GEE案例：根据点位提取栅格值（acrgis的多值提取到点）_gee 根据点的位置读取反射率

1. 案例目标

在GEE中实现提取特定点位的栅格值，这一功能有很大的用途，通常为地面站点或者地面采样点的位置，从特定的产品集中提取数据。例如：多光谱反射率，气象参数，植被指数等等。也介绍了像元二分模型计算植被盖度FVC的方法。（max：95%， min：5%）

下面是具体的思路解释，代码也有详细的注释，有点懒没有对代码拆分进行介绍。

1. 首先导入研究区的ROI和研究区域的点矢量。
   因为是完整的代码，定义参数的时候把需要改的单独列出来了，可以将变量代入具体的数据集进行更改。
2. 根据自己的需求完善配色盘，也可以自己定义。
3. 制作数据集，案例提取了MODIS的7光谱，NDVI,EVI,LAI,FVC并将所有数据整合到一块。（Figure 1）
   3.1. 使用的是均值mean的植被指数
   3.2. 数据均需要乘以0.0001是因为存储数据的时候需要节省空间，使用的都是整数型。我们需要从数据集查询scale factor是多少，然后乘以这个scale
   3.3 遥感影像，需要使用质量控制波段去云，代码中有去云函数
   3.4 计算FVC的代码也贴了上去，使用的是像元二分模型计算的FVC。马里兰的GLASS数据集应该有近40年的FVC产品，可能准确些吧！
4. 提取值到点
   4.1 使用的是sampleRegions，具体含义可以在Docs查询。简要说明： collection是点矢量，properties是需要导出的属性（点矢量可能属性挺多），scale是提取点的时候检索的栅格的范围大小，对应数据集的栅格大小，landast就改为30，sentinel-2就是10
   4.2 reduceRegions貌似也可以，但是我不会
5. 将结果下载到Google Drive
   
   

2. 完整案例

该案例以欧亚大陆为ROI，进行部分点数据集的提取

//配色盘，可以自行定义，用于图层色阶的展示
var palettes = require('users/gena/packages:palettes');
var palette = palettes.misc.cubehelix[7];    
      
//  定义了函数，这部分是批量化的时候需要改变的参数
var roi = region
var output_name = 'export result'   
var point = samples
var start_time = '2018-07-15'
var end_time = '2018-08-15'      
var features = ['Sample_ID','Latitude','Longitude','NDVI','EVI','LAI',
              'b1','b2','b3','b4','b5','b6','b7', 'FVC']
      
/***************************************************************
1.定义样本点（经纬度信息）
***************************************************************/
// var roi = region
// var point = sample
Map.centerObject(point,4) 
Map.addLayer(point,{color:'red'},'sample_point')
print(point)

/***************************************************************
2.制作数据集，从GEE中提取需要的产品集。（以MODIS为例进行介绍）
***************************************************************/
// 2.1 选择MODIS的植被指数产品——VIs
// var start_time = '2020-7-01'
// var end_time = '2020-08-31'
var collection_mod1 = ee.ImageCollection("MODIS/061/MOD13A2")
                  .filterBounds(roi)
                   .filterDate(start_time, end_time);
//select feature (NDVI,EVI)
var VIs = collection_mod1.select(["NDVI","EVI"]);
// 计算真实的数据值
var multiply = function(image){ 
              // multply image  
              var img = image.multiply(0.0001);  
              return img.clip(roi)
              };
VIs = VIs.map(multiply).mean();
// 加载图层看一下
Map.addLayer(VIs.select('NDVI'), {min:0, max:1, palette:palette}, 'NDVI');//.select('NDVI')

// 2.2提取MODIS的光谱数据___各波段的SR
function rmCloud(image) {    // MODIS remove cloud 
  var qa = image.select('StateQA');
  var cloudBitMask = 1 << 0-1;
  var cirrusBitMask = 1 << 2;
  var cirrusBitMask1 = 1 << 8-9;
  var cirrusBitMask2 = 1 << 10;
  var cirrusBitMask3 = 1 << 12;
  var cirrusBitMask4 = 1 << 15;
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
               .and(qa.bitwiseAnd(cirrusBitMask).eq(0))
               .and(qa.bitwiseAnd(cirrusBitMask1).eq(0))
               .and(qa.bitwiseAnd(cirrusBitMask2).eq(0))
               .and(qa.bitwiseAnd(cirrusBitMask3).eq(0))
               .and(qa.bitwiseAnd(cirrusBitMask4).eq(0));
  return image.updateMask(mask);
}    
var SR_Col = ee.ImageCollection('MODIS/006/MOD09A1')            
                .filterBounds(roi)
                .filterDate(start_time, end_time)
                .map(rmCloud)
                .select(['sur_refl_b01','sur_refl_b02','sur_refl_b03','sur_refl_b04','sur_refl_b05','sur_refl_b06','sur_refl_b07'],
                        ['b1','b2','b3','b4','b5','b6','b7',])
var SR_Col = SR_Col.map(multiply).mean()
// print(SR_Col, 'SR_Col')
Map.addLayer(SR_Col.select('b7'), {min:0, max:1, palette:palette}, 'B7');//.select('b7')

// 2.3MODIS的叶面积指数___LAI
var LAI_Col = ee.ImageCollection("MODIS/006/MCD15A3H")
            .filterBounds(roi)
            .filterDate(start_time, end_time)
            .select('Lai')
var LAI = LAI_Col.mean().clip(roi).multiply(0.1).rename('LAI')
// print(LAI, 'LAI')
Map.addLayer(LAI, {min:0, max:1, palette:palette}, 'LAI');

// 2.4计算植被盖度_____FVC
function calFVC(BestVI,region,scale){
    var num = BestVI.reduceRegion({
      reducer:ee.Reducer.percentile([5,95]),
      geometry:region,
      scale:scale,
      maxPixels:1e13
    });
    print(num)
    var min = ee.Number(num.get("NDVI_p5"));
    var max = ee.Number(num.get("NDVI_p95"));
    //print(top_min);
    //print(top_max);
    var greaterPart = BestVI.gt(max);
    var lessPart    = BestVI.lt(min);
    var middlePart  =ee.Image(1).subtract(greaterPart).subtract(lessPart);
    //calculate FVC
    var tempf1=BestVI.subtract(min).divide(max.subtract(min));
    var FVC=ee.Image(1).multiply(greaterPart).add(ee.Image(0).multiply(lessPart))
                      .add(tempf1.multiply(middlePart))
    return FVC.rename('FVC');
}

var FVC = calFVC(VIs.select('NDVI'),roi,1000)
print(FVC,'FVC')
Map.addLayer(FVC, {min:0, max:1, palette:palette}, 'FVC');

// 2.将第一部分提取的数据整合到一块，构建一个数据集
var Datesets = VIs.addBands([LAI, SR_Col, FVC])
// var Datesets = VIs.addBands(SR_Col)
print(Datesets,'Datasets')

/***************************************************************
3. 值提取到点
能实现这个功能的有很多函数，介绍下sampleRegions()
***************************************************************/
// extract feature_
var samples_datesets=Datesets.sampleRegions({
  collection:point,
  // properties:["Sample_ID","Longitude","Latitude"],
  scale:1000
})
print('result_extract', samples_datesets)

/***************************************************************
4.将数据转为列表导出结果
***************************************************************/
//export 
Export.table.toDrive({
  collection:samples_datesets,
  description: output_name,
  folder:'Height_datasets(Spectra)',
  selectors: features
})   
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133