Google Earth Engine谷歌地球引擎计算遥感影像在每个8天间隔内的多年平均值

本文介绍在谷歌地球引擎（Google Earth Engine，GEE）中，求取多年时间中，遥感影像在每1个8天时间间隔内的多年平均值的方法。

本文是谷歌地球引擎（Google Earth Engine，GEE）系列教学文章的第24篇，更多GEE文章请参考专栏：GEE学习与应用（https://blog.csdn.net/zhebushibiaoshifu/category_11081040.html）。

首先，来明确一下本文的需求。我们现在希望，计算Landsat 7与Landsat 8这2个遥感影像，在指定的研究区域中，于2014年至2020年里，从每1年的第1天开始，到每1年的最后1天结束，其中每1个8天时间间隔内的平均值。换句话说，我们希望计算研究区域中，2014年至2020年这7年中，每1年的第001天至008天这8天内，所有遥感影像的平均值（相当于先对每1年的这8天内的遥感影像求平均，然后再对这7年里的7个结果进一步做平均；随后，计算这7年中，每1年的第009天至016天这8天内，所有遥感影像的平均值；再计算这7年中，每1年的第017天至024天这8天内，所有遥感影像的平均值，以此类推。

因为这个需求涉及到大量的遥感影像，如果我们在本地操作的话需要下载大量的遥感影像数据，较为不便。因此，这里就介绍一下在GEE中实现这一需求的方法。本文所需代码如下。

var selectedDays = ee.List.sequence(1, 366, 8);
var roi = ee.Geometry.Rectangle(101, 31, 103.5, 33.5);var landsat_7 = ee.ImageCollection("LANDSAT/LE07/C02/T1_L2")
.filterDate("2014-01-01", "2021-01-01")
.select(["SR_B1", "SR_B2", "SR_B3", "SR_B4"])
.map(function(image) {return image.clip(roi).rename(["B1", "B2", "B3", "B4"]);
});
var landsat_8 = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
.filterDate('2014-01-01', '2021-01-01')
.select(["SR_B2", "SR_B3", "SR_B4", "SR_B5"])
.map(function(image) {return image.clip(roi).rename(["B1", "B2", "B3", "B4"]);
});
var landsat = landsat_7.merge(landsat_8);
// Map.addLayer(landsat, {}, "Landsat 7 and 8");var filterAndClip = function(day) {var start = ee.Number(day);var end = start.add(7);var filtered = landsat.filter(ee.Filter.calendarRange(start, end, 'day_of_year'));// Map.addLayer(filtered, {}, 'Landsat');var filtered_mean = filtered.mean();// Map.addLayer(filtered_mean, {}, "Landsat Mean");// print(filtered_mean);return filtered_mean;
};for (var i = 0; i < selectedDays.length().getInfo(); i++) {var day = selectedDays.get(i);var filtered = filterAndClip(day);var exportParams = {image: filtered,description: ee.Number(day).format('%03d').getInfo(),folder: "landsat_ref_8_days",scale: 30,region: roi,maxPixels: 10000000000000};Export.image.toDrive(exportParams);
}

其中，我们创建了一个名为selectedDays的变量，它是一个包含了从1到366的列表，步长为8；这表示选择了每年的第1、9、17天等等，作为处理的开始日期。接下来，我们创建了一个名为roi的变量，它表示感兴趣区域的范围。

随后，我们创建了两个变量landsat_7和landsat_8，分别表示LANDSAT 7和LANDSAT 8的图像集合；通过filterDate方法来筛选指定日期范围内的图像，并使用select方法选择特定的波段，且使用map方法对每个图像进行剪裁与重命名。这里之所以需要重命名，是因为接下来我们将使用merge方法将2个图像集合合并为1个；而merge方法需要保证待合并的2个ImageCollection具有相同的波段名称。

接下来，创建了一个名为filterAndClip的函数，用于对Landsat影像进行过滤和剪裁，并返回过滤后图像的平均值。这个函数具体的功能如下——首先，其接受一个参数day，表示处理的日期；随后，创建一个名为start的变量，使用ee.Number将day转换为数字类型；同时创建一个名为end的变量，使用start.add(7)计算start加上7的结果，表示8天的时间段。接下来，使用calendarRange方法对landsat数据集进行过滤，根据start和end的日期范围，筛选出满足条件的影像；这里使用'day_of_year'表示按照1年中的天数进行筛选；创建一个名为filtered的变量，将过滤后的影像集合赋值给它。接下来，通过.mean()方法计算过滤后影像集合的平均值，创建一个名为filtered_mean的变量来存储结果。最后，返回filtered_mean，即过滤后影像集合的平均值。

接下来，使用for循环遍历selectedDays列表中的每1个日期；在循环内部，使用filterAndClip函数对指定日期的影像进行过滤和剪裁，得到过滤后的影像的平均值。同时，创建一个exportParams对象，其中包含导出图像所需的参数，包括图像、描述、保存位置、像元分辨率、区域范围和最大像素数等。最后，使用Export.image.toDrive方法将图像导出到Google Drive。

其中，我们可以将上述代码中所有Map.addLayer()函数取消注释，并通过Inspector方法对地图数据加以查看。

首先对于Landsat 7 and 8这个图层（也就是第1个.addLayer()函数），可以看到其为研究区域中的所有Landsat遥感影像，如下图所示。

其次对于Landsat这个图层（也就是第2个.addLayer()函数），可以看到其为研究区域中，各年中所有落入当前8天时间间隔内的Landsat遥感影像；如下图所示，这里就是每1年中处于001天至008天的遥感影像。

而如下图所示，这里就是每1年中处于073天至081天的遥感影像。

其次对于Landsat Mean这个图层（也就是第3个.addLayer()函数），可以看到其为研究区域中，7年里当前8天时间间隔内的所有Landsat遥感影像的平均值；具体如上图与上上图所示。

执行上述代码，我们将在Tasks栏看到自动生成的遥感影像导出任务，其中各任务导出的遥感影像就以其所代表8天时间间隔的开始日期为名称；如下图所示。

由于要导出的遥感影像文件比较多，即任务比较多；我们可以在GEE网页中，按下F12按钮，选择“Console”，并将下方的代码复制到下图下方的紫色框内。

要复制的就是以下代码。

runTasks = function() {const evt = new MouseEvent('click', {bubbles: true, cancelable: true, ctrlKey: true})$$('.run-button' ,$$('ee-task-pane')[0].shadowRoot).forEach(function(e) {e.dispatchEvent(evt)})
}
runTasks()