wordpress修改页尾长沙seo推广外包
【WRF数据准备】基于GEE下载静态地理数据
- 准备：WRF所需静态地理数据（Static geographical data）
- 数据范围说明
- 基于GEE下载叶面积指数及绿色植被率
- GEE数据集介绍
- 数据下载：LAI（叶面积指数）和Fpar（绿色植被率）
- 数据处理：基于Python处理为单波段LAI数据
- 参考
GEE的介绍可参见另一博客 【GEE学习第一期】GEE介绍、注册及基本使用，本博客主要介绍基于GEE平台下载所需静态地理数据。
准备：WRF所需静态地理数据（Static geographical data）
主要的所需静态地理数据如下：
- Albedo
- 叶面积指数LAI: Leaf area index
- 光合有效辐射分数Fpar: Green vegetation fraction
- 不透水面积ISA: Impervious Surface Area
- 土地利用Land use
GEE的相关静态地理数据介绍可参见另一博客-【GEE数据库】WRF常用数据集总结。
数据范围说明
在确定研究区域范围（此博客以粤港澳大湾区为例）后，可下载处理所需的静态地理数据。
经纬度范围：
- 网格1：经度（106 120.58） 纬度（16.626 29.748）
- 网格2：经度（108.43 118.15） 纬度（18.813 27.561）
- 网格3：经度（111.346 115.477） 纬度（21.486 24.402）
更新，采用Lambert投影确定的研究区范围如下：
网格经纬度范围：上：33 下：14 左：102 右：123，下载数据年份选择2020年。
基于GEE下载叶面积指数及绿色植被率
叶面积指数LAI（leaf area index） 为单位土地面积绿色叶片的单面面积总和，即：叶面积指数=叶片总面积/土地面积，它与植被的密度、结构（单层或复层）、树木的生物学特性（分枝角、叶着生角、耐荫性等）和环境条件（光照、水分、土壤营养状况）有关，是表示植被利用光能状况和冠层结构的一个综合指标。
叶面积指数的测定有直接方法、间接方法。由于直接方法具有一定的破坏性，耗时耗力，并且无法反映大面积、大范围内的植被LAI分布情况，间接测定方法尤其是其中的遥感法，以其具有的快速、实时、大面积、不受植被类型影响等优势，成为应用最为广泛的LAI监测手段。
随着遥感技术的飞速发展，越来越多高时间分辨率、高空间分辨率、多光谱、高光谱遥感卫星数据实现了LAI监测。
GEE数据集介绍
Google Earth Engine ——MYD15A2H V6 MODIS综合叶面积指数（LAI）和光合有效辐射分数（FPAR）产品是一个500米分辨率的8天综合数据集。
- 叶面积指数（LAI）
- 光合有效辐射吸收比率（fraction of absorbed photosynthetically active radiation, FAPAR/FPAR）是描述太阳光在冠层辐射传输过程中植被吸收比例的参量， 一般定义为植被对波长在400 nm—700 nm 间太阳辐射能量的吸收比率。
数据介绍官网-MYD15A2H.061: Aqua Leaf Area Index/FPAR 8-Day Global 500m
GEE中代码：
ee.ImageCollection('MODIS/061/MYD15A2H')
数据下载：LAI（叶面积指数）和Fpar（绿色植被率）
1、选取空间范围
//var geometry = ee.FeatureCollection('文件地址/Boundary');
var geometry = ee.Geometry.Rectangle([-102,34,-84,48],'EPSG:4326',false);
//var geometry = ee.Geometry.Rectangle([-94.9910,40.6107,-92.3703,42.57729],'EPSG:4326',false)
说明：EPSG:4326是WGS 84坐标系统，也称为全球地球坐标系统(GCS)，是一种广泛使用的地理坐标系统。 这个坐标系统使用经度(longitude)和纬度(latitude)来定义地球上的位置，其中经度的范围是-180到+180，纬度的范围是-90到+90。
2、选取数据集来源：类型、时间范围等
- ee.ImageCollection(‘MODIS/006/MCD15A3H’)：加载 MODIS 版本 006 的 MCD15A3H 数据集，这个数据集提供了“叶面积指数”（LAI）的信息。
- .select(‘Lai’)：从数据集中选择“Lai”波段，提取叶面积指数。
- .filterDate()：过滤图像集合，只保留在 2012 年 1 月 1 日到 2012 年 12 月 31 日之间的图像。
var LAI = ee.ImageCollection('MODIS/006/MCD15A3H').select('Lai').filterDate(ee.Date('2012-01-01'), ee.Date('2012-12-31'))var Fpar = ee.ImageCollection('MODIS/006/MCD15A3H').select('Fpar').filterDate(ee.Date('2012-01-01'), ee.Date('2012-12-31'))
3、创建一个每月的总数集合
这段代码用于处理 MODIS 数据集中的 LAI 和 Fpar，通过按月计算每个月的平均值
- ee.List.sequence(1, 12)：生成一个包含从 1 到 12 的整数列表，表示一年中的每个月。
var months = ee.List.sequence(1, 12);
//print(months);
//Output: [1,2,3,4,5,6,7,8,9,10,11,12]
- months.map(function(m) {…})：对每个月（m）进行迭代。
- LAI.filter(ee.Filter.calendarRange(m, m, ‘month’))：从 LAI 图像集合中过滤出当前月份的图像。
- .mean()：计算该月份图像的平均值。
- .set(‘month’, m)：为计算出的平均图像设置一个属性，标记其对应的月份。
- ee.ImageCollection.fromImages(…)：将所有月份的平均图像组合成一个新的图像集合。
var byMonth_LAI = ee.ImageCollection.fromImages(months.map(function(m) {return LAI.filter(ee.Filter.calendarRange(m, m, 'month')).mean().set('month', m);
}).flatten());
这部分代码与计算 LAI 平均值的部分类似，只是它处理的是 Fpar 图像集合。
通过相同的逻辑，过滤出每个月的图像并计算平均值，最终生成一个包含每个月 Fpar 平均值的图像集合。
var byMonth_Fpar = ee.ImageCollection.fromImages(months.map(function(m) {return Fpar.filter