本文分享如何利用Landsat8全色波段提高影像分辨率

//筛选Landsat8影像云覆盖最少影像
var image = ee.Image(ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA')
  .filterDate('2017-01-01', '2017-12-31')
  .filterBounds(ee.Geometry.Point(-122.0808, 37.3947))
  .sort('CLOUD_COVER')
  .first());
//筛选B4,B3,B2波段以及全色波段
var rgb = image.select('B4', 'B3', 'B2');
var pan = image.select('B8');
// 将RBG影像转为HSV并选择饱和度
var huesat = rgb.rgbToHsv().select('hue', 'saturation');
//图像进行融合并再转为RGB
var upres = ee.Image.cat(huesat, pan).hsvToRgb();
//进行图像显示
Map.setCenter(-122.0808, 37.3947, 14);
Map.addLayer(rgb, {max: 0.3}, 'Original');
Map.addLayer(upres, {max: 0.3}, 'Pansharpened');
代码运行结果
 未经过融合图像
 
 经过融合图像，分辨率有明显提高
 
                                    本篇文章重点要解决的 问题就是，很多时候我们无论是在小区域内的单景影像或者是中大尺度的影像，更或是长时间序列的影像研究中，很多情况下我们会因为云量筛选等因素，或多或少的存在影像空白而缺少值，因此如何处理这些问题，我们今天就来解决。
我们现在主要面临的问题主要是，在影像去云之后，会留下很多的空白，那么我们如何实现插值的方式实现影像的弥补呢？其实，原理很简单，主要的方式就是，分别利用同一区域的影像，分别通过前后同一时间的影像的中值来弥补这些影像。
简单的说，就是通过一幅有云的影像时间位2020年，去云后有一部分空洞，但是我们通过该地区的2019年的前一幅影像和2021年的影像通过两者影像的合并并求取真值即可用来弥补影像。
Google Earth Engine 可以有效地用于填补时间序列去云后的影像。本次需要使用的技术手电使用join，mask和filter三个函数来实现。这篇文章用代码片段解释了这些步骤，并构建了一个可以应用于任何时间序列数据的功能齐全的脚本。
要获取更多的数据资源，请前往：
https://blog.csdn.net/qq_31988139?type=blog
                                    STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）是一种空间和时间自适应反射率融合模型，用于将不同分辨率和时间间隔的遥感影像进行融合。该算法可以将低分辨率高频率（例如MODIS）和高分辨率低频率（例如Landsat）的影像进行融合，以生成高分辨率高频率的影像数据。STARFM算法的基本思想是通过在时间和空间上匹配和融合来自不同传感器的影像，以获得具有高时空分辨率的连续影像序列。
基于TF框架实现图像超分辨率源代码(提高图像的分辨率，源自pix2pix模型中的部分代码)
1、tfimage.py文件功能解释
create_op、decode_jpeg、decode_png
此处的create_op就调用了tf.get_default_session().run()
                                    假设您的目标不是在重新投影期间重新采样，而是在不同投影中将像素聚合为更大的像素。这在比较不同比例的影像数据集时很有用，例如来自基于 Landsat 的产品的 30 米像素与来自基于 MODIS 的产品的粗像素（更高比例）。您可以使用reduceResolution()方法控制此聚合过程。与 一样resample()，调用reduceResolution()输入，以影响图像的下一次重新投影。以下示例用于reduceResolution()将 30 米分辨率的森林覆盖数据与 500 米分辨率的植被指数进行比..
                                    这里有一点大家需要知道，我们使用filter一般筛选的是影像的属性信息，所以我们这里看到，在进行sentinel-1筛选的时候我们需要进行相应的属性筛选，我们这里先列出s1中包含的属性信息，大家可以通过属性去筛选所需要的信息。本教程的理念就是通过分别加载S2和S1影像，并且根据要求筛选出我们所需要的影像时间、位置以及波段及属性，我们就可以完成对整个影像的的添加，而这个影像的添加一般是通过波段的形式让其中一个影像集合添加到另外一个影像集合之上。如果省略名称，srcImg中的所有条带都将被复制过来。
                                    遥感生态指数（Remote Sensing Ecological Index）是一种基于遥感技术对生态系统进行监测和评估的指数，它通过对地表反射光谱数据的分析，反映出生态系统的植被覆盖程度、植被生长状况、土地利用类型、土地覆盖变化等生态环境信息。
遥感生态指数通常采用遥感影像数据来计算，包括多光谱影像、高光谱影像、雷达影像等。常用的遥感生态指数包括植被指数（Vegetation Index）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）、土地覆盖指数（Land Cover Index）等。
其中，植被指数可以用来反映植被的生长状况，归一化植被指数则是常用的植被指数，可以通过计算近红外波段和红光波段反射率之间的比值来计算；土地覆盖指数则可以用来反映不同土地利用类型的空间分布情况，如城市、耕地、林地、草地等。
// map()将实现对每一个元素进行运算 ，并返回一个值
var computeSquares = function(number) {
  return ee.Number(number).pow(2); //算平方
// 通过使用 map() ，对每一个元
                                    谐波模型是一种常用的工具，用于拟合和分析影像数据中的周期性和季节性变化。本文将介绍如何使用Google Earth Engine平台实现谐波模型，通过对Landsat影像进行处理和拟合，展示季节性变化的拟合结果，并通过图表和地图可视化展示数据。