gee

基于 GEE 的 Landsat C02 Level-2 数据集实现黄河入海口变化监测：支持年度影像切换与动态监测结果下载的完整解决方案目录一、核心组件与整体结构二、基础配置模块（一）研究区域定义（二）数据集路径配置（三）波段映射配置三、工具类封装模块

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

基于 GEE 使用 Landsat-9 卫星的 Level-2 级数据实现水体表面温度反演目录一、研究区初始化与地图配置二、数据预处理函数三、影像集合筛选与预处理四、影像合成与可视化五、结果导出至 Google Drive

7、基于GEE 平台的 VIIRS 夜间灯光监测工具这是一个基于 Google Earth Engine (GEE) 的交互式应用程序，用于监测、分析和下载 NOAA VIIRS 月度夜间灯光数据。该工具集成了动态可视化、时序分析、GIF 动图生成以及批量数据导出到 Google Drive 的功能。

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目录一、前言二、基础参数定义（第 1-2 步）（一）研究区定义（二）时间范围与可视化参数三、Landsat 8 影像加载与预处理（第 3 步）

基于 GEE 批量下载 NASA GDDP-CMIP6 气候数据：历史 + 未来情景（SSP245、SSP585）年度产品自动化生成与导出目录一、关键变量定义与说明（一）核心数据相关变量（二）波段分类变量（三）筛选条件变量二、核心函数：exportYearlyData

5、基于 GEE 的 Sentinel-1 SAR 地震滑坡变化检测系统：2022 泸定地震案例(Sentinel-1 SAR Change Detection System: 2022 Luding Earthquake Case)

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）监测目录一、前言二、研究区与时间基础设置三、Sentinel-5P 数据集配置四、影像集合获取函数定义与调用

1、基于 GEE 的 NDVI 交互式时序可视化与趋势分析工具点击上图右下角可以放大图像(用于科研再合适不过了,注意此图可下载多种图片格式)● Selected Point：选中点的可视化（通常是红点或标记，用来显示你点击的位置） ● NDVI Trend Slope：NDVI长期趋势斜率（一般通过Mann-Kendall或线性回归计算得到的每个像元NDVI时间序列的变化速率，单位通常是NDVI/年） ● NDVI Mean (Avg)：多年平均NDVI（多时相NDVI的均值图，反映研究区总体植被覆盖水平,上有颜色的图就是为此图层） ● Boundary Outli

xiao5kou4chang6kai4

基于Landsat等多源时序数据的遥感分类、监测与可视化综合实践随着航空、航天、近地空间遥感平台的持续发展，遥感技术近年来取得显著进步。遥感数据的空间、时间、光谱分辨率及数据量均大幅提升，呈现出大数据特征。2025年7月，Google DeepMind发布了革命性的AlphaEarth Foundations模型及Satellite Embedding数据集，标志着遥感数据分析进入AI驱动的新时代。这为相关研究带来了新机遇，但同时也带来巨大挑战。传统的工作站和服务器已无法满足大区域、多尺度海量遥感数据处理需求。

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目录一、全局配置与基础设置（一）核心参数定义（二）波段映射配置二、数据预处理函数（一）云掩膜函数（maskclouds）

解锁GEE云端林业遥感：贯通森林分类、森林砍伐与退化监测、火灾评估、森林扰动监测、森林关键生理参数（树高/生物量/碳储量）反演等随着遥感技术迈向云端化、智能化，谷歌地球引擎（GEE）已成为林业遥感研究的核心工具。其强大的全球数据存储与并行计算能力，结合多源遥感影像（如Landsat、Sentinel-2、PALSAR-2）和新兴AI模型（如ChatGPT），为森林资源监测、灾害响应与生态评估提供了前所未有的技术支持。本专题旨在系统梳理GEE平台在林业领域的全链路应用，从基础操作到复杂模型开发，助力从业者突破技术瓶颈。

基于 GEE 利用 WorldPop 数据集批量导出 100 米分辨率人口影像数据与时序分析目录一、研究区域与地图初始化二、影像裁剪函数定义三、WorldPop 数据集导入与预处理四、2020 年人口数据可视化

苏州市 NDVI 数据（GEE处理_2020–2024年逐年_10m_高精度 SCL掩膜）——免费下载基于 Google Earth Engine (GEE) 平台，面向需要获取苏州市年度 NDVI（归一化植被指数）数据的用户。数据覆盖 2020–2024 年，分辨率高达 10 米，并经过 SCL（场景分类）掩膜处理，保证高精度和可靠性。教程不仅提供逐年 NDVI 合成方法，还附带完整 GEE 代码示例，用户可直接运行生成数据。所有生成的数据可免费导出至 Google Drive，便于进一步分析和应用。

基于 GEE 的 MODIS 数据逐月植被覆盖度（FVC）计算与数据导出完整流程目录一、代码整体框架与依赖环境说明二、可视化参数配置三、研究区与地图定位四、NDVI 计算函数（calculateNDVI）

GEE统计特定区域特定时间上的Landsat/Sentinel的影像信息很多时候，我们会想查看一个特定的研究区和研究时间范围内的Landsat 或者 Sentinel系列数据集中影像的一些参数信息，如成像时间，云量，数量等等，以帮助我们确定应该如何筛选影像。比如，我想知道1990年至2020年期间，所有覆盖到北京市的Landsat影像的信息，如下图所示。Landsat系列和Sentinel系列是目前使用最为广泛的两个影像数据集，现在，我提供了实现这一操作的代码框架，大家可以在此基础上进行修改，以得到你想要提取的信息。基于此框架，你还可以扩展到其他影像数据集（如MODIS等）。

基于 GEE MODIS 数据的区域干旱监测——从植被状况指数（VCI）计算到干旱分级与空间分布可视化目录一、基础模块：研究区与时间配置（一）研究区边界定义与可视化（二）时间范围设置二、数据加载与预处理（一）MODIS NDVI 数据集选择

基于 GEE 利用 GHSL（100m）数据的区域建成区时空变化量化分析目录一、代码整体框架与设计思路二、逐模块深度解析（含代码片段与逻辑拆解）（一）模块 0：用户设置 —— 分析基础参数定义

基于 GEE 使用 OTSU 算法赋能遥感水体自动化提取：从自动阈值计算到高效分割的水体自动分割方案目录一、初始化设置：研究区与参数定义（一）研究区加载与地图配置（二）年份参数定义二、影像预处理函数：消除噪声与还原物理意义

基于 GEE 的 MODIS 昼夜地表温度数据可视化与导出全流程解决方案目录一、研究区域（ROI）设置与地图初始化（一）研究区域定义（ROI）（二）地图定位与 ROI 可视化