批量下载1985-2019年研究区的30米土地利用数据
0.背景
PIE-Engine可以下载的6种土地利用数据(仅限本人所知)，有10m、30m、1000m分辨率。
这两天连发了两篇使用PIE-Engine下载数据的推文，这一篇是终结篇。剩余的1000m分辨率的土地利用数据，感觉没什么价值，就不写了。
这一次数据来源是武汉大学黄昕教授团队制作的中国30米年度土地覆盖产品，该数据基于三十万景Landsat影像，结合现有产品自动稳定样本和目视解译样本生产获得。该数据集基于5463个独立参考样本，产品整体精度为79.31% 。
时间跨度为1985年、1990年-2019年。
1.准备工作
PIE engine是一个遥感云计算平台，类似与google earth engine。但可以直接连接。如果你会GEE，那PIE engine上手很快，两者基本上没有语法差别。
使用之前，打开pie engine的网址：
然后注册一个账户，之后选择产品与服务中的PIE engine Studio，进入编程界面。
2.数据加载
上传一个研究区的shp文件到PIE上，然后加载到编程界面，我上传的是四川省_资阳市_乐至县的行政区数据。待数据上传后，与GEE不同，该研究区不能直接调用，需要转为geometry类型:
//研究区加载 四川省_资阳市_乐至县
ROI= ROI.first().geometry();
Map.centerObject(ROI,9);
Map.addLayer(ROI, {
color: 'FF0000', fillColor: '00000000', width: 1}, "ROI")
之后加载影像集，筛选时间，选择波段，镶嵌与裁剪:
//加载土地利用数据 筛选、镶嵌、裁剪
var ROI_landcover=pie.ImageCollection("WHU/CLCD")
.filterBounds(ROI)
.filterDate(startDate, endDate)
.select(["B1"])
.first()
.clip(ROI);
//显示土地利用数据
Map.addLayer(ROI_landcover,visParam,note)
3.数据导出
数据已经处理好了，我们现在可以直接导出。这里几乎和GEE差不多，选择下载区域、下载路径等:
//下载
Export.image({
image:ROI_landcover,
description: note,
assetId: note,
region:ROI,
scale:30,
maxPixels:1e13
});
有两个地方需要注意一下:
ppqq 如果你不知道下载区域大小，maxPixels记得设置大一点；
ppqq PIE数据处理完之后，在PIE资源里面，点击文件即可下载；
4.循环函数
由于我们需要下载多个时间段的数据，所以将上面的步骤封装为一个单独的下载函数，传入年份即可进行调用，下载对应年份数据:
function get_yearly_LandCover(year) {
//设置需要提取的年份
var startDate = pie.Date.fromYMD(year, 1, 1);
var endDate = pie.Date.fromYMD(year, 12, 31);
//设置导出的文件名字
var note=year+"_ROI"+"_LandCover_"+"CLCD"
//加载土地利用数据 筛选、镶嵌、裁剪
var ROI_landcover=pie.ImageCollection("WHU/CLCD")
.filterBounds(ROI)
.filterDate(startDate, endDate)
.select(["B1"])
.first()
.clip(ROI);
//显示土地利用数据
Map.addLayer(ROI_landcover,visParam,note)
//下载
Export.image({
image:ROI_landcover,
description: note,
assetId: note,
region:ROI,
scale:30,
maxPixels:1e13
});
}
get_yearly_LandCover函数封装好之后，我们循环时间，下载1985年、1990-2019年数据：
//引用数据下载函数 在这里改时间，数据时间范围为1985年、1990年-2019年，需要下载哪一年的就使用get_yearly_LandCover(年份)
get_yearly_LandCover(1985)
//获取哪一年的，获取1900年到2019年
for(var i=1990;i<2020;i++){
var year = parseInt(JSON.parse(i));
get_yearly_LandCover(year)
}
运行整个函数，在5分钟内下载研究区的1985年-2019年的土地利用数据。因为这个数据是30m分辨率，而且进行了LZW压缩，处理速度和下载速度都很迅速。例如该博文的研究区每年的土地利用数据大小只有100KB。
5.代码链接
代码已经调整好了。PIE代码链接功能提供了两种方式。
一种是外部链接方式用于给非登陆用户使用:
https://engine.piesat.cn/engine-share/shareCode.html?id=f80612c42cc14a779c140b2788b05deb
一种是内部链接方式，直接在编辑器中打开用于给登陆用户直接使用:
https://engine.piesat.cn/engine/home?sourceId=f80612c42cc14a779c140b2788b05deb
另外附上一个展示链接：
https://engine.piesat.cn/user-app/15884411724&1985-2019_download
如果你需要下载自己的研究区，你需要做以下几个步骤:
上传研究区
加载研究区
将研究区名字为"ROI"
点击运行。
6.写到最后
我写PIE-Engine不是宣传PIE，只是这个工具确实有独到的地方，比如中文支持、不用代理、数据独特。比如在GEE里，基本上没有Land Cover数据，但PIE有，类型还不少，所以我用了。
虽然这个工具好处很多，但拉跨的地方也不少，我连着提交了数个BUG反馈。但总体而言瑕不掩瑜，希望国产软件越做越好。