基于GEE与LightGBM的Sentinel-2遥感影像去云技术实践

1. 项目背景与核心需求

在遥感影像分析中，云层遮挡一直是影响数据质量的关键问题。以北京市为例，作为典型的温带季风气候区域，全年约有30%的观测日存在云层干扰。传统的手动去云方法效率低下，难以应对大规模遥感数据处理需求。

Google Earth Engine（GEE）平台集成的Sentinel-2云概率数据集（COPERNICUS/S2_CLOUD_PROBABILITY）为解决这一问题提供了自动化方案。该数据集基于LightGBM机器学习算法构建，通过双线性插值将所有波段上采样至10米分辨率，最终生成0-100范围的云概率值（UINT8格式）。

2. 技术实现原理

2.1 云检测算法架构

Sentinel2.cloudfree算法采用梯度提升决策树框架，其技术实现包含三个关键环节：

1. 特征工程：利用Sentinel-2的13个光谱波段构建多维特征空间
2. 模型训练：基于全球样本训练的LightGBM分类器
3. 概率输出：通过sigmoid函数转换输出0-1的云概率值

注意：算法对高反射表面（如积雪、玻璃幕墙）可能存在误判，需要后期人工校验

2.2 数据预处理流程

原始数据处理包含以下标准化步骤：

javascript复制// 波段上采样示例代码
var upsampled = image.resample('bilinear').reproject({
  crs: 'EPSG:4326',
  scale: 10
});

3. 北京市去云实战操作

3.1 数据准备阶段

首先定义北京市行政区划范围（WGS84坐标）：

javascript复制var beijing = ee.FeatureCollection('users/shared/Beijing_Boundary');

3.2 云掩膜生成

设置云概率阈值（建议值65%）并生成掩膜：

javascript复制var cloudMask = function(image) {
  var clouds = ee.Image(image.get('cloud_mask')).select('probability');
  return image.updateMask(clouds.lt(65));
}