GEE：去除异常值

作者： _养乐多_

---

本文记录了在Google Earth Engine (GEE) 平台上对影像去除异常值的方法和代码。

Google Earth Engine (GEE) 提供了多种方法来去除影像异常值，以下是一些可能有用的技巧：

• 普通异常值过滤：使用 ee.Image.clip() 或 ee.Image.updateMask() 方法，将高于或低于阈值的像素值设为 null 或其他合适的值。例如，可以使用 image.updateMask(image.lt(threshold)) 将小于某个阈值的像素值设为 null。

• 基于多波段的异常值检测：使用 ee.Image.reduce() 或 ee.Image.select() 方法选择多个波段，然后使用 ee.Image.unmix() 方法将图像分解为不同的成分。这些成分中可能有一些是异常值，可以使用统计方法，如标准差和均值来检测和去除这些异常值。

• 基于空间和时间的异常值检测：使用空间和时间分析方法，如聚类、时间序列分析等，来检测和去除影像中的异常值。例如，可以使用时间序列分析方法，如基于季节模型的异常值检测，来检测异常的时间序列值。

• 基于机器学习的异常值检测：使用监督学习方法，如决策树、随机森林等，来建立模型并检测异常值。例如，可以使用随机森林分类器来检测异常像素。

这些技巧可以单独或结合使用，具体取决于您的数据和研究问题。在 GEE 中，您可以使用 JavaScript 代码来实现这些方法。

---

---

一、普通异常值过滤

普通异常值过滤通常是指在像素值方面存在异常值时，使用阈值将这些异常值从图像中移除或替换为其他值。在 GEE 中，可以使用 ee.Image.updateMask() 或 ee.Image.clip() 方法来实现这一过滤。

下面是一个使用 ee.Image.updateMask() 方法实现异常值过滤的示例代码：

// 选择要处理的图像
var image = ee.Image('LANDSAT/LC08/C01/T1_SR/LC08_044034_20140318');

// 设置异常值的阈值范围
var minValue = 0;
var maxValue = 5000;

// 将小于阈值的像素设为 null
var filteredImage = image.updateMask(image.gte(minValue).and(image.lte(maxValue)));

// 打印结果
print('Original image', image);
print('Filtered image', filteredImage);

另一种实现异常值过滤的方法是使用 ee.Image.clip() 方法。这种方法类似于 ee.Image.updateMask() 方法，但是使用了不同的语法。以下是使用 ee.Image.clip() 方法实现异常值过滤的示例代码：

// 选择要处理的图像
var image = ee.Image('LANDSAT/LC08/C01/T1_SR/LC08_044034_20140318');

// 设置异常值的阈值范围
var minValue = 0;
var maxValue = 5000;

// 将小于阈值的像素设为 null
var filteredImage = image.clip(image.geometry()).updateMask(image.gte(minValue).and(image.lte(maxValue)));

// 打印结果
print('Original image', image);
print('Filtered image', filteredImage);

二、按照百分位数来去除异常值

按照百分位运算来去除异常值，可以使用以下步骤：

• 选择要处理的图像或图像集合。

• 计算图像中每个像素的百分位数，例如，可以使用 ee.Image.reduce() 方法和 ee.Reducer.percentile() 函数来计算每个像素在整个时间序列中的百分位数值。

• 选择要去除的异常值的范围，例如，您可以选择去除小于第1个百分位数和大于第99个百分位数的像素。

• 将图像中位于异常值范围内的像素设为 null 或其他合适的值，例如，可以使用 ee.Image.updateMask() 方法将这些像素的值设为 null。

以下是一个使用 GEE JavaScript API 实现上述步骤的示例代码：

// 选择要处理的图像集合
var imageCollection = ee.ImageCollection('MODIS/006/MOD13A1').select('NDVI');

// 计算每个像素在整个时间序列中的百分位数值
var p1 = imageCollection.reduce(ee.Reducer.percentile([1])).rename('p1');
var p99 = imageCollection.reduce(ee.Reducer.percentile([99])).rename('p99');

// 选择要去除的异常值的范围，并将图像中的异常值设为 null
var filteredCollection = imageCollection.map(function(image) {
  var mask = image.updateMask(image.gte(p1).and(image.lte(p99)));
  return image.mask(mask);
});

// 打印结果
print('Original collection', imageCollection);
print('Filtered collection', filteredCollection);

在上述示例中，我们选择了 MODIS 的 NDVI 数据集，并计算了每个像素在整个时间序列中的第1和第99个百分位数值。然后，我们选择了去除小于第1个百分位数和大于第99个百分位数的像素，并将这些像素的值设为 null。最后，我们打印了原始集合和过滤后的集合，以进行比较。

三、基于多波段的异常值去除

基于多波段的异常值去除可以通过以下步骤实现：

• 选择要处理的多波段图像或图像集合。

• 计算每个像素在每个波段中的像素值，例如，可以使用 ee.Image.select() 方法和 ee.Image.addBands() 方法将每个波段的像素值合并到一个图像中。

• 选择要去除的异常值的范围，例如，您可以选择去除小于第1个百分位数和大于第99个百分位数的像素。

• 将图像中位于异常值范围内的像素设为 null 或其他合适的值，例如，可以使用 ee.Image.updateMask() 方法将这些像素的值设为 null。

以下是一个使用 GEE JavaScript API 实现上述步骤的示例代码：

// 选择要处理的多波段图像
var image = ee.Image('LANDSAT/LC08/C01/T1_SR/LC08_044034_20140318').select(['B2', 'B3', 'B4']);

// 计算每个像素在每个波段中的像素值
var combinedImage = image.addBands(image.select('B3')).addBands(image.select('B4'));

// 计算每个像素在所有波段中的百分位数值
var p1 = combinedImage.reduce(ee.Reducer.percentile([1])).rename('p1');
var p99 = combinedImage.reduce(ee.Reducer.percentile([99])).rename('p99');

// 选择要去除的异常值的范围，并将图像中的异常值设为 null
var filteredImage = combinedImage.mask(combinedImage.gte(p1).and(combinedImage.lte(p99)));

// 打印结果
print('Original image', image);
print('Filtered image', filteredImage);

在上述示例中，我们选择了 Landsat 8 的一幅多波段图像，并计算了每个像素在所有波段中的第1和第99个百分位数值。然后，我们选择了去除小于第1个百分位数和大于第99个百分位数的像素，并将这些像素的值设为 null。最后，我们打印了原始图像和过滤后的图像，以进行比较。

四、基于空间和时间的异常值去除

基于空间和时间的异常值去除可以通过以下步骤实现：

• 选择要处理的多时相多波段图像集合。

• 将图像集合按时间顺序排序，例如，可以使用 ee.ImageCollection.sort() 方法将图像集合按时间顺序排序。

• 计算每个像素在每个波段中的像素值，例如，可以使用 ee.Image.select() 方法和 ee.Image.addBands() 方法将每个波段的像素值合并到一个图像中。

• 计算每个像素在所有时间和波段中的百分位数值，例如，可以使用 ee.ImageCollection.reduce() 方法和 ee.Reducer.percentile() 方法计算每个像素在所有时间和波段中的百分位数值。

• 选择要去除的异常值的范围，例如，您可以选择去除小于第1个百分位数和大于第99个百分位数的像素。

• 将图像中位于异常值范围内的像素设为 null 或其他合适的值，例如，可以使用 ee.Image.updateMask() 方法将这些像素的值设为 null。

以下是一个使用 GEE JavaScript API 实现上述步骤的示例代码：

// 选择要处理的多时相多波段图像集合
var collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR')
                    .filterBounds(ee.Geometry.Point(-122.2627, 37.8735))
                    .filterDate('2013-01-01', '2019-12-31')
                    .select(['B2', 'B3', 'B4']);

// 将图像集合按时间顺序排序
var sortedCollection = collection.sort('system:time_start');

// 计算每个像素在每个波段中的像素值
var combinedImage = sortedCollection.toBands();

// 计算每个像素在所有时间和波段中的百分位数值
var p1 = combinedImage.reduce(ee.Reducer.percentile([1])).rename('p1');
var p99 = combinedImage.reduce(ee.Reducer.percentile([99])).rename('p99');

// 选择要去除的异常值的范围，并将图像中的异常值设为 null
var filteredImage = combinedImage.updateMask(combinedImage.gte(p1).and(combinedImage.lte(p99)));
filteredImage = ee.ImageCollection([filteredImage]).toBands();

// 打印结果
print('Original collection', collection);
print('Filtered collection', filteredImage);

在上述示例中，我们选择了 Landsat 8 的一个多时相多波段图像集合，并按时间顺序排序。然后，我们计算了每个像素在所有时间和波段中的第1和第99个百分位数值。接着，我们选择了去除小于第1个百分位数和大于第99个百分位数的像素，并将这些像素的值设为 null。最后，我们打印了原始图像集合和过滤后的图像集合，以进行比较。

五、基于机器学习的异常值去除

基于机器学习的异常值去除有很多方法，这里介绍几种常用的方法：

• 孤立森林算法（Isolation Forest）：这个算法基于决策树，可以有效地隔离数据中的异常点。这个算法的工作原理是：首先随机选择一个特征，然后在该特征的最大值和最小值之间随机选择一个分裂值。这个过程重复进行直到决策树被完全构建，然后通过测量隔离点所需的分裂次数来评估它的异常性。

• 局部离群因子算法（Local Outlier Factor，LOF）：这个算法通过比较点的局部密度来识别异常值。它计算周围点的密度，并将目标点的密度与周围点的密度进行比较。如果目标点的密度比周围点的密度低，那么它就被认为是异常值。

• 孪生网络算法（Siamese Networks）：这个算法将数据点映射到一个低维空间中，并利用距离度量来衡量数据点之间的相似性。异常值的度量距离通常比正常值的度量距离更大，因此可以使用距离度量来识别和去除异常值。

这些算法都需要一定的编程知识和数据处理技能，但可以通过Python等编程语言的机器学习库来实现。