用Python和GEE导出Sentinel-2卫星影像

用Python和GEE导出Sentinel-2卫星影像

Sentinel-2 卫星提供了高分辨率的地表覆盖图像，广泛应用于农业监测、城市规划、环境变化分析等诸多领域。在 Google Earth Engine (GEE) 中，我们能够按特定地理范围导出这些影像，以支持更深入的研究和分析。

使用方法 💻

GEE 提供了一个强大的平台用于处理和导出 Sentinel-2 数据。本文将介绍如何利用 Python 与 GEE API 来按指定地理范围导出 Sentinel-2 卫星影像。

代码详解 🔍

下面是一个使用 Python 和 GEE API 导出 Sentinel-2 卫星影像的代码详解：

• 获取边界信息

aoi = ee.FeatureCollection(area_of_interest)
feature_count = aoi.size().getInfo()

这里加载了地理兴趣区域，并检查了这个区域是否包含有效的特征。如果没有任何特征，则会打印一条消息提示集合为空。

• 获取兴趣区域的几何信息

geometry = aoi.geometry()

获取了地理兴趣区域的几何形状，这将用于后续的图像过滤和裁剪操作。

• 加载 Sentinel-2 图像集合

s2_collection = ee.ImageCollection('COPERNICUS/S2_HARMONIZED') \
    .filterBounds(geometry) \
    .filterDate(datetime(year, 1, 1), datetime(year + 1, 1, 1)) \
    .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))

从
Copernicus Sentinel-2
数据集中加载图像集合，并过滤出感兴趣区域内的图像。接着，进一步筛选出指定年份的图像，并排除云层占比超过
20%
的图像。

• 定义云遮蔽函数

def mask_s2clouds(image):
    qa = image.select('QA60')
    cloud_mask = qa.bitwiseAnd(1 << 10).eq(0).And(qa.bitwiseAnd(1 << 11).eq(0))
    return image.updateMask(cloud_mask).divide(10000)

这个函数通过选择
QA60
波段，并应用位运算来检测云层。然后更新掩膜来移除检测到的云，并将像素值标准化（因为
Sentinel-2
图像的原始像素值是 10000 倍的实际反射率）。

• 对图像集合应用云遮蔽函数

masked_collection = s2_collection.map(mask_s2clouds)

应用前面定义的云遮蔽函数到整个 Sentinel-2 图像集合上。

• 计算图像集合的中值图像，并按兴趣区域裁剪

median_image = masked_collection.median().clip(aoi)

计算了图像集合的中值图像，这有助于减少噪声和云的影响。之后，按照地理兴趣区域裁剪图像。

• 选择正确的波段顺序

selected_bands = median_image.select(['B4', 'B3', 'B2'])

选择了红绿蓝（RGB）波段作为输出图像的显示，这是常见的视觉化方式。

• 导出图像到 Google Drive

export_task = ee.batch.Export.image.toDrive(
    image=selected_bands,
    description=aoi.first().get('name').getInfo(),
    folder=output_directory,
    fileNamePrefix=aoi.first().get('name').getInfo(),
    region=geometry,
    scale=10,
    maxPixels=1e13
)
export_task.start()

设置了导出任务，将裁剪后的中值图像导出到 Google Drive 上指定的目录下。导出的文件名基于地理兴趣区域的名称，以方便识别。

完整案例 🏞️

在此示例中，我们首先初始化了必要的变量，并加载了地理兴趣区域的边界数据集。随后，创建了 Sentinel-2 卫星影像的集合，并应用了云遮蔽函数。最后，计算了中值影像并将其导出到了 Google Drive。

import ee
from datetime import datetime

# 初始化 Earth Engine
ee.Initialize()

def crop_image_sentinel(area_of_interest, year, output_directory):
    """
    导出 Sentinel-2 图像到 Google Drive.
    
    参数:
    area_of_interest -- 地理兴趣区域的 FeatureCollection URL.
    year -- 导出图像的年份.
    output_directory -- Google Drive 中保存图像的目录.
    """
    # 获取边界信息
    aoi = ee.FeatureCollection(area_of_interest)
    feature_count = aoi.size().getInfo()
    
    if feature_count > 0:
        # 获取兴趣区域的几何信息
        geometry = aoi.geometry()
        # 加载 Sentinel-2 图像集合
        s2_collection = ee.ImageCollection('COPERNICUS/S2_HARMONIZED') \
            .filterBounds(geometry) \
            .filterDate(datetime(year, 1, 1), datetime(year + 1, 1, 1)) \
            .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
        # 定义云遮蔽函数
        def mask_s2clouds(image):
            qa = image.select('QA60')
            cloud_mask = qa.bitwiseAnd(1 << 10).eq(0).And(qa.bitwiseAnd(1 << 11).eq(0))
            return image.updateMask(cloud_mask).divide(10000)
        
        # 对图像集合应用云遮蔽函数
        masked_collection = s2_collection.map(mask_s2clouds)
        # 计算图像集合的中值图像，并按兴趣区域裁剪
        median_image = masked_collection.median().clip(aoi)
        # 选择正确的波段顺序
        selected_bands = median_image.select(['B4', 'B3', 'B2'])
        # 导出图像到 Google Drive
        export_task = ee.batch.Export.image.toDrive(
            image=selected_bands,
            description=aoi.first().get('name').getInfo(),
            folder=output_directory,
            fileNamePrefix=aoi.first().get('name').getInfo(),
            region=geometry,
            scale=10,
            maxPixels=1e13
        )
        export_task.start()
    else:
        print('The FeatureCollection is empty.')

注意事项 ⚠️

• 权限: 确保您的 GEE 账户拥有足够的权限来执行数据导出操作。
• 数据范围: 确认指定的地理兴趣区域和年份是准确的，避免不必要的数据导出。
• 云遮蔽: 根据实际情况调整云遮蔽函数，以提高云检测的准确性。

术语解释表 📋