GEE中的坡向和太阳高度角校正

最新推荐文章于 2025-01-15 01:30:00 发布
最新推荐文章于 2025-01-15 01:30:00 发布
阅读量250 收藏 1
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/133243093
GEE 专栏收录该内容
79 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何在Google Earth Engine (GEE)中利用DEM数据和NOAA的CDR数据集进行坡向和太阳高度角的校正，详细阐述了校正过程并提供了源代码。通过校正，可以为遥感影像分析和地表过程模拟提供准确的地理信息。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在Google Earth Engine（GEE）中，坡向和太阳高度角是重要的地理信息，对于遥感影像分析和地表过程模拟具有重要影响。坡向指的是地表在垂直于水平面的方向上的倾斜角度，而太阳高度角则是太阳光线与地表垂直线之间的夹角。在进行遥感分析时，准确的坡向和太阳高度角信息对于研究地表的特征、能量平衡和水文过程等具有重要意义。

本文将介绍如何在GEE中进行坡向和太阳高度角校正，并提供相应的源代码。首先，我们需要使用Digital Elevation Model（DEM）数据来获取地表的高程信息，然后利用该信息计算坡向和太阳高度角。

以下是在GEE中进行坡向和太阳高度角校正的源代码：

// 导入DEM数据
var dem = ee.Image('USGS/SRTMGL1_003');

// 计算坡度
了解本专栏 订阅专栏 解锁全文
Google Earth Engine(GEE)——图像位移与配准！
此星光明博客
08-09 1138
Earth Engine 图像配准算法旨在作为对齐图像的最终、后正射、细粒度步骤。假设要配准的图像已经经过初始对齐阶段，因此它们已经在彼此旋转几度之内，并且仅相差很小的平移。配准使用“橡皮布”技术，允许局部图像变形以纠正早期处理中的正射校正错误和其他伪影。底层对齐技术是图像相关性，因此输入图像和参考图像的波段必须在视觉上相似，以便算法计算准确的对齐。 图像位移 配准图像有两个步骤：使用 确定位移图像displacement()，然后使用 确定位移图像displace()。所需的输入是要注册的图像对和最.
Google Earth Engine（GEE）——利用 Google Earth Engine 比较东南亚的 Sentinel-1 地表水测量算法和辐射地形校正处理
此星光明博客
11-01 1858
在 Markert 等人的论文中找到该算法的科学描述。(2020)。利用 Google Earth Engine 比较东南亚的 Sentinel-1 地表水测绘算法和辐射地形校正处理 卫星遥感在监测地表水以进行历史分析和近实时应用方面发挥着重要作用。由于其穿透云的能力，许多研究都集中在使用合成孔径雷达 (SAR) 为地表水测绘提供高效和高质量的方法。然而，很少有研究探讨所使用的 SAR 预处理步骤的影响以及随后的结果作为地表水测绘算法的输入。本研究利用 Google Earth Engine 来比较两种.
ENVI 地形校正
花藻の博客
03-02 4592
ENVI地形校正的扩展工具,（个人感觉classic更好用）： ENVI Classic: 地形校正工具：http://blog.sina.com.cn/s/blog_764b1e9d0100qmrq.html 工具安装方法：https://blog.youkuaiyun.com/weixin_43955546/article/details/104606284 ENVI: ENVI APP STORE 里有...
Google Earth Engine （GEE） ——Landsat 8 SR数据太阳地形辐射校正
此星光明博客
04-11 1274
太阳地形辐射矫正该函数是为 Landsat 8 表面反射率编写的。其中有四种模型： 1）余弦校正；2）c校正：3）scs+c校正；4) Tan 的经验旋转模型。您可以编辑函数的输出以切换到您想要使用的模型。默认为 Tan 的经验旋转模型。这里我们使用的数据是，但在波段信息中并没有体现出来"SOLAR_ZENITH_ANGLE“等，但我们可以直接获取。Tags本文中所用到的函数：cos()
GEE 处理DEM
小熊的博客
04-26 380
【代码】GEE 处理DEM。
Google Earth Engine（python）——Sentinel 2 影像的地形、坡度、坡向和太阳高度角校正
此星光明博客
10-28 1839
在山区，与太阳位置、坡度和方位相关的不同光照条件会导致同一土地覆盖类型内的反射率发生变化，例如，相同类型的森林在阳光照射的斜坡上显示出不同的反射率。可以通过执行地形照明校正来降低此信噪比，该校正可调整与斜率和纵横相关的太阳辐照度差异，从而生成近似反射率值的图像，该值将记录在平坦表面上。 地形光照校正存在不同的方法，它们可以分为三类： 1）经验方法， 2) 物理方法，以及 3）半经验方法。 我们没有在 GEE 图像预处理工具中实施任何经验方法，因为它会降低准确性。另外两种方法还使用数字高..
GEE教程——基于SCS+C模型landsat 8数据的地形校正（修正太阳天顶角、方位角和坡度坡向的影响）
此星光明博客
01-15 619
这段代码使用Google Earth Engine (GEE)处理Landsat 8卫星影像。包括：定义一个研究区域，筛选2021年9月到10月间云量少于1%的Landsat 8影像；，该函数基于SCS+C模型，利用SRTM DEM数据计算并修正太阳天顶角、方位角和坡度坡向的影响；；NDVI_cal；最后，，以便进行可视化分析。
使用gee编写minneart地形校正
最新发布
03-31
通常，GEE中的卫星影像数据集（如Landsat或Sentinel）会包含太阳高度角和方位角的元数据，这些信息对于计算入射角是必要的。 然后，地形坡度和坡向的计算可以通过DEM数据来实现。GEE提供了ee.Terrain模块，其中的...
GEE教程——如何利用strm数据对Landsat 8 数据进行地形校正
此星光明博客
03-06 1109
遥感图像分析可能会受到地形坡度和倾斜度的负面影响。地形方位的不同会导致具有相似土地覆盖和生物物理结构特性的像素之间信号值的差异。地形校正是一种用于消除地形影响的图像处理技术，可以提高Landsat 8卫星数据的准确性。通过利用SRTM（Shuttle Radar Topography Mission）数据，可以将Landsat 8数据进行地形校正。
GEE必须会教程—玩转地形（1）
Promising_GEO的博客
02-22 1318
今天，基于GEE平台，小编奉上一期借助代码的地形分析，以期对各位开展相关的研究工作，或者是进行GEE的案例学习提供帮助。接着，用户可以在网站提供的诸多色带中选择自己喜欢的一款，色带右侧显示了调用的编号，请注意，所有非 ColorBrewer 调色板只有 7 种颜色，因此始终使用 7 作为这些调色板的“颜色级别”属性。上述代码，分别得到了赣州市的DEM、山体阴影、坡度和坡向状况，使用的函数为ee.Terrain，通过对hillshade、slope、aspect进行提取，计算等高线得到了相应的结果。
遥感图像的辐射畸变与辐射校正
热门推荐
Chaolei3的博客
03-22 1万+
需要明白的是辐射误差是在遥感图像一生成就存在了，而辐射校正是在使用遥感图像之前的操作。下图展示了遥感图像辐射畸变的形成。 1 辐射误差 指传感器在接收来自地面目标物的电磁波辐射能量时，受遥感传感器本身特性、大气作用以及地物光照条件（地形影响和太阳高度角影响）等因素的影响，使得遥感传感器的探测值与地物实际的光谱辐射值不一致，更准确地说就是遥感图像灰度失真了。 具体来说，卫星的光学透镜接...
Google Earth Engine（GEE）计算坡度和坡向
guaicaicexu的博客
06-29 3433
今天来分享一下在GEE计算坡度和坡向
【卫星图像处理】卫星光照处理
Guangli_R的博客
10-18 1017
太阳方位角就是说太阳所在的方位，是指太阳光线在地平面上的投影与当地子午线的夹角，可近似地看作是竖立在地面上的直线在阳光下的阴影与正南方的夹角。在夏至时，太阳从东北方升起，在正午(太阳中心正好在子午线上的时间，即太阳方位角由负值变为正值的瞬间)时，太阳高度角的值是一年中最大的，然后从西北方落下。太阳高度角在图像上还会产生阴影，一般情况下图像上的阴影是难以消除的，但在多光谱图像上，地物阴影区的灰度值，可以认为是无阴影时的影像灰度值再加上对各波段影响相同的阴影灰度值。引起的误差可以按相似的方式进行处理。
【遥感数字图像处理（朱文泉）】第五章 辐射校正
甜子yu的博客
01-17 4530
遥感图像的辐射校正、几何定标和大气校正
遥感数字图像处理——第五章——辐射校正
weixin_43760067的博客
07-09 1万+
5.1辐射校正概述 1. 进入传感器的辐射能量：(1)目标物的直接反射 (2)大气程辐射（太阳光散射） (3)目标物邻近地物反射 2.聚光器（光学透镜） 3.模数转换（模拟图像到数字图像，即光电转换过程） 4.传感器记录的是灰度值 一、辐射畸变：传感器在接收来自地面目标物的电磁波辐射能量时，受遥感传感器本身特性、大气作用以及地物光照条件（地形影响和太阳高度角影响）等影响致使遥感传感器的探测值与地物...
Google Earth Engine（GEE）——哨兵系列合成孔径雷达 (SAR) 图像Sentinel-1 算法影像加载和波段获取（新手必备）
此星光明博客
08-19 6702
Sentinel-1是一项由欧盟资助并由欧洲航天局 (ESA) 在哥白尼计划内执行的太空任务。Sentinel-1 收集各种极化和分辨率的 C 波段合成孔径雷达 (SAR) 图像。由于雷达数据需要几种专门的算法来获得校准的正射校正图像，因此本文档描述了地球引擎中 Sentinel-1 数据的预处理。 Sentinel-1 数据是在上升和下降轨道期间使用几种不同的仪器配置、分辨率、波段组合收集的。由于这种异质性，通常需要在开始处理之前将数据过滤为同质子集。下面的元数据和过滤部分概述了此过程。 元数据和过.
Google Earth Engine（GEE)—地形可视化
此星光明博客
07-28 1250
本次用到的数据是USGS/GMTED2010，也就是选择高程，就行可视化， 最后用蓝色填充海平面 没有加上海平面的全山地影像 去掉海面影像 山影影像 原始影像 代码： // 加载全球的影像 var elev = ee.Image('USGS/GMTED2010'); // 找缩放中心点 Map.setCenter(-121.069, 50.709, 6); // 加载最原始没有色彩的影像 Map.addLayer(elev, {}, 'elev'); // 使用地形算...
Google Earth Engine谷歌地球引擎GEE栅格图像自动地理配准与空间位置校正
疯狂学习GIS的博客
08-16 3380
  本文主要对GEE中栅格图像的地理配准（空间坐标位置校正）操作加以介绍。本文是谷歌地球引擎（Google Earth Engine，GEE）系列教学文章的第十四篇，更多GEE文章请参考专栏：GEE学习与应用（https://blog.youkuaiyun.com/zhebushibiaoshifu/category_11081040.html）。   在之前的博客（https://blog.youkuaiyun.com/zhebushibiaoshifu/article/details/118970315）中，我们介绍了基于EN
GEE中计算太阳入射角余旋值和植被指数的R平方
12-31
### 在 Google Earth Engine 中计算太阳入射角的余弦值 为了在 GEE 中获取太阳入射角的余弦值，可以利用影像元数据中的 `SUN_ELEVATION` 字段来表示太阳高度角。通过三角函数库可以直接转换成所需的余弦值。 ```javascript // 定义一个函数用于处理图像并添加cosine solar zenith属性 function addCosSunZenith(image) { var sunElevation = image.get('SUN_ELEVATION'); // 获取太阳高度角 var cosSunZenith = ee.Number(sunElevation).toRadians().cos(); // 转换成弧度再求余弦 return image.set('COS_SUN_ZENITH', cosSunZenith); // 将新属性加入到原图层中 } ``` 此方法适用于大多数卫星传感器的数据集，只要它们提供了相应的太阳角度信息[^1]。 ### 计算植被指数 R² 的过程 对于 NDVI 或其他类型的 VI，在 GEE 上实现其决定系数（即R²），通常涉及两个主要部分：一是构建线性回归模型；二是基于该模型评估拟合优度指标——这里特指解释变量间的关系强度。 ```javascript // 创建样本点集合以训练回归模型 var trainingData = collection.sample({ region: roi, scale: 30, // 设置采样比例尺大小 }); // 执行多元线性回归分析 var fitModel = ee.Reducer.linearFit().forEach(['NDVI'], ['time']); // 应用上述定义好的fitModel至整个时间序列上 var fittedCollection = collection.select(['NDVI']).reduce(fitModel); // 提取rSquared字段作为最终输出结果之一 print(fittedCollection.aggregate_array('linear_fit_0_rSquared')); ``` 这段脚本展示了怎样从多光谱遥感影像集中提取出特定区域内的像素级观测值，并以此为基础建立简单的线性关系预测模型，进而得到关于植被生长状况变化趋势的一个量化描述—也就是所谓的“R平方”。
评论
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