1. 初识Google Earth EngineGEE第一次接触GEE时我完全被它的云端处理能力震撼到了。想象一下你不需要在本地安装任何软件打开浏览器就能调用PB级别的遥感数据还能直接在上面跑分析——这简直就是遥感分析师的梦想工具。GEE本质上是一个基于云端的遥感数据处理平台它把Google强大的服务器资源开放给我们使用。这意味着你不再需要下载几十GB的卫星影像到本地复杂的计算任务可以秒级完成所有数据都保持最新状态我刚开始用的时候最不习惯的就是它的编程模式。和传统Python遥感处理不同GEE采用的是客户端-服务器架构。我们写的代码实际上是在浏览器里编辑然后发送到Google服务器执行。这种模式带来一个关键特性所有数据处理操作都必须使用GEE封装好的API。举个例子如果你想创建一个数字不能直接用JavaScript的let num 1而要用ee.Number(1)。这种设计一开始可能会让你觉得别扭但理解之后就会发现它的精妙之处——所有操作都在云端统一管理效率极高。2. GEE的核心数据类型在GEE中游刃有余的关键是要理解它特有的数据类型系统。这些类型都以ee.开头构成了GEE数据处理的基础构件。2.1 基础数据类型让我们通过实际代码来感受这些类型的使用// 字符串类型 var serverString ee.String(Hello GEE); print(服务器字符串:, serverString); // 数字类型 var pi ee.Number(3.14159).multiply(2); print(圆周率的两倍:, pi); // 列表类型 var cityList ee.List([北京,上海,广州,深圳]); print(城市列表:, cityList); print(第二个城市:, cityList.get(1)); // 注意要用get()方法获取元素 // 字典类型 var constants ee.Dictionary({ pi: 3.14159, e: 2.71828, goldenRatio: 1.61803 }); print(常数字典:, constants); print(黄金分割值:, constants.get(goldenRatio));这些类型看起来和JavaScript原生类型很像但本质完全不同。它们都是服务器端对象所有操作都要通过GEE API完成。新手常犯的错误就是混用这两种类型比如试图用JavaScript的来拼接ee.String这会导致报错。2.2 日期类型处理遥感分析离不开时间维度GEE的ee.Date类型提供了强大的时间处理能力// 创建日期对象 var startDate ee.Date(2020-01-01); var endDate startDate.advance(3, month); // 3个月后 print(开始日期:, startDate); print(结束日期:, endDate); print(时间差(天):, endDate.difference(startDate, day)); // 获取日期组成部分 print(年份:, startDate.get(year)); print(月份:, startDate.get(month));在实际项目中我经常用这些方法来做时间序列分析比如计算某地过去5年每个月的平均植被指数。3. GEE的函数式编程范式GEE最强大的特性之一就是它的函数式编程模型。这种设计让大规模遥感数据处理变得异常高效。3.1 避免循环善用map()传统编程中我们习惯用循环来处理集合数据。但在GEE中应该完全避免使用for循环改用map()函数// 创建一个1到10的数字序列 var numSequence ee.List.sequence(1, 10); // 定义平方计算函数 var calculateSquare function(num) { num ee.Number(num); // 转换为ee.Number类型 return num.pow(2); }; // 使用map()并行计算平方 var squares numSequence.map(calculateSquare); print(平方序列:, squares); // [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]这种模式的优势在于GEE会在云端自动并行化这些操作。我曾经处理过包含上万景影像的集合用map()只需要几秒钟就能完成全部计算。3.2 条件判断的替代方案在GEE中直接使用if-else语句往往不是最佳选择。我们可以用数学运算和过滤器来实现条件逻辑// 筛选奇数 var getOddNumbers function(num) { num ee.Number(num); // 用取模运算替代条件判断 return num.multiply(num.mod(2)); }; var numbers ee.List([1,2,3,4,5,6,7,8,9,10]); var odds numbers.map(getOddNumbers).removeAll([0]); print(奇数:, odds); // [1, 3, 5, 7, 9] // 影像集合的条件筛选 var landsat ee.ImageCollection(LANDSAT/LC08/C01/T1_TOA); var lowSun landsat.filter(ee.Filter.lt(SUN_ELEVATION, 40)); var highSun landsat.filter(ee.Filter.gte(SUN_ELEVATION, 40)); // 对不同条件应用不同处理 var processedLow lowSun.map(function(img) { return img.multiply(1.5); // 低太阳高度时增强亮度 }); var finalCollection processedLow.merge(highSun);这种无if编程风格一开始可能需要适应但一旦掌握代码会变得非常简洁高效。4. 影像可视化实战现在让我们进入最激动人心的部分——在GEE中加载和可视化遥感影像。这是每个遥感分析项目的起点。4.1 单幅影像显示加载一幅SRTM高程数据并显示// 加载SRTM高程数据 var srtm ee.Image(CGIAR/SRTM90_V4); // 设置地图中心点以合肥为例 Map.setCenter(117.28, 31.86, 8); // 默认方式显示 Map.addLayer(srtm, {}, SRTM Default); // 自定义显示参数 var visParams { min: 0, max: 2000, palette: [green, yellow, red] // 低到高 }; Map.addLayer(srtm, visParams, SRTM Custom);这里有几个实用技巧min和max参数控制显示范围可以突出感兴趣的高程区间palette参数允许自定义颜色映射可以使用标准颜色名称或十六进制代码图层名称第三个参数最好起个有意义的名字方便管理4.2 多波段影像显示对于多波段影像如Landsat我们可以组合不同波段来创建真彩色或假彩色合成// 加载Landsat 8影像 var landsat ee.Image(LANDSAT/LC08/C01/T1_TOA/LC08_123032_20190515); // 真彩色显示RGB B4,B3,B2 var trueColor { bands: [B4, B3, B2], min: 0, max: 0.3 }; Map.addLayer(landsat, trueColor, True Color); // 假彩色显示RGB B5,B4,B3突出植被 var falseColor { bands: [B5, B4, B3], min: 0, max: 0.3 }; Map.addLayer(landsat, falseColor, False Color);在实际项目中我经常通过调整波段组合来突出不同的地物特征。比如用短波红外波段可以更好地识别水体和水汽。5. 影像集合处理技巧单个影像的分析往往不能满足需求GEE强大的地方在于它能轻松处理包含成千上万景影像的集合。5.1 时空过滤// 加载Landsat 8集合 var landsat ee.ImageCollection(LANDSAT/LC08/C01/T1_TOA); // 定义兴趣点以巢湖为例 var point ee.Geometry.Point(117.6, 31.6); // 空间过滤 var spatialFiltered landsat.filterBounds(point); // 时间过滤2019年全年的数据 var temporalFiltered spatialFiltered.filterDate(2019-01-01, 2019-12-31); // 云量排序选择最清晰的影像 var sorted temporalFiltered.sort(CLOUD_COVER); var bestImage sorted.first(); // 显示 Map.centerObject(point, 10); Map.addLayer(bestImage, {bands: [B4,B3,B2], max: 0.3}, Best Image);这个流程是我最常用的影像筛选方法先用filterBounds限定空间范围再用filterDate限定时间范围最后用sort和first获取质量最好的影像5.2 集合运算影像集合的真正威力在于可以批量处理所有影像// 计算NDVI的函数 var addNDVI function(image) { var ndvi image.normalizedDifference([B5, B4]).rename(NDVI); return image.addBands(ndvi); }; // 应用到整个集合 var landsatWithNDVI landsat.map(addNDVI); // 计算平均NDVI var meanNDVI landsatWithNDVI.select(NDVI).mean(); Map.addLayer(meanNDVI, {min:0, max:1, palette:[white,green]}, Mean NDVI);我曾经用这种方法计算过整个黄河流域10年的月均NDVI只用了不到20行代码就完成了传统方法需要数天的工作量。6. NDVI分析实战归一化植被指数NDVI是最常用的植被指标让我们通过一个完整案例掌握它的计算和分析方法。6.1 单时相NDVI计算// 加载单景Landsat影像 var image ee.Image(LANDSAT/LC08/C01/T1_TOA/LC08_123032_20190515); // 计算NDVI(NIR-Red)/(NIRRed) var ndvi image.normalizedDifference([B5, B4]).rename(NDVI); // 可视化参数 var ndviParams { min: -1, max: 1, palette: [red, yellow, green] }; // 显示结果 Map.centerObject(image, 10); Map.addLayer(ndvi, ndviParams, NDVI);这里有几个关键点Landsat 8的NIR波段是B5红波段是B4normalizedDifference()是GEE提供的便捷方法比自己写公式更简洁NDVI值域通常在-1到1之间健康植被一般在0.3-0.86.2 时间序列分析// 定义兴趣区域合肥市区 var roi ee.Geometry.Polygon([ [117.1,31.8], [117.3,31.8], [117.3,32.0], [117.1,32.0], [117.1,31.8] ]); // 加载2019年Landsat数据 var landsat ee.ImageCollection(LANDSAT/LC08/C01/T1_TOA) .filterBounds(roi) .filterDate(2019-01-01, 2019-12-31); // 添加NDVI波段 var withNDVI landsat.map(function(image) { var ndvi image.normalizedDifference([B5, B4]).rename(NDVI); return image.addBands(ndvi); }); // 创建时间序列图表 var chart ui.Chart.image.series({ imageCollection: withNDVI.select(NDVI), region: roi, reducer: ee.Reducer.mean(), scale: 30 }).setOptions({ title: 2019年合肥市NDVI变化, vAxis: {title: NDVI}, hAxis: {title: 日期} }); print(chart);这张图表清晰显示了植被的季节性变化春季NDVI开始上升夏季达到峰值秋季逐渐下降冬季保持较低水平7. 数据导出方法分析结果需要导出才能进一步使用GEE提供了多种导出方式。7.1 导出统计图表前面创建的NDVI时间序列图表可以直接导出点击图表右上角的Download CSV导出数据点击Download PNG或Download SVG导出图片7.2 导出影像到Google Drive// 导出NDVI影像 Export.image.toDrive({ image: ndvi, description: Hefei_NDVI_2019, fileNamePrefix: ndvi_export, region: roi, scale: 30, crs: EPSG:4326, maxPixels: 1e10 });导出步骤运行代码后点击右上角Tasks标签找到对应的导出任务点击Run在弹出的对话框中配置导出参数点击Run开始导出导出完成后文件会出现在你的Google Drive中可以下载到本地使用。我曾经导出过100km²区域的10m分辨率NDVI数据整个过程只用了不到5分钟。8. 实际项目经验分享经过多个GEE项目的实战我总结了一些宝贵经验代码调试技巧多用print()输出中间结果GEE的异步执行模式使得调试不太直观打印关键变量值能快速定位问题性能优化方法尽量缩小分析区域范围适当降低输出分辨率使用clip()限制计算范围避免不必要的高精度计算常见错误处理Computed value is too large减小分析区域或降低分辨率User memory limit exceeded优化算法减少中间变量No valid data found检查数据时空范围和过滤条件最佳实践建议代码要模块化多用函数封装重复操作添加详细的注释方便后期维护定期保存代码版本利用GEE的代码库功能管理常用脚本记得第一次用GEE计算全市植被覆盖变化时我因为没有限制分析范围导致任务超时失败。后来学会了先用clip()限定行政边界效率提升了10倍不止。这些实战经验都是在一次次踩坑中积累起来的。
GEE入门实战：从云端概念到首个遥感分析
发布时间：2026/5/16 18:45:10
1. 初识Google Earth EngineGEE第一次接触GEE时我完全被它的云端处理能力震撼到了。想象一下你不需要在本地安装任何软件打开浏览器就能调用PB级别的遥感数据还能直接在上面跑分析——这简直就是遥感分析师的梦想工具。GEE本质上是一个基于云端的遥感数据处理平台它把Google强大的服务器资源开放给我们使用。这意味着你不再需要下载几十GB的卫星影像到本地复杂的计算任务可以秒级完成所有数据都保持最新状态我刚开始用的时候最不习惯的就是它的编程模式。和传统Python遥感处理不同GEE采用的是客户端-服务器架构。我们写的代码实际上是在浏览器里编辑然后发送到Google服务器执行。这种模式带来一个关键特性所有数据处理操作都必须使用GEE封装好的API。举个例子如果你想创建一个数字不能直接用JavaScript的let num 1而要用ee.Number(1)。这种设计一开始可能会让你觉得别扭但理解之后就会发现它的精妙之处——所有操作都在云端统一管理效率极高。2. GEE的核心数据类型在GEE中游刃有余的关键是要理解它特有的数据类型系统。这些类型都以ee.开头构成了GEE数据处理的基础构件。2.1 基础数据类型让我们通过实际代码来感受这些类型的使用// 字符串类型 var serverString ee.String(Hello GEE); print(服务器字符串:, serverString); // 数字类型 var pi ee.Number(3.14159).multiply(2); print(圆周率的两倍:, pi); // 列表类型 var cityList ee.List([北京,上海,广州,深圳]); print(城市列表:, cityList); print(第二个城市:, cityList.get(1)); // 注意要用get()方法获取元素 // 字典类型 var constants ee.Dictionary({ pi: 3.14159, e: 2.71828, goldenRatio: 1.61803 }); print(常数字典:, constants); print(黄金分割值:, constants.get(goldenRatio));这些类型看起来和JavaScript原生类型很像但本质完全不同。它们都是服务器端对象所有操作都要通过GEE API完成。新手常犯的错误就是混用这两种类型比如试图用JavaScript的来拼接ee.String这会导致报错。2.2 日期类型处理遥感分析离不开时间维度GEE的ee.Date类型提供了强大的时间处理能力// 创建日期对象 var startDate ee.Date(2020-01-01); var endDate startDate.advance(3, month); // 3个月后 print(开始日期:, startDate); print(结束日期:, endDate); print(时间差(天):, endDate.difference(startDate, day)); // 获取日期组成部分 print(年份:, startDate.get(year)); print(月份:, startDate.get(month));在实际项目中我经常用这些方法来做时间序列分析比如计算某地过去5年每个月的平均植被指数。3. GEE的函数式编程范式GEE最强大的特性之一就是它的函数式编程模型。这种设计让大规模遥感数据处理变得异常高效。3.1 避免循环善用map()传统编程中我们习惯用循环来处理集合数据。但在GEE中应该完全避免使用for循环改用map()函数// 创建一个1到10的数字序列 var numSequence ee.List.sequence(1, 10); // 定义平方计算函数 var calculateSquare function(num) { num ee.Number(num); // 转换为ee.Number类型 return num.pow(2); }; // 使用map()并行计算平方 var squares numSequence.map(calculateSquare); print(平方序列:, squares); // [1, 4, 9, 16, 25, 36, 49, 64, 81, 100]这种模式的优势在于GEE会在云端自动并行化这些操作。我曾经处理过包含上万景影像的集合用map()只需要几秒钟就能完成全部计算。3.2 条件判断的替代方案在GEE中直接使用if-else语句往往不是最佳选择。我们可以用数学运算和过滤器来实现条件逻辑// 筛选奇数 var getOddNumbers function(num) { num ee.Number(num); // 用取模运算替代条件判断 return num.multiply(num.mod(2)); }; var numbers ee.List([1,2,3,4,5,6,7,8,9,10]); var odds numbers.map(getOddNumbers).removeAll([0]); print(奇数:, odds); // [1, 3, 5, 7, 9] // 影像集合的条件筛选 var landsat ee.ImageCollection(LANDSAT/LC08/C01/T1_TOA); var lowSun landsat.filter(ee.Filter.lt(SUN_ELEVATION, 40)); var highSun landsat.filter(ee.Filter.gte(SUN_ELEVATION, 40)); // 对不同条件应用不同处理 var processedLow lowSun.map(function(img) { return img.multiply(1.5); // 低太阳高度时增强亮度 }); var finalCollection processedLow.merge(highSun);这种无if编程风格一开始可能需要适应但一旦掌握代码会变得非常简洁高效。4. 影像可视化实战现在让我们进入最激动人心的部分——在GEE中加载和可视化遥感影像。这是每个遥感分析项目的起点。4.1 单幅影像显示加载一幅SRTM高程数据并显示// 加载SRTM高程数据 var srtm ee.Image(CGIAR/SRTM90_V4); // 设置地图中心点以合肥为例 Map.setCenter(117.28, 31.86, 8); // 默认方式显示 Map.addLayer(srtm, {}, SRTM Default); // 自定义显示参数 var visParams { min: 0, max: 2000, palette: [green, yellow, red] // 低到高 }; Map.addLayer(srtm, visParams, SRTM Custom);这里有几个实用技巧min和max参数控制显示范围可以突出感兴趣的高程区间palette参数允许自定义颜色映射可以使用标准颜色名称或十六进制代码图层名称第三个参数最好起个有意义的名字方便管理4.2 多波段影像显示对于多波段影像如Landsat我们可以组合不同波段来创建真彩色或假彩色合成// 加载Landsat 8影像 var landsat ee.Image(LANDSAT/LC08/C01/T1_TOA/LC08_123032_20190515); // 真彩色显示RGB B4,B3,B2 var trueColor { bands: [B4, B3, B2], min: 0, max: 0.3 }; Map.addLayer(landsat, trueColor, True Color); // 假彩色显示RGB B5,B4,B3突出植被 var falseColor { bands: [B5, B4, B3], min: 0, max: 0.3 }; Map.addLayer(landsat, falseColor, False Color);在实际项目中我经常通过调整波段组合来突出不同的地物特征。比如用短波红外波段可以更好地识别水体和水汽。5. 影像集合处理技巧单个影像的分析往往不能满足需求GEE强大的地方在于它能轻松处理包含成千上万景影像的集合。5.1 时空过滤// 加载Landsat 8集合 var landsat ee.ImageCollection(LANDSAT/LC08/C01/T1_TOA); // 定义兴趣点以巢湖为例 var point ee.Geometry.Point(117.6, 31.6); // 空间过滤 var spatialFiltered landsat.filterBounds(point); // 时间过滤2019年全年的数据 var temporalFiltered spatialFiltered.filterDate(2019-01-01, 2019-12-31); // 云量排序选择最清晰的影像 var sorted temporalFiltered.sort(CLOUD_COVER); var bestImage sorted.first(); // 显示 Map.centerObject(point, 10); Map.addLayer(bestImage, {bands: [B4,B3,B2], max: 0.3}, Best Image);这个流程是我最常用的影像筛选方法先用filterBounds限定空间范围再用filterDate限定时间范围最后用sort和first获取质量最好的影像5.2 集合运算影像集合的真正威力在于可以批量处理所有影像// 计算NDVI的函数 var addNDVI function(image) { var ndvi image.normalizedDifference([B5, B4]).rename(NDVI); return image.addBands(ndvi); }; // 应用到整个集合 var landsatWithNDVI landsat.map(addNDVI); // 计算平均NDVI var meanNDVI landsatWithNDVI.select(NDVI).mean(); Map.addLayer(meanNDVI, {min:0, max:1, palette:[white,green]}, Mean NDVI);我曾经用这种方法计算过整个黄河流域10年的月均NDVI只用了不到20行代码就完成了传统方法需要数天的工作量。6. NDVI分析实战归一化植被指数NDVI是最常用的植被指标让我们通过一个完整案例掌握它的计算和分析方法。6.1 单时相NDVI计算// 加载单景Landsat影像 var image ee.Image(LANDSAT/LC08/C01/T1_TOA/LC08_123032_20190515); // 计算NDVI(NIR-Red)/(NIRRed) var ndvi image.normalizedDifference([B5, B4]).rename(NDVI); // 可视化参数 var ndviParams { min: -1, max: 1, palette: [red, yellow, green] }; // 显示结果 Map.centerObject(image, 10); Map.addLayer(ndvi, ndviParams, NDVI);这里有几个关键点Landsat 8的NIR波段是B5红波段是B4normalizedDifference()是GEE提供的便捷方法比自己写公式更简洁NDVI值域通常在-1到1之间健康植被一般在0.3-0.86.2 时间序列分析// 定义兴趣区域合肥市区 var roi ee.Geometry.Polygon([ [117.1,31.8], [117.3,31.8], [117.3,32.0], [117.1,32.0], [117.1,31.8] ]); // 加载2019年Landsat数据 var landsat ee.ImageCollection(LANDSAT/LC08/C01/T1_TOA) .filterBounds(roi) .filterDate(2019-01-01, 2019-12-31); // 添加NDVI波段 var withNDVI landsat.map(function(image) { var ndvi image.normalizedDifference([B5, B4]).rename(NDVI); return image.addBands(ndvi); }); // 创建时间序列图表 var chart ui.Chart.image.series({ imageCollection: withNDVI.select(NDVI), region: roi, reducer: ee.Reducer.mean(), scale: 30 }).setOptions({ title: 2019年合肥市NDVI变化, vAxis: {title: NDVI}, hAxis: {title: 日期} }); print(chart);这张图表清晰显示了植被的季节性变化春季NDVI开始上升夏季达到峰值秋季逐渐下降冬季保持较低水平7. 数据导出方法分析结果需要导出才能进一步使用GEE提供了多种导出方式。7.1 导出统计图表前面创建的NDVI时间序列图表可以直接导出点击图表右上角的Download CSV导出数据点击Download PNG或Download SVG导出图片7.2 导出影像到Google Drive// 导出NDVI影像 Export.image.toDrive({ image: ndvi, description: Hefei_NDVI_2019, fileNamePrefix: ndvi_export, region: roi, scale: 30, crs: EPSG:4326, maxPixels: 1e10 });导出步骤运行代码后点击右上角Tasks标签找到对应的导出任务点击Run在弹出的对话框中配置导出参数点击Run开始导出导出完成后文件会出现在你的Google Drive中可以下载到本地使用。我曾经导出过100km²区域的10m分辨率NDVI数据整个过程只用了不到5分钟。8. 实际项目经验分享经过多个GEE项目的实战我总结了一些宝贵经验代码调试技巧多用print()输出中间结果GEE的异步执行模式使得调试不太直观打印关键变量值能快速定位问题性能优化方法尽量缩小分析区域范围适当降低输出分辨率使用clip()限制计算范围避免不必要的高精度计算常见错误处理Computed value is too large减小分析区域或降低分辨率User memory limit exceeded优化算法减少中间变量No valid data found检查数据时空范围和过滤条件最佳实践建议代码要模块化多用函数封装重复操作添加详细的注释方便后期维护定期保存代码版本利用GEE的代码库功能管理常用脚本记得第一次用GEE计算全市植被覆盖变化时我因为没有限制分析范围导致任务超时失败。后来学会了先用clip()限定行政边界效率提升了10倍不止。这些实战经验都是在一次次踩坑中积累起来的。
