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
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：
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);}
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);}
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
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
往期回顾
