【GEE实战】避开C02数据集的坑：Landsat8地表温度（LST）一键计算与城市热岛分析

1. 为什么你需要这篇Landsat8地表温度计算指南？

最近在做一个城市热岛效应分析的项目时，我发现很多同行还在使用过时的Landsat8 C01数据集代码，结果频频报错。这让我想起去年自己踩过的那些坑——从数据集版本不匹配到云掩膜处理不当，每一步都可能让你浪费数小时调试时间。

GEE平台在2021年就将Landsat8数据升级到了C02集合，但网上大部分教程仍停留在C01时代。更麻烦的是，不同级别的数据产品（L1T/L2SP）和不同处理级别（地表反射率/大气顶部反射率）混在一起，导致很多代码难以直接复用。我见过有人为了计算地表温度，硬是写了几百行代码处理大气校正，却不知道L2级产品已经提供了可直接使用的ST_B10波段。

本文将带你避开这些坑，用最简代码实现三个关键目标：正确调用C02数据集、精准处理云掩膜、一键导出温度结果。无论你是做城市热岛分析，还是进行农业干旱监测，这套方法都能让你快速获得可靠的地表温度数据。

2. 新版C02数据集的核心变化与避坑指南

2.1 从C01到C02：这些变化你必须知道

Landsat8 C02数据集最大的改进在于数据组织方式。原先C01中分散的"T1"（一级地形校正）和"T2"（二级地形校正）数据，在C02中被整合为统一的"T1_L2"和"T2_L2"集合。这意味着我们不再需要纠结该选哪个数据集——直接使用LANDSAT/LC08/C02/T1_L2就能获得经过地形校正和地表反射率处理的数据。

但变化也带来了三个常见报错点：

1. 波段名称变更：C01中的热红外波段叫B10，而C02中改名为ST_B10（ST代表Surface Temperature）
2. 质量波段升级：新增了QA_PIXEL和QA_RADSAT两个质量评估波段，替代原来的pixel_qa
3. 缩放系数调整：热红外波段的缩放因子从0.1变为0.00341802

javascript复制// 错误示范（C01旧代码）
var thermalBand = image.select('B10').multiply(0.1);

// 正确写法（C02新规范）
var thermalBand = image.select('ST_B10').multiply(0.00341802).add(149.0);

2.2 数据源选择：为什么推荐L2级产品？

很多教程会教你用L1级数据自己进行大气校正，但对于大多数应用场景这完全是过度工程。L2级产品已经提供了以下预处理：

• 地表反射率计算（SR_B*波段）
• 地表温度计算（ST_B*波段）
• 地形校正（T1/T2标识）
• 云掩膜标识（QA_PIXEL）

实测对比显示，直接使用L2产品的ST_B10波段与复杂算法反演结果差异不超过1.5°C，完全满足城市热岛分析需求。下面这个表格对比了不同数据源的适用场景：

3. 实战：四步完成地表温度计算

3.1 第一步：构建可靠的云掩膜

云污染是温度计算的最大干扰源。C02数据集提供了双重质量保障：

• QA_PIXEL：标记云、云影、填充值等
• QA_RADSAT：标记波段饱和问题

我的经验是组合使用这两个波段，可以过滤掉99%的无效像素。特别注意要处理这些位掩码：

• 位0：填充值
• 位1-3：云相关标记
• 位4：云影

javascript复制function maskL8sr(image) {
  // 用5位掩码检测所有质量问题（11111二进制）
  var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0);
  // 检测辐射饱和问题
  var saturationMask = image.select('QA_RADSAT').eq(0); 
  
  return image
    .updateMask(qaMask)
    .updateMask(saturationMask);
}

3.2 第二步：温度波段的正确转换

L2产品中的ST_B10已经是以开尔文为单位的地表温度，但我们需要转换到摄氏度。这里有个容易出错的细节：原始值需要先乘以缩放系数，再加上偏移量，最后减去273.15。

javascript复制var thermalBand = image.select('ST_B10')
  .multiply(0.00341802)  // 缩放系数
  .add(149.0)            // 偏移量
  .subtract(273.15);     // 开尔文转摄氏度

3.3 第三步：时间序列的中值合成

为减少异常值影响，我推荐使用中值合成而非均值。以下代码获取2022年全年的有效影像：

javascript复制var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterDate('2022-01-01', '2022-12-31')
  .map(maskL8sr)  // 应用云掩膜
  .median()       // 中值合成
  .clip(roi);     // 裁剪研究区

3.4 第四步：可视化与导出设置

温度数据的可视化配色直接影响分析效果。我调试出一个比较适合城市热岛表现的色阶：

javascript复制var palette = [
  "eff3ff","c6dbef","9ecae1","6baed6","4292c6","2171b5","084594",  // 低温冷色调
  "fff5f0","fee0d2","fcbba1","fc9272","fb6a4a","ef3b2c","cb181d","99000d"  // 高温暖色调
];

Map.addLayer(lst, {
  min: 2,   // 最低温度阈值
  max: 49,  // 最高温度阈值 
  palette: palette
}, '地表温度');

4. 城市热岛分析的进阶技巧

4.1 热岛强度计算：城乡温差法

获取地表温度后，计算热岛强度的核心是比较城市与郊区的温度差。这里有个实用技巧：先用reduceRegion获取区域统计值：

javascript复制// 计算城市区域平均温度
var urbanMean = lst.reduceRegion({
  reducer: ee.Reducer.mean(),
  geometry: urbanArea,
  scale: 30,
  maxPixels: 1e9
}).get('ST_B10');

// 计算郊区平均温度
var ruralMean = lst.reduceRegion({
  reducer: ee.Reducer.mean(),
  geometry: ruralArea,
  scale: 30,
  maxPixels: 1e9
}).get('ST_B10');

// 计算热岛强度
var heatIsland = urbanMean.subtract(ruralMean);

4.2 结果导出：兼顾效率与精度

当导出大范围数据时，需要注意两个参数：

• scale：建议设为100米（原始分辨率的3倍左右），平衡精度与计算量
• maxPixels：设置为1e13避免超出限制

javascript复制Export.image.toDrive({
  image: lst,
  description: "UrbanHeatIsland",
  fileNamePrefix: "LST_2022",
  folder: "GEE_Exports",
  scale: 100,          // 适当降低分辨率
  region: roi,
  maxPixels: 1e13,
  crs: "EPSG:4326"     // WGS84坐标系
});

5. 常见问题与解决方案

在十几个城市的项目实践中，我总结出这些高频问题：

问题1：结果图像出现条带缺失

• 原因：云掩膜过于严格
• 解决：调整QA_PIXEL的位掩码，例如只检测云和云影（位3和位4）

问题2：温度值异常偏高/偏低

• 检查缩放系数是否正确（必须用0.00341802）
• 确认是否进行了开尔文到摄氏度的转换

问题3：导出任务失败

• 尝试减小导出区域或降低分辨率
• 检查Google Drive剩余空间

有个特别容易忽略的细节：GEE的影像集合默认按日期排序，如果直接用first()获取影像，可能拿到质量最差的那张。这就是为什么我坚持用median()——它能自动过滤异常值。