【GEE实战】基于PCA的哨兵二号影像降维与特征增强

1. 哨兵二号影像与PCA的完美结合

第一次接触遥感影像处理时，我被哨兵二号（Sentinel-2）数据的丰富波段震撼到了。B2到B12这10个波段里藏着大量地表信息，但直接使用这些数据就像同时听10个人说话——信息量大却难以抓住重点。这就是为什么我们需要主成分分析（PCA）这个"信息过滤器"。

你可能在统计学课程里听说过PCA，但它在遥感领域有着独特的魅力。简单来说，PCA就像给数据做"瘦身运动"，把10个高度相关的波段压缩成3-5个互不相关的特征波段。我处理过山东半岛的一片农田区域，原始数据大小超过500MB，经过PCA处理后数据量减少60%，但95%的有效信息都保留了下来。

哨兵二号影像特别适合PCA处理，原因有三：首先，它的多光谱波段（如红边波段）之间存在高度相关性；其次，大气散射和传感器噪声会影响数据质量；最重要的是，人眼很难直接从10个波段中发现地物特征。通过PCA，我们不仅能压缩数据，还能发现隐藏在原始数据中的规律。

2. GEE平台上的PCA实战全流程

2.1 数据准备的关键细节

在GEE中处理哨兵二号数据时，有几个坑我踩过多次。首先是时间窗口的选择——太短可能没有无云影像，太长又会导致季节变化干扰。我的经验是：农作物区域选3-5月或8-10月，城市区域可以放宽到全年。下面这段改进版的代码增加了云量筛选：

javascript复制function maskS2clouds(image) {
  var cloudProb = image.select('MSK_CLDPRB');
  var snowProb = image.select('MSK_SNWPRB'); 
  var mask = cloudProb.lt(20).and(snowProb.lt(20));
  return image.updateMask(mask);
}

var dataset = ee.ImageCollection('COPERNICUS/S2_SR')
  .filterDate('2020-03-01', '2020-05-31')
  .filterBounds(geometry)
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
  .map(maskS