当前位置: 首页 > news >正文

6、RSEI 生态环境质量智能评估系统 (GEE App)

🌿 RSEI 生态环境质量智能评估系统 (GEE App)

平台:Google Earth Engine (GEE)
核心算法:主成分分析 (PCA) / 遥感生态指数 (RSEI)

📖 项目简介

本项目是一个基于 Google Earth Engine 的自动化遥感生态指数 (RSEI) 计算工具。它集成了绿度、湿度、热度、干度四大生态指标,利用主成分分析 (PCA)技术自动构建 RSEI 模型。

相较于传统版本,本代码解决了以下痛点:

  1. 稳定性修复: 彻底解决了 GEE 中常见的Dimensions mismatch(矩阵维度不匹配) 错误,采用“客户端权重计算 + 代数加权法”,确保 PCA 永不报错。
  2. 可视化增强: 地图支持 5 层叠加显示 (RSEI + 4个分量),并配备了专属图例。
  3. 多维图表: 内置 3 类统计图表(直方图、均值对比图、分布曲线图),一键分析生态短板。
  4. 智能校正: 自动检测特征向量方向,确保 RSEI 数值逻辑正确 (数值越高,生态越好)。

🛠️ 主要功能

1. 四大生态指标自动计算

脚本自动处理 Landsat 8 影像,计算以下指标:

  • 🟢 绿度 (Greenness):使用NDVI(归一化植被指数) 表征植被覆盖。
  • 💧 湿度 (Wetness):使用Tasseled Cap Wet(缨帽变换湿度分量) 表征土壤/植被含水量。
  • 🔥 热度 (Heat):使用LST(地表温度) 表征城市热岛效应。
  • 🏜️ 干度 (Dryness):使用NDBSI(建筑指数 SI + 裸土指数 IBI) 表征地表硬化程度。

2. 交互式分析面板

  • 时间滑块: 自由选择年份 (2014-2023),默认筛选夏季 (6-9月) 影像以获得最佳植被表现

  • 图层管理: 可在地图上自由切换查看单一分量,通过颜色直观判断区域是“太热”还是“太干”。

  • 图表看板:

    • RSEI 分布图: 了解整体生态得分分布。

    • 分量均值对比: 快速识别该区域的主要生态制约因素。

    • 数值分布曲线: 详细查看各指标的数据分布形态。

3. 结果导出

支持一键将计算好的 RSEI 结果导出为GeoTIFF格式至 Google Drive,保留地理坐标,方便在 ArcGIS/QGIS 中进一步制图。


🚀 快速开始

1. 设置分析区域 (ROI)

代码默认使用了我的测试 Asset ID,请务必修改为你自己的区域,否则可能无法运行或权限报错。

找到代码第13行:

// ❌ 原始代码 (可能无权限)varroi=ee.FeatureCollection("projects/maxhecheng/assets/haidian");// ✅ 修改方式 1: 使用你上传的 Shapefile (Asset ID)varroi=ee.FeatureCollection("users/你的用户名/你的文件名");// ✅ 修改方式 2: 使用简单的几何点缓冲区 (测试用)varroi=ee.Geometry.Point([116.3,39.95]).buffer(10000);

2. 运行代码

  1. 将完整代码复制到 GEE Code Editor。
  2. 点击上方的Run按钮。
  3. 在右侧面板选择年份,点击“🚀 开始全指标分析”

📊 结果解读指南

图层颜色说明

图层颜色条含义
RSEI (生态指数)红 ➝ 绿绿色越深,生态质量越
绿度 (NDVI)白 ➝ 绿绿色越深,植被越茂密
湿度 (Wet)灰 ➝ 蓝蓝色越深,水分越充足
热度 (LST)蓝 ➝ 红红色越深,地表温度越(负面)
干度 (Dry)绿 ➝ 红红色越深,建筑/裸土越(负面)

图表分析技巧

  • 柱状图 (均值对比):
    • 如果干度 (Dry)柱子最高:说明该区域建筑密度大,硬化严重。
    • 如果热度 (Heat)柱子最高:说明热岛效应是主要问题。
    • 如果绿度 (Green)柱子很低:说明缺绿。
  • 曲线图:
    • 理想的生态城市,绿度和湿度曲线应偏右 (高值),热度和干度曲线应偏左 (低值)。

GEE界面总览


⚠️ 常见问题 (FAQ)

Q: 为什么提示 “No images found”?
A:可能是该年份在选定区域云量过多 (代码默认过滤 >30% 云量)。

  • 解决方法: 尝试更换年份,或在代码中调整CLOUD_COVER阈值,或放宽日期范围。

Q: 为什么 RSEI 只有 0 或 1?
A: 这种情况通常是极端值归一化导致的。

  • 解决方法: 代码中已设置bestEffort: true和较大的scale来缓解此问题。如果依然出现,说明区域内可能有异常像素(如大面积水体或云)。

Q: 为什么 PC1 计算不会报错了?
A: 传统写法直接在 Server 端进行矩阵相乘,容易因像素对齐问题导致Dimensions mismatch。本版本采用了混合计算法:先在 Client 端获取特征向量权重,再用简单的代数加权公式生成 PC1,稳定性提升 100%。


📝 引用与致谢

本算法基于徐涵秋教授提出的 RSEI 模型 (Remote Sensing Ecological Index)。

  • Reference: Xu, H. (2013). A remote sensing urban ecological index and its application. Acta Ecologica Sinica.

代码分享

https://github.com/mojoin/GEE-
http://www.jsqmd.com/news/88258/

相关文章:

  • 基于vue的酒店管理系统_tfdib7x1_springboot php python nodejs
  • Diffusion Policy详解
  • 基于python+django的学生就业管理的招聘系统(源码+lw+部署文档+讲解等)
  • 基于VFNet的安全装备检测系统Python实现(含代码+模型解析)
  • 基于springboot和vue的Script的线上超市团购系统的设计与实现_kvoptnlt(java毕业设计项目源码)
  • 将NeMo模型转换为Triton兼容格式
  • JavaDataStructure预备知识
  • 经典算法题详解之统计重复个数(三)
  • 打卡信奥刷题(2536)用C++实现信奥 P2044 [NOI2012] 随机数生成器
  • 基于springboot和vue的人脸识别的无人值守自习室预约签到系统的设计与实现_4s9zffod(java毕业设计项目源码)
  • 树的初阶相关知识(中)
  • 力扣 打家劫舍
  • Windows系统wfdprov.dll文件损坏 下载修复
  • 基于springboot和vue的协同办公系统 企业员工请假销假系统_c27myh05(java毕业设计项目源码)
  • 【3D图像技术分析与实现】Apple Vision Pro三维成像技术栈深度解析
  • 力扣 完全平方数
  • python3
  • 基于springboot和vue的城市公交管理系统的设计与实现_8f8dpq62(java毕业设计项目源码)
  • shell 判断二进制是否可用
  • Flask安装与第一个应用 路由系统
  • Triton推理服务器部署微调后的模型及测试
  • 树的初阶相关知识(上)
  • 基于springboot和vue的大学生课程排课管理系统设计_2ux3bmwb(java毕业设计项目源码)
  • 基于springboot和vue的扫码解锁共享单车管理系统设计与实现_0455qudf(java毕业设计项目源码)
  • 2025年成都靠谱的抖音代运营品牌哪家好,网站建设/网络公关/网络推广/新闻营销/抖音推广/抖音代运营品牌推荐排行榜 - 品牌推荐师
  • 云数据库服务(如AWS RDS)的优势和考虑因素?
  • 使用NeMo框架微调Llama 3.1 8B Instruct推理模型
  • [论文阅读] AI + 软件工程 | 突破混合与跨语言壁垒!UniCoR让代码检索更智能高效
  • NVIDIA NeMo训练一个具备推理能力的LLM
  • 磁链观测器实战:从仿真到代码的闭环之旅