Google Earth Engine（GEE）——一个简单的线性趋势计算（NOAA—NDVI数据）

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。

代码语言：javascript

复制

//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：

代码语言：javascript

复制

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。