基于 GEE 使用 Sentinel-5P 数据实现研究区多种大气污染物（SO₂、NO₂、CO、气溶胶）监测

一、前言

二、研究区与时间基础设置

[三、Sentinel-5P 数据集配置](#三、Sentinel-5P 数据集配置)

四、影像集合获取函数定义与调用

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）平台开发，核心用途是获取 2019 年 4 月指定研究区域内的 4 种大气污染物（SO₂、NO₂、CO、吸收性气溶胶）的 Sentinel-5P 卫星遥感数据，通过数据筛选、预处理、统计分析和可视化，最终呈现污染物的空间分布特征与时间序列变化规律，为大气环境质量分析提供数据支撑。

一、前言

卫星遥感技术的发展，为区域大气污染的监测提供了先进的手段。相比传统地面监测站点，卫星观测具有高空间覆盖度、连续时间序列、可跨区域比较等优势。其中，欧洲航天局（ESA）于2017年发射的 Sentinel-5P 卫星，搭载高光谱成像仪 TROPOMI，可监测多种大气痕量气体，如二氧化氮（NO₂）、二氧化硫（SO₂）、一氧化碳（CO）及气溶胶（Aerosol），成为全球空气质量监测的重要数据源。本文分享利用 Sentinel-5P 多源大气产品，分析SO₂、NO₂、CO 及气溶胶指数（AAI）的空间分布与时间变化特征。

Sentinel-5 Precursor（简称 Sentinel-5P）是欧洲哥白尼计划中首颗专注大气监测的卫星，于 2017 年 10 月发射。其核心载荷为TROPOMI（TROPOspheric Monitoring Instrument），能在光谱范围270--2380 nm进行观测，每日覆盖地球一次，空间分辨率约为7 km × 3.5 km（2019年后升级至5.5 km × 3.5 km），Sentinel-5P 可提供包括以下产品：

|---------------------|-------------------------------|-------------|---------------------------|
| 产品名称 | 产品ID | 观测目标 | 常用波段/变量 |
| SO₂（硫氧化物） | COPERNICUS/S5P/OFFL/L3_SO2 | 工业排放、燃煤污染 | SO2_column_number_density |
| NO₂（氮氧化物） | COPERNICUS/S5P/OFFL/L3_NO2 | 交通污染、化石燃料燃烧 | NO2_column_number_density |
| CO（一氧化碳） | COPERNICUS/S5P/OFFL/L3_CO | 燃烧产物、能源活动 | CO_column_number_density |
| AER_AI（气溶胶吸收指数） | COPERNICUS/S5P/OFFL/L3_AER_AI | 沙尘、烟雾、颗粒物浓度 | absorbing_aerosol_index |
[Sentinel-5P产品数据]

Sentinel-5P NRTI SO2：近实时二氧化硫
Sentinel-5P NRTI NO2：近实时二氧化氮监测
Sentinel-5P NRTI CO：近实时一氧化碳
Sentinel-5P NRTI AER AI：近实时紫外线气溶胶指数

二、研究区与时间基础设置

javascript 复制代码

var roi = table;
Map.addLayer(roi, {}, "研究区");
Map.centerObject(roi, 7);
var start2019 = "2019-04-01";
var end2019 = "2019-05-01";

研究区定义与加载：
- var roi = table：roi（Region of Interest，感兴趣区域）是核心空间参数，此处赋值为预先导入 GEE 平台的矢量数据集（通常为 Shapefile 格式转换后的 FeatureCollection），代表研究的地理范围。
- Map.addLayer(roi, {}, "研究区")：将研究区矢量边界添加到 GEE 地图界面，第三个参数为图层命名，方便在地图控制面板中识别。
- Map.centerObject(roi, 7)：设置地图视角，以研究区为中心显示，第二个参数 "7" 为缩放级别（GEE 缩放级别 1-20，数值越小视野越广，此处适合区域尺度显示）。
时间范围限定 ：定义start2019和end2019两个时间变量，明确数据获取的时间窗口为 2019 年 4 月 1 日至 5 月 1 日（GEE 中时间筛选为左闭右开区间，实际包含 4 月整月数据），确保数据的时间统一性。

三、Sentinel-5P 数据集配置

javascript 复制代码

var products = {
  SO2: {id: "COPERNICUS/S5P/OFFL/L3_SO2", band: "SO2_column_number_density"},
  NO2: {id: "COPERNICUS/S5P/OFFL/L3_NO2", band: "NO2_column_number_density"},
  CO:  {id: "COPERNICUS/S5P/OFFL/L3_CO", band: "CO_column_number_density"},
  Aerosol: {id: "COPERNICUS/S5P/OFFL/L3_AER_AI", band: "absorbing_aerosol_index"}
};

数据集组织方式 ：采用 JavaScript 对象products统一管理 4 种污染物的数据集信息，每个污染物作为对象的一个属性，属性值包含两个关键参数，结构清晰，便于后续调用和维护。
关键参数说明：
- id：GEE 平台中 Sentinel-5P 数据集的唯一标识符，用于定位具体产品。Sentinel-5P 是欧盟哥白尼计划下的大气监测卫星，L3 级产品为经过预处理的全球栅格数据，精度适合区域尺度分析。
- band：目标数据波段名称，对应污染物的核心观测指标：
  - SO₂、NO₂、CO 的波段均为 "column_number_density"（柱浓度），单位通常为 mol/m²，反映大气中该污染物的垂直累积含量；
  - 气溶胶的波段为 "absorbing_aerosol_index"（吸收性气溶胶指数），是无量纲指标，用于表征吸收性气溶胶（如黑碳）的存在和相对浓度。

四、影像集合获取函数定义与调用

javascript 复制代码

function getCollection(productInfo, start, end) {
  return ee.ImageCollection(productInfo.id)
    .filterDate(start, end)
    .select(productInfo.band)
    .filterBounds(roi);
}
var y2019_SO2 = getCollection(products.SO2, start2019, end2019);
// 其余3种污染物集合获取逻辑一致，略去重复代码

函数设计目的 ：定义getCollection函数封装数据筛选的重复逻辑，避免代码冗余，提高可复用性。函数接收 3 个参数：productInfo（污染物数据集信息）、start（起始时间）、end（结束时间）。
数据筛选流程：
- ee.ImageCollection(productInfo.id)：根据数据集 ID 创建影像集合（ImageCollection），影像集合是 GEE 中管理时序遥感影像的核心数据结构，包含多幅同一区域、不同时间的影像。
- .filterDate(start, end)：按时间窗口筛选影像，仅保留指定时间段内的影像，剔除无关时间数据。
- .select(productInfo.band)：选择目标波段，只保留污染物浓度相关的波段，排除数据集中原有的辅助波段（如质量控制波段），减少数据处理量。
- .filterBounds(roi)：按空间范围筛选，仅保留与研究区有交集的影像，确保数据聚焦于目标区域。
函数调用 ：通过传入不同污染物的products属性和统一的时间变量，分别获取 4 种污染物的 2019 年 4 月影像集合（如y2019_SO2为 SO₂的影像集合）。

五、数据预处理：中位数计算与裁剪

javascript 复制代码

function medianClip(collection) {
  return collection.median().clip(roi);
}
var y2019_SO2_clipped = medianClip(y2019_SO2);
// 其余3种污染物预处理逻辑一致，略去重复代码

预处理目的：将时序影像集合转换为单幅空间分布图，突出时间窗口内的污染物平均水平（此处用中位数更能抵抗异常值影响）。
函数逻辑：
- collection.median()：对影像集合中的所有影像计算中位数。中位数相较于平均值，受极端高值或低值的影响更小，能更稳健地反映该时间段内污染物的平均浓度水平。
- .clip(roi)：将计算得到的中位数影像按研究区边界裁剪，去除研究区外的无效数据，使结果更贴合研究范围。
输出结果 ：每个污染物最终得到一幅 "2019 年 4 月中位数浓度 + 研究区裁剪" 的单波段影像（如y2019_SO2_clipped），用于后续空间可视化。

六、空间可视化配置

javascript 复制代码

Map.addLayer(y2019_SO2_clipped, {min: 0, max: 0.001, palette: ['yellow', 'orange', 'red', 'purple', 'blue', 'cyan', 'white']}, "2019年4月 SO2");
Map.addLayer(y2019_NO2_clipped, {min: 0, max: 0.0002, palette: ['green', 'yellow', 'orange', 'red', 'purple', 'blue', 'white']}, "2019年4月 NO2");
// 其余2种污染物可视化逻辑类似，略去重复代码

可视化核心参数 ：通过Map.addLayer将预处理后的影像添加到地图，第二个参数为可视化配置对象，关键参数说明：
- min/max：颜色映射的数值范围，即浓度从min到max对应调色板的完整渐变。不同污染物的min/max差异较大（如 SO₂为 0-0.001，NO₂为 0-0.0002），是根据各污染物的实际浓度量级设定，确保颜色区分度符合数据特征。
- palette：颜色渐变序列，通过不同颜色表征浓度高低。例如 SO₂的调色板从黄色（低浓度）到红色、紫色（中高浓度）再到白色（极高浓度），直观反映空间分布差异。
可视化意义：4 种污染物分别作为独立图层添加到地图，可通过地图控制面板的图层开关单独查看或叠加对比，清晰呈现研究区内各污染物的空间分布格局（如高浓度区集中位置、空间梯度变化等）。

七、时间序列统计与图表生成

javascript 复制代码

// 统计函数定义
function getStats(collection) {
  return collection.map(function(image) {
    var stats = image.reduceRegion({
      reducer: ee.Reducer.median(),
      geometry: roi,
      scale: 1000
    });
    return ee.Feature(null, stats).set('system:time_start', image.get('system:time_start'));
  });
}
// 特征集合生成
var feats2019_SO2 = getStats(y2019_SO2);
// 图表绘制函数
function makeChart(features, title, bandName) {
  return ui.Chart.feature.byFeature(features, 'system:time_start')
    .setSeriesNames([title])
    .setOptions({
      title: title,
      hAxis: {title: '日期'},
      vAxis: {title: bandName + ' 中位数'}
    });
}
// 图表打印
print(makeChart(feats2019_SO2, "2019年4月 SO2 中位值变化", "SO2"));
// 其余3种污染物图表生成逻辑一致，略去重复代码

时间序列统计（getStats 函数）：
- 目的：对每幅时序影像计算研究区内的污染物中位数，将影像集合转换为包含 "时间 - 中位数" 对应关系的特征集合（FeatureCollection）。
- 关键步骤：
  - collection.map(function(image) { ... })：遍历影像集合中的每一幅影像，对单幅影像执行统计操作。
  - image.reduceRegion(...)：对影像的研究区范围进行区域统计，核心参数：
    - reducer: ee.Reducer.median()：指定统计方法为中位数，与前文空间预处理的统计逻辑一致，保持数据一致性。
    - geometry: roi：统计的空间范围为研究区。
    - scale: 1000：统计的空间分辨率为 1000 米（即重采样到 1km 网格后计算），平衡计算效率与精度。
  - return ee.Feature(null, stats).set(...)：将统计结果（中位数）作为属性创建空特征（Feature），并保留原影像的时间戳（system:time_start），使每个特征与具体日期对应。
图表生成（makeChart 函数）：
- 目的：将特征集合中的 "时间 - 中位数" 数据转换为交互式折线图，直观展示污染物浓度的时间变化趋势。
- 关键配置：
  - ui.Chart.feature.byFeature(features, 'system:time_start')：基于特征集合创建图表，x 轴为时间戳（自动转换为日期格式），y 轴为中位数数值。
  - setSeriesNames([title])：设置图表系列名称，与污染物对应。
  - setOptions(...)：配置图表标题、x 轴标签（日期）、y 轴标签（污染物中位数），提升图表可读性。
图表输出 ：通过print(...)函数将图表打印到 GEE 的控制台，可查看 4 种污染物在 2019 年 4 月内的日度（或影像过境周期）中位数变化，分析浓度波动规律（如是否存在周期性变化、峰值出现时间等）。

八、代码特点与注意事项

代码特点：

模块化设计：通过函数封装重复逻辑（如影像集合获取、预处理、图表生成），代码结构清晰，可维护性强，便于后续扩展（如增加污染物种类、调整时间范围）。
数据处理严谨：采用中位数作为统计指标，减少异常值影响；统一空间分辨率和研究区范围，确保数据的可比性。
结果呈现全面：同时输出空间分布图和时间序列图表，既展示污染物的空间分布差异，又反映时间变化趋势，满足多维度分析需求。
适配 GEE 平台特性：充分利用 GEE 的影像集合、区域统计、可视化组件等核心功能，高效处理遥感大数据，无需本地算力支持。

注意事项：

代码依赖预先导入 GEE 的研究区矢量数据（table），需确保矢量数据格式正确（FeatureCollection 类型），且投影与数据集一致。
可视化参数（min/max、调色板）需根据污染物的实际浓度范围调整，若范围设置不当，可能导致颜色区分不明显，影响结果解读。
Sentinel-5P 的 L3 级产品存在数据缺失（如云层遮挡、仪器故障），可能导致部分日期无影像，图表中会出现断点，需在分析时结合数据质量报告考量。

九、运行结果

研究区范围（湖北省）
研究区2019年4月二氧化硫（SO₂）浓度计算结果可视化
研究区2019年4月二氧化氮（NO₂）浓度计算结果可视化
研究区2019年4月一氧化碳（CO）浓度计算结果可视化
研究区2019年4月气溶胶浓度计算结果可视化
控制台输出的相关信息
研究区2019年4月二氧化硫（SO₂）中位值变化
研究区2019年4月二氧化氮（NO₂）中位值变化
研究区2019年4月一氧化碳（CO）中位值变化
研究区2019年4月气溶胶中位值变化

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！