คำเตือน: ขั้นตอนที่อธิบายไว้ในบทแนะนำนี้เพื่อปรับข้อมูล Landsat ETM+ และ OLI ให้สอดคล้องกันนั้นล้าสมัยแล้ว และไม่แนะนำหรือจำเป็นเมื่อทำงานกับ ข้อมูลการสะท้อนพื้นผิวของ Landsat Collection 2 ดูข้อมูลเพิ่มเติมได้ที่ รายการคำถามที่พบบ่อยเกี่ยวกับการปรับ Landsat ให้สอดคล้องกัน ข้อมูลคอลเล็กชัน 1 เลิกใช้งานแล้ว และโค้ดในบทแนะนำนี้จะใช้งานไม่ได้หรือได้รับการอัปเดตอีกต่อไป
บทแนะนำนี้เกี่ยวข้องกับการปรับความสอดคล้องของค่าการสะท้อนพื้นผิวของ Landsat ETM+ กับค่าการสะท้อนพื้นผิวของ Landsat OLI โดยจะให้ข้อมูลต่อไปนี้
- ฟังก์ชันการแปลงสเปกตรัม
- ฟังก์ชันในการสร้างข้อมูลที่พร้อมสำหรับการวิเคราะห์
- ตัวอย่างการแสดงภาพอนุกรมเวลา
โดยมีจุดประสงค์เพื่อเป็นคำแนะนำแบบครบวงจรสำหรับการประสานและแสดงภาพอนุกรมเวลาของข้อมูล Landsat ในระดับภูมิภาคเป็นเวลากว่า 35 ปี ซึ่งสามารถนำไปใช้กับภูมิภาคที่คุณสนใจได้ทันที
โปรดทราบว่าค่าสัมประสิทธิ์สำหรับการแปลง ETM+ เป็น OLI จะใช้กับ TM ด้วย ดังนั้นในบทแนะนำนี้ การอ้างอิงถึง ETM+ จึงมีความหมายเหมือนกับ TM
เกี่ยวกับ Landsat
Landsat เป็นโปรแกรมถ่ายภาพจากดาวเทียม ที่รวบรวมภาพของโลกที่มีความละเอียดปานกลางมาตั้งแต่ปี 1972 ในฐานะโปรแกรมสังเกตการณ์โลกจากอวกาศที่ยาวนานที่สุด โปรแกรมนี้จึงให้บันทึกชั่วคราวที่มีคุณค่า สำหรับการระบุแนวโน้มเชิงพื้นที่และเวลาในการเปลี่ยนแปลงของภูมิทัศน์ ในบทแนะนำนี้จะใช้ข้อมูลเครื่องมือ Thematic Mapper (TM), Enhanced Thematic Mapper Plus (ETM+) และ Operational Land Imager (OLI) ข้อมูลทั้ง 2 ชุดมีความเกี่ยวข้องอย่างใกล้ชิด และรวมเข้ากับอนุกรมเวลาที่สอดคล้องกันได้ค่อนข้างง่าย ซึ่งจะ สร้างบันทึกต่อเนื่องตั้งแต่ปี 1984 จนถึงปัจจุบัน โดยมีรอบการอัปเดตทุก 16 วัน ต่อเซ็นเซอร์ที่มีความละเอียดเชิงพื้นที่ 30 เมตร เครื่องมือ Multispectral Scanner จะขยายบันทึก Landsat ย้อนกลับไปถึงปี 1972 แต่ไม่ได้ใช้ในบทแนะนำนี้ ข้อมูลของเซ็นเซอร์รุ่นนี้แตกต่างจากเซ็นเซอร์รุ่นอื่นๆ อย่างมาก ทำให้การผสานรวมกับเซ็นเซอร์รุ่นต่อๆ ไปเป็นเรื่องยาก ดูตัวอย่างการปรับให้สอดคล้องกันในเซ็นเซอร์ทั้งหมดได้ที่ Savage et al. (2018) และ Vogeler et al. (2018)
เหตุผลที่ต้องมีการประสาน
Roy และคณะ (2016) แสดงให้เห็นว่าลักษณะสเปกตรัมของ Landsat ETM+ และ OLI มีความแตกต่างกันเล็กน้อยแต่มีความสำคัญ ขึ้นอยู่กับการใช้งาน เหตุผลที่คุณอาจต้องการปรับชุดข้อมูลให้สอดคล้องกัน ได้แก่ การสร้าง อนุกรมเวลาที่ยาวนานซึ่งครอบคลุม Landsat TM, ETM+ และ OLI การสร้าง คอมโพสิตภายในปีที่ใกล้เคียงวันที่เพื่อลดผลกระทบจากการสังเกตการณ์ที่ขาดหายไปจากช่องว่างของ ETM+ SLC-off และการมาสก์เมฆ/เงา หรือเพิ่มความถี่ในการสังเกตการณ์ ภายในอนุกรมเวลา โปรดดูข้อมูลเพิ่มเติมในต้นฉบับที่ลิงก์ไว้ด้านบน
วิธีการ
ฟังก์ชัน
ต่อไปนี้คือชุดฟังก์ชันที่จำเป็นต่อการประสาน ETM+ กับ OLI และสร้างข้อมูลที่พร้อมสำหรับการวิเคราะห์ซึ่งจะใช้ในส่วนแอปพลิเคชันของ บทแนะนำนี้เพื่อแสดงภาพประวัติสเปกตรัม-เวลาของพิกเซล
การปรับให้สอดคล้องกัน
การปรับให้สอดคล้องกันทำได้ผ่านการแปลงเชิงเส้นของพื้นที่สเปกตรัม ETM+ เป็นพื้นที่สเปกตรัม OLI ตามค่าสัมประสิทธิ์ที่แสดงในตารางที่ 2 ของค่าสัมประสิทธิ์การถดถอย OLS ใน Roy และคณะ (2016)
ค่าสัมประสิทธิ์ของแต่ละแถบความถี่จะกำหนดไว้ในพจนานุกรมต่อไปนี้โดยมีค่าคงที่ของรูปภาพความชัน (slopes) และค่าคงที่ของรูปภาพจุดตัด (itcps) โปรดทราบว่าค่าจุดตัดแกน y
จะคูณด้วย 10,000 เพื่อให้ตรงกับการปรับขนาดข้อมูลการสะท้อนพื้นผิว Landsat ของ USGS
var coefficients = {
itcps: ee.Image.constant([0.0003, 0.0088, 0.0061, 0.0412, 0.0254, 0.0172])
.multiply(10000),
slopes: ee.Image.constant([0.8474, 0.8483, 0.9047, 0.8462, 0.8937, 0.9071])
};
ชื่อแถบ ETM+ และ OLI สำหรับหน้าต่างการตอบสนองต่อสเปกตรัมเดียวกันไม่เท่ากันและ
ต้องได้รับการปรับมาตรฐาน ฟังก์ชันต่อไปนี้จะเลือกเฉพาะแถบการสะท้อนแสง
และแถบ pixel_qa จากชุดข้อมูลแต่ละชุด และเปลี่ยนชื่อตาม
ช่วงความยาวคลื่นที่แสดง
// Function to get and rename bands of interest from OLI.
function renameOli(img) {
return img.select(
['B2', 'B3', 'B4', 'B5', 'B6', 'B7', 'pixel_qa'],
['Blue', 'Green', 'Red', 'NIR', 'SWIR1', 'SWIR2', 'pixel_qa']);
}
// Function to get and rename bands of interest from ETM+.
function renameEtm(img) {
return img.select(
['B1', 'B2', 'B3', 'B4', 'B5', 'B7', 'pixel_qa'],
['Blue', 'Green', 'Red', 'NIR', 'SWIR1', 'SWIR2', 'pixel_qa']);
}
สุดท้าย ให้กำหนดฟังก์ชันการเปลี่ยนรูปแบบ ซึ่งใช้โมเดลเชิงเส้นกับ
ข้อมูล ETM+ แปลงประเภทข้อมูลเป็น Int16 เพื่อให้สอดคล้องกับ OLI และแนบ
แถบ pixel_qa อีกครั้งเพื่อใช้ในภายหลังในการมาสก์เมฆและเงา
function etmToOli(img) {
return img.select(['Blue', 'Green', 'Red', 'NIR', 'SWIR1', 'SWIR2'])
.multiply(coefficients.slopes)
.add(coefficients.itcps)
.round()
.toShort()
.addBands(img.select('pixel_qa'));
}
การมาสก์เมฆและเงา
ข้อมูลที่พร้อมสำหรับการวิเคราะห์ควรมีการมาสก์เมฆและเงาเมฆออก
ฟังก์ชันต่อไปนี้ใช้ CFmask (Zhu et al., 2015)
pixel_qa แบนด์ที่รวมไว้กับภาพการสะท้อนพื้นผิวของ USGS จาก Landsat แต่ละภาพเพื่อตั้งค่า
พิกเซลที่ระบุว่าเป็นเมฆและเงาเมฆเป็นค่า Null
function fmask(img) {
var cloudShadowBitMask = 1 << 3;
var cloudsBitMask = 1 << 5;
var qa = img.select('pixel_qa');
var mask = qa.bitwiseAnd(cloudShadowBitMask)
.eq(0)
.and(qa.bitwiseAnd(cloudsBitMask).eq(0));
return img.updateMask(mask);
}
การคำนวณดัชนีสเปกตรัม
แอปพลิเคชันที่กำลังจะเปิดตัวใช้ดัชนีสเปกตรัมอัตราส่วนการเผาไหม้ที่ปรับแล้ว (NBR) เพื่อแสดงประวัติสเปกตรัมของพิกเซลป่าไม้ที่ได้รับผลกระทบจากไฟป่า เราใช้ NBR เนื่องจาก Cohen และคณะ (2018) พบว่าในดัชนี/แถบความถี่สเปกตรัม 13 รายการ NBR มีอัตราส่วนสัญญาณต่อสัญญาณรบกวนสูงสุดในเรื่องการรบกวนป่า (สัญญาณ) ทั่วทั้งสหรัฐอเมริกา โดยคำนวณจากฟังก์ชันต่อไปนี้
function calcNbr(img) {
return img.normalizedDifference(['NIR', 'SWIR2']).rename('NBR');
}
ในแอปพลิเคชันของคุณเอง คุณอาจเลือกใช้ดัชนีสเปกตรัมอื่นได้ คุณสามารถแก้ไขหรือเพิ่มดัชนีเพิ่มเติมได้ที่นี่
รวมฟังก์ชัน
กำหนดฟังก์ชัน Wrapper สำหรับชุดข้อมูลแต่ละชุดที่รวมฟังก์ชันทั้งหมดข้างต้น เพื่อความสะดวกในการนำไปใช้กับคอลเล็กชันรูปภาพที่เกี่ยวข้อง
// Define function to prepare OLI images.
function prepOli(img) {
var orig = img;
img = renameOli(img);
img = fmask(img);
img = calcNbr(img);
return ee.Image(img.copyProperties(orig, orig.propertyNames()));
}
// Define function to prepare ETM+ images.
function prepEtm(img) {
var orig = img;
img = renameEtm(img);
img = fmask(img);
img = etmToOli(img);
img = calcNbr(img);
return ee.Image(img.copyProperties(orig, orig.propertyNames()));
}
ในแอปพลิเคชัน คุณอาจตัดสินใจว่าจะรวมหรือยกเว้นฟังก์ชัน แก้ไข ฟังก์ชันเหล่านี้ได้ตามต้องการ
ตัวอย่างอนุกรมเวลา
ฟังก์ชัน Wrapper prepOli และ prepEtm ด้านบนสามารถแมปกับคอลเล็กชันการสะท้อนพื้นผิวของ Landsat
เพื่อสร้างข้อมูลที่พร้อมสำหรับการวิเคราะห์ข้ามเซ็นเซอร์เพื่อ
แสดงลำดับเวลาสเปกตรัมของพิกเซลหรือภูมิภาคของพิกเซล ใน
ตัวอย่างนี้ คุณจะสร้างอนุกรมเวลาที่มีอายุมากกว่า 35 ปีและแสดงประวัติสเปกตรัม
สำหรับพิกเซลเดียว พิกเซลนี้เกี่ยวข้องกับประวัติล่าสุดของผืนป่าสนที่เจริญเติบโตเต็มที่ในแปซิฟิกตะวันตกเฉียงเหนือ (รูปที่ 1) ซึ่งได้รับผลกระทบในช่วงทศวรรษ 1980 และ 1990 และเกิดไฟป่ารุนแรงในปี 2011
รูปที่ 1 ลักษณะสถานที่และเว็บไซต์สำหรับตัวอย่างพื้นที่ที่สนใจ ป่าสนที่เจริญเติบโตเต็มที่ใน แปซิฟิกตะวันตกเฉียงเหนือบนเนินทางเหนือของภูเขาฮูด รัฐออริกอน สหรัฐอเมริกา รูปภาพ ได้รับความอนุเคราะห์จาก Google Earth, USDA Forest Service, Landsat และ Copernicus
กำหนดพื้นที่ที่สนใจ (AOI)
ผลลัพธ์ของแอปพลิเคชันนี้คืออนุกรมเวลาของการสังเกตการณ์ Landsat สำหรับพิกเซล ระบบจะใช้ออบเจ็กต์ ee.Geometry.Point เพื่อกำหนดตำแหน่งของพิกเซล
var aoi = ee.Geometry.Point([-121.70938, 45.43185]);
คุณอาจเลือกพิกเซลอื่นในการสมัคร โดยแทนที่พิกัดลองจิจูดและละติจูดด้านบน หรือจะสรุป
ประวัติสเปกตรัมของกลุ่มพิกเซลโดยใช้ee.Geometryคำจำกัดความของออบเจ็กต์อื่นๆ เช่น ee.Geometry.Polygon() และ ee.Geometry.Rectangle() ก็ได้
โปรดดูข้อมูลเพิ่มเติมในส่วน
รูปทรงเรขาคณิต
ของคู่มือนักพัฒนาซอฟต์แวร์
เรียกข้อมูลคอลเล็กชันเซ็นเซอร์ Landsat
รับคอลเล็กชันการสะท้อนพื้นผิว USGS ของ Landsat สำหรับ OLI ETM+ และ TM
โปรดไปที่ลิงก์เพื่อดูข้อมูลเพิ่มเติมเกี่ยวกับชุดข้อมูลแต่ละชุด
var oliCol = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR');
var etmCol = ee.ImageCollection('LANDSAT/LE07/C01/T1_SR');
var tmCol = ee.ImageCollection('LANDSAT/LT05/C01/T1_SR');
กำหนดตัวกรองคอลเล็กชันรูปภาพ
กำหนดตัวกรองเพื่อจำกัดคอลเล็กชันรูปภาพตามขอบเขตเชิงพื้นที่ ของพื้นที่ที่สนใจ ฤดูสังเคราะห์แสงสูงสุด และคุณภาพ
var colFilter = ee.Filter.and(
ee.Filter.bounds(aoi), ee.Filter.calendarRange(182, 244, 'day_of_year'),
ee.Filter.lt('CLOUD_COVER', 50), ee.Filter.lt('GEOMETRIC_RMSE_MODEL', 10),
ee.Filter.or(
ee.Filter.eq('IMAGE_QUALITY', 9),
ee.Filter.eq('IMAGE_QUALITY_OLI', 9)));
คุณสามารถเปลี่ยนเกณฑ์การกรองเหล่านี้ได้ตามต้องการ ระบุพร็อพเพอร์ตี้อื่นๆ ที่จะกรอง ในแท็บ "พร็อพเพอร์ตี้รูปภาพ" ของหน้าคำอธิบายข้อมูลที่ลิงก์ไว้ด้านบน
เตรียมคอลเล็กชัน
ผสานรวมคอลเล็กชัน ใช้ตัวกรอง และแมปฟังก์ชัน prepImg กับรูปภาพทั้งหมด
ผลลัพธ์ของข้อมูลโค้ดต่อไปนี้คือ ee.ImageCollection
รายการเดียวที่มีรูปภาพจากคอลเล็กชันเซ็นเซอร์ OLI, ETM+ และ TM ที่ตรงตาม
เกณฑ์การกรอง และได้รับการประมวลผลเป็น NBR ที่พร้อมสำหรับการวิเคราะห์
// Filter collections and prepare them for merging.
oliCol = oliCol.filter(colFilter).map(prepOli);
etmCol = etmCol.filter(colFilter).map(prepEtm);
tmCol = tmCol.filter(colFilter).map(prepEtm);
// Merge the collections.
var col = oliCol.merge(etmCol).merge(tmCol);
สร้างแผนภูมิอนุกรมเวลาที่แสดงการสังเกตทั้งหมด
ความสอดคล้องระหว่างเซ็นเซอร์สามารถประเมินเชิงคุณภาพได้โดยการพล็อตการสังเกตทั้งหมด
เป็นแผนภูมิกระจายซึ่งแยกเซ็นเซอร์ด้วยสี ui.Chart.feature.groups ฟังก์ชันของ Earth Engine
มีเครื่องมือนี้ให้ แต่ก่อนอื่นต้องเพิ่มค่า NBR ที่สังเกตได้
ลงในแต่ละรูปภาพเป็นพร็อพเพอร์ตี้ แมปฟังก์ชัน reduce
ภูมิภาคเหนือคอลเล็กชันรูปภาพที่คำนวณค่ามัธยฐานของพิกเซลทั้งหมด
ที่ตัดกับ AOI และตั้งค่าผลลัพธ์เป็นพร็อพเพอร์ตี้รูปภาพ
var allObs = col.map(function(img) {
var obs = img.reduceRegion(
{geometry: aoi, reducer: ee.Reducer.median(), scale: 30});
return img.set('NBR', obs.get('NBR'));
});
ในแอปพลิเคชันของคุณเอง หาก AOI เป็นพื้นที่ขนาดใหญ่ คุณอาจพิจารณา
เพิ่ม scale และระบุอาร์กิวเมนต์ bestEffort, maxPixels, tileScale
สำหรับฟังก์ชัน reduceRegion เพื่อให้แน่ใจว่าการดำเนินการจะไม่
เกินขีดจำกัดของพิกเซลสูงสุด หน่วยความจำ หรือการหมดเวลา นอกจากนี้ คุณยังแทนที่ตัวลดค่ามัธยฐานด้วยสถิติที่ต้องการได้ด้วย ดูข้อมูลเพิ่มเติมได้ที่ส่วนสถิติของภูมิภาครูปภาพในคู่มือนักพัฒนาซอฟต์แวร์
ตอนนี้ฟังก์ชัน ui.Chart.feature.groups สามารถยอมรับคอลเล็กชันได้แล้ว
ฟังก์ชันนี้คาดหวังคอลเล็กชันและชื่อของพร็อพเพอร์ตี้ออบเจ็กต์คอลเล็กชัน
เพื่อแมปกับแผนภูมิ ในที่นี้ พร็อพเพอร์ตี้ "system:time_start" จะทำหน้าที่เป็นตัวแปรแกน x และ "NBR" จะทำหน้าที่เป็นตัวแปรแกน y โปรดทราบว่าพร็อพเพอร์ตี้ NBR ได้รับการตั้งชื่อโดยreduceRegionฟังก์ชันด้านบนตามชื่อวงดนตรีในรูปภาพที่ลดลง
หากคุณใช้แบนด์อื่น (ไม่ใช่ "NBR") ให้เปลี่ยนอาร์กิวเมนต์ชื่อพร็อพเพอร์ตี้แกน y ตามนั้น สุดท้าย ให้ตั้งค่าตัวแปรการจัดกลุ่ม (ชุดข้อมูล)
เป็น "SATELLITE" ซึ่งจะกำหนดสีที่แตกต่างกัน
var chartAllObs =
ui.Chart.feature.groups(allObs, 'system:time_start', 'NBR', 'SATELLITE')
.setChartType('ScatterChart')
.setSeriesNames(['TM', 'ETM+', 'OLI'])
.setOptions({
title: 'All Observations',
colors: ['f8766d', '00ba38', '619cff'],
hAxis: {title: 'Date'},
vAxis: {title: 'NBR'},
pointSize: 6,
dataOpacity: 0.5
});
print(chartAllObs);
แผนภูมิที่คล้ายกับรูปที่ 2 จะปรากฏในคอนโซลหลังจากประมวลผล ไประยะหนึ่ง โปรดทราบสิ่งต่อไปนี้
- โดยจะมีการสังเกตการณ์หลายครั้งต่อปี
- อนุกรมเวลาประกอบด้วยเซ็นเซอร์ 3 ตัวที่แตกต่างกัน
- ไม่มีอคติของเซ็นเซอร์ที่สังเกตได้
- ความถี่ในการสังเกตการณ์จะแตกต่างกันไปในแต่ละปี
- มีความแปรปรวนภายในปี ซึ่งสอดคล้องกันในแต่ละปีและค่อนข้างแคบ การลองใช้ NDVI (img.normalizedDifference(['SWIR1', 'NIR']).rename('NDVI');) แสดงให้เห็นความแปรปรวนของการตอบสนองภายในและระหว่างปีที่มากกว่ามาก
- NBR ยังคงสูงสำหรับอนุกรมเวลาส่วนใหญ่โดยมีการรบกวนเล็กน้อย
- การลดลงอย่างรวดเร็วของ NBR เป็นผลมาจากไฟป่าที่เห็นได้ชัดใน
- อย่างไรก็ตาม โปรดทราบว่าไฟไหม้ (ทะเลสาบดอลลาร์) เกิดขึ้นในเดือนกันยายน 2011 ข้อผิดพลาดในปีที่ตรวจพบเกิดจากช่วงวันที่แบบรวมรายปีคือเดือนกรกฎาคมถึงสิงหาคม การเปลี่ยนแปลงที่เกิดขึ้นหลังจากช่วงเวลานี้จะไม่ได้รับการเลือกจนกว่าจะมีการสังเกตการณ์ที่ไม่ใช่ค่าว่างครั้งถัดไป ซึ่งอาจเป็นปีถัดไปหรือหลังจากนั้น
- การฟื้นตัวของพืชพรรณ (การตอบสนองของ NBR เพิ่มขึ้น) เริ่มขึ้น 2 ปีหลังจากตรวจพบการสูญเสีย NBR ที่สำคัญ
รูปที่ 2 แผนภูมิอนุกรมเวลาการตอบสนองสเปกตรัมสำหรับพิกเซลเดียว โดยมีข้อมูลจาก Landsat TM, ETM+ และ OLI รูปภาพ TM และ ETM+ ได้รับการปรับให้สอดคล้องกับ OLI โดยการแปลงเชิงเส้น รูปภาพมาจากเดือนกรกฎาคมถึงสิงหาคมและได้รับการกรองเพื่อคุณภาพสูง
สร้างแผนภูมิอนุกรมเวลาที่แสดงค่ามัธยฐานรายปี
หากต้องการลดความซับซ้อนและลดสัญญาณรบกวนจากอนุกรมเวลา คุณสามารถใช้การลดการสังเกตการณ์ภายในปีได้ ในที่นี้จะใช้ค่ามัธยฐาน
ขั้นตอนแรกคือการจัดกลุ่มรูปภาพตามปี เพิ่มพร็อพเพอร์ตี้ "ปี" ใหม่ในแต่ละรูปภาพโดยการแมปการตั้งค่าคอลเล็กชัน "ปี" จาก ee.Image.Date ของแต่ละรูปภาพ
var col = col.map(function(img) {
return img.set('year', img.date().get('year'));
});
พร็อพเพอร์ตี้ "ปี" ใหม่ใช้จัดกลุ่มรูปภาพจากปีเดียวกันได้โดยใช้การรวม การรวมระหว่างคอลเล็กชันปีของรูปภาพที่แตกต่างกันกับคอลเล็กชันที่สมบูรณ์ จะแสดงรายการของปีเดียวกัน ซึ่งสามารถใช้ในการคำนวณค่ามัธยฐานของการลด สร้างชุดย่อยของคอลเล็กชันที่สมบูรณ์ให้เป็นชุดตัวแทนปีที่ไม่ซ้ำกัน
var distinctYearCol = col.distinct('year');
กำหนดตัวกรองและการรวมที่จะระบุปีที่ตรงกันระหว่าง
คอลเล็กชันปีที่ไม่ซ้ำกัน (distinctYearCol) กับคอลเล็กชันที่สมบูรณ์
(col) ระบบจะบันทึกรายการที่ตรงกันไว้ในพร็อพเพอร์ตี้ชื่อ "year_matches"
var filter = ee.Filter.equals({leftField: 'year', rightField: 'year'});
var join = ee.Join.saveAll('year_matches');
ใช้การรวมและแปลง FeatureCollection ที่ได้เป็น ImageCollection
var joinCol = ee.ImageCollection(join.apply(distinctYearCol, col, filter));
// Apply median reduction among matching year collections.
var medianComp = joinCol.map(function(img) {
var yearCol = ee.ImageCollection.fromImages(img.get('year_matches'));
return yearCol.reduce(ee.Reducer.median())
.set('system:time_start', img.date().update({month: 8, day: 1}));
});
เปลี่ยน ee.Reducer ด้านบนหากต้องการใช้สถิติอื่นที่ไม่ใช่ค่ามัธยฐานเพื่อ
แสดงรูปภาพที่รวบรวมในปีที่กำหนด
สุดท้าย ให้สร้างแผนภูมิที่แสดงค่า NBR มัธยฐานจากชุดข้อมูล การสังเกตการณ์ในช่วงฤดูร้อนภายในปี เปลี่ยนสถิติการลดภูมิภาคได้ตามต้องการ
var chartMedianComp = ui.Chart.image
.series({
imageCollection: medianComp,
region: aoi,
reducer: ee.Reducer.median(),
scale: 30,
xProperty: 'system:time_start',
})
.setSeriesNames(['NBR Median'])
.setOptions({
title: 'Intra-annual Median',
colors: ['619cff'],
hAxis: {title: 'Date'},
vAxis: {title: 'NBR'},
lineWidth: 6
});
print(chartMedianComp);
แผนภูมิที่คล้ายกับรูปที่ 3 จะปรากฏในคอนโซลหลังจากผ่านการประมวลผล ไประยะหนึ่ง
รูปที่ 3 แผนภูมิอนุกรมเวลาของการตอบสนองต่อสเปกตรัมในช่วงฤดูร้อนที่เป็นค่ามัธยฐานสำหรับ พิกเซลเดียวที่มีการแสดงจาก Landsat TM, ETM+ และ OLI ระบบจะปรับรูปภาพ TM และ ETM+ ให้สอดคล้องกับ OLI โดยใช้การแปลงเชิงเส้น รูปภาพมาจากช่วงเดือนกรกฎาคมถึงสิงหาคมและได้รับการกรองเพื่อคุณภาพสูง
ข้อมูลเพิ่มเติม
ฟังก์ชันการแปลงทางเลือก
ตารางที่ 2 ของ Roy et al. (2016) แสดงค่าสัมประสิทธิ์การถดถอย OLS และ RMA เพื่อแปลงการสะท้อนพื้นผิว ETM+ เป็นการสะท้อนพื้นผิว OLI และในทางกลับกัน บทแนะนำข้างต้นแสดงเฉพาะการแปลง ETM+ เป็น OLI โดยการถดถอย OLS คุณดูฟังก์ชันสำหรับตัวเลือกการแปลทั้งหมดได้ในสคริปต์เครื่องมือแก้ไขโค้ด หรือสคริปต์แหล่งที่มาของ GitHub
ไฟป่าดอลลาร์เลก
ไฟที่กล่าวถึงในบทแนะนำนี้คือไฟที่ดอลลาร์เลค ซึ่งเกิดขึ้นในช่วงกลางเดือนกันยายน 2011 บนเนินเขาทางเหนือของภูเขาฮูด รัฐออริกอน สหรัฐอเมริกา ดูข้อมูลเพิ่มเติมได้ที่บล็อกโพสต์นี้ และ Varner et al. (2015)