MODIS数据集中，我使用相同的函数通过 QC 位掩码屏蔽白天 LST 和夜间 LST。蒙蔽的夜间LST图像的质量显着下降，并且实际上它的空间覆盖率比未蒙蔽的LST夜间图像要低得多。我想知道如何处理这个问题。前言 – 人工智能教程代码如下： https://code.earthengine.google.co.in/197a5e6fe581879db3b121f06415039f

影像合成：mean平均值，min最小值合成的影像：

您能看一下我使用 QC 层屏蔽 MYD11A1 LST 数据的代码吗？

https://code.earthengine.google.com/d882b904956c03029f70b0bf80219297

我使用相同的函数使用 QC 位掩码来屏蔽白天/夜间 LST。遮罩的 LST 白天图像似乎只丢弃了坏像素，但遮罩的 LST 夜间图像看起来也丢弃了优质像素，因此它的空间覆盖范围比未遮罩的 LST 夜间图像要低得多。我怀疑 MYD11A1 数据的 LST 夜间 QC 层可能存在与 MYD12A1 之前在该线程中遇到的类似问题。

谁能解释为什么 QC-Day/Night 带在陆地上屏蔽了像素？如果这是由于云造成的，我认为被云覆盖的像素被标记为 QC 位标志“10：由于云效应而未产生 LST”。

当我使用qualitybits创建蒙版时，蒙版会自动将QC波段的蒙版像素包含在蒙版中，而这些QC波段的蒙版像素的位置在波段“LST_Day(Night)_1km”中具有LST值。那么，屏蔽 QC 频段的这些 LST 值意味着什么——质量差？我不应该使用它们吗？

这是GEE代码： https://code.earthengine.google.com/91dbffc0cf680291abd3ede8264c022c

代码：

var modisLST = ee.ImageCollection("MODIS/061/MOD11A2"),
    modisLST_Aqua = ee.ImageCollection("MODIS/061/MYD11A2");

var startYear = 2017
var endYear = 2021
var startDate = ee.Date.fromYMD(startYear, 1, 1)
var endDate = ee.Date.fromYMD(endYear, 12, 31)


var bitwiseExtract = function(input, fromBit, toBit) {
  var maskSize = ee.Number(1).add(toBit).subtract(fromBit)
  var mask = ee.Number(1).leftShift(maskSize).subtract(1)
  return input.rightShift(fromBit).bitwiseAnd(mask)
}

// Cloud Masking
var applyQaMask_day = function(image) {
  var lstDay = image.select('LST_Day_1km')
  var qcDay = image.select('QC_Day')
  var qaMask = bitwiseExtract(qcDay, 0, 1).lte(1)
  //var dataQualityMask = bitwiseExtract(qcDay, 2, 3).eq(0)
  var dataQualityMask = bitwiseExtract(qcDay, 2, 3).lte(1)
  var EmissivityerrorMask = bitwiseExtract(qcDay, 4, 5).lte(1)
  var lstErrorMask = bitwiseExtract(qcDay, 6, 7).eq(0)
  var mask = qaMask.and(dataQualityMask).and(lstErrorMask).and(EmissivityerrorMask)
  return lstDay.updateMask(mask)
}

var applyQaMask_night = function(image) {
  var lstNight = image.select('LST_Night_1km')
  var qcNight = image.select('QC_Night')
  var qaNightMask = bitwiseExtract(qcNight, 0, 1).lte(1)
  //var dataNightQualityMask = bitwiseExtract(qcNight, 2, 3).eq(0)
  var dataNightQualityMask = bitwiseExtract(qcNight, 2, 3).lte(1)
  var EmissivityNighterrorMask = bitwiseExtract(qcNight, 4, 5).lte(1)
  var lstNightErrorMask = bitwiseExtract(qcNight, 6, 7).eq(0)
  var Nightmask = qaNightMask.and(dataNightQualityMask).and(lstNightErrorMask).and(EmissivityNighterrorMask)
  return lstNight.updateMask(Nightmask)
}

// Apply the function to all images in the collection
var terra_day = modisLST_Aqua
  .filter(ee.Filter.date(startDate, endDate)).select('LST_Day_1km','QC_Day');
var terraMasked_day = terra_day.map(applyQaMask_day)

var terra_night = modisLST_Aqua
  .filter(ee.Filter.date(startDate, endDate)).select('LST_Night_1km','QC_Night');
var terraMasked_night = terra_night.map(applyQaMask_night)
// print(terraMasked_day.first())


// 月合成 Create NDVI composite for every month
var years = ee.List.sequence(startYear,endYear);
var months = ee.List.sequence(1, 12);

// Map over the years and create a monthly average collection
var monthlyImages = years.map(function(year) {
  return months.map(function(month) {
    var filtered = terraMasked_night
      .filter(ee.Filter.calendarRange(year, year, 'year'))
      .filter(ee.Filter.calendarRange(month, month, 'month'))
    var monthly = filtered.mean()
    return monthly.set({'month': month, 'year': year})
  })
}).flatten()
//print(monthlyImages)

// We now have 1 image per month for entire duratioon
var monthlyCol = ee.ImageCollection.fromImages(monthlyImages)
print(monthlyCol,'monthlyCol')

var visParams = {min:13000, max:16000, palette: ['green', 'yellow', 'red']}
Map.addLayer(terra_day.select('LST_Day_1km').first(), visParams, 'Original LSTday Image');
Map.addLayer(terraMasked_day.first(), visParams, 'LSTday Masked');

Map.addLayer(terra_night.select('LST_Night_1km').mean(), visParams, 'Original LSTnight Image');
Map.addLayer(terraMasked_night.mean(), visParams, 'LSTnight Masked');

Map.addLayer(terraMasked_night.min(), visParams, 'LSTnight Masked min');

前言 – 人工智能教程

欢迎持续关注，如果后续有官网的问题的跟进，我会随时在这里更新。