使用Google Earth Engine进行Landsat C TOA影像的云去除和影像空缺填补

最新推荐文章于 2024-03-11 10:00:00 发布
最新推荐文章于 2024-03-11 10:00:00 发布
阅读量609 收藏 2
点赞数
CC 4.0 BY-SA版权
文章标签： GEE
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.youkuaiyun.com/LrlDebug/article/details/133217712
GEE 专栏收录该内容
79 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何利用Google Earth Engine (GEE) 对Landsat C级表观反射率（TOA）影像进行云去除和空缺填补。首先，通过BQA波段创建云掩膜去除云覆盖；然后，采用Kriging插值方法填补影像中的缺失值。最后，展示了处理后的影像可视化过程，提高影像质量和可用性。

Google Earth Engine（GEE）是一个功能强大的云计算平台，可用于处理和分析遥感数据。在本文中，我们将介绍如何使用GEE进行Landsat C级表观反射率（TOA）影像的云去除操作，并填补影像中的空缺部分。

首先，我们需要导入必要的库和数据。在GEE中，我们可以使用ee库来访问平台的功能。

var image = ee.Image('LANDSAT/LC08/C01/T1_TOA/LC08_123032_20140515');

上述代码中，我们选择了一幅Landsat C级表观反射率（TOA）影像作为示例。你可以根据自己的需求选择任何一幅Landsat影像。

接下来，我们将使用云掩膜（cloud mask）来去除影像中的云。云掩膜是一个用于识别和排除云覆盖的方法。在GEE中，我们可以使用Landsat的BQA（Quality Assessment）波段来创建云掩膜。

<
了解本专栏 订阅专栏 解锁全文
【遥感影像处理】基于Google Earth Engine的Landsat 5影像云掩膜与中值合成：区域影像过滤及导出系统设计
08-01
内容概要：本文档提供了使用Google Earth Engine处理Landsat 5卫星影像数据的脚本示例。首先定义了一个多边形区域用于限定影像范围，接着创建了一个云掩膜函数cloudMaskL457，用于去除影像中的云层干扰。然后构建了...
精选资源
【遥感影像处理】基于Earth Engine的多源卫星TOA影像冰川分类算法：Landsat 7/8与Sentinel 2冰水云判别系统设计
05-15
内容概要：本文档详细介绍了利用Google Earth Engine (GEE) 对不同卫星（Landsat 7、Landsat 8 和 Sentinel 2）的顶层大气（TOA）反射率图像进行冰、水和云分类的方法。对于每种卫星，定义了特定的分类参数和决策树...
GEE：应用遥感影像时空插值技术的实践（插值填补去云空洞）
养乐多的博客
04-11 1万+
本文介绍了几个GEE平台中处理遥感数据中的缺失值代码片段，这些代码可以用于时间序列线性插值，提供更加连续和完整的时间序列。第一段代码是一个线性插值函数，它能够在一个时间序列图像集合中对缺失数据进行插值。该函数使用了 GEE 平台中的图像集合操作函数和图像合成函数，并采用了线性插值方法对缺失值进行处理，最后返回一个插值后的图像集合。第二段代码是一个掩模替换函数，它的作用是将原始影像中的某些值（如缺失值）用一个新值替换。
Google Earth Engine（GEE）——Landsat7条带去除两种方案
此星光明博客
12-21 4921
本文将采用两种方案进行Landsat 7 影像修补。
landsat 卫星影像的常见问题（去云、是否进行几何和大气校正以及数据产品的处理级别）
此星光明博客
08-29 5361
的分层收集管理结构。这种结构确保所有 Landsat Level-1 产品提供已知数据质量的一致存档，同时控制存档的持续改进和对所有数据的访问。Landsat Level-1 数据可以使用与 Landsat Level-1 产品一起提供的元数据文件 (MTL.txt) 中提供的辐射重新缩放系数重新缩放到大气顶部 (TOA) 反射率和/或辐射率。这种结构确保 Landsat Level-1 产品提供一致的已知数据质量档案，以支持时间序列分析和数据“堆叠”，同时控制档案的持续改进和对所有数据的访问。
Google Earth Engine Landsat Collection 云去除方法
LrlDebug的博客
09-20 479
在GEE中，可以访问全球范围内的Landsat影像数据集，这些数据对于地表变化的监测和分析非常有用。然而，Landsat影像中常常存在云覆盖，这会干扰到后续的分析工作。本文将介绍如何使用GEE进行Landsat影像的云去除，并提供相应的源代码。通过选择云覆盖较少的影像，并使用云掩膜将云像素从影像中去除，可以获得无云的合成影像，方便后续的地表变化分析。使用GEE强大的计算能力和丰富的数据集，可以在全球尺度上进行高效的遥感影像处理和分析工作。
Google Earth Engine（GEE）——Landsat数据去云操作（TOA）
weixin_48048649的博客
02-07 2153
该方法只能用于TOA产品，Landsat的其他产品均不能采用这个算法，并且使用该算法后，会增加一个“cloud”波段，具体数值为0-100（0表示无云，100表示云量为100%），要实现去云操作需要根据“cloud”波段来进行处理。TOA产品去云可以直接调用GEE中已经定义好的去云算法来进行处理，方法是ee.Algorithms.Landsat.simpleCloudScore()。产品（大气层顶反射率或表观反射率产品），另一类是。产品（地表反射率产品）。
【遥感影像处理】基于Google Earth Engine的Landsat 8影像集合操作：区域裁剪与云量筛选应用
最新发布
10-22
本文介绍了如何使用Google Earth Engine（GEE）平台对Landsat 8卫星遥感影像进行处理，具体包括区域裁剪和云量筛选两个方面。首先，通过定义一个特征集合来表示感兴趣的区域，然后加载Landsat 8的TOA（Top of ...
遥感技术基于Google Earth Engine的Landsat卫星影像处理：云掩膜与多时相影像导出及可视化
06-03
内容概要：本文档提供了使用Google Earth Engine（GEE）脚本处理Landsat 5和Landsat 9卫星影像的具体方法。首先定义了研究区域（ROI），接着介绍了云遮挡处理函数，该函数通过位运算对Landsat 5和Landsat 9的QA_...
Google Earth Engine（GEE）——利用插值方法解决影像去云后的空缺/填充/弥补方法详细讲解（拉萨区域为例）
热门推荐
此星光明博客
11-18 1万+
本篇文章重点要解决的 问题就是，很多时候我们无论是在小区域内的单景影像或者是中大尺度的影像，更或是长时间序列的影像研究中，很多情况下我们会因为云量筛选等因素，或多或少的存在影像空白而缺少值，因此如何处理这些问题，我们今天就来解决。 许多应用程序需要用来自其时间邻居的内插值替换图像中丢失的像素。这种间隙填充技术用于多种应用，包括： 替换多云像素：您可能希望使用无云像素前后的最佳估计值来填充图像中的空白。 估计中间值：您可以使用此技术为以前未知的时间步长计算图像。如果您有 2 个不同年份的人口栅格，并且想
GEE：线性插值方法填补去云空洞——以 Landsat 和 NDVI 为例
养乐多的博客
07-08 4229
养乐多_本文将介绍如何使用Google Earth Engine（GEE）平台提取特定地区的归一化植被指数（NDVI）并进行插值处理，以获得更精细的空间分辨率和连续的时间序列数据。
Google Earth Engine（GEE）案例——如何去除和过滤Landsat和sentinel等系列影像集合中的空影像（三种方法）
此星光明博客
10-02 1017
本文的主要解决的问题是如何去除和过滤Landsat和sentinel等系列影像集合中的空影像？这个主要源于一下的问题：“从图像集中删除空图像”是什么意思？
5秒钟用google earth engine(GEE)填补Landsat7条带问题
锐多宝的地理空间
07-17 9024
如果是学遥感的同学，应该都知道Landsat7的影像在2003年出现了问题，导致后期的数据都有条带。 最近我个人在使用Landsat7的数据，为了填补条带，就做了以下代码，大家如果有用得上的，就拿去用。选择好自己的研究区域，5秒钟内填补好landsat7的条带。该该方法使用的USGS提供的去条带原理，下面是5秒钟改善Landsat7条带步骤： 1.选择研究区； 2.选择需要填补的影像； 3.引入填补函数； 4.landsat填补，并下载 这个是代码，可以参考一下本人写的 https://.
Google Earth Engine（GEE）——Landsat7 补缺出现的问题
此星光明博客
07-08 1921
本次就是利用Landsat计算ndvi、ndwi、ndbi来进计算和展示的，我们特别是在计算Landsat7的时候会出现一些问题，这里给大家展示的是一个错误的案例，大家可以通过调节代码来继续分析。代码： 原有影像和填补的影像 有很大的条带问题： 同时这里也有一个很大的问题，就是当我们在加载ndwi,ndvi和ndbi的时候没有区分和选不断，所以加载出来的影像就会很残，一块一块的。我们要设定视觉参数，这样还是很重要，不要一下加载三个波段，这样默认状态下出来的影像会很乱。 去云之后的破碎度太高了，所以建议
Google Earth Engine（GEE）填补缺失影像
guaicaicexu的博客
09-14 9642
今日分享：Google Earth Engine（GEE）填补缺失影像之前在做月合成NDVI的过程中，发现如果研究区较大时，一个月的影像覆盖不了整个研究区，就会有缺失的地方，还有就是去云之后，有云量的地区变成空值。例如：所以今天来用一种插值的方法，来填补缺失的影像，以NDVI为例。主要实现原理其实就是用前后两个月的NDVI的均值进行填补01—GEE部分实现代码选择研究区var roi = ee.F...
GEE|在GEE对Sentinel-2、Landsat7、Landsat8进行批量大气校正、去云，并进行均值融合、裁剪、显示和数据下载
weixin_46493028的博客
11-18 9375
在GEE对Sentinel-2、Landsat7、Landsat8进行批量大气校正。 包含GEE去云、大气校正、矢量裁剪、显示和数据下载代码
Landsat8去云和云影函数
所有专家都曾始于新手
03-10 969
这段代码旨在对Landsat 8表面反射率图像进行云和云影的遮蔽。它利用像素QA（质量评估）波段来识别并遮蔽图像中的云和阴影区域。以下是该函数的功能解释：它定义了两个变量，cloudShadowBitMask 和 cloudsBitMask，分别代表QA波段中云影和云的位位置。使用 select() 函数从输入的Landsat 8图像中选择像素QA波段。通过对QA波段执行位运算，创建一个掩码。具体来说，它检查云影位和云位是否都设置为零，这表示天气晴朗的条件。
LANDSAT/LC08/C02/T1_L2数据集ST_B10波段数据缺失
weixin_47787901的博客
05-29 2891
使用GEE计算广东省韶关市某区域地表温度时，发现B10波段有缺失，无法得到整个区域完整的地表温度，其它波段和以及假彩色合成影像完整，没有缺失。使用GEE开发文档中的代码对LANDSAT/LC08/C02/T1_L2数据集进行预处理，选择1-12月的影像数据进行合成。我尝试了Landsat8、Landsat5 ，发现每一年都存在这种情况，大家有没有出现过类似的情况。影像真彩色合成（SR_B4, SR_B3, SR_B2)没有问题。加载ST_B10波段，影像莫名有缺失，不完整。
GEE错误——Landsat 9 数据集（LANDSAT/LC09/C02/T1_L2）ST_10波段缺少影像问题如何处理
此星光明博客
03-11 2156
Landat 9的数据集是由卫星传感器记录并传输的。ST_10波段是其中一个波段，但是如果这个波段的影像数据缺失，可能是由于各种原因导致的。以下是一些可能导致ST_10波段影像数据缺失的原因：1. 传感器故障：可能是传感器在记录或传输过程中发生了故障，导致无法正确记录ST_10波段的数据。2. 数据传输错误：在数据传输过程中，可能发生了错误，导致ST_10波段的数据没有正确传输到数据集中。3. 缺少数据处理：在数据处理过程中，可能出现了错误或缺失，导致ST_10波段的影像数据没有正确处理或保存。
Google Earth Engine 中 Landsat MSS 影像的大气校正方法
05-29
<think>好的，用户想了解在Google EarthEngine中对Landsat MSS影像进行大气校正的方法。首先，我需要回顾用户之前的问题和已有的回答，确保这次回答的一致性和补充性。用户之前提到过使用DOS方法，并询问了6S模型、DOS的局限性、精度评估等问题，现在需要更详细的大气校正方法，可能包括步骤和具体实现。 首先，数据准备部分。根据引用[1]和[3]，LandsatMSS在GEE中的数据集是经过缩放和校准的传感器辐射度（DN值），需要先转换为TOA反射率。用户之前提供的代码中使用了增益和偏移值，我需要确认这些参数是否正确，并引用相关文献或USGS的说明。引用[1]提到的是ANDSAT/LM04/C01/T1-T2数据集，可能需要指出不同Landsat卫星（如1-3和4-5）的增益值是否有差异，确保用户正确应用参数。接下来，大气校正模型。用户之前提到了DOS和6S，但GEE中可能没有直接集成6S模型，需要说明这一点，并建议替代方法，比如使用外部库或近似方法。同时，DOS方法虽然简单，但需要解释其原理，比如暗物体减法，并指出可能存在的问题，如寻找合适的暗目标区域。地表反射率转换后的处理可能需要考虑其他因素，比如地形校正（如用户之前的问题4和5提到的DEM数据），这里可以简要提及，但重点放在大气校正本身。示例代码部分需要检查是否正确转换TOA和应用DOS。用户之前的代码可能存在问题，比如增益值的顺序是否与波段对应，以及reduceRegion的区域是否合理（使用整个影像还是特定区域）。此外，需要提醒用户注意GEE的数据集名称是否正确，比如是否使用正确的ImageCollection路径。 另外，用户引用的资料中提到Tier1和Tier2的区别，可能影响数据质量，但大气校正步骤是否需要考虑这一点？可能需要指出，Tier1数据更适合分析，但校正方法对两者都适用，不过用户应注意数据质量的影响。 最后，生成相关问题时要围绕用户可能遇到的后续问题，比如其他校正模型的应用、不同地形的影响、精度验证方法等，确保问题具有连贯性和逻辑性。</think>### Google Earth Engine 中 Landsat MSS 影像的大气校正方法 在 Google Earth Engine (GEE) 中对 Landsat MSS 影像进行大气校正，需结合数据集特性与 GEE 的功能模块。以下是关键步骤与方法： --- #### 1. **数据预处理与辐射定标** Landsat MSS 数据集以数字数值（DN）形式存储，需先转换为传感器辐射度（$L_{\text{sensor}}$）或大气层顶反射率（TOA）。转换公式为： $$ L_{\text{sensor}} = \text{gain} \times \text{DN} + \text{offset} $$ 其中，增益（gain）和偏移（offset）值由 USGS 提供[^1]。例如，Landsat 1-3 MSS 的增益为 $[0.262, 0.280, 0.253, 0.229]$，偏移为 $0$[^3]。 ```python def dn_to_toa(image): gain = ee.Image([0.262, 0.280, 0.253, 0.229]) # Bands 4,3,2,1 toa = image.select(['B4', 'B3', 'B2', 'B1']).multiply(gain) return toa.rename(['B1', 'B2', 'B3', 'B4']) # 重命名波段顺序为常规顺序 ``` --- #### 2. **大气校正方法** ##### **2.1 暗目标减法（DOS）** 假设影像中存在反射率接近 $0$ 的暗目标（如深水区），通过减去其辐射度值消除大气散射。公式为： $$ L_{\text{surface}} = L_{\text{TOA}} - L_{\text{path}} $$ 其中 $L_{\text{path}}$ 为大气路径辐射度，由影像中暗目标的最小值估计。 ```python def dos_correction(image): dark_pixel = image.reduceRegion( reducer=ee.Reducer.min(), geometry=image.geometry(), scale=60, # MSS 原始分辨率为 60m maxPixels=1e6 ) return image.subtract(ee.Image.constant(dark_pixel.values())) ``` ##### **2.2 6S 模型（间接实现）** GEE 未直接集成 6S 模型，但可通过以下方式近似： 1. 使用 `MODTRAN` 大气参数库生成查找表（LUT） 2. 结合太阳-传感器几何参数（如天顶角）与大气参数（气溶胶光学厚度）进行校正[^1] --- #### 3. **地形效应校正（可选）** 若研究区域地形复杂，需结合 DEM 数据消除地形阴影效应。公式为： $$ \rho_{\text{adj}} = \frac{\rho_{\text{TOA}}}{\cos(\theta_{\text{sun}})} $$ 其中 $\theta_{\text{sun}}$ 为太阳天顶角[^2]。 --- #### 示例代码 ```python # 加载 Landsat MSS 数据集 mss = ee.ImageCollection('LANDSAT/MSS/C01/T1') .filterDate('1975-01-01', '1975-12-31') .filterBounds(study_area) # 辐射定标 + DOS 校正 def process(img): toa = dn_to_toa(img) corrected = dos_correction(toa) return corrected.set('date', img.date()) corrected_collection = mss.map(process) # 可视化结果 Map.addLayer(corrected_collection.first(), {'bands': ['B3','B2','B1'], 'min': 0, 'max': 0.3}, 'Corrected') ``` --- ### 关键注意事项 1. **波段顺序**：Landsat MSS 波段顺序为 B4（绿）、B3（红）、B2（近红外）、B1（短波红外），需注意重命名[^2] 2. **Tier 数据质量**：优先使用 Tier 1 数据（几何精度高），Tier 2 需检查 RMSE 值[^3][^4] 3. **时间一致性**：1975 年 GLS 数据集包含 Landsat 1-3 数据，可能需统一传感器参数[^2] ---
评论 1
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