十一

''post\'');

使用 SWIR 2、NIR 和红色的假色合成。由于植被在近红外波段具有高度反射性，因此绿色通道中的植被清晰可见。绿色的深浅可以表示植被密度；水通常显示为黑色至深蓝色；烧毁或贫瘠的区域显示为棕色。

第 3 节计算 NBR

下一步是数据转换，比如计算NBR。使用这些技术的优点是，数据以及数据中固有的噪声都已减少，以便简化两个图像之间的比较。图像差分是通过从第二日期图像的光谱值中逐像素减去第一日期图像的光谱值来完成的（图F4.4.2）。二维图像差分可以与单波段或光谱指数一起使用，具体取决于应用。确定正确的范围或指数来识别变化并找到正确的阈值来对其进行分类对于产生有意义的结果至关重要。使用已知的指数来突出感兴趣的变化事件之前和之后的土地覆盖状况是一个很好的起点。

例如，归一化水差指数有助于绘制洪水事件期间水位变化的图；NBR擅长检测土壤亮度；NDVI 可用于跟踪植被变化（尽管该指数很快就会饱和）。在某些情况下，建议使用已定制的派生波段组合来表示感兴趣的现象，例如使用归一化差异分数指数来监测森林退化

使用 NBR 检查火灾引起的景观变化，NBR 使用公式(NIR ? SWIR)/(NIR + SWIR) 来衡量火灾的严重程度。选择这些频段是因为它们对火灾引起的森林特定变化反应最强烈。这种类型的方程是变量的差除以它们的总和，被称为归一化差分方程（参见第F2.0章）。结果值始终介于-1和 1之间。NBR 可用于确定最近是否发生过火灾并对植被造成损害，但它的设计目的不是特别好地检测其他类型的土地覆盖变化。

首先，使用内置的归一化差函数计算每个时间段的 NBR 。对于 Landsat 8，请务必使用 NIR 和SWIR2 波段来计算 NBR。然后，使用内置的重命名功能重命名每个图像带。

// Calculate NBR.

var nbrPre=preImage.normalizedDifference([\''nir\'', \''swir2\''])

.rename(\''nbr_pre\'');

var nbrPost=postImage.normalizedDifference([\''nir\'', \''swir2\''])

.rename(\''nbr_post\'');

第 4节：单个日期转换

接下来，我们将检查已发生的变化，如比较两个特定日期时所看到的那样。

使用减法函数从事件后图像中减去事件前图像。使用专门的 Fabio Crameri batlow颜色渐变将两个日期的变化图像添加到地图。此色带是专为色盲和色弱观看者可读而设计的颜色组合的示例。了解你的制图选择是制作良好的变化地图的重要组成部分。

// 2-date change.

var diff=nbrPost.subtract(nbrPre).rename(\''change\'');

var palette=[

\''011959\'', \''0E365E\'', \''1D5561\'', \''3E6C55\'', \''687B3E\'',

\''9B882E\'', \''D59448\'', \''F9A380\'', \''FDB7BD\'', \''FACCFA\''

];

var visParams={

palette: palette,

min: -0.2,

max: 0.2

};

Map.addLayer(diff, visParams, \''change\'');

色带的最低值是深蓝色，中间值是绿色和橙色，最高值是粉红色。我们使用从nbrPost 中减去nbrPre 来识别每个像素的变化。由于存在植被时 NBR 值较高，因此变化图像中的负值区域将代表nbrPre 图像中比nbrPost图像中更高的像素。相反，正差异意味着该区域获得了植被。

在变化图中，较低值范围的区域（蓝色）表示植被受到负面影响的区域，较高值范围的区域（粉色）表示植被增加的区域；绿色/橙色区域变化不大。在事件前和事件后图像中，绿色区域表示植被，而棕色区域表示贫瘠的土地。

第 5节.变更分类

一旦图像被转换和差异化为了突出显示正在发生变化的区域，下一步是将图像分类为由稳定类和变化类组