十四

function addVIs(img){

var gcvi=img.expression(\''(nir / green) - 1\'',{

nir: img.select(\''NIR\''),

green: img.select(\''GREEN\'')

}).select([0], [\''GCVI\'']);

return ee.Image.cat([img, gcvi]);

}

现在我们准备为我们的研究区域提取 Landsat 7和8图像并应用上述函数。我们将访问2020年1月1日至12月31日期间与麦克莱恩县相交的所有图像。由于不同的作物有不同的生长特征，因此获得时间序列图像来区分作物何时生长、衰老和收获是有价值的。各个时间点的光谱反射率差异也可以提供信息。

// Define study time period.

var start_date=\''2020-01-01\'';

var end_date=\''2020-12-31\'';

// Pull Landsat 7 and 8 imagery over the study area between start and end dates.

var landsat7coll=landsat7

.filterBounds(geometry)

.filterDate(start_date, end_date)

.map(renameL7);

var landsat8coll=landsat8

.filterDate(start_date, end_date)

.filterBounds(geometry)

.map(renameL8);

接下来，我们合并 Landsat 7 和 Landsat 8 集合，遮盖云层，并将 GCVI 添加为波段。

// Merge Landsat 7 and 8 collections.

var landsat=landsat7coll.merge(landsat8coll)

.sort(\''system:time_start\'');

// Mask out non-clear pixels, add VIs and time variables.

landsat=landsat.map(addMask)

.map(maskQAClear)

.map(addVIs);

我们可以使用ui根据 CDL 的说法，图表对象可可视化特定点处的综合 Landsat GCVI 时间序列，在本例中该点位于玉米田中。

// Visualize GCVI time series at one location.

var point=ee.Geometry.Point([-88.81417685576481,

40.579804398254005

]);

var landsatChart=ui.Chart.image.series(landsat.select(\''GCVI\''),

point)

.setChartType(\''ScatterChart\'')

.setOptions({

title: \''Landsat GCVI time series\'',

lineWidth: 1,

pointSize: 3,

});

print(landsatChart);

在伊利诺伊州麦克莱恩县的一个玉米点可视化的陆地卫星 GCVI 时间序列。GCVI 越高，叶片叶绿素含量越高；农作物在六月开始变绿，在九月开始衰老。

最后，我们还看一下将用于训练和评估分类器的作物类型数据集。我们加载2020年的 CDL 图像并选择包含作物类型信息的图层。

// Get crop type dataset.

var cdl=ee.Image(\''USDA/NASS/CDL/2020\'').select([\''cropland\'']);