Codex教程 | 使用EasyGEE插件对比遥感影像去云方法

开头：去云不是按一下按钮

第一次处理遥感影像时，很多人都会期待一个“去云”按钮：点一下，云消失，地表就完整露出来了。

但真正把同一景影像交给几种方法，你会看到完全不同的结果。有的方法删得很干净，也删掉了不少本来还能用的像元；有的方法保留得更多，却可能留下薄云或云影。

所以，去云最值得学习的不是“哪个按钮最好”，而是：同一片云，不同方法为什么会做出不同判断？怎样根据自己的任务选一个合适的起点？

这篇文章用 EasyGEE 带你做两个小实验：

• 用同一景 Sentinel-2，对比 QA60、SCL、s2cloudless 和 Cloud Score+；
• 用同一景 Landsat 8，对比 QA_PIXEL/CFMask 和 Simple Cloud Score，再观察阈值变化。

文中的三张图都由这套参数实际运行生成。你可以先看图，再跟着提示词和命令复现。

先认识 EasyGEE

如果你第一次听说 EasyGEE，可以先把它理解成一个会调用 Earth Engine 的 AI Agent 工作台。

EasyGEE | 面向 AI Agent 的GEE/geemap开源插件

它把 Google Earth Engine 的数据与计算能力、geemap 的地图交互、遥感方法知识和本地地图预览放在了一起。

你不必先记住一长串数据集 ID，也不必一开始就写完整的 Earth Engine 脚本。你可以直接告诉它：“帮我找适合做 NDVI 的数据”“比较几种去云方法”“打开地图让我检查 AOI”，EasyGEE 会把任务拆成数据选择、方法选择、计算和地图检查几个环节。

它具备很多地理空间数据处理的知识，但和课程或者书籍不一样。更合适的用法是：让它帮你找到数据、跑出结果、把中间过程展示出来，然后由你检查地图并决定结果能不能用于研究。

从 0.1.0 到 0.3.1，EasyGEE 变了什么？

可以把这段版本变化看成 EasyGEE 从“能用”走向“更懂遥感任务”的过程：

本期推送设计的实战教程主要依赖 0.3.0 加入的遥感方法层：Sentinel-2 的 Cloud Score+、s2cloudless、SCL、QA60，以及 Landsat 8 的 QA_PIXEL/CFMask 和 Simple Cloud Score，这是可以被解释、比较和复现的具体方法。

开始前：准备好三样东西

你需要：

• 已经安装好的 EasyGEE；
• 可以使用 Google Earth Engine 的账号；
• 已完成授权的 Cloud Project。

如果 EasyGEE 提示你登录或选择项目，按提示完成即可。不要把 OAuth 验证码、token 或凭据文件粘贴到聊天窗口。

第一步：把实验交给 EasyGEE

打开已经安装 EasyGEE 的 Agent 环境，复制下面的提示词：

请用 EasyGEE 做一个遥感去云对比实验。案例一：固定使用 Sentinel-2 SR 影像20200604T190919_20200604T191606_T10TER，以影像中心 5 km 为 AOI，不做时间合成，统一使用 B4/B3/B2 真彩色显示。分别使用 QA60、SCL、s2cloudless 和 Cloud Score+ 去云，输出原始影像、四种去云结果、四法共识图（每个像元显示 0–4 个方法保留），并统计每种方法的保留像元比例和与 Cloud Score+ 的空间一致率。案例二：固定使用 Landsat 8 Collection 2 影像LC08_046028_20200604，分别使用 QA_PIXEL/CFMask 和 Simple Cloud Score，测试 Simple Cloud Score 阈值 10、20、30、40，输出原始图、去云结果和阈值敏感性统计。请生成可交互 HTML 页面和 JSON 统计结果，不创建导出任务。

它们会生成本地 HTML 页面，打开后可以缩放地图、切换结果并查看统计。

案例一：Sentinel-2 的四种去云方法

先认识四种方法

QA60 可以理解成影像自带的“质量标签”。它主要标记不透明云和卷云，规则直接、速度快，适合先认识位掩膜；但它没有完整的云影判断。

SCL 是场景分类层。它把像元分成云影、低概率云、中概率云、高概率云、卷云、雪冰等类别，信息比较直观，适合需要区分场景类型的情况。

s2cloudless 输出云概率，数值越高，越像云。本例使用“概率小于 40”的像元，并加入云影投影处理。它的好处是可以调阈值，坏处是阈值不能脱离研究区和云型单独决定。

Cloud Score+ 输出清晰度评分，数值越高，像元越清晰。本例使用 cs_cdf >= 0.60，把它作为一个连续的清晰度指标。

想进一步查产品和算法定义，可以看 Sentinel-2 SR 数据目录^[1]、S2 Cloud Probability 数据目录^[2]、s2cloudless 教程^[3] 和 Cloud Score+ 数据目录^[4]。

运行 Sentinel-2 案例

打开结果页面后，先看原始真彩色，再依次看 QA60、SCL、s2cloudless 和 Cloud Score+。建议特别观察三类位置：云体内部、云影边缘、明亮地物。算法差异往往就出现在这些地方。

最后一幅图把四种方法放在一起统计：0 表示四种方法都遮罩，4 表示四种方法都保留，1–3 表示方法之间存在分歧。这样更适合回答“几种算法在哪里意见一致、在哪里意见不同”。

图上先看什么？

这景影像的云量比较高，所以四种方法的差异非常明显：

• QA60 的结果最激进，留下的有效区域很少；
• SCL 和 s2cloudless 保留的区域比较接近，但边缘和薄云位置仍有差异；
• Cloud Score+ 保留的区域更多，空间形状也更连续；
• 最后一幅四法共识图不指定某一个方法是“标准答案”，而是显示每个像元有几个方法愿意保留它。

下面是同一 AOI 的实际统计。这里的“保留像元”表示经过掩膜后还能使用的像元比例，不是算法准确率。

Cloud Score+ 的 100% 是因为本例把它作为比较参考。这个表可以帮助我们看懂“不同方法会做出不同空间决策”，不能直接排出一张适用于所有地区的精度排行榜。这里的一致率仍然只是参考指标，不是精度。

什么时候选哪一种？

如果你只是想快速处理一批 Sentinel-2 影像，可以先从 Cloud Score+ 或 s2cloudless 开始，再用地图检查薄云和云影；如果你需要云影、雪冰等类别信息，SCL 会更方便；如果你是在学习位掩膜，QA60 是一个很好的入口。

这只是实践起点，不是永远正确的答案。研究显示，Cloud Score+ 和 s2cloudless 的表现会随云量、地物、季节和评价标准变化；已有研究在不同区域得出了不同的优劣结论。

另外，QA60 的历史生产方式发生过变化。做跨年份分析时，不建议只依赖 QA60，最好把数据版本和掩膜规则写进方法说明。

案例二：Landsat 8 的两条去云路线

QA_PIXEL/CFMask：生产分析的基线

Landsat 8 Collection 2 Level 2 产品提供了 QA_PIXEL。其中包含云、云影、卷云、膨胀云和雪等质量标记，通常还会把 QA_RADSAT == 0 作为额外条件。

这条路线最大的优点是：它随官方产品提供，适合长期序列和批量处理。USGS 的说明和比较研究也把 CFMask 作为 Landsat 生产产品中的重要云检测基线。

Simple Cloud Score：用来理解阈值

Earth Engine 的 ee.Algorithms.Landsat.simpleCloudScore() 面向 Landsat TOA 影像，输出 0 到 100 的相对云评分。官方示例使用 cloud <= 20，但也提醒这个阈值主要用于示例，不能把它当成稳健的生产级云检测器。

它非常适合教学：只改变一个阈值，就能看到“删得更多”和“留下更多”之间的取舍。

运行 Landsat 8 案例

如果只想做 Landsat 8 的阈值实验，也可以继续使用上面的 EasyGEE 提示词，让它输出阈值统计。

在 LC08_046028_20200604 这景影像的同一 5 km AOI 中，实际结果如下：

图中最重要的变化是：阈值越宽松，保留像元越多，但薄云和云影漏检的风险也可能上升。反过来，阈值越严格，画面看起来更干净，却可能损失更多可用数据。

对于 Landsat 8，建议这样开始：长期分析优先使用 QA_PIXEL/CFMask；想做快速预览或阈值敏感性实验，可以使用 Simple Cloud Score；在雪地、沙地、建筑物和薄云区域，一定要放大地图做局部检查。

需要特别说明的是，本例是在同一景影像上展示两种路线的差异，不是严格的精度验证。要报告 precision、recall 或 F1，还需要人工标注或独立的高分辨率参考数据。

把 Landsat 8 和 Sentinel-2 放在一起看

两个传感器放在一起，最容易产生一个误解：看到某一幅图更清楚，就认为它的算法更好。

更合理的做法是固定同一 AOI 和相近日期，分别使用各自常用的质量信息，再观察分辨率、波段和掩膜规则共同带来的结果差异。

本例中，Sentinel-2 使用 Cloud Score+，Landsat 8 使用 QA_PIXEL：

从图上可以直观看到，Sentinel-2 更容易保留小地块、道路和边缘细节；Landsat 8 的 30 m 像元会产生更明显的空间平滑。两者的 NDVI 也不能直接拿来做逐像元排名，因为空间分辨率、波段响应、观测时间和大气处理都不同。

这组结果真正想说明的是：传感器差异、产品差异和算法差异会叠加在一起。比较时，先明确自己是在比较“方法”、 “传感器”，还是“最终应用效果”。

去云不是云下重建

去云的任务，是识别不可靠像元并把它们遮掉；云下重建的任务，则是利用其他日期、其他传感器或时空模型，估计被云遮住的反射率。

两者都可能让地图变得更完整，但含义完全不同。本文保留遮罩后的空白区域，就是为了让读者看到去云之后真实存在的数据缺口，没有把估计值伪装成当天的观测。

如果你的目标是得到连续的无云影像，下一步应该单独设计时间合成或 gap-filling 实验，并把输入日期、变化区域和不确定性写清楚。

把结果带回自己的研究区

这两组实验最后留下的，不是一个通用阈值，而是一种比较方法：

1. 固定影像、AOI、显示方式和统计口径，只改变去云方法或阈值。
2. 先看地图，再看保留像元比例；重点检查云影边缘、薄云、雪地、沙地和明亮建筑物。
3. 把“数据保留量”和“算法精度”分开讨论，不要用一致率替代真值验证。
4. 记录数据版本、掩膜规则、阈值和研究区，保证下一次还能复现同一个结果。

你可以先把案例中的一个参数改掉再跑一遍：把 s2cloudless 的阈值从 40 改成 20 或 60，或者把 Cloud Score+ 的阈值从 0.60 改成 0.50、0.80。地图会很直观地告诉你一件事：去得更干净，通常也意味着留下的观测更少。

如果你正在处理自己的研究区，欢迎把影像类型、云量和研究任务带入这套实验，再决定哪种方法更适合作为起点。