文昌市网站建设_网站建设公司_百度智能云_seo优化

目录

一、研究区初始化与地图配置

二、数据预处理函数

三、影像集合筛选与预处理

四、影像合成与可视化

五、结果导出至 Google Drive

六、关键技术要点总结与注意事项

七、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！

本代码基于 Google Earth Engine（GEE）平台，利用 Landsat-9 卫星的 Level-2 级数据（LANDSAT/LC09/C02/T1_L2），通过数据预处理、水体提取、云影剔除等步骤，反演 2023 年夏季（6-9 月）研究区的水体表面温度，最终将结果导出至 Google Drive，为水文环境监测、生态评估等研究提供数据支持。

一、研究区初始化与地图配置

var roi = geometry; Map.centerObject(roi, 10); var roiLayer = ui.Map.Layer(roi, {color: 'red', fillColor: 'white'}, '研究区'); Map.add(roiLayer);

• 研究区定义：var roi = geometry中，geometry是预先在 GEE 地图界面绘制的研究区矢量图形（如多边形），代码通过该变量锁定分析范围，后续所有数据处理均限定在该区域内。
• 地图居中与可视化：
  • Map.centerObject(roi, 10)使地图自动居中到研究区，第二个参数 “10” 是地图缩放级别（范围 1-20，数值越大视图越清晰），确保研究区完整显示在视野中。
  • ui.Map.Layer(...)构建研究区的可视化图层，设置边界颜色为红色（color: 'red'）、填充色为白色（fillColor: 'white'），并命名为 “研究区”，最后通过Map.add(roiLayer)将图层添加到地图界面，方便直观查看分析范围。

二、数据预处理函数

function preprocess(img) { // 1. 云与云影mask构建 var qa = img.select('QA_PIXEL'); var cloud = qa.bitwiseAnd(1 << 1).neq(0); var cirrus = qa.bitwiseAnd(2 << 1).neq(0); var cloud2 = qa.bitwiseAnd(3 << 1).neq(0); var shadow = qa.bitwiseAnd(4 << 1).neq(0); var cloud_mask = cloud.or(cirrus).or(cloud2).or(shadow); // 2. 地表反射率波段预处理 var ms = img.select('SR_B.*').multiply(2.75e-05).add(-0.2); // 3. NDWI计算与水体mask构建 var ndwi = ms.normalizedDifference(['SR_B3', 'SR_B5']).rename('ndwi'); var water_mask = ndwi.gt(0.1); // 4. 地表温度（LST）反演 var lst = img.select('ST_B10').multiply(0.00341802).add(149).subtract(273.15); // 5. 应用mask并保留时间属性 return lst.updateMask(water_mask).updateMask(cloud_mask.not()) .copyProperties(img, ['system:time_start']); }

该函数是代码核心，对单景 Landsat-9 影像执行“质量控制 - 波段处理 - 水体提取 - 温度反演”的完整流程，输入为单景影像（img），输出为预处理后的水体温度影像。

• 云与云影剔除（质量控制）：
  • Landsat-9 的QA_PIXEL波段是质量控制波段，通过位运算（bitwiseAnd）可提取特定质量信息。
  • 分别通过位运算识别普通云（cloud）、卷云（cirrus）、其他云类（cloud2）和云影（shadow），再通过or()函数将各类云及云影合并为cloud_mask（掩码图层，“1” 代表云 / 云影区域，“0” 代表有效区域）。
• 地表反射率波段校准：
  • img.select('SR_B.*')筛选所有地表反射率波段（SR_B1至SR_B7，对应不同光谱范围）。
  • multiply(2.75e-05).add(-0.2)是 Landsat-9 Level-2 数据的官方校准公式，将原始数字量化值（DN 值）转换为实际地表反射率（无量纲，范围 0-1），为后续植被指数计算提供准确数据。
• NDWI 计算与水体提取：
  • normalizedDifference(['SR_B3', 'SR_B5'])计算归一化水体指数（NDWI），公式为(绿波段 - 近红外波段) / (绿波段 + 近红外波段)，水体在 NDWI 中表现为高值。
  • ndwi.gt(0.1)设置阈值 0.1，将 NDWI 大于 0.1 的区域判定为水体，生成water_mask（“1” 为水体，“0” 为非水体）。
• 地表温度反演：
  • img.select('ST_B10')选择热红外波段（ST_B10），该波段记录了地物的热辐射信息。
  • multiply(0.00341802).add(149)是官方辐射定标公式，将 DN 值转换为绝对辐射亮度；subtract(273.15)将开尔文温度（K）转换为摄氏度（℃），最终得到地表温度（LST）。
• 掩码应用与属性保留：
  • updateMask(water_mask)保留水体区域、剔除非水体区域；updateMask(cloud_mask.not())保留非云 / 云影区域、剔除云污染区域，双重掩码确保最终结果仅包含 “无云的水体”。
  • copyProperties(img, ['system:time_start'])保留原始影像的时间属性（拍摄时间），为后续时间序列分析提供依据。

三、影像集合筛选与预处理

var l9 = ee.ImageCollection("LANDSAT/LC09/C02/T1_L2") .filterDate('2023-06-01', '2023-09-30') .filterBounds(roi) .map(preprocess);

• 影像集合调用：ee.ImageCollection("LANDSAT/LC09/C02/T1_L2")调用 GEE 内置的 Landsat-9 Level-2 影像集合，该集合已完成大气校正、辐射定标等预处理，可直接用于定量分析。
• 时间筛选：filterDate('2023-06-01', '2023-09-30')筛选 2023 年 6 月 1 日至 9 月 30 日的影像，聚焦夏季时段，符合研究目标。
• 空间筛选：filterBounds(roi)仅保留覆盖研究区的影像，剔除与研究区无关的影像，减少计算量。
• 批量预处理：map(preprocess)对筛选后的每景影像批量应用上述preprocess函数，生成预处理后的水体温度影像集合（l9）。

四、影像合成与可视化

var composite = l9.mean().clip(roi); var visParams = { min: -20, max: 35, palette: ['blue', 'cyan', 'green', 'yellow', 'red'] }; Map.addLayer(composite, visParams, 'Landsat9 Water Temp (°C)');

• 时间平均合成：l9.mean()对夏季所有预处理后的影像计算平均值，生成夏季水体温度均值影像，可减少单景影像的随机误差和云残留影响；clip(roi)确保结果严格限定在研究区内，避免边界外冗余数据。
• 可视化参数设置：
  • min: -20, max: 35设定温度显示范围（-20℃至 35℃），超出该范围的温度将被渲染为对应极值颜色。
  • palette定义颜色渐变方案：蓝色（低温）→青色→绿色→黄色→红色（高温），直观反映温度空间分布差异。
• 地图添加图层：Map.addLayer(...)将合成后的水体温度影像添加到地图，命名为 “Landsat9 Water Temp (°C)”，方便实时查看温度分布格局。

五、结果导出至 Google Drive

Export.image.toDrive({ image: composite, description: 'L9_WaterTemp_2023_Summer', folder: 'GEE_Exports', fileNamePrefix: 'L9_WaterTemp_2023_Summer', region: roi, scale: 30, crs: 'EPSG:4326', maxPixels: 1e13 });

• 导出核心设置：
  • image: composite指定导出的影像为夏季温度合成影像。
  • description和fileNamePrefix设定导出任务名称和文件前缀，便于后续在 Drive 中查找。
  • folder: 'GEE_Exports'指定导出文件存储在 Google Drive 中的 “GEE_Exports” 文件夹（需提前创建或允许 GEE 自动创建）。
• 导出参数配置：
  • region: roi限定导出范围为研究区。
  • scale: 30设定导出影像的空间分辨率为 30 米（Landsat-9 热红外波段原始分辨率为 100 米，此处通过重采样至 30 米，与反射率波段分辨率一致，便于后续分析）。
  • crs: 'EPSG:4326'设定空间参考系为 WGS84（全球通用地理坐标系），确保数据兼容性。
  • maxPixels: 1e13设定最大导出像素数，避免因研究区过大导致导出失败（1e13 足以覆盖大面积区域）。

六、关键技术要点总结与注意事项

关键技术要点总结：

• 数据质量控制：通过QA_PIXEL波段的位运算，精准剔除云、卷云、云影等污染区域，确保水体温度数据的准确性。
• 水体提取逻辑：利用 NDWI 指数对水体的敏感性，通过阈值法（0.1）快速分离水体与非水体，为温度反演限定目标区域。
• 温度反演精度：采用 Landsat 官方提供的辐射定标公式和温度转换方法，保证反演结果的科学性和可比性。
• GEE 高效性：通过ImageCollection的筛选、map批量处理和mean合成，实现大规模影像数据的快速处理，无需本地存储和计算资源。

注意事项：

• 研究区geometry需提前在 GEE 地图界面绘制，支持点、线、面等矢量类型，面状区域需确保闭合。
• 导出前需确保 Google 账号已登录，且 Drive 有足够存储空间（30 米分辨率的大面积影像可能占用较多空间）。
• 夏季影像可能存在云量较多的情况，若合成后仍有云残留，可缩小时间范围或增加云掩膜的严格程度（如调整 NDWI 阈值或云识别位运算规则）。
• 温度反演结果为地表温度（LST），而非水体内部温度，适用于表层水体环境监测，若需深层水温，需结合实测数据校正。

七、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！