最近，在处理遥感数据时，我意识到还没有对不同研究区内的波段值进行系统的提取。考虑到这一步骤在很多遥感分析任务中的重要性，我特地整理了一套提取波段值的方法，并将相关内容分享给大家。本文将聚焦于如何利用遥感影像高效提取不同研究区域的波段值，为后续的分析打下基础。
这里以北京市和天津市的区县区域为例，我选择了2024年3月1日-10月1日之间的sentinel-2和Landsat8的指定波段的数据，并对数据进行均值合成，如sentinel-2选择11个波段（如B2、B3、B4等）进行分析以及Landsat8的多个波段（如SR_B1、SR_B2、SR_B3等）。
不多说了，直接上代码！ 👇
// 定义研究区
var aoi = table2;
print("AOI (Area of Interest):", aoi);// Sentinel-2云掩膜函数
function maskS2clouds(image) {var qa = image.select('QA60');var cloudBitMask = 1 << 10; // 云掩膜var cirrusBitMask = 1 << 11; // 卷云掩膜var mask = qa.bitwiseAnd(cloudBitMask).eq(0).and(qa.bitwiseAnd(cirrusBitMask).eq(0));return image.updateMask(mask).divide(10000);
}// Landsat-8数据预处理函数
function applyScaleFactors(image) {var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);return image.addBands(opticalBands, null, true).addBands(thermalBands, null, true);
}// Landsat-8云掩膜函数
function rmCloudNew(image) {var cloudShadowBitMask = (1 << 3); var cloudsBitMask = (1 << 5); var qa = image.select('QA_PIXEL'); var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0).and(qa.bitwiseAnd(cloudsBitMask).eq(0)); return image.updateMask(mask).copyProperties(image, ["system:time_start"]);
}// 加载并预处理Sentinel-2数据
var sentinel2 = ee.ImageCollection('COPERNICUS/S2_HARMONIZED').filterDate('2024-03-01', '2024-10-01').filterBounds(aoi).filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 5)).map(maskS2clouds).select(["B2", "B3", "B4", "B5", "B6", "B7", "B8", "B8A", "B11", "B12"]);print("Sentinel-2 Image Collection:", sentinel2);// 加载并预处理Landsat-8数据
var landsat8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2').filterDate('2024-03-01', '2024-10-01').filterBounds(aoi).map(applyScaleFactors).map(rmCloudNew).select(["SR_B2", "SR_B3", "SR_B4", "SR_B5", "SR_B6", "SR_B7", "ST_B10", "SR_QA_AEROSOL"]);print("Filtered Landsat 8 Collection:", landsat8);var s2VisParams = {min: 0.0,max: 0.3,bands: ['B4', 'B3', 'B2']
};
var l8VisParams = {bands: ['SR_B4', 'SR_B3', 'SR_B2'],min: 0.0,max: 0.3
};
Map.addLayer(sentinel2.mean().clip(aoi), s2VisParams, 'Sentinel-2 RGB');
Map.addLayer(landsat8.mean().clip(aoi), l8VisParams, 'Landsat-8 RGB');
Map.addLayer(aoi.style({ fillColor: '00000000', color: 'blue' }), {}, "AOI Boundary");
Map.centerObject(aoi, 7.5);// 计算多波段均值图像
var meanS2Image = sentinel2.mean().clip(aoi);
var meanL8Image = landsat8.mean().clip(aoi);// 提取属性范围
var attributes = aoi.aggregate_array("PAC").distinct();
print("Attributes:", attributes);// 提取每个属性范围的波段值（Sentinel-2）
var s2Results = attributes.map(function(attribute) {var subset = aoi.filter(ee.Filter.eq("PAC", attribute));var meanValues = meanS2Image.reduceRegion({reducer: ee.Reducer.mean(),geometry: subset.geometry(),scale: 10,maxPixels: 1e13});return ee.Feature(null, meanValues).set("PAC", attribute);
});// 提取每个属性范围的波段值（Landsat-8）
var l8Results = attributes.map(function(attribute) {var subset = aoi.filter(ee.Filter.eq("PAC", attribute));var meanValues = meanL8Image.reduceRegion({reducer: ee.Reducer.mean(),geometry: subset.geometry(),scale: 30,maxPixels: 1e13});return ee.Feature(null, meanValues).set("PAC", attribute);
});// 将结果转为FeatureCollection
var s2FeatureCollection = ee.FeatureCollection(s2Results);
var l8FeatureCollection = ee.FeatureCollection(l8Results);print("Sentinel-2 Feature Collection:", s2FeatureCollection);
print("Landsat-8 Feature Collection:", l8FeatureCollection);// 导出结果为CSV文件
Export.table.toDrive({collection: s2FeatureCollection,description: 'Sentinel2_BandValues_ByAttribute',fileFormat: 'CSV'
});Export.table.toDrive({collection: l8FeatureCollection,description: 'Landsat8_BandValues_ByAttribute',fileFormat: 'CSV'
});结果展示：
代码链接：
https://code.earthengine.google.com/d3590a3b3069925f7a3353d6207d866d
