GEE——利用sentinel-2影像NDVI进行阈值区分

​

实现阈值使用数字（阈值）和逻辑运算符来帮助我们将图像的可变性划分为类别。例如，回想一下我们的 NDVI 地图。大量植被的 NDVI 值接近 1，非植被区域接近 0。如果我们想查看地图的哪些区域有植被，我们可以使用阈值将每个像素中的 NDVI 值概括为“无植被” ”或“植被”。可以肯定的是，这是一个实质性的简化，但可以帮助我们更好地理解地球表面的丰富变化。这种类型的分类可能很有用，例如，如果我们想查看一个城市的植被比例。让我们在美国华盛顿州西雅图附近创建 NDVI 的 Sentinel-2 地图。

gt 方法来自布尔运算符系列——也就是说，gt 是一个函数，它在每个像素中执行测试，如果测试结果为 true，则返回值 1，否则返回 0。在这里，对于图像中的每个像素，它测试 NDVI 值是否大于 0.5。当满足这个条件时，图层 seaVeg 得到值 1。当条件为假时，它接收到值 0。

使用 Inspector 工具探索这个新层。如果单击绿色位置，则 NDVI 应大于 0.5。如果单击白色像素，则 NDVI 值应等于或小于 0.5。

该布尔系列中的其他运算符包括小于 (lt)、小于等于 (lte)、等于 (eq)、不等于 (neq)、大于等于 (gte) 等等。

使用 .where 构建复杂的分类
对 NDVI 进行分类的二进制地图非常有用。但是，在某些情况下，您可能希望将图像拆分为两个以上的 bin。 Earth Engine 提供了一种工具，即 where 方法，它根据测试结果在每个像素内有条件地评估为真或假。这类似于在其他语言中常见的 if 语句。但是，为了在为 Earth Engine 编程时执行此逻辑，我们避免使用 JavaScript if 语句。重要的是，如果命令不是在 Google 的服务器上计算的，JavaScript 会在运行您的代码时产生严重的问题——实际上，服务器会尝试将所有要执行的信息发送到您自己计算机的浏览器上，而对于如此庞大的浏览器来说，它的设备非常不足任务。相反，我们将 where 子句用于条件逻辑。

假设我们不只是将 NDVI 中的森林区域与非森林区域分开，而是希望将图像拆分为可能的水域、非森林区域和森林区域。我们可以使用 -0.1 和 0.5 的位置和阈值。我们将从使用 ee.Image 创建图像开始。然后我们剪辑新图像，使其覆盖与我们的 seaNDVI 层相同的区域。

where（测试，值）
执行值的条件替换。

对于'input'的每个band中的每个像素，如果'test'中的对应像素不为零，则输出value中对应的像素，否则输出输入像素。

如果在给定像素处，测试或值被屏蔽，则使用输入值。如果输入被屏蔽，则什么也不做。

输出波段与输入波段具有相同的名称。每个波段的输出类型是输入和值类型中较大的一个。输出图像保留输入图像的元数据和足迹。

论据：
这：输入（图像）：
输入图像。

测试（图片）：
测试图像。此图像的像素确定返回哪个输入像素。如果这是单个波段，则将其用于输入图像中的所有波段。这可能不是数组图像。

价值（图片）：
在 test 不为零时使用的输出值。如果这是单个波段，则将其用于输入图像中的所有波段。

返回：图片

代码：

// 用Sentinel 2影像构建NDVI影像.
var seaPoint = ee.Geometry.Point(-122.2040, 47.6221);
var seaImage = ee.ImageCollection('COPERNICUS/S2')
    .filterBounds(seaPoint)
    .filterDate('2020-08-15', '2020-10-01')
    .first();

var seaNDVI = seaImage.normalizedDifference(['B8', 'B4']);

// 加载到地图上
Map.centerObject(seaPoint, 10);
var vegPalette = ['red', 'white', 'green'];
Map.addLayer(seaNDVI,
    {
        min: -1,
        max: 1,
        palette: vegPalette
    },
    'NDVI Seattle');

//利用条件来划分影像阈值
// 创建所有值 = 1 的起始图像。
var seaWhere = ee.Image(1)
    // 使用剪辑来限制新图像的大小。
    .clip(seaNDVI.geometry());

// 使所有小于 -0.1 的 NDVI 值等于 0。
seaWhere = seaWhere.where(seaNDVI.lte(-0.1), 0);

// 使所有大于 0.5 的 NDVI 值等于 2。
seaWhere = seaWhere.where(seaNDVI.gte(0.5), 2);

// 映射我们已分为三类的图层。
Map.addLayer(seaWhere,
    {
        min: 0,
        max: 2,
        palette: ['blue', 'white', 'green']
    },
    'Water, Non-forest, Forest');

结果：

我们设定3个值，分别对应水体，植被和其它部分，结果如下图所示：

 结果为0和1区分植被和水体的分析

 往期推荐：​

GEE云平台——Landsat 7 影像数据集合详解

会议通知|第六届全国地球空间大数据与云计算前沿会议与集中学习

GEE——Landsat 8 数据集影像集合具体介绍

GEE数据集——瑞士0.1米超清分辨率影像数据

GEE在线计算23类指数APP：VEGETATION INDICES CALCULATOR

​