基于GEE的Sentinel-1影像逐日水体提取与自动化导出方法

最新推荐文章于 2025-09-21 18:54:47 发布

原创

最新推荐文章于 2025-09-21 18:54:47 发布 · 1.2k 阅读

28 ·

CC 4.0 BY-SA版权

文章标签：

#遥感 #GEE #地理信息 #信息可视化 #sentinel

针对某同学提出的“逐日下载水体提取结果（MNDWI结合Otsu算法）”需求，本文提出一种基于Google Earth Engine（GEE）平台的解决方案。考虑到逐日监测对数据连续性的高要求（光学影像易受云遮挡影响），采用Sentinel-1雷达影像作为数据源，结合Otsu阈值分割算法实现水体提取，并通过编程实现结果的自动化导出。该方法的核心逻辑可迁移至MNDWI数据处理中，为相关研究提供技术参考。（大家可以继续提一些想学的内容，大家互相交流，也请大家可以的话推荐推荐我的公众号给需要的人。）

方法选择依据

数据源选择：Sentinel-1雷达影像的优势

在逐日水体监测中，数据源的时间连续性和稳定性是关键约束条件。Sentinel-1系列合成孔径雷达（SAR）影像具有以下优势：

全天时全天候观测能力：不受云层、降水及昼夜条件影响，可稳定获取数据，避免光学影像因云污染导致的有效数据缺失问题；
较高时间分辨率：通过Sentinel-1A与1B双星组网，可实现6天的重访周期，配合时间缓冲策略能满足逐日提取需求；
水体敏感性：VV极化模式下，水体因表面平滑表现为低后向散射特征，与非水体地物（如植被、建设用地）的灰度差异显著，便于后续分割。

分割算法：Otsu阈值法的适用性

Otsu算法（大津法）作为一种自适应阈值分割方法，无需人工设定阈值，其核心原理是通过最大化类间方差确定最优分割阈值，可有效区分水体与非水体地物。该算法对SAR影像的灰度分布特征适应性较强，能减少因区域差异或时间变化导致的阈值调整成本，适合批量自动化处理。

技术流程与实现代码

1. 基础参数设置

定义研究区范围与时间区间，作为后续数据处理的基础约束条件：

// 研究区定义（替换为目标区域矢量边界）
var roi = ee.FeatureCollection("projects/ee-hllutlu2024/assets/baoding_xian");
Map.centerObject(roi, 9); // 地图定位至研究区

// 时间范围设置（根据研究需求调整）
var startDate = '2023-12-02';
var endDate = '2023-12-04';

2. Sentinel-1影像获取与预处理

为解决单日影像缺失问题，设计时间缓冲机制获取目标日期前后2天内的可用影像，并进行降噪处理：

2.1 影像筛选函数

function getS1(date) {
   
   
  // 构建目标日期±2天的时间窗口，提高数据获取成功率
  var start = ee.Date(date).advance(-2, 'day');
  var end = ee.Date(date).advance(2, 'day');
  // 筛选符合条件的影像
  var col = ee.ImageCollection('COPERNICUS/S1_GRD')
    .filterBounds(roi) // 空间范围过滤
    .filterDate(start, end) // 时间范围过滤
    .filter(ee.Filter.eq('orbitProperties_pass', 'ASCENDING')) // 升轨影像（可根据研究区调整）
    .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV')) // 保留VV极化
    .sort('system:time_start'); // 按时间排序
  return col.first(); // 返回时间最早的可用影像
}

2.2 影像降噪处理

SAR影像存在斑点噪声，需通过滤波消除以提高后续分割精度：

// 以单日影像为例：裁剪与降噪
var img = getS1(currentDate); // currentDate为循环中的单日日期
var vv = img.select('VV').focal_median(20, 'circle', 'meters').clip(roi); // 首次滤波去除大噪声
var vv_denoised = vv.focal_median(15, 'circle', 'meters'); // 二次滤波平滑影像

3. Otsu阈值分割算法实现

基于影像灰度直方图特征，通过Otsu算法计算最优分割阈值，实现水体与非水体的自动区分：

3.1 Otsu算法核心函数

function otsu(histogram) {
   
   
  var counts = ee.Array(histogram.get('histogram')); // 灰度值频数数组
  var means = ee.Array(histogram.get('bucketMeans')); // 灰度值中心数组
  var size = means.length().get([0]); // 灰度级数量
  var total = counts.reduce('sum', [0]).get([0]); // 总像素数
  var sum = means.multiply(counts).reduce('sum', [0]).get([0]); // 灰度值总和
  var mean = sum.divide(total); // 总均值
  
  // 计算各类间方差并确定最优阈值
  var between = ee.List.sequence(1, size).map(function(i) {
   
   
    i = ee.Number(i);
    // 计算两类权重
    var w0 = counts.slice(0, 0, i).reduce('sum',