GEE必须会教程—影像集合的操作方法

影像集合（Image Collection），说白了就是把一堆影像打包在一起形成的集合，我们可以用用前文讲过的矢量集合的方法来理解（http://t.csdnimg.cn/bRJOT），学习影像集合的过程中，同样需要掌握影像集合数据的定义、属性信息的访问、过滤筛选、以及区域统计等等。

接下来我们一个一个进行讲解

A.固定影像输出个数与获取影像大小

由于数据集合中往往存在数以千计的单张影像，在进行分析时，我们不一定能够用上所有的影像，因此限制影像的输出就显得必要，它可以减小云端内存的存储量。提升计算效率，我们在这里用上limit进行限制。

var L8 = ee.ImageCollection("LANDSAT/LC08/C02/T1_TOA");
var Col1 = L8.limit(10);
print(Col1);
print(Col1.size());

此处我们使用Landsat8的大气层顶反射率数据集合进行案例示范，该数据包含多张影像，我们使用limit方法，重新建立了新的影像集合，改集合包含10张影像，因此结果输出的时候size的大小自然就是10啦。

B.过滤筛选

影像集合的过滤筛选主要包括时间过滤、属性过滤和空间过滤，我们来举个例子吧

//时间过滤
var L9 = ee.ImageCollection("LANDSAT/LC09/C02/T1_TOA");
var Col2 = L9.filterDate("2023-01-01","2023-01-02");
print(Col2);
//空间过滤
var roi = ee.Geometry.Polygon([[[-74.13240375034862,-48.93016861528302],
                                [-70.52888812534862,-47.61403250654011],
                                [-72.81404437534862,-46.29428986987951],
                                [-74.13240375034862,-48.93016861528302]]]);
Map.addLayer(roi,{"color":"red"},"roi");
var Col3 = L9.filterBounds(roi);
print(Col3);
//属性过滤
var Col4 = L9.filterMetadata("CLOUD_COVER","equals",10);
print(Col4);
//三种过滤的综合
var Col5 = L9.filterDate("2023-01-01","2023-01-30")
              .filterBounds(roi)
              .filterMetadata("CLOUD_COVER","less_than",20);
print(Col5);
var trueColor432Vis = {
  min: 0.0,
  max: 0.4,
  bands:["B4","B3","B2"]
};
Map.addLayer(Col5.first(), trueColor432Vis, 'True Color (432)');

上面的代码展示了在影像集合数据中进行过滤的操作，主要用到的过滤操作方法有filterDate（时间）、filterBounds（空间）、filterMetadata（属性）。其中以属性过滤的方法参数较多，此处小编想筛选云层覆盖分数为10的L9影像。最终得到的结果如下：

C.遍历循环

影像集合与矢量集合一样，当我们需要对每一张影像进行同一个操作时，为了方便，就要用到循环了。举个例子，我们现在在亚马逊流域划定一块区域，期望利用L9数据计算经过该区域的每一张影像的NDVI均值，并将结果添加到原图像中。

//遍历循环
//研究区域定义
var roi1 = ee.Geometry.Polygon([[[-57.48322729874109,-3.181066228738518],
                                 [-54.59382300186609,-3.181066228738518],
                                 [-54.59382300186609,-1.4357253044917677],
                                 [-57.48322729874109,-1.4357253044917677],
                                 [-57.48322729874109,-3.181066228738518]]]);
Map.addLayer(roi1,{"color":"orange"},"roi1");
Map.centerObject(roi1,6);
//影像数据筛选
var Col6 = ee.ImageCollection("LANDSAT/LC09/C02/T1_TOA")
                                .filterDate("2023-06-01","2023-06-30")
                                .filterBounds(roi1)
                                .filterMetadata("CLOUD_COVER","less_than",20);
print(Col6,"Col6");
Map.addLayer(Col6.first(),trueColor432Vis,"Col6");
//计算NDVI添加波段
var Col6NDVI = Col6.map(function(image){
  var ndvi = image.normalizedDifference(["B5","B4"]);
  return image.addBands(ndvi.rename("NDVI"));
}).select("NDVI");
print(Col6NDVI,"Col6NDVI");
//统计研究区域每一张影像NDVI均值
var Col6NDVIMean = Col6NDVI.map(function(image){
  var mean = image.reduceRegion({
    reducer:ee.Reducer.mean(),
    geometry:roi1,
    scale:250,
  });
  var ndvi = ee.Number(mean.get("NDVI"));
  image = image.set("ndvi",ndvi);
  return image;
});
print("Col6NDVIMean",Col6NDVIMean);

遍历循环我们常常用到map方法，该方法一定要掌握，我们在前面多次强调。map方法主要结构为：

collection.map(function(element{order1,order2,return element})

上面的代码中，我们在两个地方用到了map方法，第一部分采用map遍历每一张影像，计算其NDVI，并且添加波段重命名为NDVI，考考大家，结尾为什么要使用select方法？这是因为原L9单景影像波段数量较多，select类似与复制粘贴的含义，通过select方法，挑选出自己想要的波段，再生成新的影像，这样输出的影像结果就只会保留我们选择的波段。因此，这里我们生成的影像只保留NDVI波段。第二部分我们采用map方法统计经过研究区域影像的NDVI均值，由于进行统计计算时，reduceRegion最后返回的是字典对象，因此我们需要使用get讲NDVI均值提取出来，再设置其为影像的属性。我们来看看，最后的结果是不是这样的：

除了map方法，遍历循环还有什么方法？相信大家在学习矢量集合的时候还接触过iterate方法，小编在当时的文章里花了较大的篇幅进行讲解，要是友友们对这个方法感兴趣，可以回看小编此前写的文章，在此就不花笔墨啦。

D.统计方法

接着上文的例子，我们涉及到了影像的区域统计。今天最后一部分时间，把视角切入到区域统计计算的讨论。在GEE中，针对于ImageCollection，主要有两种方法开展统计，第一种是应用于多波段的高光谱数据，第二种是针对于属性信息的统计。

D1—多波段数据的统计

多波段数据的统计常常使用reduce方法，这个方法一共有两个参数，第一个参数是reducer，代表你是想统计什么？均值、最大值、最小值、中值？这里的统计，是针对于同一个像素展开的，最后得到的结果就是所有像素在某一种统计方法下合成的单景影像。第二个参数是parallelScale，用来应对缩放内存溢出的状况。

//reduce统计
//导入研究区域
var roi2 = ee.Geometry.Polygon([[[32.12760898702021,-14.957509026064299],
                                [36.10465976827021,-14.957509026064299],
                                [36.10465976827021,-9.353667321411514],
                                [32.12760898702021,-9.353667321411514],
                                [32.12760898702021,-14.957509026064299]]]);
Map.centerObject(roi2,6);
//数据预处理
var Landsat9 = ee.ImageCollection("LANDSAT/LC09/C02/T1_TOA")
                        .filterDate("2023-01-31","2023-12-31")
                        .filterBounds(roi2);//筛选
var Landsat9maskcloud = Landsat9.map(ee.Algorithms.Landsat.simpleCloudScore)
                                .map(function(image){
                                var mask = image.select("cloud").lte(20);
                                return image.updateMask(mask);
                                });//去云
//计算NDVI
var Landsat9NDVI = Landsat9maskcloud.map(function(image){
                             var ndvi = image.normalizedDifference(["B5","B4"]);
                             return image.addBands(ndvi.rename("NDVI"));
}).select("NDVI");
//可视化参数设置
var palettes = require('users/gena/packages:palettes');
var visParams = {
  min:-0.2,
  max:0.8,
  palette:palettes.colorbrewer.RdYlGn[10]
};
//区域统计
var image = Landsat9NDVI.reduce(ee.Reducer.mean());
//图层显示
Map.addLayer(image,visParams,"NDVIimage");
Map.addLayer(roi2,{"color":"orange"},"roi2");
print("Image",image)

此处小编选择了非洲的某著名湖泊作为研究区域，目标是统计该湖泊周边的区域NDVI均值。主要的过程包括研究区域的定义，数据的预处理，这里要复习一下去云哦（http://t.csdnimg.cn/sJxuj），接着计算NDVI，并且进行区域的NDVI数值的统计。关于Lnadsat大段的代码，其实还有简化的空间，所有的map都是可以一气呵成的，如此就可以不用定义那么多的中间变量了。

var Landsat9 = ee.ImageCollection("LANDSAT/LC09/C02/T1_TOA")
                    .filterDate("2023-01-31","2023-12-31")
                    .filterBounds(roi2)
                    .map(ee.Algorithms.Landsat.simpleCloudScore)
                       .map(function(image){
                           var mask = image.select("cloud").lte(20);
                           return image.updateMask(mask);
                         }).map(function(image){
                         var ndvi = image.normalizedDifference(["B5","B4"]);
                         return image.addBands(ndvi.rename("NDVI"));
                    }).select("NDVI");

华丽欣赏在地图上最终得到的结果：

D2—属性信息统计

//reduceColumns统计
//研究区域定义
var roi3 = ee.Geometry.Polygon([[[127.93463885872399,41.91358883254171],
                                 [128.22577655403649,41.91358883254171],
                                 [128.22577655403649,42.06771501827376],
                                 [127.93463885872399,42.06771501827376],
                                 [127.93463885872399,41.91358883254171]]]);
Map.centerObject(roi3,6);
//数据预处理
var Landsat9 = ee.ImageCollection("LANDSAT/LC09/C02/T1_TOA")
                        .filterDate("2023-01-31","2023-12-31")
                        .filterBounds(roi3)
                          .map(ee.Algorithms.Landsat.simpleCloudScore)
                                .map(function(image){
                                var mask = image.select("cloud").lte(10);
                                return image.updateMask(mask);
                                });
print("Landsat9",Landsat9);
//属性信息统计
var index = Landsat9.reduceColumns(ee.Reducer.toList(),["system:index"]);
print("index",index);
var index1 = index.get("list");
print("index1",index1);

属性信息的统计即统计某一个影像集合的属性信息。此处小编想找出覆盖2023年长白山天池云量小于10%的所有影像的索引号，使用reduceColumns方法，在计算上选择toList的形式，意图将索引号以列表的形式进行存储，采用get方法提取处列表，这样便能够单独得到一张表格，里头存储了符合目标要求的所有影像索引号。且看结果：