前言

博主不主修遥感方向，不是专业人士，由于毕设需要使用GEE，故临时学习并做了记录，由于是博主自己钻研的，不知道有无其他更便捷的方式。若文中有错误欢迎指正。

在做毕设的时候是对武汉市所有湖泊进行分别的某项数据分析，初期的目标是对东湖进行这项分析，所以第一步就是需要把东湖提取出来。
在这里需要注意的是，由于温度等各种因素的变化，湖泊范围并不是固定的，因此我在提取东湖时是根据影像提取的实时湖泊范围。

数据

卫星影像：Landsat 8 OLI、Sentinel 2 MSI的SR（地表反射率）影像

Landsat 8

其中Landsat 8的Level-1的数据是经过几何校正和辐射定标处理过的，Level-2的数据是在Level-1级别数据的基础上经过大气校正处理得到的；Collection 1包含了自 1972 年至今从 Landsat 1-8 获取的所有 Level-1 数据。Collection 2中同时包含了Landsat 1-8 的Level-1 数据（1972年至今）和Landsat 4-8 的Level-2数据（1982年至今）；T1存放的是L1TP（Level-1 Precision and Terrain）处理等级的数据，T2存放的是不满足T1标准（主要指几何校正精度）的数据，RT是实时数据，目前在役的 Landsat 7 ETM+ 和 Landsat 8 OLI/TIRS 数据，获取但尚未处理的临时数据存放在RT中。数据处理之后就会放到T1或T2中，并从RT中删除。（来源：https://zhuanlan.zhihu.com/p/400543396）

在此我采用的是Landsat 8 Level 2, Collection 2, Tier 1影像

在GEE官网中给出的引用案例如下：
https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR_HARMONIZED

// 引用并筛选2021-05-01至2021-06-01之间的影像
var dataset = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2').filterDate('2021-05-01', '2021-06-01');// 为了减少存储设置了比例因子，在正常使用时，需要进行还原
// Applies scaling factors.
function applyScaleFactors(image) {var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);return image.addBands(opticalBands, null, true).addBands(thermalBands, null, true);
}dataset = dataset.map(applyScaleFactors);var visualization = {bands: ['SR_B4', 'SR_B3', 'SR_B2'],min: 0.0,max: 0.3,
};Map.setCenter(-114.2579, 38.9275, 8);Map.addLayer(dataset, visualization, 'True Color (432)');

运行结果如下（在此我进行了一定的缩放）

Sentinel 2

与Landsat 8相同理由，我选用的是Harmonized Sentinel-2 MSI: MultiSpectral Instrument, Level-2A影像
（由于哨兵2号对数据进行了调整，会影响2022.1.24之后的数据协调时间序列，所以将COPERNICUS/S2or COPERNICUS/S2_SR切换成了COPERNICUS/S2_HARMONIZEDand COPERNICUS/S2_SR_HARMONIZED）

官网给出的引用案例如下：
https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR_HARMONIZED

function maskS2clouds(image) {var qa = image.select('QA60');// Bits 10 and 11 are clouds and cirrus, respectively.var cloudBitMask = 1 << 10;var cirrusBitMask = 1 << 11;// Both flags should be set to zero, indicating clear conditions.var mask = qa.bitwiseAnd(cloudBitMask).eq(0).and(qa.bitwiseAnd(cirrusBitMask).eq(0));return image.updateMask(mask).divide(10000);
}var dataset = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED').filterDate('2020-01-01', '2020-01-30')// Pre-filter to get less cloudy granules..filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE',20)).map(maskS2clouds);var visualization = {min: 0.0,max: 0.3,bands: ['B4', 'B3', 'B2'],
};Map.setCenter(83.277, 17.7009, 12);Map.addLayer(dataset.mean(), visualization, 'RGB');

时间

2022年1月

范围

武汉东湖

由于我们没有实时的东湖范围的table，所以我们先根据GEE提供的卫星图像绘制东湖的大致范围（一定要是根据卫星图像绘制的，根据地图绘位置偏差比较大），保存为FeatureCollection后，再通过NDWI进行掩膜提取

绘制范围如下：

提取水体

经过影像裁剪后（这里不赘述详细过程），利用NDWI或者MNDWI来增强水体信息，弱化其他地物的信息，便于提取研究区的水体范围

NDWI = (Green - NIR)/(Green + NIR )

MNDWI = (Green - SWIR1) / (Green + SWIR1)

本文使用NDWI来提取

计算NDWI

Landsat 8 SR的Green波段为SR_B3，NIR波段为SR_B5，使用GEE提供的归一化指数的函数（normalizedDifference）来进行计算即可：

var ndwi = Donghu_Jan.normalizedDifference(['SR_B3','SR_B5']).float().rename('NDWI');
var visParams1 = {min: 0, max: 1, palette: ['0000FF', 'FF0000']};
Map.addLayer(ndwi, visParams1, "Donghu_Jan_NDWI");

效果如图：

Sentinel 2 SR的Green波段为B3，NIR波段为B8

var ndwi = Donghu_Jan.normalizedDifference(['B3','B8']).float().rename('NDWI');
var visParams1 = {min: 0, max: 1, palette: ['0000FF', 'FF0000']};
Map.addLayer(ndwi, visParams1, "Donghu_Jan_NDWI");

效果如图：

获取掩膜

将算出的ndwi添加到影响波段，经过updateMask，选取 ndwi＞0 的即可

var Donghu_Jan = Donghu_Jan.addBands(ndwi);
var Donghu_Mask = Donghu_Jan.updateMask(ndwi.gt(0));
Map.addLayer(Donghu_Mask,vis_L8SR,'Water');

源代码：
Landsat 8
https://code.earthengine.google.com/9256bc33273fd6af23abd0d2235471eb

Sentinel 2
https://code.earthengine.google.com/f40367fa90e69af23264a73ff3b1ef23

P.S.
1.实际实现两种卫星大同小异
2.源代码网址可能会在之后删掉

GEE：基于GEE的单个湖泊的实时水体提取（以武汉东湖为例）相关推荐

基于GEE与哨兵1号影像数据提取水体
在进行光学数据提取水体时,常会发现部分时间.部分区域内由于云的存在而出现大面积的空白区域,从而使得我们提取水体面积过程中存在不精确的问题.因此,基于微波数据进行云的提取就成为我们较好的一个选择,通过阅 ...
【基于GEE计算年度植被覆盖度】
基于GEE计算年度植被覆盖度 1.植被覆盖度计算公式参考地理学报的<2001-2013年华北地区植被覆盖度与干旱条件的相关分析> 2.代码 var roi=ee.FeatureCollec ...
基于netty+websocket实现门户游客实时统计功能
基于netty+websocket实现门户游客实时统计功能基本需求商城门户页面需要实时展示游客访问的数量,商城后台页面需要实时游客访问量.登录用户数量,以及下订单用户数量. 技术选型 1.首先实时 ...
GEE水体提取之NDWI（矢量裁剪、统计面积、数据导出）
GEE专栏:GEE水体提取之MNDWI(矢量裁剪.数据导出) 计算区域2018年6-10月武汉市所有Landsat 8数据. 效果图 1.基于otsu计算结果,基于otsu提取结果,之前一直处于途中计 ...
DL之LSTM：基于《wonderland爱丽丝梦游仙境记》小说数据集利用LSTM算法(层加深，基于keras)对单个character字符预测
DL之LSTM:基于<wonderland爱丽丝梦游仙境记>小说数据集利用LSTM算法(层加深,基于keras)对单个character字符预测目录基于<wonderland爱丽 ...
你今天怎么这么好看——基于深度学习的大型现场实时美颜
Photo from BoredPanda 美颜是当下直播甚至是所有形式对外展示的一个必备条件.手机端的美颜就像私人化妆师,能够帮助我们实现各种心仪的效果. 而大型娱乐节目一般都是提前进行录制,然后进 ...
flink实时同步mysql_基于Canal与Flink实现数据实时增量同步(一)
点击上方蓝色字体,关注我 canal是阿里巴巴旗下的一款开源项目,纯Java开发.基于数据库增量日志解析,提供增量数据订阅&消费,目前主要支持了MySQL(也支持mariaDB). 准备配置 ...
echarts折线图怎么从y轴开始_基于echarts的双y轴实时更新折线图
一款基于echarts的双y轴实时更新折线图效果,页面加载后开始自动更新数据并绘制对应的折线图,可以点击右上角的按钮:显示数据视图.刷新数据和将数据存储为png的图片. 查看演示下载资源: 46 次 ...
基于WinSvr2012共享文件夹的Hyper-V实时迁移之二文件服务器及迁移用虚拟机的创建...
本章节接续基于WinSvr2012共享文件夹的Hyper-V实时迁移之一实时迁移简介及拓扑说明. 在本章节中,将图文方式讲述文件服务器的创建,以及迁移用虚拟机的创建,值得注意的是,无论是文件服务器还是 ...

GEE：基于GEE的单个湖泊的实时水体提取（以武汉东湖为例）

前言

数据