【数据修复指南】手把手教你使用线性插值填补各类遥感数据缺失—Modis、Landsat和Sentinel

已于 2024-09-29 15:51:43 修改
阅读量1.2k 收藏 14
点赞数 17
分类专栏： 地学科研 文章标签： 教程 线性插值 GEE GIS 遥感数据 MODIS Landsat
于 2024-09-28 20:44:57 首次发布
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/amyniez/article/details/142442549
版权

线性插值

1. 写在前面

  之前我写了使用年内均值或者中值来填补数据控制的方法，这种方法较为简单，不够精确。因此，我在这里结合所学知识提供一种线性插值的方法。线性插值假设在两个已知数据点之间的数据变化是均匀的，通过直线连接这两个点，并据此估算中间点的值。这种方法在数据缺失较少且缺失点两侧都有有效数据时效果较好。
  本研究以成都市成华区作为感兴趣区，选择MODIS和Landsat8数据进行线性插值。

研究区：
在这里插入图片描述

2. MODIS数据插值

  MOD09Q1产品只有红光（sur_refl_b01）和近红外（sur_refl_b02）两个波段的地表反射率数据。但是空间分辨率为250m，相对较高。
  这种方法是从相关公众号学到的，代码如下：


                

                
                
        

        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        


    



                



	

		

			

				
					
GEE：应用遥感影像时空插值技术的实践（插值填补去云空洞）

				
			

			

				

					养乐多的博客
				

				

					04-11
					
					1万+
					
				

			

		

		

			
				
本文介绍了几个GEE平台中处理遥感数据中的缺失值代码片段，这些代码可以用于时间序列线性插值，提供更加连续和完整的时间序列。第一段代码是一个线性插值函数，它能够在一个时间序列图像集合中对缺失数据进行插值。该函数使用了 GEE 平台中的图像集合操作函数和图像合成函数，并采用了线性插值方法对缺失值进行处理，最后返回一个插值后的图像集合。第二段代码是一个掩模替换函数，它的作用是将原始影像中的某些值（如缺失值）用一个新值替换。

			
		

	



                

            
              



	

		

			

				
					
GEE python:Landsat影像的重采样（双线性插值或双三次插值）和重投影（MODIS影像）

				
			

			

				

					此星光明博客
				

				

					07-31
					
					1383
					
				

			

		

		

			
				
安装地球引擎API和geemap安装地球引擎的Python API和geemap。geemap Python包是建立在ipyleaflet和folium包之上的，它实现了几个与地球引擎数据层交互的方法，比如Map.addLayer()、Map.setCenter()和Map.centerObject()。下面的脚本检查geemap包是否已经安装。如果没有，它将安装geemap，它会自动安装其依赖项，包括earthengine-api、folium和ipyleaflet。

			
		

	



              


  
              

                


	

		

			

				
					
【数据优化】GEE基于年内数据填补遥感缺失数据

				
			

			

				

					amyniez的博客，欢迎交流讨论
				

				

					09-22
					
					1332
					
				

			

		

		

			
				
在遥感影像分析中，我们经常会遇到由于云层遮挡、传感器故障等多重因素导致的图像数据缺失问题。为了解决这一挑战，常用的技术包括利用一年内数据的均值或最小值进行填充，以及采用线性插值等方法。在本文中，我们将探索如何借助 Google Earth Engine (GEE) 这一强大工具，以简洁高效的方式实现这些数据填充技术。这里我先使用年内数据填充法对多年数据进行填充。

			
		

	





	

		

			

				
					
数据预处理实战：插值法填补缺失值与标记填充位置

				
			

			

				

					weixin_42405592的博客
				

				

					03-12
					
					1752
					
				

			

		

		

			
				
本文还有配套的精品资源，点击获取
 
 


 简介：在人工智能和机器学习中，数据预处理是关键环节，尤其是处理缺失值。本项目专注于使用插值法填补缺失值，并标记填充位置以保障数据完整性和模型可解释性。插值技术包括线性插值、最近邻插值、多项式插值和样条插值等，它们根据数据的不同特性选用。通过Python的
 
  pandas
 
 库实现插值，并创建新列来标记填充位置，进而提升数据处理和机...

			
		

	



		

			
		



	

		

			

				
					
GEE（8）：使用MODIS填补由去云后的Landsat影像计算得到的NDVI数据

				
			

			

				

					qq_44894692的博客
				

				

					07-31
					
					6045
					
				

			

		

		

			
				
最近想要在GEE中使用Landsat影像计算一下广州的NDVI值，发现这片区域云覆盖较多，去云以后部分月份的数据很少，就造成NDVI计算结果缺失的问题。经过查阅相关资料，可以。主要用到了GEE中的.blend()函数。....

			
		

	





	

		

			

				
					
Google Earth Engine（GEE）-MODIS去云后插值后影像来弥补，没有效果怎么办？含代码

				
			

			

				

					04-22
				

			

		

		

			
				
这个代码就是当我们再对影像进行插值对去云的影像进行弥补的时候，很多时候影像出不来结果，所以我们要改变我们的插值影像的时间，这样增加影像的时间，以便更多的影像用于插值。采用days=30天的时候，结果还是没有出来，说明对于影像无法弥补 ，我们增加日期，可以选择3个月或者100天等作为插值影像的时间。并且有几个月没有未遮罩的像素的位置。增加天数会有所帮助。另一个技巧是将集合添加到地图并检查像素。这将显示整个时间序列，可以帮助您可视化问题。这里我们可以把前后30天影像扩大到1年，这样可以有效的将我们的所用的影像给多多利用起来。

值得注意的一点是我这个里面没有放入研究区的，大家需要将研究区ncr改为自己的区域，另外，研究区的格式是矢量集合，而不是默认的geometry几何状态。

			
		

	





	

		

			

				
					
序列数据缺失值插补（线性插值）

					
热门推荐

				
			

			

				

					weixin_42155937的博客
				

				

					11-19
					
					1万+
					
				

			

		

		

			
				
本文以 2018年 MOD09A01 地表反射率数据计算的 8天合成 46期 NDVI 数据为基础（已完成去云处理，有云时段的数据已赋值为 NaN，部分数据做了微调，以符合本文的内容），选取 一个样点（样点经度：123°4′0.87″，纬度：42°56′45.75″），完成时序有云数据（缺失值）的插补。

			
		

	





	

		

			

				
					
GEE错误——Landsat 9 数据集（LANDSAT/LC09/C02/T1_L2）ST_10波段缺少影像问题如何处理

				
			

			

				

					此星光明博客
				

				

					03-11
					
					1880
					
				

			

		

		

			
				
Landat 9的数据集是由卫星传感器记录并传输的。ST_10波段是其中一个波段，但是如果这个波段的影像数据缺失，可能是由于各种原因导致的。以下是一些可能导致ST_10波段影像数据缺失的原因：1. 传感器故障：可能是传感器在记录或传输过程中发生了故障，导致无法正确记录ST_10波段的数据。2. 数据传输错误：在数据传输过程中，可能发生了错误，导致ST_10波段的数据没有正确传输到数据集中。3. 缺少数据处理：在数据处理过程中，可能出现了错误或缺失，导致ST_10波段的影像数据没有正确处理或保存。

			
		

	





	

		

			

				
					
MODIS/Landsat/Sentinel下载教程详解【常用网站及方法枚举】

				
			

			

				

					twg666的博客
				

				

					09-18
					
					2417
					
				

			

		

		

			
				
掌握MODIS/Landsat/Sentinel遥感数据的常用网站及下载方法，对于促进科学研究、提升环境监测能力、指导灾害应急响应及促进可持续发展等方面具有深远的意义。

			
		

	





	

		

			

				
					
modis安徽省积雪遥感数据（已裁剪处理）

				
			

			

				

					04-06
				

			

		

		

			
				
在本案例中，我们讨论的是关于MODIS在安徽省的积雪遥感数据，这些数据已经过裁剪处理，更加专注于该地区的特定信息。  积雪遥感是通过遥感技术对地表覆盖的雪层进行监测，提供雪深、雪覆盖面积、雪水当量等关键参数...

			
		

	





	

		

			

				
					
遥感技术基于谷歌地球引擎的MODIS中NDVI和NDWI数据自动化下载与处理

					
最新发布

				
			

			

				

					04-29
				

			

		

		

			
				
内容概要：本文档提供了一套基于谷歌地球引擎（GEE）自动化下载并处理MODIS中NDVI和NDWI数据自动化下载与处理的Python脚本。首先介绍了如何初始化GEE，包括认证与初始化步骤。接着定义了计算NDVI（归一化植被指数）...

			
		

	





	

		

			

				
					
MODIS，Landsat，Sentinel卫星遥感影像的详细介绍（持续更新······）

				
			

			

				

					SZ_NG的博客
				

				

					07-05
					
					4540
					
				

			

		

		

			
				
MODIS，Landsat，Sentinel等遥感影像详细介绍

			
		

	





	

		

			

				
					
MODIS、Landsat等遥感影像批量空间插值Matlab代码

				
			

			

				

					06-08
				

			

		

		

			
				
研究生期间自己写的遥感影像批量空间插值Matlab程序，给大家分享一下

			
		

	





	

		

			

				
					
填补缺失数据：插值法、拟合法

				
			

			

				

					semon_的博客
				

				

					07-14
					
					895
					
				

			

		

		

			
				
介绍比较常见的插值法优缺点，但我们在建模中主要用到两类——埃尔米和样条，其他不用可略。高中学过的一元线性回归与插值法的区别：不用经过所有的点首先确定拟合曲线，然后求参利用最小二乘法求解参数评估拟合的好坏，可以直接用最小二乘法，算出误差SSE，或者用R方。

			
		

	





	

		

			

				
					
LANDSAT/LC08/C02/T1_L2数据集ST_B10波段数据缺失_LST计算缺失_RSEI缺失

				
			

			

				

					Molly1A2B的博客
				

				

					07-03
					
					3203
					
				

			

		

		

			
				
LANDSAT/LC08/C02/T1_L2数据集ST_B10波段数据缺失_LST计算缺失_RSEI缺失，可能是Landsat SR collection2数据 ASTER数据的原因

			
		

	





	

		

			

				
					
基于Landsat和MODIS进行多波段融合（反射率、地表温度）

				
			

			

				

					weixin_44021581的博客
				

				

					09-13
					
					1849
					
				

			

		

		

			
				
landsat去云后，缺失数据比较多，希望用MODIS数据进行填补，更准确的术语是：数据融合（data fusion）。具体来说是用，MCD43A4的反射率、地表温度去插补Landsat 8 的反射率和地表温度，示例的时间选为2017年的5-7月。

			
		

	





	

		

			

				
					
从0开始学GEE python——从 MODIS 数据集中获取 EVI 数据，对其进行克里金插值插值，并将结果可视化在地图上

				
			

			

				

					此星光明博客
				

				

					12-30
					
					764
					
				

			

		

		

			
				
使用指定的经纬度坐标创建一个多边形，定义感兴趣区域。这段代码的主要功能是从 MODIS 数据集中获取 EVI 数据，对其进行插值，并将结果可视化在地图上。通过这种方式，用户可以直观地查看特定区域内的植被指数变化。

			
		

	





	

		

			

				
					
超简单实用的MODIS图像批量镶嵌拼接方法（IDL/ENVI）

				
			

			

				

					R语言与生物信息学
				

				

					04-23
					
					1万+
					
				

			

		

		

			
				
要编程才能进行的图像镶嵌拼接工作肯定是因为文件多，工作量大，手工操作几乎无法完成。前辈们已经编写过用IDL/ENVI进行图像镶嵌的程序，粘贴了几个来试用后总感觉得到的结果赶不上用ENVI手工操作的结果，虽然这些程序也使用了ENVI的mosaic_doit方法。ENVI中的mosaicing到底是不是用mosaic_doit来做的啊？不管那么多，既然ENVI能做得好，搬用它的套路来做吧。用mosai

			
		

	





	

		

			

				
					
GEE像元线性插值MODIS

				
			

			

				

					03-25
				

			

		

		

			
				
<think>好的，我现在需要帮助用户在Google Earth Engine（GEE）中实现对MODIS数据的像元线性插值。首先，我得了解用户的具体需求。MODIS数据通常有时间序列，但因为云层覆盖或传感器问题，某些像元可能缺失数据。用户希望通过线性插值填补这些缺失值，生成连续的时间序列。

首先，我应该考虑GEE中处理时间序列的常用方法。线性插值通常涉及到对每个像元在不同时间点的观测值进行插值，所以需要按时间排序，并找到缺失点前后的有效值。GEE的ee.ImageCollection结构如何处理这样的时间序列？可能需要将图像集合转换为每个像元的时间序列，然后对每个时间序列进行处理。

接下来，我需要回忆GEE中是否有内置的插值函数。例如，ee.ImageCollection的线性插值方法，或者是否需要自定义函数。根据之前的知识，GEE没有直接的线性插值函数，但可以通过时间序列的图像集合，使用邻近观测值进行插值。例如，使用前后两个有效观测值，计算时间权重，进行线性插值。

然后，具体步骤可能包括：加载MODIS数据集，过滤时间范围和区域，然后对每个像元的时间序列进行插值。这里需要用到map函数，遍历每个图像，找到该时间点前后的有效值，计算插值后的值。需要注意的是，如何处理图像集合中的掩膜（如云掩膜），确保插值基于有效数据。

另外，用户可能还需要了解如何应用云掩膜，例如使用MODIS的QA波段来识别无效数据。在预处理步骤中，应该先去除云覆盖的影响，将无效像元标记为NaN，这样在插值时可以识别这些位置并进行填补。

然后，编写代码的大致流程可能是：加载MODIS数据集，应用云掩膜，将图像集合转换为时间序列，定义插值函数，对每个时间点的缺失值进行线性插值。可能需要使用join方法将前后图像连接起来，计算时间差和值差，然后插值。

需要注意的是，GEE是处理栅格数据的，每个像元独立处理，因此需要针对每个像元的时间序列进行操作。这可能涉及到将图像集合转换为数组图像，然后使用数组处理函数进行插值。例如，使用ee.ImageCollection.toArray()方法将时间序列转为数组，再在数组上进行插值运算。

可能的难点包括：如何处理时间序列的开始和结束处的缺失值，这时可能没有前后两个有效值，只能进行外推或者留空。此外，计算效率也是一个问题，大规模数据可能需要分块处理或优化算法。

最后，我应该验证这个方法的正确性，比如引用GEE官方文档或相关的教程，确保建议的方法符合GEE的最佳实践。同时，考虑用户可能需要调整参数，如时间窗口的大小或插值方法，所以应该给出可定制的代码示例，并解释各部分的作用，方便用户修改。</think>在Google Earth Engine (GEE) 中实现MODIS数据的像元级线性插值，可通过以下步骤完成：

### 步骤说明
1. **加载MODIS数据集**：选择需要处理的MODIS产品（如MOD09GA），并过滤时间范围和区域。
2. **预处理与云掩膜**：利用QA波段识别无效像元（如云覆盖），将其设为`NaN`以便后续插值。
3. **构建时间序列**：将图像集合转换为时间序列数组，记录每个像元的时间戳。
4. **定义插值函数**：通过前后有效观测值的时间差和数值差，计算线性插值权重。
5. **应用插值**：对每个时间点的缺失值执行插值计算，生成连续数据集。

### 示例代码
```javascript
// 加载MODIS地表反射率数据
var modis = ee.ImageCollection('MODIS/006/MOD09GA')
  .filterDate('2020-01-01', '2020-12-31')
  .filterBounds(geometry); // geometry为研究区域

// 定义云掩膜函数（以MOD09GA的state_1km波段为例）
var maskClouds = function(image) {
  var qa = image.select('state_1km');
  var cloudMask = qa.bitwiseAnd(1 << 10).eq(0); // 根据QA标识云
  return image.updateMask(cloudMask);
};

var masked = modis.map(maskClouds);

// 转换为时间序列数组
var arrayImage = masked.toArray('sur_refl_b01'); // 选择特定波段

// 定义线性插值函数
var interpolate = function(image) {
  var time = ee.Image(image.get('system:time_start')).rename('time');
  var withTime = image.addBands(time);
  return withTime;
};

var withTime = masked.map(interpolate);

// 连接前后影像以获取邻近观测值
var joined = ee.Join.saveAll({
  matchesKey: 'before',
  ordering: 'system:time_start',
  ascending: false
}).apply({
  primary: withTime, 
  secondary: withTime, 
  condition: ee.Filter.lessThan({
    leftField: 'system:time_start',
    rightField: 'system:time_start'
  })
});

// 计算插值值
var interpolated = joined.map(function(image) {
  var beforeImages = ee.List(image.get('before'));
  var afterImage = ee.Image(beforeImages.get(0)); // 获取最近的前后影像
  // 计算时间差和反射率差值
  var timeDiff = afterImage.select('time').subtract(image.select('time'));
  var valueDiff = afterImage.select('sur_refl_b01').subtract(image.select('sur_refl_b01'));
  var slope = valueDiff.divide(timeDiff);
  var interpValue = image.select('sur_refl_b01')
    .add(slope.multiply(timeDiff));
  return image.select('sur_refl_b01').where(image.select('sur_refl_b01').isNaN(), interpValue);
});
```

### 关键说明
- **时间序列处理**：使用`toArray()`将时间序列转换为数组结构，便于按像元操作[^1]。
- **连接方法**：`ee.Join.saveAll()`用于获取邻近时间点的影像数据，为插值提供上下文。
- **权重计算**：通过时间差和数值差的比例确定插值斜率，实现线性插值逻辑。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		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
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
Jackson的生态模型

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
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