用GEE和Landsat 8数据，5分钟搞定城市热岛区域自动提取（附完整Python代码）
基于GEE与Landsat 8的城市热岛快速识别技术实战
城市规划师和环境研究者常常面临一个棘手问题：如何高效识别城市中的高温区域？传统GIS处理流程需要下载数据、本地计算、反复调试，整个过程可能耗费数天时间。而Google Earth Engine（GEE）的云端处理能力，配合Landsat 8的热红外数据，让我们能在5分钟内完成从数据获取到热岛区域提取的全流程。
1. 环境准备与数据基础
在开始之前，我们需要明确几个关键概念。Landsat 8的T1_L2级数据已经过大气校正，特别是ST_B10波段（地表温度波段）可以直接用于温度反演。与需要复杂辐射校正的原始数据相比，这大大简化了我们的工作流程。
GEE环境配置要点：
- 访问GEE需要Google账号并申请开发者权限
- Python环境推荐使用Colab或本地Jupyter Notebook
- 安装必要的Python包：
earthengine-api、geemap
# 基础环境配置代码 !pip install earthengine-api geemap import ee import geemap ee.Initialize()提示：首次使用GEE需要运行身份验证流程，按照终端提示完成即可
2. 温度数据获取与处理
Landsat 8 Collection 2 Level 2数据已经过系统辐射校正和大气校正，ST_B10波段存储的是地表温度的Kelvin值。我们需要将其转换为更直观的摄氏度，并设置合理的阈值识别高温区域。
温度转换关键参数：
- 缩放系数：0.00341802
- 偏移量：149.0
- Kelvin转摄氏度：-273.15
# 定义研究区域（以上海市中心为例） roi = ee.Geometry.Rectangle([121.47, 31.22, 121.53, 31.28]) # 获取Landsat 8数据并处理温度波段 def get_temp_image(date): image = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') \ .filterDate(date, date.advance(1, 'day')) \ .filterBounds(roi) \ .first() return image.select('ST_B10') \ .multiply(0.00341802) \ .add(149.0) \ .subtract(273.15) \ .rename('LST') # 获取2022年夏季影像 summer_img = get_temp_image('2022-07-15')3. 热岛区域智能识别
确定高温阈值是热岛识别的关键步骤。35℃是一个常用起始值，但实际应用中需要根据当地气候特点调整。我们还需要考虑热岛区域的连续性，避免将孤立的高温像素误判为热岛。
热岛识别三步法：
- 温度阈值筛选（>35℃）
- 连通区域分析（8邻域连接）
- 最小斑块过滤（>20个像素）
# 热岛区域识别流程 def extract_heat_islands(temp_img, threshold=35, min_pixels=20): # 步骤1：温度阈值筛选 hotspots = temp_img.gt(threshold).selfMask() # 步骤2：连通区域分析 patch_size = hotspots.connectedPixelCount(100, True) # 步骤3：最小斑块过滤 large_patches = patch_size.gt(min_pixels).selfMask() return large_patches.rename('heat_islands') # 应用识别算法 heat_islands = extract_heat_islands(summer_img)4. 空间分析与结果可视化
获得热岛区域后，我们需要量化分析其空间特征。GEE提供了强大的空间统计功能，可以直接在云端计算热岛面积、空间分布等指标。
关键空间分析指标：
- 热岛总面积
- 最大斑块面积
- 热岛占比（占研究区比例）
# 面积计算与可视化 def calculate_areas(heat_mask, region): # 计算总面积 area_image = ee.Image.pixelArea().multiply(heat_mask) stats = area_image.reduceRegion( reducer=ee.Reducer.sum(), geometry=region, scale=30 ) return stats.get('heat_islands').getInfo() # 计算热岛面积 heat_area = calculate_areas(heat_islands, roi) print(f"热岛区域总面积：{heat_area/10000:.2f}公顷") # 可视化 Map = geemap.Map() Map.centerObject(roi, 12) Map.addLayer(summer_img, {'min':25, 'max':40, 'palette':['blue','yellow','red']}, '地表温度') Map.addLayer(heat_islands, {'palette':'red'}, '热岛区域') Map5. 参数优化与实战技巧
实际应用中，我们需要根据具体情况调整参数。以下是几个关键参数的调整建议：
温度阈值选择参考：
| 气候类型 | 建议阈值 | 调整依据 |
|---|---|---|
| 温带季风 | 32-35℃ | 夏季平均高温 |
| 亚热带 | 35-38℃ | 基础温度较高 |
| 干旱地区 | 38-42℃ | 极端高温常见 |
常见问题解决方案：
数据缺失问题：夏季多云地区可考虑使用多时相合成
# 多时相合成示例 composite = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') \ .filterBounds(roi) \ .filterDate('2022-06-01', '2022-08-31') \ .median()边缘效应处理：添加缓冲区减少边界误差
buffer_roi = roi.buffer(1000) # 1km缓冲区结果验证方法：
- 与气象站数据对比
- 使用更高分辨率数据抽样验证
- 历史热浪事件对照分析
6. 进阶应用与自动化扩展
对于需要定期监测的场景，我们可以将上述流程封装为自动化工具。以下是创建时间序列分析的示例：
# 热岛季节变化分析 def yearly_analysis(year): start_date = ee.Date.fromYMD(year, 6, 1) end_date = ee.Date.fromYMD(year, 8, 31) collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') \ .filterBounds(roi) \ .filterDate(start_date, end_date) \ .map(get_temp_image) mean_temp = collection.mean() heat_islands = extract_heat_islands(mean_temp) return heat_islands # 生成多年热岛变化图 for year in [2018, 2019, 2020, 2021, 2022]: yearly_heat = yearly_analysis(year) Map.addLayer(yearly_heat, {'palette':'red'}, f'{year}年热岛')在实际项目中，这套方法已经帮助多个城市规划团队快速识别城市热岛核心区，为绿地系统优化提供数据支持。一个有趣的发现是，大型水体周边500米范围内的温度通常比周边区域低2-3℃，这为城市规划中的蓝绿空间布局提供了量化依据。