标签:Engine scl Google 为例 image var shadow cloud 作物
作物分类是一个困难的问题。有助于明确区分作物的一个有用技术是考虑作物物候学。这种技术可用于检测特定类型的作物或将作物与其他形式的植被区分开来。可以为作物周期的不同时期创建合成图像,并创建一个合成的影像,用于分类。这使得分类器可以学习时间模式,并检测出表现出类似模式的像素。本文以list作为划分月份,来确定不同季节的影像,以此来查看不同时间点作物的区别:
代码:
var s2 = ee.ImageCollection("COPERNICUS/S2_SR")
var table = ee.FeatureCollection("users/bqt2000204051/sichuan");
var boundary = table.geometry()
Map.centerObject(boundary, 8)
// bit位移去云函数Function to remove cloud pixels from Sentinel-2 SR image
function maskCloudAndShadowsSR(image) {
var cloudProb = image.select('MSK_CLDPRB');
var snowProb = image.select('MSK_SNWPRB');
var cloud = cloudProb.lt(10);
var scl = image.select('SCL');
var shadow = scl.eq(3); // 3 = cloud shadow
var cirrus = scl.eq(10); // 10 = cirrus
// Cloud probability less than 10% or cloud shadow classification
var mask = cloud.and(cirrus.neq
标签:Engine,scl,Google,为例,image,var,shadow,cloud,作物 来源: https://blog.csdn.net/qq_31988139/article/details/123522100
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。