全国植被指数计算

PIE-Engine Studio遥感计算云服务平台从landsat8_toa数据集中选取了覆盖中国地区2019年12月份的landsat8_toa数据进行批量的NDVI植被指数计算，并最大值影像融合算法——选取计算结果中植被指数最大值进行快速镶嵌显示，得到月度合成的影像数据。

1) 数据源分析：

覆盖中国地区2019年12月份的landsat8_toa数据，共786景影像。该数据包含12个波段，前11个波段覆盖了从可见光到热红外的各个波段信息，第12个QA波段包含了该影像的质量评估信息。

2) 核心代码示例

# 加载中国区域范围
fCol_1 = pie.FeatureCollection('user/101/public/shape/China');
fCol_2 = pie.FeatureCollection('user/pieadmin/public/shape/9_line_dash');
fCol = fCol_1.merge(fCol_2)
Map.addLayer(fCol, {'color': "#ff0000", 'fillColor': "#00000000"}, "china")
roi = fCol.getAt(0).geometry()
Map.addLayer(roi, {'color': "red", 'fillColor': "#00000000"}, "roi")

# 影像集合
l8Col = pie.ImageCollection("LC08/01/T1")

# 通过日期过滤影像集合，并且计算NDVI指数
def ndviF(image):
    b4 = image.select("B4")
    b5 = image.select("B5")
    ndvi = (b5.subtract(b4).divide(b5.add(b4)))
    return ndvi
l8Col = l8Col.filterDate("2019-12-01", "2019-12-31").select(["B4", "B5"]).map(ndviF)
# NDVI绘制样式
visParamNDVI = {
    'min': -0.2,
    'max': 0.8,
    'palette': 'CA7A41, CE7E45, DF923D, F1B555, FCD163, 99B718, ' +
             '74A901, 66A000, 529400,3E8601, 207401, 056201, 004C00,' +
             '023B01, 012E01, 011D01, 011301'
}
# 加载影像集合的平均值
Map.addLayer(l8Col.mean().clip(roi), visParamNDVI, "NDVI")
Map.setCenter(34.1, 113.44, 6)
Map复制错误复制成功

流程步骤如下：

a) 加载中国边界图，并显示到地图上；

b) 加载LC8影像数据，并利用公式计算NDVI；

c) 设置渲染样式；

d) 加载到地图上显示。

3) 案例中主要涉及到的算子

• select（）：选择指定的波段影像；

• map（）：根据指定的函数对影像遍历计算并返回结果。

4) 结果分析展示

调用PIE-Engine遥感计算云平台在jupyter notebook中的实现效果如下图所示：

NDVI值介于-1到1之间，整值越大说明植被覆盖度越高，绿色越明显。从图中得出，绿色越明显的地区表明植被覆盖度越高，中国南方是绿度最高最广的区域，说明南方湿润的气候有利于植物的生长，而西北方由于气候干燥，植被覆盖度较低。

5) 完整代码

注意： 需要将代码中用户名和密码替换为用户在平台上注册时的用户名/密码

"""
Program infomation：Python3.7
"""
# 全国NDVI案例
import pie
import pie.pieleaflet as pieleaflet

# 使用用户在平台上注册时的用户名/密码
pie.initialize()

# 调用地图
Map = pie.Map()
# 加载中国区域范围
fCol = pie.FeatureCollection('user/101/public/shape/China')

Map.addLayer(fCol, {'color': "#ff0000", 'fillColor': "#00000000"}, "china")
roi = fCol.getAt(0).geometry()

Map.addLayer(roi, {'color': "red", 'fillColor': "#00000000"}, "roi")

# 影像集合
l8Col = pie.ImageCollection("LC08/01/T1")

# 通过日期过滤影像集合，并且计算NDVI指数
def ndviF(image):
    b4 = image.select("B4")
    b5 = image.select("B5")
    ndvi = (b5.subtract(b4).divide(b5.add(b4)))
    return ndvi
l8Col = l8Col.filterDate("2019-12-01", "2019-12-31").select(["B4", "B5"]).map(ndviF)
# NDVI绘制样式
visParamNDVI = {
    'min': -0.2,
    'max': 0.8,
    'palette': 'CA7A41, CE7E45, DF923D, F1B555, FCD163, 99B718, ' +
             '74A901, 66A000, 529400,3E8601, 207401, 056201, 004C00,' +
             '023B01, 012E01, 011D01, 011301'
}
# 加载影像集合的最大值.mean().clip(roi)
Map.addLayer(l8Col.mean().clip(roi), visParamNDVI, "NDVI")
Map.setCenter(113.44,34.1,6)
Map