首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

谷歌地球引擎:从S2 NDVI图像集合中删除值(5%和95%)

谷歌地球引擎是一种基于云计算的地理信息系统(GIS)平台,由谷歌提供。它提供了丰富的地理数据处理和分析工具,使用户能够轻松管理和可视化地球上的大量地理数据。谷歌地球引擎主要用于构建地理信息系统、开发地理应用程序以及进行地理数据分析。

在S2 NDVI(Sentinel-2归一化植被指数)图像集合中,删除5%和95%的值是一种常见的数据处理操作,用于去除异常值或异常数据,以提高数据的质量和准确性。这样可以确保数据集更加可靠和可用于后续分析。

对于谷歌地球引擎中的S2 NDVI图像集合,我们可以使用以下步骤来删除5%和95%的值:

  1. 载入S2 NDVI图像集合:使用谷歌地球引擎的API或相关工具,载入S2 NDVI图像集合数据。
  2. 数据预处理:对于载入的S2 NDVI图像集合,首先进行数据预处理,包括数据格式转换、去除无效数据等。
  3. 计算百分位数:使用合适的统计方法,计算S2 NDVI图像集合中的5%和95%的百分位数。
  4. 过滤异常值:根据计算得到的百分位数,将S2 NDVI图像集合中小于5%和大于95%的值进行过滤和删除。
  5. 生成处理后的图像集合:将过滤和删除后的S2 NDVI图像集合重新生成为新的图像集合。

在谷歌地球引擎中,可以使用以下相关产品和工具来完成上述操作:

  1. Google Earth Engine API:谷歌地球引擎提供了API,可以使用JavaScript或Python等编程语言进行数据处理和分析操作。
  2. Google Earth Engine Code Editor:这是一个Web IDE,提供了方便的代码编辑和调试环境,可用于编写和运行地理数据处理和分析代码。
  3. Earth Engine Python API:谷歌地球引擎还提供了Python API,可以使用Python语言进行数据处理和分析操作。
  4. Earth Engine Data Catalog:这是一个谷歌地球引擎的数据目录,提供了各种地理数据集和影像数据,包括Sentinel-2图像集合。

综上所述,谷歌地球引擎是一款功能强大的云计算GIS平台,可以实现对S2 NDVI图像集合的数据处理,包括删除5%和95%的异常值。具体操作可使用谷歌地球引擎的API、Code Editor、Python API等工具完成。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • 基于大地遥感卫星和哨兵图像的 30 米分辨率中国玉米分布图

    作为全球第二大玉米生产国,中国的玉米产量占全球总产量的 23%,在保证玉米市场稳定方面发挥着重要作用。尽管其重要性不言而喻,但目前还没有全中国 30 米空间分辨率的玉米分布图。本研究采用时间加权动态时间扭曲法,通过比较每个像素点的卫星植被指数时间序列与已知玉米田得出的标准时间序列的相似性来识别玉米种植区,绘制了占中国玉米种植面积 99% 以上的 22 个省份 2016 年至 2020 年的玉米分布图。基于 18800 个 30 米空间分辨率的田间调查像素,该分布图在整个调查省份的生产者和用户平均精确度分别为 76.15%和 81.59%。市级和县级普查数据在再现玉米空间分布方面也表现良好。这项研究提供了一种基于少量实地调查数据绘制大面积玉米地图的方法。

    00

    GEE APP——土壤水分资源管理器

    由于土壤水分含量与地球气候和天气以及干旱、洪水或山体滑坡等现象有关,因此对许多科学和专业用户来说都非常宝贵。遥感技术为连续测量这一变量提供了独特的可能性。特别是在农业领域,对高空间分辨率绘图的需求非常强烈。然而,目前可操作的土壤水分产品只有中粗空间分辨率(≥1 公里)。本研究介绍了一种基于机器学习(ML)的高空间分辨率(50 米)土壤水分绘图方法,该方法基于 Landsat-8 光学和热图像、哥白尼哨兵-1 C 波段合成孔径雷达图像以及可在谷歌地球引擎中执行的模型数据的整合。这种方法的新颖之处在于将完全由数据驱动的 ML 概念应用于地表土壤水分含量的全球估算。来自国际土壤水分网络的全球分布式原位数据是模型训练的输入。在独立验证数据集的基础上,得出的整体估算精度(根均方误差和 R²)分别为 0.04 m3-m-3 和 0.81。除了检索模型本身,本文还介绍了一个收集训练数据的框架和一个用于土壤水分绘图的独立 Python 软件包。谷歌地球引擎 Python 应用程序接口为完全基于云的数据收集和检索的执行提供了便利。对于土壤湿度检索,它无需下载或预处理任何输入数据集。

    01

    Google Earth Engine(GEE)——全球红树林分布、地上生物量和树冠高度

    全球红树林分布、地上生物量和树冠高 该数据集基于遥感和现场测量数据,描述了红树林湿地的全球分布、生物量和树冠高度。利用遥感冠层高度测量和特定区域的异速模型,得出2000年名义年的(1)红树林地上生物量(AGB)、(2)最大冠层高度(最高的树的高度)和(3)基底面积加权高度(单个树的高度按其基底面积的比例加权)的估计值。此外,还提供了(4)全球赤道地区红树林生态类型中各种森林结构(如灌丛、边缘、河流和盆地)的选定地点的现场测量数据。在指定的地块内,选定的树木被确定为物种和胸高直径(DBH),树木的高度用激光测距仪或 clinometer测量。可以估计每个地块的树木密度(茎的数量),并表示为每单位面积。这些数据被用来推导出AGB、基底面积加权高度(Hba)和最大树冠高度(Hmax)之间的小区级异质性,并验证遥感估计值。

    01

    GEE案例——利用谷歌地球引擎的深度学习方法绘制哨兵 1 号地表水地图

    卫星遥感在测绘地表水的位置和范围方面发挥着重要作用。绘制地表水地图有多种方法,但深度学习方法并不常见,因为它们 "数据饥渴",需要大量计算资源。不过,随着各种卫星传感器的出现和云计算的快速发展,遥感科学界正在采用现代深度学习方法。基于云计算的谷歌人工智能平台和谷歌地球引擎的新整合使用户能够大规模部署计算。在本文中,我们研究了两种自动数据标注方法:1. 联合研究中心(JRC)地表水地图;2. Edge-Otsu 动态阈值方法。我们部署了一个 U-Net 卷积神经网络来绘制哨兵-1 合成孔径雷达 (SAR) 数据中的地表水图,并使用不同的超参数调整组合测试了模型性能,以确定最佳学习率和损失函数。然后使用独立的验证数据集对性能进行评估。我们共测试了 12 个模型,发现使用 JRC 数据标签的模型性能更好,训练测试和验证工作的 F1 分数从 0.972 到 0.986 不等。此外,我们还使用了一个独立采样的高分辨率数据集来进一步评估模型性能。通过这一独立验证工作,我们发现利用 JRC 数据标签的模型产生了 0.9130.922 的 F1 分数。通过不同的输入数据、学习率和损失函数成分对模型进行配对比较,发现 JRC 调整二元交叉熵骰模型与其他 66 个模型组合在统计上有所不同,并显示出最高的相对评估指标,包括准确率、精确度得分、科恩卡帕系数和 F1 分数。这些结果与许多传统方法处于同一范围。我们注意到,谷歌人工智能平台与谷歌地球引擎的集成可以成为大规模部署深度学习算法的有力工具,自动数据标注可以成为开发深度学习模型的有效策略,但是独立数据验证仍然是模型评估的重要步骤。

    01

    【GEE】9、在GEE中生成采样数据【随机采样】

    有充分证据表明,食草动物主要以麋鹿为食,会对白杨的再生率产生负面影响,因为白杨倾向于在大型单型林分中生长。因此,这些林分中的白杨再生率可以决定下层的组成。从一个地区排除麋鹿、鹿和奶牛放牧对白杨再生有可观察到的影响,但在了解白杨林下的存在如何影响从初级生产者到大型哺乳动物的地区的整体生物多样性方面所做的工作有限。在本模块中,我们将使用多个数据集和一米分辨率的图像来开发用于理论实地调查研究的采样位置。我们还将建立一个存在/不存在数据集,我们可以用它来训练一个特定区域的白杨覆盖模型。创建这样一个模型的过程可以在模块 7中找到。

    04

    GEE好文推荐——利用样本点迁移方法快速实现全球范围内1984年至今基于Landsat影像的土地分类

    在本研究中,我们在 GEE 中实施了射频分类器,利用 Landsat-8 和 Sentinel-2 数据集对 2022 年植被生长季节的不同空间尺度进行了时间序列土地分类。我们的首要目标是利用多源遥感变量构建的不同土地分类模型,为时间序列数据集建立一个高效、准确和通用的土地分类模型,并根据未发生土地分类变化的样本点图像值差异,确定土地分类样本点和迁移阈值。我们的目标是 (1) 确定基于土地分类无变化的样点迁移阈值;(2) 根据阈值分析使用陆地卫星遥感图像和高精度哨兵图像的 36 年时间序列制作的土地分类模型的准确性;(3) 确定基于多源遥感变量不同组合的最佳射频土地分类模型,并比较图像分辨率对分类准确性的影响。

    01
    领券