GEE联合多源时序遥感数据下载：以Landsat-8和Sentinel-2为例（含去云异常影像的识别和删除）

置顶 已于 2023-09-08 17:19:28 修改
阅读量5k 收藏 122
点赞数 24
文章标签： javascript 云计算
于 2023-08-21 23:46:18 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/m0_71243797/article/details/132417873
版权
本文介绍了如何利用GoogleEarthEngine(GEE)实现多源遥感数据（如Landsat-8和Sentinel-2）的联合处理，包括数据筛选、去云、影像合成以及空白区域填补，以提高地表信息质量和减少噪声，特别关注了GEE代码示例和关键技术点。
摘要由CSDN通过智能技术生成

目录

一、联合多源遥感影像的意义

        1. 提高信息质量

        2. 丰富数据内容

        3. 降低数据噪声

二、GEE实现

        1、研究区域和下载年份的选择

        2、定义数值转换函数

        3、定义影像去云函数

        4、筛选研究需要的Landsat-8数据

        补充：去云异常影像的识别和删除流程

        5、筛选研究需要的Sentinel-2数据

        6、时序遥感影像的合成

        7、多源遥感影像的合成

        8、遥感影像空白区域的填补

        9、遥感影像的批量显示和批量下载

一、联合多源遥感影像的意义

        联合多源遥感影像意味着将来自不同传感器、不同时间或不同空间分辨率的遥感数据融合在一起，来获取完整、准确的地表信息。这种融合可以提供比单一数据源更多、更丰富的信息，同时还能降低遥感数据中的噪声、缺失数据和歧义等因素的影响，从而提高地表信息的质量和可靠性。联合多源遥感影像的意义主要体现在以下几个方面：

        1. 提高信息质量

        利用多源遥感数据的互补性，可以提高地表信息的准确性、全面性和时效性，从而更好地满足决策和研究的需要。

        2. 丰富数据内容

        联合多源遥感影像可以提供更多的地表特征信息，如高程、植被、水体、土壤类型、岩石等，这样可以帮助更好地理解自然环境和人类活动。

        3. 降低数据噪声

        联合多源遥感影像还可以通过对不同数据源的重叠区域进行一些处理，去除重复信息和不一致信息，从而减少噪声和错误。

        联合多源遥感影像的技术在生态环境监测、资源调查、城市规划、农业生产、灾害管理、国土安全等领域均有广泛的应用前景。接下来以Landsat-8和Sentinel-2的数据融合为例，详细讲解其处理过程的GEE实现。

二、GEE实现

        本例以Sentinel-2数据为主，Landsat-8做为Sentinel-2没有数据区域的补充，GEE下载代码如下：

        1、研究区域和下载年份的选择
// 指定研究区域
var geometry = 自己导入的FeatureCollection对象;
// 区域筛选，有需要就加上
geometry = geometry.filterMetadata(列名, 筛选条件, 筛选对象名称);
// 研究区域显示
Map.centerObject(geometry, 8);

// 选择下载年份，每次下载一年的数据，后面需要用前后两年数据补充
var the_year = ee.Number(2020);
var startYear = the_year.subtract(1);
var endYear = the_year.add(1);
        2、定义数值转换函数

        接下来先写好Landsat-8地表反射率产品和Sentinel-2 2A产品的数值转化函数，参考GEE相关产品的示例代码。虽然GEE上的这两个产品已经做好了大气校正，但数值不是地表反射率，还需做一个简单的线性变换：

// L8辐射定标 DN-->反射率
function L8_applyScaleFactors(image) {
  image = ee.Image(image);
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  return image.addBands(opticalBands, null, true);
}

// S2辐射定标 DN-->反射率
function S2_applyScaleFactors(image) {
  image = ee.Image(image);
  var opticalBands = image.select('B.').divide(10000);
  return image.addBands(opticalBands, null, true);
}
        3、定义影像去云函数

        再是去云函数的定义，可根据需求调整，具体数值含义参考产品中相应波段说明。其中Sentinel-2去云参考了‘SCL’和‘QA60'两个波段，因为经过尝试后笔者认为联合这两个波段去除效果最好，单独使用其中一个都有较严重的去不干净的问题。Sentinel-2的去云方法大家也多多参考其他博主的见解：

// L8去云、去雪
function maskL8sr(image){
  var DilatedCloud = 1 << 1; //云层边缘
  var Cloud = 1 << 3; //云层
  var CloudShadowBitMask = 1 << 4; //云影
  var SnowBitMask = 1 << 5; //积雪
  var qa = image.select('QA_PIXEL');
  var mask = qa.bitwiseAnd(DilatedCloud).eq(0)
        .and(qa.bitwiseAnd(Cloud).eq(0))
        .and(qa.bitwiseAnd(CloudShadowBitMask).eq(0))
        .and(qa.bitwiseAnd(SnowBitMask).eq(0));
  return image.updateMask(mask);
}

// S2去云、去雪
function maskS2clouds(image) {
  var scl = image.select('SCL');
  var Cloud_Shadows = 1 << 3;
  var Clouds_Low_Probability = 1 << 7;
  var	Clouds_Medium_Probability = 1 << 8;
  var Clouds_High_Probability = 1 << 9;
  var Cirrus = 1 << 10;
  var	Snow_Ice = 1 << 11;
  
  var qa = image.select('QA60');
  var cloudBitMask = 1 << 10;
  var cirrusBitMask = 1 << 11;
  
  var mask = scl.bitwiseAnd(Cloud_Shadows).eq(0)
    .and(scl.bitwiseAnd(Clouds_Low_Probability).eq(0))
    .and(scl.bitwiseAnd(Clouds_Medium_Probability).eq(0))
    .and(scl.bitwiseAnd(Clouds_High_Probability).eq(0))
    .and(scl.bitwiseAnd(Cirrus).eq(0))
    .and(scl.bitwiseAnd(Snow_Ice).eq(0))
    .and(qa.bitwiseAnd(cloudBitMask).eq(0))
    .and(qa.bitwiseAnd(cirrusBitMask).eq(0));
  
  return image.updateMask(mask);
}
        4、筛选研究需要的Landsat-8数据

        说明：

        <1> 若研究区域为平原，T1、T2产品均达到质量标准。其它情况要慎重选择符合要求的产品

        <2> 筛除了云量高于75%的影像，大家可以根据需求调整

        <3> 部分影像存在去云波段的错误，导致去除不彻底，这类影像需要识别并删除

        <4> 本例的联合多源时序遥感数据主要用于后续计算几种传统植被指数，故只选择了nir、red、green、blue四个波段，实际应用中，应当根据自身需求选择合适的波段

        <5> 若想在GEE上直接计算进一步的结果，如植被指数，并下载，可参考以下文章：
使用GEE计算多种时序植被指数/建筑指数/水体指数icon-default.png?t=N7T8https://blog.csdn.net/m0_71243797/article/details/129132868

// 初始化L8遥感数据
var Landsat_8 = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
  .merge(ee.ImageCollection("LANDSAT/LC08/C02/T2_L2"))
  .filterDate(
    ee.Date.fromYMD(startYear, 1, 1), 
    ee.Date.fromYMD(endYear.add(1), 1, 1)
  )
  .filterBounds(geometry)
  .filter(ee.Filter.lt("CLOUD_COVER", 75))
  .map(maskL8sr)
  .map(L8_applyScaleFactors)
  // 识别删除去云错误影像
  .map(function(image){
    var image_mean = ee.Image(image)
    .select(['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5'])
    .reduce(ee.Reducer.mean());
    return image.addBands(image_mean.rename("ref_mean"));
  })
  .map(function(image){
    var mean = image.select('ref_mean').reduceRegion({
      reducer: ee.Reducer.mean(),
      scale: 90,
      });
    return image.set("ref_mean", mean.get('ref_mean'));
  })
  .filter(ee.Filter.lt("ref_mean", 0.2))
  // 波段选择和重命名
  .select(['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5'])
  .map(function(image){
    return ee.Image(image).rename(['blue', 'green', 'red', 'nir']);
  });

print("Landsat_8:", Landsat_8);
        补充：去云异常影像的识别和删除流程

        上文提到的去云不彻底问题在Sentinel-2中也存在，本例提供一种较为有效的方法：云栅格在nir、red、green、blue波段的反射率明显高于其它栅格，去云异常的影像由于大量云栅格的存在，上述四波段的平均值的全图均值明显高于正常影像，将该结果保存至新的属性‘ref_mean’中，找到合适的阈值，就可以筛除这部分影像了。

        我们可以输出一个包含所有所选影像的‘ref_mean’属性的条形图，人工选阈值（下面这段代码只为绘制条形图，阈值笔者已经调试好了，为0.2，在下载使用时可以不添加这一步）：

// ref_mean条形图
var refMeanList = Landsat_8.aggregate_array('ref_mean');
var chart = ui.Chart.array.values(refMeanList, 0)
  .setChartType('ColumnChart')
  .setOptions({
    title: '属性 ref_mean 的条形图',
    hAxis: {title: 'ref_mean'},
    vAxis: {title: '影像序号'},
    colors: ['red']
  });

print(chart);

         结果如下图所示，可以很明显的看到，正常影像的‘ref_mean’属性至较为一致，在0.11左右波动，而去云异常影像显著偏高，可选择0.2做为阈值：

         任举一例，去除效果如下（左图：去除前；右图：去除后）：

        5、筛选研究需要的Sentinel-2数据

        过程与Landsat-8数据筛选类似：

// 初始化S2遥感数据
var Sentinel_2 = ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED")
  .filterDate(
    ee.Date.fromYMD(startYear, 1, 1),
    ee.Date.fromYMD(endYear.add(1), 1, 1)
  )
  .filterBounds(geometry)
  .filter(ee.Filter.lt("CLOUDY_PIXEL_PERCENTAGE", 75))
  .map(maskS2clouds)
  .map(S2_applyScaleFactors)
  // 识别删除去云错误影像
  .map(function(image){
    var image_mean = ee.Image(image)
    .select(['B2', 'B3', 'B4', 'B8'])
    .reduce(ee.Reducer.mean());
    return image.addBands(image_mean.rename("ref_mean"));
  })
  .map(function(image){
    var mean = image.select('ref_mean').reduceRegion({
      reducer: ee.Reducer.mean(),
      scale: 90,
      });
    return image.set("ref_mean", mean.get('ref_mean'));
  })
  .filter(ee.Filter.lt("ref_mean", 0.2))
  // 波段选择和重命名
  .select(['B2', 'B3', 'B4', 'B8'])
  .map(function(image){
    return ee.Image(image).rename(['blue', 'green', 'red', 'nir']);
  });

print("Sentinel_2:", Sentinel_2);
        6、时序遥感影像的合成

        按照研究所需，分别合成Landsat-8和Sentinel-2的时间序列影像。本例为每半月一张：

// 时间序列影像合成
var yearList = ee.List.sequence(startYear, endYear, 1);
var monthList = ee.List.sequence(1, 12, 1);
var dayList = ee.List([[1, 15], [16, 31]]);
// L8
var L8_imageList = yearList.map(function(year_1){
  year_1 = ee.Number(year_1);
  var year_2 = year_1;
  return monthList.map(function(month_1){
    month_1 = ee.Number(month_1);
    var month_2 = month_1;
    return dayList.map(function(days){
      days = ee.List(days);
      var day_1 = ee.Number(days.get(0));
      var day_2 = ee.Number(days.get(1));
      var images = Landsat_8
      .filter(ee.Filter.calendarRange(year_1, year_2, "year"))
      .filter(ee.Filter.calendarRange(month_1 ,month_2, "month"))
      .filter(ee.Filter.calendarRange(day_1, day_2, "day_of_month"))
      .median()
      .clip(geometry)
      .clamp(0, 1);
      return images;
    });
  });
}).flatten();

print("L8_imageList:", L8_imageList);

// S2
var S2_imageList = yearList.map(function(year_1){
  year_1 = ee.Number(year_1);
  var year_2 = year_1;
  return monthList.map(function(month_1){
    month_1 = ee.Number(month_1);
    var month_2 = month_1;
    return dayList.map(function(days){
      days = ee.List(days);
      var day_1 = ee.Number(days.get(0));
      var day_2 = ee.Number(days.get(1));
      var images = Sentinel_2
      .filter(ee.Filter.calendarRange(year_1, year_2, "year"))
      .filter(ee.Filter.calendarRange(month_1 ,month_2, "month"))
      .filter(ee.Filter.calendarRange(day_1, day_2, "day_of_month"))
      .median()
      .clip(geometry)
      .clamp(0, 1);
      return images;
    });
  });
}).flatten();

print("S2_imageList:", S2_imageList);
        7、多源遥感影像的合成

        联合Sentinel-2、Landsat-8数据，用相同时间序列的Landsat-8填补Sentinel-2的空白：

// S2叠到L8上
var S2L8_imageList = S2_imageList.zip(L8_imageList);
var S2_and_L8 = S2L8_imageList.map(function(imageList){
  imageList = ee.List(imageList);
  var S2_image = ee.Image(imageList.get(0));
  var L8_image = ee.Image(imageList.get(1));
  var S2L8_image = ee.Algorithms.If(
    S2_image.bandNames().length().eq(0),
    L8_image,
    ee.Algorithms.If(
      L8_image.bandNames().length().eq(0),
      S2_image,
      L8_image.blend(S2_image)
    )
  );
  return S2L8_image;
});
        8、遥感影像空白区域的填补

         最后，使用相邻两年的平均数据补充还可能存在的空白区域。注意，不同年份数据的划分切片取决于研究选择的时间序列长度，需根据实际情况修改：

        去云代码涉及到叠置分析的知识，可参考下面这篇文章，笔者也参考了这篇文章：GEE学习笔记 九十一：栅格影像叠置分析icon-default.png?t=N7T8https://blog.csdn.net/shi_weihappy/article/details/105972787

// 按年分组 前后年均值填补
var last_year_image = S2_and_L8.slice(0, 24);
var this_year_image = S2_and_L8.slice(24, 48);
var next_year_image = S2_and_L8.slice(48, 72);
var three_years_image = last_year_image
  .zip(next_year_image)
  .zip(this_year_image);

var image_to_drive = three_years_image.map(function(imageList){
  imageList = ee.List(imageList);
  var last_and_next = ee.List(imageList.get(0));
  var this_image = ee.Image(imageList.get(1));
  var last_image = ee.Image(last_and_next.get(0));
  var next_image = ee.Image(last_and_next.get(1));
  
  var fill_image = ee.ImageCollection.fromImages(
    [last_image, next_image]
  ).mean();
  var new_image = ee.Algorithms.If(
    this_image.bandNames().length().eq(0),
    fill_image,
    ee.Algorithms.If(
      fill_image.bandNames().length().eq(0),
      this_image,
      fill_image.blend(this_image)
    )
  );
  return new_image;
});

print("image_to_drive", image_to_drive);
        9、遥感影像的批量显示和批量下载
// 数据展示
var visualization = {
  min: 0.0,
  max: 0.3,
  bands: ['red', 'green', 'blue'],
};

for (var i = 0; i < 24; i++)
{
  Map.addLayer(ee.Image(image_to_drive.get(i)), visualization);
}
Map.addLayer(geometry, null, "geometry");


// 数据下载
var name_image = ee.List(
  ['01-1','01-2','02-1','02-2','03-1','03-2',
  '04-1','04-2','05-1','05-2','06-1','06-2',
  '07-1','07-2','08-1','08-2','09-1','09-2',
  '10-1','10-2','11-1','11-2','12-1','12-2']
);

for (var i = 0; i < 24; i++)
{
  var f_name = name_image.get(i).getInfo();
  Export.image.toDrive({
    image: ee.Image(image_to_drive.get(i)),
    folder: 'my_folder',
    fileNamePrefix: f_name,
    description: f_name,
    region: geometry.geometry().bounds(),
    scale: 30, //重采样使空间分辨率为30m
    crs: "EPSG:4326", //使用WGS84坐标系
    maxPixels: 1e13
  });
}
星踪迷影
关注
Google Earth Engine——Landsat 4/5/7/8/9 +Sentinel-1数据融合分析（逐年数据融合导出）
此星光明博客
06-07 778
Landsat和Sentinel-1是两种不同的遥感数据源，分别提供了不同的信息。Landsat是一种光学传感器，提供高分辨率的可见光和红外波段图像，适用于地表覆盖分类、土地利用变化监测等应用。Sentinel-1是一种合成孔径雷达（SAR）传感器，可以提供全天候、全天时、高分辨率的雷达图像，适用于地表形变监测、水体变化检测等应用。将Landsat和Sentinel-1的数据进行融合可以获得更全面、准确的地表信息。
Google Earth Engine （GEE）——如何用Sentinel-1和Sentinel-2影像融合为多波段影像做分类
此星光明博客
10-17 4613
这里有一点大家需要知道，我们使用filter一般筛选的是影像的属性信息，所以我们这里看到，在进行sentinel-1筛选的时候我们需要进行相应的属性筛选，我们这里先列出s1中包含的属性信息，大家可以通过属性去筛选所需要的信息。本教程的理念就是通过分别加载S2和S1影像，并且根据要求筛选出我们所需要的影像时间、位置以及波段及属性，我们就可以完成对整个影像的的添加，而这个影像的添加一般是通过波段的形式让其中一个影像集合添加到另外一个影像集合之上。如果省略名称，srcImg中的所有条带都将被复制过来。
GEE 影像下载——批量下载多源遥感影像（Landsat 8 C02 SR）光谱波段。光谱指数，缨帽变换和纹理特征以及SAR和地形数据（DEM）
此星光明博客
01-21 1692
本博客的主要目的是实现不同年份多源遥感影像的下载，最终下载的结果是一个单景影像集合的多源遥感波段影像，多波段的影像，不是影像集合。
GEE案例分析——利用多时 Sentinel-1/2 和 Landsat-8/9 遥感数据在GEE中使用机器学习方法进行作物类时序分类
此星光明博客
05-13 547
准确绘制作物类型图对于确保粮食安全至关重要。遥感（RS）卫星数据空间覆盖面广，时间频率高，是这一领域前景广阔的工具。然而，由于作物的类内和类间变异性很高，利用 RS 数据进行准确的作物类型分类方法的需求仍在不断增长。为此，本研究提出了一种新颖的并行级联集合结构（Pa-PCA-Ca），在谷歌地球引擎（GEE）中包含七个目标类别。Pa 部分由五个并行分支组成，每个分支利用多时 Sentinel-1/2 和 Landsat-8/9 卫星图像以及机器学习（ML）模型为不同的目标类别生成概率图（PM）。
Google Earth Engine（GEE）—— 下载一个最简单的sentinel-2影像的单日ndvi下载
此星光明博客
07-21 1043
通过元数据来过滤一个集合的快捷方式。这相当于this.filter(ee.Filter.metadata(..))。使用filter()与ee.Filter.eq(),ee.Filter.gte()等。"equals","less_than","greater_than",thiscollection（集合）。name（字符串）。value（对象）。......
GEE基础——下载Sentinel-2影像数据
weixin_43536034的博客
12-12 9098
GEE下载哨兵2号遥感影像数据
geemap学习笔记015：下载哨兵2号(Sentinel-2)数据
主要是关于代码方面的内容，包括但不限于Python、MATLAB、ENVI、ArcGIS
11-28 4264
使用GEE下载数据应该是最常见的功能了，今天就介绍一下如何使用geemap下载哨兵2号(Sentinel-2)数据，分别包括自己画感兴趣，以及利用Assets中的shp文件进行下载。
GEE中使用已分类数据集下载遥感影像（1）
weixin_64898072的博客
02-03 497
使用此数据集下载一个区域（roi）的土地分类遥感影像（注意：1、这里需要自己定义一个感兴趣区域roi。2、使用此数据集不可超出它的可用时间范围。这里roi以赣州市（如图1）为例，运行结果如图2和图3所示。灌木和灌木丛完全覆盖的估计概率。被淹没植被完全覆盖的估计概率。按作物完全覆盖的估计概率。按建筑完全覆盖的估计概率。树木完全覆盖的估计概率。裸露完全覆盖的估计概率。冰雪完全覆盖的估计概率。估计概率最高的波段指数。水完全覆盖的估计概率。草完全覆盖的估计概率。
遥感影像深度学习样本对制作教程3——从GEE下载训练数据
weixin_44785184的博客
05-05 2749
本文结合实例详细讲解了如何使用Python制作遥感影像深度学习样本对，关注公众号，回复20230427获取示例数据和代码。受到计算机内存限制，深度学习算法无法直接对大幅影像和标签图像进行训练，因此需要对影像和标签图像进行再处理，将制作好的城市绿地影像和对应标签图像裁剪成一系列相同尺寸的小图像放入模型训练。常用的裁剪方法有规则格网裁剪和滑动窗口裁剪。规则格网裁剪，也称棋盘裁剪，顾名思义就是将影像裁剪成棋盘形状固定尺寸的小图像，该方法得到的图像比较规则，但是缺点是获取的图像数量较少，如下图a所示；
GEE_遥感影像
qq_41627642的博客
09-27 1125
GEE实例代码学习 GEE开发
GEE案例——如何利用 Landsat-8 或 Sentinel-2 数据和大津法+边缘检测（Otsu + Canny ）来有效区分水生植被
此星光明博客
02-28 706
多种多样的淡水生物群落受到外来入侵水生植物（IAAP）的威胁，因此各国需要花费数百万美元进行管理。要对这些外来入侵水生植物进行有效管理，就必须对其进行频繁、可靠的大范围长期监测。在此，我们介绍并应用了一种符合上述标准的监测方法，该方法基于三个阶段的分级分类，首先检测水体，然后检测水生植被，最后检测布袋莲（Pontederia crassipes，前身为 Eichhornia crassipes），布袋莲是世界上许多地区危害最大的 IAAP 物种。
GEE案例——Landsat系列（4、5、7、8和9）影像的物候监测分析
最新发布
此星光明博客
07-25 321
Landsat物候分析是一种利用Landsat系列卫星数据进行植被生长和变化的研究方法。物候是指植物生长和发育的季节性变化，包括植物生长、开花、结果和凋落等过程。Landsat系列卫星是美国国家航空航天局和美国地质调查局联合发起的地球观测卫星项目，主要用于监测地球表面的变化和资源管理。Landsat卫星具有高空间分辨率和较长的历史数据记录，可以提供长时间序列的遥感数据用于物候分析。通过对Landsat卫星数据进行物候分析，可以了解植被的季节性变化和发展趋势。
GEE（ccdc-1）——利用Landsat系列影像获取研究区范围的多波段影像（包含ccdc中已经定义的多波段）
此星光明博客
12-18 1338
在进行CCDC监测时，我们首先要做的就是获取研究区的长时间序列影像，让其保存在你的资产中，方便后面调用，这里我们要做的额就是根据代码，将我们时间范围进行选取和指定的研究区边界，剩下的采用默认参数即可。最后出现的结果是将ccdc代码中所需要的波段和影像中一些光谱波段加载到一起作为最终的影像参与分类和监测。
landsat8与sentinel2波段对比
热门推荐
weixin_43755050的博客
11-21 1万+
landsat8与sentinel2波段对比 Landsat8波段对比哨兵2号，通常Landsat8OLI使用7、5、2或7、5、3，哨兵2号相对应的为12、8、2。 Landsat7ETM＋通常采用7、4、1。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新...
【免费教程】 长时间序列遥感数据讲解与经验分享
zmjia111的博客
03-28 1033
一、时间序列遥感数据的概念 二、遥感数据介绍（MDDIS、LANDSAT、Sentinel-Z、HJ、GF） 三、时间序列遥感数据的应用 四、时间序列遥感数据应用心得 五、时间序列遥感数据分析的现状和发展趋势 一、时间序列遥感数据的概念 二、遥感数据介绍（MDDIS、LANDSAT、Sentinel-Z、HJ、GF） 三、时间序列遥感数据的应用 四、时间序列遥感数据应用心得 五、时间序列遥感数据分析的现状和发展趋势
【GEE实践应用】GEE按照行列号下载遥感数据
qq_46689623的博客
04-11 529
【GEE实践应用】GEE按照行列号下载遥感数据
GEE初学实操：下载Sentinel-2并计算RSEI
weixin_47640947的博客
06-23 1555
/ 调整加载时影像的显示大小。// 创建影像集合，过滤时间和云量，应用云掩码。// 导出影像ID到Google Drive。// 导出影像到Google Drive。// 创建导出影像集合，选择特定波段。// 创建一个特征集合以包含影像ID。// 基于裁剪后的影像计算RSEI值。// 加载感兴趣区 (table)// 计算RSEI值的代码段。// 计算缨帽变换WET。// 计算NDBSI。// 获取影像ID列表。// 导出RSEI影像。// 定义云掩码函数。// 镶嵌和裁剪影像。
GEE：如何直接下载指定投影坐标系的遥感影像？（附投影坐标系查询网站）
养乐多的博客
01-21 5719
我们在处理遥感影像时，经常会出现一个问题，就是数据的投影坐标系不是理想的坐标系。然而在ArcGIS中重新转换坐标系，步骤麻烦繁琐，时而伴随莫名其妙的问题。所以，我们可以在下载数据时，直接下载指定坐标系的数据。 主要操作就是在toDrive（）函数里面加入crs:"EPSG:32649" Export.image.toDrive({ image: crude_object_removal,//指定的数据名称 description: 'RF2020', //下载的数据名 scale: 3
学习日记01.1 GEE下载Sentinel-2A数据（优化版）
m0_58440381的博客
04-05 1683
运行代码时仅需将shp导入，然后修改你所需的时间和波段，点击运行即可，最后下载后的影像是已经过shp裁剪过的影像，无需后续再使用Arcmap等软件裁剪。其实本想在原文章上直接修改，但考虑到可能有不同的需求，还是决定另起一篇做单独介绍。基本内容和前提条件不再赘述，可在之前的文章中进行查看。本次优化主要体现于数据导入和出图部分。话不多说，直接上代码。
基于GEE的遥感图像分类算法
05-02
遥感图像分类是一种将遥感图像像素分配到不同的类别中的过程，可以用于农业、地质、城市规划、环境监测等领域。在Google Earth Engine (GEE)上进行遥感图像分类，可以利用GEE强大的数据处理和分析功能，同时也可以利用已有的遥感数据集。 以下是一些基于GEE的遥感图像分类算法： 1. 监督分类算法：监督分类算法需要先准备好一些已知分类的样本，然后根据这些样本来训练分类器。在GEE上，可以使用支持向量机（SVM）、随机森林（Random Forest）等监督分类算法进行遥感图像分类。 2. 无监督分类算法：无监督分类算法不需要事先准备好样本，而是利用遥感图像的统计特征来进行分类。在GEE上，可以使用K均值聚类、最大似然分类等无监督分类算法进行遥感图像分类。 3. 深度学习算法：近年来，深度学习在遥感图像分类领域也取得了很好的效果。在GEE上，可以使用卷积神经网络（CNN）等深度学习算法进行遥感图像分类。 以上是一些基于GEE的遥感图像分类算法，具体应用需要根据实际情况进行选择。
评论 25
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