GEE中Landsat、Sentinel、Modis主要数据集区别

一、Landsat

1. Collection 1/2 的区别

  • Collection 2 是Landsat Level 1 数据的又一次重大再处理,显著提高了绝对地理定位精度
Collection1 Collection2
时间跨度 1972~2021底 1972~至今
数据等级 level 1 level1:1972~2021底 level2:1982~至今

Landsat 集合 2 包括基于场景的全球 2 级表面反射率科学产品

Landsat 集合 2 包括基于场景的全球 2 级表面温度科学产品

2. Level 1/2的区别

Landsat Level 2 科学产品是从满足 <76 度太阳天顶角约束的 Collection 2 Level 1 输入生成的,并包括辅助数据。

相当于Level 2 是从Level 1 中筛选出的。

3. Tier 1 (T1)、Tier 2 (T2)、Real Time (RT)的区别

  • T1数据
    具有最高数据质量的Landsat影像被归入第1级,该数据适合进行时间序列分析。
    第一级包括精度和地形(L1TP)校正的数据,这些数据具有良好的辐射测量特性,并在不同的陆地卫星仪器之间进行了相互校准。T1数据之间的地形校正是一致的,并且均方根误差(RMSE)≦12米。
  • T2数据
    在处理过程中不符合一级标准的数据归并到到二级,即T2数据
    T2使用了与T1相同的辐射标准,但由于不太准确的轨道信息(针对较早的Landsat传感器)、明显的云层覆盖、地面控制不足或其他因素影像,不能达到T1数据的几何校正精度。
  • RT数据
    实时层数据,可在12小时内下载(通常为4-6小时)
    从RT数据到T1或T2数据的转换延迟时间在14到26天 之间:
    RT数据集 --(几何校正模型校正和参数优化,并对数据进行重新处理)--> T1或T2数据集

综上,一般下Collection 2 的 Level 2 中的 Tier 1

二、Landsat 8 C2 L2 T1(SR)

Landsat8:USGS Landsat 8 Level 2, Collection 2, Tier 1("LANDSAT/LC08/C02/T1_L2")
辐射定标:0.0000275*band-0.2 Bitmask for QA_PIXEL:去云Bit3和4

Bit 0 1 2 3 4 5 6 7 8-9 10-11 12-13 14-15
Fill Dilated Cloud Cirrus (high confidence) Cloud Cloud Shadow Snow Clear Water Cloud Confidence Cloud Shadow Confidence Snow/Ice Confidence Cirrus Confidence

二、Sentinel-2

2.1 Sentinel-2 MSI(L1C和L2A)

2.1.1 L1C
  • ee.ImageCollection("COPERNICUS/S2")
  • 该产品经正射校正和亚像元级几何精校正,为天顶表观反射率数据(TOA)
  • 时间:2015-06-23~至今
2.1.2 L2A
  • ee.ImageCollection("COPERNICUS/S2_SR")
  • 该产品是利用欧空局官方提供的 Sen2cor工具,对 L1C 进行大气校正得到地表反射率数据产品(SR)。从2016年10月起提供全欧洲的数据,从2017年1月起提供全球的数据。
  • 时间:2017-03-28~~至今,实际上目前GEE上很多地方2019前的L2A数据几乎没有

2.2 Harmonized Sentinel-2 MSI(L1C、L2A)

  • ee.ImageCollection("COPERNICUS/S2_HARMONIZED")
  • 2022-01-25 之后,PROCESSING_BASELINE 为"04.00"或更高版本的 Sentinel-2 场景的 DN(值)范围移动了 1000。HARMONIZED 集合将新场景中的数据移动到与旧场景相同的范围内。

2.3 Sentinel-2: Cloud Probability(PRB去云)

  • ee.ImageCollection("COPERNICUS/S2_CLOUD_PROBABILITY")
  • S2 云概率是使用 sentinel2-cloud-detector 库(使用 LightGBM)创建的。 在应用梯度提升基础算法之前,使用双线性插值将所有波段上采样到 10m 分辨率,主要用来结合L1C或L2A进行去云操作的

三、Sentinel-1(SAR)

3.1 影像格式

S1A_EW_GRDM_1SDH_20180112T0825556_20180112T082700_ 020119_0224E3_ 7F9B

  • S1A是卫星Sentinel1-A的标识
  • EW为模式名称,有SM、IIW、EW和W。
  • GRDM为产品名称以及分辨率,产品有RAW、SLC、GRD或者OCN,分辨率类型为F(Full resolution)、H(High resolution)、M(Medium resolution)。
  • 1SDH,1为处理级别,可以为0、1、2。S为产品类型是Standard (S)或者是Annotation (A),DH是极化方式,如下:
    SH (single HH polarisation)
    SV (single VV polarisationn)
    DH (dual HH+HV polarisaation)
    DV (dual W+VH polarisattion)
  • 20180112T082556 20180112T082700是产品的开始和结束的事件,其中T是日期和时间的分隔符。
  • 020119是绝对轨道号,绝对轨道数考虑的是发射后第一个上升节点穿越后的轨道。相对轨道数是从1到个重复周期中包含的轨道数的计数。

四、Modis:MYD09GQ(A),MOD09GQ(A)

MYD09GQ,MYD09GA,MOD09GQ,MOD09GA

4.1 MYD和MOD

Modis拥有两颗卫星TERRA、AQUA,其过境时间分别为:

  • TERRA:10:30AM、10:30PM
  • AQUA:1:30AM、1:30PM

4.2 GQ和GA

  • GA:Surface Reflectance Daily Global 1km and 500m
  • GQ:Surface Reflectance Daily Global 250m
  • GQ可用GA的质量波段去云
相关推荐
IT猿手2 小时前
2025最新群智能优化算法:山羊优化算法(Goat Optimization Algorithm, GOA)求解23个经典函数测试集,MATLAB
人工智能·python·算法·数学建模·matlab·智能优化算法
Jet45053 小时前
玩转ChatGPT:GPT 深入研究功能
人工智能·gpt·chatgpt·deep research·深入研究
毕加锁3 小时前
chatgpt完成python提取PDF简历指定内容的案例
人工智能·chatgpt
Wis4e5 小时前
基于PyTorch的深度学习3——基于autograd的反向传播
人工智能·pytorch·深度学习
西猫雷婶5 小时前
神经网络|(十四)|霍普菲尔德神经网络-Hebbian训练
人工智能·深度学习·神经网络
梦丶晓羽6 小时前
自然语言处理:文本分类
人工智能·python·自然语言处理·文本分类·朴素贝叶斯·逻辑斯谛回归
SuperCreators6 小时前
DeepSeek与浏览器自动化AI Agent构建指南
人工智能·自动化
美狐美颜sdk6 小时前
什么是美颜SDK?从几何变换到深度学习驱动的美颜算法详解
人工智能·深度学习·算法·美颜sdk·第三方美颜sdk·视频美颜sdk·美颜api
訾博ZiBo7 小时前
AI日报 - 2025年3月10日
人工智能
waicsdn_haha7 小时前
Postman v11 安装与API测试入门教程(Windows平台)
人工智能·windows·测试工具·mysql·postman·dbeaver·rest