第一篇：【Python-geemap教程（三）上】3D地形渲染与Landsat NDVI计算

引言

在前两篇内容中，我们完成了基于 Miniconda 搭建 geemap + Google Earth Engine (GEE) 的开发环境，并介绍了基础数据加载与可视化方法。从本文开始，我们将深入实战，分两篇讲解如何通过 Python+geemap 实现多维地理数据可视化：

上篇：3D地形渲染与单景影像植被指数计算；
下篇：时序植被指数动态可视化与综合应用。

通过这两篇内容，你将掌握从静态地形分析到动态植被监测的完整流程，理解地理空间数据的多维特征。

一、3D地形可视化：探索青藏高原的地貌特征

SRTM（航天飞机雷达地形测绘任务） 数据是全球应用最广泛的数字高程模型之一，分辨率达30米。我们将用它实现青藏高原东北部的3D地形渲染，并计算坡度、坡向等地形因子。

python 复制代码

import geemap
import ee

# 初始化 GEE
try:
    ee.Initialize(project='ee-hllutlu2024')  # 替换为自己的GEE项目ID
except Exception:
    ee.Authenticate()
    ee.Initialize(project='ee-hllutlu2024')

# 创建 3D 地图（mode='3D'）
Map = geemap.Map(center=[36.5, 100.5], zoom=8, mode='3D')

# 加载 SRTM DEM 数据
dem = ee.Image('USGS/SRTMGL1_003')

# 计算坡度与坡向
slope = ee.Terrain.slope(dem)
aspect = ee.Terrain.aspect(dem)

# 高程可视化参数
dem_params = {
    'min': 0,
    'max': 5000,
    'palette': ['006633', 'E5FFCC', '662A00', 'D8D8D8', 'F5F5F5']
}

# 添加图层
Map.addLayer(dem, dem_params, 'Elevation')
Map.addLayer(slope, {'min': 0, 'max': 60}, 'Slope')
Map.addLayer(aspect, {'min': 0, 'max': 360}, 'Aspect')

# 添加颜色条
Map.add_colorbar(dem_params, label='Elevation (m)', layer_name='Elevation')

Map.addLayerControl()
Map

代码逐段解释

1. 环境初始化

python 复制代码

import geemap
import ee

# 初始化 GEE
try:
    ee.Initialize(project='ee-hllutlu2024')  # 替换为自己的GEE项目ID
except Exception:
    ee.Authenticate()
    ee.Initialize(project='ee-hllutlu2024')

geemap 是连接Python与GEE的核心库，提供地图交互和数据处理功能；
ee.Initialize() 通过项目ID连接GEE服务器，try-except 确保首次使用时自动触发身份验证。

2. 创建3D地图对象

python 复制代码

Map = geemap.Map(center=[36.5, 100.5], zoom=8, mode='3D')

center=[36.5, 100.5]：地图中心点设为青藏高原东北部（北纬36.5°，东经100.5°）；
mode='3D'：开启三维模式，支持地形立体渲染和视角旋转（鼠标拖拽可旋转，滚轮可缩放）。

3. 加载与处理地形数据

python 复制代码

# 加载 SRTM DEM 数据
dem = ee.Image('USGS/SRTMGL1_003')

# 计算坡度与坡向
slope = ee.Terrain.slope(dem)
aspect = ee.Terrain.aspect(dem)

USGS/SRTMGL1_003 是GEE内置的SRTM数据，覆盖全球且免费可用；
ee.Terrain.slope(dem)：计算坡度（地表倾斜角度，0-90°）；
ee.Terrain.aspect(dem)：计算坡向（地表朝向，0-360°，正北为0°）。

4. 可视化设置与图层添加

python 复制代码

# 高程可视化参数
dem_params = {
    'min': 0,
    'max': 5000,
    'palette': ['006633', 'E5FFCC', '662A00', 'D8D8D8', 'F5F5F5']
}

# 添加图层
Map.addLayer(dem, dem_params, 'Elevation')
Map.addLayer(slope, {'min': 0, 'max': 60}, 'Slope')
Map.addLayer(aspect, {'min': 0, 'max': 360}, 'Aspect')

dem_params 定义高程的颜色映射：绿色（低海拔）→浅绿→棕色→灰色→白色（高海拔，如雪山）；
Map.addLayer() 依次添加高程、坡度、坡向图层，便于对比分析。

5. 添加辅助元素

python 复制代码

Map.add_colorbar(dem_params, label='Elevation (m)', layer_name='Elevation')
Map.addLayerControl()
Map

颜色条帮助解读高程数值与颜色的对应关系；
图层控制面板可自由切换显示/隐藏不同图层。

运行效果 ：

三维地图中可直观看到青藏高原的山脉、河谷等地形特征，坡度图显示陡峭程度，坡向图反映山体朝向，适合地质、水文等领域的初步分析。

二、Landsat 8 NDVI计算：长江中游植被状况

NDVI（归一化植被指数） 是反映植被覆盖度的重要指标，通过 Landsat 8 的近红外和红光波段计算得出。我们以长江中游为例，提取2023年生长季的植被信息。

python 复制代码

import geemap
import ee

# 初始化
try:
    ee.Initialize(project='ee-hllutlu2024')
except Exception:
    ee.Authenticate()
    ee.Initialize(project='ee-hllutlu2024')

# 创建地图
Map = geemap.Map(center=[30, 110], zoom=6)

# 加载 Landsat 8 Collection 2 影像
image = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') \
    .filterDate('2023-05-01', '2023-10-01') \
    .filterBounds(ee.Geometry.Point(110, 30)) \
    .sort('CLOUD_COVER') \
    .first()

# 应用缩放因子（按USGS文档）
def apply_scale_factors(img):
    optical = img.select('SR_B.*').multiply(0.0000275).add(-0.2)
    thermal = img.select('ST_B.*').multiply(0.00341802).add(149.0)
    return img.addBands(optical, None, True).addBands(thermal, None, True)

image = apply_scale_factors(image)

# 计算NDVI
ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI')

# 可视化参数
ndvi_params = {'min': -0.2, 'max': 0.8, 'palette': ['blue', 'white', 'green']}

# 添加图层
Map.addLayer(image, {'bands': ['SR_B4', 'SR_B3', 'SR_B2'], 'min': 0, 'max': 0.3}, 'Landsat 8 RGB')
Map.addLayer(ndvi, ndvi_params, 'NDVI')

Map.addLayerControl()
Map

代码逐段解释

1. 数据筛选：获取最优影像

python 复制代码

image = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') \
    .filterDate('2023-05-01', '2023-10-01') \
    .filterBounds(ee.Geometry.Point(110, 30)) \
    .sort('CLOUD_COVER') \
    .first()

LANDSAT/LC08/C02/T1_L2 是Landsat 8的Level 2级数据（已做大气校正，可直接用）；
filterDate 限定2023年5-10月（长江流域植被生长季）；
sort('CLOUD_COVER').first() 选取云量最少的影像，减少云层对植被观测的干扰。

2. 辐射定标：转换为物理值

python 复制代码

def apply_scale_factors(img):
    optical = img.select('SR_B.*').multiply(0.0000275).add(-0.2)
    thermal = img.select('ST_B.*').multiply(0.00341802).add(149.0)
    return img.addBands(optical, None, True).addBands(thermal, None, True)

image = apply_scale_factors(image)

Landsat原始数据是整数（DN值），需转换为实际物理量：
- 光学波段（SR_B.*）→ 地表反射率（范围0-1）；
- 热红外波段（ST_B.*）→ 亮度温度（单位：开尔文）；
转换公式来自USGS官方文档，确保数据准确性。

3. NDVI计算：提取植被信息

python 复制代码

ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI')

公式：NDVI = (近红外 - 红光) / (近红外 + 红光)；
SR_B5 是近红外波段（植被强反射），SR_B4 是红光波段（植被吸收多）；
NDVI值范围为-1到1：正值越大，植被越茂密；负值可能是水体、建筑等。

4. 可视化对比

python 复制代码

# 真彩色影像（RGB）
Map.addLayer(image, {'bands': ['SR_B4', 'SR_B3', 'SR_B2'], 'min': 0, 'max': 0.3}, 'Landsat 8 RGB')
# NDVI指数
Map.addLayer(ndvi, ndvi_params, 'NDVI')

真彩色影像用红（B4）、绿（B3）、蓝（B2）波段组合，接近人眼所见；（注意未去云）
NDVI用蓝（低植被/水体）→白（中等）→绿（高植被）渐变显示，直观区分植被覆盖差异。

运行效果 ：

地图中可对比查看长江中游的真实地表与植被分布，绿色区域（如林地、农田）NDVI值高，蓝色区域（如河流、湖泊）NDVI值低。

小结

本篇我们通过两个案例展示了 Python+geemap 的核心能力：

3D地形可视化：将平面高程数据转为立体地貌，辅助地形分析；
单景影像NDVI计算：从多光谱数据中提取植被信息，评估地表覆盖。