利用USGS EarthExplorer 批量下载sentinel-2、landsat 8 Level1、2等影像

最新推荐文章于 2025-02-26 15:16:04 发布
置顶 最新推荐文章于 2025-02-26 15:16:04 发布
阅读量3.3w 收藏 192
点赞数 22
分类专栏： 遥感 文章标签： landsat 8 sentinel-2 批量下载 USGS
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/qq_41718357/article/details/100092856
版权

打开USGS  EarthExplorer网站

https://earthexplorer.usgs.gov/ （要注册登录）

                                                 选择自己的研究区 （单击鼠标左键或者放大到自己的研究区use map）

                                                                                               选择时间 

                                                                                      选择数据集及结果显示 

                                                                                            云量筛选 

                                                                                    筛选云量后结果 

                                                                                            设置 

                                                                            将100多景影像显示在一页 

                                                                                 add all results  to bulk Download

                                                                                               提交订单 

    继上一步会出现 https://earthexplorer.usgs.gov/bulk下载并安装软件

 

                                                                                      提示输入自己账号 

                                                                         显示自己提交的订单即可批量下载 

欢迎关注个人公众号

 

GEE教程——基于Landsat-8 和Sentinel-2的 NDVI和MSAVI指数的具体计算和下载
此星光明博客
11-26 811
GEE教程——基于Landsat-8 和Sentinel-2的 NDVI和MSAVI指数的具体计算和下载。
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 1026
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。
Google Earth Engine批量下载Sentinel、Landsat、MODIS遥感影像代码
Z.H.T
01-05 8342
Google Earth Engine批量下载Sentinel、Landsat、MODIS遥感影像代码一、创建下载任务二、运行下载任务 一、创建下载任务 Google Earth Engine(GEE)云平台不仅算力强大，其遥感数据源也及其丰富，用GEE下载遥感数据可以节省拼接、裁剪等操作时间，最近在网上看到有大神发过类似的代码，但复制过去运行代码有一些小问题，于是参考之前的代码自己修改了一下，代码如下： //设置感兴趣区域roi var roi = ee.FeatureCollection("users/
从欧空局哥白尼数据中心下载Sentinel-2（哨兵2）数据方法
ghost_spuerman的博客
02-26 1509
记录一下从欧空局哥白尼数据中心（Copernicus）下载Sentinel-2（哨兵二号）影像数据的过程。如果帮到大家，希望点个赞谢谢啦 Ciallo～(∠・ω< )。
SRTM-GeoTIFF：从USGS EarthExplorer下载的GeoTIFF读取SRTM高程的Python函数
02-12
SRTM-GeoTIFF 使用Python函数从USGS EarthExplorer交付系统下载的GeoTIFF文件中读取SRTM高程。 USGS EarthExplorer是USGS首选的下载SRTM数据文件的方法。 以前，SRTM磁贴为.hgt格式，EarthExplorer传送/下载仅允许BIL，DTED或GeoTIFF文件类型。 使用EarthExplorer会有一个学习过程，一旦掌握，它就可以与已失效的ftp和http下载方法一样有用。 Python函数会自动适应不同的图块大小，例如1201x1201（3弧），3601 x 3601（1弧）和1201x601。 该函数依赖于以下库：rasterio，numpy和math。 该函数根据纬度和经度确定要使用哪个tile_name，并尝试从本地目录或网络目录打开该文件。 如果文件不存在，则会引发错误。 使用EarthExplorer下
【国外比较权威的免费的卫星数据网站——USGS Earth Explorer】
qq_36253366的博客
08-28 4081
数据来源：USGS Earth Explorer整合了来自多个卫星和航空任务的遥感数据，包括Landsat系列卫星、Sentinel系列卫星等。数据类型：平台提供的数据类型丰富多样，包括陆地覆盖、高程、雷达、高光谱等多种类型的数据。用户界面：USGS Earth Explorer拥有友好的用户界面，使得数据访问变得更加简单直观。
从USGS Earth Explorer网站查找和下载MODIS数据
陨星落云的博客
05-30 7538
从USGS Earth Explorer网站查找和下载MODIS数据
2021 USGS Landsat 8 批量下载教程
d_158的博客
01-05 1696
USGS Landsat数据批量下载教程
从USGS批量下载L2级Landsat-4/5/7/8影像
yy_nju的专栏
06-19 4478
网址：https://espa.cr.usgs.gov/index/ 第一步：Bulk Ordering ① Add Input Products ：输入文件列表.txt文件 ②Select Product Contents：别点 ③其他该设置的设置一下 ④ 提交订单 第二步：下载ESPA Downloader 网址：https://github.com/USGS-EROS...
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 1374
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。
GEE数据集——Harmonized Landsat Sentinel-2 (HLS) 卫星sentinel-2哨兵-2（HLS）
此星光明博客
12-26 1763
统一大地遥感卫星哨兵-2（HLS）项目通过虚拟卫星传感器群提供一致的地表反射率（SR）和大气层顶部亮度（TOA）数据。陆地成像仪（OLI）安装在美国宇航局/美国地质调查局的联合陆地卫星 8 号和陆地卫星 9 号上，而多光谱仪（MSI）则安装在欧洲的哥白尼哨兵-2A 号和哨兵-2B 号卫星上。通过综合测量，可以每 2 到 3 天以 30 米的空间分辨率对陆地进行全球观测。
如何在USGS上下载遥感影像
11-04
美国免费的遥感信息平台，需要下载的请自取，适用于GIS专业，遥感专业以及卫星影像处理专业的同学
哨兵2号数据波段说明
09-22
哨兵2号是最近发射升空的卫星，相比于landSat等卫星分辨率高，最高可达10米，文件是详细的哨兵各个波段的说明，对于遥感方面想利用哨兵数据做研究的同志用处很大
ENVI软件|基于多源遥感影像的红树林范围提取1-数据获取及处理
海洋GISer成长记
04-29 9193
红树林是一种生长在海岸带的木本植物群落，主要分布在热带、亚热带地区海岸带的海湾、河口等海域，是国际上生物多样性的重点保护对象。红树林具有提供产品、防风御浪、净化环境、保护海岸线、维持生物多样性等生态功能，它与海草床和珊瑚礁并称为三大海洋生态系统，并且有着重要的社会、经济和生态价值。红树林、盐沼和海草等海洋湿地生态系统构成了地球的“蓝色碳汇”，植被固碳中，红树林固碳占据着重要的地位，是地球碳循环的重要组成部分，红树林还具有碳循环周期短、碳沉积速率高和碳排放量低等特点。 随着遥感技术的发展，其应用领域也越
RS|USGS下载Landsat8遥感影像
个人学习笔记
10-27 2263
USGS：https://earthexplorer.usgs.gov/
Landsat系列数据等级划分及不同等级差异
YW_remote的博客
08-05 1万+
在USGS网站中中点开Landsat数据级可以发现，其划分为两个等级Collection1和Collection2两个大类别。Collection1又被区分为3个小级别分别为L1、L2和L3三个小类别。 collection1 L1 L2 L3 collection2 L1 L2 / 下面就各类别进行详细说明： （1）Collection1-L1：该数据是经过了地形校正的数据；在进行大量数据下载的时候会发现存在获取的数据前置有LC、LO以及LT三种类型。其中L
Landsat系列数据级别详解
热门推荐
Yqq19950707的博客
11-08 1万+
Landsat系列数据级别详解 具体参照此文：https://www.cnblogs.com/icydengyw/p/12056211.html 一、Landsat Collection 1 Landsat Collection 1 包括了来自Landsat 8 Operational Land Imager (OLI)/Thermal Infrared Sensor (TIRS), Landsat 7 Enhanced Thematic Mapper Plus (ETM+), Landsat 4-5 Th
Landsat 5 遥感数据下载（网站1：EarthExplore）
azhao100的博客
10-19 3065
用EarthExplore下载Landsat 5 遥感影像数据
earth explorer 上批量下载（bulk download）
花藻の博客
04-07 3939
earth explorer 上怎么批量下载（bulk download） 1.安装详细文档，自取（也可不看）： 链接：https://pan.baidu.com/s/1lahkRplW3SdaZs1zMQxZBQ 提取码：yz7v 2.需要java8（java7不行，恩恩，是这样的）： 下载网址：https://www.oracle.com/java/technologies/javase-jr...
//********************************************************************************* //Function to mask clouds using the Sentinel-2 QA band. //********************************************************************************* function maskS2clouds(image) { var qa = image.select('QA60') // Bits 10 and 11 are clouds and cirrus, respectively. var cloudBitMask = 1 << 10; var cirrusBitMask = 1 << 11; // Both flags should be set to zero, indicating clear conditions. var mask = qa.bitwiseAnd(cloudBitMask).eq(0).and( qa.bitwiseAnd(cirrusBitMask).eq(0)) // Return the masked and scaled data, without the QA bands. return image.updateMask(mask).divide(10000) .select("B.*") .copyProperties(image, ["system:time_start"]) } //********************************************************************************* var collection = ee.ImageCollection("COPERNICUS/S2") .filter(ee.Filter.lt("CLOUDY_PIXEL_PERCENTAGE", 10)) .filterDate('2020-01-01' ,'2020-12-31') .filterBounds(geometry) .map(maskS2clouds); var medianS2 = collection.median().clip(geometry); var NDWI = medianS2.normalizedDifference(['B3', 'B8']).rename('NDWI') var MNDWI = medianS2.normalizedDifference(['B3','B11']).rename(['MNDWI']); Export.image.toDrive({ image: NDWI, description: 'S2_NDWI', crs: "EPSG:4326", scale: 10, region: geometry, maxPixels: 1e13, folder: 'S2_NDWI' }); Export.image.toDrive({ image: MNDWI, description: 'S2_MNDWI', crs: "EPSG:4326", scale: 10, region: geometry, maxPixels: 1e13, folder: 'S2_MNDWI' }); 请你根据上述代码，给出中国2009-2018年的NDWI100m分辨率使用上述方法下载的代码
最新发布
04-02
<think>好的，用户想要修改现有的Google Earth Engine代码，生成中国地区2009至2018年的NDWI指数图像集合，设置分辨率为100米，并导出到Google Drive。首先，我需要确定用户提到的现有代码是指哪一个引用中的。根据提供的引用，引用[2]和[4]都涉及NDWI计算，可能用户参考的是这些代码。 首先，NDWI的计算通常使用绿光波段和近红外波段，比如在Landsat中，SR_B3和SR_B5（对于Landsat 8）。但用户需要100米分辨率的数据，这可能意味着需要选择合适的数据源。Landsat数据的分辨率通常是30米，而MODIS则有更高分辨率的数据吗？不，MODIS的NDWI产品一般是250米或500米，可能不够。或者用户可能希望重采样到100米？需要明确数据源。或者用户可能指的是Sentinel-2数据，其分辨率是10米，但时间范围可能覆盖2015年以后，而用户需要从2009年开始。这时候可能需要使用Landsat数据，然后通过重采样到100米，或者使用其他数据集。 检查引用中的代码，引用[2]使用的是Landsat 5的SR数据，其中计算NDWI的波段是B2和B4，而引用[4]使用的是Landsat 8的TOA数据，波段为B3和B5。但用户的时间范围是2009-2018年，覆盖了Landsat 5（到2012年）和Landsat 8（从2013年开始）。可能需要合并多个Landsat数据集，比如包括Landsat 5、7、8的Collection 2表面反射率数据，以确保时间覆盖。 接下来，用户需要生成中国区域的NDWI图像集合，并设置分辨率为100米。可能需要在计算NDWI后，使用reproject()或者resample()来调整分辨率，或者在导出时指定scale参数为100米。同时，导出到Google Drive需要注意导出方法，可能使用Export.image.toDrive，但需要处理每个影像或者将整个集合批量导出。 现在，步骤大致分为：选择合适的数据集（时间范围覆盖2009-2018，中国区域），定义NDWI计算函数，过滤时间和空间，处理分辨率，导出结果。需要注意不同Landsat卫星的波段名称差异，比如Landsat 5的绿光波段是SR_B2，近红外是SR_B4，而Landsat 8的绿光是SR_B3，近红外是SR_B5。需要统一处理这些差异，可能需要根据影像的元数据判断卫星类型，或者合并不同集合。 或者，使用Landsat的联合集合，比如使用Landsat表面反射率的联合集合（比如USGS Landsat 8 Collection 2 Tier 1和类似的Landsat 5/7）。例如，在GEE中可以使用'LANDSAT/LT05/C02/T1_L2'（Landsat 5）、'LANDSAT/LE07/C02/T1_L2'（Landsat 7）和'LANDSAT/LC08/C02/T1_L2'（Landsat 8）的组合，然后进行时间过滤。 然后，计算NDWI的函数需要根据不同的卫星调整波段名称。例如，对于Landsat 5和7，绿光波段是SR_B2，近红外是SR_B4；对于Landsat 8，绿光是SR_B3，近红外是SR_B5。可以在函数中通过卫星的编号（如从影像ID中提取）来判断使用哪个波段，或者使用影像的属性来区分。 另外，需要考虑云遮蔽的问题。用户是否需要应用云掩膜？例如，使用QA波段或现有的云掩膜函数。在引用[2]中没有处理云，但引用[3]提到影像修复可能涉及云处理。所以可能需要添加云掩膜步骤，以提高NDWI的准确性。 接下来，设置分辨率为100米。这可能需要在计算NDWI后，使用reproject()方法，或者在导出时设置scale参数为100米。注意，GEE在处理导出时，scale参数决定了输出的分辨率，所以可能需要在导出时指定scale: 100，同时确保投影正确。 另外，中国区域的边界需要使用GEE中的FeatureCollection，例如'users/giswqs/public/countries'中的中国几何，或者用户自己上传的Shapefile。在代码中需要定义区域为中国的几何边界，并应用到过滤器中。 时间范围是2009-2018年，需要设置date过滤器，从2009-01-01到2018-12-31。 对于导出，可能需要将整个ImageCollection批量导出，或者按时间分片导出。由于导出整个集合可能效率较低，可能需要对每个影像进行循环，逐个导出。或者，如果进行合成（如年最大NDWI），则可以减少数据量。 现在，整合这些步骤，编写代码的大致结构： 1. 定义中国区域的几何。 2. 加载Landsat 5/7/8的Surface Reflectance集合，合并。 3. 过滤时间和区域。 4. 应用云掩膜。 5. 定义计算NDWI的函数，根据卫星类型选择波段。 6. 映射计算NDWI到每个影像。 7. 可选：进行合成（如按月或年合成最大NDWI）。 8. 设置分辨率为100米（可能通过reproject或导出时的scale参数）。 9. 导出到Google Drive，可能需要批量导出或合成后导出。 例如，代码可能如下： ```javascript // 定义中国边界 var china = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017') .filter(ee.Filter.eq('country_na', 'China')); // 定义时间范围 var startDate = '2009-01-01'; var endDate = '2018-12-31'; // 加载Landsat 5、7、8的Surface Reflectance集合 var l5 = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2') .filterDate(startDate, '2012-05-01'); // Landsat 5于2012年停止 var l7 = ee.ImageCollection('LANDSAT/LE07/C02/T1_L2') .filterDate('1999-01-01', endDate); var l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterDate('2013-04-01', endDate); // 合并三个集合 var landsatCollection = l5.merge(l7).merge(l8) .filterBounds(china) .filterDate(startDate, endDate); // 云掩膜函数 function maskClouds(image) { var qa = image.select('QA_PIXEL'); var cloudMask = qa.bitwiseAnd(1 << 3).or(qa.bitwiseAnd(1 << 4)); return image.updateMask(cloudMask.not()); } // 应用云掩膜 var landsatMasked = landsatCollection.map(maskClouds); // NDWI计算函数（根据卫星类型选择波段） function calcNDWI(image) { var sensor = ee.String(image.get('SPACECRAFT_ID')); var greenBand = sensor.match('LANDSAT_5|LANDSAT_7').length() ? 'SR_B2' : 'SR_B3'; var nirBand = sensor.match('LANDSAT_5|LANDSAT_7').length() ? 'SR_B4' : 'SR_B5'; var ndwi = image.normalizedDifference([greenBand, nirBand]).rename('NDWI'); return image.addBands(ndwi); } // 计算NDWI var withNDWI = landsatMasked.map(calcNDWI); // 选择NDWI波段并设置分辨率 var ndwiCollection = withNDWI.select('NDWI') .map(function(image) { return image.reproject({crs: 'EPSG:4326', scale: 100}); }); // 导出到Google Drive（示例导出一年中最清晰的影像） var years = ee.List.sequence(2009, 2018); years.evaluate(function(yrs) { yrs.forEach(function(year) { year = ee.Number(year); var annualNDWI = ndwiCollection.filter(ee.Filter.calendarRange(year, year, 'year')) .median(); // 使用中值合成 Export.image.toDrive({ image: annualNDWI, description: 'NDWI_China_' + year.getInfo(), folder: 'GEE_NDWI_Exports', region: china.geometry(), scale: 100, maxPixels: 1e13, crs: 'EPSG:4326' }); }); }); ``` 可能的注意事项： - 需要处理不同卫星之间的波段差异，可能需要更精确的判断。 - 云掩膜可能需要根据不同的Landsat版本的QA波段进行调整。 - 合成方法可能需要调整，比如使用最大值合成来保留水体信息。 - 导出方式可能需要分批处理，避免超过GEE的导出限制。 - 分辨率设置是否正确，可能需要验证投影和重采样的方法是否正确。 - 时间范围是否正确覆盖，尤其是Landsat 5和7、8的可用时间。 用户可能需要进一步测试和调整参数，例如NDWI的阈值，合成方法，以及处理可能的数据空缺（如某些时间段无数据）。</think>以下是针对中国地区2009-2018年NDWI指数计算与导出的Google Earth Engine脚本修改方案： ```javascript // 定义中国边界（使用FAO国家边界数据集） var china = ee.FeatureCollection("FAO/GAUL/2015/level0") .filter(ee.Filter.eq('ADM0_NAME', 'China')); // 定义时间范围 var startDate = '2009-01-01'; var endDate = '2018-12-31'; // 加载Landsat系列数据 var l5 = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2') .filterDate('2009-01-01', '2011-12-31'); var l7 = ee.ImageCollection('LANDSAT/LE07/C02/T1_L2') .filterDate('2012-01-01', '2013-03-30'); var l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterDate('2013-04-01', '2018-12-31'); // 合并数据集并进行预处理 var landsatCol = l5.merge(l7).merge(l8) .filterBounds(china) .map(function(image) { // 云掩膜处理[^3] var qa = image.select('QA_PIXEL'); var cloud = qa.bitwiseAnd(1 << 3).or(qa.bitwiseAnd(1 << 4)); return image.updateMask(cloud.not()); }); // 定义NDWI计算函数 var calcNDWI = function(image) { var sensor = ee.String(image.get('SPACECRAFT_ID')); var bands = sensor.match('LANDSAT_8').length() ? ['SR_B3', 'SR_B5'] : ['SR_B2', 'SR_B4']; var ndwi = image.normalizedDifference(bands).rename('NDWI'); return image.addBands(ndwi); }; // 应用NDWI计算并设置分辨率 var ndwiCol = landsatCol.map(calcNDWI) .select('NDWI') .map(function(image) { return image.reproject({ crs: 'EPSG:4326', scale: 100 }); }); // 按年度合成并导出 for (var y = 2009; y <= 2018; y++) { var annualNDWI = ndwiCol.filter(ee.Filter.calendarRange(y, y, 'year')) .median(); Export.image.toDrive({ image: annualNDWI, description: 'China_NDWI_' + y, folder: 'NDWI_China', region: china.geometry(), scale: 100, maxPixels: 1e13, crs: 'EPSG:4326', fileFormat: 'GeoTIFF' }); } ``` §§关键修改说明§§ 1. **数据源整合**：合并Landsat 5/7/8系列数据，通过`SPACECRAFT_ID`属性自动识别传感器类型[^2] 2. **分辨率控制**：使用`reproject()`方法强制设定100米分辨率输出 3. **时间连续性**：分段处理不同卫星的运行周期，确保2009-2018全覆盖 4. **质量控制**：采用QA_PIXEL波段进行云掩膜处理 5. **批量导出**：采用循环结构实现年度合成影像自动导出
评论 22
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