解决 Google Earth Engine 中的裁剪 (Clip) 问题

最新推荐文章于 2024-10-15 13:19:39 发布
最新推荐文章于 2024-10-15 13:19:39 发布
阅读量1k 收藏 1
点赞数
CC 4.0 BY-SA版权
文章标签： python 计算机视觉 图像处理
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/132986858
GEE 专栏收录该内容
45 篇文章 ¥59.90 ¥99.00
订阅专栏
本文详细介绍了如何在 Google Earth Engine (GEE) 中使用 Python 进行图像和矢量数据集的裁剪操作，包括加载数据、定义几何区域以及裁剪时间序列数据的示例。

在 Google Earth Engine (GEE) 中，裁剪 (Clip) 是一个常见的操作，用于限制分析或可视化的地理数据范围。本文将介绍如何使用 GEE 解决裁剪问题，并提供相应的源代码示例。

首先，我们需要加载需要进行裁剪的图像或地理数据。在 GEE 中，可以使用 ee.Image 或 ee.FeatureCollection 对象表示图像或矢量数据集。以下是一个加载 Landsat 8 影像的示例：

var image = ee.Image("LANDSAT/LC08/C01/T1_SR/LC08_123032_20200102");

接下来，我们需要定义一个用于裁剪的几何区域。这可以是一个矩形区域、一个多边形或一个图层的边界。以下是一个定义矩形区域的示例：

了解本专栏 订阅专栏 解锁全文
Google Earth Engine——一文让你解决所有的裁剪clip问题
此星光明博客
10-27 1608
剪裁 除了栅格操作之外，Google Earth Engine 还支持矢量操作。Google Earth Engine 中矢量数据的基本用途是裁剪栅格。用户可以剪辑到使用 GEE 地图界面中的抬头数字化创建的栅格，上传自己的栅格数据，或剪辑到谷歌提供的栅格数据。 在裁剪之前，您需要了解数据集及其性质。基本上，对于剪辑，您需要了解 Image 和 Image 集合。谷歌地球引擎中有不同的功能来剪辑图像和图像集合。 用于裁剪图像的 GEE 函数是：全部使用这三种 1....
地球引擎初探：影像裁剪教程
VwajAlgorithm的博客
09-28 348
在本教程中，我们将介绍如何使用Google Earth Engine（GEE）平台进行影像裁剪。影像裁剪是遥感图像处理中常用的操作，它可以帮助我们从原始影像中提取感兴趣的区域或减少数据的大小。通过裁剪影像，我们可以专注于我们感兴趣的区域，并减少计算和存储的负担。通过以上步骤，我们成功地使用GEE平台加载了影像数据，并进行了裁剪操作。你可以根据自己的需求调整感兴趣区域的范围，并使用其他图像处理方法来进一步分析和处理裁剪后的影像数据。通过将裁剪后的影像添加到地图上，我们可以可视化裁剪后的结果。
GEE学习笔记001-ImageCollection（影像集合）的批量裁剪和批量导出
guoshihui123的博客
02-27 7278
在GEE（Google Earth Engine）中，遥感影像可以是单张的Image，也可以是多张影像组成的影像集合（ImageCollection）。其中，Image的裁剪很简单，直接调用clip函数即可，但是针对ImageCollection，不能直接使用clip函数。
地图裁剪
蓝Buff的博客
01-27 1203
  当你有一张大地图，你想详细绘制地图里某个地方，但又不想绘制整个大地图，那么你就需要用到地图裁剪了。下面我们通过一个例子来认识一下地图裁剪吧！ 下面这个是广州市南沙区的地图    然后我们需要的是黄山鲁森林公园附近的地图 （被圈住那一部分 ）    首先我们选择地图，再选择地图裁剪，有四种裁剪方式，根据自己的需要来选择，我这里选择的是圆形裁剪    然后就把需要的地方...
Google Earth Engine（GEE）——容易犯的错误3（不必要的情况下不要使用clip())
此星光明博客
08-22 4044
clip()不必要地使用会增加计算时间。clip()除非对您的分析有必要，否则请避免。如果您不确定，请不要剪辑。一个错误使用剪辑的例子： 坏- 不要不必要地剪辑输入！ var table = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017'); var l8sr = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR'); var chad = table.filter(ee.Filter.eq('country_na',.
GEE google earth engine批量裁剪下载MODIS数据
01-16
在本文中，我们将深入探讨如何使用Google Earth Engine（GEE）平台批量裁剪并下载MODIS（Moderate Resolution Imaging Spectroradiometer）数据。MODIS是NASA地球观测系统卫星上的一系列传感器，提供了全球范围内的...
【遥感影像处理】基于Google Earth Engine的Landsat 8影像集合操作：区域裁剪与云量筛选应用
最新发布
10-22
本文介绍了如何使用Google Earth Engine（GEE）平台对Landsat 8卫星遥感影像进行处理，具体包括区域裁剪和云量筛选两个方面。首先，通过定义一个特征集合来表示感兴趣的区域，然后加载Landsat 8的TOA（Top of ...
【地理信息系统】基于Google Earth Engine的全球地表覆盖数据处理：WorldCover影像裁剪与导出系统实现
10-08
内容概要：本文介绍了如何使用Google Earth Engine（GEE）平台加载、处理并导出ESA WorldCover v2.0土地覆盖数据。首先通过地图绘制工具或手动定义经纬度范围来创建感兴趣区域（ROI），然后加载WorldCover v200数据...
初学Google Earth Engine（GEE）---实现MODIS数据的获取、重投影和裁剪等预处理工作
热门推荐
gd1201的博客
12-24 1万+
一直听说有GEE这一大利器，但是也从来没有用过，依然我行我素的写着python代码从Earthdata上批量下载数据，以及完成批处理等工作，觉得效率挺高了，今天用了GEE后发现，我之前的做法也太耗时间啦，可能原始的方法完成整个长时间序列的内蒙古的数据预处理至少得3个小时，但是GEE仅需要半把个小时就搞定啦。下面来初步介绍一下GEE以及获取MODIS数据吧 最重要的，写在前面，需要科学上网！！！！...
Google Earth Engine——如何实现裁剪后研究区影像的批量下载（以NDVI为例）
此星光明博客
03-19 1025
GEE云平台（Google Earth Engine）是一个强大的云平台，提供了丰富的地理数据和计算资源，用于进行地理数据分析和处理。在GEE平台上，可以实现对研究区影像的单景影像（以NDVI为例）的批量下载。下面是具体的过程：1. 登录GEE云平台并初始化首先，需要登录GEE云平台（https://earthengine.google.com/）并初始化一个新的脚本。在脚本中，可以选择所需的编程语言（如JavaScript）以及相关的API。2. 定义研究区。
基于Google Earth Engine的MODIS产品获取以及完成重投影重采样和裁剪等预处理工作
12-24
文档中包含了获取感兴趣区域的MODIS产品的全部代码，代码是以获取地表温度为例进行编写的，如果要获取NDVI数据，只需要修改产品代号即可。
Google earth engine 基于面向对象遥感影像分割 SNIC分割算法
qq_45629716的博客
04-09 8422
这篇主要是在GEE上基于面向对象以Sentinel-2数据做的无监督分类算法示例
Google Earth Engine（GEE）批量下载GDDP和MODIS产品
UCAS_Leon的博客
03-05 2717
// 中国区域的矩形裁剪区域，也可以使用GEE自带的feature或者自己上传、定义矢量裁剪区域 var roiChina = ee.Geometry.Rectangle([70, 14.5, 137, 51.5]); Map.centerObject(roiChina, 4); Map.addLayer(roiChina, {}, 'China'); // 选择产品和下载时段 var mo...
GEE基础学习——影像集合裁剪
此星光明博客
07-08 5452
当你使用一个影像集合的数据，而且有想按照自己的研究区域进行裁剪，但发现很多时候直接再后面.clip()无法进行裁剪，那么很大程度上是应为影像集合的裁剪对应的是矢量集合的裁剪，而不是单张影像，所以会出现错误。今天给大家利用GEE在线多个矢量集合裁剪案例： 用的数据是Landsat7数据，美国的两个州进行。 直接上代码： // Load Landsat 7 raw imagery and filter it to April-July 2000. var collection = ee.ImageCol
Google Earth Engine（GEE）深度学习入门教程- GEE导出篇
weixin_41099712的博客
01-08 3987
例如：patchSize 为32，kernelSize为32，则导出的图像单个大小为64*64，中间的32*32为不重叠区域，边缘的16格像素为缓冲区大小。导出可以拆分为多个 TFRecord 文件，每个文件包含一个或多个 大小的 patches ，这是用户在导出中指定的。其中：crs为投影坐标系、doubleMatrix为地理仿射变换矩阵、patchDimensions为不重叠区域大小、patchesPerRow为裁剪区域内每行得到的样本数量、totalPatches为总的patch数量。
GEE栅格数据使用方法详解
UCAS_Leon的博客
08-16 1270
01 栅格数据存储原理 Band（波段）：波段是栅格数据中的一个单一光谱通道或特定类型的信息。一个图像可以由多个波段组成，以捕捉更丰富的地理信息。 Image（影像）：影像是由一个或多个波段组成的二维数组。它表示了特定区域上某一时刻或时间序列内各种属性或特征分布情况。例如，在遥感领域，一张卫星图像就可以看作是具有多个波段（如红、绿、蓝）的影像。 Image Collection（影像集合）：影像集合是由多个相似结构和内容的图像组成，并按时间顺序排列形成序列。这些图像可能来自于不同日期、传感器或场景，并
【GEE】基于GEE可视化和下载Landsat8 L2A数据（镶嵌、裁剪）
Remote Sensing迷途小书童
02-01 2689
今天给大家带来的是基于GEE的Landsat8 L2A数据去云、镶嵌、裁剪代码，直接导入研究区的矢量即可下载中值合成后的影像（一景）。这几篇文章都是类似的，所以我的排版都一样，但是东西精华就行。我懒得去搞那些花里胡哨的东西，博文基本都是实用性的！
【亲测免费】 GEE Google Earth Engine 批量裁剪下载 MODIS 数据
gitblog_09700的博客
10-15 543
GEE Google Earth Engine 批量裁剪下载 MODIS 数据 去发现同类优质开源项目:https://gitcode.com/ 本资源文件提供了一个用于在 Google Earth Engine (GEE) 平台上批量裁剪和下载 MODIS 数据集中的 NDVI 数据的代码。该代码使用简单方便，能够高效地处理大量数据，并确保完美运行。 功能描述 数据源：MODIS 数据集中的 ...
GEE 导入shp数据-裁剪影像
qq_32649321的博客
02-14 1万+
Importing Table Data：https://developers.google.com/earth-engine/guides/table_upload 1.需要注意在导入shp文件时，需要将包含.shp, .dbf, .shx, .prj四个文件压缩成zip文件再导入。
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')} ); ``` ---
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