Jupyter Notebook中Earth Engine的AOI卫星影像覆盖不全问题求解

实现步骤 #

1. 加载AOI并筛选符合条件的Sentinel-2影像集
2. 批量检查影像是否完全覆盖AOI
3. 根据检查结果选择单张影像或拼接相交影像，全程保留波段属性

完整代码实现 #

import ee
import geopandas as gpd

# 初始化Google Earth Engine
ee.Initialize()

# 1. 加载AOI（从shapefile读取，转换为GEE几何对象）
gdf = gpd.read_file("your_aoi_shapefile.shp")
# 确保AOI为WGS84坐标系（GEE默认）
gdf = gdf.to_crs(epsg=4326)
aoi = ee.Geometry.Polygon(gdf.geometry.iloc[0].exterior.coords[:])

# 2. 筛选Sentinel-2影像（以L2A地表反射率为例，可替换为L1C）
s2_collection = ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED") \
    .filterBounds(aoi) \
    .filterDate("2023-01-01", "2023-12-31") \
    .filter(ee.Filter.lt("CLOUDY_PIXEL_PERCENTAGE", 20))  # 过滤高云量影像

# 3. 给影像集添加"是否完全覆盖AOI"的属性
def mark_full_coverage(img):
    img_bounds = img.geometry()
    return img.set("fully_covers_aoi", aoi.within(img_bounds))

s2_collection = s2_collection.map(mark_full_coverage)

# 4. 筛选出完全覆盖AOI的影像
full_coverage_imgs = s2_collection.filter(ee.Filter.eq("fully_covers_aoi", True))

# 5. 根据结果获取最终影像
if full_coverage_imgs.size().getInfo() > 0:
    # 存在完全覆盖的影像，选择云量最少的那张
    final_image = full_coverage_imgs.sort("CLOUDY_PIXEL_PERCENTAGE").first()
else:
    # 无完全覆盖影像，拼接所有相交影像
    final_image = s2_collection.mosaic()

# 可选：裁剪最终影像到AOI范围，避免多余区域
final_image = final_image.clip(aoi)

关键逻辑解释 #

• 完全覆盖判断：通过aoi.within(img.geometry())严格验证AOI是否被单张影像的边界完全包含，排除部分覆盖的情况。
• 影像拼接：使用mosaic()方法将所有相交影像合并，该方法会保留影像集的原始波段信息，且按影像顺序自动覆盖重叠区域（适合已按云量/时间排序的影像集）。如果需要合成同时间窗口的影像，可替换为mean()或median()进行统计合成。
• 波段属性保留：无论是选择单张影像还是拼接后的影像，都会完整保留Sentinel-2的原始波段（如B2-B8等）及其元数据，无需额外处理即可用于后续分析。

排查要点 #

• 若拼接后仍有空白区域：检查s2_collection.size().getInfo()的结果，确认是否遗漏了与AOI相交的影像瓦片；也可将影像集导入GEE Code Editor可视化，验证瓦片范围。
• 完全覆盖判断失效：确认AOI的坐标系为WGS84（EPSG:4326），若shapefile是其他投影，必须先转换坐标系。

内容的提问来源于stack exchange，提问作者kojo justine