GEE实战：基于Daylight Map Distribution与ESA土地覆盖的全球太阳能潜力评估

1. 从零开始理解Daylight Map Distribution

第一次接触Daylight Map Distribution（简称DMD）时，我完全被这个数据集的价值震撼了。简单来说，它就是一张记录地球表面每个角落日照情况的"阳光地图"。想象一下，如果你要开一家太阳能发电站，最关心什么？当然是哪里阳光最充足！DMD就是帮你解决这个问题的神器。

这个数据集的神奇之处在于，它把卫星观测、地面气象站数据和专业气象模型的结果融合在一起。就像把多个天气预报专家的意见综合起来，最后得出一个更准确的结果。我去年在评估东南亚某地的太阳能项目时，发现DMD提供的日照数据与实际测量值误差不超过5%，这对于免费公开的数据来说简直不可思议。

具体到技术层面，DMD提供了三种关键数据：

• 年累计日照量：告诉你这个地方一年总共能晒到多少太阳
• 日均日照时长：平均每天能晒几小时
• 季节变化特征：雨季和旱季的日照差异有多大

javascript复制// 在GEE中调用DMD数据的示例代码
var daylightData = ee.ImageCollection("projects/sat-io/open-datasets/DAYLIGHTMAP/annual_radiation");

2. 为什么需要结合ESA土地覆盖数据

单独看日照数据就像知道一块地能晒到多少阳光，却不知道这块地能不能用。这就是ESA土地覆盖数据发挥作用的地方。ESA 2020土地覆盖数据集就像给地球表面贴标签，告诉你哪里是森林、哪里是城市、哪里是农田。

记得我第一次做非洲太阳能项目评估时，发现一片日照条件极佳的沙漠地区，兴奋地准备推荐给客户。幸好同事提醒我查了土地覆盖数据，才发现那里是国家级自然保护区。这个教训让我明白：好的太阳能选址=充足的阳光+可用的土地。

ESA数据集最实用的分类包括：

• 建筑用地：通常可以直接利用
• 农田：可能需要与农业活动协调
• 森林：一般需要避开
• 水体：完全不适合
• 裸地：太阳能项目的理想选择

javascript复制// 加载ESA土地覆盖数据
var landCover = ee.Image("ESA/WorldCover/v200/2020");

3. 手把手教你GEE实战分析

现在我们来点真格的。假设我们要评估越南南部某区域的太阳能潜力，以下是完整操作流程：

3.1 数据准备与区域划定

首先在GEE中划定分析区域。我推荐使用绘图工具手动圈选，比输入坐标更直观。划重点：记得把分析范围稍微划大一点，给后续的缓冲区分析留余地。

javascript复制// 定义分析区域（以越南南部为例）
var region = ee.Geometry.Polygon(
  [[[106.5, 10.2],
    [106.5, 9.8],
    [107.2, 9.8],
    [107.2, 10.2]]]);

3.2 日照数据处理技巧

处理DMD数据时要注意时间尺度。如果是长期项目，建议用多年平均值；如果是季节性项目，就要分季度分析。这里有个小技巧：先用.mean()方法计算区域平均值，再用.clip()方法裁剪到目标区域。

javascript复制// 计算区域年均日照量
var solarRadiation = daylightData.mean().clip(region);

3.3 土地覆盖筛选的实用方法

ESA数据默认是分类数据，我们需要先筛选出适合开发的类型。根据我的经验，代码中的class值这样设置最实用：

• 分类10：农田（可考虑农光互补）
• 分类30：裸地（最理想）
• 分类50：建筑用地（需具体评估）

javascript复制// 筛选适宜土地类型
var suitableLand = landCover.eq(30).or(landCover.eq(10)).or(landCover.eq(50));

4. 可视化与结果解读

4.1 制作专业级评估地图

GEE的可视化功能非常强大，但要注意配色选择。日照数据建议用从黄到红的渐变色，土地适宜性用绿色系。我常用的可视化参数是这样的：

javascript复制// 日照可视化参数
var solarVis = {
  min: 1500,
  max: 2500,
  palette: ['yellow', 'orange', 'red']
};

// 土地适宜性可视化参数
var landVis = {
  min: 0,
  max: 1,
  palette: ['white', 'green']
};

4.2 结果分析与报告撰写

得到初步结果后，真正的分析工作才开始。我通常会计算三个关键指标：

1. 区域平均日照强度（kWh/m²/天）
2. 适宜土地面积占比
3. 最佳选址的坐标位置

这些数据可以直接写入投资分析报告。记得附上地图截图时，要包含比例尺和图例，专业度立马提升50%。

5. 实际项目中的经验分享

在东南亚某国做项目时，我们发现一个有趣现象：ESA分类为"农田"的区域，实际调查发现很多是闲置的。这提醒我们数据要结合实际考察。后来我们开发了一套验证流程：

1. 先用GEE做初步筛选
2. 然后用高分辨率卫星影像复查
3. 最后派人实地考察重点区域

另一个教训是关于数据更新。ESA数据每年更新一次，但地方建设可能更快。有次我们推荐的地块在数据更新后发现已经建了工厂。所以现在做项目，我一定会用Sentinel-2的最新影像再检查一遍。

javascript复制// 获取最新Sentinel-2影像做二次验证
var sentinel = ee.ImageCollection('COPERNICUS/S2_SR')
  .filterBounds(region)
  .filterDate('2023-01-01', '2023-12-31')
  .median();

6. 进阶技巧与性能优化

当分析区域很大时（比如整个非洲），GEE脚本可能会运行缓慢。我总结了几个提速技巧：

• 使用.reproject()降低分辨率
• 对大面积区域分块处理
• 在夜间运行长时间任务

还有一个实用技巧是创建自己的函数库。我把常用的分析步骤封装成函数，比如这个计算适宜面积的函数：

javascript复制// 计算适宜土地面积的函数
function calculateSuitableArea(region) {
  var areaImage = ee.Image.pixelArea().updateMask(suitableLand);
  return areaImage.reduceRegion({
    reducer: ee.Reducer.sum(),
    geometry: region,
    scale: 100,
    maxPixels: 1e13
  }).get('area');
}

7. 常见问题解决方案

新手最常遇到的三个问题：

1. 数据加载失败：检查数据集名称是否更新，GEE的数据集目录有时会调整
2. 计算超时：尝试缩小分析区域或降低分辨率
3. 可视化效果差：调整颜色范围和透明度参数

我处理过一个特别案例：客户坚持要在日照数据看似不错的沿海区域建站，但我们的分析显示那里盐雾腐蚀严重。后来我们结合了气象数据，证明该地区确实不适合。这个案例告诉我们：太阳能评估不能只看日照数据，要综合考虑环境因素。