本文主要是通过对比GEE、PIE和AI Earth平台，主要是计算不同平台，同一个NDVI的均值计算，我们已测试结果如何。
1. PIE-engine
PIE获取北京市获取某一个区域的区域的NDVI平均值，但是结果却显示没有，只能通过加载图层点击图层上的点获取某一个点的NDVI值，而且这里用到区域统计使用的函数仅有min,max,sum计算，而使用mean计算，就没有结果。当我尝试使用以上三个可以计算的reducer的时候结果会呈现下面的结果：
代码链接：
函数：
reduceRegion(reducer,geometry,scale)
对特定区域的所有像素进行统计，返回结果为一个JSON对象；目前可完成最大、最小和求和统计计算。
方法参数：
- image(Image)
Image实例。
- reducer(Reducer)
统计类型，包括最大值、最小值和求和。
- geometry(Geometry)
统计区域范围。默认是影像第一个波段的范围。
- scale(Number)
统计采样比例。
返回值：Dictionary
PIE代码：
//加载北京市边界 var roi = pie.FeatureCollection("NGCC/CHINA_PROVINCE_BOUNDARY") .filter(pie.Filter.eq("name", "北京市")) .first() .geometry(); Map.centerObject(roi, 6); Map.addLayer(roi, { color: "ff0000", fillColor: "00000000", width: 3 }, "北京市"); //按区域、时间筛选影像 var imgCol = pie.ImageCollection("LC08/01/T1") .filterBounds(roi) .filterDate("2019-8-01", "2019-8-30"); print("imgCol", imgCol); Map.addLayer(imgCol.select(["B2", "B3", "B4"]).mosaic().clip(roi), { min: 0, max: 2500, bands: ["B4", "B3", "B2"] }, "imgCol", false); //获取影像数量 var count = imgCol.size(); print(count); function imgCalculate (image1) { var ndvi1=image1.normalizedDifference(["B5","B4"]); return image1.addBands(ndvi1).rename("NDVI") } var redc = imgCol.map(imgCalculate).mosaic().clip(roi) print("redc",redc) var jisuan = redc.select("NDVI").reduceRegion(pie.Reducer.mean(),geometry0,300) print("jisuan",jisuan)
2.GEE
代码：
//这里ROI是我自己的矢量，这里就不共享了，大家可以换其它地方测试 /*color:#5f9ea0*/ var geometry0 = ee.Geometry.Polygon([ [ [ 117.1224239290218, 40.20026024458343 ], [ 117.2502681492852, 40.20026024458343 ], [ 117.2502681492852, 40.13354201708273 ], [ 117.1224239290218, 40.13354201708273 ], [ 117.1224239290218, 40.20026024458343 ] ] ], null); function imgCalculate (image1) { var ndvi1=image1.normalizedDifference(["B5","B4"]); return image1.addBands(ndvi1).rename("NDVI"); } function ndv_LANDSAT_8(image) { var ndvi = image.normalizedDifference(['B5', 'B4']); return image.addBands(ndvi.rename('NDVI')); } var imgCol = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR").filterBounds(roi) .filterDate("2019-8-01", "2019-8-30").map(ndv_LANDSAT_8); print("imgCol", imgCol); Map.addLayer(imgCol.select(["B2", "B3", "B4"]).mosaic().clip(roi), { min: 0, max: 2500, bands: ["B4", "B3", "B2"] }, "imgCol", false); //获取影像数量 var count = imgCol.size(); print(count); var redc = imgCol.mosaic().clip(roi) print("redc",redc) var jisuan = redc.select("NDVI").reduceRegion(ee.Reducer.mean(),geometry0,300) print("jisuan",jisuan)
pie 中在NDVI计算的函数中出现了问题，两者的函数构造是不同的，如果直接用PIE中的function代码直接放入GEE中是无法运行的，主要问题如下面所示和代码区别：
//PIE——NDVI函数 function imgCalculate (image1) { var ndvi1=image1.normalizedDifference(["B5","B4"]); return image1.addBands(ndvi1).rename("NDVI"); } //GEE——NDVI函数 function ndv_LANDSAT_8(image) { var ndvi = image.normalizedDifference(['B5', 'B4']); return image.addBands(ndvi.rename('NDVI')); }
Image (Error)
ImageCollection.mosaic: Error in map(ID=LC08_122032_20190826): Image.rename: The number of names (1) must match the number of bands (13).
最终更改后的结果：
3.AI Earth
在AI Earth中并没有Landsat 8 C01数据集，所以这里只能使用Landsat 8 C02数据集.
同样我们使用GEE也重新计算了：
import aie aie.Authenticate() aie.Initialize() region = aie.Geometry.Polygon([ [ [ 117.1224239290218, 40.20026024458343 ], [ 117.2502681492852, 40.20026024458343 ], [ 117.2502681492852, 40.13354201708273 ], [ 117.1224239290218, 40.13354201708273 ], [ 117.1224239290218, 40.20026024458343 ] ]] ) # 归一化植被指数 def getNDVI(image): ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename(['NDVI']) return ndvi # 指定需要检索的区域 feature_collection = aie.FeatureCollection('China_Province') \ .filter(aie.Filter.eq('province', '北京市')) geometry = feature_collection.geometry() #print("feature_collection",feature_collection.getInfo()) dataset = aie.ImageCollection('LANDSAT_LC08_C02_T1_L2') \ .filterBounds(geometry) \ .filterDate('2019-08-01', '2019-08-31')\ .map(getNDVI).mosaic().clip(region) print("dataset",dataset.getInfo()) result = dataset.select("NDVI").reduceRegion(aie.Reducer.mean(), region, 30) print(result) print(result.getInfo())
结果：
{'NDVI_mean': 0.0190175001}
