GEE统计特定区域特定时间上的Landsat/Sentinel的影像信息
前言
很多时候，我们会想查看一个特定的研究区和研究时间范围内的Landsat 或者 Sentinel系列数据集中影像的一些参数信息，如成像时间，云量，数量等等，以帮助我们确定应该如何筛选影像。比如，我想知道1990年至2020年期间，所有覆盖到北京市的Landsat影像的信息，如下图所示。Landsat系列和Sentinel系列是目前使用最为广泛的两个影像数据集，现在，我提供了实现这一操作的代码框架，大家可以在此基础上进行修改，以得到你想要提取的信息。基于此框架，你还可以扩展到其他影像数据集（如MODIS等）。
统计Landsat影像的信息
统计Landsat系列信息的代码如下：
python
import ee
import geemap
import pandas as pd
geemap.set_proxy(port=7778)
geemap.ee_initialize()
Map = geemap.Map()
# 加载研究区
json_path = './北京市.geojson'
study_region = geemap.geojson_to_ee(json_path)
bound = study_region.bounds()
start_year = 1990
end_year = 2020
start_month = 4
end_month = 10
# 创建Landsat影像集合，过滤日期和区域
landsat5 = ee.ImageCollection("LANDSAT/LT05/C02/T1_L2")
landsat7 = ee.ImageCollection("LANDSAT/LE07/C02/T1_L2")
landsat8 = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
landsat9 = ee.ImageCollection("LANDSAT/LC09/C02/T1_L2")
landsat_collection1 = ee.ImageCollection.merge(landsat5, landsat7)
landsat_collection2 = ee.ImageCollection.merge(landsat8, landsat9)
landsat_collection = ee.ImageCollection.merge(landsat_collection1, landsat_collection2) \
.filterBounds(study_region) \
.filter(ee.Filter.calendarRange(start_year, end_year, 'year')) \
.filter(ee.Filter.calendarRange(start_month, end_month, 'month'))
# 云量和质量等级函数
# 云量小于20%-1级，20%到40%-2级，40%-60%-3级， 60%-80%-4级，大于80%-5级
def assign_quality(cloud_coverage):
if 0 <= cloud_coverage < 20:
return 1
elif 20 <= cloud_coverage < 40:
return 2
elif 40 <= cloud_coverage < 60:
return 3
elif 60 <= cloud_coverage < 80:
return 4
elif 80 <= cloud_coverage <= 100:
return 5
else:
return None
# 提取影像的日期和传感器信息
def extract_info(image):
date = image.date().format('YYYY-MM-dd')
satellite = image.get('SPACECRAFT_ID')
sensor = image.get('SENSOR_ID')
year = image.date().get('year')
month = image.date().get('month')
day = image.date().get('day')
cloud_coverage = image.get('CLOUD_COVER')
quality = ee.Algorithms.If(
ee.Number(cloud_coverage).lt(20), 1,
ee.Algorithms.If(ee.Number(cloud_coverage).lt(40), 2,
ee.Algorithms.If(ee.Number(cloud_coverage).lt(60), 3,
ee.Algorithms.If(ee.Number(cloud_coverage).lt(80), 4, 5))))
imgID = image.id()
return ee.Feature(None, {
'成像日期': date,
'卫星型号': satellite,
'传感器名称': sensor,
'影像年份': year,
'影像月份': month,
'当月日': day,
'云量': cloud_coverage,
'质量': quality,
'GEEID': imgID
})
# 应用函数并创建特征集合
image_data = landsat_collection.map(extract_info)
feature_collection = ee.FeatureCollection(image_data)
# 获取数据并转换为DataFrame
data = feature_collection.getInfo()
features = data['features']
records = []
for feature in features:
records.append(feature['properties'])
# 创建DataFrame
df = pd.DataFrame(records)
# 导出为Excel文件
df.to_excel('./landsat_statistic.xlsx', index=False)在这段代码中，我统计1990年-2020年北京市生长季（4-10月）的Landsat影像的信息，最总结果输出为'landsat_statistic.xlsx'的excel表格。
统计Sentinel影像的信息
统计Sentinel影像信息的代码与统计Landsat影像的代码思路是一致的，以下是详细代码：
python
import ee
import geemap
import pandas as pd
geemap.set_proxy(port=7778)
geemap.ee_initialize()
Map = geemap.Map()
# 加载研究区
json_path = './北京市.geojson'
study_region = geemap.geojson_to_ee(json_path)
bound = study_region.bounds()
start_year = 1990
end_year = 2020
start_month = 4
end_month = 10
# 创建Sentinel-2影像合集
s2Collection = (ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED")
.filterBounds(study_region)
.filter(ee.Filter.calendarRange(start_year, end_year, 'year'))
.filter(ee.Filter.calendarRange(start_month, end_month, 'month'))
)
# 云量和质量等级函数
def assign_quality(cloud_coverage):
if 0 <= cloud_coverage < 20:
return 1
elif 20 <= cloud_coverage < 40:
return 2
elif 40 <= cloud_coverage < 60:
return 3
elif 60 <= cloud_coverage < 80:
return 4
elif 80 <= cloud_coverage <= 100:
return 5
else:
return None
# 提取影像的日期和传感器信息
def extract_info(image):
img_id = image.get('system:id')
date = image.date().format('YYYY-MM-dd')
year = image.date().get('year')
month = image.date().get('month')
day = image.date().get('day')
doy = ee.Date(image.get('system:time_start')).getRelative('day','year').add(1)
cloud_coverage = image.get('CLOUDY_PIXEL_PERCENTAGE')
quality = ee.Algorithms.If(
ee.Number(cloud_coverage).lt(20), 1,
ee.Algorithms.If(ee.Number(cloud_coverage).lt(40), 2,
ee.Algorithms.If(ee.Number(cloud_coverage).lt(60), 3,
ee.Algorithms.If(ee.Number(cloud_coverage).lt(80), 4, 5))))
return ee.Feature(None, {
'ID': img_id,
'成像日期': date,
'影像年份': year,
'影像月份': month,
'当月日': day,
'云量': cloud_coverage,
'质量': quality,
'doy': doy
})
# 应用函数并创建特征集合
image_data = s2Collection.map(extract_info)
feature_collection = ee.FeatureCollection(image_data)
# 获取数据并转换为DataFrame
data = feature_collection.getInfo()
features = data['features']
records = []
for feature in features:
records.append(feature['properties'])
# 创建DataFrame
df = pd.DataFrame(records)
# 导出为Excel文件
df.to_excel('./S2影像信息统计.xlsx', index=False)这段代码同样统计了1990至2020年北京市生长季的Sentinel2的影像信息