#冲刺创作新星#PIE-Engine水稻影像面积提取3 原创

这里分别获取计算2019年和2020年LSWI、EVI两期影像的分析，这里我们有几个常用的函数其中过一个是构建影像集合的一个函数：

fromImages(images)

根据Image列表构建ImageCollection对象。

方法参数：

• imageCollection(ImageCollection)

ImageCollection实例。

• images(Array)

影像数据列表

返回值：ImageCollection

大家这里可能有点疑问关于代码中的分析，EVI影像的波段代码要divide（1000），因为这里的sentinel2的波段中每一个波长

名称 中心波长(nm) 分辨率(m) 描述信息
A B
B1 443.9 442.3 60 Aerosols

B2 496.6 492.1 10 Blue
B3 560 559 10 Green
B4 664.5 665 10 Red
B5 703.9 703.8 20 Red Edge 1
B6 740.2 739.1 20 Red Edge 2
B7 782.5 779.7 20 Red Edge 3
B8 835.1 833 10 NIR
B8A 864.8 864 20 Red Edge 4
B9 945 943.2 60 Water vapor
B10 1373.5 1376.9 60 Cirrus
B11 1613.7 1610.4 20 SWIR 1
B12 2202.4 2185.7 20 SWIR 2
QA10 443.9 442.3 10 –
QA20 – – 20 –
QA60 – – 60 –
Bitmask for QA60

Bits 10: Opaque clouds
0: No opaque clouds
1: Opaque clouds present
Bits 11: Cirrus clouds
0: No cirrus clouds
1: Cirrus clouds present

 * @Name    :   基于 PIE Engine Studio 的水稻自动提取
 * @Author  :   武汉大学VHR队
 * @Desc    :   淮安市水稻提取 - 合成sentinel2月度影像
 * @Source  :   航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组三等奖获奖作品
 */

//3.合成sentinel2月度影像
//选择淮安市矢量
var roi = pie.FeatureCollection("NGCC/CHINA_CITY_BOUNDARY").filter(pie.Filter.eq('name', '淮安市')).first().geometry()
Map.centerObject(roi, 8)
Map.addLayer(roi)

//LSWI
function LSWI(image) {
    var swir = image.select("B11")
    var nir = image.select("B8")
    var lswi = (nir.subtract(swir)).divide(nir.add(swir))
    return image.addBands(lswi.rename("LSWI"));
}
//EVI
function EVI(image) {
    var red = image.select("B4").divide(10000)
    var nir = image.select("B5").divide(10000)
    var blue = image.select("B2").divide(10000)
    var evi = ((nir.subtract(red)).multiply(2.5))
        .divide(nir.add(red.multiply(6)).subtract(blue.multiply(7.5)).add(1))
        .multiply(10000)
    return image.addBands(evi.rename("EVI"));
}
//去云处理
function maskS2clouds(image) {
    //选择有关云掩膜的波段
    var qa = image.select('QA60')
    //位10和11分别代表云和卷云。
    var cloudBitMask = 1 << 10;
    var cirrusBitMask = 1 << 11;
    // 将有关云的像元置为0
    var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
        .and(qa.bitwiseAnd(cirrusBitMask).eq(0))
    return image.updateMask(mask)
}
var area = pie.Geometry.Polygon([
    [
        [
            118.33558377212347,
            32.62288800615681
        ],
        [
            119.24768569883133,
            32.62288800615681
        ],
        [
            119.24768569883133,
            31.21438784070145
        ],
        [
            118.33558377212347,
            31.21438784070145
        ],
        [
            118.33558377212347,
            32.62288800615681
        ]
    ]
], null);
//合成lswi波段的月度影像（做这个实验时由于map函数存在问题不能同时进行两个波段计算，因此分开计算）
var lswi1 = pie.ImageCollection('S2/L1C')
    .filterBounds(roi)
    .filterDate("2019-12-1", "2019-12-31")
    .select(['B2', 'B4', 'B8', 'B11', 'QA60'])
    .map(maskS2clouds)
    .map(LSWI)
    .select(['LSWI'])
    .mosaic()
    .clip(roi)
var lswi2 = pie.ImageCollection('S2/L1C')
    .filterBounds(roi)
    .filterDate("2020-12-1", "2020-12-31")
    .select(['B2', 'B4', 'B8', 'B11', 'QA60'])
    .map(maskS2clouds)
    .map(LSWI)
    .select(['LSWI'])
    .mosaic()
    .clip(roi);
//合成evi波段的月度影像              
var evi1 = pie.ImageCollection('S2/L1C')
    .filterBounds(roi)
    .filterDate("2019-12-1", "2019-12-31")
    .select(['B2', 'B4', 'B8', 'B11', 'QA60'])
    .map(maskS2clouds)
    .map(EVI)
    .select(['EVI'])
    .mosaic()
    .clip(roi)
var evi2 = pie.ImageCollection('S2/L1C')
    .filterBounds(roi)
    .filterDate("2020-12-1", "2020-12-31")
    .select(['B2', 'B4', 'B8', 'B11', 'QA60'])
    .map(maskS2clouds)
    .map(EVI)
    .select(['EVI'])
    .mosaic()
    .clip(roi);
//将2019年和2020年对应月份影像取均值合成              
var lswi = pie.ImageCollection.fromImages([lswi1, lswi2]).mean()
var evi = pie.ImageCollection.fromImages([evi1, evi2]).mean()
var jan = lswi.addBands(evi);
//导出月度影像
Export.image({
    image: jan,
    description: 'jan',
    assetId: "jan",
    region: area,
    scale: 30,
})