厦门市网站建设_网站建设公司_VPS_seo优化

目录

一、基础设置模块：定义核心参数与研究范围

二、数据加载与 QA 预处理模块：筛选原始数据并消除无效值

三、日尺度合成模块：将多颗粒影像合并为日均值

四、时间序列图表模块：可视化 AOD 日均值变化趋势

五、地图可视化模块：展示 AOD 年均值空间分布

六、代码运行流程与依赖条件

七、关键注意事项与常见问题

八、代码应用场景与扩展方向

九、运行结果

若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！

AOD（气溶胶光学厚度）是衡量大气中气溶胶对太阳辐射消减能力的核心指标，反映悬浮颗粒物的浓度、种类与垂直分布特征。它是全球气候模型、空气质量预警及卫星遥感定标的 key 参数，直接影响气溶胶辐射强迫效应评估和跨境污染追踪。MODIS MCD19A2 产品通过 MAIAC 算法提供 1 公里分辨率的 AOD 数据（如 0.47μm 和 0.55μm 波段），适用于年际变化分析。2000-2024 年中国 AOD 数据集显示，该指标在沙尘暴、霾污染等事件中呈现显著峰值，且城市区域常年高于农村。

本代码基于 Google Earth Engine（GEE）平台，实现了2024 年研究区 MODIS AOD（气溶胶光学厚度）数据的预处理、日尺度合成、时间序列分析与空间可视化。核心目标是从原始 MODIS 影像集中提取有效 AOD 数据，消除噪声和无效值，最终以图表和地图形式呈现研究区全年 AOD 的时间变化趋势和空间分布特征。

一、基础设置模块：定义核心参数与研究范围

初始化研究的空间范围、时间周期，为后续数据筛选提供基础条件。

• 若使用自有边界数据，需确保table变量与导入的资产名称一致，且矢量数据的投影与后续影像投影兼容（默认 EPSG:4326）。
• 备用区域的ADM2_NAME筛选条件需根据实际存在的行政单位名称修改（如替换为具体城市、区县名），否则会返回空集合。

// 研究区边界矢量（依赖外部导入资源） var ROI = table; // 备用测试区域（资源报错时启用） // var ROI = ee.FeatureCollection("FAO/GAUL/2015/level2") // .filter(ee.Filter.eq('ADM2_NAME', 'ROI')); // 设定时间范围：2024年全年 var start = ee.Date('2024-01-01'); var end = ee.Date('2024-12-31');

• 研究区（ROI）定义：
  • 主方式：直接使用外部导入的矢量数据（变量名table），需用户提前上传自有研究区边界文件（如 Shapefile 转换的资产）。
  • 备用方式：调用 GEE 内置的 FAO 全球行政边界数据集（2 级行政单位），通过筛选行政单位名称（ADM2_NAME）获取测试区域，适用于无自有数据时的调试。
• 时间范围设定：通过ee.Date()函数定义 2024 年 1 月 1 日至 2024 年 12 月 31 日的完整时间序列，为后续数据的时间筛选划定范围。

二、数据加载与 QA 预处理模块：筛选原始数据并消除无效值

加载 MODIS AOD 原始影像集，通过质量控制（QA）掩膜、数据缩放等操作，筛选出高质量的 AOD 有效数据，剔除云污染、低质量观测值。

• MODIS AOD 数据的 QA 波段采用位编码存储质量信息，需通过按位运算解析；不同数据集的 QA 编码规则不同，需参考对应数据集的产品说明文档。
• 缩放系数是遥感数据的常见处理步骤，目的是在有限的存储空间内保留数据精度，需严格按照数据集说明设置（不可随意修改）。

// 加载MODIS AOD数据（MCD19A2_GRANULES V061） var rawCollection = ee.ImageCollection("MODIS/061/MCD19A2_GRANULES") .filterBounds(ROI) // 空间筛选：研究区范围 .filterDate(start, end); // 时间筛选：2024年 // 预处理函数：去云 + 缩放 + 质量控制 var preprocess = function(img) { // 选择AOD波段（0.47μm光学厚度） var aod = img.select('Optical_Depth_047'); // 选择QA波段（质量控制） var qa = img.select('AOD_QA'); // QA掩膜：保留Best(0)和Good(1)等级的数据 var qualityMask = qa.bitwiseAnd(7).lte(1); // 数据处理：缩放系数(0.001) + 质量掩膜 + 保留时间属性 return aod .multiply(0.001) // 缩放至实际值 .updateMask(qualityMask) // 应用质量掩膜 .copyProperties(img, ['system:time_start']); // 保留原始时间属性 }; // 应用预处理函数到整个影像集 var processedCol = rawCollection.map(preprocess);

• 原始数据加载：
  • 数据集选择：加载 MODIS 传感器的 MCD19A2_GRANULES V061 版本数据集，该数据集提供 500m 分辨率的气溶胶光学厚度产品，核心波段为Optical_Depth_047（0.47μm 波长的 AOD 值，对近地面气溶胶敏感）。
  • 双重筛选：通过filterBounds(ROI)筛选研究区范围内的影像（剔除研究区外数据，减少计算量）；通过filterDate(start, end)筛选 2024 年的影像（匹配设定的时间范围）。
• 预处理函数（preprocess）：
  • 波段选择：分别提取 AOD 核心波段（Optical_Depth_047）和质量控制波段（AOD_QA）。
  • 质量掩膜（QA Mask）：
    • qa.bitwiseAnd(7)：对 QA 波段进行按位与运算（7 的二进制为111），提取 QA 波段中代表质量等级的低 3 位信息。
    • .lte(1)：保留质量等级≤1 的数据（即 “最佳”（0 级）和 “良好”（1 级）数据），剔除 “中等”（2 级）、“差”（3 级）及无效等级（4-7 级）的数据，实现去云、去噪声。
  • 数据缩放：原始 AOD 数据以整数形式存储，缩放系数为 0.001，通过multiply(0.001)将数据转换为实际的光学厚度值（范围通常为 0-5，值越大表示气溶胶浓度越高）。
  • 属性保留：通过copyProperties()保留原始影像的时间戳属性（system:time_start），为后续日合成提供时间依据。
• 函数应用：通过map(preprocess)将预处理函数批量应用于原始影像集，生成高质量的 AOD 影像集（processedCol）。

三、日尺度合成模块：将多颗粒影像合并为日均值

由于原始 MODIS 影像为 “颗粒”（Granule）级数据（单天内可能有多个影像覆盖研究区），需通过日合成将单天内的所有有效影像合并为 1 个日均值影像，最终生成 365 个（最多）日尺度 AOD 数据。

• 日合成的核心是 “时间窗口筛选 + 空间统计”，通过固定单日时间窗口，对窗口内的所有有效影像进行均值统计，实现数据的时间尺度聚合。
• 重投影步骤是 GEE 中避免 “投影不匹配” 错误的关键，尤其是当原始影像投影与地图显示投影不一致时，需统一为常用投影（如 EPSG:4326）。

// 计算总天数 var dayDiff = end.difference(start, 'day'); // 生成日期偏移序列（0,1,2,...,364） var dayList = ee.List.sequence(0, dayDiff.subtract(1)); // 循环每一天，计算当日AOD平均值 var dailyCollection = ee.ImageCollection.fromImages( dayList.map(function(dayOffset) { // 计算当前日期和次日日期 var currentDay = start.advance(dayOffset, 'day'); var nextDay = currentDay.advance(1, 'day'); // 筛选当天的所有影像 var dailyImages = processedCol.filterDate(currentDay, nextDay); // 计算日均值 + 重投影 + 设置属性 return dailyImages .mean() // 计算当日所有有效影像的平均值 .reproject({crs: 'EPSG:4326', scale: 1000}) // 统一投影和分辨率 .set('system:time_start', currentDay.millis()) // 设置时间戳 .set('date_string', currentDay.format('YYYY-MM-dd')); // 设置日期字符串 }) ); // 过滤掉完全无数据的天数（避免空值影像） dailyCollection = dailyCollection.filter( ee.Filter.listContains('system:band_names', 'Optical_Depth_047') ); // 打印结果：合并后的有效日数据量 print('合并后的日数据量 (应≤365):', dailyCollection.size());

• 日期序列生成：
  • end.difference(start, 'day')：计算时间范围内的总天数（2024 年为 366 天？实际代码中按差值计算，若为平年则 365 天）。
  • ee.List.sequence(0, dayDiff.subtract(1))：生成 0 到（总天数 - 1）的整数序列，每个数字代表相对于起始日期的偏移天数（如 0 代表 2024-01-01，1 代表 2024-01-02）。
• 日合成循环：
  • 日期计算：通过start.advance(dayOffset, 'day')计算当前偏移天数对应的日期（currentDay），并定义次日日期（nextDay），用于筛选单天影像（GEE 的filterDate为左闭右开区间）。
  • 单日影像筛选：通过filterDate(currentDay, nextDay)从预处理后的影像集中提取当前天的所有有效影像（dailyImages）。
  • 日均值计算：通过mean()对单日所有影像的 AOD 值取平均，得到当日的 AOD 日均值（若单天无有效影像，会生成空影像）。
  • 重投影与分辨率统一：通过reproject()将日均值影像统一投影为 EPSG:4326（WGS84 经纬度投影），分辨率设置为 1000m（高于原始 500m，平衡精度与计算效率），避免后续可视化和分析时出现投影不匹配错误。
  • 属性设置：为日均值影像添加时间戳（system:time_start，以毫秒为单位）和日期字符串（date_string，格式为 YYYY-MM-dd），方便后续图表生成和数据筛选。
• 空值过滤：通过filter(ee.Filter.listContains('system:band_names', 'Optical_Depth_047'))筛选出包含有效 AOD 波段的影像，剔除单天无有效数据的空影像（如持续阴雨天气导致无观测数据的日期）。
• 结果打印：通过print()在 GEE 控制台输出有效日数据量，用于验证合成结果（正常情况下应≤365/366 天）。

四、时间序列图表模块：可视化 AOD 日均值变化趋势

基于日合成后的影像集，生成研究区 2024 年 AOD 日均值的时间序列折线图，直观展示全年气溶胶浓度的变化趋势（如季节波动、峰值时段等）。

• 折线的高低对应 AOD 值大小：峰值越高表示当日气溶胶浓度越高（可能与雾霾、沙尘、秸秆焚烧等事件相关）。
• 折线的连续性：若出现较长时间的断档，可能是该时段研究区持续阴雨（云覆盖导致无有效数据）或传感器故障。

var chart = ui.Chart.image.series({ imageCollection: dailyCollection, // 日均值影像集 region: ROI, // 分析区域：研究区 reducer: ee.Reducer.mean(), // 区域统计方式：平均值 scale: 1000, // 空间分辨率：1000m xProperty: 'system:time_start' // X轴：时间 }).setOptions({ title: '研究区 2024 年 AOD 日均值趋势 (已去云处理)', vAxis: {title: 'AOD 值 (光学厚度)'}, hAxis: {title: '日期', format: 'MM-dd'}, lineWidth: 1.5, pointSize: 3, series: {0: {color: '#d63031'}}, // 红色折线 legend: {position: 'none'} // 隐藏图例（单系列） }); // 打印图表到控制台 print(chart);

• 图表生成：
  • 函数选择：使用ui.Chart.image.series()生成时间序列图表，该函数专门用于处理影像集的时间序列数据，支持区域统计和可视化配置。
  • 核心参数：
    • imageCollection：输入的日均值影像集（dailyCollection）。
    • region：统计区域（研究区ROI），函数会自动对该区域内的 AOD 值进行统计。
    • reducer：区域统计方法，此处使用ee.Reducer.mean()计算研究区内的 AOD 平均值（也可选择最大值、最小值、中位数等）。
    • scale：统计时的空间分辨率（需与影像重投影后的分辨率一致，避免采样错误）。
    • xProperty：X 轴的时间属性，对应影像的system:time_start字段。
• 图表样式配置：
  • 标题与轴标签：设置图表标题（明确研究区、年份、数据类型）、Y 轴标签（AOD 值，光学厚度）、X 轴标签（日期，格式为月 - 日）。
  • 视觉样式：折线宽度 1.5px、数据点大小 3px，折线颜色设置为红色（#d63031），隐藏图例（因仅单系列数据，无需图例）。
• 图表输出：通过print(chart)将图表打印到 GEE 控制台，用户可在控制台查看、下载（支持 PNG、CSV 格式）图表。

五、地图可视化模块：展示 AOD 年均值空间分布

计算 2024 年研究区 AOD 年平均值，通过地图可视化展示气溶胶浓度的空间分布特征（如高值区、低值区的空间格局）。

• 若研究区 AOD 值整体偏低（如多为 0-0.5），可缩小min/max范围（如 0-0.5），增强空间差异的辨识度；若存在高值区，需扩大max值，避免高值区被统一显示为红色（无法区分差异）。
• 边界图层的颜色和透明度可调整，建议选择与 AOD 图层颜色对比度高的颜色（如黑色、白色），避免遮挡 AOD 空间分布信息。

// 计算2024年AOD年平均值并裁剪到研究区范围 var aodYearlyMean = dailyCollection.mean().clip(ROI); // 可视化参数设置 var vizParams = { min: 0, // 最小值 max: 1.0, // 最大值 palette: [ // 颜色渐变：蓝→青→黄→红 '#0000ff', '#00ffff', '#ffff00', '#ff0000' ] }; // 设置地图显示 Map.centerObject(ROI, 8); // 居中显示研究区（缩放级别8） Map.addLayer(aodYearlyMean, vizParams, '2024 年平均 AOD'); // 图层名称 Map.addLayer( ROI, {color: 'black', fillColor: '00000000'}, // 黑色边界，透明填充 '研究区行政边界' );

• 年均值计算与裁剪：
  • dailyCollection.mean()：对所有日均值影像取平均，得到 2024 年 AOD 年平均值影像。
  • .clip(ROI)：将年均值影像裁剪到研究区范围，剔除研究区外的无效数据，使可视化结果更清晰。
• 可视化参数配置（vizParams）：
  • min/max：数据显示范围（0-1.0），超出该范围的值会被拉伸到对应极值颜色（可根据研究区实际 AOD 范围调整，如污染严重区域可设为 0-2.0）。
  • palette：颜色渐变方案，从蓝色（低 AOD，清洁大气）→青色→黄色→红色（高 AOD，污染严重），符合常规遥感影像的可视化逻辑（人眼对渐变颜色的辨识度更高）。
• 地图显示设置：
  • Map.centerObject(ROI, 8)：将地图中心定位到研究区，缩放级别设为 8（可根据研究区大小调整：区域越大，缩放级别越小；区域越小，缩放级别越大，建议范围 6-12）。
  • Map.addLayer()：添加两个图层：
    • AOD 年均值图层：使用上述可视化参数，图层名称为 “2024 年平均 AOD”。
    • 研究区边界图层：黑色边界线（color: 'black'），透明填充（fillColor: '00000000'，前 6 位为 RGB 颜色，后 2 位为透明度，00 表示完全透明），图层名称为 “研究区行政边界”，用于标识分析范围。

六、代码运行流程与依赖条件

运行流程：1.定义研究区和时间范围→2.加载原始 MODIS AOD 数据并筛选时空范围→3.预处理（质量控制 + 缩放 + 去无效值）→4.日尺度合成（生成日均值影像集）→5.生成时间序列图表→6.计算年均值并可视化到地图。

依赖条件：

• 平台依赖：需在 Google Earth Engine 平台运行（需注册 GEE 账号，且账号已开通访问权限）。
• 数据依赖：
  • 自有研究区边界数据（矢量格式，如 Shapefile、GeoJSON），或使用 GEE 内置行政边界数据集。
  • MODIS MCD19A2_GRANULES V061 数据集（GEE 内置，无需额外上传，但需确保网络可访问 GEE 数据目录）。
• 环境依赖：需保证网络稳定（数据加载和计算需联网），浏览器支持 GEE 的前端交互（推荐 Chrome、Firefox）。

七、关键注意事项与常见问题

关键注意事项：

• 数据路径与变量名一致性：自有研究区数据的导入名称需与table变量一致，否则会报 “变量未定义” 错误。
• 质量控制参数不可随意修改：QA 波段的按位运算逻辑（bitwiseAnd(7).lte(1)）是基于 MCD19A2 数据集的质量编码规则，修改后会导致无效数据筛选错误。
• 分辨率与投影匹配：重投影的scale参数需与后续图表统计、地图可视化的scale一致，避免因分辨率不匹配导致的统计偏差。

常见问题：

• 日数据量远小于 365：可能是研究区全年云覆盖较多（如热带雨林、多雨地区），或 QA 筛选条件过严（可适当放宽至lte(2)，即包含 “中等” 质量数据，但需注明数据质量）。
• 地图无显示：检查研究区边界是否有效（可通过print(ROI)验证是否为空集合），或 AOD 年均值影像是否全为无数据（可通过print(aodYearlyMean)查看影像信息）。
• 图表报错：多为时间属性缺失，需确保预处理步骤中copyProperties(img, ['system:time_start'])未遗漏，且日合成时正确设置了system:time_start属性。

八、代码应用场景与扩展方向

应用场景：

• 区域气溶胶污染长期监测（如城市全年雾霾天数统计、沙尘天气影响范围分析）。
• 生态环境评估（如气溶胶对植被光合作用的影响、大气能见度关联分析）。
• 气候与大气科学研究（如气溶胶季节变化规律、与降水 / 风速的相关性分析）。

扩展方向：

• 时间尺度扩展：将日合成改为月合成、季合成（修改ee.List.sequence的时间步长，如按月偏移），分析更长周期的变化趋势。
• 空间统计扩展：增加分区统计（如按研究区内的行政单元、土地利用类型统计 AOD 均值），使用ee.FeatureCollection.map()实现。
• 多数据源融合：结合其他卫星 AOD 数据（如哨兵 - 5P、VIIRS），对比不同传感器的观测结果。
• 异常值分析：通过统计方法（如标准差、箱线图）识别 AOD 高值异常天数，结合气象数据、人为活动数据（如秸秆焚烧火点、工业排放数据）分析异常原因。

九、运行结果

若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！