深入解析：GEE AI：基于Landsat和Satellite Embeding卫星数据进行8年的植被覆盖变化监测与分析

基于Landsat 8的2017-2024年植被动态监测：NDVI时序分析全解析

本文将详细介绍如何利用Google Earth Engine平台和satellite Embeding和Landsat 8 卫星数据，对中国某区域（经纬度：109.84°E, 23.21°N）进行长达8年的植被覆盖变化监测与分析。

研究区域与方法

研究区概况

• 地理位置：中国华南地区（具体范围：109.8424°E-109.8531°E, 23.2037°N-23.2158°N）
• 区域面积：约1.5平方公里矩形区域和单点的森林区域
• 时间跨度：2017-2024年，共8个完整年度

技术路线

采用Landsat 8 Collection 2 TOA和satellite Embeding V1数据，通过NDVI（归一化植被指数）定量评估植被生长状况。

数据处理流程

1. 数据预处理

// 定义年度NDVI计算函数
function calculateAnnualNDVI(year) {

var startDate = ee.Date.fromYMD(year, 1, 1);
var endDate = startDate.advance(1, 'year');
// 加载并筛选Landsat 8数据
var landsat = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
.filterBounds(geometry)
.filterDate(startDate, endDate)
.filter(ee.Filter.lt('CLOUD_COVER', 20)) // 云量低于20%
.median() // 中位数合成去云
.clip(geometry);
// 计算NDVI: (近红外 - 红光) / (近红外 + 红光)
var ndvi = landsat.normalizedDifference(['B5', 'B4']).rename('NDVI');
// var sm =  ee.ImageCollection('GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL')
//     .filterBounds(geometry)
//   .filterDate(startDate, endDate)
//   .median() // 使用中位数合成
//   .clip(geometry);
// // 计算NDVI: (NIR - Red) / (NIR + Red)
// // Landsat 8: NIR = B5, Red = B4
// var ndvi = sm.select('A16').subtract(sm.select('A01')).divide(sm.select('A16').add(sm.select('A01'))).rename('NDVI');
return ndvi.set({

'year': year,
'system:time_start': startDate.millis()
});
}

2. 多年度数据生成

// 生成2017-2024年NDVI数据集
var years = [2017, 2018, 2019, 2020, 2021, 2022, 2023, 2024];
var ndviCollection = ee.ImageCollection(years.map(calculateAnnualNDVI));

可视化展示

1. 空间分布可视化

设置专业的NDVI色带：

var ndviPalette = ['white', 'beige', 'yellow', 'green', 'darkgreen'];
var visParams = {

min: -0.2,  // 最小值（水体/裸土）
max: 0.8,   // 最大值（茂密植被）
palette: ndviPalette
};

2. 时间序列分析

计算区域平均NDVI值：

// 提取年度平均NDVI
var meanNDVI = ndviCollection.map(function<