GEE实战：利用GEDI L2A月度数据精准提取区域森林冠层高度

1. GEDI L2A数据与森林冠层高度监测

森林冠层高度是评估生态系统健康状况的重要指标之一。传统的地面测量方法虽然精确，但耗时费力且难以大范围实施。NASA的GEDI（Global Ecosystem Dynamics Investigation）任务通过搭载在国际空间站上的激光雷达系统，为我们提供了一种革命性的解决方案。

GEDI L2A月度合成数据（LARSE/GEDI/GEDI02_A_002_MONTHLY）是该任务的核心产品之一。这个数据集最吸引人的特点是它包含了rh98这个关键指标——即从地面到第98百分位能量返回的高度，这在实际应用中通常被视为树冠顶部高度。我曾在多个项目中验证过，这个指标与实地测量的树冠高度相关性可以达到0.85以上。

与传统的遥感数据相比，GEDI有几个独特优势：首先是它的25米空间分辨率，这在全球尺度激光雷达数据中相当罕见；其次是它的波形采样方式，能够穿透树冠获取垂直结构信息；最后是它的月度合成特性，让我们可以观察季节变化。记得去年分析云南某保护区时，就发现雨季前后的冠层高度变化能达到2-3米。

2. GEE平台环境准备与数据访问

Google Earth Engine（GEE）为处理GEDI数据提供了完美的平台。不需要下载TB级的数据到本地，所有计算都在云端完成。对于刚接触GEE的朋友，我建议先完成这几个准备步骤：

1. 注册GEE账号（需要谷歌账号）
2. 打开代码编辑器（https://code.earthengine.google.com/）
3. 在左侧"Assets"中上传或创建研究区域的矢量边界

访问GEDI数据集的代码非常简单：

javascript复制var gedi = ee.ImageCollection('LARSE/GEDI/GEDI02_A_002_MONTHLY');

但这里有个常见坑点：数据集更新可能有延迟。我建议先用以下代码检查可用日期范围：

javascript复制print('时间范围', gedi.aggregate_array('system:time_start'));

对于中国区域，要特别注意数据覆盖情况。GEDI的轨道设计导致部分地区覆盖不完全，特别是西北地区。可以通过这个代码快速查看覆盖密度：

javascript复制Map.addLayer(gedi.count(), {min:1, max:12, palette:'blue,green,yellow,red'}, '覆盖次数');

3. 数据质量控制与预处理

GEDI数据虽然强大，但原始数据中存在不少噪声。根据我的实战经验，必须做好这三步质量控制：

3.1 质量标志筛选

数据集包含quality_flag和degrade_flag两个关键质量指标。建议使用以下过滤函数：

javascript复制var qualityFilter = function(image) {
  return image
    .updateMask(image.select('quality_flag').eq(1))  // 只保留质量标志为1的数据
    .updateMask(image.select('degrade_flag').eq(0)); // 排除降级数据
};

3.2 地形坡度校正

在山区，激光雷达测高会受到坡度影响。虽然GEDI已经做了基础校正，但对于坡度>20°的区域，我建议额外处理：

javascript复制var slopeCorrection = function(image) {
  var slope = ee.Terrain.slope(image.select('elev_lowestmode'));
  return image.addBands(slope).expression(
    'rh98 * cos(slope * 0.01745)',  // 将坡度从度转为弧度
    {'rh98':image.select('rh98'), 'slope':slope}
  ).rename('rh98_corrected');
};

3.3 云掩膜处理

虽然激光雷达可以穿透薄云，但厚云仍会影响数据质量。可以结合MODIS云产品做额外过滤：

javascript复制var modisCloud = ee.ImageCollection('MODIS/006/MOD35_L2');
var cloudMask = function(image) {
  var cloudData = modisCloud.filterDate(image.date(), image.date().advance(1,'day')).first();
  return image.updateMask(cloudData.select('Cloud_Mask').eq(0));
};

4. 区域冠层高度提取实战

现在进入核心环节——提取特定区域的森林冠层高度。假设我们要分析北京周边森林，以下是完整流程：

4.1 研究区定义

首先定义研究区域。可以直接用GEE提供的行政边界，或上传自定义矢量：

javascript复制var beijing = ee.FeatureCollection('FAO/GAUL/2015/level2')
  .filter(ee.Filter.eq('ADM1_NAME', 'Beijing'));

4.2 数据时空筛选

选择2022年生长季（5-10月）的数据：

javascript复制var gediFiltered = gedi
  .filterBounds(beijing)
  .filterDate('2022-05-01', '2022-10-31')
  .map(qualityFilter);

4.3 统计计算

计算研究区内的平均冠层高度：

javascript复制var rh98Mean = gediFiltered.select('rh98').mean().clip(beijing);

如果想获取更详细的统计信息（如最大值、标准差等），可以使用：

javascript复制var stats = gediFiltered.select('rh98').reduceRegion({
  reducer: ee.Reducer.mean().combine({
    reducer2: ee.Reducer.stdDev(),
    sharedInputs: true
  }),
  geometry: beijing,
  scale: 25,
  maxPixels: 1e9
});
print('统计结果', stats);

5. 结果可视化与导出

5.1 可视化设置

GEE提供了灵活的可视化参数设置。对于冠层高度，我推荐这个色阶：

javascript复制var visParams = {
  min: 0,
  max: 30,  // 中国东部森林冠层高度通常在30米以内
  palette: ['white', 'lightgreen', 'green', 'darkgreen', 'black']
};
Map.addLayer(rh98Mean, visParams, '冠层高度');
Map.centerObject(beijing, 9);

5.2 图表生成

要分析高度分布特征，可以使用直方图：

javascript复制var histogram = ui.Chart.image.histogram({
  image: rh98Mean,
  region: beijing,
  scale: 25,
  minBucketWidth: 1
}).setOptions({
  title: '冠层高度分布',
  hAxis: {title: '高度(m)'},
  vAxis: {title: '像素数量'}
});
print(histogram);

5.3 数据导出

最后将结果导出到Google Drive：

javascript复制Export.image.toDrive({
  image: rh98Mean,
  description: 'Beijing_ForestHeight_2022',
  fileNamePrefix: 'rh98_beijing',
  region: beijing,
  scale: 25,
  maxPixels: 1e13,
  fileFormat: 'GeoTIFF'
});

如果需要导出为CSV格式的统计数据：

javascript复制Export.table.toDrive({
  collection: ee.FeatureCollection([ee.Feature(null, stats)]),
  description: 'ForestHeight_Stats',
  fileFormat: 'CSV'
});

6. 常见问题与优化建议

在实际项目中，我发现这些问题经常出现：

数据缺失问题：GEDI的轨道间距导致部分地区覆盖不全。解决方案是扩大时间范围或结合其他数据源（如ICESat-2）。

异常值处理：偶尔会出现rh98>100m的异常值。建议添加过滤：

javascript复制var outlierFilter = function(image) {
  return image.updateMask(image.select('rh98').lt(100));
};

季节性影响：落叶林区冬季数据不可靠。可以通过NDVI辅助筛选：

javascript复制var modisNDVI = ee.ImageCollection('MODIS/006/MOD13A1');
var ndviFilter = function(image) {
  var ndvi = modisNDVI.filterDate(image.date()).first().select('NDVI');
  return image.updateMask(ndvi.gt(0.6));  // 只保留植被旺盛时期数据
};

大区域处理技巧：当研究区很大时，建议分块处理：

javascript复制var grid = beijing.geometry().coveringGrid(ee.Projection(), 50000); // 50km网格
grid.map(function(feature){
  Export.image.toDrive({
    image: rh98Mean.clip(feature),
    description: 'ForestHeight_'+feature.id(),
    fileNamePrefix: 'rh98_'+feature.id(),
    region: feature.geometry(),
    scale: 25
  });
});

7. 进阶应用方向

掌握了基础分析方法后，可以尝试这些进阶应用：

时间序列分析：比较不同年份的冠层高度变化

javascript复制var yearlyHeight = ee.List.sequence(2019, 2022).map(function(year){
  var annualMean = gedi
    .filterDate(ee.Date.fromYMD(year,5,1), ee.Date.fromYMD(year,10,31))
    .filterBounds(beijing)
    .map(qualityFilter)
    .select('rh98')
    .mean();
  return annualMean.set('year', year);
});
var tsChart = ui.Chart.image.series({
  imageCollection: ee.ImageCollection(yearlyHeight),
  region: beijing,
  reducer: ee.Reducer.mean(),
  scale: 25
}).setOptions({title: '年际冠层高度变化'});
print(tsChart);

森林退化监测：结合火灾数据检测冠层高度突变

javascript复制var fireData = ee.ImageCollection('FIRMS');
var postFireHeight = gedi
  .filterDate('2022-07-01','2022-10-31')
  .map(qualityFilter)
  .select('rh98')
  .mean();
var fireMask = fireData.filterDate('2022-06-01','2022-07-01').max().gt(0);
var heightLoss = rh98Mean.subtract(postFireHeight).updateMask(fireMask);
Map.addLayer(heightLoss, {min:0, max:10, palette:'yellow,red'}, '冠层高度损失');

碳储量估算：结合地上生物量模型

javascript复制// 基于Chave等人(2014)的模型
var agb = rh98Mean.expression(
  '0.25 * (rh98 * 3.28084)^2 * wood_density', // rh98从米转为英尺
  {
    'rh98': rh98Mean,
    'wood_density': 0.6 // 假设平均木材密度为0.6 g/cm³
  }
);
Map.addLayer(agb, {min:0, max:200, palette:'brown,yellow,green'}, '地上生物量(Mg/ha)');