GEE 上NDVI 的savitzky-golay实现——以Sentinel为例

最新推荐文章于 2024-07-22 23:16:33 发布
最新推荐文章于 2024-07-22 23:16:33 发布
阅读量3.3k 收藏 47
点赞数 10
分类专栏： GEE（Google Earth Engine专栏） 文章标签： google earth
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/sunstronginchina/article/details/121156592
版权

savitzky-golay to daily MODIS time-series (google.com)

先附上OEEL上的Sg滤波模块，文末有我的sg滤波实现代码：

链接：Documentation Open Earth Engine Library (open-geocomputing.org)

oeel.ImageCollection.SavatskyGolayFilter(...)

oeel.ImageCollection.SavatskyGolayFilter(collection, filter, distanceFunction, degree, bandOfInterest, EstimationCollection, Return)

SavatskyGolayTimeFilter. Pass a Savatsky-Golay filter along the image collection

Arguments:

  • collection* 要完成滤波的影像数据集，一定要带上sytem:time_start属性
  • filter* 筛选窗口的filter函数
  • distanceFunction* 如何计算窗口距离
  • degree* 使用几次多项式的sg滤波
  • bandOfInterest* 需要进行滤波的波段
  • EstimationCollection ee.CollectionSpecify the collection where to do the estimations (by default use the main collection)

Return:

  • Returnee.ImageCollection返回滤波后影像数据集

Examples:

我已经利用实现了Sentinel NDVI的 SG 滤波，具体代码如下：

重点在这儿！！！欢迎大家批评指正！！！

https://code.earthengine.google.com/c0a3684caf9b3fc8dffae213f955b86d

P0级推荐算法工程师
关注
  • 10
    点赞
  • 踩
  • 47
    收藏
    觉得还不错? 一键收藏
  • 11
    评论
专栏目录
Google Earth Engine（GEE）——使用MODIS数据单点测试SG滤波和harmonics method 滤波的差异分析
qq_31988139的博客
05-20 894
谐波方法滤波（Harmonics method filtering）是一种对信号进行滤波的方法，它是在傅里叶变换的基础上实现的。在通过乘上窗函数实现滤波后，再将处理后的信号进行傅里叶反变换，就可以得到时间域上的信号。谐波方法滤波可以减小信号的谐波干扰，有效的提高信号的质量。SG滤波（Savitzky-Golay滤波）是一种数字信号处理滤波方法，适用于平滑离散数据并减少噪声。它采用局部多项式拟合，对每个数据点进行加权平均，并使用该平均值作为该点的滤波结果。
Open Earth Engine Library (OEEL)——Savitzky-Golay滤波拟合法进行NDVI波段拟合（北京市为例）
qq_31988139的博客
06-20 1321
Savitzky-Golay滤波拟合法是根据NDVI时间序列曲线的平均趋势，确定合适的滤波参数，用多项式实现滑动窗内的最小二乘拟合；利用Savitzky-Golay滤波方法（基于最小二乘的卷积拟合算法）进行迭代运算，模拟整个NDVI时序数据获得长期变化趋势。中文名Savitzky-Golay滤波拟合法出 处遥感应用分析原理与方法非对称高斯函数拟合法是使用分段高斯函数（曲线）组合来模拟植被季相生长（物候）规律、一个组合代表一次植被盛衰过程，最后通过平滑连接各高斯拟合曲线，实现时间序列重建。具体过程包括：
GEE Savitzky-Golay 滤波 以Sentinel-1数据为例
wxy15650598003的博客
01-15 1649
Sentinel-1由于其容易受到扰动而出现噪声，在数据分析时，通过平滑滤波对其去噪，更容易体现数据本身反映的变化趋势。
GEE必须会教程——Savitzky-Golay（S-G）滤波器在Sentinel影像时间序列数据的应用
Promising_GEO的博客
07-22 750
此处创建一个包含n天（这里设置为一周时间）的时间序列数据，源于在处理哨兵-2卫星的遥感数据时，由于其两个传感器（Sentinel-2A 和 Sentinel-2B）每天可能会产生多景影像，所以我们需要对一定时间范围内的NDVI计算结果取平均。好了，经过上面的一通操作，我们得到了NDVI数据的S-G滤波结果，基本保留了原时间序列数据的形状、趋势，将高低频噪声进行有效平滑后，我们更能看出NDVI时间序列的变化趋势和大致的周期，是不是很有用呢。，因此S-G滤波器同样也适用于遥感影像的时间序列数据分析。
在GEE中使用S-G和Whittaker滤波
wlh2067的博客
03-24 1729
在拟合过程中，多项式的阶数和拟合窗口大小是两个关键参数，它们决定了拟合的复杂度和拟合的精度。一般来说，阶数和窗口大小应该根据数据的特征进行调整，以达到最佳的滤波效果。它可以在不降低信号分辨率的情况下去除信号中的噪声和粗糙部分，适用于各种数据类型，如光谱数据、生物信号、地球物理数据等。在细节信息上，S-G能较大程度保留一些细节信号（但这些细节信号更有可能是异常信号，如云量，噪声等等），反而产生错误的结果。与之相比，S-G滤波是使用多项式拟合来平滑信号，并且可以控制拟合的阶数和窗口大小，该方法较为粗糙。
GEE：提取研究区 NDVI/LST/RVI 并进行时间序列线性插值填补缺失像素和Savitsky-Golay（SG）滤波平滑处理
养乐多的博客
07-08 1915
养乐多_本文将介绍使用Landsat数据集，构建时间序列，并使用线性插值算法填补缺失数据，或者去云空洞，并进一步对完整的时间序列数据进行SG滤波处理。
关于ENVI软件插件—Savitzky - Golay Filter 处理出错的问题
weixin_44479269的博客
04-11 603
关于ENVI软件插件—Savitzky - Golay Filter 处理出错的问题
Google Earth Engine（GEE）—— NDVI的CannyEdgeDetector边缘检测适用性分析
qq_31988139的博客
11-19 1456
在GEE中我们有很多算法，其中之一就是边缘监测算法，正式效果对于识别边界分析，比较差，整体的结果，这次使用的数据是Landsat 8 SR数据进行分析。将Canny边缘检测算法应用于一幅图像。输出是一个图像，其带子的名称与输入带子的名称相同，其中非零值表示边缘，值的大小是梯度的大小。我们看到的边缘监测的结果，效果非常差，基本上所有的研究区都圈出来了，而且影像的分析结果基本上没有结果。只有当梯度大小高于该阈值时，才会考虑对该像素进行边缘检测。边缘检测前应用的高斯滤波器的西格玛值。要应用边缘检测的图像。
NDVI-SG-滤波平滑_matlabNDVI滤波_NDVI_序列数据_数据平滑_sg平滑
09-11
使用SG滤波方法对NDVI数据进行时间序列的平滑处理，
GEE之S-G滤波
scnugeo的博客
06-30 865
//影像去云等预处理 /** * Function to mask clouds using the Sentinel-2 QA band * @param {ee.Image} image Sentinel-2 image * @return {ee.Image} cloud masked Sentinel-2 image */ //ROI var pt=ee.Geometry.Point([119.85872739185788,33.06337427687241]); var fc=ee..
GEE_TimeSeries:带有Savitzky-Golay过滤器的Google Earth Engine时间序列
05-01
带有Savitzky-Golay过滤器的Google Earth Engine时间序列 该示例显示了如何为要素集合提取图像集合值，如何创建植物索引时间序列数据帧并在其上应用Savitzky-Golay过滤器的示例。 笔记 中实现了此函数的更好版本，作为ee.ImageCollection对象的扩展方法： import ee , eemont ee . Authenticate () ee . Initialize () f1 = ee . Feature ( ee . Geometry . Point ([ 3.984770 , 48.767221 ]). buffer ( 50 ),{ 'ID' : 'A' }) f2 = ee . Feature ( ee . Geometry . Point ([ 4.101367 , 48.748076 ]). buffer ( 50 ),{ '
时间序列的Savitzky–Golay滤波程序
09-12
用于对遥感植被指数时间序列进行Savitzky–Golay滤波平滑，可减弱天气状况及数据质量因素对于时间序列的不利影响。进行滤波之前请先将原时间序列中由于云覆盖导致缺失的像元进行线性插补。
陕西省NDVI影像制作及其应用研究
02-08
陕西省NDVI影像制作及其应用研究，孔晓萌，张绍良，文章以全国2003年MODIS影像数据为基础，使用ENVI软件提取陕西省整个行政区域的归一化植被指数NDVI，并最终制作陕西省2003年整个行政区域
GEE案例-1990-2023年计算某个区域的NDVI时序变化轨迹（以徐州市为例）含全部代码.pdf
04-30
### GEE案例分析：1990-2023年徐州地区NDVI时序变化轨迹 #### 一、背景介绍 本案例旨在利用Google Earth Engine (GEE) 平台进行长时间序列的遥感数据分析，特别关注的是归一化差值植被指数 (Normalized Difference...
GEE案例-Sentinel-2影像的物候监测分析.pdf
最新发布
07-24
### GEE案例-Sentinel-2影像的物候监测分析 #### 一、背景与目的 随着遥感技术的发展，谷歌地球引擎（Google Earth Engine，简称GEE）为地球科学领域带来了革命性的变化。它不仅提供了强大的计算能力，还集成了一...
基于GEE云平台sentinel-2影像的土地分类代码.js
04-01
基于Google Earth Engine (GEE) 平台进行 Sentinel-2 影像的土地分类的具体流程和下载如下： 登录到 GEE 平台 (https://earthengine.google.com/) 上的账号，并打开代码编辑器。 添加 Sentinel-2 影像数据集。在代码...
GEE必须会教程——Savitzky-Golay（S-G）滤波器在MODIS影像时间序列数据的应用
Promising_GEO的博客
07-22 186
今天比较懒，不想多写文字啦，还记得昨天分享的S-G滤波器，大家有没有去试试。今天布置个任务，同样以昨天的研究区域为例，试试看MODIS时间序列数据如何实现平滑！好了，今天的分享到这里就结束了，更多内容欢迎持续关注小编的公众号“梧桐GIS”，我是禾穗，咱们下期再会啦！结果还比较赏心悦目，好啦好啦，开启元气满满新一天！话不多说，今天直接上代码吧。
GEE learning - gif动图、ImageCollection操作、SG滤波
m0_58127906的博客
10-11 396
multiyear的SPEI值：https://code.earthengine.google.com/700d5e7bdd87b9ab934be1312c34d892。2022年的SPEI值：https://code.earthengine.google.com/85ac123db3eb8448f389908469746a4d。）：窗口大小是用于局部拟合的数据点的数量。窗口大小越大，平滑效果越明显，但过大的窗口可能会导致信号失真。：从很常用的SPEI网站（时间分辨率1月、3月……
GEE：GEE上一些好看的可视化参数（调色板/颜色）
养乐多的博客
07-08 407
养乐多_为了方便使用，总结了几种可视化参数。
GEE通过sentinel-2计算ndvi
06-13
好的，GEE 可以通过 Sentinel-2 数据计算 NDVI。以下是计算 NDVI 的代码示例： ```javascript var s2 = ee.ImageCollection('COPERNICUS/S2_SR') .filterDate('2021-01-01', '2021-12-31') .filterBounds(geometry); var addNDVI = function(image) { var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI'); return image.addBands(ndvi); }; var s2WithNDVI = s2.map(addNDVI); var ndvi = s2WithNDVI.select('NDVI'); var ndviVis = { min: 0.0, max: 1.0, palette: [ 'FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718', '74A901', '66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01', '012E01', '011D01', '011301' ] }; Map.addLayer(ndvi, ndviVis, 'NDVI'); ``` 其中，'COPERNICUS/S2_SR' 是 Sentinel-2 的表面反射率数据集，'geometry' 是感兴趣区域的几何形状。代码中，首先筛选出指定时间范围内指定区域的 Sentinel-2 数据集，然后通过 `normalizedDifference` 函数计算 NDVI，并将 NDVI 添加为图像的一个波段。最后选择 NDVI 波段并将其可视化。 需要注意的是，Sentinel-2 数据集包含多个波段，不同波段对应的反射率需要根据波段编号进行选择。上述代码中，'B8' 对应的是近红外波段，'B4' 对应的是红光波段。计算 NDVI 的公式与前面提到的公式相同。 您也可以根据需要调整代码中的时间范围、区域、波段选择等参数。
评论 11
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