(startDate, endDate);
对于一年来说,一共有12副图像,某个地方可能有几月降雨在低洼地形成了池塘,过几个月就没有水了,因此需要进一步处理,去除暂时性水体,只保留经常性水体。
添加两个波段,obs:若该像元点有数据,值为1否则为0。onlywater:若该像元点为水资源,值为1,否则为0。然后计算每个像元点,12个月的总obs值和总onlywater值。
统计每个像元点全年都有水百分比(SUM(onlywater)/SUM(obs))。若占比超过60%也就是该点7个月以上的时间都为水体,就认为该点为水体。
最后利用for循环不断调用函数,就能生成不同年份的图像数据。
//在每个月份的影像中添加一个obs属性的波段,一个像素如果有数据,则为1,没有数据则为0
myjrc = myjrc.map(function(img){
var obs = img.gt(0);//当第一个值大于第二个值时,返回1。
return img.addBands(obs.rename('obs').set('system:time_start', img.get('system:time_start')));
});
//在每个月份的影像中添加一个onlywater属性的波段,一个像素如果有水则为1,没有水则为0
myjrc = myjrc.map(function(img){
var water = img.select('water').eq(2);
return img.addBands(water.rename('onlywater').set('system:time_start', img.get('system:time_start')));
});
//计算每个像素点在一年12景影像中, 有数据的次数
var totalObs = ee.ImageCollection(myjrc.select('obs')).sum().toFloat();
//计算每个像素点在一年12景影像中, 有水的次数
var totalWater = ee.ImageCollection(myjrc.select('onlywater')).sum().toFloat();
//统计每个像素点在一年中有水的比例
var floodfreq = totalWater.divide(totalObs).multiply(100);
//删除没有值的像素
var myMask = floodfreq.eq(0).not();
floodfreq = floodfreq.updateMask(myMask);
var viz = {min:0, max:50, palette: ['blue', 'white', 'green']};
var floodfreq1=floodfreq.clip(yantze_down_region);
var year_folder=year+"folder_gte";
//如果某个像素一年有7个月有水,则为水体
var gte60=floodfreq1.gte(60)
点击RUN,然后等待执行完毕;在自己账号的谷歌网盘内就能找到图片。下载到本地利用arcgis修饰出图。
代码:https://code.earthengine.google.com/d3a2c7d91d7d08d3fb5c18d86454434b.
参考:
https://blog.csdn.net/weixin_36396470/article/details/106899589.
新开通了本人的公众号,欢迎关注:燕南路GISer ,专注GIS干货分享,不定期更新。
主要兴趣:GIS、时空数据挖掘、python、机器学习深度学习
提问、求资源等都可在公众号后台留言
CSDN的部分内容会重写再搬迁到公众号,欢迎关注!