随着航空、航天、近地空间等多个遥感平台的不断发展，近年来遥感技术突飞猛进。由此，遥感数据的空间、时间、光谱分辨率不断提高，数据量也大幅增长，使其越来越具有大数据特征。对于相关研究而言，遥感大数据的出现为其提供了前所未有的机遇，但同时也提出了巨大的挑战。传统的工作站和服务器已经无法满足大区域、多尺度海量遥感数据处理的需要。为解决这一问题，国内外涌现了许多全球尺度地球科学数据（尤其是卫星遥感数据）在线可视化计算和分析云平台如谷歌EarthEngine（GEE）、航天宏图的PIEEngine和阿里的AIEarth等。其中，EarthEngine最为强大，能够存取和同步遥感领域目前常用的MODIS、L
文章目录前言第一步：定义研究区，自行更换自己的研究区第二步：加载数据集,定义去云函数第三步：主函数,计算生态指标第四步：PCA融合，提取第一主成分第五步：利用PC1，计算RSEI，并归一化完整代码总结前言城市生态与人类生活息息相关，快速、准确、客观地了解城市生态状况已成为生态领域的一个研究重点。基于遥感技术，提出一个完全基于遥感技术，以自然因子为主的遥感生态指数(RSEI)来对城市的生态状况进行快速监测与评价。该指数利用主成分分析技术集成了植被指数、湿度分量、地表温度和建筑指数等4个评价指标，它们分别代表了绿度、湿度、热度和干度等4大生态要素。本文基于GEE平台，实现RSEI算法。运行结果：第
文章目录前言第一步：定义研究区，自行更换自己的研究区第二步：加载数据集,定义去云函数第三步：主函数,计算生态指标第四步：PCA融合，提取第一主成分第五步：利用PC1，计算RSEI，并归一化完整代码总结前言城市生态与人类生活息息相关，快速、准确、客观地了解城市生态状况已成为生态领域的一个研究重点。基于遥感技术，提出一个完全基于遥感技术，以自然因子为主的遥感生态指数(RSEI)来对城市的生态状况进行快速监测与评价。该指数利用主成分分析技术集成了植被指数、湿度分量、地表温度和建筑指数等4个评价指标，它们分别代表了绿度、湿度、热度和干度等4大生态要素。本文基于GEE平台，实现RSEI算法。运行结果：第
LUCC1.2020年全球30米地表覆盖精细分类产品V1.01.1背景1.2分类体系1.31985-2020年全球30米精细地表覆盖动态监测产品1.4下载数据展示2.MCD12Q1.006MODISLandCoverTypeYearlyGlobal==500m==2.1数据介绍2.2分类体系2.3GEEcode今天分享两个土地利用数据，一个可以直接下载（30m），另一个需要使用GEE平台进行下载（500m）。1.2020年全球30米地表覆盖精细分类产品V1.0 该数据来自中科院空天院数据网络——刘良云老师团队，里面包含了2000、2005、2010、2020年的土地覆盖数据，精度为30m，附
LUCC1.2020年全球30米地表覆盖精细分类产品V1.01.1背景1.2分类体系1.31985-2020年全球30米精细地表覆盖动态监测产品1.4下载数据展示2.MCD12Q1.006MODISLandCoverTypeYearlyGlobal==500m==2.1数据介绍2.2分类体系2.3GEEcode今天分享两个土地利用数据，一个可以直接下载（30m），另一个需要使用GEE平台进行下载（500m）。1.2020年全球30米地表覆盖精细分类产品V1.0 该数据来自中科院空天院数据网络——刘良云老师团队，里面包含了2000、2005、2010、2020年的土地覆盖数据，精度为30m，附
最近老师让看一下关于GEE的东西，实现大面积的反演、计算地表温度等，也算熟悉一下。参考网上很多大佬的文章，按照自己的思路和想法算出了RSEI，参考的文章都有列出来。目录所用数据集影像数据矢量数据地表气温数据RSEI计算流程图四个指数的计算Wet、NDVI、NDBSI的计算LST的计算对水体进行掩膜归一化主成分分析出图代码参考链接所用数据集影像数据影像数据是：LANDSAT/LC08/C02/T1_L2（就是LANDSAT8下面的Collection2Level2T1数据）。总的来说就是Collection2比Collection1好，T1比T2好，具体的不同可以见如下链接。数据介绍以下是此数据
最近老师让看一下关于GEE的东西，实现大面积的反演、计算地表温度等，也算熟悉一下。参考网上很多大佬的文章，按照自己的思路和想法算出了RSEI，参考的文章都有列出来。目录所用数据集影像数据矢量数据地表气温数据RSEI计算流程图四个指数的计算Wet、NDVI、NDBSI的计算LST的计算对水体进行掩膜归一化主成分分析出图代码参考链接所用数据集影像数据影像数据是：LANDSAT/LC08/C02/T1_L2（就是LANDSAT8下面的Collection2Level2T1数据）。总的来说就是Collection2比Collection1好，T1比T2好，具体的不同可以见如下链接。数据介绍以下是此数据
1.获取校正过的Landsat 影像 在这里可以看到GEE提供的全部Landsat数据：LandsatCollectionsinEarthEngine | EarthEngineDataCatalog | GoogleDevelopers 随便点进去，比如Landsat8，有三个数据，一个是地表面反射率数据，一个是大气层顶部的反射率数据，一个是raw。大气层顶部的反射数据需要进行大气校正才可以得到地表反照率。而raw数据自带了一个simplecomposite函数可以一步实现大气校正+去云（但亲测效果真的很靠运气，而且不是很好）。所以我推荐直接用地表反射率数据，不必
1.获取校正过的Landsat 影像 在这里可以看到GEE提供的全部Landsat数据：LandsatCollectionsinEarthEngine | EarthEngineDataCatalog | GoogleDevelopers 随便点进去，比如Landsat8，有三个数据，一个是地表面反射率数据，一个是大气层顶部的反射率数据，一个是raw。大气层顶部的反射数据需要进行大气校正才可以得到地表反照率。而raw数据自带了一个simplecomposite函数可以一步实现大气校正+去云（但亲测效果真的很靠运气，而且不是很好）。所以我推荐直接用地表反射率数据，不必
