GEE(1):GEE 影像去云（Sentinel-2）

最新推荐文章于 2025-09-29 16:51:07 发布
原创 最新推荐文章于 2025-09-29 16:51:07 发布 · 3.3k 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-NC-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#GEE

本文介绍了一种使用Sentinel-2卫星影像的QA60波段进行云和薄纱云识别及去除的方法。通过位操作和掩膜更新,实现了有效去除云层干扰,提高遥感影像分析精度。

Sentinel-2

function rmCloudByQA(image) {
  var qa = image.select('QA60');
  var cloudBitMask = 1 << 10;
  var cirrusBitMask = 1 << 11;
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
               .and(qa.bitwiseAnd(cirrusBitMask).eq(0));
  return image.updateMask(mask);}

 

GEE案例教程：使用 Sentinel-1 和 Sentinel-2 卫星影像监测洪水情况
此星光明博客
07-14 389
这篇摘要介绍了利用Sentinel-1和Sentinel-2卫星影像监测伯利兹洪水的技术方案。研究通过Google Earth Engine平台分析不同时间点的卫星影像（2020年5月15日、27日和6月8日），采用VH波段进行变化检测，并结合邻域中位数处理提高精度。脚本实现了多时相影像对比、云掩膜处理和变化区域识别（阈值设为0.2）等功能，同时支持假彩色合成显示。分析区域聚焦伯利兹特定坐标点（-88.5967, 18.1423），使用自定义模块处理本地数据，最终生成包含三个时间点变化情况的可视化结果。
GEE APP:利用 Sentinel-2 和 Sentinel-1 数据进行稻田（大米）监测与聚类分析的可视化交互式应用
此星光明博客
04-30 246
我们将分析2019年到2020年这段时间的数据。// 定义时间范围// 开始日期// 结束日期通过本篇博客，我们展示了如何利用 Sentinel-2 和 Sentinel-1 数据进行稻田监测与聚类分析。我们计算了 NDVI 和 VH 波段，并通过 KMeans 聚类算法对稻田进行分类。这些信息对于农业监测和管理具有重要意义。
Google Earth Engine（GEE）——单景S2（sentinel2）影像去云分析
此星光明博客
03-05 1042
【代码】Google Earth Engine（GEE）——单景S2（sentinel2）影像去云分析。
GEE去云处理代码段解读（位运算）
jiekeheiguanglan的博客
03-09 1980
GEE去云处理代码段解读，包含位运算符号解读、bitwiseAnd()函数、eq()函数解读
使用Google Earth Engine下载Sentinel-2影像数据
2301_79383897的博客
09-29 445
本文介绍使用Google Earth Engine下载Sentinel-2卫星影像的方法，重点解析了6种影像合成方案。主要内容包括：1）设置ROI区域；2）定义导出函数；3）生成时间序列；4）核心处理部分。详细比较了中值、均值、最大值、最小值等合成方案的优缺点及适用场景，并提供了完整代码实现。该技术可高效获取处理大范围遥感数据，为地学研究提供支持。
GEE代码编程影像去云操作.txt
08-23
GEE代码编程影像去云操作.txt
GEE：Sentinel-2去云，cloudBitMask = 1 ＜＜ 10，bitwiseAnd(1＜＜5)的含义，去云，位运算
养乐多的博客
10-17 6422
粗浅理解 比如Sentential2数据的 ‘QA60’ 波段，包含Opaque clouds不透明的云和Cirrus clouds卷云 ① qa.bitwiseAnd(cloudBitMask).eq(0) 表示选择cloudBitMask 比特位为10的数据左移一位，并且让bit10位置的值等于0，这样就生成了云掩膜。 ② qa.bitwiseAnd(cirrusBitMask).eq(0) 表示选择 cirrusBitMask 比特位为11的数据左移一位，并且让bit11位置等于0，这样生成了卷云的掩
【GEE】Sentinel-2 最新去云方法总结
TwcatL
12-06 3082
观察这段代码，有一点需要注意的是：调用去云方法rmCloudByScore(image, threshold)需要传入两个参数，一个是影像另外一个是识别云的阈值（也就是大于多大的值就认为是云，范围是0-100）。还有就是调用这个方法之间首先需要将影像的波段做缩放和将波段名称重新命名为指定的名称，这是因为这个算法内部主要逻辑方法_cloudScore(xxx)它内部计算时候取的都是特殊值，具体参考上述代码。这段代码中去云的方法是：rmCloudByQA()其他的代码也都是基础代码，我就不在过多解释。
遥感领域多源卫星数据融合分析：基于Google Earth Engine的Sentinel-1与Sentinel-2长时间序列地表参数反演及可视化系统实现
最新发布
12-02
内容概要：该文档提供了一个基于Python的完整脚本，用于从Google Earth Engine（GEE）平台提取指定地理位置的Sentinel-1（雷达）和Sentinel-2（光学）卫星遥感数据，并生成时间序列分析结果与可视化图表。...
GEE案例：基于entinel-2 和 Sentinel-1 SAR 图像绘制埃塞俄比亚青尼罗河上游山区流域小农灌溉区分类分析
此星光明博客
09-01 460
要加强对国家有限水资源的监控和管理，就必须提高灌溉面积测绘的精确度。本研究比较了谷歌地球引擎平台上的机器学习算法、分类和回归树（CART）、梯度树提升（GTB）、随机森林（RF）和支持向量机（SVM）。研究使用哨兵-2 多光谱和哨兵-1 合成孔径雷达卫星数据对 2021/22 年灌溉季节的小农灌溉区进行分类。根据投入和农业生态对方法的准确性进行了评估。通过纳入月度合成孔径雷达和植被指数数据，准确度得到了提高。
遥感监测基于NDWI的水体提取模型：印度奇尔卡湖2023年Sentinel-2影像水体面积统计与矢量制图
11-13
内容概要：本文基于Google Earth Engine（GEE）平台，利用2023年Sentinel-2遥感影像对印度奥里萨邦的奇尔卡湖（Chilka Lake）进行水体范围制图与面积统计分析。通过加载研究区矢量边界（AOI），筛选云量低于10%的...
GEE代码编程时间序列的数据合成操作.txt
08-23
GEE代码编程时间序列的数据合成操作.txt
GEE4：CFMASK算法进行去云处理
amyniez的博客，欢迎交流讨论
09-03 2927
landsat 5：该数据集包含由 Landsat TM 传感器产生，经过大气校正的地表反射率（SR）和地表温度（LST）数据。这些图像包含4 个可见和近红外 (VNIR) 波段，以及 2 个处理为正射校正表面反射率的短波红外 (SWIR) 波段，以及一个处理为正射校正表面温度的热红外 (TIR) 波段。它们还包含用于计算 ST 产品的中间波段以及QA 波段。Landsat 4 和 5 SR 产品是使用 Landsat 生态系统干扰自适应处理系统 (LEDAPS) 算法（版本 3.4.0）创建的。
GEE：哨兵数据下载（去云、按年度、中值合成）
养乐多的博客
03-11 9664
var district = table; var dsize = district.size(); var district_geometry = district.geometry(); print(dsize); Map.centerObject(district_geometry,12); function maskS2clouds(image) { var qa = image.select(‘QA60’); // Bits 10 and 11 are clouds and cirrus, res
Google Earth Engine（GEE）——Landsat8 TOA 影像去云
此星光明博客
07-23 4445
上一篇文章写了如何去除Landsat 8 SR数据，这一片主要是讲一下如何去除Landsat8 TOA 影像。 除云前影像： 除云后影像： 代码： // 建立函数还是选择BQA波段 var maskL8 = function(image) { var qa = image.select('BQA'); //检查云层位是否关闭，设置让它回归到1，变成0 // See https://www.usgs.gov/land-resources/nli/landsat/landsat..
Google Earth Engine（GEE）学习笔记1.影像加载去云筛选导出
ZZSOGA的博客
09-21 1764
加载影像 //加载Landsat8 var l8 = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR") //加载sentinel var imageCollection = ee.ImageCollection("COPERNICUS/S1_GRD"), var imageCollection2 = ee.ImageCollection("COPERNICUS/S2"), var imageCollection3 = ee.ImageCollection("COPER
Google Earth Engine（GEE）——Landsat4/5/7 SR数据除云
此星光明博客
07-22 8101
Landsat4/5/7 SR数据除云是我们进行波段计算必须要进行的一项工作，这样能更加准确的获取波段信息，所以我们今天来简单介绍除云。当然除云后会有空白板块的出现，这是在所难免的，至于影像色差如何取补，可以点击连接访问： GEE（Google Earth Engine）消除影像色差——直方图匹配算法！_此星光明的博客-优快云博客 自己对比看两张影像的差距 从QA波段中获取信息，并且把条件设置好：如果设置了云位（5）并且云置信度（7）高或者云阴影位被设置 (3)，那么它就是一个坏像素。..
gee去云处理Landsat、Sentinel和Modis影像
05-19 9888
gee去云处理Landsat、Sentinel和Modis影像 1.Landsat 和 MODIS影像的去云函数 function cloudfree_mod09a1(image){ var qa = image.select('StateQA') var cloudState = bitwiseExtract(qa, 0, 1) var cloudShadowState = bitwiseExtract(qa, 2) var cirrusState = bitwiseExtract(qa
gee 获取时间序列
04-25 1699
gee 获取时间序列 import ee ee.Authenticate() ee.Initialize() collection = ee.ImageCollection('NASA/FLDAS/NOAH01/C/GL/M/V001') taken = collection.filterDate('2019-01-01', '2019-12-31').sort('system:time_start', False) poi = ee.Geometry.Point([112.621391, -7.983
GEE联合多源时序遥感数据下载：以Landsat-8和Sentinel-2为例
04-17
<think>好的，用户的问题是如何在GEE中下载和处理Landsat-8和Sentinel-2的多源时序遥感数据。我需要结合之前的回答和提供的引用内容来给出详细的步骤和建议。 首先，用户之前已经了解了影像合成的方法和工具，特别是GEE的使用。现在他们想具体实施下载和处理。我需要分步骤解释，从数据选择、预处理到合成导出，确保每个环节都覆盖关键点，比如去云、辐射校正、时空配准等。 然后，查看用户提供的引用文献，特别是引用[1]和[3]提到了使用机器学习方法进行作物分类和Sentinel-1/2数据融合，这可能对处理多源数据有帮助。但用户当前需求是下载和处理，所以可能需要参考引用[2]中提到的数据融合分析步骤。 需要注意用户可能存在的深层需求，例如处理后的数据用于何种分析（如农业监测或变化检测），但用户没有明确说明，所以保持通用流程。同时，用户可能需要代码示例，如JavaScript或Python，但根据之前的回答，GEE主要使用JavaScript，但也可以通过Python的geemap库操作，所以需要提供两种示例。 需要确保回答结构清晰，步骤分明，涵盖数据筛选、预处理、合成方法、导出等关键步骤，并引用相关文献中的方法，比如去云处理使用QA波段，辐射校正使用TOA或BOA，以及时间序列合成方法如中值合成和NDVI最大值合成。 另外，用户提到多源时序数据，可能需要融合Landsat和Sentinel的数据，解决分辨率差异和波段匹配的问题，参考之前的解决方案，比如空间重采样和波段对应表转换。 最后，生成的相关问题需要与当前主题紧密相关，帮助用户进一步解决可能遇到的问题，如数据融合、云处理优化或机器学习应用。</think>#### 一、GEE中Landsat-8与Sentinel-2数据下载与处理全流程 以下步骤基于Google Earth Engine平台，结合多时相数据融合的最佳实践[^1][^3]： --- ##### **1. 数据筛选与加载** - **定义时空范围** ```javascript var geometry = ee.Geometry.Point([经度, 纬度]).buffer(10000); // 定义10公里缓冲区 var startDate = '2023-01-01'; var endDate = '2023-12-31'; ``` - **加载数据集** ```javascript // Landsat-8地表反射率数据（已辐射校正） var landsat = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterDate(startDate, endDate) .filterBounds(geometry) .select(['SR_B.*'], ['B2','B3','B4','B5','B6','B7']); // 重命名波段与Sentinel-2对齐 // Sentinel-2地表反射率数据（BOA） var sentinel = ee.ImageCollection('COPERNICUS/S2_SR') .filterDate(startDate, endDate) .filterBounds(geometry) .select(['B2','B3','B4','B8','B11','B12']); // 蓝、绿、红、NIR、SWIR1、SWIR2 ``` --- ##### **2. 数据预处理** - **去云处理** - **Sentinel-2**：利用`QA60`波段或`SCL`分类波段 ```javascript function maskS2Clouds(image) { var scl = image.select('SCL'); var cloudMask = scl.neq(8).and(scl.neq(9)); // 排除云（SCL=8/9） return image.updateMask(cloudMask); } sentinel = sentinel.map(maskS2Clouds); ``` - **Landsat-8**：使用`QA_PIXEL`波段 ```javascript var cloudBitMask = 1 << 3; // 云置信度位掩码 var landsatMask = function(image) { var qa = image.select('QA_PIXEL'); var mask = qa.bitwiseAnd(cloudBitMask).eq(0); return image.updateMask(mask); }; landsat = landsat.map(landsatMask); ``` - **空间分辨率对齐** 将Landsat-8重采样至10米分辨率（与Sentinel-2高分辨率波段对齐）： ```javascript landsat = landsat.map(function(image) { return image.resample('bilinear').reproject({crs: 'EPSG:4326', scale: 10}); }); ``` --- ##### **3. 多源时序数据合成** - **方法一：中值合成法** ```javascript var landsatComposite = landsat.median().clip(geometry); var sentinelComposite = sentinel.median().clip(geometry); ``` - **方法二：NDVI最大值合成（适用于植被分析）** ```javascript var addNDVI = function(image) { var ndvi = image.normalizedDifference(['B8','B4']).rename('NDVI'); // Sentinel-2 NDVI return image.addBands(ndvi); }; sentinel = sentinel.map(addNDVI); var sentinelMaxNDVI = sentinel.qualityMosaic('NDVI'); // 选择NDVI最高的像元 ``` - **多源数据融合（以Landsat补全Sentinel空缺）** ```javascript var fusedCollection = sentinel.merge(landsat); // 合并数据集 var fusedComposite = fusedCollection.median(); ``` --- ##### **4. 数据导出** - **导出至Google Drive** ```javascript Export.image.toDrive({ image: fusedComposite, description: 'L8_S2_Fused_2023', scale: 10, region: geometry, maxPixels: 1e13 }); ``` --- #### 二、关键问题解决方案 | **挑战** | **GEE实现方法** | |-------------------------|---------------------------------------------------------------------------------| | **传感器波段差异** | 使用`spectralResample()`将Landsat波段转换为Sentinel等效响应函数[^1] | | **时间序列间断** | 应用`linearInterpolation()`对缺失时段进行插值 | | **辐射一致性校正** | 采用`ee.Algorithms.Landsat.simpleComposite()`自动TOA校正与波段匹配 | --- #### 三、Python本地化处理（可选） 若需本地处理导出的数据，可使用以下工具链： ```python import ee import geemap import rasterio # 初始化GEE ee.Initialize() # 下载数据至本地 geemap.ee_export_image(fusedComposite, filename='fusion.tif', scale=10, region=geometry) # 使用xarray处理时序数据 ds = xr.open_dataset('fusion.tif') ds = ds.where(ds != 0) # 去除无效值 ``` --- ### 相关问题 1. 如何在GEE中处理Sentinel-2和Landsat-8的波段不匹配问题？ 2. 导出大数据量遥感影像时如何优化GEE的任务队列？ 3. 多源时序数据融合后如何进行机器学习分类（如作物识别）[^1]？
评论
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
表情包 代码片
 条评论被折叠 查看
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