1.首先进行“去云”函数的准备
//landsat5、7 EVI指数计算 // SR数据去云 function rmCloud(image) { var cloudShadowBitMask = (1 << 3); var cloudsBitMask = (1 << 5); var qa = image.select("pixel_qa"); var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0) .and(qa.bitwiseAnd(cloudsBitMask).eq(0)); return image.updateMask(mask); }
以上这一步都是最简单的操作，对于处理landsat-sr系列数据都基本用到。
2.数据的选择
//这是我自己的行政矢量边界，这回用的是山西省界 var hh= ee.FeatureCollection("users/bqt2000204051/shanxijie"); //这部分代码是进行数据的选择和EVI指数的遍历计算，我进行的是年统计 var image= ee.ImageCollection("LANDSAT/LT05/C01/T1_SR") .filterBounds(hh) .filterDate("1986-1-1","1987-1-1") .map(rmCloud) .map(function(image) { var evi = image.expression( '2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))', { 'NIR': image.select('B4'), 'RED': image.select('B3'), 'BLUE': image.select('B1') }); return image.addBands(evi.rename('EVI')).clip(hh); }) ; print("image",image); Map.centerObject(hh, 3); //在这里进行自己影像的选择，这里选择第一张影像，另外，裁剪自己的边界。 var scol_clip1 =image.first().clip(hh); //其他指数可以参照一下函数 //NDVI function NDVI(image) { return image.addBands( image.normalizedDifference(["B5", "B4"]) .rename("NDVI")); } //NDWI function NDWI(image) { return image.addBands( image.normalizedDifference(["B3", "B5"]) .rename("NDWI")); } //NDBI function NDBI(image) { return image.addBands( image.normalizedDifference(["B6", "B5"]) .rename("NDBI")); }
以上部分各指数的计算过程我就不一一解释了，因为指数就是波段运算的结果，自己进行公式表达就行了。
3.数据的归一化处理函数
function normalization(image,region,scale){ var mean_std = image.reduceRegion({ reducer: ee.Reducer.mean() .combine(ee.Reducer.stdDev(),null, true), geometry: region, scale: scale, maxPixels: 10e9, // tileScale: 16 }); // use unit scale to normalize the pixel values var unitScale = ee.ImageCollection.fromImages( image.bandNames().map(function(name){ name = ee.String(name); var band = image.select(name); var mean=ee.Number(mean_std.get(name.cat('_mean'))); var std=ee.Number(mean_std.get(name.cat('_stdDev'))); var max=mean.add(std.multiply(3)); var min=mean.subtract(std.multiply(3)); var band1=ee.Image(min).multiply(band.lt(min)).add(ee.Image(max).multiply(band.gt(max))) .add(band.multiply(ee.Image(1).subtract(band.lt(min)).subtract(band.gt(max)))); var result_band=band1.subtract(min).divide(max.subtract(min)); return result_band; })).toBands().rename(image.bandNames()); return unitScale; }
这一段代码来自Pyrs大神：(2条消息) Google Earth Engine笔记-影像归一化与异常值去除_Pyrs的博客-CSDN博客主要思路是通过计算均值、标准差和在3倍标准差之内的误差来剔除异常值。
3.数据的归一化处理函数
//归一化前的结果 var before_chart=ui.Chart.image.histogram(scol_clip.select(["B4","EVI"]), hh, 1000); print(before_chart); //让影像进行归一化函数处理后的结果 var normal_image=normalization(scol_clip,hh,1000) print(normal_image) //归一化后的结果 var after_chart=ui.Chart.image.histogram(normal_image.select(["B4","EVI"]), hh, 1000) print(after_chart)
这里有一点问题，在于=ui.Chart.image.histogram(）中1000代表的是像素值：
scale (Number, optional):
The pixel scale used when applying the histogram reducer, in meters.
当你的运行范围超出了最大计算量的时候，选择把自己的像素值调大，可以解决这个问题！
以上是归一化前的统计量，为了和EVI波段明显对比，我使用了一个B4波段作为参照！
这是归一化后的统计量分布图！
4.数据的下载和导出
Export.image.toDrive({ image:normal_image.select("EVI"), description: '1986_shanxi_EVI_sr', folder: 'hulunbeier', scale: 1000, region:hh }); Map.addLayer(image, {},'EVI');
