GEE数据集——哨兵2号Sentinel-2 云概率数据集

简介: GEE数据集——哨兵2号Sentinel-2 云概率数据集

简介

S2 云概率由 sentinel2-cloud-detector 库创建(使用 LightGBM)。在应用梯度提升基础算法之前,先使用双线性插值法将所有波段上采样至 10 米分辨率。得到的 0...1 浮点概率被缩放为 0...100,并存储为 UINT8。缺少任何或所有波段的区域都会被屏蔽掉。数值较高的区域更有可能是云层或高反射表面(如屋顶或积雪)。前言 – 人工智能教程

哨兵-2 是一项宽波段、高分辨率、多光谱成像任务,支持哥白尼陆地监测研究,包括植被、土壤和水覆盖监测,以及内陆水道和沿海地区观测。

2 级数据可在 COPERNICUS/S2_SR 数据集中找到。1B 级数据可在 COPERNICUS/S2 数据集中找到。这些数据集中的资产还提供其他元数据。

Sentinel-2: Cloud Probability 数据集是欧洲航天局 (ESA) 的 Sentinel-2 卫星项目的一项产品。该数据集提供 Sentinel-2 图像中云的概率。

Sentinel-2 卫星是一个多光谱遥感卫星,可提供 13 个波段的图像。这些波段覆盖了可见光、近红外和短波红外波段。云在 Sentinel-2 图像中的表现与波段有关。在可见光波段中,云通常是黑色的,而在近红外波段中,云通常是白色的。

Sentinel-2: Cloud Probability 数据集使用了一种基于光谱特征的算法来估计云的概率。该算法首先将 Sentinel-2 图像中的每个像素分配给一个波段组。然后,该算法使用每个波段组的光谱特征来估计该像素是云还是非云。

Sentinel-2: Cloud Probability 数据集的每个像素都有一个云概率值,范围为 0 到 1。值为 0 表示该像素是云,值为 1 表示该像素是非云。

Sentinel-2: Cloud Probability 数据集可用于以下应用:

  • 去除云遮挡,以便更好地观察地表特征。
  • 估计云覆盖率。
  • 研究云的变化。

Sentinel-2: Cloud Probability 数据集可通过以下方式获取:

  • 从 ESA 的 Sentinel Hub 服务。
  • 从 ESA 的 Sentinel-2 数据集。

以下是 Sentinel-2: Cloud Probability 数据集的一些技术细节:

  • 数据集提供 13 个波段的云概率值。
  • 数据集的空间分辨率为 10 米。
  • 数据集的时间分辨率为 5 天。

Sentinel-2: Cloud Probability 数据集是一项重要的资源,可用于处理 Sentinel-2 图像。该数据集可用于提高 Sentinel-2 图像的质量,并为各种应用提供支持。

tuneshare

more_vert

add_photo_alternate

Dataset Availability

2015-06-23T00:00:00Z–2024-01-02T18:17:41

Dataset Provider

European Union/ESA/Copernicus/SentinelHub

Earth Engine Snippet

ee.ImageCollection("COPERNICUS/S2_CLOUD_PROBABILITY") o

Bands

Name Min Max Pixel Size Description
probability 0 100 10 meters

Probability that the pixel is cloudy.

Terms of Use

The use of Sentinel data is governed by the Copernicus Sentinel Data Terms and Conditions.

代码:

var s2Sr = ee.ImageCollection('COPERNICUS/S2_SR');
var s2Clouds = ee.ImageCollection('COPERNICUS/S2_CLOUD_PROBABILITY');
var START_DATE = ee.Date('2019-01-01');
var END_DATE = ee.Date('2019-03-01');
var MAX_CLOUD_PROBABILITY = 65;
var region =
    ee.Geometry.Rectangle({coords: [-76.5, 2.0, -74, 4.0], geodesic: false});
Map.setCenter(-75, 3, 12);
function maskClouds(img) {
  var clouds = ee.Image(img.get('cloud_mask')).select('probability');
  var isNotCloud = clouds.lt(MAX_CLOUD_PROBABILITY);
  return img.updateMask(isNotCloud);
}
// The masks for the 10m bands sometimes do not exclude bad data at
// scene edges, so we apply masks from the 20m and 60m bands as well.
// Example asset that needs this operation:
// COPERNICUS/S2_CLOUD_PROBABILITY/20190301T000239_20190301T000238_T55GDP
function maskEdges(s2_img) {
  return s2_img.updateMask(
      s2_img.select('B8A').mask().updateMask(s2_img.select('B9').mask()));
}
// Filter input collections by desired data range and region.
var criteria = ee.Filter.and(
    ee.Filter.bounds(region), ee.Filter.date(START_DATE, END_DATE));
s2Sr = s2Sr.filter(criteria).map(maskEdges);
s2Clouds = s2Clouds.filter(criteria);
// Join S2 SR with cloud probability dataset to add cloud mask.
var s2SrWithCloudMask = ee.Join.saveFirst('cloud_mask').apply({
  primary: s2Sr,
  secondary: s2Clouds,
  condition:
      ee.Filter.equals({leftField: 'system:index', rightField: 'system:index'})
});
var s2CloudMasked =
    ee.ImageCollection(s2SrWithCloudMask).map(maskClouds).median();
var rgbVis = {min: 0, max: 3000, bands: ['B4', 'B3', 'B2']};
Map.addLayer(
    s2CloudMasked, rgbVis, 'S2 SR masked at ' + MAX_CLOUD_PROBABILITY + '%',
    true);

去云属性

Parameter Type Description
AOI ee.Geometry Area of interest
START_DATE string Image collection start date (inclusive)
END_DATE string Image collection end date (exclusive)
CLOUD_FILTER integer Maximum image cloud cover percent allowed in image collection
CLD_PRB_THRESH integer Cloud probability (%); values greater than are considered cloud
NIR_DRK_THRESH float Near-infrared reflectance; values less than are considered potential cloud shadow
CLD_PRJ_DIST float Maximum distance (km) to search for cloud shadows from cloud edges
BUFFER integer Distance (m) to dilate the edge of cloud-identified objects

目前为 AOI、START_DATE、END_DATE 和 CLOUD_FILTER 设置的值旨在为美国俄勒冈州波特兰附近地区的单个 S2 立交桥建立一个集合。在对新区域的云掩蔽进行参数化和评估时,好的做法是确定一个单一的高架桥日期,并限制区域范围,以尽量减少处理要求。如果您想使用不同的示例,请使用此地球引擎应用程序识别包含一些云层的图像,然后用应用程序中提供的参数值替换下面的相关参数值。

相关文章
|
7月前
|
定位技术 TensorFlow API
Google Earth Engine (GEE)——张量流水灾模型数据集(Sentinel-1)
Google Earth Engine (GEE)——张量流水灾模型数据集(Sentinel-1)
154 0
|
7月前
|
编解码 算法 定位技术
GEE时序——利用sentinel-2(哨兵-2)数据进行地表物候学分析(时间序列平滑法估算和非平滑算法代码)
GEE时序——利用sentinel-2(哨兵-2)数据进行地表物候学分析(时间序列平滑法估算和非平滑算法代码)
557 3
|
7月前
|
API
GEE案例分析——利用sentinel-3数据计算空气污染指数(Air Pollution Index,简称API)
GEE案例分析——利用sentinel-3数据计算空气污染指数(Air Pollution Index,简称API)
207 0
|
7月前
|
传感器 编解码 区块链
Google Earth Engine(GEE)——Landsat8/modis/sentinel2 NDVI时序影像差异对比分析图表
Google Earth Engine(GEE)——Landsat8/modis/sentinel2 NDVI时序影像差异对比分析图表
172 0
|
6月前
|
运维 监控 NoSQL
Redis Sentinel哨兵模式部署
Redis Sentinel哨兵模式部署
116 2
|
2月前
|
监控 NoSQL 算法
Redis Sentinel(哨兵)详解
Redis Sentinel(哨兵)详解
115 4
|
4月前
|
运维 监控 NoSQL
【Redis】哨兵(Sentinel)原理与实战全解~炒鸡简单啊
Redis 的哨兵模式(Sentinel)是一种用于实现高可用性的机制。它通过监控主节点和从节点,并在主节点故障时自动进行切换,确保集群持续提供服务。哨兵模式包括主节点、从节点和哨兵实例,具备监控、通知、自动故障转移等功能,能显著提高系统的稳定性和可靠性。本文详细介绍了哨兵模式的组成、功能、工作机制以及其优势和局限性,并提供了单实例的安装和配置步骤,包括系统优化、安装、配置、启停管理和性能监控等。此外,还介绍了如何配置主从复制和哨兵,确保在故障时能够自动切换并恢复服务。
|
7月前
|
算法 数据挖掘 定位技术
GEE 案例——如何计算sentinel-2中每一个单景影像的波段的DN值并绘制直方图
GEE 案例——如何计算sentinel-2中每一个单景影像的波段的DN值并绘制直方图
121 5
|
7月前
|
数据采集 编解码 人工智能
中科星图——Sentinel-1_SAR_GRD数据集
中科星图——Sentinel-1_SAR_GRD数据集
229 3
|
7月前
|
存储 编解码 人工智能
中科星图——Sentinel-2_MSI_L2A数据集
中科星图——Sentinel-2_MSI_L2A数据集
128 1