遥感和GEE不正式告别

1.GEE不正式告别        

我记得是在三年前的今天,我加入了python和GEE(Google Eargine)开发的大军,那时候GEE作为先进的遥感云计算平台,吸引了大批用户,其中就包括我这个小萌新,我记得当时,我和现在在东北地理所的哥们一块仔细阅读官方文档学习GEE,后来都顺利完成了本科毕设。

        当时研一入学,我特别感谢研究生导师,因为是他向我推荐的GEE这个云计算处理工具,我当时很开心地告诉他,我差点没毕业,因为这个工具做完了本科毕设导师的任务。后来研究生三年一直做遥感时序数据处理的工作,可以说只要做实验,每天都使用GEE以及Python开发工具。

        直到这礼拜,我仍然发现有人在csdn上向我提问,大部分博文评论我感觉自己都回了,如果没有回复,应该是因为你们的问题难到我了,我那会觉着可能那天实力大增,又能回答上,所以一直拖延没有回复(说到底还是我太菜了,哈哈哈)。

        但这一次我认为我不再适合回答GEE相关问题了,因为我转行了,而GEE仍然在不断更新迭代,我的答案很有可能不准确。直到工作后,我从事推荐系统算法工作,这才发觉我已算是彻底退出了GEE技术大军。

        因此特告知大家,今后的博文相关的GEE问题,我可能没有相关专业能力进行回复了。因为随着时间渐远,我必然迟早忘记这些,而GEE平台却在不断在更新进步,我之前的一些博客可能还是参考旧平台撰写的,如有不正确之处,多多查阅最新资料,这里我推荐几个之前我寻求答案的社区:

GEE官方网上论坛,真的不要客气,进去要啥,有啥错误直接搜:

Google Earth Engine Developers - Google 网上论坛

吴秋生老师的geemap:

geemap

stackover flow 平台:

Newest 'google-earth-engine' Questions - Stack Overflow

2.遥感不正式告别

        三年前,我认为遥感是本专业最先进的学科发展方向,选择了遥感,当然了,我那会选择遥感是对的,因为我的目标是做大学教授,后来发现自己的目标也不是大学教授了,就找了工作,做了程序员,整日鼓捣推荐算法,改用一下饶毅教授的话,做程序员也没啥可耻的吧

        即便换了行业,但如今回想起来,遥感学科是富有艺术美感的学科,每天与卫星遥感影像打交道,产出美丽的图片,有时候我也觉得那是一种艺术,看到自己做的图,一点点越来越好看,心里会莫名的开心。因而,说不舍也是真的,但不正式告别嘛,说不定那天又杀回去,哈哈哈。

<think>嗯,用户想要了解Landsat 8时间序列的批量预处理方法,这个问题在遥感领域很典型。用户可能是个刚开始接触遥感的研究生,也可能是需要处理大量数据的工程师。从ta强调“同时”这个词来看,核心诉求应该是效率——想一景一景手动处理。 注意到用户提供的两个引用信息很有价值:[1]详细说明了Landsat数据分级体系,[2]展示了一个GEE上的叶绿素分析案例。虽然用户的目标是预处理而非具体应用,但这些引用暗示ta可能最终要做类似的水体分析(因为第二个案例专注叶绿素)。另外用户提到“告别预处理烦恼”,说明ta可能被繁琐的预处理流程困扰过。 预处理的关键点其实都在引用[1]里了:必须优先选择T1级数据保证几何精度,小心避开RT数据。过用户没提具体研究区域,这里需要提醒ta注意两点:如果是地形复杂区域必须用L1TP数据,而大区域分析要注意投影统一。 技术上准备推荐三条路径:GEE云端处理最适合新手,本地GDAL适合已有数据资产的专业用户,而半自动化的QGIS插件介于两者之间。特别要强调波段计算公式的细节,很多初学者会在DN值转反射率时犯错。考虑到用户可能后续做时序分析,辐射校正云掩膜必须作为重点说明。 用户应该会需要具体操作示例,所以每个方案都配上核心代码片段比较实用。GEE部分可以直接参考引用[2]的云掩膜逻辑,但要去掉叶绿素计算部分。突然想到还漏了时相匹配问题——如果用户研究物候变化,同季节的太阳高度角差异会影响结果,这点要在注意事项里补充。 最后生成的问题要覆盖用户可能忽略的环节:几何精校正对时序分析为什么致命?这个看似基础的问题其实关系到T1/T2的选择依据。还有SR数据直接使用的风险提醒,很多人知道Level-2产品在某些波段需要额外处理。 </think>以下是为Landsat 8时间序列数据同时进行预处理的系统方法,结合引用内容的关键要点: --- ### **Landsat 8时间序列批量预处理流程** #### **1. 数据选择规则** - **层级优先** - 仅选择 `Tier 1 (T1)` 数据(几何误差 <12米),确保时序分析精度[^1] - 避免 `Real-Time (RT)` 数据(需14-16天验证期升级为T1/T2) - 若T1数据足,可补充T2数据但需单独验证几何精度 - **处理级别** - 强制要求 `L1TP`(地形精度校正)数据,消除地形畸变影响 #### **2. 核心预处理步骤(全序列同步)** ```python # 示例:基于GEE的批量预处理框架(Python API) def preprocess_landsat(collection): # 步骤1: 筛选T1级数据 collection = collection.filter(ee.Filter.eq('DATA_TYPE', 'T1')) # 步骤2: 辐射校正 → 转换为地表反射率(SR) collection = collection.map(lambda img: img.select(['SR_B.*']).multiply(0.0000275).add(-0.2)) # 步骤3: 云掩膜 (利用QA波段) def cloud_mask(img): qa = img.select('QA_PIXEL') cloud_bit = 1 << 3 return img.updateMask(qa.bitwiseAnd(cloud_bit).eq(0)) collection = collection.map(cloud_mask) # 步骤4: 时相匹配 (统一日期范围/季节) collection = collection.filterDate('2013-01-01', '2023-12-31').filter(ee.Filter.calendarRange(6,8,'month')) return collection ``` #### **3. 关键处理细节** - **辐射定标** Landsat 8 SR数据需应用公式: $$ \rho_{\lambda} = 0.0000275 \times DN_{\lambda} - 0.2 $$ 其中 $DN_{\lambda}$ 为原始波段值[^2] - **几何一致性** - T1数据已用全球控制点校正,时序分析无需重配准 - 跨轨拼接时需统一投影(推荐UTM) - **云量过滤** 引用[2]建议:**云量<1%** 的影像最适合时序分析 --- ### **注意事项** 1. **避免混合层级** T1与T2数据因几何精度差异(>12米误差)可直接混合分析[^1] 2. **NDVI等指数计算** 需在SR数据完成后进行(示例:NDVI = $(B5-B4)/(B5+B4)$) 3. **边缘像元处理** 使用`.focal_mean()`平滑边界条纹噪声 --- ### **主流工具对比** | **工具** | 适用场景 | 优势 | |----------------|-------------------------|-----------------------------| | **Google Earth Engine** | 大规模批量处理 | 云端免下载,直接调用`LANDSAT/LC08/C02/T1_L2`[^2] | | **ENVI Modeler** | 本地精细化处理 | 支持自定义辐射定标/波段运算 | | **PySTAC** + **GDAL** | 自动化脚本流程 | 适合集成到AI训练管道 | > 注:GEE可直接调用预处理的SR产品(`LANDSAT/LC08/C02/T1_L2`),免除手动辐射定标[^1][^2]。 --- ###
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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