Google Earth Engine——VNP13算法过程产生三种植被指数。(1)归一化差异植被指数(NDVI),(2)增强植被指数(EVI),以及(3)增强植被指数-2(EVI2)。

简介: Google Earth Engine——VNP13算法过程产生三种植被指数。(1)归一化差异植被指数(NDVI),(2)增强植被指数(EVI),以及(3)增强植被指数-2(EVI2)。

The Suomi National Polar-Orbiting Partnership (S-NPP) NASA Visible Infrared Imaging Radiometer Suite (VIIRS) Vegetation Indices (VNP13A1) data product provides vegetation indices by a process of selecting the best available pixel over a 16-day acquisition period at 500 meter resolution. The VNP13 data products are designed after the Moderate Resolution Imaging Spectroradiometer (MODIS) Terra and Aqua Vegetation Indices product suite to promote the continuity of the Earth Observation System (EOS) mission.

The VNP13 algorithm process produces three vegetation indices: (1) Normalized Difference Vegetation Index (NDVI), (2) the Enhanced Vegetation Index (EVI), and (3) Enhanced Vegetation Index-2 (EVI2). (1) NDVI is one of the longest continual remotely sensed time series observations, using both the red and near-infrared (NIR) bands. (2) EVI is a slightly different vegetation index that is more sensitive to canopy cover, while NDVI is more sensitive to chlorophyll. (3) EVI2 is a reformation of the standard 3-band EVI, using the red band and NIR band. This reformation addresses arising issues when comparing VIIRS EVI to other EVI models that do not include a blue band. EVI2 will eventually become the standard EVI.

Along with the three Vegetation Indices layers, this product also includes layers for near-infrared (NIR) reflectance; three shortwave infrared (SWIR) reflectance—red, blue, and green reflectance; composite day of year; pixel reliability; view and sun angles, and a quality layer.

For additional information, visit the VIIRS Land Product Quality Assessment website and see the User Guide.

Documentation:


苏米国家极地轨道伙伴计划(S-NPP)NASA可见光红外成像辐射计套件(VIIRS)植被指数(VNP13A1)数据产品通过在500米分辨率下,在16天的采集期内选择最佳可用像素的过程提供植被指数。VNP13数据产品是在中分辨率成像光谱仪(MODIS)Terra和Aqua植被指数产品套件之后设计的,以促进地球观测系统(EOS)任务的延续性。
VNP13算法过程产生三种植被指数。(1)归一化差异植被指数(NDVI),(2)增强植被指数(EVI),以及(3)增强植被指数-2(EVI2)。(1) NDVI是持续时间最长的遥感时间序列观测之一,使用红色和近红外(NIR)波段。(2) EVI是一个稍有不同的植被指数,对树冠覆盖率更敏感,而NDVI对叶绿素更敏感。(3) EVI2是对标准的3波段EVI的改造,使用红波段和近红外波段。这一改革解决了在比较VIIRS EVI和其他不包括蓝色波段的EVI模型时出现的问题。EVI2最终将成为标准的EVI。
除了三个植被指数层,该产品还包括近红外(NIR)反射率层;三个短波红外(SWIR)反射率--红色、蓝色和绿色反射率;复合年日;像素可靠性;视角和太阳角度,以及质量层。
有关其他信息,请访问VIIRS土地产品质量评估网站,并查看用户指南。
文件。
用户指南
算法理论基础文件(ATBD)
一般文件

Dataset Availability

2012-01-17T00:00:00 - 2021-09-06T00:00:00

Dataset Provider

NASA LP DAAC at the USGS EROS Center

Collection Snippet

ee.ImageCollection("NOAA/VIIRS/001/VNP13A1")

Resolution

500 meters

Bands Table

Name Description Units Wavelength Scale
EVI 3 band Enhanced Vegetation Index 0.0001
EVI2 2 band Enhanced Vegetation Index 0.0001
NDVI Normalized Difference Vegetation Index 0.0001
NIR_reflectance Near-infrared Radiation reflectance 846-885nm 0
SWIR1_reflectance Shortwave Infrared Radiation reflectance 1230-1250nm 0
SWIR2_reflectance Shortwave Infrared Radiation reflectance 1580-1640nm 0
SWIR3_reflectance Shortwave Infrared Radiation reflectance 2225-2275nm 0
VI_Quality Quality Assessment (QA) bit-field. 0
VI_Quality Bitmask
  • Bits 0-1: MODLAND_QA
    • 0: VI produced, good quality
    • 1: VI produced, but check other QA
    • 2: Pixel produced, but probably cloudy
    • 3: Pixel not produced due to other reason than clouds
  • Bits 2-5: VI Usefulness, higher values are worse.
    • 0: Highest Quality
    • 1: Lower quality
    • 2: Decreasing quality
    • 3: Decreasing quality
    • 4: Decreasing quality
    • 5: Decreasing quality
    • 6: Decreasing quality
    • 7: Decreasing quality
    • 8: Decreasing quality
    • 9: Decreasing quality
    • 10: Decreasing quality
    • 11: Decreasing quality
    • 12: Worst quality
    • 13: Quality so low that it is not useful
    • 14: L1B data faulty
    • 15: Not useful for any reason/not processed
  • Bits 6-7: Aerosol quantity
    • 0: Climatology
    • 1: Low
    • 2: Average
    • 3: High
  • Bit 8: Adjacent cloud detected
    • 0: No
    • 1: Yes
  • Bit 9: Adjacent BRDF correction performed
    • 0: No
    • 1: Yes
  • Bit 10: Mixed clouds
    • 0: No
    • 1: Yes
  • Bits 11-13: Land/Water Flag
    • 0: land & desert
    • 1: land no desert
    • 2: inland water
    • 3: sea_water
    • 5: coastal
  • Bit 14: Possible snow/ice
    • 0: No
    • 1: Yes
  • Bit 15: Possible shadow
    • 0: No
    • 1: Yes
red_reflectance Red band reflectance 600-680nm 0
green_reflectance Green band reflectance 545-656nm 0
blue_reflectance Blue band reflectance 478-498nm 0
composite_day_of_the_year Julian day of year Day 0
pixel_reliability Pixel usefulness using a simple rank class 0
relative_azimuth_angle Relative azimuth angle for each pixel degrees 0
sun_zenith_angle Sun zenith angle for each pixel degrees 0
view_zenith_angle View zenith angle for each pixel degrees 0

Class Table: pixel_reliability

Value Color Color Value Description
0 # Excellent
1 # Good
2 # Acceptable
3 # Marginal
4 # Pass
5 # Questionable
6 # Poor
7 # Cloud Shadow
8 # Snow/Ice
9 # Cloud
10 # Estimated
11 # LTAVG (taken from database)


数据使用:

LP DAAC NASA data are freely accessible; however, when an author publishes these data or works based on the data, it is requested that the author cite the datasets within the text of the publication and include a reference to them in the reference list.

引用:

LP DAAC - VNP13A1

代码 :

var dataset = ee.ImageCollection("NOAA/VIIRS/001/VNP13A1");
var mean_evi_january_2018 = dataset
    .filterDate('2018-01-01', '2018-01-31')
    .select('EVI')
    .mean();
var evi_vis = {
  min: 0.0,
  max: 10000.0,
  palette: ["000", "040", "080", "0B0", "0F0"],
};
Map.setCenter(95.571, 27.808, 8);
Map.addLayer(mean_evi_january_2018, evi_vis, 'Mean EVI January 2018');


相关文章
|
6月前
|
数据可视化 定位技术 Sentinel
如何用Google Earth Engine快速、大量下载遥感影像数据?
【2月更文挑战第9天】本文介绍在谷歌地球引擎(Google Earth Engine,GEE)中,批量下载指定时间范围、空间范围的遥感影像数据(包括Landsat、Sentinel等)的方法~
2481 1
如何用Google Earth Engine快速、大量下载遥感影像数据?
|
6月前
|
机器学习/深度学习 算法 数据可视化
基于Google Earth Engine云平台构建的多源遥感数据森林地上生物量AGB估算模型含生物量模型应用APP
基于Google Earth Engine云平台构建的多源遥感数据森林地上生物量AGB估算模型含生物量模型应用APP
222 0
|
6月前
|
存储 编解码 数据可视化
Google Earth Engine获取随机抽样点并均匀分布在栅格的不同数值区中
【2月更文挑战第14天】本文介绍在谷歌地球引擎(Google Earth Engine,GEE)中,按照给定的地表分类数据,对每一种不同的地物类型,分别加以全球范围内随机抽样点自动批量选取的方法~
568 1
Google Earth Engine获取随机抽样点并均匀分布在栅格的不同数值区中
|
26天前
|
算法 安全 数据安全/隐私保护
基于game-based算法的动态频谱访问matlab仿真
本算法展示了在认知无线电网络中,通过游戏理论优化动态频谱访问,提高频谱利用率和物理层安全性。程序运行效果包括负载因子、传输功率、信噪比对用户效用和保密率的影响分析。软件版本:Matlab 2022a。完整代码包含详细中文注释和操作视频。
|
10天前
|
算法 数据挖掘 数据安全/隐私保护
基于FCM模糊聚类算法的图像分割matlab仿真
本项目展示了基于模糊C均值(FCM)算法的图像分割技术。算法运行效果良好,无水印。使用MATLAB 2022a开发,提供完整代码及中文注释,附带操作步骤视频。FCM算法通过隶属度矩阵和聚类中心矩阵实现图像分割,适用于灰度和彩色图像,广泛应用于医学影像、遥感图像等领域。
|
12天前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
12天前
|
存储 算法 决策智能
基于免疫算法的TSP问题求解matlab仿真
旅行商问题(TSP)是一个经典的组合优化问题,目标是寻找经过每个城市恰好一次并返回起点的最短回路。本文介绍了一种基于免疫算法(IA)的解决方案,该算法模拟生物免疫系统的运作机制,通过克隆选择、变异和免疫记忆等步骤,有效解决了TSP问题。程序使用MATLAB 2022a版本运行,展示了良好的优化效果。
|
12天前
|
机器学习/深度学习 算法 芯片
基于GSP工具箱的NILM算法matlab仿真
基于GSP工具箱的NILM算法Matlab仿真,利用图信号处理技术解析家庭或建筑内各电器的独立功耗。GSPBox通过图的节点、边和权重矩阵表示电气系统,实现对未知数据的有效分类。系统使用MATLAB2022a版本,通过滤波或分解技术从全局能耗信号中提取子设备的功耗信息。
|
12天前
|
机器学习/深度学习 算法 5G
基于MIMO系统的SDR-AltMin混合预编码算法matlab性能仿真
基于MIMO系统的SDR-AltMin混合预编码算法通过结合半定松弛和交替最小化技术,优化大规模MIMO系统的预编码矩阵,提高信号质量。Matlab 2022a仿真结果显示,该算法能有效提升系统性能并降低计算复杂度。核心程序包括预编码和接收矩阵的设计,以及不同信噪比下的性能评估。
31 3
|
23天前
|
人工智能 算法 数据安全/隐私保护
基于遗传优化的SVD水印嵌入提取算法matlab仿真
该算法基于遗传优化的SVD水印嵌入与提取技术,通过遗传算法优化水印嵌入参数,提高水印的鲁棒性和隐蔽性。在MATLAB2022a环境下测试,展示了优化前后的性能对比及不同干扰下的水印提取效果。核心程序实现了SVD分解、遗传算法流程及其参数优化,有效提升了水印技术的应用价值。

热门文章

最新文章