这次我们使用全球NOAA数据来做一下简单的线性分析：NOAA CDR AVHRR NDVI: Normalized Difference Vegetation Index, Version 5提示，这个数据只适用于大尺度的分析，洲际或者全球的可以进行。
| NDVI | Normalized difference vegetation index | -9998 | 9998 | 0.0001 |
NOAA气候数据记录（CDR）的AVHRR归一化植被指数（NDVI）包含从NOAA AVHRR表面反射产品中得到的网格化的每日NDVI。它提供了地表植被覆盖活动的测量，网格化的分辨率为0.05°，并在全球范围内计算陆地表面。
这里需要用到一个函数：
difference(start, unit)
返回两个Date在指定单位中的差值；结果是浮点的，基于单位的平均长度。
参数。
this:date (Date)
start (Date)
单位（字符串）。
年"、"月"、"周"、"日"、"小时"、"分钟 "或 "秒 "中的一个。
返回。浮点数
这里用difference就是为了确定两个时间节点内的时间差，也就是确定时间范围，本实验用到的是以年为单位进行计算。
//map所需年份的函数 function createTimeBand(img) { var year = img.date().difference(ee.Date('1990-01-01'), 'year'); return ee.Image(year).float().addBands(img); } // 线性趋势 var collection = ee.ImageCollection("NOAA/CDR/AVHRR/NDVI/V5") .select('NDVI') .map(createTimeBand); print(collection.limit(100)) var fit = collection.reduce(ee.Reducer.linearFit()); // 展示影像 Map.addLayer(ee.Image(collection.select('NDVI').mean()), {min: 0, max: 1}, 'stable lights first asset'); Map.setCenter(30, 45, 4); Map.addLayer(fit, {min: 0, max: [0.18, 20, -0.18], bands: ['scale', 'offset', 'scale']}, 'stable lights trend');
同样我们可以使用夜间灯光数据：
function createTimeBand(img) { var year = img.date().difference(ee.Date('1990-01-01'), 'year'); return ee.Image(year).float().addBands(img); } var collection = ee.ImageCollection('NOAA/DMSP-OLS/CALIBRATED_LIGHTS_V4') .select('avg_vis') .map(createTimeBand); print(collection) var fit = collection.reduce(ee.Reducer.linearFit()); Map.addLayer(ee.Image(collection.select('avg_vis').first()), {min: 0, max: 63}, 'stable lights first asset'); // 显示趋势为红色/蓝色，亮度为绿色。 Map.setCenter(30, 45, 4); Map.addLayer(fit, {min: 0, max: [0.18, 20, -0.18], bands: ['scale', 'offset', 'scale']}, 'stable lights trend');
这里NDVI影像参数需要设定，建议使用Landsat 年度数据，如果你要做的数据是月度，那么建议在第一个函数中用月来筛选，然后再collection中设定指定的年份即可。
