【GEE笔记】使用Sentinel-2数据进行影像按月合成

Sentinel-2是欧洲空间局（ESA）的一项地球观测任务，它提供了高分辨率的多光谱影像，覆盖了陆地、沿海和内陆水域。Sentinel-2数据可以用于多种应用，如土地覆盖变化、植被监测、农业管理、城市规划等。

本文使用Google Earth Engine（GEE）平台上的Sentinel-2数据和JavaScript语言。通过定义几何区域、年份、波段列表、开始日期和结束日期等参数，对影像集合进行了筛选和裁剪，然后使用自定义的函数对每个月的影像进行了平均合成

代码解析

首先定义一个矩形的几何区域（geometry），将对这个区域内的影像进行处理。可以在GEE平台上绘制几何区域，并导出其坐标值。

var geometry = 
    /* color: #00ffff */
    /* shown: false */
    /* displayProperties: [
      {
        "type": "rectangle"
      }
    ] */
    ee.Geometry.Polygon(
        [[[119.31520539560792, 36.553716961237065],
          [119.31520539560792, 36.27632745810304],
          [119.60222321787354, 36.27632745810304],
          [119.60222321787354, 36.553716961237065]]], null, false);  

接下来，定义一个年份（year），这是要筛选的影像的年份。还定义一个波段列表（bandlist），这是要选择的影像的波段。Sentinel-2数据有13个波段，分别为B1-B12和B8A，其中B1-B4和B8A是10米分辨率，B5-B7和B8-B12是20米分辨率，B1是60米分辨率。在本文中，我们只选择了B2-B4三个波段，分别对应于蓝色、绿色和红色。

var year = 2020
var bandlist = ['B2','B3', 'B4'] //, 'B3', 'B4','B5','B6','B7','B8','B8A','B11','B12'

然后，定义一个开始日期（start）和一个结束日期（finish），这是要筛选的影像的时间范围。本文选择了2020年4月1日到2020年12月1日之间的影像。

var start = ee.Date(year + '-4-01');
var finish = ee.Date(year + '-12-1');

接着，我们使用ee.ImageCollection函数引用了哨兵2影像集合（dataset），并使用filterDate函数、filterBounds函数和filter函数对其进行了筛选。保留了开始日期和结束日期之间、几何区域内、云量小于20%的影像。还使用map函数对每个影像应用了一个maskS2函数，该函数用于裁剪影像到几何区域内。

var dataset = ee.ImageCollection('COPERNICUS/S2_SR')
    .filterDate(start, finish)
    .filterBounds(geometry)
    .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
    .map(maskS2)
    
function maskS2(image) {
    return image.clip(geometry);
}

使用select函数从影像集合中选择需要的波段，并创建了一个新的影像集合（dataset10）。本文只选择了B2-B4三个波段。

var dataset10 = dataset.select(bandlist);

然后使用difference函数计算了开始日期和结束日期之间的月份差（diff），并使用sequence函数和map函数创建了一个日期列表（range），该列表包含了开始日期到结束日期之间的每个月的第一天。例如，如果开始日期是2020年4月1日，结束日期是2020年12月1日，那么日期列表就是[2020-04-01, 2020-05-01, 2020-06-01, …, 2020-11-01]。

var diff = finish.difference(start, 'month')
var range = ee.List.sequence(0, diff.subtract(1)).map(function (month) { return start.advance(month, 'month') })
print("range", range)

接下来使用iterate函数对日期列表进行迭代，对每个月的影像进行合成，并创建了一个新的影像集合（newcol10）。使用自定义函数day_mosaics10接受一个日期和一个列表作为参数，返回一个更新的列表。该函数的逻辑如下：

• 将日期转换为ee.Date类型
• 将列表转换为ee.List类型
• 使用filterDate函数从影像集合中筛选出该日期到下个月第一天之间的影像
• 使用mean函数对筛选出的影像进行平均，得到一个单个的影像，并设置其日期属性为该日期的格式化字符串
• 使用toUint16函数将影像转换为无符号16位整数类型
• 使用If函数判断筛选出的影像是否为空，如果不为空，则将影像添加到列表中，如果为空，则返回原来的列表

//main data
var newcol10 = ee.ImageCollection(ee.List(range.iterate(day_mosaics10, ee.List([]))))
print("newcoln10", newcol10)

function day_mosaics10(date, newlist) {
    // Cast
    date = ee.Date(date)
    newlist = ee.List(newlist)
    // Filter collection between date and the next day
    var filtered = dataset10.filterDate(date, date.advance(1, 'month'))
    var image = ee.Image(filtered.mean()).set({ "date": date.format("YYYY-MM-dd") }).toUint16()
    // Add the mosaic to a list only if the collection has images
    return ee.List(ee.Algorithms.If(filtered.size(), newlist.add(image), newlist))
}

最后使用centerObject函数将地图视图中心设置为几何区域，并使用addLayer函数将新的影像集合中的第一个影像添加到地图上。定义了一个可视化参数（rgbVis），用于指定最小值、最大值和波段。还打印了影像集合中第一个影像的投影信息和分辨率。

Map.centerObject(geometry)
// Map.addLayer(dataset10.first(), {}, 'test');

var scaledataset10 = dataset10.first().projection().nominalScale();
print("scale", scaledataset10)


var rgbVis = {
  min: 0.0,
  max: 3000,
  bands: ['B4', 'B3', 'B2'],
};

var image = newcol10.first()
// print("影像",bandsimage)
Map.addLayer(image, rgbVis, 'bandsimage');

结果展示

运行上述代码后，我们可以在GEE平台上看到如下结果：

这是2020年4月份的影像合成结果，我们可以看到几何区域内的土地覆盖情况。我们还可以在控制台中看到新的影像集合（newcol10）的信息，它包含了8个影像，分别对应于2020年4月到11月的每个月份。我们可以点击每个影像查看其属性和波段信息，也可以在地图上切换不同月份的影像查看其变化。

代码附录

var year = 2020
var bandlist = ['B2','B3', 'B4'] //, 'B3', 'B4','B5','B6','B7','B8','B8A','B11','B12'
// var bandlist='B2'


var start = ee.Date(year + '-4-01');
var finish = ee.Date(year + '-12-1');

var dataset = ee.ImageCollection('COPERNICUS/S2_SR')
    .filterDate(start, finish)
    .filterBounds(geometry)
    .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
    .map(maskS2)

var dataset10 = dataset.select(bandlist);

var diff = finish.difference(start, 'month')
var range = ee.List.sequence(0, diff.subtract(1)).map(function (month) { return start.advance(month, 'month') })
print("range", range)
//main data
var newcol10 = ee.ImageCollection(ee.List(range.iterate(day_mosaics10, ee.List([]))))
print("newcoln10", newcol10)

Map.centerObject(geometry)
// Map.addLayer(dataset10.first(), {}, 'test');

var scaledataset10 = dataset10.first().projection().nominalScale();
print("scale", scaledataset10)


var rgbVis = {
  min: 0.0,
  max: 3000,
  bands: ['B4', 'B3', 'B2'],
};

var image = newcol10.first()
// print("影像",bandsimage)
Map.addLayer(image, rgbVis, 'bandsimage');




function day_mosaics10(date, newlist) {
    // Cast
    date = ee.Date(date)
    newlist = ee.List(newlist)
    // Filter collection between date and the next day
    var filtered = dataset10.filterDate(date, date.advance(1, 'month'))
    var image = ee.Image(filtered.mean()).set({ "date": date.format("YYYY-MM-dd") }).toUint16()
    // Add the mosaic to a list only if the collection has images
    return ee.List(ee.Algorithms.If(filtered.size(), newlist.add(image), newlist))
}

function maskS2(image) {
    return image.clip(geometry);
}