GEE代码修改替换内容-毕设版

修改内容

1. 【MCD43A4.061】之前那个deprecated了，网友说可以用，但是我还是不用了。
   

2. 【研究区范围】NEChina→MLYR_China（替换数据）

3. 【作物底图】cornimage→CHN_Maize_2019（替换数据）

4. 【时间】2017、2018、2019、2020分别改为2019、2020、2021、2022。（VI计算是用2017-2019，那就不改，只把2020年改成2022年）

5. 【修改代码】（change和sensitivity都是imagecollection，不能直接subtract做差）（已改）。

6. 【DOY】用8天最大值合成法生成植被指数各年的影像的话，在计算基准年多年平均值、异常值的时候可以改成16天或者是月 。【师兄的指导：不同时间尺度（8，16，月）合成的目的是为了更好的分析时间序列的变化，时间尺度越细，所能看到的动态变化过程就约精细，当然有时候也不是时间尺度越细越好，所以你说的使用不同时间尺度进行合成分析也是合理的】

7. 【相对变化率绝对值很大的像元】根据数据砍掉。【我的想法：如果相对变化率绝大部分的绝对值介于0和100%之间，则剔除100%之外的。如果还有小部分介于100%-200%，剔除200%之外的，这样合理嘛？——师兄认为合理】

---

数据名称梳理&思路

【• import数据：
MLYR_China：行政边界。
CHN_Maize_2019：作物底图。image
imageCollection：MODIS的数据集
• ndvi、evi、nirv、lswi都是波段的组合，添加进了一个新图像img中。
• Collection2022：ImageCollection；有150张image（5月11-10月11每天四个波段）
• Composites_2022（8天最大值合成法生成2022年131-284d的影像）：ImageCollection；有20张image；4个bands，如ndvi_max
• MultiMean（2019-2021年的多年平均值）：ImageCollection；有20张image；4个bands，如ndvi_max_mean
• change（Composites_2022与MultiMean对应日期的差值）：ImageCollection；有20张image；1个band，ndvi_max_mean或其它
• change_divided（change与MultiMean的比值）：ImageCollection；有20张image；1个band，ndvi_max_mean或其它】

---

代码的核心部分

var Composites_2022 = ee.ImageCollection(ee.List.sequence(131,284,8).map(function(doy){
  var doy = ee.Number(doy)
  var t = start.advance(doy, 'day').millis();
  var filtered = Collection2022.filter(ee.Filter.calendarRange(doy, doy.add(7), 'day_of_year')).reduce(ee.Reducer.max());
  var bandLength = filtered.bandNames().length();

  return filtered
  .set('system:time_start',start.advance(doy, 'day'),'doy',doy,'t',t,'length',bandLength);
}));
print(Composites_2022,'Composites_2022');

//Multi mean compoiste;计算2019-2021年这些8天合成影像的平均值并print
var Composites_1921 = Composites_2019.merge(Composites_2020).merge(Composites_2021)

var MultiMean = ee.ImageCollection(ee.List.sequence(131,284,8).map(function(doy){
  var doy = ee.Number(doy);
  var t = start.advance(doy, 'day').millis();
  var filtered =Composites_1921.filter(ee.Filter.eq('doy',doy)).reduce(ee.Reducer.mean())
  var bandLength = filtered.bandNames().length();

  return filtered
  .set('system:time_start',start.advance(doy, 'day'),'doy',doy,'t',t,'length',bandLength);
}));

var change = ee.ImageCollection(ee.List.sequence(131, 284, 8).map(function(doy) {
  var doy = ee.Number(doy);
  var t = start.advance(doy, 'day').millis();
  var filtered = Composites_2022.filter(ee.Filter.eq('doy', doy))
                                .reduce(ee.Reducer.mean());
  var bandLength = filtered.bandNames().length();
  var changeImg = filtered.subtract(MultiMean.filterMetadata('doy', 'equals', doy)
                                            .first())
                            //.select(filtered.bandNames().get(0))
                            .select(["ndvi_max_mean"])

                            .set('system:time_start', start.advance(doy, 'day'))
                            .set('doy', doy)
                            .set('t', t)
                            .set('length', bandLength);
  return changeImg;
}));

var change_divided = change.map(function(img) {
  var doy = img.get('doy');
  var ndvi_max_mean = MultiMean.filterMetadata('doy', 'equals', doy)
                                .first()
                                .select('ndvi_max_mean');
  return img.divide(ndvi_max_mean)
            .set('system:time_start', img.get('system:time_start'))
            .set('doy', doy)
            .set('t', img.get('t'))
            .set('length', img.get('length'))
            //.set('ndvi_max_mean', ndvi_max_mean);
});

---

对时间序列数据进行标准差计算的意义在于，可以了解研究区在不同时间段内的数据变化情况。当时间序列数据的标准差较大时，说明影像在这段时间内动态变化较大，可能代表着一些随时间变化的现象，例如植被状况、灌溉情况、陆地覆盖变化等。
标准差也可以用于判断数据中是否存在异常值。如果数据值超出了平均值（或中位数）加减两倍的标准差范围内，那么该数据点可能是一个异常值。

---

3月30日
终于把后两句代码搞出来了，但是输出的值很奇怪，提问chatgpt（为什么最后算出来的change_divided的image的value基本是正负几十的浮点值？你认为这合理吗？他不应该是个大于-1并且小于1的小数吗？），答复如下：
【可能是因为在计算过程中存在误差或者不合理的计算方式。比如，在change_divided中的代码中，img除以了ndvi_max_mean，但是在MultiMean中的filtered可能存在0的值，从而导致除法计算中出现了错误的结果。另外，在change和MultiMean两个ImageCollection的计算中，可能存在噪声和异常值的影响，也可能存在其他的计算误差。因此，你可以检查一下代码中的计算方式，看是否存在可以优化的地方，另外，也可以考虑对数据进行一些预处理，例如去除异常值等。】

0409更新：
老师建议取一个pixel，生成它的时间序列曲线从而验证分析。我搜了个代码：https://www.jianshu.com/p/8a96ae988cf0

---

ArcGIS部分操作

【作物底图：融合2019、2020、2021年三年水稻、玉米、小麦的种植分布数据
先对水稻的三年数据取交集，再对玉米、小麦……；再合并它们三。
1、clip：用MLYR的边界裁剪
2、Reclassify：将无作物的value设置为NoData
3、属性表中分别add fields，设置玉米为1，水稻为2
4、Mosaic To New Raster：{有两个栅格数据，都是以value字段显示，都有A字段，我想合并它们取交集并且以A字段进行合并，怎么做？}
Mosaic To New Raster / raster calculator /
Con((“rclss_mz21” > 0) & (“rclss_rice21” > 0), 1, 0), Join(“pixel”, “rclss_mz21”, “pixel”, “rclss_rice21”)

GEE上取交集再取并集的代码：https://code.earthengine.google.com/89711cded8be62ad07f91fae12b4e517】

【师兄论文里有一句“考虑到MODIS 数据的低分辨率（500m），研究将 10 米空间分辨率玉米分布底图聚合到500 米空间分辨率的玉米的面积比例图，以匹配 MODIS 数据……筛选出玉米比例超过50%的像素。“
如何实现？
1）Aggregate工具；聚合半径输入500米空间分辨率到10米空间分辨率的缩放比例（例如：50）。运行工具，得到基于500米空间分辨率的玉米聚合数据。
2）“Zonal Statistics as Table”工具或“栅格计算器”工具，计算得到面积比例图层。
Zonal Statistics as Table——输入栅格：10米空间分辨率的玉米分布底图；输入分区数据：聚合后的500米空间分辨率图；统计类型为“SUM”——注意，这里输出的是一个表格，表格sum字段中的数值即为每个500米空间分辨率区域内玉米的面积总和。
将表格连接到500m分辨率的图的属性表上；剔除<50%的像元；分类渲染得到面积比例图。

消除细碎斑块：http://www.360doc.com/content/17/0420/02/25010725_646980356.shtml】

【行政边界的外边界：某地区的行政区划shp数据有3个省，属性表有3个元素，在arcgis里消除它们的内部边界，只留下外部大边界——属性表里新建字段“border”，文本型，赋值相同文本（比如“1”），选中这3个元素，editor–start editing–merge–选择一个要素。即可得到外部边界（注意这个修改是直接改属性表的，原始数据直接被覆盖，因此建议做好数据备份！）】