植被覆盖率Python程序植被覆盖率公式

转载

mob6454cc67554d 2024-04-13 09:27:53

文章标签 植被覆盖率Python程序 FVC-GEE Image Mask 解决方法 文章分类 Python 后端开发

一、植被覆盖度计算方法

植被覆盖度FVC（Fractional Vegetation Cover）定义为单位面积内绿色植被冠层垂直投影面积所占比例。FVC是衡量地表植被状况的重要指标之一，也是区域生态系统环境变化的重要指示，对水文、生态、区域变化等都具有重要意义。

像元二分模型主要对规则、均匀、单一的像元进行植被覆盖度提取。其原理是判定一个单位像元由植被与非植被两部分组成，而遥感影像中光谱波段组合由这两个组成部分权重线性合成，各因子的权重等于总像元中所占的比例，总像元中植被权重的集合与植被覆盖度具有很强的相关性。

基于遥感影像得到的全部像元信息S由地表植被覆盖信息Sveg和地表土壤覆盖信息Ssoil两部分组成，公式：

S = Sveg + Ssoil

该像元单位中植被覆盖的像元比例大小公式：

Sveg = fc × Sveg（端元）

式中，fc表示在此遥感影像的一个像元中地表植被覆盖信息所占的比例大小。

该单位像元中非植被覆盖度信息公式：

Ssoil = （1-fc）× Ssoil（端元）

式中，1-fc表示单位像元中的非植被覆盖信息比例。

S = fc×Sveg + (1-fc)×Ssoil

即有像元二分模型中的植被覆盖度（FVC）公式：

FVC = （S - Ssoil） / （Sveg - Ssoil）

通常，像元二分法的植被覆盖度提取会基于NDVI数据计算，即NDVI代替S，公式：

FVC = （NDVI - NDVIsoil） / （NDVIseg - NDVIsoil）

通常情况下，NDVIsoil取值与NDVI累计5%值最接近，NDVIveg取值与NDVI累计95%值最接近。不同区域针对不同植被状况可适当调整置信区间。

二、FVC计算代码

// import Puer SHP
var roi = ee.FeatureCollection("users/chuanbaojiangpr/puer_merge");
Map.centerObject(roi,10);
// Area Display
var style ={color:"red",fillColor:"00000000"};
Map.addLayer(roi.style(style),{},"geometry");

// remove cirrus cloud shadow and cloud
function maskS2clouds(image)
{
  var qa  =image.select("QA60");
  var cloudBitMask = 1<<10;
  var cirrusBitMask = 1<<11;
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0).and(qa.bitwiseAnd(cirrusBitMask).eq(0));
  return image.updateMask(mask).divide(10000);
}
// S2 SR_data
var startTime = "2018-11-01";
var endTime = "2019-04-30";
var S2 = ee.ImageCollection("COPERNICUS/S2_SR")
           .filterDate(startTime,endTime)
           .filterBounds(roi)
           .filter(ee.Filter.lt("CLOUDY_PIXEL_PERCENTAGE",10))
           .map(maskS2clouds)
           .select("B2","B3","B4","B8")
           .median()
           .clip(roi);
// min\max:experience threshold
var RGBvis = {min:0,max:0.5,bands:["B4","B3","B2"]};
Map.addLayer(S2,RGBvis,"S2");

// ndvi
var NDVI = S2.expression("(NIR-R)/(NIR+R)",
                        {"R":S2.select(["B4"]),"NIR":S2.select(["B8"])});
// sort pixels(downSample,because maxPixels allows only 10000000)
var threshold = NDVI.reduceRegion({
                     reducer:ee.Reducer.percentile([5,95]),
                     geometry:roi.geometry().bounds(),
                     // must downsample , in order to caculate online
                     scale:110
                    // maxPixels:1e13
});
// debug and get the valName-B8
// print(threshold)
var NDVI_5 = ee.Number(threshold.get("B8_p5"));
var NDVI_95 = ee.Number(threshold.get("B8_p95"));
// var RGBvis = {min:-0.5,max:1};
// Map.addLayer(NDVI,RGBvis,"NDVI");

// FVC
var imgFVC = ((NDVI.subtract(ee.Image(NDVI_5))).divide(ee.Image(NDVI_95).subtract(ee.Image(NDVI_5)))).float();
// normalize FVC 0-1
var FVC = (imgFVC.lt(0).multiply(0))
          .add((imgFVC.gt(0).and(imgFVC.lte(1))).multiply(imgFVC))
          .add(imgFVC.gt(1).multiply(1));
// rank and colormap
var FVC_rank = FVC.where(FVC.lt(0.2),1)
                  .where((FVC.gte(0.2).and(FVC.lt(0.4))),2)
                  .where((FVC.gte(0.4).and(FVC.lt(0.6))),3)
                  .where((FVC.gte(0.6).and(FVC.lt(0.8))),4)
                  .where(FVC.gt(0.8),5);
// Map.addLayer(FVC_rank,{min:1,max:5,palette:["DCDCDC","FFEBCD","99B718","529400","011301"]},"FVC_rank")

// Export FVC_rank
Export.image.toDrive({
  image:FVC_rank,
  description:"FVC_dry_2018",
  folder:"users/chuanbaojiangpr/DataGET/Image",
  fileFormat:"GeoTIFF",
  region:roi,
  scale:110,
  crs:"EPSG:4326"
});