PIE-engine 教程 ——sentinel-2影像数据去云分析（山西省为例）

本文我们将介绍哨兵2数据去云分析，同样是使用QA60去云，我们这里先看一下影像

Sentinel-2号是高分辨率多光谱成像卫星，携带一枚多光谱成像仪(MSI)，分为2A和2B两颗卫星，其中一颗卫星的重访周期为10天，两颗互补，重访周期为5天（纬度较高的欧洲地区，仅需3天），常用于陆地监测，可提供植被、土壤和水覆盖、内陆水路及海岸区域等图像，还可用于紧急救援服务。
Sentinel-2数据集中包含的数据为L1C级产品数据，是经正射校正和亚像元级几何精校正后的大气表观反射率产品，包含13个UINT16光谱带，3个QA频段，其中一个（QA60）是具有云掩码信息的位掩码频段。

名称	中心波长(nm)		分辨率(m)	描述信息
	A	B
B1	443.9	442.3	60	Aerosols
B2	496.6	492.1	10	Blue
B3	560	559	10	Green
B4	664.5	665	10	Red
B5	703.9	703.8	20	Red Edge 1
B6	740.2	739.1	20	Red Edge 2
B7	782.5	779.7	20	Red Edge 3
B8	835.1	833	10	NIR
B8A	864.8	864	20	Red Edge 4
B9	945	943.2	60	Water vapor
B10	1373.5	1376.9	60	Cirrus
B11	1613.7	1610.4	20	SWIR 1
B12	2202.4	2185.7	20	SWIR 2
QA10	443.9	442.3	10	--
QA20	--	--	20	--
QA60	--	--	60	--

Bitmask for QA60
Bits 10: Opaque clouds 0: No opaque clouds 1: Opaque clouds present Bits 11: Cirrus clouds 0: No cirrus clouds 1: Cirrus clouds present

影像属性：

id	string	影像名称
date	string	影像日期
cloudyPixelPercentage	double	云量覆盖百分比

代码：

var geometry0 = pie.FeatureCollection('user/xg346049806/shanxibianjie').first().geometry();

/*******************1. Sentinel-2 利用cloudyPixelPercentage属性筛选含云量**************/
var images1 = pie.ImageCollection("S2/L1C")
                .filterDate('2020-07-01', '2020-07-30')
                .filterBounds(geometry0);
print("images1",images1)

var images2 = pie.ImageCollection("S2/L1C")
                .filterDate('2020-07-01', '2020-07-30')
                .filterBounds(geometry0)
                .filter(pie.Filter.lt('cloudyPixelPercentage',5));
print("images2",images2)

//定义显示的样式
var visParam = {
    min:0,
    max:3000,
    bands:["B4","B3","B2"]
};

//分别加载不同影像
//添加云量2.66%的影像
var image = pie.Image("S2/L1C/43SED_20200701")
               .select(["B4","B3","B2"]);
Map.centerObject(image,7)
Map.addLayer(image, visParam, "2.66%Cloud");

//添加云量11.83%的影像
var image = pie.Image("S2/L1C/43SED_20200704")
               .select(["B4","B3","B2"]);
Map.addLayer(image, visParam, "11.83%Cloud");

/**********2. Sentinel-2 利用QA波段实现去云操作***************/
function maskS2clouds(image) {
  var qa = image.select("QA60");
  var cloudBitMask = 1 << 10;
  var cirrusBitMask = 1 << 11;
  var mask = qa
    .bitwiseAnd(cloudBitMask)
    .eq(0)
    .and(qa.bitwiseAnd(cirrusBitMask).eq(0));
  return image.updateMask(mask);
}
//按数据id加载Sentinel-2 MSI单景影像
var img = pie.Image("S2/L1C/43SED_20200704").select(["B4", "B3", "B2", "QA60"]);
print("img", img);
var rmCloud = maskS2clouds(img);

print("rmCloud", rmCloud);
//定位地图中心
Map.centerObject(img, 8);
//加载显示影像
Map.addLayer(
  img.select(["B4", "B3", "B2"]),
  { min: 0, max: 3000 },
  "Sen-rawImage"
);
Map.addLayer(
  rmCloud.select(["B4", "B3", "B2"]),
  { min: 0, max: 3000 },
  "Sen-rmCloud"
);

原始影像结果：

 去云后影像结果：

影像去云：

 利用算法进行去云后的结果： 

var geometry0 = pie.FeatureCollection('user/xg346049806/shanxibianjie').first().geometry();

//************************3. Sentinel-2 算法去云 ******************/
 var S2Image = pie.ImageCollection("S2/L1C")
.filterBounds(geometry0)
.filterDate("2020-06-01","2020-06-09")
.select(["B4", "B3", "B2", "QA60"]).mosaic().clip(geometry0);
//计算云掩膜
var cloudMask = pie.Algorithm.Sentinel2.cloudMask(S2Image,"Sentinel2");
//选择2,3,4波段做掩膜运算
var S2_rm_mask = S2Image.select(["B4","B3","B2"]).updateMask(cloudMask.not());

// Sentinel2数据去云显示
var visParam = {
  min: 0,
  max: 3000
};
Map.centerObject(S2Image,8)
Map.addLayer(S2_rm_mask.select(["B4","B3","B2"]),visParam,"MaskImage");