德国人Leo乐柏说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。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
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：
- 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） - 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 - 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：
| 数据产品 | 处理级别 | 包含波段 | 推荐用途 |
|---|---|---|---|
| C02/T1 | L1TP | TOA反射率 | 需要自定义大气校正的研究 |
| C02/T1_L2 | L2SP | 地表反射率+地表温度 | 快速温度分析（本文方案） |
| C02/T2_L2 | L2SP | 地表反射率+地表温度 | 地形复杂区域分析 |
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。