使用GEE Python：从数组中提取云并将筛选后的数组转换为多波段影像值加载

最新推荐文章于 2025-12-09 16:47:37 发布
最新推荐文章于 2025-12-09 16:47:37 发布
阅读量495 收藏 1
点赞数
CC 4.0 BY-SA版权
文章标签： python 前端 数据库
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/TpjtRuby/article/details/132931996
GEE 专栏收录该内容
45 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何使用Google Earth Engine的Python API进行云掩码处理和多波段影像转换。首先，通过导入相关库与GEE交互，然后定义云掩码函数应用于影像对象，接着筛选并提取无云影像，最后将处理后的影像转换为多波段值进行加载和可视化。

在Google Earth Engine（GEE）中，我们可以使用Python编程语言进行高级地理信息系统（GIS）分析。本文将介绍如何使用GEE Python API从一个数组中提取云，并将筛选后的数组转换为多波段影像值进行加载和可视化。

首先，我们需要导入所需的库和模块。在GEE Python API中，我们使用ee库来与GEE进行交互，并使用geemap库来进行地图可视化。

import ee
import geemap

# 初始化GEE
ee.Initialize()

接下来，我们需要定义一个函数，该函数将接受一个影像对象作为输入，并返回一个布尔类型的数组，其中包含云掩码。

def cloudMask(image
了解本专栏 订阅专栏 解锁全文
GEE AI ：利用Satelite Embedding数据进行地表相似性分析和可视化
此星光明博客
08-24 1105
摘要 本文介绍了一种基于卫星图像嵌入向量的地表相似度分析方法。方法通过Google卫星嵌入数据集，提取64维特征向量，计算样本点与目标区域的余弦相似度，生成热图并创建二值掩膜。主要步骤包括：1)定义分析区域和样本点；2)加载指定年份的卫星嵌入数据；3)在样本点提取嵌入向量；4)计算与全区域的余弦相似度；5)通过阈值处理生成二值掩膜识别相似地表类型。系统支持调整年份、块大小、相似度阈值等参数，并可进行结果可视化与导出。该方法适用于快速识别特定地表特征的空间分布模式。
基于 GEE Landsat 与 Sentinel 数据的归一化水体指数 NDWI 计算和水体提取
@HNUSTer的博客
02-08 916
基于 GEE Landsat 与 Sentinel 数据的归一化水体指数 NDWI 计算和水体提取。
基于 GEE 利用 MODIS 数据创建归一化植被指数 NDVI 的时空变化图像
@HNUSTer的博客
03-30 841
基于 GEE 利用 MODIS 数据创建归一化植被指数 NDVI 的时空变化图像。
遥感IDL语言及Python保姆式提取ECOSTRESS高分辨率日地表温度70m栅格数据的方法
weixin_59415092的博客
08-13 5477
ECOSTRESS是由美国国家航天航空局（nasa）与加州理工学院喷气推进实验室合作所发射的卫星。于 2018 年 6 月 29 日发射，在成功完成在轨检查期后，在2018 年 8 月 20 日转入自主科学运行。该数据优势：精确性(空间分辨率为70*70m) 实时性（最新数据距离现在时间前一星期左右）
Google Earth Engine-05（GEE数据类型）
damadashen的博客
10-26 3468
在GEE中，JS API中所定义的数据类型主要包括数值、字符串、字典、日期、列表、数组、地图、几何图形、矢量数据、矢量数据集合、影像数据、影像数据集等类别。
基于 GEE ERA5 数据集监测不同土壤层水分和温度变化
@HNUSTer的博客
01-16 1066
基于 GEE ERA5 数据集监测不同土壤层水分和温度变化。
基于 GEE Landsat 数据集的 1984 - 2024 年燃烧面积指数 BAI 分析
@HNUSTer的博客
02-08 433
基于 GEE Landsat 数据集的 1984 - 2024 年燃烧面积指数 BAI 分析。
揭秘卫星遥感数据处理新纪元：R中stars与terra最新版本实战指南
LogicShoal的博客
11-24 885
掌握R语言处理卫星遥感数据的高效方法，详解stars 1.0与terra 2.0核心功能及在影像读取、时空分析和地理配准中的实战应用，提升数据处理效率。支持多源遥感格式，操作简洁且兼容性强，是科研与应用的理想选择，值得收藏。
卫星图像助力量化价值投资，实现高效决策
AI天才研究院
04-27 1226
在传统价值投资体系中，财务报表、行业报告等结构化数据是核心分析基础。但随着大数据技术的发展，非结构化数据（如卫星图像、网络舆情、物流轨迹）正成为重要补充。本文聚焦卫星遥感技术在量化价值投资中的应用，探讨如何通过卫星图像提取企业运营、资产分布、市场供需等关键信息，构建差异化的投资分析模型。研究范围涵盖卫星图像数据获取、预处理、特征工程、机器学习建模及投资策略生成全流程，结合零售、房地产、能源等行业案例，验证卫星数据对企业内在价值评估的实际效用。技术原理：解析卫星图像数据特性及处理框架核心方法。
第3章 研究方法与结果分析 3.1研究方法 本研究流程包括数据准备、数据处理、深度学习建模、应用部署及最终结果输出五个阶段。 1. 数据准备 导入Python包，初始化Earth Engine并加载地图。 加载特征集合(feaCol)，调整类别标签并平衡样本，形成新特征集合(feaColNew)。 2. 数据处理 设定批量处理参数，迭代导出数据至Pandas DataFrame。 添加随机列，按设定比例（如70%-30%）划分训练集和验证集。 3. 深度学习建模 转换数据为PyTorch张量，构建Dataset与DataLoader。 设计三层全连接神经网络（DNNModel），ReLU激活，Sigmoid输出。 采用二元交叉熵损失(BCE Loss)，使用SGD或Adam优化器训练，并评估模型性能。 4. 应用部署 将训练模型转换为适用于Google Earth Engine的数组格式。 结合ROI区域和Sentinel-2影像数据，生成预测图像并进行可视化展示。 5. 数据后处理与结果输出 设定时间范围，过滤云量低于50%的影像。 进行影像预处理，计算NDWI指数，结合深度学习预测结果优化水体检测。 生成水体掩膜图，输出最终检测结果至Google Earth Engine进行可视化。 3.1.1深度学习 传统水体提取方法依赖于指数计算（如NDWI），但易受阴影、植被及人为建筑的干扰。深度学习方法通过构建神经网络模型，自动学习水体的光谱、纹理和空间特征，提高分类精度。本研究采用三层全连接神经网络（DNN），主要步骤如下： 1.输入数据：选取Sentinel-2影像的多个光谱波段（如B2、B3、B4、B8）作为输入特征，同时计算NDWI指数增强区分能力。 2.模型结构：采用三层全连接网络，每层采用ReLU激活函数，最终输出层使用Sigmoid函数计算水体概率。 训练优化：使用二元交叉熵损失（BCE Loss），采用Adam优化器更新权重，并在验证集上评估模型性能。 3.水体预测：将模型应用于遥感影像，生成水体概率图，并结合NDWI后处理优化结果。 3.1.2影像去云处理方法 遥感影像受云层影响较大，为提高数据质量，本研究采用Sentinel-2 Level-2A（SR）数据，并结合云概率（Cloud Probability）进行去云处理： 1.云掩膜处理：使用Sentinel-2 Cloud Probability数据集（COPERNICUS/S2_CLOUD_PROBABILITY）提取云概率图像，设置阈值（如50%）筛选低云量影像。 2.边缘掩膜：针对B8A、B9波段进行掩膜，去除场景边缘的异常数据。 3.多时相合成：在设定的时间范围内，通过均值合成（mean composite）减少残余云影响，提高影像质量。 3.1.2结合NDWI指数过滤 NDWI（Normalized Difference Water Index）是一种常用于水体提取的指数，可增强水体特征并抑制背景噪声，其计算公式如下： NDWI=Green−NIRGreen+NIRNDWI = \frac{Green - NIR}{Green + NIR}NDWI=Green+NIRGreen−NIR​ 其中，Green（B3）和NIR（B8）分别代表Sentinel-2影像的绿色波段和近红外波段。深度学习模型可能将一些地物（如建筑物、裸地）可能因光谱特性被误判为水体，而NDWI利用波段特性（一般是绿光和近红外或短波红外）来区分真正的水体区域，有助于降低误判。为了进一步优化深度学习预测结果，本研究结合NDWI进行后处理，以减少误分类，提高水体检测精度。 1.设定NDWI阈值：在不同季节设定合理的NDWI阈值（如冬季设定为0.3），剔除低反射率区域，提高水体识别准确性。 2.辅助深度学习模型后处理去除误判区域：在深度学习水体提取后，可结合NDWI计算结果进行二次筛选，进一步去除低置信度的水体预测区域，去除深度学习模型误判的非水体区域（如阴影、建筑物），减少误分类的影响，提高最终结果的可靠性。 3.融合深度学习结果：结合NDWI与深度学习模型的输出，采用双重约束策略，仅保留同时满足NDWI高值和深度学习预测为水体的区域。 4.最终水体掩膜生成：经过NDWI筛选后的水体区域被标记为最终水体检测结果，并可视化输出至Google Earth Engine（GEE）。q请帮我找几篇参考文献 ChatGPT 说： ​
04-03
嗯，用户需要关于水体提取、深度学习建模、NDWI指数以及遥感影像去云处理的参考文献，特别是用Python、PyTorch、Google Earth Engine和Sentinel-2的。首先，我应该先分解这几个关键词，然后逐个找相关的文献。 首先...
【GEE深度剖析】：Python与JavaScript API对比，孰优孰劣？
随后，探讨了在GEE环境下，Python和JavaScript两种编程语言API的安装、配置以及对象模型的使用方法。文章对这两种语言API在数据处理、分析、可视化和地图制作方面的功能进行了深入对比。基于对比结果，文章进一步...
将sentinel2的影像转化为数组
10-10
或者，在Python中使用`geemap`库，它可以轻松地将GEE影像转换为NumPy数组。 例如： ```python import ee import geemap # Initialize Earth Engine ee.Initialize() # Define Sentinel-2 collection collection ...
深度学习下载包时可能会遇到的问题及解决方案
最新发布
m0_50481455的博客
12-09 204
若确实下载安装了CUDA ，但是此时输出的CUDA是否可用为否，应该是torch的版本为cpu版本导致，刚刚的下载包的语句如果总是下载的是cpu版本，我们考虑直接去网站下指定包，再进行安装。CUDA Version表示的是驱动支持的最高 CUDA 版本，去官网下载 CUDA ，我这里是12.2，表示下载的版本最大只能是12.2。然后下载包时，比如本地环境是Python3.9，找包下载时候，3.9要下对应cp39的包。下载好后，执行语句安装。
50、【Ubuntu】【Gitlab】拉出内网 Web 服务：http.server 单/多线程分析（二）
HIT_Weston的博客
12-04 1409
本文分析了Python的http.server模块在单线程和多线程模式下的性能表现。通过测试发现，单线程模式下（Python<3.7）并发请求会被阻塞，后发请求需要等待前一个请求完成；而多线程模式下（Python≥3.7）可以同时处理多个请求。作者通过slow_server.py脚本模拟耗时操作，使用time curl命令测试响应时间，验证了线程模型的差异。文章还指出Python 3.7是一个重要分水岭，官方将默认命令行服务器升级为多线程以提升用户体验。技术细节参考了CPython源码，并提供了Git
推荐 | JoyAgent-JDGenie：开箱即用的端到端多智能体产品
lpfasd123的博客
12-05 355
如果你在寻找一款真正可落地的多智能体产品，用来“搜索-分析-生成报告”、“数据问答与诊断”、“代码解释与图表生成”，同时希望易部署、易扩展、易二次开发——JoyAgent-JDGenie 是非常值得试用与推荐的选择。只需填好少量配置，即可获得端到端的流式体验与交付能力。
零基础学JAVA--Day41(IO文件流+IO流原理+InputStream+OutputStream)
Dxxyyyy的博客
12-05 964
文件在程序中是以流的形式来操作的流：数据在数据源（文件）和程序（内存）之间经历的路径输入流：数据从数据源（文件）到程序（内存）的路径输出流：数据从程序（内存）到数据源（文件）的路径。
Python 海象运算符
这是一个c++热爱者的博客哟
12-08 483
Python 3.8引入的海象运算符(:=)允许在表达式中进行变量赋值，能有效减少重复代码。它特别适用于循环条件、列表推导式等场景，如while (line := file.readline()):可简化文件读取操作。使用时需注意：必须加括号，避免在复杂表达式中过度使用以免降低可读性。虽然该特性能精简代码，但应遵循团队约定，在保持代码清晰的前提下合理使用。
第30篇：逆袭量化路：用 bot_start 和 bot_loop_start 玩转 Freqtrade 策略
qq_36936892的博客
12-06 281
Freqtrade策略开发中，bot_start()和bot_loop_start()是两个关键生命周期函数。bot_start()在机器人启动时仅调用一次，适合初始化数据、加载资源等操作；bot_loop_start()在每个交易循环开始时触发，可用于状态刷新、动态参数调整等周期性任务。开发者应注意前者只需快速执行，后者需保持轻量以避免阻塞。合理使用这两个函数能增强策略灵活性，支持复杂交易逻辑实现。掌握这两个回调函数是提升Freqtrade策略开发效率的重要环节。
python+django/flask+vue的基于协同过滤算法的体育商品推荐系统
Q_Q1963288475的博客
12-04 640
相比于传统的体育商品推荐方式，个性化智能的管理方式可以大幅提高体育商品推荐的管理效率，实现了个性化智能体育商品推荐的标准化、制度化、程序化的管理，有效地防止了体育商品推荐的随意管理， 功能主要包括首页、个人中心、用户管理、商品分类管理、商品信息管理、交流论坛、留言板、系统管理、订单管理等功能，从而实现个性化智能体育商品推荐方式，提高个性化智能体育商品推荐的效率。
GEE中使用哨兵2可见光和近红外波段影像，值提取至点，并应用relieff算法
03-27
总之，步骤大概是：加载Sentinel-2数据，预处理（去云、大气校正），提取点值，导出数据，然后在外部处理ReliefF算法，或者在GEE内尝试实现但需注意计算限制。在Google Earth Engine (GEE) 中实现哨兵2影像点值提取...
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