基于 GEE 的 Landsat 8 数据构建遥感生态指数（RSEI）并进行生态质量评估

本代码基于 Google Earth Engine（GEE）平台，以 Landsat 8 卫星影像为数据源，通过一系列数据预处理、指数计算、标准化、主成分分析（PCA）等步骤，最终构建遥感生态指数（RSEI），并将其划分为 5 个土地生态状况等级（LSES），同时实现结果可视化与统计分析。核心应用场景包括区域生态环境质量评价、生态变化监测等。

一、前言

代码按 "数据准备→指数计算→数据标准化→PCA 分析→RSEI 构建→等级划分→可视化与统计" 的逻辑分步执行，各步骤环环相扣，前序结果为后序输入，具体流程如下：

定义研究区与基础参数（时间范围、可视化规则）
加载 Landsat 8 影像并完成预处理（去云、辐射定标）
计算生态评价核心指数（植被、温度、湿度、干燥度相关）
指数标准化（消除量纲影响）
主成分分析（提取核心生态信息）
构建 RSEI 并归一化
RSEI 五分类与可视化
统计分析（直方图）与图例添加

等级	RSEI 范围	生态状况
1	0.0-0.2	极低
2	0.2-0.4	较低
3	0.4-0.6	中等
4	0.6-0.8	较高
5	0.8-1.0	极高
[按照 RSEI 阈值进行生态分级 LSES（五等级）]

二、基础参数定义（第 1-2 步）

（一）研究区定义

javascript 复制代码

var aoi = geometry; // 研究区边界（需提前通过绘制或加载矢量文件定义）
Map.centerObject(aoi, 10); // GEE地图居中显示研究区，缩放级别10（0-20，数值越大越清晰）

**核心作用：**确定分析的空间范围，所有后续数据处理与计算均限定在该区域内。
关键说明： geometry是 GEE 内置的空间几何对象，需用户提前通过 GEE 地图界面绘制多边形，或加载 Shapefile 等矢量数据获取。

（二）时间范围与可视化参数

javascript 复制代码

var year = 2015;
var startDate = year + '-08-01'; // 分析起始时间：2015年8月1日
var endDate = year + '-11-30';   // 分析结束时间：2015年11月30日
var visParams = {min: -1, max: 1, palette: ['red', 'yellow', 'green']};

**时间范围设计逻辑：**选择 8-11 月（北半球夏末至秋初），该时段植被覆盖稳定、云量相对较少，能减少季节因素对生态指数的干扰，适合生态质量评价。
可视化参数： min和max限定数据显示范围，palette定义颜色映射规则（红色→黄色→绿色，通常用于表示 "差→中→好" 的梯度）。

三、Landsat 8 影像加载与预处理（第 3 步）

（一）核心目标

获取研究区范围内、指定时间内的高质量 Landsat 8 影像，消除云及云阴影干扰，并完成反射率与地表温度的辐射定标（将原始 DN 值转换为具有物理意义的地表参数）。

（二）云掩膜函数（去云处理）

javascript 复制代码

function maskL8sr(image) {
  var cloudShadowBitMask = (1 << 3); // 云阴影对应的位掩码（基于Landsat 8 QA_PIXEL波段编码规则）
  var cloudsBitMask = (1 << 5);      // 云对应的位掩码
  var qa = image.select('QA_PIXEL'); // 选择质量控制波段（QA_PIXEL记录影像质量信息）
  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
    .and(qa.bitwiseAnd(cloudsBitMask).eq(0));
  return image.updateMask(mask); // 应用掩膜，保留非云、非云阴影像素
}

技术原理： Landsat 8 的 QA_PIXEL 波段为 16 位整数，每一位（bit）代表特定的质量信息（如是否为云、云阴影、水体等）。通过 "按位与（bitwiseAnd）" 运算筛选出非云、非云阴影的像素，再通过updateMask函数屏蔽无效像素。
关键说明： 1 << 3表示将二进制数1左移 3 位（结果为1000），对应 QA_PIXEL 波段中云阴影的标志位；eq(0)表示筛选该位为 0 的像素（即非云阴影 / 云像素）。

（三）影像集加载与预处理链

javascript 复制代码

var landsat8Image = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterBounds(aoi)                // 筛选研究区范围内的影像
  .filterDate(startDate, endDate)   // 筛选指定时间范围内的影像
  .filter(ee.Filter.lt('CLOUD_COVER', 1)) // 筛选云量<1%的影像（进一步保证数据质量）
  .map(maskL8sr)                    // 应用云掩膜函数
  .median()                         // 中值合成（将多景影像融合为单景，减少噪声）
  .clip(aoi);                       // 裁剪影像至研究区范围

数据源说明： LANDSAT/LC08/C02/T1_L2是 Landsat 8 的 Level-2 级产品（经过大气校正），包含反射率（SR_B1-SR_B7）和地表温度（ST_B10）等波段，可直接用于生态指数计算。
**中值合成优势：**相比均值合成，更能抑制极端值（如残留云像素、传感器噪声）的影响，保留影像的真实信息。

（四）辐射定标（反射率与温度缩放）

javascript 复制代码

var scaledLandsat8 = landsat8Image
  .select(['SR_B.*'])               // 选择所有反射率波段（SR_B1-SR_B7）
  .multiply(0.0000275)              // 反射率缩放系数（Landsat 8官方提供）
  .add(-0.2)                        // 反射率偏移量（官方系数，用于还原真实反射率）
  .addBands(                        // 添加缩放后的地表温度波段
    landsat8Image.select('ST_B10')
      .multiply(0.00341802)         // 温度缩放系数（官方提供）
      .add(149.0)                   // 温度偏移量（官方系数）
  );

**核心目的：**Level-2 级影像的原始值为量化值（DN），需通过官方提供的系数转换为真实的地表反射率（0-1 范围）和亮温（单位：K）。
**关键依据：**缩放系数和偏移量来自 USGS（美国地质调查局）发布的 Landsat 8 数据使用手册，确保数据的准确性。

四、生态核心指数计算（第 4 步）

这一步是构建 RSEI 的核心，共计算 7 个指数 / 参数，涵盖植被状况、地表温度、湿度条件、地表覆盖类型四大生态评价维度，各指数的计算逻辑与生态意义如下：

（一）归一化植被指数（NDVI）

javascript 复制代码

var ndvi = scaledLandsat8.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI');

计算原理： 归一化差异指数，公式为(NIR - RED)/(NIR + RED)，其中SR_B5是近红外波段（植被强反射），SR_B4是红波段（植被强吸收）。
**生态意义：**NDVI 是反映植被覆盖度和生长状况的核心指标，取值范围 [-1,1]，值越大表示植被覆盖越好、生态状况越优（负值通常为水体、裸地等）。

（二）NDVI 极值统计（用于植被覆盖度计算）

javascript 复制代码

var ndviStats = ndvi.reduceRegion({
  reducer: ee.Reducer.minMax(),      // 统计研究区内NDVI的最小值和最大值
  geometry: aoi,
  scale: 30,                         // 空间分辨率（Landsat 8影像原生分辨率）
  maxPixels: 1e13                    // 最大计算像素数（避免因研究区过大导致溢出）
});
var ndviMin = ee.Number(ndviStats.get('NDVI_min')); // 提取NDVI最小值
var ndviMax = ee.Number(ndviStats.get('NDVI_max')); // 提取NDVI最大值

**核心作用：**为后续计算植被覆盖度（FV）提供基础参数，NDVI 极值反映研究区内植被覆盖的极端情况（裸地 / 水体的 NDVI 最小值、茂密植被的 NDVI 最大值）。

（三）植被覆盖度（FV）

javascript 复制代码

var fv = ndvi.subtract(ndviMin)
  .divide(ndviMax.subtract(ndviMin))
  .pow(2)                            // 二次函数模型（相比线性模型，更贴合植被覆盖的实际情况）
  .rename('FV');

计算原理： 基于 NDVI 的植被覆盖度估算模型，公式为FV = ((NDVI - NDVI_min)/(NDVI_max - NDVI_min))²，取值范围 [0,1]。
**生态意义：**表示某一像素中植被所占的比例，值越大植被覆盖越密集，是反映地表生态状况的重要参数。

（四）地表比辐射率（EM）

javascript 复制代码

var em = fv.multiply(0.004).add(0.986).rename('EM');

**计算原理：**基于植被覆盖度的经验公式（适用于中低纬度地区），EM 是地表向外辐射能量的效率，取值范围接近 [0.986, 0.990]。
**核心作用：**是后续反演地表温度（LST）的关键参数，不同地表类型（植被、裸地、建筑）的比辐射率存在差异，需通过植被覆盖度校正。

（五）地表温度（LST）

javascript 复制代码

var thermal = scaledLandsat8.select('ST_B10').rename('thermal');
var lst = thermal.expression(
  '(TB / (1 + (0.00115 * (TB / 1.438)) * log(em))) - 273.15',
  {
    'TB': thermal.select('thermal'), // 亮温（从影像中获取的原始温度值，单位K）
    'em': em.max(0.001)              // 比辐射率（避免0值导致计算错误）
  }
).rename('LST');

**反演原理：**基于普朗克定律的地表温度反演公式，通过亮温（TB）和比辐射率（EM）校正，将亮温转换为真实的地表温度，并减去 273.15 转换为摄氏度（℃）。
**生态意义：**地表温度是反映区域热环境的核心指标，与城市热岛效应、生态舒适度密切相关，温度越低通常生态状况越优。

（六）湿度指数（Wetness，缨帽变换湿度分量）

javascript 复制代码

var wetness = scaledLandsat8.expression(
  '0.1511*B2 + 0.1973*B3 + 0.3283*B4 + 0.3407*B5 - 0.7117*B6 - 0.4559*B7',
  {
    'B2': scaledLandsat8.select('SR_B2'), // 蓝波段
    'B3': scaledLandsat8.select('SR_B3'), // 绿波段
    'B4': scaledLandsat8.select('SR_B4'), // 红波段
    'B5': scaledLandsat8.select('SR_B5'), // 近红外波段
    'B6': scaledLandsat8.select('SR_B6'), // 短波红外1
    'B7': scaledLandsat8.select('SR_B7')  // 短波红外2
  }
).rename('Wetness');

**计算原理：**缨帽变换（Tasseled Cap Transformation）的湿度分量，通过各波段的线性组合，提取地表的湿度信息，系数来自学者针对 Landsat 8 的验证结果。
**生态意义：**湿度指数值越大，表明地表含水量越高（如湿地、植被覆盖好的区域），生态状况越优；值越小则地表越干燥（如裸地、建筑用地）。

（七）归一化建筑裸土指数（NDBSI，干燥度指数）

javascript 复制代码

var ndbsi = scaledLandsat8.expression(
  '((RED + SWIR1) - (NIR + BLUE)) / ((RED + SWIR1) + (NIR + BLUE))',
  {
    'RED': scaledLandsat8.select('SR_B4'),  // 红波段
    'SWIR1': scaledLandsat8.select('SR_B6'),// 短波红外1
    'NIR': scaledLandsat8.select('SR_B5'),  // 近红外波段
    'BLUE': scaledLandsat8.select('SR_B2')  // 蓝波段
  }
).rename('NDBSI');

**计算原理：**类似 NDVI 的归一化差异指数，通过红波段、短波红外 1 波段（建筑、裸土强反射）与近红外、蓝波段（建筑、裸土弱反射）的组合，突出建筑和裸土信息。
**生态意义：**NDBSI 值越大，表明建筑或裸土覆盖比例越高，地表越干燥，生态状况越差；值越小则植被或水体覆盖比例越高，生态状况越优。

五、指数标准化（第 5 步）

（一）标准化的目的

不同生态指数的量纲和取值范围差异较大（如 NDVI：[-1,1]，LST：[0,40]℃，Wetness：[-0.5,0.5]），直接进行 PCA 分析会受量纲影响，导致结果偏向取值范围大的指数。通过 Z-Score 标准化将所有指数转换为均值为 0、标准差为 1 的标准化数据，消除量纲干扰，使各指数在 PCA 中权重平等。

（二）标准化函数

javascript 复制代码

function standardize(band, name) {
  var stats = band.reduceRegion({
    reducer: ee.Reducer.mean().combine({ // 同时计算波段的均值和标准差
      reducer2: ee.Reducer.stdDev(),
      sharedInputs: true
    }),
    geometry: aoi,
    scale: 30,
    maxPixels: 1e13
  });
  var mean = ee.Number(stats.get(name + '_mean'));   // 提取均值
  var std = ee.Number(stats.get(name + '_stdDev')); // 提取标准差
  return band.subtract(mean).divide(std).rename(name + '_std'); // Z-Score标准化：(x-mean)/std
}

核心逻辑： Z-Score 标准化公式为标准化值 = (原始值 - 该指数均值) / 该指数标准差，使标准化后的数据集中在 [-3,3] 范围内，且均值为 0、标准差为 1。

（三）标准化指数整合

javascript 复制代码

var standardizedComponents = ndvi.rename('NDVI')
  .addBands(standardize(wetness, 'Wetness')) // 湿度指数标准化
  .addBands(standardize(lst, 'LST'))         // 地表温度标准化
  .addBands(standardize(ndbsi, 'NDBSI'))     // 干燥度指数标准化
  .clip(aoi);

结果说明： 整合后的standardizedComponents影像包含 4 个波段（NDVI、Wetness_std、LST_std、NDBSI_std），其中后 3 个为标准化后的指数，NDVI 因原始取值范围已相对统一，未进行额外标准化（也可根据需求统一标准化）。

六、主成分分析（PCA，第 6 步）

（一）PCA 的核心作用

PCA 是一种降维算法，通过线性变换将多个相关的变量（此处为 4 个生态指数）转换为少数几个不相关的主成分（PC），其中第一主成分（PC1）包含原始变量的大部分信息（通常 > 60%）。在 RSEI 构建中，PC1 综合了植被、温度、湿度、干燥度四大生态维度的核心信息，可作为生态质量评价的综合指标。

（二）PCA 实现步骤

1. 生成主成分波段名称

javascript 复制代码

function getNewBandNames(prefix) {
  return ee.List.sequence(1, 4).map(function(i) {
    return ee.String(prefix).cat(ee.Number(i).int());
  });
}

**功能：**生成 4 个主成分的波段名称（pc1、pc2、pc3、pc4），用于后续 PCA 结果的波段命名。

2. 数组转换与协方差矩阵计算

javascript 复制代码

var arrayImage = standardizedComponents.toArray(); // 将影像转换为数组格式（用于矩阵运算）
var covariance = arrayImage.reduceRegion({
  reducer: ee.Reducer.centeredCovariance(), // 计算中心化协方差矩阵（PCA的核心输入）
  geometry: aoi,
  scale: 30,
  maxPixels: 1e9
});
var covarianceArray = ee.Array(covariance.get('array')); // 提取协方差矩阵数组

**协方差矩阵意义：**协方差矩阵中的元素表示两个指数之间的相关性，如 NDVI 与 LST 的协方差为负（植被覆盖越好，温度越低），通过协方差矩阵可反映各指数的相关结构。

3. 特征值与特征向量分解

javascript 复制代码

var eigens = covarianceArray.eigen();                   // 对协方差矩阵进行特征分解
var eigenValues = eigens.slice(1, 0, 1);  // 提取特征值（第一列）
var eigenVectors = eigens.slice(1, 1);   // 提取特征向量（其余列）
print('特征值（Eigenvalues）:', eigenValues); // 在GEE控制台打印特征值

**特征值意义：**特征值的大小表示对应主成分的方差贡献度，特征值越大，该主成分包含的原始信息越多。通常 PC1 的特征值最大，贡献度最高。
**特征向量意义：**特征向量决定了主成分的构成的权重，如 PC1 的特征向量中，NDVI 和 Wetness 的权重为正（正向贡献生态质量），LST 和 NDBSI 的权重为负（负向贡献生态质量），与生态评价逻辑一致。

4. PCA 投影与第一主成分提取

javascript 复制代码

var principalComponents = ee.Image(eigenVectors)
  .matrixMultiply(arrayImage.toArray(1)) // 矩阵乘法：将标准化指数投影到特征向量空间
  .arrayProject([0])                     // 投影到第一维（主成分维度）
  .arrayFlatten([getNewBandNames('pc')]);// 将数组展平为影像波段（pc1-pc4）
var principalComponents1 = principalComponents.select('pc1').clamp(-4, 4); // 提取PC1，限制取值范围[-4,4]

核心逻辑： 通过矩阵乘法将标准化后的 4 个指数转换为 4 个主成分，其中 PC1 包含原始数据的最大方差，是生态质量的综合体现。clamp(-4,4)用于剔除极端异常值，保证后续计算的稳定性。

七、RSEI 构建与归一化（第 7 步）

（一）RSEI 的定义

遥感生态指数（RSEI）以 PCA 的第一主成分（PC1）为基础，通过归一化将其转换为 [0,1] 范围的指数，用于量化生态环境质量。RSEI 值越接近 1，生态质量越好；越接近 0，生态质量越差。

（二）归一化计算

javascript 复制代码

var pc1Stats = principalComponents1.reduceRegion({
  reducer: ee.Reducer.minMax(),
  geometry: aoi,
  scale: 30,
  maxPixels: 1e9
});
var pc1Min = ee.Number(pc1Stats.get('pc1_min')); // 提取PC1的最小值
var pc1Max = ee.Number(pc1Stats.get('pc1_max')); // 提取PC1的最大值
var RSEI = principalComponents1
  .subtract(pc1Min)
  .divide(pc1Max.subtract(pc1Min))
  .rename('RSEI'); // 归一化公式：(PC1 - PC1_min)/(PC1_max - PC1_min)，转换为[0,1]范围
Map.addLayer(RSEI, {palette: ['red', 'yellow', 'green']}, 'RSEI'); // 在GEE地图中添加RSEI图层

**归一化意义：**将 PC1 的取值范围统一到 [0,1]，便于直观理解和比较不同区域的生态质量，同时符合指数评价的常规标准。

八、RSEI 五分类（LSES 等级划分，第 8 步）

（一）分类目的

将连续的 RSEI 值划分为离散的等级，便于快速识别生态质量的空间差异（如 "极低""中等""极高" 区域），为生态保护和规划提供更直观的决策依据。

（二）分类实现

javascript 复制代码

var thresholds = [0.2, 0.4, 0.6, 0.8]; // 分类阈值（基于生态评价常规标准设定）
var LSES = RSEI.expression(
  '(b(0) <= thresholds[0]) ? 1 : ' + // RSEI≤0.2 → 1级（极低）
  '(b(0) <= thresholds[1]) ? 2 : ' + // 0.2<RSEI≤0.4 → 2级（较低）
  '(b(0) <= thresholds[2]) ? 3 : ' + // 0.4<RSEI≤0.6 → 3级（中等）
  '(b(0) <= thresholds[3]) ? 4 : 5', // 0.6<RSEI≤0.8 →4级（较高）；RSEI>0.8→5级（极高）
  {thresholds: thresholds}
).clip(aoi).rename('LSES_Class');
// 添加分类图层到地图
Map.addLayer(LSES, {
  min: 1,
  max: 5,
  palette: ['#B2182B', '#EF6548', '#FEE08B', '#66BD63', '#006837']
}, 'LSES 五等级分类');

**阈值设定逻辑：**采用等间隔阈值（0.2 为间隔），是生态指数分类的常用方法，兼顾科学性和直观性；也可根据研究区实际情况（如生态背景、评价目标）调整阈值（如采用自然断点法）。
**颜色设计：**采用 "红→橙→黄→绿→深绿" 的渐变，符合人类对 "差→好" 的视觉认知习惯，其中：
- 1 级（极低）：#B2182B（深红色）
- 2 级（较低）：#EF6548（橙红色）
- 3 级（中等）：#FEE08B（黄色）
- 4 级（较高）：#66BD63（浅绿色）
- 5 级（极高）：#006837（深绿色）

九、统计分析与图例添加（第 9-10 步）

（一）RSEI 直方图统计

javascript 复制代码

var RSEIHistogram = RSEI.reduceRegion({
  reducer: ee.Reducer.histogram(255), // 统计255个区间的直方图
  geometry: aoi,
  scale: 30,
  maxPixels: 1e9
});
var histogram = ee.Dictionary(RSEIHistogram.get('RSEI'));
var bucketMeans = ee.List(histogram.get('bucketMeans')); // 区间均值（RSEI值）
var histogramValues = ee.List(histogram.get('histogram')); // 区间频数（像素个数）
// 绘制直方图并在控制台显示
var chart = ui.Chart.array.values({
  array: ee.Array(histogramValues),
  axis: 0,
  xLabels: bucketMeans
})
.setChartType('ColumnChart')
.setOptions({
  title: 'RSEI 直方图',
  hAxis: {title: 'RSEI'},
  vAxis: {title: '频数'},
  legend: {position: 'none'}
});
print(chart);

**核心作用：**通过直方图可直观了解研究区 RSEI 的分布特征，如：

若频数峰值集中在高 RSEI 区间（0.6-1.0），说明研究区整体生态质量较好；
若峰值集中在低 RSEI 区间（0-0.4），说明生态质量较差，需重点关注。

（二）LSES 等级图例添加

javascript 复制代码

var legend = ui.Panel({style: {position: 'bottom-left', padding: '8px 15px'}});
// 图例标题
legend.add(ui.Label({value: 'LSES 等级图例', style: {fontWeight: 'bold', fontSize: '14px'}}));
// 图例分类与颜色对应
var classNames = ['极低', '较低', '中等', '较高', '极高'];
var classColors = ['#B2182B', '#EF6548', '#FEE08B', '#66BD63', '#006837'];
// 循环添加图例项（颜色块+分类名称）
for (var i = 0; i < classNames.length; i++) {
  legend.add(ui.Panel({
    widgets: [
      ui.Label({style: {backgroundColor: classColors[i], padding: '8px', margin: '0 8px 4px 0'}}),
      ui.Label({value: classNames[i]})
    ],
    layout: ui.Panel.Layout.Flow('horizontal')
  }));
}
Map.add(legend); // 将图例添加到GEE地图左下角

**核心作用：**为地图中的 LSES 分类图层添加图例，便于用户快速识别不同颜色对应的生态等级，提升结果的可读性。

十、核心技术亮点与关键说明

技术亮点：

**多维度生态指数融合：**综合植被（NDVI、FV）、热环境（LST）、湿度（Wetness）、地表覆盖（NDBSI）四大维度，全面反映生态质量；
**数据质量控制严格：**通过 "云量筛选 + 云掩膜" 双重处理，保证影像数据质量，减少噪声干扰；
**标准化 + PCA 降维：**消除量纲影响，提取核心生态信息，避免信息冗余；
**结果可视化丰富：**包含 RSEI 连续值图层、LSES 分类图层、直方图统计、图例，便于多视角分析。

关键注意事项：

研究区定义： geometry需提前定义，否则代码会报错；
影像可用性： 若研究区在指定时间范围内无云量 < 1% 的影像，会导致landsat8Image为空，需调整时间范围或云量阈值；
**阈值调整：**LSES 分类阈值（0.2、0.4、0.6、0.8）为通用标准，可根据研究区实际生态状况（如干旱区、湿润区）调整；
计算资源限制： maxPixels参数需根据研究区大小调整，避免因像素过多导致 GEE 计算超时。

十一、应用场景与扩展方向

主要应用场景：

区域生态环境质量评价（如城市、流域、自然保护区）；
生态变化监测（如对比不同年份的 RSEI，分析生态质量改善或退化趋势）；
生态保护红线划定、生态修复效果评估等。

扩展方向：

**时间序列分析：**增加多年份数据，构建 RSEI 时间序列，分析生态变化趋势及驱动因素；
**优化指数体系：**根据研究区特点添加特色指数（如水体指数、土壤侵蚀指数）；
**空间格局分析：**结合景观生态学指标（如斑块密度、连通性），分析生态质量的空间格局特征；
**驱动因素探究：**结合 GDP、人口密度、土地利用类型等数据，分析人类活动对生态质量的影响。

十二、运行结果

研究区遥感生态指数（RSEI）反演结果可视化
生态分级 LSES（五等级）结果可视化
控制台输出的相关信息
遥感生态指数（RSEI）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！