GEE利用哨兵1号数据进行水体监测

最新推荐文章于 2025-03-03 11:59:10 发布
最新推荐文章于 2025-03-03 11:59:10 发布
阅读量1.2k 收藏 30
点赞数 27
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/guaicaicexu/article/details/143699376
版权

今天来简单分享下如何在GEE中利用哨兵1号数据进行水体动态监测

1.SAR数据介绍：

SAR 的工作原理是发射电磁脉冲并监听回波，这些回波被称为反向散射。反向散射的相位和振幅均被记录下来。

20afcc16db2a53ffa796a733d5451e78.png

相位：反向散射的相位用于确定传感器与目标之间的距离。这是因为波的相位与其传播的距离有关。通过比较发射波的相位与接收波的相位，传感器可以计算出波传播的距离，从而计算出与目标之间的距离。

振幅：反向散射的振幅表示返回传感器的发射信号量。SAR 图像像素振幅的高数字 (DN) 表示强反向散射，而低 DN 表示弱反向散射。振幅测量提供有关目标粗糙度、几何形状、湿度和介电常数的信息。

2.Sentinel-1数据介绍：

Sentinel-1是一项卫星任务，它使用合成孔径雷达 (SAR) 来捕捉地球表面的图像。它工作在 C 波段，即电磁波谱微波部分内4 至 8 GHz 的标称频率范围。Sentinel-1 SAR 系统支持单极化（HH 或 VV）和双极化（HH+HV 或 VV+VH）操作，通过一个发射链（可切换到 H 或 V）和两个用于 H 和 V 极化的并行接收链实现。

VV（垂直-垂直）：雷达信号垂直发射并垂直接收。这通常用于检测水体，因为水面提供强大的 VV 响应。它也常用于洪水测绘。

HH(水平-水平）：雷达信号水平发射并水平接收。这通常用于检测人造结构，因为这些结构往往会提供强大的 HH 响应。它通常用于城市地区的建筑物检测。

VH（垂直-水平）和 HV（水平-垂直）：这些是交叉极化。雷达信号以一种极化（垂直或水平）发射并以另一种极化接收。这些通常用于检测植被，因为植被冠层内的多次散射通常会导致强烈的交叉极化响应。

不同的极化组合提供了有关表面特征的不同且互补的信息。例如，线性定向结构（如建筑物或沙中的涟漪）往往会反射并保持极化信号的相干性（相同的线性方向）。随机定向结构（如树叶）会在信号多次反射时散射并使信号去极化

在 Sentinel-1 的背景下，主要的无冲突模式是干涉宽幅 (IW)扫描带，在陆地上采用 VV+VH 极化，以及波浪 (WV) 扫描带，在公海上采用 VV 极化。超宽幅 (EW) 扫描带模式主要用于广域沿海监测，包括船舶交通、漏油和海冰监测。

Sentinel-1 SAR数据的优势

  1. 全天候成像： Sentinel-1 可以在所有天气条件下（白天或夜晚）获取数据。这是因为它在不受云层或照明不足影响的波长下运行。

  2. 高分辨率：根据成像模式的不同，Sentinel-1 提供不同的分辨率（低至 5 米）和覆盖范围（高达 400 公里）。

  3. 变化检测： Sentinel-1可以检测地球表面随时间的变化，可用于监测环境变化、自然灾害和人类活动。

  4. 穿透深度：根据频率，SAR 信号可以穿透地面表层，从而可用于地质和考古应用。

  5. 多功能性： Sentinel-1数据可用于各种应用，包括环境监测、灾害管理、天气预报、军事和情报、保险业和海事当局。

  6. 干涉合成孔径雷达（InSAR）：该技术利用两个合成孔径雷达图像之间的相位差来测量地球表面变形，可用于地质学、地震学和土木工程。

  7. 可靠、重复的广域监测： Sentinel-1 及其 C-SAR 仪器可以提供可靠、重复的广域监测。

  8. 重访时间短、产品交付快： Sentinel-1 的修订时间合理 - S1A 和 S1B 卫星的重复周期总和为 6 天，同时为地面测距产品提供每像素 20 米的高分辨率

    8c00a49e719e0ebdd6544d5bb1ec5d27.png

2.GEE实现代码：

首先确定研究区和使用的数据集

我选择的研究区为小浪底水库的部分区域，使用的数据集为COPERNICUS/S1_GRD

目标是小浪底水库的部分区域水体的动态监测

以下是实现代码:

var s1 =  ee.ImageCollection('COPERNICUS/S1_GRD')
.filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV'))
.filter(ee.Filter.eq('instrumentMode', 'IW'))
.filter(ee.Filter.eq('orbitProperties_pass', 'ASCENDING'))
.filterBounds(roi)
//.filterBounds(Map.getBounds(true))
.filterDate('2020-01-01','2020-12-31')
// Filter partial S1-Images of AOI
//.map(function(image){return image.clip(Map.getBounds(true))})
.map(function(image){return image.addBands(image.select('VV').focal_median(parseFloat('50'),'circle','meters').rename('VV_smoothed'))})// Smooth S1-Images
.map(function(image){
    return image.clip(roi)
  });
print(s1);


// 返回 S1 波段（区域内）类间方差最大的 DN。
var otsu = function(histogram) {
  var counts = ee.Array(ee.Dictionary(histogram).get('histogram'));
  var means = ee.Array(ee.Dictionary(histogram).get('bucketMeans'));
  var size = means.length().get([0]);
  var total = counts.reduce(ee.Reducer.sum(), [0]).get([0]);
  var sum = means.multiply(counts).reduce(ee.Reducer.sum(), [0]).get([0]);
  var mean = sum.divide(total);
  
  var indices = ee.List.sequence(1, size);
  
// 计算每个均值分割数据的平方和。
  var bss = indices.map(function(i) {
    var aCounts = counts.slice(0, 0, i);
    var aCount = aCounts.reduce(ee.Reducer.sum(), [0]).get([0]);
    var aMeans = means.slice(0, 0, i);
    var aMean = aMeans.multiply(aCounts)
        .reduce(ee.Reducer.sum(), [0]).get([0])
        .divide(aCount);
    var bCount = total.subtract(aCount);
    var bMean = sum.subtract(aCount.multiply(aMean)).divide(bCount);
    return aCount.multiply(aMean.subtract(mean).pow(2)).add(
           bCount.multiply(bMean.subtract(mean).pow(2)));
  });
  
// 返回与最大 BSS 对应的平均值。
  return means.sort(bss).get([-1]);
};


// 返回带水掩膜作为附加波段的图像
var add_waterMask = function(image){
  // Compute histogram
  var histogram = image.select('VV').reduceRegion({
    reducer: ee.Reducer.histogram(255, 2)
      .combine('mean', null, true)
      .combine('variance', null, true), 
    geometry: roi, 
    scale: 10,
    bestEffort: true
  });
  // 通过 otsu 计算阈值
  var threshold = otsu(histogram.get('VV_histogram'));
  
  // 获取 Watermask
  var waterMask = image.select('VV_smoothed').lt(threshold).rename('waterMask');
  waterMask = waterMask.updateMask(waterMask); //Remove all pixels equal to 0
  return image.addBands(waterMask);
};


s1 = s1.map(add_waterMask);


//计算出水量
var min_occurence = 10;
var water_sum = s1.select('waterMask').reduce(ee.Reducer.sum());
var water_frequency = water_sum.divide(s1.select('waterMask').size()).multiply(100);
var water_frequency_masked = water_frequency.updateMask(water_frequency.gt(min_occurence));


function makeLegend(lowLine, midLine, highLine,lowText, midText, highText, palette) {
  var  labelheader = ui.Label('调查期间出现的水量',{margin: '5px 17px', textAlign: 'center', stretch: 'horizontal', fontWeight: 'bold'});
  var labelLines = ui.Panel(
      [
        ui.Label(lowLine, {margin: '-4px 21px'}),
        ui.Label(midLine, {margin: '-4px 0px', textAlign: 'center', stretch: 'horizontal'}),
        ui.Label(highLine, {margin: '-4px 21px'})
],
      ui.Panel.Layout.flow('horizontal'));
      var labelPanel = ui.Panel(
      [
        ui.Label(lowText, {margin: '0px 14.5px'}),
        ui.Label(midText, {margin: '0px 0px', textAlign: 'center', stretch: 'horizontal'}),
        ui.Label(highText, {margin: '0px 1px'})
],
      ui.Panel.Layout.flow('horizontal'));
    return ui.Panel({
      widgets: [labelheader, ColorBar(palette), labelLines, labelPanel], 
      style: {position:'bottom-left'}});
}
Map.add(makeLegend('|', '|', '|', "0 %", '50 %', '100%', ['orange','yellow','lightblue','darkblue']));
Map.addLayer(s1.median(),{bands: ['VV','VV','VV'],min: -20,max: 0,},'S1-image [median]');
Map.addLayer(water_frequency_masked,{min:min_occurence,max:100,palette:['orange','yellow','lightblue','darkblue']},'Percentage of annual water occurence');
Map.add(animation);
print(ui.Thumbnail({image: s1, params: timelapse}));
var ClassChart = ui.Chart.image.series({
  imageCollection: s1.select('waterMask'),
  region: roi,
  reducer: ee.Reducer.sum(),
  scale: 100,
})
  .setOptions({
      title: '确定的水掩模区域',
      vAxis: {'title': 'area'},
      lineWidth: 1.5,
      pointSize: 2
    });
ClassChart.style().set({
    position: 'bottom-right',
    width: '492px',
    height: '300px'
  });


Map.add(ClassChart);
//创建回调函数，在地图上添加与点击的图表数据点相对应的图像
ClassChart.onClick(function(xValue, yValue, seriesName) {
    if (!xValue) return;  // Auswahl zurücksetzen
  
    // Show the image for the clicked date.
    var equalDate = ee.Filter.equals('system:time_start', xValue);
    //Find image coresponding with clicked data and clip water classification to aoi 
    var classification = ee.Image(s1.filter(equalDate).first()).clip(roi).select('waterMask'); 
    var SARimage = ee.Image(s1.filter(equalDate).first());
        var date_string = new Date(xValue).toLocaleString('de-DE', {dateStyle: 'full', timeStyle: 'short' });
    //Make map layer based on SAR image, reset the map layers, and add this new layer
    var S1Layer = ui.Map.Layer(SARimage, {
      bands: ['VV'],
      max: 0,
      min: -20
    },'S1-Image ['+ new Date(xValue).toLocaleString('de-DE')+']');
    Map.layers().reset([S1Layer]);
    var visParamsS1Layer = {
      min: 0,
      max: 1,
      palette: ['#FFFFFF','#0000FF']
    };
    
    //Add water classification on top of SAR image
    Map.addLayer(classification,visParamsS1Layer,'water mask ['+date_string+']');
});
}

结果显示：

dac45c630ba2b3c253d3f629dbb440a1.png

研究区S1_GRD显示

e54d18037ff203ff5bd3baf5a7e58182.png

调查期间水量显示

3efb51ff9f2c34ef743d90728f2cab5c.png

2020年研究区水体面积

cd45bdacfba9c1d32ce1284efb923f6d.gif

水域动态监测

感谢关注，欢迎转发！

声明：仅供学习使用！

希望关注的朋友们转发，如果对你有帮助的话记得给小编点个赞或者在看！

GEE教程——初学者如何实现sentinel-1数据（哨兵1号SAR）VV和VH波段指定样本点的提取（值提取至点）
此星光明博客
04-24 2412
要实现Sentinel-1数据VV和VH波段指定样本点的提取，可以按照以下步骤进行：1. 首先，获取Sentinel-1数据。你可以从Copernicus Open Access Hub（https://scihub.copernicus.eu）或者其他数据提供商获取Sentinel-1数据。确保选择包含VV和VH波段的数据产品。2. 将Sentinel-1数据导入到合适的GIS或遥感软件中。常见的软件包括ArcGIS、QGIS、ENVI和Google Earth Engine等。
GEE案例：利用GEE的哨兵 1 号和哨兵 2 号数据自动监测地表水动态
此星光明博客
08-20 898
利用谷歌地球引擎的哨兵 1 号和哨兵 2 号数据自动监测地表水动态对洪水进行动态监测对于水资源管理和灾害预防非常重要。利用遥感技术获取多时地表水分布图有助于阐明水量扩大的趋势，以便迅速制定措施。哨兵-1 号合成孔径雷达（SAR）观测数据的空间分辨率高、重访周期短、穿透云层能力强，因此特别适用于这项任务。然而，由于数据采集和处理的巨大压力，从大量合成孔径雷达图像中快速、准确地绘制洪水地图仍然具有挑战性。
基于GEE与哨兵1号影像数据提取水体
puzige的博客
05-27 1万+
在进行光学数据提取水体时，常会发现部分时间、部分区域内由于云的存在而出现大面积的空白区域，从而使得我们提取水体面积过程中存在不精确的问题。因此，基于微波数据进行云的提取就成为我们较好的一个选择，通过阅读各种文献以及实践，我在原有基于GEE平台和哨兵1号影像提取水体代码的基础上，进行了部分补充，从而使得提取水体的精度更加准确。代码如下所示： // An highlighted block var slope_lib = require('users/wushupu18/Nanhu:slope_correcti
哨兵一号burst数据的下载和处理
kangkangluoluo的博客
03-03 527
在Sentinel - 1数据处理领域，其基本流程起始于从（ASF）下载原始压缩文件。这些文件规模颇为可观，常规大小约4GB，而部分数据的原文件甚至已攀升至7GB，对存储空间提出了严苛要求。从影像构成来看，每景Sentinel - 1影像由三个干涉宽幅（IW）模式子带组成，每个IW一般包含9个脉冲串（burst）。然而，在实际研究中，我们所关注的研究区域往往仅占据其中寥寥几个burst。
Google Earth Engine（GEE）大批量显示和下载哨兵1号数据（Sentinel-1），多说无用，直接上代码
m0_72349120的博客
09-14 892
【代码】GEE大批量下载哨兵1（Sentinel-1）号数据，多说无用，直接上代码。
基于 GEE Sentinel-1 数据集提取水体
@HNUSTer的博客
01-07 1195
基于 GEE Sentinel-1 数据集提取水体。
通过哨兵1号SAR数据获取桂林619洪水内涝情况
中科GIS地理信息培训
07-29 1566
2024年6月19日，广西桂林受持续强降雨及漓江上游水库相继泄洪影响，主要河流水位迅速暴涨，遭遇桂林1998年以来最大洪水，引发内涝灾害。传统的光学遥感在雨天无法穿透云层，因此想要获得洪涝数据必须使用SAR雷达影像。我们老师处理了5月27日和6月20的数据，拼接提取了桂林市的DSM数据，并与大家一起探讨如何从雷达数据中获取水体信息。
基于GEE平台提取水体
puzige的博客
05-21 1万+
本文主要介绍如何利用GEE平台与哨兵2号影像提取水体。水体的提取主要是基于NDWI指数进行，当然，通过改变波段运算，也可以根据MNDWI进行提取。主要代码如下： 下面展示一些 内联代码片。 //首先对数据进行去云处理 var s2_rmcloud = function(image) { var quality = image.select("QA60").unmask(); return image.updateMask(quality.eq(0)); }; //NDWI var s2_ndwi
sentinel1 SNAP水体提取
weixin_51886730的博客
12-07 5560
利用直方图确定阈值（用SNAP直接生成或者利用envi选取样本ROI确定阈值）之后，利用SNAP软件band math 提取水体， 公式中使用小于号，因为使用小于号可以消除背景，只显示出水体
基于 GEE 利用哨兵 2 号数据进行水质监测
@HNUSTer的博客
02-09 607
基于 GEE 利用哨兵 2 号数据进行水质监测。
GEE案例——利用GEE中的Sentinel-1哨兵 1 号卫星数据绘制洪水（水体）淹没图
此星光明博客
08-19 1372
洪水测绘是了解和减轻洪水事件影响的一项重要任务。谷歌地球引擎为分析卫星图像和生成洪水地图提供了一个强大的平台。在本教程中，我们将介绍使用哥白尼哨兵-1 号任务的合成孔径雷达 (SAR) 数据绘制洪水地图的步骤。我们将使用 JavaScript 代码片段来演示这一过程。
GEE案例-利用GEE中的Sentinel-1哨兵 1 号卫星数据绘制洪水（水体）淹没图.pdf
08-21
简介 洪水测绘是了解和减轻洪水事件影响的一项重要任务。 谷歌地球引擎为分析卫星图像和生成洪水地图提供了一个强大的平台。 在本教程中，我们将介绍使用哥白尼哨兵-1 号任务的合成孔径雷达 (SAR) 数据绘制洪水地图的步骤。 我们将使用 JavaScript 代码片段来演示这一过程。 第 1 步 数据采集和过滤：第一步是从哥白尼哨兵-1 号任务中采集合成孔径雷达数据，并应用过滤器选择所需的图像。 步骤 2 图像预处理：接下来，我们需要对合成孔径雷达图像进行预处理，应用斑点过滤并将其转换为合适的比例。 步骤 3 洪水映射：现在，我们可以通过比较前后图像并应用阈值来执行洪水映射。 步骤 4 可视化和分析：我们可以使用以下代码片段可视化洪水地图并计算洪水淹没面积
GEE培训ppt——5. SAR Analysis.pptx
08-27
NASA 应用遥感培训 (ARSET) NASA ARSET为灾害监测和其他遥感主题提供网络研讨会，其中许多使用地球引擎。 华盛顿大学 此页面具有出色的集科开发的入门教程的 凯瑟琳·库恩和吉利安Deines为电子科学研究所的Geohackweek 2017年在华盛顿大学。 哥伦比亚大学 以下培训由Pietro Ceccato开发， 以支持哥伦比亚大学国际气候与社会研究所开展的公共卫生培训。
GEE:将sentinel- 1和2数据多源遥感数据融合(哨兵1号数据斑点滤波函数)
此星光明博客
09-08 3254
哨兵1号和2号是欧空局发射的一系列卫星，主要用于地球观测。它们各自搭载了多种传感器和仪器，可以获取不同波段、不同分辨率和不同时间的遥感数据。这些数据可以用于地球科学研究、环境监测、资源调查等领域。多源遥感数据融合是将来自不同传感器和不同卫星的遥感数据进行整合和处理，得到更加全面、准确和详细的地球信息。常用的融合方法有数据融合、特征融合和决策融合等。利用多源遥感数据融合技术，可以解决单一传感器数据的局限性，提高地球信息提取的精度和可靠性。
Sentinel-1数据做SBAS-InSAR完整流程（ENVI-SARScape）
热门推荐
siwenaiyou的博客
08-16 1万+
实验所用的软件版本ENVI5.6。
Sentinel-1相关信息（数据类型、成像模式、分辨率......）
Mluoo的博客
01-04 9473
哨兵-1（Sentinel-1）SAR影像，包含S1A和S1B。每颗星重访周期是12天，两颗星轨道相位差180°（也就是彼此位于地球对面的两个位置）。由于两颗星的所有设置一致，两颗星可以直接混用，即时间分辨率可达到6天。提供SAR极化方式：HH（水平-水平）、VV（垂直-垂直）、VH（垂直-水平）、HV（水平-垂直）。
1.2 InSAR数据处理之软件介绍
bfhbbkn的博客
04-30 1万+
本节内容主要分为两部分，分别是： 1.Windows操作系统下的软件介绍。 2.Linux系统下的软件介绍。 许多InSAR数据处理软件只能安装于Linux操作系统上，但有一部分软件既能够支持Linux系统，也能够支持Windows操作系统。也有一部分软件只能安装于Windows操作系统上。 接下来介绍Windows操作系统下的软件。 Windows操作系统下常见的InSAR数据处理软件有ENVI SARsacpe、 ENVI SARscape ENVI中文网站：ENVI/IDL 新一代
哨兵一号数据下载
m0_70921434的博客
12-27 1242
2.哨兵一号合成孔径雷达可以在四种专有模式下采集数据：SM IW EW WV。1.哨兵一号是一项成像雷达任务，可以在C波段提供连续的全天候、昼夜图像。点击Filter，上传自己的shp文件，剩下的参数按照下图配置。打开IDM--点击任务--从剪切板中批量下载 自动导入。点击Search,依次加入购物车。点击 Copy URLs。
GEE python——Sentinel-1哨兵数据的变化监测（第一部分）
此星光明博客
02-04 570
数据集和 Python 模块本教程将使用一个数据集：哨兵-1 地面测距探测图像下面的单元格导入了一些我们将使用的 Python 模块，并启用了内联图形。
GEE下载哨兵1号
最新发布
03-15
### 使用 GEE API 下载 Sentinel-1 卫星数据 要通过 Google Earth Engine (GEE) API 下载 Sentinel-1 数据，可以按照以下方式实现。这种方法无需手动下载每张图像，而是利用 GEE 的云计算能力来处理和导出所需的数据。 #### 初始化 GEE 并加载 Sentinel-1 集合 首先，确保已安装 `earthengine-api` 库，并完成身份验证。以下是初始化代码： ```python import ee ee.Authenticate() ee.Initialize() ``` 接着定义感兴趣区域（AOI），这可以通过 GeoJSON 文件或其他地理空间格式指定。例如： ```python aoi = ee.Geometry.Rectangle([longitude_min, latitude_min, longitude_max, latitude_max]) ``` 或者从 Shapefile 加载 AOI： ```python shapefile_url = 'path_to_your_shapefile.shp' aoi = ee.FeatureCollection(ee.Algorithms.GeoJSONToFeatureCollection(shapefile_url)) ``` #### 过滤 Sentinel-1 数据集 使用 `ee.ImageCollection` 来访问 Sentinel-1 GRD 数据集，并过滤时间范围和地理位置： ```python sentinel1_collection = ee.ImageCollection('COPERNICUS/S1_GRD') \ .filterBounds(aoi) \ .filterDate('2023-01-01', '2023-12-31') \ .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV')) \ .filter(ee.Filter.eq('instrumentMode', 'IW')) ``` 上述代码中： - `'COPERNICUS/S1_GRD'` 是 Sentinel-1 地面射频退化（GRD）产品的 ID[^2]。 - `.filterBounds(aoi)` 限定影像覆盖的地理范围。 - `.filterDate()` 设置时间范围。 - `.filter(ee.Filter.listContains())` 和 `.filter(ee.Filter.eq())` 分别用于选择极化模式（如 VV 或 VH）以及成像模式（如 IW 表示干涉宽幅模式）。 #### 可视化与预览 为了确认所选数据的质量，在浏览器中可视化部分结果： ```python url = sentinel1_collection.first().select('VV').getThumbURL({ 'min': -25, 'max': 0, 'palette': ['black', 'white'] }) print(url) ``` 此代码生成一张缩略图 URL，便于快速检查数据质量。 #### 导出至 Google Drive 或资产目录 最后一步是将选定的影像导出到 Google Drive 或 GEE 资产目录。以下是一个完整的导出命令： ```python task = ee.batch.Export.image.toDrive( image=.sentinel1_collection.mean(), description='Sentinel1_Export', folder='gee_exports', region=aoi.bounds().getInfo()['coordinates'], scale=10, crs='EPSG:4326', maxPixels=1e13 ) task.start() ``` 参数说明： - `image`: 输入为经过均值计算后的合成影像。 - `description`: 输出文件名前缀。 - `folder`: 存储在 Google Drive 中的目标文件夹名称。 - `region`: 定义裁剪范围的几何坐标。 - `scale`: 像素分辨率（单位：米）。对于 Sentinel-1，默认分辨率为 10 米。 - `crs`: 投影系统，通常为 WGS84 (`EPSG:4326`)。 - `maxPixels`: 允许的最大像素数，防止因尺寸过大而导致失败。 以上流程涵盖了从加载、筛选到最终导出的过程。 --- ###
评论
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

打赏作者

生态遥感监测笔记

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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