【Earth Engine】基于GEE合成Landsat4/5/7/8/9影像并进行NDVI、NDWI和MNDWI等指数计算

已于 2024-01-16 13:47:01 修改
阅读量8.2k 收藏 129
点赞数 33
分类专栏： Earth Engine 遥感 文章标签： GEE Earth Engine NDVI Landsat 遥感
于 2022-06-13 17:59:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Leaze932822995/article/details/125263489
版权

目录

1 简介与摘要

最近在做一个课题，需要逐月还有逐年的NDVI还有一系列衍生数据。
但是逐月的使用Sentinel影像会出现有云，并且掩膜掉容易出现空洞，所以我就想着可以拿Landsat来补充。
同样的思想，在逐年数据上也可以应用于不同的Landsat影像，这样可以丰富影像数量，提升计算质量。比如前一段时间刚上去的Landsat9，就号称可以和Landsat8协同，降低重访周期。
考虑到使用同一系列卫星的场景比较多，所以这篇博文就使用Landsat系列卫星的影像合成。

因此，结合实际应用场景，在这里需要做的工作是：

  1. 输入某一个时间（或时间段），得到ImageCollection，并且（以地图和数字的形式）显示兴趣区里的影像数量；
  2. 通过ImageCollection数据合成，并且计算一些基础的指数。

2 思路

首先，要获取一个包含我需要的时间段/影像质量/区域范围的Landsat系列影像，也就是一个Landsat的ImageCollection。
在得到ImageCollection之前，需要考虑一个问题——这些影像的相同的波段名可能对应不同的频率，比如说Landsat4/5/7的第四波段是近红外（NIR），而Landsat8/9的第四波段是红光（red），所以需要在这些波段重命名一下，这样合成才不会合错。
然后，就可以通过一个mean()（当然也可以其他的函数），将一个ImageCollection合成一个Image，以方便计算各种指数。
最后，通过预设的指数计算公式，计算指数即可。

总的来说，比较麻烦的是前半部分。后半部分的工作直接套用一些常规的做法就行了。

3 效果预览

惯例，在代码前面先放效果预览。
我在控制台展示了各个卫星匹配到的影像数量，还有合成后总的ImageCollection的影像数量。
在地图中显示合成后的真彩色和假彩色影像，还有计算后的NDVI、NDWI、MNDWI，最后还有各个区域影像数量的可视化。

在接下来的示例里，我时间段选取20200101——20210101，云量低于20%，兴趣区随手勾了一个大概希腊+土耳其（老精罗了）。

我的兴趣区（roi）：
在这里插入图片描述

控制台：
在这里插入图片描述
上图的意思是Landsat8得到1484幅影像，Landsat7得到1411幅影像，合成后的ImageCollection有2895幅（1484+1411）影像。

合成后的真彩色影像：
在这里插入图片描述

合成后的假彩色影像：
在这里插入图片描述

NDVI（绿色是高值，红色是低值）：
在这里插入图片描述

NDWI（蓝色是高值，白色是低值）：
在这里插入图片描述

MNDWI（蓝色是高值，白色是低值）：
在这里插入图片描述

影像数量（以像元为基本计算单位，红色是低值，绿色是中值，蓝色是高值）：
在这里插入图片描述

4 代码思路

考虑到要调用Landsat4/5/7/8/9，所以先写上这些卫星的预处理函数，包括大气校正和云掩膜；其中4/5/7的函数通用，8/9的函数通用。如下：

function applyScaleFactorsL89(image) {
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);
  return image.addBands(opticalBands, null, true)
              .addBands(thermalBands, null, true);
}

function applyScaleFactorsL457(image) {
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBand = image.select('ST_B6').multiply(0.00341802).add(149.0);
  return image.addBands(opticalBands, null, true)
              .addBands(thermalBand, null, true);
}

function cloudmaskL89(image) {
  // Bits 3 and 5 are cloud shadow and cloud, respectively.
  var cloudShadowBitMask = (1 << 4);
  var cloudsBitMask = (1 << 3);
  // Get the pixel QA band.
  var qa = image.select('QA_PIXEL');
  // Both flags should be set to zero, indicating clear conditions.
  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
                 .and(qa.bitwiseAnd(cloudsBitMask).eq(0));
  return image.updateMask(mask);
}

function cloudMaskL457(image) {
  var qa = image.select('QA_PIXEL');
  // If the cloud bit (5) is set and the cloud confidence (7) is high
  // or the cloud shadow bit is set (3), then it's a bad pixel.
  var cloud = qa.bitwiseAnd(1 << 3)
                  .and(qa.bitwiseAnd(1 << 9))
                  .or(qa.bitwiseAnd(1 << 4));
  // Remove edge pixels that don't occur in all bands
  var mask2 = image.mask().reduce(ee.Reducer.min());
  return image.updateMask(cloud.not()).updateMask(mask2);
}

写完预处理的函数，就需要改波段名称，以便放在同一个ImageCollection里能自动合成。因此，需要写将波段重命名的函数，如下：

function bandRenameL89(image) {
  var blue = image.select(['SR_B2']).rename('blue');
  var green = image.select(['SR_B3']).rename('green');
  var red = image.select(['SR_B4']).rename('red');
  var nir = image.select(['SR_B5']).rename('nir');
  var swir1 = image.select(['SR_B6']).rename('swir1');
  var swir2 = image.select(['SR_B7']).rename('swir2');
  var new_image = blue.addBands([green, red, nir, swir1, swir2]);
  return new_image;
}

function bandRenameL457(image) {
  var blue = image.select(['SR_B1']).rename('blue');
  var green = image.select(['SR_B2']).rename('green');
  var red = image.select(['SR_B3']).rename('red');
  var nir = image.select(['SR_B4']).rename('nir');
  var swir1 = image.select(['SR_B5']).rename('swir1');
  var swir2 = image.select(['SR_B7']).rename('swir2');
  var new_image = blue.addBands([green, red, nir, swir1, swir2]);
  return new_image;
}

在这里，选取常用的光学波段，将波段重命名为blue、green、red、nir、swir1、swir2。
最后，根据波段名称，写指数计算的函数。和其他人的文章不同，这里的输入的波段名称是我们重命名后的（见上面的代码）。这里以NDVI、NDWI和MNDWI为例，如下：

function NDVI(img) {
 var nir = img.select("nir");
 var red = img.select("red");
 var ndvi = img.expression(
   "(nir - red)/(nir + red)",
   {
     "nir": nir,
     "red": red
   }
 );
 return ndvi;
}

function NDWI(img) {
 var green = img.select("green");
 var nir = img.select("nir");
 var ndwi = img.expression(
   "(green - nir)/(green + nir)",
   {
     "green": green,
     "nir": nir
   }
 );
 return ndwi;
}

function MNDWI(img) {
 var green = img.select("green");
 var swir1 = img.select("swir1");
 var mndwi = img.expression(
   "(green - swir1)/(green + swir1)",
   {
     "green": green,
     "swir1": swir1
   }
 );
 return mndwi;
}

好了，到这里，所有预置的函数都写完了。
接下来就是对各个卫星的影像预处理，然后放进同一个ImageCollection里。下面是利用上述的函数进行预处理，可以根据需要自行调整。如下：

// landsat 9
var l9_col = ee.ImageCollection('LANDSAT/LC09/C02/T1_L2')
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL89)
                  .map(cloudmaskL89)
                  .map(bandRenameL89)
                  ;
print('landsat9', l9_col.size())
// landsat 8
var l8_col = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL89)
                  .map(cloudmaskL89)
                  .map(bandRenameL89)
                  ;
print('landsat8', l8_col.size())
// landsat 7
var l7_col = ee.ImageCollection('LANDSAT/LE07/C02/T1_L2')
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL457)
                  .map(cloudMaskL457)
                  .map(bandRenameL457)
                  ;
print('landsat7', l7_col.size())
// landsat 5
var l5_col = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2')
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL457)
                  .map(cloudMaskL457)
                  .map(bandRenameL457)
                  ;
print('landsat5', l5_col.size())
// landsat 4
var l4_col = ee.ImageCollection('LANDSAT/LT04/C02/T1_L2')
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL457)
                  .map(cloudMaskL457)
                  .map(bandRenameL457)
                  ;
print('landsat4', l4_col.size())

需要注意的是，roi是我们划定的研究区，sart_date和end_date是我们需要的影像时间范围，cloudCover是我们预设的最大云量，为了方便修改参数，一些影像要求（日期和云量）在这里我使用变量代替。另外，在每个卫星预处理函数后面，用size()函数print出了匹配到的影像数量。效果图见前一章。
接下来的工作就是把这些影像，合成一个ImageCollection。这里需要用到的函数是merge()，具体如下：

var image = l9_col
            .merge(l8_col)
            .merge(l7_col)
            .merge(l5_col)
            .merge(l4_col)
            ;
print("final image count", image.size(), image)

最后，调用指数计算的函数对最终合成的ImageCollection进行计算，不过在此之前需要先mean合成一下，如下：

print("final image count", image.size(), image)
var final_image = image.mean().clip(roi);
var image_ndvi = NDVI(final_image)
var image_ndwi= NDWI(final_image)
var image_mndwi = MNDWI(final_image)

最后简单写个可视化，包括NDVI、NDWI、MNDWI：

Map.addLayer(final_image, {bands: ["red", "green", "blue"], min:0.0, max:0.25}, "image")
Map.addLayer(final_image, {bands: ["nir", "red", "green"], min:0.0, max:0.25}, "image2")
var ndvi_palettes = ["#e700d5", "#e60000", "#e69f00", "#dfe200", "#7ebe00", "#00a10c", "#008110"];
Map.addLayer(image_ndvi.clip(roi), {min:-0.5, max:0.7, palette:ndvi_palettes}, "ndvi");
var ndwi_palettes = ["ffffff","#f9f9f9","#d8fdf4","#7dd5e9","3d7ede","243ad4","#1c00b8", "#250081"];
Map.addLayer(image_ndwi.clip(roi), {min:-0.5, max:0.7, palette:ndwi_palettes}, "ndwi");
Map.addLayer(image_mndwi.clip(roi), {min:-0.5, max:0.9, palette:ndwi_palettes}, "mndwi");

然后，顺手把影像数量的可视化写了，这里用到count()，如下：

var images_count = image.select('red').count();
Map.addLayer(images_count.rename('count').clip(roi), {min:10, max:80, palette:["#ff0000", "#fbff00", "#1dff02", "#02adff"]}, "images count");

好了，完成了。最后导出就行。

// export to drive
Export.image.toDrive(
  {
    image: image_ndvi.clip(roi),
    folder: "ndvi",
    description: "ndvi" + year_name,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })
Export.image.toDrive(
  {
    image: image_ndwi.clip(roi),
    folder: "ndwi",
    description: "ndwi" + year_name,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })
Export.image.toDrive(
  {
    image: image_mndwi.clip(roi),
    folder: "mndwi",
    description: "mndwi" + year_name,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })

对了，要记得在最前面补上需要更改的参数。

var year_name = 2020;
var start_date = (year_name) + '-01-01';
var end_date   = (year_name + 1) + '-01-01';
var cloudCover = 20

5 完整代码

我的代码链接在这，可以直接使用。
完整代码如下（和链接中相同）：

var year_name = 2020;
var start_date = (year_name) + '-01-01';
var end_date   = (year_name + 1) + '-01-01';
var cloudCover = 20

Map.addLayer(roi)

// indices
function NDVI(img) {
 var nir = img.select("nir");
 var red = img.select("red");
 var ndvi = img.expression(
   "(nir - red)/(nir + red)",
   {
     "nir": nir,
     "red": red
   }
 );
 return ndvi;
}

function NDWI(img) {
 var green = img.select("green");
 var nir = img.select("nir");
 var ndwi = img.expression(
   "(green - nir)/(green + nir)",
   {
     "green": green,
     "nir": nir
   }
 );
 return ndwi;
}

function MNDWI(img) {
 var green = img.select("green");
 var swir1 = img.select("swir1");
 var mndwi = img.expression(
   "(green - swir1)/(green + swir1)",
   {
     "green": green,
     "swir1": swir1
   }
 );
 return mndwi;
}


function bandRenameL89(image) {
  var blue = image.select(['SR_B2']).rename('blue');
  var green = image.select(['SR_B3']).rename('green');
  var red = image.select(['SR_B4']).rename('red');
  var nir = image.select(['SR_B5']).rename('nir');
  var swir1 = image.select(['SR_B6']).rename('swir1');
  var swir2 = image.select(['SR_B7']).rename('swir2');
  var new_image = blue.addBands([green, red, nir, swir1, swir2]);
  return new_image;
}

function bandRenameL457(image) {
  var blue = image.select(['SR_B1']).rename('blue');
  var green = image.select(['SR_B2']).rename('green');
  var red = image.select(['SR_B3']).rename('red');
  var nir = image.select(['SR_B4']).rename('nir');
  var swir1 = image.select(['SR_B5']).rename('swir1');
  var swir2 = image.select(['SR_B7']).rename('swir2');
  var new_image = blue.addBands([green, red, nir, swir1, swir2]);
  return new_image;
}

function applyScaleFactorsL89(image) {
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);
  return image.addBands(opticalBands, null, true)
              .addBands(thermalBands, null, true);
}

function applyScaleFactorsL457(image) {
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBand = image.select('ST_B6').multiply(0.00341802).add(149.0);
  return image.addBands(opticalBands, null, true)
              .addBands(thermalBand, null, true);
}

function cloudmaskL89(image) {
  // Bits 3 and 5 are cloud shadow and cloud, respectively.
  var cloudShadowBitMask = (1 << 4);
  var cloudsBitMask = (1 << 3);
  // Get the pixel QA band.
  var qa = image.select('QA_PIXEL');
  // Both flags should be set to zero, indicating clear conditions.
  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
                 .and(qa.bitwiseAnd(cloudsBitMask).eq(0));
  return image.updateMask(mask);
}

function cloudMaskL457(image) {
  var qa = image.select('QA_PIXEL');
  // If the cloud bit (5) is set and the cloud confidence (7) is high
  // or the cloud shadow bit is set (3), then it's a bad pixel.
  var cloud = qa.bitwiseAnd(1 << 3)
                  .and(qa.bitwiseAnd(1 << 9))
                  .or(qa.bitwiseAnd(1 << 4));
  // Remove edge pixels that don't occur in all bands
  var mask2 = image.mask().reduce(ee.Reducer.min());
  return image.updateMask(cloud.not()).updateMask(mask2);
}



// get image collection
// landsat 9
var l9_col = ee.ImageCollection('LANDSAT/LC09/C02/T1_L2')
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL89)
                  .map(cloudmaskL89)
                  .map(bandRenameL89)
                  ;
print('landsat9', l9_col.size())
// landsat 8
var l8_col = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL89)
                  .map(cloudmaskL89)
                  .map(bandRenameL89)
                  ;
print('landsat8', l8_col.size())
// landsat 7
var l7_col = ee.ImageCollection('LANDSAT/LE07/C02/T1_L2')
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL457)
                  .map(cloudMaskL457)
                  .map(bandRenameL457)
                  ;
print('landsat7', l7_col.size())
// landsat 5
var l5_col = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2')
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL457)
                  .map(cloudMaskL457)
                  .map(bandRenameL457)
                  ;
print('landsat5', l5_col.size())
// landsat 4
var l4_col = ee.ImageCollection('LANDSAT/LT04/C02/T1_L2')
                  .filterBounds(roi)
                  .filterDate(start_date, end_date)
                  .filter(ee.Filter.lt('CLOUD_COVER', cloudCover))
                  .map(applyScaleFactorsL457)
                  .map(cloudMaskL457)
                  .map(bandRenameL457)
                  ;
print('landsat4', l4_col.size())

// combine, mean and calculate
var image = l9_col
            .merge(l8_col)
            .merge(l7_col)
            .merge(l5_col)
            .merge(l4_col)
            ;
print("final image count", image.size(), image)
var final_image = image.mean().clip(roi);
var image_ndvi = NDVI(final_image)
var image_ndwi= NDWI(final_image)
var image_mndwi = MNDWI(final_image)

Map.addLayer(final_image, {bands: ["red", "green", "blue"], min:0.0, max:0.25}, "image")
Map.addLayer(final_image, {bands: ["nir", "red", "green"], min:0.0, max:0.25}, "image2")
var ndvi_palettes = ["#e700d5", "#e60000", "#e69f00", "#dfe200", "#7ebe00", "#00a10c", "#008110"];
Map.addLayer(image_ndvi.clip(roi), {min:-0.5, max:0.7, palette:ndvi_palettes}, "ndvi");
var ndwi_palettes = ["ffffff","#f9f9f9","#d8fdf4","#7dd5e9","3d7ede","243ad4","#1c00b8", "#250081"];
Map.addLayer(image_ndwi.clip(roi), {min:-0.5, max:0.7, palette:ndwi_palettes}, "ndwi");
Map.addLayer(image_mndwi.clip(roi), {min:-0.5, max:0.9, palette:ndwi_palettes}, "mndwi");


var images_count = image.select('red').count();
Map.addLayer(images_count.rename('count').clip(roi), {min:10, max:80, palette:["#ff0000", "#fbff00", "#1dff02", "#02adff"]}, "images count");



// export to drive
// export to drive
Export.image.toDrive(
  {
    image: image_ndvi.clip(roi),
    folder: "ndvi",
    description: "ndvi" + year_name,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })
Export.image.toDrive(
  {
    image: image_ndwi.clip(roi),
    folder: "ndwi",
    description: "ndwi" + year_name,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })
Export.image.toDrive(
  {
    image: image_mndwi.clip(roi),
    folder: "mndwi",
    description: "mndwi" + year_name,
    scale: 30,
    region: roi,
    maxPixels: 1e13
  })

6 后记

刚开始学习GEE，可能有些地方不太专业不太科学，希望诸位同行前辈不吝赐教或者有什么奇妙的想法可以和我共同探讨一下。可以在csdn私信我或者联系我邮箱（chinshuuichi@qq.com），不过还是希望大家邮箱联系我，csdn私信很糟糕而且我上csdn也很随缘。
如果对你有帮助，还望支持一下~点击此处施舍或扫下图的码。
-----------------------分割线（以下是乞讨内容）-----------------------
在这里插入图片描述

陈修一
关注
  • 33
    点赞
  • 踩
  • 129
    收藏
    觉得还不错? 一键收藏
  • 17
    评论
专栏目录
GEE：时间序列分析3——将Landsat5/7/8/9所有C02影像集合成一个影像集合，并构建NDVI时间序列
养乐多的博客
11-25 1473
CSDN@_养乐多_本文记录了在 Google Earth Engine（GEE）平台上，将 Landsat-5、Landsat-7、Landsat-8 和 Landsat-9 的数据合成为一个影像集合，并生成 NDVI（归一化植被指数）的时间序列的代码。代码封装成了函数，方便调用，结果如下图所示，在实际应用中，可能需要根据研究问题和感兴趣的地区进行更详细的数据处理和分析。但本文提供了一个良好的起点，帮助你在 GEE 平台上合成 Landsat 数据并生成类似 NDVI 的各种时间序列。
利用GEE（Google Earth Engine）在线处理NDVI、EVI、SAVI、NDMI等指数归一化教程（详细代码）
07-20
如何利用GEE（Google Earth Engine）在线处理NDVI、EVI、SAVI、NDMI等指数进行归一化处理教程，我们需要进行GEE的一些基本学习，具体的专栏大家可以前去我的博客主页学习：涵盖了GEE基础、高阶和应用程序开发以及JavaScript和python两种语言的专栏，同时还建立有GEE图表和应用，外接高阶程序应用等，与此同时，还有微软行星云计算、PIE、AI EARTH等遥感云平台专栏类容可供大家参考。主页链接：https://blog.csdn.net/qq_31988139?type=blog 本资源主要详细介绍了我们指数表达式的计算，以及归一化教程的详细代码，这里主要是去除指数生成过程中出现的异常值的问题，大家可以通过下载来获取具体的而代码信息，可以直接在线copy代码到gee中进行操作，如有任何疑问可以随时到私信我。此代码仅限于我专栏的一个案例，如果你想学习更多的GEE知识，请进入主页选择，我将不定期更新更多的GEE和其它平台的相关云计算内容，同时也欢迎大家由问题私信，我可以承接相应的代码调试，GEE资源下载等相关服务。再次感谢你的订阅。
ENVI实战—一文搞定NDVI计算和MNDWI计算
最新发布
Promising_GEO的博客
04-11 2201
本文针对于NDVI和MNDWI在ENVI中的实现进行了介绍，希望对大家有帮助！
GEE案例——如何利用Landsat数据中的温度数据进行指定区域不同年份的温度计算
qq_31988139的博客
01-28 483
如何利用Landsat数据中的温度数据进行指定区域不同年份的温度计算Landsat卫星是美国国家航空航天局（NASA）和美国地质调查局（USGS）联合发起的一个地球观测计划，旨在获取高质量的地球表面影像数据。这些影像数据包括可见光、红外线和热红外线波段的信息。其中，热红外线波段提供了地表温度信息，可以用于计算不同年份和不同地区的温度。利用Landsat数据进行温度计算需要进行以下步骤：1. 数据获取：首先，在USGS的Landsat数据存档中选择合适的影像数据。
Google Earth Engine（GEE）-利用Landsat卫星影像计算EVI数据并下载以山西省为例.pdf
02-14
这里简单说明以下本次适用的数据是Landsat系列，但是Landsat系列卫星中常用的数据包含地表反射率数据SR和大气层顶反射数据，这里面用到的去云方法是不一样的，所以大家要根据所选择的系列影像去采取不同的去云方法，本次案例我们以Landsat SR数据为实验目标。 之前关于去云的文章请参考： (452条消息) Google Earth Engine（GEE）——Landsat 8TI/TOA/SR影像对比分析区别和去云即NDVI计算_此星光明2021年博客之星云计算Top3的博客-CSDN博客 第一步我们进行SR去云函数的设定：第二步：设定EVI波段运算的函数；第三步：加载我们的研究区矢量；第四步：进行影像的筛选和map操作：第五步：将影像进行最大值合成第六步：影像下载
gee-Landsat影像 随机森林分类代码
10-15
gee-Landsat影像 随机森林分类代码
Landsat 5辐射定标并波段合成
09-21
Landsat5 辐射定标程序以及波段合成程序。适用于从USGS下载的Landsat5数据，输出为进行辐射定标后各波段合成的结果。
（二）Landsat_5 TM 遥感影像波段合成真假彩色影像
qq_2787174606的博客
04-18 1万+
回顾以下Landsat系列卫星的发展史，可以发现Landsat_5卫星已经退役，作为世界上寿命最长的地球观测卫星，其在影像方面对人类的发展具有很深刻的意义。
GEE详细教程之：将Landsat8与Landsat9影像合成一个影像
晚来天欲雪，能饮一杯无？
02-08 861
因项目需求，需要获取一个研究区的Landsat8影像，但Landsat8重复周期长，加之天气的影响，很难获取影像质量较好的影像。Landsat4/5/7的波段顺序与landsat8不同，除此之外，landsat7影像还需要工具进行条带修复，因此只考虑最近发射的landsat9进行融合。Landsat9，就号称可以和Landsat8协同，降低重访周期。考虑到使用同一系列卫星的场景比较多，所以这篇博文就使用Landsat8与Landsat9卫星的影像合成。
今晚问到我了（Landsat TM波段合成总结说明及OLI陆地成像仪和ETM+对照表）
热门推荐
杨过
01-12 1万+
2013 年2月11日，美国航空航天局(NASA) 成功发射Landsat-8卫星。Landsat-8卫星上携带两个传感器，分别是OLI陆地成像仪（Operational Land Imager）和TIRS热红外传感器（Thermal Infrared Sensor）。 Landsat-8 在空间分辨率和光谱特性等方面与Landsat 1-7保持了基本一致，卫星一共有11个波段，波段1-7，9-1...
（五）Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演
qq_2787174606的博客
04-23 8747
所谓植被指数，就是利用多波段遥感图像的可见光波段以及近红外波段相组合，形成能够反映突出植被分布状况和强度的指数。植被指数的求解方法不唯一，定义的植被指数已经多达50多种。通过红波段以及近红外波段，可以有效的消除大气对植被指数的影响。
GEE获取sentinel2指定区域多个单景影像的值(样本点提取).pdf
09-12
本教程的主要目的是获取指定单景影像,然后获取指定波段的影像值,按照获取指定波段的影像进行值提取至点,因为这里暂时没有好的方法对哨兵数据的具体属性值进行提取,所以在筛选哨兵影像的时候,需要手动获取每一景影像的id,然后按照单一影像多波段的组合来实现整体的值提取至点,这里的需要提前准备好你所需提取的矢量数据集合. 具体的专栏大家可以前去我的博客主页学习：涵盖了GEE基础、高阶和应用程序开发以及JavaScript和python两种语言的专栏，同时还建立有GEE图表和应用，外接高阶程序应用等，与此同时，还有微软行星云计算、PIE、AI EARTH等遥感云平台专栏类容可供大家参考。主页链接：https://blog.csdn.net/qq_31988139 大家可以通过下载来获取具体的而代码信息，可以直接在线copy代码到gee中进行操作，如有任何疑问可以随时到私信我。此代码仅限于我专栏的一个案例，如果你想学习更多的GEE知识，请进入主页选择，我将不定期更新更多的GEE和其它平台的相关云计算内容，同时也欢迎大家由问题私信，我可以承接相应的代码调试，GEE资源下载等相关服务。再次感谢你的订阅。
extract multi values to points_GEE.docx
06-24
在Google Earth Engine(GEE)平台中实现了提取multi values to points的代码。提取某点处的像元值，波段值，也可以是多个多边形的统计值
GEE批量下载代码_gee下载landsat_MODIS_LANDSAT_gee_
10-01
利用GEE下载landsat数据及计算NDVI
GEE中文学习教程.pdf
05-22
Google Earth Engine(GEE)是⾕歌提供的对⼤量全球尺度地球科学资料（尤其是卫星数据）进⾏在线可视化计算分析处理的平台，利⽤GEE ，可以实现以前需要跑⼀天的实验，⼏分钟就搞定，不要太爽……，完全是科研⼈员的⼤福⾳。 本文档为大家提供GEE的中文学习教程文档。
Google Earth Engine（GEE）-如何在线计算NDVI（归一化植被指数）和FVC（植被覆盖度）并批量下载.pdf
11-04
Google Earth Engine（GEE）——如何在线计算NDVI（归一化植被指数）和FVC（植被覆盖度）并批量下载。 归一化植被指数（Normalized Difference Vegetation Index，NDVI）是遥感中常用的植被指数之一，用于表征地表...
Google Earth Engine（GEE）-多景影像合成后利用for循环进行皮尔逊相关系数的计算.pdf
01-19
Google Earth Engine（GEE）——多景影像合成后利用for循环进行皮尔逊相关系数的计算 上一篇文章讲了关于单景影像的波段运算，并没有利用多景影像的波段循环计算，这次我们利用for循环进行多个影像的相关系数计算，...
Google Earth Engine（GEE）-逐年月长时序多指数和波段图表加载（MODIS数据2013-2021.pdf
02-26
本代码的主要目的是进行长时间序列指定波段和指数计算后的图标加载，研究区才作用山西省，使用了多个MODIS数据集，分别提取EVI和ET等波段属性进行图表加载。这里会将计算出的指数加载在同一个图表，其它单独选择的...
Google Earth Engine（GEE） ——Landsat4/5/7/8集合计算指定区域NDVI的Mann Kendall M-K分析（曼肯德尔趋势分析）
qq_31988139的博客
04-17 1163
本教程的主要目的是实现长时间序列的趋势性分析，这里我们用的是Mann Kendall 趋势性分析，作为长时序研究Landsat数据为首选，因此我们选择了Landsat4-8之间所有可用的数据，保证数据的连贯性，我们这里就计算最简单的植被指数NDVI为例。另外大家要注意的是，长时间序列的研究中，尽量减少大面积区域运算，否则会很卡，或者直接降低分辨率，这样能很快出结果。我们再以后进行大面积区域估算过程中，可以按照这种方式来进行，特别是再数据预览过程中。
gee联合landsat5/7/8
06-28
### 回答1： GEE (Google Earth Engine) 是一种地理信息系统，提供了一个基于云计算的数据平台，可以快速地处理大规模遥感数据。GEE 整合了 Landsat5、Landsat7 和 Landsat8 系列卫星的数据，可以满足各种地表变化监测与分析的需求。 Landsat 系列卫星是一种全球最为广泛使用的卫星遥感数据，提供高精度、高时空分辨率的图像数据。Landsat5 于 1984 年发射，是目前为止最持久的 Landsat 系列卫星之一。Landsat7 发射于 1999 年，是第一颗能够拍摄太阳照射为基础的高分辨率遥感卫星。Landsat8 发射于 2013 年，是 Landsat 系列中一颗最新的卫星，提供了更高的空间分辨率和更多的频段。 通过整合这些卫星的数据，GEE 可以提供从大规模的地表变化监测到精细的地表变化分析的各种应用，如城市扩张监测、农作物类型与覆盖度分析、植被 NDVI、NDWI 分析等。此外，GEE 还提供了丰富的数据可视化与共享功能，方便用户与其他用户之间的数据交流。 总之，GEE 联合 Landsat5、Landsat7 和 Landsat8 系列卫星提供了独特的优势和数据资源，为各种地表变化监测与分析提供了重要的支持，也为广大的遥感数据用户提供了便利。 ### 回答2： GEE是由Google开发的一个免费的云平台，提供了丰富的遥感数据集和工具，使得用户可以方便地进行遥感数据的处理和分析。而Landsat系列卫星则是目前最为重要的遥感数据源之一，它具有高分辨率、广域覆盖、时间序列的特点，被广泛应用于许多领域，包括土地利用、植被分析、气候变化等。 GEE联合Landsat5/7/8提供了非常丰富的遥感数据和处理工具。用户可以直接在GEE平台上访问这些数据，并使用GEE强大的功能进行数据处理和分析。其中，Landsat5、Landsat7、Landsat8三种卫星数据覆盖了1984年至今的大部分时间段，用户可以选择所需时间段进行数据获取和研究。 此外，GEE还提供了许多有用的功能，如云掩膜、非连续数据融合、定量遥感指标提取等，使得用户可以更精细地处理遥感数据。例如，通过使用云掩膜，用户可以清晰地提取出地表信息，增加数据分析的精度。同时，GEE还提供了数据可视化的功能，使得用户可以将处理后的遥感数据以可视化的形式呈现出来，更加直观地展示数据结果。 除此之外，GEE还支持用户进行数据共享和协作，用户可以将处理和分析后的数据分享给其他GEE用户，或者与其他用户一起合作完成遥感数据的研究。 综上，GEE联合Landsat5/7/8提供了强大的遥感数据处理和分析功能，为用户进行遥感数据研究提供了极大的便利。 ### 回答3： GEE是Google Earth Engine的简称，是一个用于地球观测数据的云端平台，致力于提供大规模数据存储、分析和可视化的解决方案。而Landsat是由美国地质勘探局(NASA)和美国国家遥感陆地监测计划(USGS)合作开发的一种卫星遥感系统，已经成为世界上最重要的遥感影像资源之一。那么，GEE联合Landsat5/7/8的意义何在呢？ 首先，在GEE上联合Landsat5/7/8可以获取到更多且更全面的遥感影像数据。Landsat5/7/8覆盖的国家和地区非常广泛，包括北美、南美、非洲、欧洲、亚洲和澳大利亚等地，覆盖范围非常全面。这些影像数据集中到GEE上，方便了科学家和研究人员的访问，让遥感数据的利用更加便捷。 其次，在GEE联合Landsat5/7/8的平台上，科学家和研究人员可以使用GEE的各种工具，如地图制作、时空分析、计算机视觉和机器学习等，来对Landsat5/7/8的数据进行分析和处理。这样可以更加有效地发现地球环境的动态性和地质的演变，进一步深化我们对地球的认识和科学研究。 第三，GEE联合Landsat5/7/8不仅方便了科学家和研究人员的研究需求，也可以帮助政府和企业更好地管理土地和环境。Landsat5/7/8能够提供高质量、全球各地的影像数据，这能够帮助政府和企业更好地监测自然资源的利用和环境的变化，以便采取合适的措施进行管理和保护，保护生态环境、维护社会和谐。 综上所述，GEE联合Landsat5/7/8的平台对于地球科学的发展、环境和资源的管理和保护等方面都具有非常重要的作用，为人们对地球探索和保护提供了有力的支持和帮助。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 17
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值