在 Google 地球引擎中使用 QA 波段和位掩码

在 Google 地球引擎中使用 QA 波段和位掩码

大多数光学卫星图像产品都带有一个或多个 QA 波段，允许用户评估每个像素的质量并提取满足其要求的像素。QA 波段最常见的应用是提取有关多云像素的信息并对其进行屏蔽。但是 QA 波段包含大量其他信息，可以帮助您从分析中删除低质量数据。通常，QA 频带中包含的信息存储为按位标志。在这篇文章中，我将介绍与位运算相关的基本概念，以及如何使用位掩码提取和屏蔽特定的质量指标。

对于这篇文章，我们将使用MOD11A1.006 Terra Land Surface Temperature and Emissivity Daily Global 1km数据集。但是这些概念和代码片段可以很容易地应用于任何其他数据集。查看乐队元数据，我们看到LST_Day_1km乐队伴随着一个QC_Day包含 LST 质量指标的波段。

了解 QA 标志

该QC_day频段包含 8 位信息。这意味着像素值的范围可以从 0 到 255。这个波段中存储了 4 个不同的指标，每个指标都有 4 个可能的值。这些值的每种组合都会产生一个不同的 8 位数字，该数字存储在输出中。我们可以通过一个具体的例子来了解如何解释这些 QA 位。假设您将QC_Day波段添加到地图并检查了一个像素。该像素的值为145。这是什么意思？嗯，值 145 是每个 QA 标志设置为特定值的结果。

提示：使用这个方便的十进制到二进制转换器来了解数字的二进制表示，反之亦然。

下图将值分解为位对并显示如何解释它们。

了解位掩码

假设您要查询 QA 波段中位 4-5 设置为特定值的所有像素。您将需要提取存储在位 4-5 中的信息，同时忽略所有其他位。这可以使用Bitmask来实现。简单地说，位掩码将保留感兴趣位中的信息，并将所有其他值设置为 0。

可以使用左移 (<<) 和右移 (>>) 运算符创建位掩码。GEE API 为和提供leftShift()和rightShift()功能。创建位掩码后，可以使用() 函数将其应用于输入图像。下面是一个提取特定位的 GEE API 函数。ee.Image()ee.Number()bitwiseAnd

1 2 3 4 5 6 7 8

// Helper function to extract the values from specific bits // The input parameter can be a ee.Number() or ee.Image() // Code adapted from google earth engine - Creating Cloud free images out of a MOD09A1 MODIS image in GEE? - Geographic Information Systems Stack Exchange var bitwiseExtract = function(input, fromBit, toBit) {   var maskSize = ee.Number(1).add(toBit).subtract(fromBit)   var mask = ee.Number(1).leftShift(maskSize).subtract(1)   return input.rightShift(fromBit).bitwiseAnd(mask) }

要理解这段代码，请看下图。我们将继续上一节中的示例，并尝试通过回答以下问题来了解该算法的工作原理：数字 145 中的第 4 位和第 5 位的值是多少？

屏蔽低质量数据

现在让我们将所有这些放在一起，看看我们如何屏蔽 MODIS LST 图像中的低质量数据。我们的目标是使用波段并从图像中QC_day提取所有像素LST_Day_1km

• QA 标志（位 0-1）为0或1（LST 生产的质量良好和其他质量）
• 数据质量标志（位 2-3）为 0（良好的数据质量）
• LST 错误标志（位 6-7）为0（平均 LST 错误 ≤ 1K）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

var modisLST = ee.ImageCollection("MODIS/006/MOD11A1") var lsib = ee.FeatureCollection("USDOS/LSIB_SIMPLE/2017") var australia = lsib.filter(ee.Filter.eq('country_na', 'Australia')) var geometry = australia.geometry() var terra = modisLST   .filter(ee.Filter.date('2001-01-01', '2010-01-01'))   .select('LST_Day_1km','QC_Day');     // Get a single image for testing var image = ee.Image(terra.first()) var lstDay = image.select('LST_Day_1km') var qcDay = image.select('QC_Day') // Let's extract all pixels from the input image where // Bits 0-1 <= 1 (LST produced of both good and other quality) // Bits 2-3 = 0 (Good data quality) // Bits 4-5 Ignore, any value is ok // Bits 6-7 = 0 (Average LST error ≤ 1K) var qaMask = bitwiseExtract(qcDay, 0, 1).lte(1) var dataQualityMask = bitwiseExtract(qcDay, 2, 3).eq(0) var lstErrorMask = bitwiseExtract(qcDay, 6, 7).eq(0) var mask = qaMask.and(dataQualityMask).and(lstErrorMask) var lstDayMasked = lstDay.updateMask(mask)  var visParams = {min:13000, max:16000, palette: ['green', 'yellow', 'red']} Map.addLayer(lstDay.clip(geometry), visParams, 'Original LST Image'); Map.addLayer(lstDayMasked.clip(geometry), visParams, 'LST Masked');

原始图像与蒙面图像