将网格化的帕尔默干旱严重程度指数 (PDSI) 数据加载为
ee.ImageCollection
.
将 EPA 3 级生态区边界加载为
ee.FeatureCollection
并对其进行过滤以仅包括内华达山脉区域，该区域定义了感兴趣的区域 (AOI)。
#加载影像筛选波段，加载感兴趣的区域然后进行矢量边界筛选
pdsi = ee.ImageCollection('GRIDMET/DROUGHT').select('pdsi')
aoi = ee.FeatureCollection('EPA/Ecoregions/2013/L3').filter(
ee.Filter.eq('na_l3name', 'Sierra Nevada')).geometry()
注意
：
aoi
本教程中将使用上面定义的内容。在您自己的应用程序中，针对您自己感兴趣的领域重新定义它。
reduce数据
在本节中，我们将把干旱严重程度的时间序列视为日历热图和条形图。导入数据将网格化的帕尔默干旱严重程度指数 (PDSI) 数据加载为ee.ImageCollection. 将 EPA 3 级生态区边界加载为ee.FeatureCollection并对其进行过滤以仅包括内华达山脉区域，该区域定义了感兴趣的区域 (AOI)。 #加载影像筛选波段，加载感兴趣的区域然后进行矢量边界筛选pdsi = ee.ImageCollection('GRIDMET/DROUGHT').select('pdsi')
散点
图
是可视化两个变量之间关系的好方法。在这里，PDSI（
干旱
指标）将绘制在 x 轴上，NDVI（植被生产力）绘制在 y 轴上。为此，两个变量必须存在于同一个 DataFrame 中。每行将是一个时间观测值，列将对应于 PDSI 和 NDVI 值。目前PDSI和NDVI在两个不同的DataFrame中，需要合并。
在它们可以合并之前，每个变量必须减少到一个共同的时间观察单元来定义对应关系。有多种方法可以做到这一点，每种方法都会以不同的方式定义 PDSI 和 NDVI 之间的关系。在这里，我们的
数据集： CHIRPS Daily: Climate Hazards Group InfraRed Precipitation Wi
th
Station Data (Version 2.0 Final)
数据说明： Climate Hazards Group InfraRed Precipitation wi
th
Station data (CHIRPS) is a 30+ y
ear
quasi-global rainfall dataset. CHIRPS incorporates 0.05° resol
climate_indices库能够计算的指数如下：
SPI,Standardized Precipitation Index, 标准化降水指数，utilizing bo
th
gamma and P
ear
son Type III distributions
SPEI,Standardized Precipitation Evapotranspiration Index,标准化降水蒸散指数，utilizing bo
th
gamma and P
ear
son Type III distribu
PDSI: University of Idaho Palmer Drought Severity Index
帕尔默
干旱
严重
程度
指数数据集每月三次提供高空间分辨率（约 4 公里）估计值，该估计值是对 1979 年至今美国本土广泛使用的综合供水和需求异常的衡量标准。 PDSI 是使用从 Abatzoglou (2013) 的网格气象数据集得出的降水和潜在蒸散量计算的。
使用参考草表面的 Penman-Montie
th
方程计算潜在蒸散量。土壤表层 2.5m 的可用土壤持水量来自 STATSGO 土壤..
