基于 GEE 的生态环境质量评价：遥感生态指数（RSEI）计算与空间分布可视化

本代码基于 Google Earth Engine（GEE）平台，利用 Landsat 8 卫星影像数据，通过遥感生态指数（RSEI） 实现对特定区域 2020 年生态环境质量的综合评价。核心逻辑是：筛选关键生态指标（植被、湿度、温度、建筑裸土），经数据预处理、主成分分析（PCA）提取核心评价维度，最终生成 0-1 区间的 RSEI 指数（值越高，生态质量越好）。

一、全局配置与基础设置

（一）核心参数定义

javascript 复制代码

var scale = 1000; // 分析尺度（单位：米）
var year = 2020; // 目标分析年份
var roi = table; // 研究区域（需提前导入矢量边界数据）
Map.centerObject(roi, 8); // 地图定位到研究区，缩放级别8

scale：空间分辨率，1000 米意味着影像将重采样到 1000 米网格，平衡计算效率与精度。
roi ：研究区域边界，需在 GEE 中提前上传矢量文件（如 Shapefile）并命名为table。
Map.centerObject：GEE 地图交互函数，自动定位到研究区并设置初始缩放级别。

（二）波段映射配置

javascript 复制代码

var srcBands = ["SR_B2", "SR_B3", "SR_B4", "SR_B5", "SR_B6", "SR_B7", "ST_B10"];
var toBands = ["Blue", "Green", "Red", "NIR", "SWIR1", "SWIR2", "LST"];

映射 Landsat 8 卫星原始波段到通用名称：

光学波段：蓝（SR_B2）、绿（SR_B3）、红（SR_B4）、近红外（SR_B5）、短波红外 1（SR_B6）、短波红外 2（SR_B7）
热红外波段：地表温度（ST_B10），后续将转换为摄氏度。

二、数据预处理函数

（一）云掩膜函数（maskclouds）

功能：去除影像中的云及云阴影，保证数据有效性。

javascript 复制代码

var maskclouds = function(img) {
  var cloudShadowBitMask = 1 << 4; // 云阴影位掩码（第4位）
  var cloudsBitMask = 1 << 3; // 云位掩码（第3位）
  var qa = img.select("QA_PIXEL"); // 质量评估波段（Landsat 8的QA_PIXEL波段记录像素质量）
  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
               .and(qa.bitwiseAnd(cloudsBitMask).eq(0)); // 无云且无云阴影的像素保留
  return img.addBands(img.updateMask(mask), null, true);
};

原理：Landsat 8 的 QA_PIXEL 波段为 16 位整数，每一位代表特定质量信息（如是否为云、云阴影），通过位运算筛选出 "干净" 像素。
效果：掩膜后影像仅保留无云、无云阴影的有效区域。

（二）比例因子应用（applyScaleFactors）

功能：将卫星原始 DN 值（数字量化值）转换为物理意义明确的地表参数。

javascript 复制代码

var applyScaleFactors = function(image) {
  // 光学波段：转换为地表反射率（范围0-1）
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  // 热红外波段：转换为地表温度（摄氏度）
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0).subtract(273.15);
  return image.addBands(opticalBands, null, true).addBands(thermalBands, null, true);
};

光学波段：Landsat 8 的 SR（地表反射率）产品需通过官方比例因子（0.0000275）和偏移量（-0.2）转换为真实反射率。
热红外波段：先转换为辐射亮度，再转换为开尔文温度，最后减去 273.15 得到摄氏度。

三、生态指标计算

（一）归一化植被指数（NDVI）

功能：反映植被覆盖度和生长状况（值越高，植被越茂盛）。

javascript 复制代码

var NDVI = function(image) {
  return image.addBands(
    image.normalizedDifference(["NIR", "Red"]).rename("NDVI")
  );
};

公式：NDVI = (NIR - Red) / (NIR + Red)
逻辑：近红外波段（NIR）对植被敏感（植被反射强），红光波段（Red）对植被吸收强，两者差值可突出植被信息。
范围：-1~1，负值多为水体，0 左右为裸土 / 建筑，正值为植被（越接近 1 植被越好）。

（二）湿度分量（WET）

功能：反映地表湿度状况（值越高，湿度越大，生态条件越好）。

javascript 复制代码

var WET = function(image) {
  var WET = image.expression(
    'Blue*0.1511 + Green*0.1973 + Red*0.3283 + NIR*0.3407 + SWIR1*(-0.7117) + SWIR2*(-0.4559)',
    {
      'Blue': image.select('Blue'), 'Green': image.select('Green'),
      'Red': image.select('Red'), 'NIR': image.select('NIR'),
      'SWIR1': image.select('SWIR1'), 'SWIR2': image.select('SWIR2')
    }
  ).rename('WET');
  return image.addBands(WET);
};

原理：基于缨帽变换（Tasseled Cap Transformation），通过多波段线性组合提取湿度信息。
系数意义：蓝、绿、红、近红外波段系数为正（这些波段对水分敏感），短波红外波段系数为负（水分对短波红外吸收强）。

（三）归一化建筑裸土指数（NDBSI）

功能：反映建筑用地和裸土的占比（值越高，建筑 / 裸土越多，生态质量越差）。

javascript 复制代码

var NDBSI = function(image) {
  // 裸土指数（SI）
  var SI = image.expression(
    '((SWIR1 + Red) - (NIR + Blue)) / ((SWIR1 + Red) + (NIR + Blue))', {...});
  // 建筑指数（IBI）
  var IBI = image.expression(
    '(2*SWIR1/(SWIR1+NIR) - (NIR/(NIR+Red) + Green/(Green+SWIR1))) / ' +
    '(2*SWIR1/(SWIR1+NIR) + (NIR/(NIR+Red) + Green/(Green+SWIR1)))', {...});
  // NDBSI = (SI + IBI)/2
  var NDBSI = SI.add(IBI).divide(2).rename('NDBSI');
  return image.addBands(NDBSI);
};

裸土指数（SI）：通过短波红外 + 红光与近红外 + 蓝光的差值，突出裸土信息。
建筑指数（IBI）：结合短波红外与近红外、红光、绿光的比值，突出建筑用地信息。
逻辑：SI 和 IBI 均为高值代表生态质量差，两者平均后得到综合指标 NDBSI。

（四）地表温度（LST）

来源：直接通过applyScaleFactors函数从 Landsat 8 的 ST_B10 波段转换得到，无需额外编写计算函数。
意义：温度越高，热环境越差，生态质量越低（与 RSEI 呈负相关）。

四、数据标准化与主成分分析

（一）影像归一化（img_norm）

功能：将所有指标值统一到 0-1 区间，消除量纲差异（如 NDVI 为 - 1~1，LST 为 20~40℃），为 PCA 做准备。

javascript 复制代码

var img_norm = function(image) {
  var minMax = image.reduceRegion({
    reducer: ee.Reducer.minMax(), // 计算每个波段的最小值和最大值
    geometry: roi,
    scale: scale,
    maxPixels: 10e13 // 避免像素数量超限
  });
  // 对每个波段执行归一化：(原值 - 最小值) / (最大值 - 最小值)
  var image_norm = ee.ImageCollection.fromImages(
    image.bandNames().map(function(name) {
      var band = image.select(name);
      var min = ee.Number(minMax.get(name.cat('_min')));
      var max = ee.Number(minMax.get(name.cat('_max')));
      return band.subtract(min).divide(max.subtract(min));
    })
  ).toBands().rename(image.bandNames());
  return image_norm;
};

关键：基于研究区（roi）的全局最小值和最大值进行归一化，确保所有指标在同一尺度下可比。

（二）主成分分析（getPAC）

功能：将 4 个生态指标（NDVI、WET、LST、NDBSI）降维，提取第一主成分（PC1）作为初始 RSEI，实现生态质量的综合评价。核心步骤：

数据中心化：每个指标减去其均值，消除量纲影响。
协方差矩阵计算：反映指标间的相关性（如 NDVI 与 WET 可能正相关，NDVI 与 NDBSI 可能负相关）。
特征值与特征向量分解：
- 特征值：反映主成分的方差贡献（特征值越大，该主成分包含的信息越多）。
- 特征向量：反映各指标对主成分的贡献权重。
主成分方向调整（RSEI 核心逻辑）：
- 理论依据：RSEI 要求 "生态正向指标（NDVI、WET）权重为正，生态负向指标（LST、NDBSI）权重为负"。
- 调整方式：取 NDVI、WET 特征向量的绝对值（保证正向贡献），取 LST、NDBSI 特征向量绝对值的负值（保证负向贡献）。
主成分计算：通过矩阵乘法得到 4 个主成分（PC1~PC4），PC1 包含原始数据的主要信息（方差贡献率最高）。

五、水体掩膜与影像合成

（一）水体掩膜

功能：去除研究区中的永久水体和季节性水体，避免水体对生态指标计算的干扰（如水体 NDVI 为负，会影响 RSEI 结果）。

javascript 复制代码

var water = ee.ImageCollection('JRC/GSW1_4/YearlyHistory')
               .filterDate(year + '-01-01', year + '-12-31').first();
var mask = water.eq(2).add(water.eq(3)).unmask().eq(0).clip(roi);

数据来源：JRC 全球地表水数据集（GSW1_4），该数据集将地表分为 "永久水体（2）""季节性水体（3）" 等类型。
逻辑：掩膜掉水体（值为 2 和 3 的区域），仅保留非水体区域（值为 0）。

（二）影像合成

功能：将全年影像按指标取中值，得到年度综合影像（减少单期影像的噪声和云残留影响）。

javascript 复制代码

var imageCol = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
                 .filterBounds(roi) // 空间过滤：仅保留研究区范围内的影像
                 .filterDate(year + '-01-01', year + '-12-31') // 时间过滤：2020年
                 .map(maskclouds) // 云掩膜
                 .map(applyScaleFactors) // 比例因子转换
                 .select(srcBands, toBands) // 波段重命名
                 .map(NDVI) // 计算NDVI
                 .map(WET) // 计算WET
                 .map(NDBSI); // 计算NDBSI
// 取中值合成并应用水体掩膜
var image = imageCol.select(['NDVI', 'WET', 'LST', 'NDBSI']).median().updateMask(mask).clip(roi);

中值合成优势：相比均值，更能抵抗异常值（如未完全掩膜的云、噪声像素）的影响，更能反映年度平均状况。

六、结果生成与可视化

（一）最终 RSEI 计算

javascript 复制代码

var image_norm = img_norm(image); // 指标归一化
var PCA = getPAC(image_norm); // 主成分分析
var RSEI_0 = PCA.select("PC1"); // 提取PC1作为初始RSEI
var RSEI = img_norm(RSEI_0); // 对初始RSEI归一化到0-1

最终 RSEI 范围 ：0~1，0 代表生态质量最差，1 代表生态质量最优。

（二）结果可视化

1. 直方图

javascript 复制代码

var Histogram = ui.Chart.image.histogram({
  image: RSEI,
  region: roi,
  scale: scale,
  maxPixels: 1e10
});
print('Histogram of RSEI', Histogram);

功能：展示 RSEI 值的分布情况，可直观判断研究区生态质量的整体水平（如峰值偏向 1 则整体生态较好，偏向 0 则整体较差）。

2. 地图显示

javascript 复制代码

var visParam = {
  min: 0,
  max: 1,
  palette: ['C2523C', 'F2B60E', '77ED00', '1BAA7D', '0B2C7A'] // 红→黄→绿→深绿→蓝（差→好）
};
Map.addLayer(RSEI, visParam, 'RSEI');

颜色逻辑：从红色（生态差）到蓝色（生态优）渐变，可在 GEE 地图界面直观查看不同区域的生态质量空间分布。

七、核心逻辑总结

数据输入：Landsat 8 卫星影像（光学 + 热红外波段）、研究区矢量边界。
预处理：云掩膜→比例因子转换→水体掩膜→年度中值合成，保证数据质量。
指标计算：构建 4 个生态指标（NDVI：植被、WET：湿度、LST：温度、NDBSI：建筑裸土），全面反映生态状况。
综合评价：指标归一化→主成分分析（PCA 降维）→调整主成分方向→RSEI 归一化，得到综合生态质量指数。
结果输出：直方图（统计分布）+ 地图可视化（空间分布），支持生态质量的定性与定量分析。

八、运行结果

控制台输出的相关信息
遥感生态指数（RSEI）计算结果可视化
直方图

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！