Google Earth Engine中Landsat 8云处理核心代码解析

在遥感影像处理中，云覆盖是影响数据质量的主要挑战。下面将围绕Landsat 8云掩膜与去云处理的核心代码展开解析，帮助理解不同方法的技术原理与应用场景。

一、Landsat 8影像筛选与云量初步过滤

// 筛选Landsat 8影像并进行云量初步筛选
var landsat8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
  .filterBounds(userDrawnRectangle)
  .filterDate(startDate, endDate)
  .filterMetadata('CLOUD_COVER', 'less_than', 25)  // 云量小于25%
  .filterMetadata('CLOUD_COVER', 'greater_than', 5);  // 确保有一定云量用于测试

核心解析：

• 数据筛选：通过filterBounds和filterDate限定空间范围与时间区间，确保获取目标区域的影像。
• 云量过滤：CLOUD_COVER元数据表示整景影像的云覆盖比例，less_than 25排除高云量影像，greater_than 5避免无云场景（无法测试云处理效果）。

二、云掩膜核心方法：从基础到增强

1. 原始云掩膜（基于Landsat标准QA波段）

function maskCloudsOriginal(image) {
  var qa = image.select('QA_PIXEL');
  var cloud = qa.bitwiseAnd(1 << 3).or(qa.bitwiseAnd(1 << 4));  // 高置信度云+云阴影
  var cirrus = qa.bitwiseAnd(1 << 2);  // 卷云
  return image.updateMask(cloud.not()).updateMask(cirrus.not());
}

核心解析：

• QA_PIXEL波段：Landsat 8的质量评估波段通过二进制位存储云信息：
  • 1 << 3（bit3）：高置信度云（置信度≥90%）
  • 1 << 4（bit4）：云阴影
  • 1 << 2（bit2）：卷云（高层薄云）
• 掩膜逻辑：通过bitwiseAnd提取云位，not()取反后用updateMask屏蔽云区域。

2. 增强型云掩膜（多条件复合检测）

function maskCloudsEnhanced(image) {
  var qa = image.select('QA_PIXEL');
  // 增强型云检测：高/中等置信度云+云阴影
  var cloud = qa.bitwiseAnd(1 << 3).or(qa.bitwiseAnd(1 << 5)).or(qa.bitwiseAnd(1 << 4));
  // 薄云与雪掩膜：卷云+雪/冰
  var cirrus = qa.bitwiseAnd(1 << 2).or(qa.bitwiseAnd(1 << 8));
  // 亮度阈值辅助检测（近红外高反射率可能为云）
  var bright = image.select('B5').gt(0.3);
  return image.updateMask(cloud.not()).updateMask(cirrus.not()).updateMask(bright.not());
}

核心解析：

• 新增检测条件：
  • 1 << 5（bit5）：中等置信度云（置信度50%-90%）
  • 1 << 8（bit8）：雪/冰（易与云混淆）
  • B5 > 0.3：近红外波段（B5）高反射率，云通常在近红外表现为高亮
• 应用场景：适用于多云、多雪地区，减少云漏检。

3. 基于NDSI的雪/云分离掩膜

function maskCloudsSnow(image) {
  var ndsi = image.normalizedDifference(['B3', 'B6']);  // NDSI = (B3-B6)/(B3+B6)
  var snow = ndsi.gt(0.4);  // 雪掩膜
  var cloudMask = maskCloudsOriginal(image);  // 原始云掩膜
  return cloudMask.updateMask(snow.not());  // 排除雪区域
}

核心解析：

• NDSI原理：NDSI对积雪敏感（B3绿光波段对雪反射强，B6短波红外对雪反射弱），雪区NDSI>0.4。
• 去混淆逻辑：雪与云在QA波段易混淆，通过NDSI分离雪，避免将雪误判为云。

4. 基于NDVI的云掩膜（光谱特征联合检测）

function maskCloudsNDVI(image) {
  var ndvi = image.normalizedDifference(['B5', 'B4']);  // NDVI = (B5-B4)/(B5+B4)
  var ndsi = image.normalizedDifference(['B3', 'B6']);  // NDSI
  // 云的光谱特征：低NDVI+高反射率，或高NDSI（雪）
  var lowNDVI = ndvi.lt(0.2);
  var highReflectance = image.select('B4').gt(0.25).and(image.select('B3').gt(0.25)).and(image.select('B2').gt(0.25));
  var cloud = lowNDVI.and(highReflectance).or(ndsi.gt(0.4));
  return image.updateMask(cloud.not());
}

核心解析：

• 云的光谱特征：
  • 植被区NDVI>0.2，云区NDVI通常<0.2；
  • 云在可见光波段（B2/B3/B4）反射率高（>0.25），与地表形成差异；
• 联合检测：通过NDVI、NDSI和反射率阈值多重条件降低误检率。

三、去云处理：从时间序列中恢复地表信息

1. 中值合成去云（静态填充）

function cloudRemovalMedian(collection) {
  var median = collection.median();  // 计算时间序列中值影像
  return collection.map(function(image) {
    var masked = maskCloudsOriginal(image);  // 先掩膜云
    var filled = masked.unmask(median);  // 用中值填充云区
    return filled.copyProperties(image, ['system:time_start']);
  });
}

核心解析：

• 中值合成：collection.median()计算整个时间序列的中值影像，代表该区域的"典型地表"。
• 填充逻辑：用中值影像填充当前影像的云掩膜区域，适用于地表特征变化缓慢的场景（如裸地、建筑）。

2. 时间序列前后帧插值去云（动态填充）

function cloudRemovalTemporal(collection) {
  return collection.map(function(image) {
    var masked = maskCloudsEnhanced(image);  // 增强型掩膜
    var time = ee.Date(image.get('system:time_start'));
    // 提取前30天和后30天的中值影像
    var before = collection.filterDate(time.advance(-30, 'day'), time).median();
    var after = collection.filterDate(time, time.advance(30, 'day')).median();
    // 用前后中值的平均值填充云区
    var fill = before.add(after).divide(2);
    var filled = masked.unmask(fill);
    return filled.copyProperties(image, ['system:time_start']);
  });
}

核心解析：

• 时间序列插值：利用云区前后30天的无云（或少云）影像计算中值，通过(前值+后值)/2插值填充。
• 动态适应性：相比中值合成，该方法更适用于地表特征随时间变化的场景（如植被生长、水体变化）。

四、云掩膜可视化与结果导出

// 完整云掩膜（包含云、阴影、卷云、雪）
var fullCloudMask = qa.bitwiseAnd(1 << 3)
  .or(qa.bitwiseAnd(1 << 5)).or(qa.bitwiseAnd(1 << 4))
  .or(qa.bitwiseAnd(1 << 2)).or(qa.bitwiseAnd(1 << 8))
  .or(selectedImage.select('B5').gt(0.3));

// 导出云掩膜结果
Export.image.toDrive({
  image: fullCloudMask.clip(userDrawnRectangle).selfMask(),
  description: 'FullCloudMask',
  scale: 30,
  region: userDrawnRectangle,
  maxPixels: 1e13,
  fileFormat: 'GeoTIFF'
});

核心解析：

• 可视化逻辑：通过palette: ['blue', 'red']将云掩膜（值为1）显示为红色，非云区（值为0）显示为蓝色。
• 结果导出：selfMask()将掩膜转换为二值影像（0和1），配合fileFormat: 'GeoTIFF'导出为标准遥感格式，便于后续分析。

五、不同方法的适用场景与选择建议

实践建议：先通过maskCloudsEnhanced进行基础云掩膜，再根据研究区特征（如是否有积雪、植被覆盖度）选择辅助方法（NDSI或NDVI），去云处理优先使用时间序列插值法以保留更多真实地表信息。
部分实验结果如下：
1.整体结果

2.不同云掩膜

3.原始影像与时间序列插值结果

欢迎大家关注我的微信公众号：遥感AI实战，猫猫头像的那个