GEE实战02期：从卫星波段开始：利用 Sentinel-2 自己计算 NDVI

上一期，我们已经了解了NDVI指数的基本含义，学习了其如何服务于植被覆盖监测，并学习了绘制NDVI地图的基本方法。但实际遥感研究中，我们经常需要从卫星原始波段出发，自行计算植被指数。与上一期相比，本期最大的变化不是换了一套数据，而是开始学习一个非常重要的 GEE 思维：定义一个处理函数，并通过循环遍历方法应用到 ImageCollection 中的每一景影像。

GEE实战01期：制作北京及周边地区夏季 NDVI 分布图-CSDN博客

**本期关注：**如何利用 Sentinel-2 地表反射率数据，经过影像筛选、云掩膜和逐景 NDVI 计算，得到北京及周边地区 2024 年夏季的高分辨率 NDVI 分布？

**核心流程：**调用影像数据，进行影像云掩膜处理，根据近红外波段和红光波段计算NDVI指数，绘制地图并进行导出。

1.数据准备

本期选用Sentinel-2的Level-2A 地表反射率数据：

哨兵数据的特点就是空间分辨率比较高 ，10m左右，比上一期我们用到的分辨率高了很多，可以看到更加细致的城市、农田和山地植被空间结构。它的重访周期是5天，我们需要关注B8-近红外波段和B4-红光波段，后续计算需要用到。

在上一期我们已经知道计算NDVI的公式是：

换到Sentinel-2的影像后，我们的公式转换为：

此外，我们还需要关注Q~系列的质量控制波段，因为遥感影像并不是每一景都很好，有时候会受到云的影像，故需要进行一定的筛选，将质量不好的影像剔除出去。

需要注意的是，该产品包含多个光谱波段，并以 10000 为比例因子保存地表反射率，因此后续需要有一个比例因子恢复的过程。

2. 研究步骤

（1）定义研究区

首先仍然使用北京及周边地区作为研究区域，定义过程的第一期的是一样的。所以，GEE 学习并不是每一期都重新开始，而是不断把之前学过的操作组合起来。

javascript 复制代码

// 1. 定义研究区
// 1. 研究区
var roi = ee.Geometry.Rectangle([115.7, 39.4, 117.4, 41.1]);
Map.centerObject(roi, 8);

// 显示研究区域
Map.addLayer(
  roi, {color: 'red'},'Study Area', false
);

定义的研究区域如下：

（2）读取Sentinel-2影像

首先借助ee.ImageCollection()来访问特定的影像，数据产品的代码调用可以从GEE的官方数据集介绍中找到。一般的基本流程是，调用-根据研究区筛选-根据时间筛选-根据云覆盖分数筛选。

javascript 复制代码

// 2. Sentinel-2影像筛选
var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
  .filterBounds(roi)
  .filterDate('2024-06-01', '2024-09-01')
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20));

print('Image count:', s2.size());

这些筛选过程分为：

**根据研究区筛选：filterBounds，**只保留覆盖研究区的影像；

**根据时间筛选：filterDate，**获取 2024 年夏季的影像；

**根据筛选器筛选：filter，**只保留整景云覆盖比例低于 20% 的影像。

注意，使用CLOUDY_PIXEL_PERCENTAGE进行云初筛**，**注意是在筛影像，而不是去云。比如一景影像云量为 15%，它仍然有一部分像元被云覆盖，只是整景云量还没有高到需要直接丢弃。

这些关键的属性，后面还需要做逐像元云掩膜。从这里可以发现，2024年夏季一共有91景影像符合我们的筛选标准，这91景影像是我们后续分析的基础。

（3）利用 QA60 做逐像元云掩膜

这里的QA60是 Sentinel-2 自带的质量控制波段。

javascript 复制代码

// 3. QA60云掩膜
function maskS2clouds(image) {
  var qa = image.select('QA60');
  var cloud = 1 << 10;
  var cirrus = 1 << 11;
  var mask = qa.bitwiseAnd(cloud).eq(0)
    .and(qa.bitwiseAnd(cirrus).eq(0));
  return image.updateMask(mask);
}

我们来看官网对Q60的介绍，我们主要使用其中两个标志：Bit10代表不透明云，Bit11代表卷云，当这两个标志都为 0 时，就保留这个像元。image.updateMask(mask)表示的是把云像元遮掉，只让满足条件的晴空像元参与后续计算。

具体的处理原理大家可以看如下的示意图了解标记过程：

相信这个原理大家应该比较清楚了。

（4）计算NDVI数据

此处定义一个函数用于计算NDVI，定义函数的目的在于方便后续批量处理，因整个夏季时段有很多景Sentinel-2影像。具体而言，对于每一景影像，我们使用B8和B4波段进行归一化计算，并将得到的波段结果命名为NDVI，再添加到影像的波段里面中。

javascript 复制代码

// 4. 计算NDVI
function addNDVI(image) {
  var ndvi = image
    .normalizedDifference(['B8', 'B4'])
    .rename('NDVI');
  return image.addBands(ndvi);
}

此处要注意B8和B4的顺序不能写反了，否则计算符号会相反。

使用addBands的目的在于不删除 Sentinel-2 原有波段，而是在原影像中增加一个 NDVI 波段。

（5）批量处理所有影像

此处使用了map，进行循环遍历。

javascript 复制代码

// 5. 批量处理所有影像
var processed = s2
  .map(maskS2clouds)
  .map(addNDVI);

我们此前定义的函数，只能处理一景影像，而S2是一个影像集合，一般使用map，表示对S2中的每一景影像都采用指定函数的操作，直到所有影像都处理完。你可以理解如下：

Image 1 → maskS2clouds()

Image 2 → maskS2clouds()

Image 3 → maskS2clouds()

......

Image N → maskS2clouds()

在GEE中，当我们要进行某项操作的时候，一般采用先写好处理单景影像，再进行循环遍历，处理所有影像的思路。

本次实验中，我们使用map，先批量去云，再批量计算每一景影像的NDVI。

（6）夏季NDVI中位数合成

经过上述操作，我们得到了2024年夏季该区域所有符合筛选规则下并去云后的影像的NDVI，但是还是有好多景影像，那么，究竟哪一景影像能够代表北京市周边区域NDVI的实际情况呢？

javascript 复制代码

// 6. 夏季NDVI中位数合成
var summerNDVI = processed
  .select('NDVI')
  .median()
  .clip(roi);

一般使用median，对同一个位置的所有有效观测值取中位数。上述代码的含义便是选择NDVI波段，进行median处理，并裁剪到研究区。注意，中位数指的是对多时相影像的同一个像元取中位数，用以代表观测，不是指的取这些影像的中位影像，之前我也有误解。下面这张图展示了具体的计算原理，相信你一看就知道。

有读者可能会问：为什么使用中位数，不用均值？

实际遥感影像中，即使经过云处理，也可能残留一些异常值、薄云或其他干扰，mean容易受到极端值干扰，而中位数通常对于少数异常值更加稳健，多时相遥感影像中经常使用中位数合成得到一幅代表性影像。

（7）观看真彩色影像

在显示NDVI之前，我们可以先展示一下影像，一般采用红，绿和蓝波段组合，正好对应人眼看到的 RGB 真彩色组合。

javascript 复制代码

// 7. 真彩色影像
var rgb = s2
  .map(maskS2clouds)
  .median()
  .clip(roi);

Map.addLayer(
  rgb,
  {bands: ['B4', 'B3', 'B2'], min: 0, max: 3000},
  'Sentinel-2 RGB'
);

这里同样采用了median思路，展示夏季的代表影像。这一步主要是为了方便对比：

城市建成区和山地 NDVI 有什么差异？

山区是不是形成连续的高 NDVI 区域？

农田、城区、水体在 NDVI 图中有什么不同？

通过来回切换影像，对比原始影像和NDVI，能够得到上述图。

（8）显示计算的NDVI

这里我们定义了NDVI的最大最小值，colorbar，要显示的波段是我们之前计算得到的SummerNdvi影像，并将其命名为Summer NDVI 2024。

javascript 复制代码

// 8. NDVI显示
var ndviVis = {
  min: 0,
  max: 0.8,
  palette: [
    'a6611a',
    'dfc27d',
    'f5f5b5',
    'a6d96a',
    '1a9850',
    '006837'
  ]
};
Map.addLayer(
  summerNDVI,
  ndviVis,
  'Summer NDVI 2024'
);

配色的显示原理：

最终得到的计算结果如下：

（9）导出数据

导出数据的代码比较固定，基本包含：

image：要导出的影像名称；description：描述影像；folder：文件夹；

filenamePrefix：文件名称；region：导出的区域；scale：影像空间分辨率；

maxPixels：最大像素处理量；fileFormat：文件格式；

javascript 复制代码

// 9. 导出GeoTIFF
Export.image.toDrive({
  image: summerNDVI,
  description: 'Beijing_S2_NDVI_2024',
  folder: 'GEE_Export',
  fileNamePrefix: 'Beijing_S2_NDVI_2024',
  region: roi,
  scale: 10,
  maxPixels: 1e10,
  fileFormat: 'GeoTIFF'
});

（10）完整代码

本期完整代码如下：

javascript 复制代码

// ========================================
// GEE实战入门 EP02
// Sentinel-2 夏季NDVI
// 核心：function + map()
// ========================================

// 1. 研究区
var roi = ee.Geometry.Rectangle([115.7, 39.4, 117.4, 41.1]);
Map.centerObject(roi, 8);

// 2. Sentinel-2影像筛选
var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
  .filterBounds(roi)
  .filterDate('2024-06-01', '2024-09-01')
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20));

print('Image count:', s2.size());


// 3. QA60云掩膜
function maskS2clouds(image) {
  var qa = image.select('QA60');
  var cloud = 1 << 10;
  var cirrus = 1 << 11;

  var mask = qa.bitwiseAnd(cloud).eq(0)
    .and(qa.bitwiseAnd(cirrus).eq(0));

  return image.updateMask(mask);
}


// 4. 计算NDVI
function addNDVI(image) {
  var ndvi = image
    .normalizedDifference(['B8', 'B4'])
    .rename('NDVI');

  return image.addBands(ndvi);
}


// 5. 批量处理所有影像
var processed = s2
  .map(maskS2clouds)
  .map(addNDVI);


// 6. 夏季NDVI中位数合成
var summerNDVI = processed
  .select('NDVI')
  .median()
  .clip(roi);


// 7. 真彩色影像
var rgb = s2
  .map(maskS2clouds)
  .median()
  .clip(roi);

Map.addLayer(
  rgb,
  {bands: ['B4', 'B3', 'B2'], min: 0, max: 3000},
  'Sentinel-2 RGB'
);


// 8. NDVI显示
var ndviVis = {
  min: 0,
  max: 0.8,
  palette: [
    'a6611a',
    'dfc27d',
    'f5f5b5',
    'a6d96a',
    '1a9850',
    '006837'
  ]
};

Map.addLayer(
  summerNDVI,
  ndviVis,
  'Summer NDVI 2024'
);


// 9. 导出GeoTIFF
Export.image.toDrive({
  image: summerNDVI,
  description: 'Beijing_S2_NDVI_2024',
  folder: 'GEE_Export',
  fileNamePrefix: 'Beijing_S2_NDVI_2024',
  region: roi,
  scale: 10,
  maxPixels: 1e10,
  fileFormat: 'GeoTIFF'
});

这一期，我们没有继续直接调用现成的 NDVI 产品，而是从 Sentinel-2 的红光和近红外波段出发，自己完成了云处理、NDVI 计算和多时相合成。

相比最终得到一张 NDVI 地图，更重要的是理解了 GEE 中一个非常核心的处理模式：

定义函数，function(image)，map() 批量处理整个ImageCollection。

理解这一点以后，后续无论是计算 NDVI、NDWI、NDBI，还是进行云处理、温度计算、指数转换，本质上都可以沿用相同的思路。

好了，本期内容暂时分享到这里，创作不易，如果对你有帮助，欢迎关注，支持，转发！