GEE学习1-ImageCollection的可视化1-获取无云有序的影像集

GEE学习1-ImageCollection的可视化1-获取⽆云有序的影像集在GEE中，对单个Image进⾏可视化⼗分常见，但如何对ImageCollection进⾏可视化呢？
GEE给出了静态和动态的⽅法，因此你可以将可视化的参数赋予给ImageCollection中每⼀个Image，也可以更⾼级地利⽤
GEE提供的函数将ImageCollection以⼀个动画或⼀系列幻灯⽚形式进⾏动态可视化，快速评估ImageCollection的内容，观测
时空变化。

我将这⼀部分内容分为三块：
⼀、获取⽆云有序的影像集
⼆、可视化实现的⽅法
三、可视化的⾼级功能
当然，⼼急的朋友可以从第⼆块内容开始阅读~~~~
⼀、获取⽆云有序的影像集
我们需要根据遥感影像本⾝的特点和⾃⾝的需求，筛选出尽量⽆云且噪声较⼩的影像集作为可视化的素材，⼀般使⽤ filter（过滤）+ruduce（合成）的操作。

（1）按⽇期区间的合成
这⾥使⽤选择MODIS 16天的NDVI数据作为例⼦，这样操作后的集合产⽣的动画噪声较⼩，因为每个图像代表20多年数据中每16天的NDVI复合图像的中值：
//创建⼀个从1到365、步长为16（天）的数列，代表⼀年中的影像区间
var doyList = ee.List.sequence(1, 365, 16);
//导⼊MOSIS NDVI数据集
var ndviCol = ee.ImageCollection('MODIS/006/MOD13A2').select('NDVI');
//遍历数列，构建影像列表
var ndviComplist = doyList.map(function(startDoy){
startDoy = ee.Number(startDoy);
//按⽇期范围过滤图像，起始⽇期是当前⽇期startDoy，结束⽇期是当前⽇期的15天后
return ndviCol
.filter(ee.Filter.calendarRange(startDoy, startDoy.add(15),
'day_of_year'))
//将过滤得到的⽇期区间内的所有图像取中值，合成为⼀个图像
.reduce(ee.Reducer.median());
});
//将list格式的图像列表转换为ImageCollection格式
var ndviCompCol = ee.ImageCollection.fromImages(ndviCompList);
(2)按季节的年际合成
但是对于Landsat影像，每个传感器针对给定场景每16天收集⼀次Landsat数据，使得图像的某些部分经常被云遮盖。

因此，可以考虑⽤遮盖云层并合成同⼀季节的⼏张年度图像可以产⽣更加⽆云的图像。

下⾯的例⼦对每年7⽉和8⽉的Landsat 5图像取中值得到从1985年到2011年的每年的合成影像：
var lsCol = ee.ImageCollection('LANDSAT/LT05/C01/T1_SR')
.filterBounds(ee.Geometry.Point(-122.9, 43.6))
//得到每年7⽉-8⽉的影像
.filter(ee.Filter.dayOfYear(182, 243))
//给每个图像添加"year"属性
.map(function(img) {
return img.set('year', ee.Image(img).date().get('year'));
});
//定义⼀个函数以掩膜图像中云和阴影。

var cloudMask = function(img) {
var qa = img.select('pixel_qa');
var cloud = qa.bitwiseAnd(1 << 5).or(qa.bitwiseAnd(1 << 3));
return img.updateMask(cloud.not());
//获取有7⽉-8⽉图像的年份
var years = ee.List(lsCol.aggregate_array('year')).distinct().sort();
//⽣成年份列表以构建年度图像合成列表。

var lsCompList = years.map(function(year) {
return lsCol
// 按年份过滤图像集
.filterMetadata('year', 'equals', year)
//使⽤云层掩膜函数
.map(cloudMask)
//对同年内的所有影像取中值合成为⼀个图像
.reduce(ee.Reducer.median())
//将合成年份设置为图像属性。

.set('year', year);
});
//将list格式的图像列表转换为ImageCollection格式
var lsCompCol = ee.ImageCollection.fromImages(lsCompList);
(3）进阶——使⽤join⽅法
前两种⽅法是通过构建天和年的列表来逐步定义新⽇期以进⾏过滤和合成。

使⽤join⽅法也可以实现这样的操作。

下⾯的例⼦，⾸先得到了⼀个Unique年份集合并使⽤saveall将属于相同年份的影像将被分到⼀个List对象中，在使⽤遍历的⽅法得到每年的合成影像。

var lsCol = ee.ImageCollection('LANDSAT/LT05/C01/T1_SR')
.filterBounds(ee.Geometry.Point(-122.9, 43.6))
.filter(ee.Filter.dayOfYear(182, 243))
// 给每个图像添加"year"属性
.map(function(img) { return img.set('year', ee.Image(img).date().get('year')); });
//得到不重复年份的影像集，⾥⾯每个影像代表⼀个年份
var distinctYears = lsCol.distinct('year').sort('year');
//定义⼀个联接过滤器；⼀对多加⼊“年份”属性。

var filter = ee.Filter.equals({leftField: 'year', rightField: 'year'});
// 定义⼀个连接.
var join = ee.Join.saveAll('year_match');
//应⽤join，将“year_match”属性添加到每个不重复年的代表图像。

//每个图像的“year_match”属性是包含属于相应年份的所有图像，是⼀个List格式
var joinCol = join.apply(distinctYears, lsCol, filter);
// 定义⼀个函数以掩膜图像中云和阴影。

var cloudMask = function(img) {
var qa = img.select('pixel_qa');
var cloud = qa.bitwiseAnd(1 << 5).or(qa.bitwiseAnd(1 << 3));
return img.updateMask(cloud.not()); };
//遍历每个不同年份的图像集
var lsCompList = joinCol.map(function(img) {
//获取属于给定年份的图像列表。

return ee.ImageCollection.fromImages(img.get('year_match'))
//使⽤云层掩膜
.map(cloudMask)
//取中值
.reduce(ee.Reducer.median())
//将合成年份设置为图像属性
.copyProperties(img, ['year']);
});
//将list格式的图像列表转换为ImageCollection格式
var lsCompCol = ee.ImageCollection(lsCompList);
下⾯的例⼦根据Landsat影像的⾏列信息对集合进⾏过滤后，将使⽤join操作对来⾃同⼀⽇期的Landsat图像进⾏镶嵌。

var lsCol = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR')
.filterDate('2017-01-01', '2019-01-01')
.filter('WRS_PATH == 38 && (WRS_ROW == 28 || WRS_ROW == 29)')
.map(function(img) {
var date = img.date().format('YYYY-MM-dd');
return img.set('date', date);
});
var distinctDates = lsCol.distinct('date').sort('date');
var filter = ee.Filter.equals({leftField: 'date', rightField: 'date'});
var join = ee.Join.saveAll('date_match');
var joinCol = join.apply(distinctDates, lsCol, filter);
var lsColMos = ee.ImageCollection(joinCol.map(function(col) {
return ee.ImageCollection.fromImages(col.get('date_match')).mosaic();
}));
(4)排序
按时间对集合进⾏排序，以确保按正确的时间顺序排列，或者按您选择的属性排序。

默认情况下，集合是按照⾃然顺序排序，也可以使⽤sort⽅法根据影像的属性进⾏排序。

//按观察时间排序，使⽤system：time_start属性
var s2col = ee.ImageCollection('COPERNICUS/S2_SR')
.filterBounds(ee.Geometry.Point(-122.1, 37.2))
.sort('system:time_start');
//或者通过云量来定义顺序
var s2col = ee.ImageCollection('COPERNICUS/S2_SR')
.filterBounds(ee.Geometry.Point(-122.1, 37.2))
.sort('CLOUDY_PIXEL_PERCENTAGE');
//也可以通过派⽣的属性来定义，例如NDVI均值。

var aoi = ee.Geometry.Point(-122.1, 37.2).buffer(1e4);
var ndviCol = ee.ImageCollection('MODIS/006/MOD13A1')
.filterDate('2018-01-01', '2019-01-01')
.select('NDVI')
// 遍历图像集合以计算区域内的平均NDVI并将其作为属性
.map(function(img) {
var meanNdvi = img.reduceRegion({
reducer: ee.Reducer.mean(),
geometry: aoi,
scale: 500});
return img.set('meanNdvi', meanNdvi.get('NDVI'));
})
// 根据NDVI均值倒叙排列
.sort('meanNdvi', false);。