PIE-Engine 教程:水稻面积提取3—sentinel2合成月度影像宿迁市)

这里分别获取计算2019年和2020年LSWI、EVI两期影像的分析，这里我们有几个常用的函数其中过一个是构建影像集合的一个函数：

fromImages(images)

根据Image列表构建ImageCollection对象。

方法参数：

- imageCollection(ImageCollection)

ImageCollection实例。

- images(Array)

影像数据列表

返回值：ImageCollection

大家这里可能有点疑问关于代码中的分析，EVI影像的波段代码要divide（1000），因为这里的sentinel2的波段中每一个波长

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

代码：

/**
 * @Name    :   基于 PIE Engine Studio 的水稻自动提取
 * @Author  :   武汉大学VHR队
 * @Desc    :   淮安市水稻提取 - 合成sentinel2月度影像
 * @Source  :   航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组三等奖获奖作品
 */

//3.合成sentinel2月度影像
//选择淮安市矢量
var roi = pie.FeatureCollection("NGCC/CHINA_CITY_BOUNDARY").filter(pie.Filter.eq('name', '淮安市')).first().geometry()
Map.centerObject(roi, 8)
Map.addLayer(roi)

//LSWI
function LSWI(image) {
    var swir = image.select("B11")
    var nir = image.select("B8")
    var lswi = (nir.subtract(swir)).divide(nir.add(swir))
    return image.addBands(lswi.rename("LSWI"));
}
//EVI
function EVI(image) {
    var red = image.select("B4").divide(10000)
    var nir = image.select("B5").divide(10000)
    var blue = image.select("B2").divide(10000)
    var evi = ((nir.subtract(red)).multiply(2.5))
        .divide(nir.add(red.multiply(6)).subtract(blue.multiply(7.5)).add(1))
        .multiply(10000)
    return image.addBands(evi.rename("EVI"));
}
//去云处理
function maskS2clouds(image) {
    //选择有关云掩膜的波段
    var qa = image.select('QA60')
    //位10和11分别代表云和卷云。
    var cloudBitMask = 1 << 10;
    var cirrusBitMask = 1 << 11;
    // 将有关云的像元置为0
    var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
        .and(qa.bitwiseAnd(cirrusBitMask).eq(0))
    return image.updateMask(mask)
}
var area = pie.Geometry.Polygon([
    [
        [
            118.33558377212347,
            32.62288800615681
        ],
        [
            119.24768569883133,
            32.62288800615681
        ],
        [
            119.24768569883133,
            31.21438784070145
        ],
        [
            118.33558377212347,
            31.21438784070145
        ],
        [
            118.33558377212347,
            32.62288800615681
        ]
    ]
], null);
//合成lswi波段的月度影像（做这个实验时由于map函数存在问题不能同时进行两个波段计算，因此分开计算）
var lswi1 = pie.ImageCollection('S2/L1C')
    .filterBounds(roi)
    .filterDate("2019-12-1", "2019-12-31")
    .select(['B2', 'B4', 'B8', 'B11', 'QA60'])
    .map(maskS2clouds)
    .map(LSWI)
    .select(['LSWI'])
    .mosaic()
    .clip(roi)
var lswi2 = pie.ImageCollection('S2/L1C')
    .filterBounds(roi)
    .filterDate("2020-12-1", "2020-12-31")
    .select(['B2', 'B4', 'B8', 'B11', 'QA60'])
    .map(maskS2clouds)
    .map(LSWI)
    .select(['LSWI'])
    .mosaic()
    .clip(roi);
//合成evi波段的月度影像              
var evi1 = pie.ImageCollection('S2/L1C')
    .filterBounds(roi)
    .filterDate("2019-12-1", "2019-12-31")
    .select(['B2', 'B4', 'B8', 'B11', 'QA60'])
    .map(maskS2clouds)
    .map(EVI)
    .select(['EVI'])
    .mosaic()
    .clip(roi)
var evi2 = pie.ImageCollection('S2/L1C')
    .filterBounds(roi)
    .filterDate("2020-12-1", "2020-12-31")
    .select(['B2', 'B4', 'B8', 'B11', 'QA60'])
    .map(maskS2clouds)
    .map(EVI)
    .select(['EVI'])
    .mosaic()
    .clip(roi);
//将2019年和2020年对应月份影像取均值合成              
var lswi = pie.ImageCollection.fromImages([lswi1, lswi2]).mean()
var evi = pie.ImageCollection.fromImages([evi1, evi2]).mean()
var jan = lswi.addBands(evi);
//导出月度影像
Export.image({
    image: jan,
    description: 'jan',
    assetId: "jan",
    region: area,
    scale: 30,
})