Módulo de Google Earth Engine · Índices espectrales · público

LIST_EDUCAINDEX

Módulo de Google Earth Engine con trece índices espectrales para Landsat 4 a 9 (NDVI, EVI, SAVI, MSAVI, NDMI, NBR, NBR2, NDWI, MNDWI, AWEI, AWEsh, MBSRV y MBSRN) y una función que los calcula todos.

Qué hace #

Reúne en un solo lugar los índices que usamos en el curso: de vegetación (NDVI, EVI, SAVI y MSAVI), de humedad y fuego (NDMI, NBR y NBR2) y de agua (NDWI, MNDWI, AWEI, AWEsh, MBSRV y MBSRN). Cada índice es una función que recibe una imagen y devuelve una banda con el nombre del índice en minúsculas. calcAllIndices() devuelve una sola imagen con las trece bandas. Funciona con cualquier Landsat de la Colección 2, nivel 2, siempre que las bandas tengan los nombres comunes.

Cómo cargarlo #

El módulo es público. Pega esta línea al inicio de tu script en el Code Editor y usa sus funciones con x. delante, por ejemplo x.NDVI(image).

var x = require('users/sigeduca/routines:Indexes/LIST_EDUCAINDEX');

Funciones #

Función	Recibe	Devuelve
`NDVI(image)`	Imagen con `Nir` y `Red`.	Banda `ndvi`: vigor de la vegetación.
`EVI(image)`	Imagen con `Nir`, `Red` y `Blue`.	Banda `evi`: vigor en vegetación densa.
`SAVI(image)`	Imagen con `Nir` y `Red`.	Banda `savi`: vegetación con corrección del suelo.
`MSAVI(image)`	Imagen con `Nir` y `Red`.	Banda `msavi`: SAVI sin factor de suelo fijo.
`NDMI(image)`	Imagen con `Nir` y `Swir1`.	Banda `ndmi`: humedad de la vegetación.
`NBR(image)`	Imagen con `Nir` y `Swir2`.	Banda `nbr`: áreas quemadas.
`NBR2(image)`	Imagen con `Swir1` y `Swir2`.	Banda `nbr2`: severidad del fuego y humedad del suelo.
`NDWI(image)`	Imagen con `Green` y `Nir`.	Banda `ndwi`: agua abierta.
`MNDWI(image)`	Imagen con `Green` y `Swir1`.	Banda `mndwi`: agua, separada mejor de lo construido.
`AWEI(image)`	Imagen con `Green`, `Nir`, `Swir1` y `Swir2`.	Banda `awei`: agua sin sombras (AWEInsh).
`AWESH(image)`	Imagen con `Blue`, `Green`, `Nir`, `Swir1` y `Swir2`.	Banda `awesh`: agua en zonas con sombras.
`MBSRV(image)`	Imagen con `Green` y `Red`.	Banda `mbsrv`: suma del visible (verde + rojo), usada por DSWE.
`MBSRN(image)`	Imagen con `Nir` y `Swir1`.	Banda `mbsrn`: suma del infrarrojo (NIR + SWIR1), usada por DSWE.
`calcAllIndices(image)`	Imagen con `Blue`, `Green`, `Red`, `Nir`, `Swir1` y `Swir2`.	Imagen con las trece bandas anteriores.

Escala antes de calcular. EVI, SAVI y MSAVI tienen constantes (+1, +0,5) pensadas para reflectancia de 0 a 1. Con los valores digitales de la Colección 2 sin escalar, dan resultados sin sentido. Aplica primero × 0.0000275 − 0.2.

Nombres de bandas. Las funciones buscan las bandas por nombre común. En Landsat 8 y 9 el azul es SR_B2; en Landsat 4, 5 y 7 es SR_B1. Renombra con select() según el satélite, como en el ejemplo.

Ejemplo con una imagen #

Dibuja una geometría llamada AOI en el mapa y ejecuta este script. Toma una imagen de Landsat 9 con menos de 10 % de nubes sobre tu zona, la pasa a reflectancia y le aplica el módulo.

// Cargar el módulo
var x = require('users/sigeduca/routines:Indexes/LIST_EDUCAINDEX');

// Una imagen de Landsat 9 con poca nubosidad sobre el AOI
var img = ee.ImageCollection('LANDSAT/LC09/C02/T1_L2')
  .filterBounds(AOI)
  .filter(ee.Filter.lte('CLOUD_COVER', 10))
  .first();

// Escalar a reflectancia y usar los nombres comunes de las bandas
var bands = img.select('SR_B.').multiply(0.0000275).add(-0.2)
  .select(['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7'],
          ['Blue', 'Green', 'Red', 'Nir', 'Swir1', 'Swir2']);

// Un índice o todos a la vez
var evi = x.EVI(bands);
var indices = x.calcAllIndices(bands);
print('Índices', indices);

Map.centerObject(AOI, 11);
Map.addLayer(evi, {min: 0, max: 0.8, palette: ['DF923D', 'FCD163', '74A901', '056201', '004C00']}, 'EVI');
Map.addLayer(indices.select('mndwi'), {min: -0.5, max: 0.5, palette: ['d7191c', 'ffffbf', '2c7bb6']}, 'MNDWI');

Ejemplo con una colección #

Para aplicar el módulo a muchas imágenes usamos map(): la función recibe cada imagen de la colección y devuelve el resultado. Dos detalles importan. Primero, cada imagen debe llegar escalada, con nombres comunes y sin nubes, y de eso se encarga prepare(). Segundo, las operaciones matemáticas borran las propiedades de la imagen, así que copiamos la fecha (system:time_start) con copyProperties() para poder graficar la serie en el tiempo.

// Cargar el módulo
var x = require('users/sigeduca/routines:Indexes/LIST_EDUCAINDEX');

// Prepara cada imagen: máscara de nubes, reflectancia (0 a 1) y nombres comunes
function prepare(img) {
  var qa = img.select('QA_PIXEL');
  var clear = qa.bitwiseAnd(1 << 3).eq(0)   // bit 3: nubes
    .and(qa.bitwiseAnd(1 << 4).eq(0));       // bit 4: sombras de nubes
  var bands = img.select(['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7'],
                         ['Blue', 'Green', 'Red', 'Nir', 'Swir1', 'Swir2'])
    .multiply(0.0000275).add(-0.2)
    .updateMask(clear);
  // Las operaciones matemáticas borran las propiedades: recuperamos la fecha
  return ee.Image(bands.copyProperties(img, ['system:time_start']));
}

// Landsat 8 y 9 de dos años sobre el AOI
var collection = ee.ImageCollection('LANDSAT/LC09/C02/T1_L2')
  .merge(ee.ImageCollection('LANDSAT/LC08/C02/T1_L2'))
  .filterBounds(AOI)
  .filterDate('2023-01-01', '2025-01-01')
  .filter(ee.Filter.lte('CLOUD_COVER', 30))
  .map(prepare);
print('Imágenes', collection.size());

// Calcular los índices de cada imagen, conservando la fecha
var indices = collection.map(function(img) {
  return ee.Image(x.calcAllIndices(img).copyProperties(img, ['system:time_start']));
});
print('Índices por fecha', indices);

// Mediana del NDVI en los dos años
Map.centerObject(AOI, 11);
Map.addLayer(indices.select('ndvi').median(), {min: 0, max: 0.9, palette: ['DF923D', 'FCD163', '74A901', '056201', '004C00']}, 'NDVI mediano');

// NDVI y EVI medios del AOI en cada fecha
var chart = ui.Chart.image.series({
  imageCollection: indices.select(['ndvi', 'evi']),
  region: AOI,
  reducer: ee.Reducer.mean(),
  scale: 30
}).setOptions({title: 'NDVI y EVI medios en el AOI', vAxis: {title: 'Valor del índice'}, pointSize: 3});
print(chart);

Código del módulo #

No necesitas copiarlo para usarlo. Si quieres modificarlo, créalo en tu propio repositorio y cambia la ruta de require().

///////////////////////////////////////////////////////////////////////////////////
// MÓDULO UNIVERSAL DE ÍNDICES ESPECTRALES PARA LANDSAT
// Compatible con la reflectancia de superficie de Landsat 4 a 9 (Colección 2, nivel 2)
// Autor: Cristian Carrascal - Canal SIG Educa
///////////////////////////////////////////////////////////////////////////////////

// --- FUNCIONES DE CADA ÍNDICE ---------------------------------------------------

exports.MBSRV = function (image){
  return image.select(['Green']).add(image.select(['Red']))
    .rename('mbsrv').toFloat();
};

exports.MBSRN = function (image){
  return image.select(['Nir']).add(image.select(['Swir1']))
    .rename('mbsrn').toFloat();
};

exports.AWESH = function (image){
  return image.expression(
    'Blue + 2.5 * Green + (-1.5) * mbsrn + (-0.25) * Swir2', {
      'Blue': image.select(['Blue']),
      'Green': image.select(['Green']),
      'mbsrn': exports.MBSRN(image).select(['mbsrn']),
      'Swir2': image.select(['Swir2'])
    }).rename('awesh').toFloat();
};

exports.NDWI = function(image){
  return image.normalizedDifference(['Green', 'Nir'])
    .rename('ndwi').toFloat();
};

exports.MNDWI = function(image){ 
  return image.expression('(Green - Swir1) / (Green + Swir1)', {
    'Green': image.select(['Green']),
    'Swir1': image.select(['Swir1'])
  }).rename('mndwi').toFloat();
};

exports.AWEI = function (image){
  return image.expression(
    '4*(Green - Swir1) - (0.25 * Nir + 2.75 * Swir2)', {
      'Green': image.select(['Green']),
      'Swir1': image.select(['Swir1']),
      'Swir2': image.select(['Swir2']),
      'Nir':   image.select(['Nir'])
  }).rename('awei').toFloat();
}; 

exports.NDVI = function (image){
  return image.normalizedDifference(['Nir', 'Red'])
    .rename('ndvi').toFloat();
};

exports.EVI = function(image){
  return image.expression(
    '2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))', {
      'NIR': image.select(['Nir']),
      'RED': image.select(['Red']),
      'BLUE': image.select(['Blue'])
    }).rename('evi').toFloat();
};

exports.SAVI = function(image){
  return image.expression(
    '((NIR - RED) / (NIR + RED + 0.5)) * 1.5', {
      'NIR': image.select(['Nir']),
      'RED': image.select(['Red'])
    }).rename('savi').toFloat();
};

exports.MSAVI = function(image){
  return image.expression(
    '(2 * NIR + 1 - sqrt(pow((2 * NIR + 1), 2) - 8 * (NIR - RED))) / 2', {
      'NIR': image.select(['Nir']),
      'RED': image.select(['Red'])
    }).rename('msavi').toFloat();
};

exports.NDMI = function(image){
  return image.expression('(NIR - SWIR) / (NIR + SWIR)', {
    'NIR': image.select(['Nir']),
    'SWIR': image.select(['Swir1'])
  }).rename('ndmi').toFloat();
};

exports.NBR = function(image){
  return image.expression('(NIR - SWIR) / (NIR + SWIR)', {
    'NIR': image.select(['Nir']),
    'SWIR': image.select(['Swir2'])
  }).rename('nbr').toFloat();
};

exports.NBR2 = function(image){
  return image.expression('(SWIR1 - SWIR2) / (SWIR1 + SWIR2)', {
    'SWIR1': image.select(['Swir1']),
    'SWIR2': image.select(['Swir2'])
  }).rename('nbr2').toFloat();
};

// --- FUNCIÓN PRINCIPAL: TODOS LOS ÍNDICES A LA VEZ ------------------------------

exports.calcAllIndices = function(image){
  var indices = [
    exports.MBSRV(image),
    exports.MBSRN(image),
    exports.AWESH(image),
    exports.NDWI(image),
    exports.MNDWI(image),
    exports.AWEI(image),
    exports.NDVI(image),
    exports.EVI(image),
    exports.SAVI(image),
    exports.MSAVI(image),
    exports.NDMI(image),
    exports.NBR(image),
    exports.NBR2(image)
  ];
  
  return ee.Image.cat(indices).toFloat();
};

///////////////////////////////////////////////////////////////////////////////////
// USO DE EJEMPLO:
// var x = require('users/sigeduca/routines:Indexes/LIST_EDUCAINDEX');
// var img = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_008058_20210115');
// var bands = img.select('SR_B.').multiply(0.0000275).add(-0.2)   // reflectancia (0 a 1)
//   .select(['SR_B2','SR_B3','SR_B4','SR_B5','SR_B6','SR_B7'],
//           ['Blue','Green','Red','Nir','Swir1','Swir2']);
// var indices = x.calcAllIndices(bands);
// Map.addLayer(indices.select('ndvi'), {min:0, max:1, palette:['white','green']}, 'NDVI');
///////////////////////////////////////////////////////////////////////////////////

Lecciones que lo usan #

Índices espectrales en series de tiempo con Landsat en Google Earth Engine

Referencias #

Rouse, J. W., Haas, R. H., Schell, J. A. y Deering, D. W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium, NASA SP-351, 309–317.
Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X. y Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1–2), 195–213.
Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309.
Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H. y Sorooshian, S. (1994). A modified soil adjusted vegetation index. Remote Sensing of Environment, 48(2), 119–126.
McFeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432.
Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14), 3025–3033.
Feyisa, G. L., Meilby, H., Fensholt, R. y Proud, S. R. (2014). Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 140, 23–35.
Key, C. H. y Benson, N. C. (2006). Landscape assessment (LA): Sampling and analysis methods. En FIREMON: Fire effects monitoring and inventory system. USDA Forest Service, RMRS-GTR-164-CD.