【GEE】8、Google 地球引擎中的时间序列分析【时间序列】

1简介

在本模块中，我们将讨论以下概念：

1. 处理海洋的遥感图像。

2. 从图像时间序列创建视频。

3. GEE 中的时间序列分析。

4. 向图形用户界面添加基本元素。

// A point representing the general location of deepwater horizon oil rig.
var dw = ee.Geometry.Point([-88.36555556,28.73805556]);
 
// Pull in MODIS Aqua imagery and visualize the sunglint oil.
var mod2 = ee.ImageCollection("MODIS/006/MYD09GA")
  .filterDate("2010-05-25","2010-05-26");
 
// Add to map.
Map.addLayer(mod2, {bands: ["sur_refl_b01","sur_refl_b04","sur_refl_b03"],
gamma: 1,
max: 10278.86,
min: 192.14000000000001,
opacity: 1}, "mod2");
 
// Add Deepwater Horizon location to map.
Map.addLayer(dw,{},"DWH");
// Set map to center on deep water horizon location
Map.setCenter(-88.36555556,28.73805556, 8);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

上面在 GEE 中创建的 MODIS 图像的复制。您可以调整 Gamma 以使图像略微变亮。
 

这张图片显示，在泄漏的第一个月，石油已经广泛扩散。在 GEE 中，MODIS 图像可用于预处理的表面反射率级别。有关何时应使用表面反射率图像的详细信息，请参阅模块 5. 虽然这对于随着时间的推移进行比较非常有用，但这意味着图像中具有非常高反射率值的一些元素实际上作为图像预处理的一部分被屏蔽掉了。这包括上图中的防晒油区域。考虑到这一点，基于 MODIS 图像对石油范围进行稳健的定量评估是不可行的。尽管如此，这是一张引人注目的图片，可以用来激发人们对美国历史上最大的环境灾难之一的故事的兴趣。此次泄漏石油泄漏超过 100 天，是一场重大的生态灾难，夺走了 11 人的生命。

虽然不太清楚，但下图还显示了在最初爆炸后的第二天可见的烟雾。深水地平线钻机在沉入海底之前燃烧了两天。

// Pull in MODIS aqua imagery and filter for specific date.
var smokePlume = ee.ImageCollection("MODIS/006/MYD09GA")
  .filterDate("2010-04-21","2010-04-22");
 
// Add to map.
Map.addLayer(smokePlume, {bands: ["sur_refl_b01","sur_refl_b04","sur_refl_b03"],
gamma: 1.32,
max: 3278.86,
min: 192.14000000000001,
opacity: 1}, "smokePlume");
1
2
3
4
5
6
7
8
9
10

虽然不是最好的图像，但密西西比河沉积物丰富的出口东南部海洋中较轻的区域是燃烧的深水地平线石油钻井平台产生的烟雾。
 

该图像具有很多定性价值，为了快速获得这一点，我们将在石油活跃泄漏期间制作 MODIS 图像的延时电影。

// Buffer around the deep water horizon site.
var buffer = dw.buffer({distance:150000} );
 
Map.addLayer(buffer, {}, 'buffer');
1
2
3
4

我们将继续使用 Aqua MODIS 表面反射率图像并使用我们之前定义的可视化参数。在这种情况下，我们在四个月的时间内选择图像。视频中将有大约 120 张图像。将以下代码添加到您的脚本中。

// Define the visualization parameters.
var vis = {gamma: 1,
max: 10278.86,
min: 192.14000000000001,
opacity: 1};
 
 
var collection = ee.ImageCollection("MODIS/006/MYD09GA")
  // Get four months of imagery.
  .filterDate('2010-04-01','2010-7-30')
  // Need to have 3-band imagery for the video.
  .select(['sur_refl_b01', 'sur_refl_b04', 'sur_refl_b03'])
  // Use the map function to apply the same visualizations to all images.
  .map(function(image) {
    return image.visualize(vis);
  });
 
Map.addLayer({eeObject: collection, name:'Video images'});  
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

有了这些元素，最后一步就是导出视频。这与 GEE 中的任何其他导出功能一样有效，但有一些特定于视频质量的独特参数。

Dimensions：视频的像素分辨率。提供单个号码时假定为 720 乘 720。

FramesPerSecond：定义每秒显示的图像数量。我们正在显示大约 120 张图像，因此以每秒四帧的速度，我们的视频将长约 30 秒。如果您想使用此视频进行更定性的评估，您可以将其降至每秒 1 帧。将代码添加到现有脚本中。

// Export (change dimensions or scale for higher quality).
Export.video.toDrive({
  collection: collection,
  description: 'modisDWH',
  dimensions: 720,
  framesPerSecond: 4,
  region: buffer
});
1
2
3
4
5
6
7
8

与从 GEE 导出的任何内容一样，您需要在运行脚本后通过选择任务窗格中的运行按钮来执行此过程。导出此视频需要一些时间。根据您的连接速度和为视频选择的参数，此过程预计需要 10 到 20 分钟。为您的学习领域制作视频可以为您提供有趣且引人入胜的资源，展示该地区的一些特征。该视频将清楚地表明，墨西哥湾是一个普遍多云的地方，但会有一些图像，阳光下的油会发出明亮的光芒。可以在此处找到视频示例。

在本模块的下一步中，我们将研究更定量的方法来比较该区域随时间的光合活性。

// Set map to center on deep water horizon location
Map.setCenter(-88.36555556,28.73805556, 7);
 
// Define visualization parameters so the images are both presented in the same way.
var vis2 = {min:-7, max:14};
 
// Generate the based dataset for our processes.
var mod09 = ee.ImageCollection("NASA/OCEANDATA/MODIS-Aqua/L3SMI")
  .filterDate("2009-04-20","2009-07-31")
  .select("chlor_a")
  .median();
Map.addLayer(mod09, vis2, "09");
 
// Generate the based dataset for our processes.
var mod10 = ee.ImageCollection("NASA/OCEANDATA/MODIS-Aqua/L3SMI")
  .filterDate("2010-04-20","2010-07-31")
  .select("chlor_a")
  .median();
Map.addLayer(mod10, vis2, "10");
 
// Difference the model by subtracting.
var diff = mod10.subtract(mod09);
Map.addLayer(diff, {min:-6, max:6}, "diff");
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

使用检查器工具查看值的差异。较暗的区域表明 2009 年存在更多的藻类，较浅的区域表明 2010 年存在更多的藻类。

2009 年和 2010 年之间藻类浓度的差异。深色区域代表藻类浓度降低的区域，浅色区域是藻类浓度增加的区域。
 

非常黑暗的区域可能会提示我们油对藻类生产力有影响。但这是一个复杂的系统，明智的做法是查看数据的趋势，而不是直接比较两个时间步长。我们将研究两种不同的方法来观察藻类生产力随时间的变化趋势。

var constructMODDict = function(geometry)
  /*
  This function takes in a geometry feature from the GUI and uses it to
  generate a dictionary of median reduce images for the specified date range
  inputs
  geometry = geometry object representing you area of interest
  y_list = set based on sensor type
  imagecollection = unique id for collection type
  filterDate = cat() this is used to refine the month and day of start and end time
  With adaptation this should be flexible across sensors and times
  */
  {
  var startMonth = "-04-20";
  var endMonth = "-07-31";
  // Construct a dictionary for MODIS.
  var y_list = ee.List.sequence(2002, 2018);
  var ystr_list = y_list.map(function(y){return ee.Number(y).format('%1d')});
  var mod = y_list.map(function(y){return ee.ImageCollection('NASA/OCEANDATA/MODIS-Aqua/L3SMI')
                                          .filterDate(ee.String(ee.Number(y).format('%1d')).cat(startMonth),
                                                      ee.String(ee.Number(y).format('%1d')).cat(endMonth))
                                          .select("chlor_a")
                                          .median()
                                          .clip(geometry);
  })
  var mod_dict = ee.Dictionary.fromLists(ystr_list, mod);
  // Return MODIS dictionary.
  return mod_dict;
};
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

简而言之，此功能会在设定的日期范围内拉入所有图像，选择特定波段，应用中值缩减器，并将图像剪辑到几何特征。我们希望在多年内做到这一点，因此我们创建了一个我们想要涵盖的年份的列表。该列表被转换为ee.Number对象，用于选择和操作列表中所有年份的图像。创建图像时，它会存储在列表中。然后我们将该列表转换为一个字典，它允许我们通过将其键定义为它所代表的年份来跟踪图像。有关更多字典示例，请参阅模块 10。

运行上面的函数会将特性带入内存。在下面的代码中，我们调用该函数并提供几何特征作为输入。创建您自己的几何特征，包括路易斯安那州、密西西比州和阿拉巴马州的更多海岸线。作为参考，请使用第 5 节中受影响的沿海地区地图，并确保它包括距海岸 20 或 30 英里的距离。藻类在浅水区最为普遍，但我们希望包括潜在的栖息地。将以下代码添加到您的脚本以运行该函数。

// Apply function across the new geometry.
var elements = constructMODDict(geometry);
print(elements, "Image dictionary");
1
2
3

图像字典是存储数据的便捷功能，因为我们可以使用代表图像拍摄年份的键来选择图像。这使得分类和理解您正在使用的图像变得容易。也就是说，字典对于显示和运行图像分析没有用处。因此，我们将从字典中创建一个图像集合。将以下代码添加到现有脚本中。

// Convert the images in the dictionary to an image collection.
var collection2 = ee.ImageCollection.fromImages([
  ee.Image(elements.get('2002')),
  ee.Image(elements.get('2003')),
  ee.Image(elements.get('2004')),
  ee.Image(elements.get('2005')),
  ee.Image(elements.get('2006')),
  ee.Image(elements.get('2007')),
  ee.Image(elements.get('2008')),
  ee.Image(elements.get('2009')),
  ee.Image(elements.get('2010')),
  ee.Image(elements.get('2011')),
  ee.Image(elements.get('2012')),
  ee.Image(elements.get('2013')),
  ee.Image(elements.get('2014')),
  ee.Image(elements.get('2015')),
  ee.Image(elements.get('2016')),
  ee.Image(elements.get('2017')),
  ee.Image(elements.get('2018'))
  ]);
 
print(collection2)
Map.addLayer(collection2,{},'ic')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

这不是一种有效的方法，但它确实有效。如果您的字典中有大量图像，则必须找到一种更有创意的方法来创建这个新的图像集合。探索的另一种选择是map()GEE 中的函数，它的工作方式类似于 for 循环或lapply()R 中的函数。

将图像集添加到地图后，我们可以使用检查器工具在地图上选择一个位置，并查看所选位置在 17 年时间段内的叶绿素 a 中值浓度直方图。石油泄漏发生在 2010 年，我们的图像从 2002 年开始。这意味着直方图上的第八个位置代表 2010 年。您可以通过将直方图上的值与 2009 年和 2010 年栅格中的值进行比较来验证这一点。检查器工具将在您选择的位置显示所有图像的值。

显示所有可用 MODIS 图像中选定位置的叶绿素 a 浓度中值的直方图。
 

// Define start and end dates.
var start = '2008-01-01';
var end = '2012-12-31';
 
// Select all images with the months of April to July with a date range
var col = ee.ImageCollection("NASA/OCEANDATA/MODIS-Aqua/L3SMI")
  .filterDate(start, end)
  .filter(ee.Filter.calendarRange(4,7,'month'))
  .filterBounds(geometry)
  .select("chlor_a");
 
print(col, "Individual Images By Year");
1
2
3
4
5
6
7
8
9
10
11
12

在上面的代码中，我们应用了一个非常熟悉的过滤过程，并添加了一个新的过滤元素。该ee.Filter.calendarRange()功能允许您按图像元数据（时间戳、日、月、年）中的时间元素进行过滤。在我们的例子中，我们选择的是在一年中的第四个月到第七个月之间拍摄的图像。这是一个非常方便的过滤器！

单击 Geometry Imports 下的“+ new layer”以生成新的几何特征并将其放置在地图上。将该功能重命名为“roi”。您可以随时调整要素的大小和位置，但请记住，几何图形越大，完成汇总统计所需的时间就越长。

可用于运行汇总统计的小感兴趣区域的示例。
 

这个几何特征将定义我们编译数据的来源。为了可视化数据，我们将使用该ui.Chart()函数。此函数需要用于输入数据的 imageCollection、用于定义区域的几何特征以及用于将区域内的所有元素编译为单个值的 reducer 函数。将以下代码添加到您的脚本以生成和查看图表。

// Plot a time series of the chlor_a at a single location or summarize values within an area.
var l8Chart = ui.Chart.image.series({imageCollection: col,
   region: roi,
   reducer: ee.Reducer.median()}
 ).setChartType('ScatterChart');
 
print(l8Chart);
1
2
3
4
5
6
7

该图表将出现在您的控制台中。使用图表右上角的箭头将图表打开为全尺寸网页。您还可以选择保存数据或图表图像以供进一步工作。

2010 年石油释放日期范围内多年图像中的每日叶绿素-a 浓度。
 

很容易看出汇总数据和单个图像数据如何讲述略有不同的故事。单个图像数据的复杂性清楚地表明，藻类浓度是一个非常动态的特征，并且对随着时间的变化做出科学合理的声明将需要大量的额外工作。重要的是数据就在那里，只是需要付出努力。

// Set map to center on deep water horizon location.
Map.setCenter(-88.36555556,28.73805556, 6);
 
// Define visualization parameters so the images are both presented in the same way.
var vis2 = {min:-7, max:14};
 
// Generate the based dataset for our processes.
var mod09 = ee.ImageCollection("NASA/OCEANDATA/MODIS-Aqua/L3SMI")
  .filterDate("2009-04-20","2009-07-31")
  .select("chlor_a")
  .median();
Map.addLayer(mod09, vis2, "09");
 
// Generate the based dataset for our processes.
var mod10 = ee.ImageCollection("NASA/OCEANDATA/MODIS-Aqua/L3SMI")
  .filterDate("2010-04-20","2010-07-31")
  .select("chlor_a")
  .median();
Map.addLayer(mod10, vis2, "10");
 
// Difference the model by subtracting.
var diff = mod10.subtract(mod09);
Map.addLayer(diff, {min:-6, max:6}, "diff");
 
var constructMODDict = function(geometry)
  /*
  This function takes in a geometry feature from the GUI and uses it to
  generate a dictionary of median reduce images for the specified date range
  inputs
  
  geometry = geometry object representing you area of interest
  y_list = set based on sensor type
  imagecollection = unique id for collection type
  filterDate = this is used to refine the month and day of start and end time
  
  With adaptation this should be flexible across sensors and date ranges.
  */
  {
  var startMonth = "-04-20";
  var endMonth = "-07-31";
  // Construct a dictionary for MODIS.
  var y_list = ee.List.sequence(2002, 2018);
  var ystr_list = y_list.map(function(y){return ee.Number(y).format('%1d')});
  var mod = y_list.map(function(y){return ee.ImageCollection('NASA/OCEANDATA/MODIS-Aqua/L3SMI')
                                          .filterDate(ee.String(ee.Number(y).format('%1d')).cat(startMonth),
                                                      ee.String(ee.Number(y).format('%1d')).cat(endMonth))
                                          .select("chlor_a")
                                          .median()
                                          .clip(geometry);
  })
  var mod_dict = ee.Dictionary.fromLists(ystr_list, mod);
  // Return MODIS dictionary.
  return mod_dict;
};
 
// Apply function across the new geometry.
var elements = constructMODDict(geometry);
print(elements, "Image dictionary");
 
// Convert the images in the dictionary to an image collection.
var collection2 = ee.ImageCollection.fromImages([
  ee.Image(elements.get('2002')),
  ee.Image(elements.get('2003')),
  ee.Image(elements.get('2004')),
  ee.Image(elements.get('2005')),
  ee.Image(elements.get('2006')),
  ee.Image(elements.get('2007')),
  ee.Image(elements.get('2008')),
  ee.Image(elements.get('2009')),
  ee.Image(elements.get('2010')),
  ee.Image(elements.get('2011')),
  ee.Image(elements.get('2012')),
  ee.Image(elements.get('2013')),
  ee.Image(elements.get('2014')),
  ee.Image(elements.get('2015')),
  ee.Image(elements.get('2016')),
  ee.Image(elements.get('2017')),
  ee.Image(elements.get('2018'))
  ]);
 
print(collection2)
Map.addLayer(collection2,{},'ic')
 
// Define start and end dates.
var start = '2008-01-01';
var end = '2012-12-31';
 
// Select all images with the months of April to July with a date range.
var col = ee.ImageCollection("NASA/OCEANDATA/MODIS-Aqua/L3SMI")
  .filterDate(start, end)
  .filter(ee.Filter.calendarRange(4,7,'month'))
  .filterBounds(geometry)
  .select("chlor_a");
 
print(col, "Individual Images By Year");
 
// Plot a time series of the chlor_a at a single location 
// or summarize values within an area.
var l8Chart = ui.Chart.image.series({imageCollection: col,
  region: roi,
  reducer: ee.Reducer.median()}
).setChartType('ScatterChart');
 
print(l8Chart);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104