Sentinel-2最新去云算法|基于谷歌的Cloud Score+去云

GEE遥感训练营 · 公众号 · · 2024-11-21 23:29

正文

请到「今天看啥」查看全文

点击上方蓝字关注我们

之前我们介绍了很多Sentinel-2的去云方法，包括（1）利用QA60波段进行位运算，去除云所在的位，采用的是F-Mask算法；（2）利用 Sentinel-2: Cloud Probability数据进行云分数去云，采用的是欧空局的数据。今天，我们介绍一种最新的去云方法，（3）采用谷歌的Cloud Score+进行去云。文末，我们对比这三种去云方法的精度和局限性。

1 内容

第一种去云方法：QA60去云

在Google Earth Engine (GEE)中，Sentinel-2数据通过 QA60波段 （质量控制波段）实现云掩膜。其核心原理基于 质量信息位掩码（bitmask） 的技术，具体描述如下：

Sentinel-2的 QA60波段 （质量保证波段，Quality Assurance Band）是一个单独的二进制掩码波段。它利用像素的二进制位（bit）表示云覆盖信息：

QA60的值为0 ：该像素无云。
QA60的值为1 ：该像素被云覆盖。

其代码可参考如下：

/***第一种方法，采用QA60进行Sentinel-2去云****/function maskS2clouds_QA60(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);}

第二种去云方法：Cloud Probability

在Google Earth Engine (GEE) 中，Sentinel-2影像的 Cloud Probability 数据是一种基于机器学习的云检测方法，提供了每个像素被云覆盖的概率。它依赖于光谱特征分析与训练模型生成的云概率波段，相比QA60波段的简单二值掩膜，这种方法具有更高的灵活性和精度。

Sentinel-2的Cloud Probability数据来源于 Sentinel-2 Cloud Probability 数据集 ( `COPERNICUS/S2_CLOUD_PROBABILITY` )，每个像素的值为0到100，表示被云覆盖的概率（单位为百分比）。此数据通过机器学习模型结合Sentinel-2多光谱波段（如蓝、红、近红外和短波红外）以及大气信息生成。

低值（接近0） ：像素几乎不可能是云。
高值（接近100） ：像素高度可能是云。

这种概率评分为用户提供了细粒度的云检测能力，允许用户根据实际应用设定阈值进行去云处理。

其代码可参考如下：

/***第二种方法，采用CloudProbability进行Sentinel-2去云****/// 建立去云函数，这里我们将去云的阈值设置为30function CloudProbability(img,threshold){  var prob = img.select('probability')  return img.updateMask(prob.lte(threshold))}// 利用ee.Join.inner函数将cloud影像和Sentinel-2影像联合，以便后面去云时使用function MergeImages(primary, secondary) {  var join = ee.Join.inner();  var filter = ee.Filter.equals({    leftField: 'system:index',    rightField: 'system:index'  });  var




    
 Col = join.apply(primary, secondary, filter)                .map(function(image) {    var img1 = ee.Image(image.get("primary"));    var img2 = ee.Image(image.get("secondary"));    return ee.Image.cat(img1,img2);  });  return ee.ImageCollection(Col);}

第三种去云方法： Cloud Score+

Cloud Score+ 是一款用于中高分辨率光学卫星图像的质量评估 (QA) 处理器。 Cloud Score+ S2_HARMONIZED 数据集由经过协调的 Sentinel-2 L1C 集合生成，Cloud Score+ 输出可用于识别相对清晰的像素，并有效地从 L1C（大气顶部）或 L2A（表面反射）图像中去除云和云阴影。 Cloud Score+ S2_HARMONIZED 数据集包含两个 QA 波段，cs 和 cs_cdf，它们都以 0 到 1 之间的连续尺度对单个像素相对于表面可见性的可用性进行评级，其中 0 表示“不清晰”（被遮挡），而 1 表示“清晰”（未被遮挡）的观测结果。 cs 波段根据观测像素与（理论上的）清晰参考观测之间的光谱距离对 QA 进行评分，而 cs_cdf 波段则表示观测像素清晰的可能性，该可能性基于给定位置随时间变化的估计累积分数分布。换句话说，cs 可以被认为是更即时的大气相似性分数（即，该像素与我们期望在完全清晰的参考中看到的像素有多相似），而 cs_cdf 捕获随时间变化的估计分数的期望（即，如果我们拥有该像素随时间变化的所有分数，该分数将如何排名？）。 Cloud Score+ S2_HARMONIZED 集合中的图像具有与生成它们的单个 Sentinel-2 L1C 资产相同的 id 和 system:index 属性，因此 Cloud Score+ 波段可以根据其共享的 system:index 链接到源图像。

其代码可参考如下：

/***第三种方法得到的去云影像结果**/var S2A_img_rmCloudByCloudScore = S2A_img    .linkCollection(S2CS,'cs')    .map(function(img) {      return img.updateMask(img.select('cs').gte(0.6));    }).first();

2 讨论

首先，我们来看一下原始影像的质量和云分布：

其次，我们对比一下三种去云方法的结果（蓝色为去云后的填充色系）：

（1）QA60去云后的结果：

（2 ）Cloud Probability去云后的结果：

（3 ）采用Cloud Score+去云后的结果：

（4 ）三种不同方法的结果对比：

总结：在之前的研究中我们发现，无论是QA60去云，还是Cloud Probability去云，都会存在以下两个问题：

（1）以上两种方法在某些时段无法正常使用。比如Sentinel-2中没有QA60波段，或者没有对应的 Cloud Probability数据。这导致数据去云方式的连续性大大降低。

（2）以上两者方法对于细碎的云影像去除效果不好！！！

相比于以上两种方法， Cloud Score+去云可以很好的解决以上方法，是谷歌最新的研究方法！

（3）所有研究代码，我们进行了共享（代码链接：https://code.earthengine.google.com/bc63734c246459c673d33536b243f417）：

var geometry =     /* color: #d63000 */    /* shown: false */    ee.Geometry.Point([103.82735541698865, 30.805600117293057]),    S2A = ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED"),    S2C = ee.ImageCollection("COPERNICUS/S2_HARMONIZED"),    S2CP = ee.ImageCollection("COPERNICUS/S2_CLOUD_PROBABILITY"),    S2CS = ee.ImageCollection("GOOGLE/CLOUD_SCORE_PLUS/V1/S2_HARMONIZED");    /***第一种方法，采用QA60进行Sentinel-2去云****/function maskS2clouds_QA60(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);}
/***第二种方法，采用CloudProbability进行Sentinel-2去云****/// 建立去云函数，这里我们将去云的阈值设置为30function CloudProbability(img,threshold){  var prob = img.select('probability')  return img.updateMask(prob.lte(threshold))}// 利用ee.Join.inner函数将cloud影像和Sentinel-2影像联合，以便后面去云时使用function MergeImages(primary, secondary) {  var join = ee.Join.inner();  var filter = ee.Filter.equals({    leftField: 'system:index',    rightField: 'system:index'  });  var Col = join.apply(primary, secondary, filter)                .map(function(image) {    var img1 = ee.Image(image.get("primary"));    var img2 = ee.Image(image.get("secondary"));    return ee.Image.cat(img1,img2);  });  return ee.ImageCollection(Col);}

var S2A_img = S2A.filterDate('2020-10-1','2020-11-01')                .filterBounds(geometry)                // .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE',50))                .sort('CLOUDY_PIXEL_PERCENTAGE')                // .map(maskS2clouds_QA60)print('S2A_img',S2A_img)var visualization = {  min: 0.0,  max: 3000,  bands: ['B4', 'B3', 'B2'],};Map.addLayer(S2A_img.first(), visualization, 'S2A_imgRGB',false);
/***第一种方法得到的去云影像结果**/var S2A_img_rmCloudByQA60 = maskS2clouds_QA60(S2A_img.first())
/***第二种方法得到的去云影像结果**/var S2CP_img = S2CP.filterDate('2020-10-1','2020-11-01')                   .filterBounds(geometry);var S2A_img_rmCloudByCloudProbability = MergeImages(S2A_img, S2CP_img).map(function(image){return CloudProbability(image,30)});//阈值为30
/***第三种方法得到的去云影像结果**/var S2A_img_rmCloudByCloudScore = S2A_img    .linkCollection(S2CS,'cs')    .map(function(img) {      return img.updateMask(img.select('cs').gte(0.6));    }).first();
//设置空白处填充色系var span = ee.Image(1).clip(S2A_img.first().geometry())Map.addLayer(span,{palette:'blue'},'span')
//分别显示三种方法去云后的结果Map.addLayer(S2A_img_rmCloudByQA60,visualization, 'S2A_img_rmCloudByQA60',false);Map.addLayer(S2A_img_rmCloudByCloudProbability.first(),visualization, 'S2A_img_rmCloudByCloudProbability',false);Map.addLayer(S2A_img_rmCloudByCloudScore,visualization, 'S2A_img_rmCloudByCloudScore',false);

3 参考文献

https://medium.com/google-earth/all-clear-with-cloud-score-bd6ee2e2235e

往期回顾

1. Nature Cities|宫鹏院士团队发文揭示了云雾覆盖与3D城市构造减少了人类日照时长

2. 南京大学《遥感学报》发文利用GEE耦合多要素提取长江中下游地表水

3. Science正刊|全球高分辨率潮汐湿地动态分布

点个在看你最好看