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4.1k 收藏 52
点赞数 11
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.youkuaiyun.com/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

GEE案例：使用Savitzky-Golay平滑算法处理Sentinel-1时间序列数据,并可视化结果
此星光明博客
04-08 390
总的来说,这段代码演示了如何在Google Earth Engine上使用Savitzky-Golay平滑算法处理Sentinel-1时间序列数据,并可视化结果。
Open Earth Engine Library (OEEL)——Savitzky-Golay滤波拟合法进行NDVI波段拟合（北京市为例）
此星光明博客
06-20 1545
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上对长时间序列的NDVI的数据进行HANTS滤波
Czi.的博客
07-16 6729
时间序列谐波分析法（HarmonicAnalysisofTimeSeries，HANTS）是平滑和滤波两种方法的综合，它能够充分利用遥感图像存在时间性和空间性的特点，将其空间上的分布规律和时间上的变化规律联系起来。时间序列谐波分解法进行影像重构时充分考虑了植被生长周期性和数据本身的双重特点，能够用代表不同生长周期的植被频率曲线重新构建时序NDVI影像，真实反映植被的周期性变化规律。............
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 2627
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
04-11 789
关于ENVI软件插件—Savitzky - Golay Filter 处理出错的问题
GEE Savitzky-Golay 滤波 以Sentinel-1数据为例
wxy15650598003的博客
01-15 2051
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MODIS影像时间序列数据的应用
Promising_GEO的博客
07-22 616
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 1790
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。
利用Savitzky-Golay滤波优化Google Earth Engine时序分析
通过上述分析，我们可以得知，该文档详细说明了在Google Earth Engine平台上，如何利用Savitzky-Golay过滤器对卫星影像数据进行时间序列分析以提取植物指数，并通过Python脚本实现自动化处理的过程。这对于进行遥感...
GEE：基于哨兵2（sentinel2）数据计算NDVI时间序列并进行Savatsky-Golay（SG）滤波处理
养乐多的博客
04-19 1563
优快云@_养乐多_本文将介绍如何在 Google Earth Engine (GEE) 平台中，使用哨兵2数据计算NDVI时间序列，并对该数据集应用 Savitzky-Golay 滤波器。Savitzky-Golay 滤波器可以有效地去除信号中的噪声，并平滑信号的变化。
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_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计算季度物候特征
02-21
- **去云和掩膜**：使用数据自带的 QA 波段或云掩膜算法（如 `sentinel-2` 的 `QA60` 或 `Landsat` 的 `pixel_qa`）。 - **裁剪区域**：使用 `geometry` 或 `FeatureCollection` 裁剪目标区域。 - **时间过滤**：按...
Google Earth Engine（GEE）—— NDVI的CannyEdgeDetector边缘检测适用性分析
此星光明博客
11-19 1603
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。
在GEE中使用S-G和Whittaker滤波
wlh2067的博客
03-24 2642
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。
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
此星光明博客
05-20 1065
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。
GEE之S-G滤波
scnugeo的博客
06-30 1149
//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..
解释一下SG滤波算法
最新发布
04-17
### Savitzky-Golay滤波算法的原理 Savitzky-Golay滤波器（简称S-G滤波器）是一种基于局部多项式最小二乘法拟合的时域滤波技术，主要用于数据平滑和降噪。该方法的核心思想是在一个小的时间窗口内对数据点进行多项式拟合，从而保留原始信号的主要特征，同时去除高频噪声的影响[^1]。 #### 关键特性 - **保持信号形状**：与其他传统平滑方法相比，S-G滤波器能够在减少噪声的同时最大程度地保留信号的关键属性，如峰值位置、宽度以及曲率等。 - **依赖于参数选择**：滤波效果主要由两个关键参数决定——窗口宽度（`window_length`）和多项式的阶数（`polyorder`）。较大的窗口宽度可以更好地抑制噪声，但也可能导致更多的细节丢失；较高的多项式阶数能够捕捉更复杂的波动模式，但可能引入过拟合的风险[^1]。 --- ### Savitzky-Golay滤波算法的具体实现 在实际应用中，可以通过Python中的`scipy.signal.savgol_filter`函数轻松实现S-G滤波器的功能。下面详细介绍其实现过程及其核心参数的意义。 #### 参数说明 - `data`: 输入的一维数组或列表，代表待处理的数据序列。 - `window_length`: 滤波窗口的大小，即参与每次多项式拟合的数据点数量。通常建议设置为奇数值以便中心化操作[^3]。 - `polyorder`: 多项式的阶数，决定了拟合模型复杂度。一般推荐小于等于窗口长度减一。 #### 示例代码 以下是一个完整的例子，演示如何使用`scipy`库中的`savgol_filter`函数对一组随机生成的数据执行S-G滤波： ```python import numpy as np from scipy.signal import savgol_filter import matplotlib.pyplot as plt # 创建带有噪声的正弦波作为测试数据 np.random.seed(0) x = np.linspace(0, 2 * np.pi, 100) y_noisy = np.sin(x) + np.random.normal(scale=0.2, size=x.shape) # 应用Savitzky-Golay滤波器 window_length = 15 # 窗口大小 polyorder = 3 # 多项式阶数 y_filtered = savgol_filter(y_noisy, window_length, polyorder) # 可视化结果 plt.figure(figsize=(8, 4)) plt.plot(x, y_noisy, label='Noisy Data', alpha=0.7) plt.plot(x, y_filtered, label='Filtered Data', linewidth=2) plt.legend() plt.title('Savitzky-Golay Filter Example') plt.xlabel('X-axis') plt.ylabel('Y-axis') plt.grid(True) plt.show() ``` 此脚本首先创建了一个带高斯白噪音污染的标准正弦波形样本集合，接着调用了`savgol_filter()`完成平滑任务，并最终通过Matplotlib绘制对比图象来验证成效显著与否[^3]。 --- ### 地球引擎(GEE)中的实践案例 Google Earth Engine (GEE) 平台也支持内置或者自定义方式部署S-G滤波逻辑来进行遥感影像时间序列分析工作流构建。比如，在研究植被生长动态过程中常需借助NDVI指标反映植物健康状况随季节变换规律，则可采用如下策略优化原始观测记录质量[^2]: 1. 预先设定合理的滑动区间范围(`window_size`)与回归方程式最高幂次限制(`degree`); 2. 定义辅助工具类封装具体计算流程； 3. 调用映射机制批量施加至目标区域全时段累积成果之上得出理想版型曲线图表输出供后续解读参考[^4]. ---
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