Введение

Здесь мы вычисляем площадь воды изображения,Вот предварительная обработка изображения,Самый важный процесс — как вычислить площадь пикселя.,кроме того,Как использовать функцию статистики для суммирования статистики, какова площадь всего пикселя.

Индекс NDWI

Индекс NDWI означает нормализованный индекс разницы воды (нормализованный Difference Water Index) — индекс, используемый для обнаружения и извлечения водных объектов при анализе изображений дистанционного зондирования. Индекс NDWI использует разницу между отражательной способностью в зеленом и ближнем инфракрасном диапазонах, чтобы различать воду и землю. Формула выглядит следующим образом:

NDWI = (Green - NIR) / (Green + NIR)

Среди них зеленый представляет отражательную способность полосы зеленого света, а NIR представляет отражательную способность ближнего инфракрасного диапазона.

Значения NDWI варьируются от -1 до 1, причем более высокие значения указывают на то, что пиксель, скорее всего, является водоемом, а более низкие значения указывают на то, что это, скорее всего, земля. Вообще говоря, значение NDWI более 0,3 считается водным объектом, а значение NDWI менее 0,3 считается наземным объектом.

Индекс NDWI широко используется в мониторинге водных ресурсов.、мониторинг озера、мониторинг наводнений、Мониторинг ледников и другие области,Это имеет большое значение для глобального управления водными ресурсами и экологических исследований.

функция

ee.Image.pixelArea()

Generate an image in which the value of each pixel is the area of that pixel in square meters. The returned image has a single band called "area."

Создает изображение, где значение каждого пикселя — это площадь этого пикселя в квадратных метрах. Возвращенное изображение имеет полосу с именем «регион». "

No arguments.

Returns: Image

reduceRegion(reducer, geometry, scale, crs, crsTransform, bestEffort, maxPixels, tileScale)

Apply a reducer to all the pixels in a specific region.

Either the reducer must have the same number of inputs as the input image has bands, or it must have a single input and will be repeated for each band.

Returns a dictionary of the reducer's outputs.

Применяет редуктор ко всем пикселям в определенной области.

Редуктор должен иметь то же количество входов, что и диапазоны частот входного изображения, или он должен иметь один вход и будет повторяться для каждой полосы частот.

Возвращает словарь выходных данных редуктора.

Arguments:

this:image (Image):

The image to reduce.

reducer (Reducer):

The reducer to apply.

geometry (Geometry, default: null):

The region over which to reduce data. Defaults to the footprint of the image's first band.

scale (Float, default: null):

A nominal scale in meters of the projection to work in.

crs (Projection, default: null):

The projection to work in. If unspecified, the projection of the image's first band is used. If specified in addition to scale, rescaled to the specified scale.

crsTransform (List, default: null):

The list of CRS transform values. This is a row-major ordering of the 3x2 transform matrix. This option is mutually exclusive with 'scale', and replaces any transform already set on the projection.

bestEffort (Boolean, default: false):

If the polygon would contain too many pixels at the given scale, compute and use a larger scale which would allow the operation to succeed.

maxPixels (Long, default: 10000000):

The maximum number of pixels to reduce.

tileScale (Float, default: 1):

A scaling factor between 0.1 and 16 used to adjust aggregation tile size; setting a larger tileScale (e.g., 2 or 4) uses smaller tiles and may enable computations that run out of memory with the default.

Returns: Dictionary

код

var coordinates = [
  [42.000552219688586, 38.18969302118053],
  [43.868228000938586, 38.18969302118053],
  [43.868228000938586, 39.209978258633186],
  [42.000552219688586, 39.209978258633186],
  [42.000552219688586, 38.18969302118053]
];

var roi = ee.Geometry.Polygon(coordinates);

Map.addLayer(roi)

var time_start = '2023', time_end = '2024'

var landsat = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
.filterDate(time_start, time_end)
.filter(ee.Filter.lt('CLOUD_COVER', 10))
.filter(ee.Filter.calendarRange(6,9,'month'))
.filterBounds(roi).map(function(img){
  var bands = img.select('SR_.*').multiply(2.75e-05).add(-0.2);
  var ndwi = bands.normalizedDifference(['SR_B3','SR_B5']).rename('ndwi');
  return ndwi
  .copyProperties(img, img.propertyNames())
  }).median();


Map.addLayer(landsat.clip(roi), [], 'ndwi_summer', false);
Map.addLayer(landsat.clip(roi).gt(0), [], 'ndwi_thr', false);

var thr = landsat.gt(0.1);
var mask = thr.updateMask(thr);

Map.addLayer(mask, [], 'ndwi_masked', false);


var pixel_area = mask.multiply(ee.Image.pixelArea().divide(1e6));

Map.addLayer(pixel_area.clip(roi), [], 'ndwi_pixel_area', false);

var lake_area = pixel_area.reduceRegion({
  reducer: ee.Reducer.sum(), geometry: roi, scale: 100
  }).values().get(0);
  
  
print(ee.Number(lake_area))

результат