GEE时序NDVI

### 使用 Google Earth Engine 进行时序地物识别的方法 #### 数据准备与预处理 在进行时序地物识别之前，需先准备好所需的数据集。通常会使用 Landsat 或 Sentinel 卫星系列的地表反射率影像作为基础数据源[^2]。这些卫星影像覆盖了多个光谱波段，能够有效区分不同类型的地表特征。 对于长时间序列分析而言，选择合适的时间范围至关重要。例如，在研究区内选取1990年至2020年期间共七个时期的Landsat地表反射率影像，并对其进行最小云量合成处理以减少天气因素的影响。此外，还需收集辅助地理信息资料如 SRTM 高程模型以及行政区划边界矢量文件来支持更精确的空间定位和分类工作。 #### 特征提取与时间序列构建 针对每一年份所获得的多光谱图像，可以采用多种方式提取有用的特征参数用于后续建模： - **植被指数**：NDVI（Normalized Difference Vegetation Index）、EVI（Enhanced Vegetation Index）等指标能很好地反映植物生长状况； - **水分敏感指数**：如 NDWI（Normalized Difference Water Index），有助于分离水体与其他地类； - **纹理特征**：利用灰度共生矩阵(GLCM)或其他统计方法衡量局部区域内的异质性程度； 接着将上述各时刻点上的特征组合起来形成完整的时空立方体结构，便于观察目标区域内随季节变化而呈现出的不同响应模式。 #### 地物类别定义与训练样本采集 根据实际需求设定待识别的主要土地覆被/利用类型，比如森林、农田、城市建成区等等。随后借助于已知参考地图或者实地考察结果挑选代表性样方位置并标注其所属类别标签，以此构成监督学习所需的正负例集合。 值得注意的是，在大规模场景下手动标记成本较高，因此也可以尝试半自动化的手段——即先由专家划定初始兴趣区再结合机器视觉算法自动扩展候选对象直至满足质量控制标准为止。 #### 建立分类模型并执行预测 有了充分准备好的输入变量之后就可以着手建立合适的判别函数来进行最终决策了。常见的做法是从简单线性的最大似然估计(Maximum Likelihood Estimation, MLE)，逐步过渡到复杂非线性的随机森林(Random Forests)乃至深度神经网络(Deep Neural Networks,DNN)架构之上。具体选用哪种方案取决于项目背景下的精度要求和技术条件限制等因素考量。 一旦选定好特定的学习框架，则可将其部署至 GEE 的 Python 或 JavaScript API 上运行求解任务。得益于强大的分布式计算能力支撑，即使面对TB级别的海量遥感大数据也能高效完成整个流程而不必担心性能瓶颈问题的发生[^3]。 ```javascript // 示例代码片段展示如何调用GEE内置库实现RF分类器训练过程 var classifier = ee.Classifier.smileRandomForest(10).train({ features: trainingData, classProperty: 'landcover', inputProperties: ['ndvi', 'evi', 'ndwi'] }); print('Trained RF Classifier:',classifier); ```