零基础实战：5分钟在GEE平台生成遥感生态指数（RSEI）全流程解析

第一次接触Google Earth Engine（GEE）时，面对满屏的JavaScript代码和陌生的API文档，我和大多数初学者一样感到无从下手。直到发现遥感生态指数（RSEI）这个既能评估环境质量又适合练手的项目，才真正打开了GEE的大门。本文将带你用最简单的步骤，避开我踩过的所有坑，快速生成专业级的生态评估结果。

1. 环境准备与数据基础

1.1 GEE账号申请与基础配置

访问GEE官网注册开发者账号（需谷歌账号），通过审核后即可使用代码编辑器。首次登录建议：

• 收藏代码编辑器书签：https://code.earthengine.google.com/
• 在"Docs"标签页下载API速查手册
• 打开"Assets"管理个人地理数据

注意：免费账号有计算资源限制，复杂运算建议分区域或分时段处理

1.2 理解RSEI的四大核心指标

RSEI通过主成分分析（PCA）整合四个关键生态参数：

2. 五分钟实操流程分解

2.1 研究区定义技巧

在代码编辑器左上角地图框选区域后，自动生成几何对象代码。更精准的做法是：

javascript复制// 推荐使用GIS软件导出GeoJSON坐标粘贴替换
var roi = ee.Geometry.Polygon(
  [[[经度1,纬度1],
    [经度2,纬度2],
    [经度3,纬度3]]]);
Map.centerObject(roi, 10);  // 数字代表缩放级别

常见报错解决：

• Geometry coordinates out of bounds → 检查坐标顺序是否为经度,纬度
• Invalid geometry → 使用roi = roi.buffer(0)修复拓扑错误

2.2 数据预处理关键步骤

Landsat影像处理包含三个核心环节：

1. 去云函数优化版：

javascript复制function removeCloud(image) {
  var qa = image.select('QA_PIXEL');  // Landsat9使用新波段名
  var cloudBitMask = 1 << 3;
  var shadowBitMask = 1 << 4;
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
             .and(qa.bitwiseAnd(shadowBitMask).eq(0));
  return image.updateMask(mask);
}

2. 时间筛选技巧：

javascript复制var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterDate('2020-01-01', '2020-12-31')
  .filter(ee.Filter.calendarRange(6, 9, 'month'))  // 只选夏季影像
  .filterBounds(roi)
  .map(removeCloud);

3. 年度合成最佳实践：

javascript复制var composite = collection.median()
  .clip(roi)
  .normalizedDifference(['SR_B5', 'SR_B4']);  // 直接计算NDVI

3. 指标计算深度优化

3.1 湿度分量计算进阶方案

原始论文的Wet指数系数适用于特定区域，建议根据本地数据调整：

javascript复制var Wet = image.expression(
  '0.151*B + 0.197*G + 0.328*R + 0.341*NIR - 0.711*SWIR1 - 0.457*SWIR2', {
    'B': image.select('SR_B2'),
    'G': image.select('SR_B3'),
    'R': image.select('SR_B4'),
    'NIR': image.select('SR_B5'),
    'SWIR1': image.select('SR_B6'),
    'SWIR2': image.select('SR_B7')
}).rename('WET');

3.2 温度数据融合策略

当MODIS分辨率不足时，可采用Landsat地表温度反演：

javascript复制var lst = image.expression(
  '(TIRS1 * 0.0003342 + 0.1) * 10 - 273.15', {
    'TIRS1': image.select('ST_B10')
}).rename('LST');

4. PCA分析与结果可视化

4.1 主成分计算加速技巧

javascript复制var pcaResults = ee.Image.cat([
  ndvi, ndbsi, wet, lst
]).reduceRegion({
  reducer: ee.Reducer.pca({
    mean: true,
    unitVariance: true
  }),
  geometry: roi,
  scale: 1000,
  maxPixels: 1e13
});

var pcImage = ee.Image.cat([
  ndvi, ndbsi, wet, lst
]).subtract(pcaResults.get('mean'))
 .matrixMultiply(pcaResults.get('rotation'));

4.2 专业级可视化参数配置

javascript复制var visParams = {
  min: -1,
  max: 1,
  palette: ['red', 'yellow', 'green']
};
Map.addLayer(pcImage.select('pc1'), visParams, 'PC1');

// 导出结果到Google Drive
Export.image.toDrive({
  image: pcImage.select('pc1'),
  description: 'RSEI_Export',
  scale: 30,
  region: roi,
  maxPixels: 1e13
});

实际项目中，发现三个最容易出错的环节：研究区坐标格式错误、波段名称版本混淆、PCA前未做归一化处理。建议每次只运行一个代码块，使用print()输出中间结果验证。当遇到Computed value is too large错误时，尝试减小研究区范围或降低分辨率。