| GEE处理遥感空值（nodata）的方法 | 您所在的位置：网站首页 › arcgis nodata赋值为0 › GEE处理遥感空值（nodata）的方法 |
GEE处理遥感空值（nodata）的方法
|
GEE在进行掩膜以后，难免会出现空值（nodata），如果不进行处理就会影响后续的空间分析与数理统计。本文基于Sentinel-2和Sentinel-3提出一种线性回归插值处理操作。操作简单，只需几行代码。代码分析如下： varS2=ee.ImageCollection("COPERNICUS/S2_SR"), S3=ee.ImageCollection("COPERNICUS/S3/OLCI"), roi=ee.FeatureCollection("users/cdut/daying"), point= eometry.Point([105.2435311900359, 30.630392078811834]), S2_Cloud=ee.ImageCollection("COPERNICUS/S2_CLOUD_PROBABILITY"); // 建立去云函数 function CloudProbability(img,thread){ var prob = img.select('probability') return img.updateMask(prob.lte(thread)) } var startDay = '2020-11-5' var endDay = '2020-11-12' var cloudMask = S2_Cloud .filterDate(startDay,endDay) .filterBounds(point) .map(function (image){ return CloudProbability(image, 30); }) .first() var S2_ndvi = S2 .filterDate(startDay,endDay) .filterBounds(point) .sort('CLOUDY_PIXEL_PERCENTAGE') .map(function(img){ return img.normalizedDifference(['B8','B4']) }) .first() .updateMask(cloudMask) .rename('S2_ndvi') print(S2_ndvi,'S2_ndvi') var S2_mean = S2_ndvi.reduceRegion({reducer:ee.Reducer.mean(),geometry:roi.geometry()}) print(S2_mean,'S2_mean') var S3_ndvi = S3 .filterDate(startDay,endDay) .filterBounds(point) .map(function(img){ return img.normalizedDifference(['Oa17_radiance','Oa08_radiance']) }) .max() // .updateMask(cloudMask) .rename('S3_ndvi') var S3_mean = S3_ndvi.reduceRegion({reducer:ee.Reducer.mean(),geometry:roi.geometry(),crs:'EPSG:32648',scale:300,maxPixels:1e13}) print(S3_mean,'S3_mean') var scale = ee.Image.constant(S2_mean.get('S2_ndvi')).divide(ee.Image.constant(S3_mean.get('S3_ndvi'))) print(scale) var S3_ndvi_scale = S3_ndvi.multiply(scale) var newimg1 = S2_ndvi.unmask(S3_ndvi) var newimg2 = S2_ndvi.unmask(S3_ndvi_scale) Map.addLayer(S2_ndvi,{min:0,max:1},'S2_ndvi') Map.addLayer(S3_ndvi,{min:0,max:1},'S3_ndvi') Map.addLayer(newimg1,{min:0,max:1},'newimg1') Map.addLayer(newimg2,{min:0,max:1},'newimg2')结果显示： 1）原始影像ndvi去云后： 关注我们 微信公众号：GEE遥感训练营 专注GEE遥感算法，包括遥感影像下载、遥感影像制图、遥感GIS空间分析、遥感生态评价、遥感影像融合、去干扰等多元遥感云计算，并分享前沿GEE知识。 |
2）利用同时期的Sentinel-3影像ndvi插值以后： 
3）利用拉伸后的Sentinel-3影像ndvi插值以后： 
结果分析： 不同类型传感器的遥感影像存在系统差异，如果直接填充，容易形成团块状误差（图2），拉伸后可以减轻这种影响（图3）。当然，拉伸处理只是最简单的处理方式之一，想要更多关于遥感数据填充、融合的算法吗？【本文地址】
公司简介
联系我们