遥感时序影像是开展时序分析的第一步，如何高效获取时序影像非常关键。对于掌握Google Earth Engine的小伙伴来说，这已经是必修的技巧。今天，我们基于GEE(Python)讲解三种方法，希望对您科研有所帮助。
首先，我们讲第一种最常见的方法：filterDate函数：该函数包含start和end两个参数，支持String、ee.Date两种类型，常见代码如下：imgs = (ee.ImageCollection('LANDSAT/LC09/C02/T1_L2') .filterDate('2025-06-01','2025-11-01') .filterBounds(Map.user_roi) .filter(ee.Filter.lt('CLOUD_COVER',30)) )print(imgs.size().getInfo())visualization = { 'bands': ['SR_B4', 'SR_B3', 'SR_B2'], 'min': 0.0, 'max': 30000,}Map.addLayer(imgs.median(),visualization,'Landsat-9')Map
以上，我们得到2025年6月至11月的Landsat 9影像共计5幅，并且可以合成无云的高质量结果。值得注意的是‘2025-11-01’这一天是不包含的。然而，科研上我们常常需要得到特定年份特地月份的影像，用于植被生长监测。这时候，我们通常采用ee.Filter.calendarRange()函数，它包括起始时间star，截至时间end以及日历字段名file，常见代码如下：imgs = (ee.ImageCollection('LANDSAT/LC09/C02/T1_L2') .filter(ee.Filter.calendarRange(2023,2025,'year')) .filter(ee.Filter.calendarRange(6,11,'month')) .filterBounds(Map.user_roi) .filter(ee.Filter.lt('CLOUD_COVER',30)) )print(imgs.size().getInfo())visualization = { 'bands': ['SR_B5', 'SR_B4', 'SR_B3'], 'min': 0.0, 'max': 40000,}Map.addLayer(imgs.median(),visualization,'Landsat-9')Map
这时候，我们从2023年-2025年，每年的6-11月的影像时序集合。这里需要注意：包含2025年以及包含11月。这样，得到了共计21幅时序影像。以上的方法都是GEE官网提供的函数，是否还有更简便的方法呢？答案是有的，这里我们需要提到geemap里面提供的create_timeseries()函数：这个函数可以自动帮你按照需要合成年/月/日尺度的数据，功能非常强大。例如，我们要合成年尺度的影像集合，并自动裁剪roi：imgs = (ee.ImageCollection('LANDSAT/LC09/C02/T1_L2') .filter(ee.Filter.lt('CLOUD_COVER',30)) )images = geemap.create_timeseries( imgs, '2023-01-01', '2026-01-01', roi, frequency='year', reducer='median')print(images.size().getInfo())Map.addLayer(images.median(),visualization,'Landsat-9')Map
以上是我们讲解的3种方法，对GEE(Python)感兴趣的，尤其是全球制图分析与深度学习领域，可以关注我们近期的课程培训，涉及GEE在Python的本地环境下各种操作和应用，涵盖了从数据筛选→数据处理→数据分析→数据建模→深度学习模型构建→全球数据的可视化制图分析：
10个月宝宝每天需要喝多少奶粉？
