当前位置：首页 > news >正文

保姆级教程：在Google Earth Engine (GEE) 上复现遥感生态指数RSEI（Landsat 8数据）

news 2026/6/4 8:33:32

从零到一：GEE平台遥感生态指数(RSEI)全流程实战解析

遥感生态指数（RSEI）作为评估区域生态环境质量的综合指标，近年来在学术研究和实际应用中备受关注。对于刚接触Google Earth Engine（GEE）平台的研究者而言，如何利用Landsat 8数据快速实现RSEI计算，往往面临代码理解困难、参数设置模糊、报错排查无门等痛点。本文将采用"理论+代码+调试"三维度教学法，带您完整走通从数据预处理到结果可视化的全链路流程。

1. 环境准备与数据加载

1.1 研究区定义技巧

在GEE中定义研究区时，建议先通过交互式地图工具绘制大致范围，再手动调整坐标值。以下代码展示了如何定义青岛西海岸新区的研究范围：

var roi = ee.Geometry.Polygon( [[[120.121, 35.975], [120.121, 35.886], [120.257, 35.886], [120.257, 35.975]]], null, false ); Map.centerObject(roi, 10); // 第二个参数控制缩放级别

常见问题排查：

坐标顺序必须为逆时针方向
最后一个点需与第一个点闭合
若出现"Geometry is invalid"错误，检查坐标格式是否正确

1.2 数据加载与云掩膜

Landsat 8 TOA数据需特别注意云量筛选和去云处理。推荐使用质量评估波段(BQA)进行精确去云：

function removeCloud(image) { var qa = image.select('BQA'); var cloudMask = qa.bitwiseAnd(1 << 4).eq(0); // 第4位表示云 var cloudShadowMask = qa.bitwiseAnd(1 << 8).eq(0); // 第8位表示云阴影 return image.updateMask(cloudMask.and(cloudShadowMask)); } var L8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA') .filterBounds(roi) .filterDate('2018-01-01', '2019-12-31') .filterMetadata('CLOUD_COVER', 'less_than', 30) // 云量阈值建议设为30% .map(removeCloud);

注意：不同Landsat数据集的BQA位掩码可能不同，需查阅官方文档确认

2. 生态指标计算详解

2.1 四大核心指标实现

RSEI包含绿度(NDVI)、湿度(Wet)、热度(LST)、干度(NDBSI)四个分量指标：

湿度分量计算（基于缨帽变换系数）：

var Wet = img.expression( 'B*0.1509 + G*0.1973 + R*0.3279 + NIR*0.3406 + SWIR1*(-0.7112) + SWIR2*(-0.4572)', { 'B': img.select('B2'), // Blue 'G': img.select('B3'), // Green 'R': img.select('B4'), // Red 'NIR': img.select('B5'), // Near Infrared 'SWIR1': img.select('B6'), // Shortwave Infrared 1 'SWIR2': img.select('B7') // Shortwave Infrared 2 } );

干度指数(NDBSI)复合计算：

var ibi = img.expression( '(2*SWIR1/(SWIR1+NIR) - (NIR/(NIR+RED) + GREEN/(GREEN+SWIR1))) / (2*SWIR1/(SWIR1+NIR) + (NIR/(NIR+RED) + GREEN/(GREEN+SWIR1)))', { 'SWIR1': img.select('B6'), 'NIR': img.select('B5'), 'RED': img.select('B4'), 'GREEN': img.select('B3') } ); var si = img.expression( '((SWIR1+RED) - (NIR+BLUE)) / ((SWIR1+RED) + (NIR+BLUE))', { 'SWIR1': img.select('B6'), 'NIR': img.select('B5'), 'RED': img.select('B4'), 'BLUE': img.select('B2') } ); var ndbsi = ibi.add(si).divide(2);

2.2 温度数据融合策略

由于Landsat 8地表温度产品精度限制，推荐融合MODIS温度数据：

var lst = ee.ImageCollection('MODIS/006/MOD11A1') .filterDate('2018-01-01', '2019-12-31') .select(['LST_Day_1km', 'LST_Night_1km']) .mean() .reproject('EPSG:4326', null, 1000); // 重投影保证分辨率一致 var lst_mean = lst.expression( '(Day + Night) / 2', { 'Day': lst.select('LST_Day_1km'), 'Night': lst.select('LST_Night_1km') } );

3. 数据标准化与PCA分析

3.1 归一化处理关键参数

归一化是消除量纲影响的关键步骤，需注意scale参数与maxPixels设置：

var img_normalize = function(img) { var minMax = img.reduceRegion({ reducer: ee.Reducer.minMax(), geometry: roi, scale: 30, // 应与原始数据分辨率匹配 maxPixels: 1e13 // 大区域需增大此值 }); return ee.ImageCollection.fromImages( img.bandNames().map(function(name) { var band = img.select(name); return band.unitScale( ee.Number(minMax.get(name.cat('_min'))), ee.Number(minMax.get(name.cat('_max'))) ); }) ).toBands().rename(img.bandNames()); };

3.2 主成分分析实现细节

PCA是RSEI的核心算法，需理解协方差矩阵计算过程：

var pca = function(img) { // 均值中心化 var meanDict = img.reduceRegion({ reducer: ee.Reducer.mean(), geometry: roi, scale: 30, maxPixels: 1e13 }); var centered = img.subtract(ee.Image.constant(meanDict.values(img.bandNames()))); // 协方差矩阵计算 var arrays = centered.toArray(); var covar = arrays.reduceRegion({ reducer: ee.Reducer.centeredCovariance(), geometry: roi, scale: 30, maxPixels: 1e13 }); // 特征分解 var covarArray = ee.Array(covar.get('array')); var eigens = covarArray.eigen(); // 主成分计算 var pcImage = ee.Image(eigens.slice(1, 1)) .matrixMultiply(arrays.toArray(1)) .arrayProject([0]) .arrayFlatten([['PC1', 'PC2', 'PC3', 'PC4']]); return pcImage; };

提示：第一主成分(PC1)通常包含最大方差信息，是构建RSEI的基础

4. RSEI计算与可视化优化

4.1 指数构建与标准化

最终RSEI计算需注意方向一致性（生态质量与PC1通常负相关）：

var RSEI = PCA_img.select('PC1').multiply(-1).add(1).rename('RSEI'); var RSEI_normalized = img_normalize(RSEI); // 再次归一化到[0,1]范围

4.2 可视化参数调优

推荐使用渐变色带突出生态质量差异：

var visParams = { min: 0, max: 1, palette: [ 'd7191c', 'fdae61', 'ffffbf', 'a6d96a', '1a9641' // 红-黄-绿渐变 ] }; Map.addLayer(RSEI_normalized, visParams, 'RSEI');

进阶技巧：

使用image.updateMask()去除水体等干扰区域
结合image.sample()提取典型区域值进行验证
通过Export.image.toDrive()导出GeoTIFF结果

5. 全流程代码封装与调试

将各模块封装为独立函数，便于复用和调试：

function calculateRSEI(roi, startDate, endDate) { // 数据加载与预处理 var L8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA') .filterBounds(roi) .filterDate(startDate, endDate) .map(removeCloud); // 生态指标计算 var indicators = calculateIndicators(L8, roi); // 标准化与PCA var normalized = indicators.map(img_normalize); var pcaResults = normalized.map(pca); // RSEI计算 var rsei = pcaResults.map(function(img) { return img.select('PC1').multiply(-1).add(1).rename('RSEI'); }); return rsei.mean(); // 返回时间序列均值 } // 调用示例 var finalRSEI = calculateRSEI(roi, '2018-01-01', '2018-12-31');

调试建议：