前言：主要介绍哨兵2号卫星下计算NDVI的值、遥感影像和数据的获取。

---

1 基础知识

Sentinel-2：中文名哨兵2号卫星。

• Sentinel-2是一种宽测绘带、高分辨率、多光谱成像任务，支持哥白尼土地监测研究，包括植被、土壤和水覆盖的监测，以及内陆水道和沿海地区的观察。
• Sentinel-2 L2数据从scihub下载。它们是通过运行sen2cor计算的。警告：ESA没有为所有一级资产生成二级数据，早期的二级覆盖范围不是全局的。
• 这些资源包含12个UINT16光谱带，代表按10000缩放的SR（与L1数据不同，没有B10）。还有几个L2特定的频段（有关详细信息，请参阅频段列表）。有关详细信息，请参阅Sentinel-2用户手册。此外，存在三个QA频带，其中一个（QA60）是具有云掩码信息的位掩码频带。有关更多详细信息，请参阅如何计算云遮罩的完整解释。
• Sentinel-2 L2资产的EE资产ID具有以下格式：哥白尼/S2\U SR/20151128 002653\U 20151128 102149\U T56MNN。这里，第一个数字部分表示感应日期和时间，第二个数字部分代表产品生成日期和时间。最后一个6个字符的字符串是一个唯一的颗粒标识符，指示其UTM网格参考（请参阅MGRS）。

NDVI的计算公式：NDVI = (近红外波段 - 红波段) / (近红外波段 + 红波段)
针对每种卫星的波段，选用的波段都有所不同，公式如下：

• Landsat8: NDVI = (band5 - band4) / (band5 + band4)
• Sentinel2: NDVI = (band8 - band4) / (band8 + band4)
• Modis: NDVI = (band2 - band1) / (band2 + band1)
• ETM/TM: NDVI = (band4 - band3) / (band4 + band3)
• AVHRR: NDVI = (CH2 - CH1) / (CH2 + CH1)

2 影像、数据、变化趋势实现

代码如下（以鹿邑县为例）

//以鹿邑县为例子
var geometry = ee.FeatureCollection('users/www1573979951/luyixian')
Map.centerObject(geometry,7)
//颜色设置 
var colorizedVis = {
  min: -0.8,
  max: 0.8,
  palette: ['blue', 'white', 'green'],
};
 
//使用QA波段去云
function maskS2clouds(image) {
  var qa = image.select('QA60');
  // Bits 10 and 11 are clouds and cirrus, respectively.
  var cloudBitMask = 1 << 10;
  var cirrusBitMask = 1 << 11;
  // Both flags should be set to zero, indicating clear conditions.
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
      .and(qa.bitwiseAnd(cirrusBitMask).eq(0));
  return image.updateMask(mask).divide(10000).set(image.toDictionary(image.propertyNames()));
}

//NDVI的计算公式
function createNDVI(image){
  var ndvi = image.normalizedDifference(["B8","B4"]).rename('NDVI');
  return image.addBands(ndvi);
}

//特别注意的是，在数学变换之后，保持原始影像的属性，所以这里.set(image.toDictionary(image.propertyNames()));
var S2_COL = ee.ImageCollection("COPERNICUS/S2")
.filterDate("2020-01-01", "2020-12-31")
.filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE',20))
.filterBounds(geometry)
.map(maskS2clouds)
.map(createNDVI)
.select('NDVI');
print(S2_COL)
Map.addLayer(S2_COL.mean().clip(geometry), colorizedVis, 'col');

//趋势线代码 
var S2_chart = ui.Chart.image.series({
    imageCollection: S2_COL.select('NDVI'),
    region: geometry,
    reducer: ee.Reducer.mean(),
    scale: 500
    }).setOptions({
      interpolateNulls: true,
      lineWidth: 2,
      title: 'NDVI Time Seires',
      vAxis: {title: 'NDVI'},
      hAxis: {title: 'Date'},
      trendlines: { 0: {title: 'NDVI_trend',type:'linear', showR2: true,  color:'red', visibleInLegend: true}}
    });
print(S2_chart);
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

遥感影像截图：

数据集截图（51个数据集）：

表格数据以及变化趋势截图：

CSV数据：

3 月平均数据的变化趋势

代码如下（以鹿邑县为例）：

//以鹿邑县为例子
var geometry = ee.FeatureCollection('users/www1573979951/luyixian')
Map.centerObject(geometry,7)
//颜色设置 
var colorizedVis = {
  min: -0.8,
  max: 0.8,
  palette: ['blue', 'white', 'green'],
};
 
//使用QA波段去云
function maskS2clouds(image) {
  var qa = image.select('QA60');
  // Bits 10 and 11 are clouds and cirrus, respectively.
  var cloudBitMask = 1 << 10;
  var cirrusBitMask = 1 << 11;
  // Both flags should be set to zero, indicating clear conditions.
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
      .and(qa.bitwiseAnd(cirrusBitMask).eq(0));
  return image.updateMask(mask).divide(10000).set(image.toDictionary(image.propertyNames()));
}

//NDVI的计算公式
function createNDVI(image){
  var ndvi = image.normalizedDifference(["B8","B4"]).rename('NDVI');
  return image.addBands(ndvi);
}

//特别注意的是，在数学变换之后，保持原始影像的属性，所以这里.set(image.toDictionary(image.propertyNames()));
var S2_COL = ee.ImageCollection("COPERNICUS/S2")
.filterDate("2020-01-01", "2020-12-31")
.filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE',20))
.filterBounds(geometry)
.map(maskS2clouds)
.map(createNDVI)
.select('NDVI');
print(S2_COL)
Map.addLayer(S2_COL.median().clip(geometry), colorizedVis, 'col');


var years = ee.List.sequence(2020, 2020);
var months = ee.List.sequence(1, 12);
var S2_monthlymeanNDVI =  ee.ImageCollection.fromImages(
  years.map(function (y) {
    return months.map(function(m) {
    return S2_COL.filter(ee.Filter.calendarRange(y,y, 'year')).filter(ee.Filter.calendarRange(m, m, 'month')).mean().set('year', y).set('month', m).set('system:time_start', ee.Date.fromYMD(y, m, 1));
    });
  }).flatten()
);
// Create a monthly time series chart.
var plotNDVI = ui.Chart.image.seriesByRegion(S2_monthlymeanNDVI, geometry,ee.Reducer.mean(),
'NDVI',500,'system:time_start')
              .setChartType('LineChart').setOptions({
                interpolateNulls: true,
                title: 'NDVI Monthly time series',
                hAxis: {title: 'Date'},
                vAxis: {title: 'NDVI',viewWindowMode: 'explicit', viewWindow: {max: 0.7,min: 0.3,},gridlines: {count: 10,}},
                trendlines: { 0: {title: 'NDVI_trend',type:'linear', showR2: true,  color:'red', visibleInLegend: true}}});
// Display.
print(plotNDVI);
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

影像截图：

表格变化趋势图：

CSV数据截图：