基于 GEE 的 Landsat 9 数据实现 11 种植被指数批量计算与导出

目录

一、初始化配置：影像定位与缩放

二、云层掩膜函数：去除影像噪声

三、植被指数计算函数：核心分析模块

四、主流程：影像集加载与处理链

[五、批量导出：植被指数影像导出到 Google Drive](#五、批量导出：植被指数影像导出到 Google Drive)

六、代码设计亮点

七、适用场景与注意事项

八、运行结果

---

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，针对 Landsat 9 卫星影像，实现了云层掩膜去噪 、11 种常用植被指数计算 、影像时间序列平均 及批量导出到 Google Drive的完整工作流。核心应用场景为 2024 年生长季（5-9 月）特定地理区域的植被生长状况监测，输出的植被指数可用于生态环境评估、农业长势分析等研究。
植被指数、计算公式

• NDVI：归一化植被指数
• GNDVI：绿度归一化植被指数
• EVI：增强型植被指数
• EVI2：双波段增强型植被指数
• DVI：差值植被指数
• GDVI：绿度差值植被指数
• RVI：比值植被指数
• SAVI：土壤调整植被指数
• OSAVI：优化土壤调整植被指数
• MSAVI：修正土壤调整植被指数
• NDPI：归一化色素指数

一、初始化配置：影像定位与缩放

Map.centerObject(geometry, 8);

• 功能 ：将 GEE 地图界面的中心定位到目标地理区域（geometry为预设的矢量边界，如研究区 shp 转译的 GEE 对象），并设置地图缩放级别为 8（缩放级别范围 1-20，数值越大视角越近，空间细节越清晰）。
• 作用：方便用户在 GEE 编辑器中直观查看研究区范围，验证影像筛选的准确性。

二、云层掩膜函数：去除影像噪声

Landsat 9 影像的QA_PIXEL波段为质量控制波段，通过该波段的比特位编码可判断像素是否为云、卷云等干扰信息，该函数核心是筛选出 "无云 + 无卷云" 的有效像素。

function maskL9Clouds(image) {
  var qa = image.select('QA_PIXEL');
  // 云像素判断条件：同时满足无云（bit3=0）和无卷云（bit1=0）
  var cloud = qa.bitwiseAnd(1 << 3).eq(0)
                .and(qa.bitwiseAnd(1 << 1).eq(0));
  return image.updateMask(cloud);
}

qa.bitwiseAnd(1 << 3)：对QA_PIXEL波段进行按位与运算，筛选出第 3 位（bit3）的信息（Landsat 9 编码规则中，bit3 代表 "云"，1 代表有云，0 代表无云）。

.eq(0)：保留 bit3 为 0 的像素（无云）；同理，1 << 1对应 bit1（卷云），筛选无卷云像素。

updateMask(cloud)：将筛选出的有效像素保留，云像素设为透明（掩膜去除），避免云层对植被指数计算的干扰。

三、植被指数计算函数：核心分析模块

该函数是代码核心，先对 Landsat 9 的表面反射率波段进行标准化处理，再基于不同波段组合计算 11 种植被指数，覆盖了常用的植被生长状况评价指标。

function addVegetationIndices(image) {
  // 1. 波段缩放：Landsat 9官方反射率缩放参数
  var scaled = image.select([
    'SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6'
  ]).multiply(0.0000275).subtract(0.2);
  // 2. 波段提取：定义蓝、绿、红、近红外、短波红外1波段
  var blue = scaled.select('SR_B2'); // 蓝光波段
  var green = scaled.select('SR_B3'); // 绿光波段
  var red = scaled.select('SR_B4'); // 红光波段
  var nir = scaled.select('SR_B5'); // 近红外波段
  var swir1 = scaled.select('SR_B6'); // 短波红外1波段
  // 3. 植被指数计算（以核心指数为例）
  // 归一化植被指数（NDVI）：最常用，反映植被覆盖度和长势
  var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI').clamp(-1, 1);
  // 增强植被指数（EVI）：优化NDVI对高植被覆盖区饱和问题，引入蓝光波段校正大气影响
  var evi = image.expression(
    '2.5 * (NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1)',
    { NIR: nir, RED: red, BLUE: blue }
  ).rename('EVI').clamp(-1, 3);
  // 土壤调整植被指数（SAVI）：适用于土壤背景影响较大的区域（如稀疏植被区）
  var savi = image.expression(
    '(1.5 * (NIR - RED)) / (NIR + RED + 0.5)',
    { NIR: nir, RED: red }
  ).rename('SAVI').clamp(-1, 1);
  // 其他指数（GNDVI、EVI2等）逻辑类似，均基于特定波段组合与数学模型
  // 4. 指数添加：将计算的11种指数作为新波段添加到原始影像
  return image.addBands([ndvi, gndvi, evi, ...]); // 省略部分指数
}

• 波段缩放：Landsat 9 的表面反射率原始数据为整数（避免存储精度损失），需通过官方参数multiply(0.0000275).subtract(0.2)转换为实际反射率值（范围 0-1）。
• 指数取值限制：使用clamp(min, max)限制指数范围（如 NDVI 经典范围 - 1~1），避免异常值影响分析结果。
• 波段对应关系：Landsat 9 的SR_B2-SR_B6分别对应蓝、绿、红、近红外、短波红外 1 波段，是植被指数计算的核心数据源。

四、主流程：影像集加载与处理链

var l9 = ee.ImageCollection('LANDSAT/LC09/C02/T1_L2')
  .filterBounds(geometry) // 按研究区边界筛选影像
  .filterDate('2024-05-01', '2024-09-30') // 筛选2024年生长季（5-9月）影像
  .map(maskL9Clouds) // 应用云层掩膜
  .map(addVegetationIndices); // 计算植被指数

• 影像集加载：LANDSAT/LC09/C02/T1_L2是 GEE 平台上 Landsat 9 的 Level-2 级产品（经过大气校正、几何校正的表面反射率产品），可直接用于定量分析。
• 时空筛选：filterBounds(geometry)确保只处理研究区内的影像，filterDate聚焦生长季（植被生长最活跃的时期，指数信号最强）。
• 处理链应用：map()函数对影像集中的每一幅影像依次执行云层掩膜和植被指数计算，生成包含 11 种指数波段的处理后影像集。

五、批量导出：植被指数影像导出到 Google Drive

var viNames = ['NDVI', 'GNDVI', 'EVI', ...]; // 11种指数名称列表
viNames.forEach(function(viName) {
  // 1. 时间平均：计算生长季内该指数的平均值（消除单幅影像的随机噪声）
  var viImage = l9.select(viName).mean().rename(viName);
  // 2. 导出配置
  Export.image.toDrive({
    image: viImage.clip(geometry), // 裁剪到研究区（去除冗余区域）
    description: 'LANDSAT_LC09_' + viName, // 导出任务描述
    fileNamePrefix: 'LANDSAT_LC09_' + viName, // 导出文件前缀
    folder: 'landsat9_vi', // Google Drive中的目标文件夹
    region: geometry, // 导出区域（与研究区一致）
    scale: 30, // 空间分辨率（Landsat 9原生分辨率：30米）
    crs: 'EPSG:4326', // 坐标系统（WGS84，全球通用地理坐标系）
    maxPixels: 1e13 // 最大像素数（支持大范围研究区导出，避免像素超限报错）
  });
});

• 时间平均：对生长季内的多幅影像取平均值，可减少云残留、大气波动等随机误差，得到更稳定的植被指数空间分布产品。
• 导出参数：
  • scale:30：保持与 Landsat 9 原生分辨率一致，避免重采样导致的信息损失。
  • crs: 'EPSG:4326'：WGS84 坐标系是 GIS 领域通用坐标系，方便后续与其他数据叠加分析。
  • clip(geometry)：仅导出研究区内的影像部分，减小文件体积，提高后续处理效率。

六、代码设计亮点

• 模块化设计：将云层掩膜、指数计算、导出功能拆分为独立函数，代码结构清晰，便于维护和修改（如更换传感器时仅需调整掩膜函数的比特位参数）。
• 批量处理 ：通过forEach()遍历指数列表，实现 11 种指数的自动计算与导出，避免重复代码，提高效率。
• 数据质量控制：包含云层掩膜、反射率标准化、指数取值限制三重质量控制，确保输出结果的可靠性。

七、适用场景与注意事项

适用场景：

• 区域尺度植被覆盖度评估、农业长势监测、生态环境变化分析等。
• 基于 Landsat 9 数据的长时间序列植被动态研究（需扩展时间范围筛选条件）。

注意事项：

• 研究区范围：geometry需提前定义（如通过 GEE 导入矢量文件或绘制边界），否则会导致影像筛选失败。
• 影像可用性：若研究区在 2024 年 5-9 月无 Landsat 9 影像（如持续阴雨、传感器故障），会导致结果为空，需扩展时间范围或更换传感器。
• 导出限制：GEE 导出文件大小有限制，大范围研究区需确保maxPixels参数足够（1e13 可支持约 100 万平方公里区域的 30 米分辨率影像导出）。
• 指数选择：不同指数有其适用场景（如 NDVI 适用于一般植被覆盖，SAVI 适用于稀疏植被区），需根据研究目的选择核心指数进行重点分析。

八、运行结果

点击RUN即可下载数据

下面是利用 ArcMap 软件对下载的数据进行可视化制图的结果：
NDVI：归一化植被指数
GNDVI：绿度归一化植被指数
EVI：增强型植被指数
EVI2：双波段增强型植被指数
DVI：差值植被指数
GDVI：绿度差值植被指数
RVI：比值植被指数
SAVI：土壤调整植被指数
OSAVI：优化土壤调整植被指数
MSAVI：修正土壤调整植被指数
NDPI：归一化色素指数

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！