GEE实战：5分钟用Landtrendr和Bfast监测你家后山的森林变化（附完整代码）

GEE实战：5分钟用Landtrendr和Bfast监测你家后山的森林变化（附完整代码）

你是否曾好奇家门口那片树林这些年发生了什么变化？或许你注意到某些区域树木稀疏了，或是想追踪一次山火后的植被恢复情况。现在，借助Google Earth Engine（GEE）平台和两种强大的时间序列分析算法——Landtrendr和Bfast，即使没有专业遥感背景，也能轻松完成这些监测任务。本文将带你跳过复杂的数学公式，直接进入实战环节，用最简单的代码实现森林变化检测。

1. 准备工作：零基础搭建GEE环境

在开始分析之前，我们需要做好三项基础准备：

1. 注册GEE账号：访问Google Earth Engine官网申请免费使用权限（审批通常需要1-2个工作日）
2. 打开代码编辑器：登录后点击"Code Editor"进入编程界面
3. 定位你的研究区域：在搜索框输入地名，或手动绘制多边形范围

提示：绘制研究区域时，建议范围控制在10km×10km以内，过大区域会导致处理速度变慢。

// 示例：手动绘制研究区域 var geometry = ee.Geometry.Polygon( [[[经度1, 纬度1], [经度2, 纬度2], [经度3, 纬度3]]]);

2. Landtrendr实战：捕捉渐进式森林变化

Landtrendr特别擅长检测缓慢发生的植被变化，比如病虫害蔓延或持续干旱影响。它的核心优势是能识别变化的时间节点和持续周期。

2.1 数据准备与参数设置

我们使用Landsat系列卫星的影像数据，时间跨度建议选择5-10年：

// 加载Landsat影像集 var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') .filterBounds(geometry) .filterDate('2010-01-01', '2020-12-31') .select(['B4', 'B3', 'B2']); // 选择红绿蓝波段 // 计算NDVI植被指数 var addNDVI = function(image) { var ndvi = image.normalizedDifference(['B4', 'B3']).rename('NDVI'); return image.addBands(ndvi); }; var ndviCollection = l8.map(addNDVI);

2.2 运行Landtrendr算法

GEE已经集成了Landtrendr算法，我们只需调用现成的接口：

// 运行Landtrendr var lt = ee.Algorithms.TemporalSegmentation.LandTrendr({ timeSeries: ndviCollection.select('NDVI'), maxSegments: 10, spikeThreshold: 0.9, vertexCountOvershoot: 3 }); // 可视化结果 var palette = ['#9400D3', '#4B0082', '#0000FF', '#00FF00', '#FFFF00', '#FF7F00', '#FF0000']; Map.addLayer(lt.arrayGet(0), {min:0, max:1, palette: palette}, 'LandTrendr结果');

运行后会生成一张彩色变化图谱，不同颜色代表：

• 紫色→蓝色：植被退化
• 绿色→黄色→红色：植被恢复

3. Bfast实战：检测突发性森林变化

与Landtrendr不同，Bfast对突发变化（如采伐、火灾）更为敏感。以下是具体实现步骤：

3.1 数据预处理

// 创建月度NDVI合成数据 var monthlyNDVI = ndviCollection.map(function(image) { return image.set('month', image.date().get('month')); }).reduce(ee.Reducer.median().group(1, 'month')); // 转换为Bfast所需格式 var bfastCollection = monthlyNDVI.map(function(image) { var date = image.date(); var ndvi = image.select('NDVI_median'); return ndvi.set('system:time_start', date.millis()); });

3.2 运行Bfast监测

// 配置Bfast参数 var bfast = ee.Algorithms.TemporalSegmentation.Bfast({ series: bfastCollection.select('NDVI_median'), startMon: 1, // 监测起始月份 freq: 12, // 年周期 maxIter: 5, // 最大迭代次数 level: 0.05 // 显著性水平 }); // 可视化变化区域 Map.addLayer(bfast.select('breakpoint'), {min:0, max:1}, 'Bfast变化点');

4. 结果解读与算法选择指南

两种算法各有侧重，这里用表格对比关键特性：

实际应用中，我通常会先用Bfast快速扫描可能的突变点，再用Landtrendr分析具体变化过程。最近监测一片橡树林时，Bfast准确标记了2018年夏季的虫害爆发点，而Landtrendr则清晰显示了后续三年的恢复轨迹。