使用Google Earth Engine进行Landsat 5影像融合和时序分析并导出影像视频

最新推荐文章于 2025-04-21 18:31:55 发布

TpjtRuby

最新推荐文章于 2025-04-21 18:31:55 发布

阅读量788

点赞数

CC 4.0 BY-SA版权

文章标签：音视频

本文链接：https://blog.youkuaiyun.com/TpjtRuby/article/details/132959956

GEE 专栏收录该内容

45 篇文章 ¥59.90 ¥99.00

订阅专栏

本文介绍了如何利用Google Earth Engine (GEE) 对Landsat 5影像进行融合和时序分析，并将结果导出为影像视频。内容包括导入数据集、选择区域、筛选时间范围、执行影像融合（使用NDVI）、时序分析及视频导出的步骤。

在本文中，我们将介绍如何使用Google Earth Engine（GEE）平台进行Landsat 5影像融合和时序分析，并将结果导出为影像视频。我们将提供相应的源代码和详细说明。

首先，我们需要导入必要的库和数据集。在Google Earth Engine代码编辑器中，我们可以使用以下代码导入Google Earth Engine库和Landsat 5数据集：

// 导入Google Earth Engine库
var ee = require('users/google/earthengine:current');

// 导入Landsat 5数据集
var landsat5 = ee.<

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

TpjtRuby

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

Google Earth Engine教程：使用Landsat影像集合进行云去除和NDVI计算

VwajAlgorithm的博客

09-22

638

Google Earth Engine（GEE）是一个强大的云平台，可以用于处理和分析大规模遥感影像数据。在本教程中，我们将使用GEE平台上的Landsat影像集合来进行云去除和归一化植被指数（NDVI）计算。以上就是使用Google Earth Engine进行Landsat影像集合的云去除和NDVI计算的完整步骤和源代码。现在我们可以计算云去除后的影像的归一化植被指数（NDVI）。Landsat影像集合中的每个影像都包含了一个云遮罩（QA_BAND）波段，我们可以使用该波段来生成云遮罩。

Google Earth Engine中获取随机点的长时序波段折线图

IxtProgramming的博客

09-24

132

通过创建随机点图层、提取波段数据和创建折线图，我们可以可视化随机点在一段时间内各个波段的变化情况。首先，我们将创建一个随机点图层，然后从该图层中选择一些点，并提取这些点在一段时间内的多个波段数据。最后，我们将使用图表工具在折线图中可视化这些波段数据的变化趋势。运行上述代码后，将会在GEE控制台中输出一个标题为"随机点长时序波段折线图"的折线图，该图显示了随机选取的点在一段时间内每个波段的变化趋势。我们将从随机点图层中选择一些点，并提取这些点在一段时间内的多个波段数据。参数为我们提取的波段数据，

参与评论您还未登录，请先登录后发表或查看评论

Landsat 5辐射定标并波段合成

09-21

Landsat5 辐射定标程序以及波段合成程序。适用于从USGS下载的Landsat5数据，输出为进行辐射定标后各波段合成的结果。

使用 Google Earth Engine（GEE）批量下载 Landsat 遥感影像教程

lestatlu的博客

04-21

2800

在遥感领域，获取大量的卫星影像数据是进行研究和分析的基础。Google Earth Engine（GEE）提供了一个强大的平台，能够方便地访问和处理海量的遥感数据。本文将详细介绍如何使用 GEE 批量下载 Landsat 8 和 Landsat 9 的遥感影像数据，以满足不同的研究需求。

合并影像集合：使用GEE Python中的aggregate_array、arrayProject和arrayFlatten

VwajAlgorithm的博客

09-24

413

Google Earth Engine（GEE）是一个功能强大的云平台，用于处理和分析地理空间数据。在GEE中，我们可以使用多个影像集合，每个集合都包含一系列影像。有时，我们需要将这些影像集合合并为单个影像，以便进行进一步的分析和处理。在本文中，我们将介绍如何使用GEE Python API中的aggregate_array、arrayProject和arrayFlatten方法将影像集合转化为单个影像。通过合并影像集合，我们可以更方便地进行后续的操作，并获得更全面的分析结果。是用于显示影像的可视化参数，

【遥感与地理信息】基于Google Earth Engine的Landsat影像NDVI时序分析：农业植被动态监测系统实现

09-29

内容概要：本文介绍了如何利用Google Earth Engine（GEE）平台与Python库（如geemap、xarray、xee、pandas等）结合，对Landsat-8地表反射率数据进行时间序列分析，重点实现了指定区域（ROI）的NDVI（归一化植被指数...

Google Earth Engine（GEE）——Landsat5/7/8影像融合后进行时序分析并导出影像视频

此星光明博客

04-07

982

//定义一个名为Geometry的几何体。/// 安德鲁-卡茨2018年夏天的一个项目这个代码中包含了影像中去除空波段的函数。

遥感监测基于Landsat影像的叶绿素a时序分析：TN河水质动态变化视频生成方法

09-29

内容概要：本文介绍了如何利用Google Earth Engine（GEE）平台，基于Landsat 8和Landsat 9的地表反射率数据（TOA），对田纳西河（TN River）区域的叶绿素a浓度进行长时间序列分析并生成延时视频。首先导入两个卫星...

【遥感影像处理】基于Google Earth Engine的NDVI时序分析：Sentinel-2与Landsat-8数据驱动的植被覆盖监测系统实现

热门推荐

Leaze932822995的博客

06-13

1万+

调用符合要求的所有Landsat系列影像合成，并计算各种基础指数。

GEE：遥感影像的合成（composite）与镶嵌（Mosaic）

GEE水生态空间

02-09

1万+

GEE，如何实现遥感影像的合成（composite）与镶嵌（mosaic）？二者有何区别？

Google Earth Engine （GEE）——如何用Sentinel-1和Sentinel-2影像融合为多波段影像做分类

此星光明博客

10-17

5152

这里有一点大家需要知道，我们使用filter一般筛选的是影像的属性信息，所以我们这里看到，在进行sentinel-1筛选的时候我们需要进行相应的属性筛选，我们这里先列出s1中包含的属性信息，大家可以通过属性去筛选所需要的信息。本教程的理念就是通过分别加载S2和S1影像，并且根据要求筛选出我们所需要的影像时间、位置以及波段及属性，我们就可以完成对整个影像的的添加，而这个影像的添加一般是通过波段的形式让其中一个影像集合添加到另外一个影像集合之上。如果省略名称，srcImg中的所有条带都将被复制过来。

变化和合成图像 - 使用Google Earth Engine（GEE）

LrlDebug的博客

09-20

203

在地球科学和遥感领域，变化检测和图像合成是重要的任务，可以帮助我们了解地球表面的变化和生成高质量的合成图像。Google Earth Engine（GEE）是一个强大的云平台，提供了丰富的遥感数据和分析工具，可以用于变化检测和图像合成。通过使用GEE的函数和工具，我们可以方便地进行变化检测和图像合成，并生成高质量的结果。在上面的代码中，首先选择了两个不同时间点的图像，然后通过计算两个图像之间的差异来识别变化。GEE提供了各种图像合成算法和工具，可以根据不同的需求进行图像合成。函数将这些图像进行合成。

【GEE笔记】使用Sentinel-2数据进行影像按月合成

Where runes of code shape the picture :)

07-24

2944

本文使用Google Earth Engine（GEE）平台上的Sentinel-2数据和JavaScript语言。通过定义几何区域、年份、波段列表、开始日期和结束日期等参数，对影像集合进行了筛选和裁剪，然后使用自定义的函数对每个月的影像进行了平均合成

GEE：landsat5+modis；投影坐标转地理坐标；将两个栅格大小，坐标系统，像元大小配准；

weixin_61235989的博客

03-06

1101

根据栅格1的坐标系统、像元大小、长和宽，依次对栅格2进行坐标系统转化，重采样，裁剪或填充，保证栅格1和栅格2坐标系统、像元大小、长和宽一样。下载的landsat5和土地利用坐标系统不一致。

Google Earth Engine（GEE）下载中值合成landsat数据

2301_81016102的博客

06-24

846

GEE提供了ee.Reducer.median()函数，用于计算影像集合中每个像素的中位数值。该函数可以将包含多期影像的数据集逐像元取中值降维成单张影像，从而可以减少数据维度，有助于减少计算资源的需求。对于不同的Landsat数据改换参数。

Google Earth Engine中Landsat 8的BSI

05-14

<think>好的，我现在需要帮助用户在Google Earth Engine中使用Landsat 8数据计算建筑阴影指数（BSI）。首先，我得回忆一下用户之前的问题和之前的回答。用户之前询问过MNDWI的计算，现在转向BSI，可能需要类似的步骤，但需要不同的波段组合和公式。首先，用户提到了引用[1]到[3]，不过这些引用主要关于监督分类和随机森林的应用，可能与BSI的计算关系不大，但用户可能希望结合分类方法进行后续分析。不过用户的核心需求是BSI的计算，所以重点应该放在如何构建BSI的公式和实现步骤上。 BSI，建筑阴影指数，通常用于区分建筑物和其他地表覆盖类型。我需要确认BSI的具体公式。根据文献，BSI可能有不同的定义，常见的可能是利用可见光和短波红外波段的组合。例如，有的研究使用蓝、红、近红外和短波红外波段来计算，比如： BSI = ((B6 + B4) - (B5 + B2)) / ((B6 + B4) + (B5 + B2)) 这里，B2是蓝波段，B4是红波段，B5是近红外，B6是短波红外。不过不同文献可能有不同的公式，我需要验证这个公式的正确性，或者是否有更常用的表达式。接下来，用户使用的是Landsat 8的数据，需要对应正确的波段编号。例如，Landsat 8的蓝波段是B2，红波段是B4，近红外是B5，短波红外（SWIR1）是B6。所以在GEE中，这些波段的名称是SR_B2、SR_B4、SR_B5、SR_B6等，但需要注意数据集的版本是否为T1_L2，即经过地表反射率校正的数据，这样反射率值可以直接使用。然后，用户可能需要云掩膜处理，类似之前的MNDWI计算，使用QA_PIXEL波段来过滤云层。同时，反射率缩放也是必要的，因为原始数据是DN值，需要转换为实际的反射率值，通常通过乘以0.0000275再减去0.2，如之前的处理步骤。接下来，在GEE中实现BSI的步骤可能包括： 1. 数据准备：选择Landsat 8数据集，过滤时间和区域。 2. 云掩膜处理：应用QA_PIXEL波段去除云覆盖的像元。 3. 反射率缩放：将DN转换为反射率。 4. BSI计算：根据公式，使用相应的波段计算指数。 5. 可视化和导出结果。需要注意BSI的取值范围，可能需要进行归一化处理，并设置合适的可视化参数。此外，用户可能需要后续的分类步骤，比如使用BSI结合其他指数进行建筑区域的提取，这时可能需要引用中的分类方法，如随机森林分类器，但用户目前的问题集中在BSI计算，所以这一步可能暂时不需要，但可以作为进阶应用提及。另外，用户可能遇到的问题包括波段选择错误、公式输入错误或反射率未正确缩放，需要提醒注意事项，比如确认波段对应的名称和波段的物理意义是否正确，以及数据质量的控制，如云量过滤等。最后，根据用户之前的回答，可能需要生成相关问题，比如BSI与其他建筑指数的比较，如何结合分类器使用BSI，或者在不同传感器（如Landsat 9）中的应用差异等。</think>### Google Earth Engine中Landsat 8建筑阴影指数（BSI）计算指南 --- #### 一、BSI公式与原理建筑阴影指数（BSI）通过**蓝、红、近红外（NIR）、短波红外（SWIR）**波段组合计算，公式为： $$BSI = \frac{(B6 + B4) - (B5 + B2)}{(B6 + B4) + (B5 + B2)}$$ 其中： - **B2**: 蓝波段（0.45-0.51μm） - **B4**: 红波段（0.64-0.67μm） - **B5**: 近红外（0.85-0.88μm） - **B6**: 短波红外1（1.57-1.65μm）该指数通过增强建筑物与植被/裸土的反射差异，可有效提取城市建筑区域[^2]。 --- #### 二、GEE实现步骤（JavaScript API） ##### 1. 数据准备选择Landsat 8 Level 2数据集`LANDSAT/LC08/C02/T1_L2`，筛选时空范围： ```javascript var roi = geometry; // 定义感兴趣区域 var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterDate('2020-01-01', '2023-12-31') .filterBounds(roi) .filter(ee.Filter.lt('CLOUD_COVER', 10)); // 限制云量<10% ``` ##### 2. 云掩膜处理利用QA_PIXEL波段去除云覆盖： ```javascript function maskClouds(image) { var qa = image.select('QA_PIXEL'); var cloudBit = 1 << 3; // 第4位为云覆盖标志位 return image.updateMask(qa.bitwiseAnd(cloudBit).eq(0)); } var filteredCol = collection.map(maskClouds); ``` ##### 3. 反射率缩放转换DN值为地表反射率（0-1范围）： ```javascript function scaleBands(image) { return image.select(['SR_B2', 'SR_B4', 'SR_B5', 'SR_B6']) .multiply(0.0000275) .add(-0.2); // 转换公式：反射率 = DN * 0.0000275 - 0.2[^2] } ``` ##### 4. BSI计算添加BSI波段并裁剪区域： ```javascript var bsiCol = filteredCol.map(function(image) { var scaled = scaleBands(image); var bsi = scaled.expression( '((SWIR + RED) - (NIR + BLUE)) / ((SWIR + RED) + (NIR + BLUE))', { 'SWIR': scaled.select('SR_B6'), 'RED': scaled.select('SR_B4'), 'NIR': scaled.select('SR_B5'), 'BLUE': scaled.select('SR_B2') } ).rename('BSI'); return image.addBands(bsi).clip(roi); }); ``` ##### 5. 可视化与统计合成年均BSI并分析： ```javascript // 可视化（-1~1范围） var annualBSI = bsiCol.select('BSI').mean(); Map.addLayer(annualBSI, {min: -0.5, max: 0.5, palette: ['gray', 'white', 'black']}, 'BSI'); // 区域统计 var meanBSI = annualBSI.reduceRegion({ reducer: ee.Reducer.mean(), geometry: roi, scale: 30 }); print('年均BSI:', meanBSI); ``` ##### 6. 数据导出（可选） ```javascript Export.image.toDrive({ image: annualBSI, description: 'L8_BSI_Annual', scale: 30, region: roi, maxPixels: 1e13 }); ``` --- ### 关键注意事项 1. **指数优化**：若结果噪声较大，可尝试调整公式权重： $$BSI_{mod} = \frac{(1.5 \times B6 + B4) - (B5 + 0.8 \times B2)}{(1.5 \times B6 + B4) + (B5 + 0.8 \times B2)}$$ 2. **多时相分析**：建筑阴影的季节变化明显，建议分季度计算[^1] 3. **分类联动**：结合随机森林分类器（引用[2]方法），将BSI作为特征波段提升建筑提取精度： ```javascript var trainingData = ee.FeatureCollection(...); // 准备建筑/非建筑样本 var classifier = ee.Classifier.smileRandomForest(50).train({ features: trainingData, classProperty: 'class', inputProperties: ['BSI', 'NDVI', 'NDBI'] }); ``` --- ### 进阶应用 - **阈值分割**：BSI > 0.2通常表示建筑区域，需结合实地数据校准[^2] - **三维分析**：联合DEM数据区分建筑阴影与地形阴影 - **时序监测**：利用`imageCollection.map()`实现建筑扩张动态监测（引用[3]方法） --- ### 与MNDWI的协同应用将BSI与水体指数（MNDWI）结合，可有效区分水体与建筑阴影： ```javascript var comboIndex = annualBSI.expression( 'BSI - MNDWI', {'BSI': annualBSI.select('BSI'), 'MNDWI': annualMNDWI.select('MNDWI')} ); ``` ---