GEE哨兵二号查询代码

以下是使用Python代码在Google Earth Engine中查询Sentinel-2影像的示例：
import ee

# 初始化 Earth Engine
ee.Initialize()

# 定义区域
roi = ee.Geometry.Point([-122.4439, 37.7538])

# 定义时间范围
start_date = ee.Date('2022-01-01')
end_date = ee.Date('2022-01-31')

# 选择Sentinel-2影像集
sentinel2 = ee.ImageCollection('COPERNICUS/S2_SR')

# 根据区域和时间过滤影像集
filtered = sentinel2.filterBounds(roi).filterDate(start_date, end_date)

# 按云量排序并选择第一个影像
image = filtered.sort('CLOUD_COVERAGE_ASSESSMENT').first()

# 打印影像信息
print('Selected image:', image.getInfo()['id'])
登录后复制
这段代码首先初始化了Google Earth Engine，然后定义了一个点状区域和时间范围。接着选择了Sentinel-2的影像集，并根据区域和时间过滤影像集。然后按云量排序，并选择第一个影像。最后打印了所选择的影像的ID。

相关问题

GEE查询哨兵二号影像代码

以下是查询哨兵二号影像的代码示例，需要在Google Earth Engine平台上运行：
// 导入哨兵二号影像数据集
var sentinel2 = ee.ImageCollection('COPERNICUS/S2');

// 设置查询时间范围和空间范围
var startDate = '2021-01-01';
var endDate = '2021-12-31';
var region = ee.Geometry.Polygon(
[[[120, 30], [120, 31], [121, 31], [121, 30], [120, 30]]], null, false);

// 过滤影像集合
var filtered = sentinel2
.filterDate(startDate, endDate)
.filterBounds(region);

// 选择需要的波段
var image = ee.Image(filtered.first()).select(['B4', 'B3', 'B2']);

// 在地图上显示影像
Map.centerObject(region, 10);
Map.addLayer(image, {min:0, max:3000}, 'Sentinel-2 Image');
登录后复制
上述代码中，我们首先导入了哨兵二号影像数据集，然后设置了查询的时间范围和空间范围。接着，我们过滤掉了符合条件的影像集合，选择了需要的波段并显示在地图上。其中，B4、B3和B2表示红、绿、蓝三个波段。在添加图层时，我们将最小值设置为0，最大值设置为3000，以便更好地显示影像。

GEE下载哨兵2号 MSI

使用 Google Earth Engine (GEE) 下载 Sentinel-2 MSI 数据
准备工作
在 GEE 中下载 Sentinel-2 MSI 数据前，需完成以下准备工作：

创建并登录到自己的 GEE 账户。
安装 GEE 的 Python API 或者使用在线 Code Editor 进行操作。

编写脚本
以下是用于筛选、处理以及导出 Sentinel-2 MSI 数据的代码示例：
// 定义研究区域（以宁夏为例）
var roi = ee.Geometry.Rectangle([105, 36, 107, 38]);

// 加载 Sentinel-2 数据集
var sentinel2 = ee.ImageCollection('COPERNICUS/S2')
.filterDate('2023-01-01', '2023-01-31') // 设置时间范围
.filterBounds(roi); // 筛选覆盖 ROI 的图像

// 打印集合信息至控制台
print(sentinel2);

// 计算 NDVI 并添加为新波段
var addNDVI = function(image) {
var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI');
return image.addBands(ndvi);
};

var withNDVI = sentinel2.map(addNDVI);

// 导出带有 NDVI 波段的数据
Export.image.toDrive({
image: withNDVI.first(), // 只导出第一个影像
description: 'sentinel2_ndvi_export',
scale: 10, // 输出分辨率为 10 米
region: roi,
maxPixels: 1e13 // 增加最大像素数限制
});
登录后复制
上述代码实现了以下几个功能：

**定义感兴趣区域 (ROI)**：通过 ee.Geometry 方法指定地理边界[^2]。
加载数据：利用 ImageCollection 和过滤器获取特定时间和空间范围内的 Sentinel-2 图像。
计算 NDVI：基于近红外波段 (B8) 和红光波段 (B4) 计算归一化植被指数 (NDVI)[^1]。
导出数据：将处理后的图像保存到用户的 Google Drive 上。

注意事项

需要调整日期范围和地理位置来匹配具体需求。
如果目标区域内存在大量云层，则可以引入哨兵-2 L2A 数据中的场景分类图层 (SCL)，剔除被标记为高概率云或阴影的部分[^3]。