Générer des animations NDVI

Produits utilisés : ndvi_anomaly

Mots-clés : données utilisées ; anomalie ndvi, agriculture

Aperçu

Ce bloc-notes montre comment générer une animation pour visualiser le NDVI dans l’espace, le NDVI moyen dans le temps et les anomalies du NDVI. Il génère également une animation similaire pour les précipitations mensuelles et les anomalies pluviométriques.

Les animations peuvent aider à visualiser les changements de tendances au fil du temps. La visualisation des valeurs moyennes et des anomalies signifie que les aspects saisonniers et interannuels du temps peuvent être évalués. En complétant cela avec des images spatiales, on améliore l’interprétabilité des données d’observation de la Terre.

Description

Le flux de travail pour générer une animation progresse selon les étapes suivantes :

Sélectionnez une zone d’intérêt.
Charger le produit NDVI moyen et anomalies DE Africa.
Masque pour terres cultivées.
Générer une animation NDVI.
Générer une animation de précipitations. ***

Préparer les données d’animation

Générer une animation de précipitations. ***

NDVI moyen avec attributs spatiaux.
NDVI moyen au fil du temps, agrégé sous forme de moyenne dans l’espace.
Anomalies NDVI pour chaque mois, agrégées sous forme de moyenne dans l’espace.

[8]:

ds_mean = ds.ndvi_mean

ds_mean_1D = ds_mean.mean(dim=['x', 'y'], skipna=True)

ndvi_anom = ds.ndvi_std_anomaly.mean(dim=['x', 'y']).to_dataframe().drop(['spatial_ref'], axis=1)

Exécuter l’animation

Pour créer l’animation, la cellule ci-dessous suit quelques étapes clés :

Définir la disposition des trois axes et leur taille.
Définir les paramètres des axes (titres, etc.)
Commencez chaque axe avec la première image de l’animation (janvier).
Définissez une fonction de mise à jour qui ajoute chaque mois séquentiellement à chacun des trois graphiques.
Exécutez l’animation.

Notez que l’animation s’affiche dans sa propre fenêtre. Le bouton en bas à droite permet de télécharger l’animation.

[9]:

# create a figure and axes
fig = plt.figure()
fig.set_figheight(5)
fig.set_figwidth(10)


ax1 = plt.subplot2grid(shape=(2, 2), loc=(0, 1), colspan=2)
ax2 = plt.subplot2grid(shape=(2, 2), loc=(0, 0), rowspan=2)
ax3 = plt.subplot2grid(shape=(2, 2), loc=(1, 1), colspan=2)

# setup starting plot
cax = ds.ndvi_mean[0,:,:].plot(
    add_colorbar=True,
    cmap='RdYlGn',
    vmin=-1, vmax=1,
    cbar_kwargs={
        'extend':'neither'
    },
    ax=ax2
)

ax1.set_ylim([0, 1])
ax1.xaxis.set_major_formatter(mdates.DateFormatter("%b"))
ax1.set_title("Mean NDVI")
ax1.set_xlabel("Date")
ax1.set_ylabel("NDVI")

ax3.set_ylim([-4, 4])
ax3.xaxis_date()
ax3.xaxis.set_major_formatter(mdates.DateFormatter("%b"))
ax3.set_title("NDVI Anomaly")
ax3.set_xlabel("Date")
ax3.set_ylabel("Std Deviations from monthly mean")
ax3.axhline(0, color='black', linestyle='--')

x = ds_mean_1D.time
y = ds_mean_1D

x2 = ndvi_anom.index
y2 = [0] * ndvi_anom.ndvi_std_anomaly
bars = ax3.bar(x2, y2, align='center', width=20,color=(ndvi_anom.ndvi_std_anomaly > 0).map({True: 'g', False: 'brown'}))

line, = ax1.plot(x, y, marker='*',
                color='blue')

def update(num, x, y, x2, y2, bars, line):
    y2[num] = ndvi_anom.ndvi_std_anomaly[num]
    bars[num].set_height(y2[num])
    cax.set_array(ds.ndvi_mean[(num),:,:].values.flatten())
    ax2.set_title("Time = " + str(ds.ndvi_mean.coords['time'].values[(num)])[:12])
    line.set_data(x[:num+1], y[:num+1])
    return line,

plt.tight_layout()
ani = animation.FuncAnimation(fig, update, len(x), fargs=[x, y, x2, y2, bars, line],
                              interval=400, blit=False, repeat=True)
#ani.save('ndvi_anim.gif')

plt.close()

HTML(ani.to_html5_video())

/tmp/ipykernel_7580/754916817.py:47: FutureWarning: Series.__getitem__ treating keys as positions is deprecated. In a future version, integer keys will always be treated as labels (consistent with DataFrame behavior). To access a value by position, use `ser.iloc[pos]`
  y2[num] = ndvi_anom.ndvi_std_anomaly[num]
/tmp/ipykernel_7580/754916817.py:47: FutureWarning: Series.__setitem__ treating keys as positions is deprecated. In a future version, integer keys will always be treated as labels (consistent with DataFrame behavior). To set a value by position, use `ser.iloc[pos] = value`
  y2[num] = ndvi_anom.ndvi_std_anomaly[num]
/tmp/ipykernel_7580/754916817.py:48: FutureWarning: Series.__getitem__ treating keys as positions is deprecated. In a future version, integer keys will always be treated as labels (consistent with DataFrame behavior). To access a value by position, use `ser.iloc[pos]`
  bars[num].set_height(y2[num])

[9]:

Créer une animation NDVI avec les précipitations

L’animation ci-dessus résume le NDVI des terres cultivées dans l’espace et le temps, sur une période donnée. Nous pouvons ajouter des informations associées à cette visualisation, telles que les précipitations. Les prochaines étapes montrent comment charger les données de précipitations et calculer les anomalies pour le traçage.

Paramètres d’anomalies de précipitations

Nous devons définir certains paramètres pour calculer l’anomalie des précipitations. La période « time_m » est une période de référence tandis que « time_x » est l’année d’intérêt.

[10]:

# Set the range of dates for the climatology, this will be the reference period (m) for the anomaly calculation.
# Standard practice is to use a 30 year period, so we've used 1981 to 2011 in this example.
time_m = ('2000', '2020')

# time period for monthly anomaly (x)
time_x = ('2022')

# CHIRPS has a spatial resolution of ~5x5 km
resolution = (-5000, 5000)

#size of dask chunks
dask_chunks = dict(x=500,y=500)

query_m = {
       'x': lon_range,
       'y': lat_range,
       'time': time_m,
       'output_crs': 'EPSG:6933',
    'resolution': (-5000, 5000)
    }

query_x = {
       'x': lon_range,
       'y': lat_range,
       'time': time_x,
       'output_crs': 'EPSG:6933',
    'resolution': (-5000, 5000)
    }

Charger les données de précipitations

[11]:

ds_rf_m = dc.load(product='rainfall_chirps_monthly', **query_m)
ds_rf_x = dc.load(product='rainfall_chirps_monthly', **query_x)

Ci-dessous, nous calculons la moyenne mensuelle des précipitations et l’anomalie.

[12]:

# monthly means
climatology_mean = ds_rf_m.groupby('time.month').mean('time').compute()

#calculate monthly std dev
climatology_std = ds_rf_m.groupby('time.month').std('time').compute()

stand_anomalies = xr.apply_ufunc(
    lambda x, m, s: (x - m) / s,
    ds_rf_x.groupby("time.month"),
    climatology_mean,
    climatology_std,
    output_dtypes=[ds_rf_x.rainfall.dtype],
    dask="allowed"
).compute()

Préparer les données d’animation

Quant à l’animation NDVI ci-dessus, nous devons préparer des trames de données pour l’animation des précipitations.

[13]:

spatial_mean_rain = ds_rf_x.rainfall.mean(['x','y'])

spatial_mean_rain.time

spatial_mean_anoms = stand_anomalies.rainfall.mean(['x','y'], skipna=True).sel(time=slice('2021-12-31', end_date)).to_dataframe().drop(
    ['spatial_ref', 'month'], axis=1).fillna(0)

Exécutez l’animation

Nous suivons les étapes répertoriées pour l’animation NDVI ci-dessus pour produire l’animation des précipitations.

[14]:

# create a figure and axes
fig = plt.figure()
fig.set_figheight(5)
fig.set_figwidth(10)


ax1 = plt.subplot2grid(shape=(2, 2), loc=(0, 1), colspan=2)
ax2 = plt.subplot2grid(shape=(2, 2), loc=(0, 0), rowspan=2)
ax3 = plt.subplot2grid(shape=(2, 2), loc=(1, 1), colspan=2)

cax = ds.ndvi_mean[0,:,:].plot(
    add_colorbar=True,
    cmap='RdYlGn',
    vmin=-1, vmax=1,
    cbar_kwargs={
        'extend':'neither'
    },
    ax=ax2
)

ax1.set_title("Monthly Total Rainfall")
ax1.set_xlabel("Date")
ax1.xaxis.set_major_formatter(mdates.DateFormatter("%b"))
ax1.set_ylabel("Monthly Rainfall (mm)")

ax3.clear()
ax3.set_ylim([-4, 4])
ax3.xaxis_date()
ax3.xaxis.set_major_formatter(mdates.DateFormatter("%b"))
ax3.set_title("Rainfall Anomaly")
ax3.set_xlabel("Date")
ax3.set_ylabel("Std Deviations from monthly mean")
ax3.axhline(0, color='black', linestyle='--')

def update(num, x, y, line):
    y2.iloc[num] =  spatial_mean_anoms.rainfall.iloc[num]
    bars[num].set_height(y2.iloc[num])
    cax.set_array(ds.ndvi_mean[(num),:,:].values.flatten())
    ax2.set_title("Time = " + str(ds.ndvi_mean.coords['time'].values[(num)])[:12])
    line.set_data(x[:num+1], y[:num+1])
    return line,

x = spatial_mean_rain.time
y = spatial_mean_rain

x2 = spatial_mean_anoms.index
y2 = [0] * spatial_mean_anoms.rainfall
bars = ax3.bar(x2, y2, align='center', width=20,color=(spatial_mean_anoms.rainfall > 0).map({True: 'b', False: 'r'}))

line, = ax1.plot(x, y, marker='*',
                color='blue')
plt.tight_layout()
ani = animation.FuncAnimation(fig, update, len(x), fargs=[x, y, line],
                              interval=400, blit=True)

plt.close()

HTML(ani.to_html5_video())

[14]:

Tirer des conclusions

Les animations nous permettent d’inspecter l’évolution de la végétation au cours d’une année et, en montrant les anomalies, de comparer l’année d’intérêt à une base de référence historique.

Ce type d’analyse peut aider à évaluer la production agricole au cours d’une année donnée et peut alimenter les systèmes d’alerte précoce et les prévisions sur la production agricole et la sécurité alimentaire.

Informations Complémentaires

Licence Le code de ce notebook est sous licence Apache, version 2.0 <https://www.apache.org/licenses/LICENSE-2.0>`__.

Les données de Digital Earth Africa sont sous licence Creative Commons Attribution 4.0 <https://creativecommons.org/licenses/by/4.0/>.

Contact Si vous avez besoin d’aide, veuillez poster une question sur le canal Slack DE Africa <https://digitalearthafrica.slack.com/> ou sur le GIS Stack Exchange <https://gis.stackexchange.com/questions/ask?tags=open-data-cube> en utilisant la balise open-data-cube (vous pouvez consulter les questions posées précédemment `ici <https://gis.stackexchange.com/questions/tagged/open-data-

Si vous souhaitez signaler un problème avec ce notebook, vous pouvez en déposer un sur Github.

Version de Datacube compatible

[15]:

print(datacube.__version__)

1.8.20

Dernier test :

[16]:

from datetime import datetime
datetime.today().strftime('%Y-%m-%d')

[16]:

'2025-01-16'

Générer des animations NDVI

Aperçu

Description

Commencer

Charger des paquets

Paramètres d’analyse

Sélectionnez l’emplacement

Charger le masque des terres cultivées

Masquer le NDVI pour les terres cultivées

Préparer les données d’animation

Exécuter l’animation

Créer une animation NDVI avec les précipitations

Paramètres d’anomalies de précipitations

Charger les données de précipitations

Préparer les données d’animation

Exécutez l’animation

Tirer des conclusions

Informations Complémentaires