JRC全球地表水数据集(GSW)在GEE中的实战应用

1. 全球地表水数据集（JRC GSW）概述

JRC全球地表水数据集（Global Surface Water Explorer）是欧盟联合研究中心（Joint Research Centre）基于Landsat系列卫星影像开发的权威水体监测产品。这个数据集最吸引我的地方在于它整合了跨越37年（1984-2021）的471万+卫星影像，通过专家系统对每个30m×30m的像元进行水/非水分类，形成了时空连续的水体变化记录。

重要提示：最新版本GSW1.4包含5个子数据集（Monthly/Yearly/Change/Transition/MaxExtent），其中YearlyHistory最适合做年际变化分析，这也是本文重点使用的数据集。

我在实际项目中发现，这套数据有三个独特价值：

1. 长期一致性：采用统一的分类标准处理三代Landsat数据（5/7/8），避免了传感器差异带来的偏差
2. 动态监测能力：每年生成的水体分布图可清晰反映水域扩张/萎缩趋势
3. 精细分类：waterClass波段用0-3分别表示非水、无效数据、季节性水和永久性水

2. 数据获取全流程实操

2.1 研究区边界准备

在Google Earth Engine（GEE）中处理地理数据时，研究区边界是首要条件。我推荐两种获取方式：

javascript复制// 方式1：直接绘制多边形
var geometry = ee.Geometry.Polygon(
  [[[经度1,纬度1], [经度2,纬度2], ...]], 
  null, false
);

// 方式2：导入已有矢量文件（如广东省边界）
var geometry = ee.FeatureCollection('users/你的用户名/guangdongsheng')

避坑指南：务必检查geometry的坐标参考系（CRS），WGS84（EPSG:4326）是最通用的选择。我曾遇到因CRS不匹配导致裁剪错位的问题，后来养成了用geometry.projection().getInfo()验证的习惯。

2.2 数据筛选与预处理

通过以下代码可获取1984-2021年的年度水体数据：

javascript复制var dataset = ee.ImageCollection('JRC/GSW1_4/YearlyHistory')
                .filterBounds(geometry)  // 空间过滤
                .filterDate('1990-01-01','2021-12-31')  // 时间过滤
                .map(function(image){
                  return image.clip(geometry)  // 裁剪研究区
                             .set('year', image.date().get('year')); // 添加年份属性
                });

关键技巧：

• 使用print(dataset)查看影像数量及属性，避免空集合
• 通过image.date().get('year')添加年份属性，方便后续按时间筛选
• 实测发现1990年前部分地区数据缺失，建议从1990年开始分析

2.3 可视化检查

在导出数据前，务必进行可视化验证：

javascript复制var visParams = {
  bands: ['waterClass'],
  min: 0,
  max: 3,
  palette: ['cccccc', 'ffffff', '99d9ea', '0000ff'] // 灰/白/浅蓝/深蓝
};

Map.addLayer(dataset.first(), visParams, '1990年水体');
Map.addLayer(dataset.filter(ee.Filter.eq('year',2020)).first(), visParams, '2020年水体');

颜色对照表：

• 灰色（0）：非水体
• 白色（1）：无效数据（云/雪等）
• 浅蓝（2）：季节性水体
• 深蓝（3）：永久性水体

3. 批量下载实战方案

3.1 使用geetools扩展库

传统单张导出方式效率低下，推荐安装geetools扩展库：

javascript复制var batch = require('users/fitoprincipe/geetools:batch');

batch.Download.ImageCollection.toDrive(dataset, "JRC_Export", {
  name: 'JRC_{system:index}_{year}',  // 使用影像ID+年份命名
  region: geometry,
  scale: 30,
  crs: "EPSG:4326",
  maxPixels: 1e13
});

参数详解：

• name：支持变量替换，{system:index}是影像唯一ID，{year}是我们添加的属性
• scale：必须设为30m以保持原始分辨率
• maxPixels：增大该值可避免大区域导出失败

3.2 自动化任务提交

当需要导出多年数据时，手动点击每个任务极其耗时。通过浏览器控制台运行以下脚本可自动提交所有任务：

javascript复制function autoRunTasks() {
  // 获取所有运行按钮
  var runButtons = document.querySelector('#task-pane')
                  .shadowRoot.querySelectorAll(".run-button");
  
  // 依次点击运行
  runButtons.forEach(function(btn) {
    btn.click();
    
    // 自动确认弹窗（5秒间隔）
    setTimeout(function(){
      var dialogs = document.querySelectorAll("ee-image-config-dialog");
      dialogs.forEach(function(dialog){
        dialog.shadowRoot.querySelector("ee-dialog")
              .shadowRoot.querySelector("paper-dialog")
              .querySelector(".ok-button").click();
      });
    }, 5000);
  });
}

autoRunTasks();

实测经验：建议每次批量提交不超过10个任务，避免GEE服务器限制。我曾因一次性提交30+任务导致部分任务失败。

4. 常见问题解决方案

4.1 导出任务失败排查

4.2 数据缺失处理

当发现某些年份数据缺失时：

1. 检查原始数据是否存在：print(dataset.aggregate_array('year'))
2. 尝试扩大时间范围：.filterDate('1989-12-01','1990-02-28')
3. 考虑使用月度数据（JRC/GSW1_4/MonthlyHistory）补充

4.3 分类结果异常

如果水体分类明显错误：

1. 检查原始影像质量：链接Landsat原始影像对比
2. 验证专家系统版本（v1.0-1.4算法有改进）
3. 考虑使用MaxExtent数据集作为补充参考

5. 进阶应用方向

5.1 水体变化检测

通过比较不同时期的水体面积，可计算变化率：

javascript复制var water1990 = dataset.filter(ee.Filter.eq('year',1990))
                    .mosaic()
                    .eq(3); // 永久水体
                    
var water2020 = dataset.filter(ee.Filter.eq('year',2020))
                    .mosaic()
                    .eq(3);

var loss = water1990.and(water2020.not()); // 消失的水体
var gain = water1990.not().and(water2020); // 新增的水体

Map.addLayer(loss, {palette: 'red'}, '水体消失区域');
Map.addLayer(gain, {palette: 'green'}, '水体新增区域');

5.2 结合其他数据集

将JRC数据与其他数据集叠加分析：

• 夜间灯光数据（NOAA/VIIRS）验证城市扩张对水体的影响
• 降水数据（CHIRPS）分析水文气候关联性
• 高程数据（SRTM）研究地形与水体分布关系

javascript复制var dem = ee.Image('USGS/SRTMGL1_003').clip(geometry);
var slope = ee.Terrain.slope(dem);

// 分析水体分布与坡度的关系
var water = dataset.filter(ee.Filter.eq('year',2020)).mosaic().eq(3);
var stats = water.addBands(slope).reduceRegion({
  reducer: ee.Reducer.mean().combine({
    reducer2: ee.Reducer.histogram(),
    sharedInputs: true
  }),
  geometry: geometry,
  scale: 30,
  maxPixels: 1e9
});

在完成多个项目后，我总结了三点核心经验：1）始终进行可视化验证；2）合理设置导出参数避免失败；3）善用属性系统管理时间序列数据。这套方法同样适用于其他遥感数据集的处理。