当前位置：首页 > news >正文

GEE土地利用转移矩阵实战：5分钟搞定CGLS-LC100数据集分析（附完整代码）

news 2026/5/12 9:02:30

GEE土地利用转移矩阵实战：5分钟搞定CGLS-LC100数据集分析（附完整代码）

当我们需要分析某地区10年间森林如何变成农田，或者城市扩张占用了多少湿地时，土地利用转移矩阵就像一台时间机器，能清晰呈现地表变化的来龙去脉。传统GIS软件处理这类分析往往需要下载海量数据，而Google Earth Engine（GEE）的云端计算能力让这一切变得触手可及。本文将手把手带您用CGLS-LC100数据集，在5分钟内完成从数据准备到矩阵生成的全流程。

1. 认识CGLS-LC100数据集

CGLS-LC100是欧盟哥白尼计划推出的100米分辨率全球土地覆盖产品，其核心优势在于：

时间覆盖：2015-2019年逐年数据（Proba-V卫星）和2020年起年度数据（Sentinel-3）
分类体系：
代码类型代码类型
20 灌木丛 50 稀疏植被
30 草地 60 裸露地面
40 耕地 80 水域
数据质量：总体精度超过80%，尤其擅长区分农田与自然植被

代码	类型	代码	类型
20	灌木丛	50	稀疏植被
30	草地	60	裸露地面
40	耕地	80	水域

提示：在GEE中调用该数据集时，discrete_classification波段存储了上述分类代码，而continuous_classification波段则提供概率信息，适合高级用户使用。

2. 快速搭建分析环境

2.1 初始化GEE工作区

首先在GEE代码编辑器（https://code.earthengine.google.com/）新建脚本，粘贴以下基础配置：

// 定义分析区域（以昆明为例） var roi = ee.Geometry.Rectangle([102.3, 24.8, 103.1, 25.3]); Map.centerObject(roi, 9); // 加载2018和2020年土地覆盖数据 var lc2018 = ee.Image("COPERNICUS/Landcover/100m/Proba-V-C3/Global/2018") .select('discrete_classification') .clip(roi); var lc2020 = ee.Image("COPERNICUS/Landcover/100m/Proba-V-C3/Global/2020") .select('discrete_classification') .clip(roi); // 可视化参数 var visParams = { min: 20, max: 80, palette: ['#ffff64', '#aaf0f0', '#dcf064', '#c8c864'] }; Map.addLayer(lc2018, visParams, '2018土地覆盖');

2.2 数据预处理技巧

处理跨年度数据时常见两个陷阱：

年度间分类代码不一致：有些年份会新增细分类型
云遮挡导致的缺失值：需要填充或掩膜处理

用这段代码确保数据一致性：

// 统一分类体系（示例保留共同类别） var commonClasses = [20, 30, 40, 50, 60, 80]; var filterClasses = function(image) { return image.remap(commonClasses, commonClasses) .set('system:time_start', image.get('system:time_start')); };

3. 转移矩阵核心算法解析

3.1 数学原理可视化

转移矩阵本质是一个二维 contingency table，其构建过程可分为三步：

编码组合：将两期数据合并为唯一编码（前期代码×1000 + 后期代码）
面积统计：计算每种编码组合的像元面积总和
矩阵重组：将统计结果按行列格式排列

3.2 关键代码实现

以下是最核心的面积统计模块：

// 生成转移编码图像 var transferCode = lc2018.multiply(1000).add(lc2020); // 计算各编码组合面积（平方公里） var areaStats = ee.Image.pixelArea() .addBands(transferCode) .reduceRegion({ reducer: ee.Reducer.sum().group({ groupField: 1, groupName: 'transfer_code' }), geometry: roi, scale: 100, maxPixels: 1e13 }); // 解析编码为前后期类型 var parseFeatures = function(group) { var code = ee.Number(group.get('transfer_code')); return ee.Feature(null, { 'from': code.divide(1000).int(), 'to': code.mod(1000).int(), 'area_km2': group.get('sum').divide(1e6) }); };

4. 完整工作流与结果导出

4.1 自动化矩阵生成

将上述模块封装成函数，实现一键生成：

function generateMatrix(firstImg, secondImg, scale) { // 获取所有存在的类别 var classes = firstImg.addBands(secondImg) .reduceRegion({ reducer: ee.Reducer.frequencyHistogram(), geometry: roi, scale: scale }) .get('discrete_classification'); // ...（接完整统计代码） // 构建矩阵表格 var headers = ee.List(['from']).cat(classes); var rows = classes.map(function(from) { return ee.List([from]).cat( classes.map(function(to) { return transferDict.get(from.cat('_').cat(to)) || 0; }) ); }); return ee.FeatureCollection(rows.map(function(row) { return ee.Feature(null, ee.Dictionary.fromLists(headers, row)); })); }

4.2 结果导出与美化

导出CSV后，推荐用Python进行可视化：

import seaborn as sns import pandas as pd df = pd.read_csv('transfer_matrix.csv') plt.figure(figsize=(10,8)) sns.heatmap(df.iloc[:,1:], annot=True, fmt=".1f", xticklabels=class_names, yticklabels=class_names) plt.title('Land Use Transition Matrix (km²)')

处理实际项目时，我发现三个实用技巧：