解锁Sentinel-2的13个波段：GEE植被分析实战指南

当你在Google Earth Engine（GEE）中处理遥感数据时，是否还在习惯性地使用Landsat？虽然Landsat系列数据历史悠久、应用广泛，但Sentinel-2带来的13个多光谱波段和高重访频率正在改变游戏规则。本文将带你深入探索如何充分利用Sentinel-2的独特优势，特别是针对植被分析这一核心应用场景。

1. 为什么选择Sentinel-2进行植被分析？

Sentinel-2作为欧洲航天局哥白尼计划的重要组成部分，专为土地监测设计。两颗Sentinel-2卫星（2A和2B）协同工作，提供5天的全球重访周期，远优于Landsat 8/9的16天。这意味着你能够捕捉到更密集的时间序列数据，对监测作物生长周期或植被物候变化至关重要。

Sentinel-2的13个波段覆盖了从可见光到短波红外的广泛光谱范围，特别是包含了三个对植被研究极为关键的红边波段（B5、B6、B7）。这些波段能够探测到植被生理状态的细微变化，是传统NDVI（仅使用红和近红外波段）无法提供的额外维度信息。

Sentinel-2与Landsat 8/9的关键对比：

2. Sentinel-2波段详解与植被分析应用

理解每个波段的特性是有效利用Sentinel-2数据的基础。以下是13个波段的主要应用场景：

• B2（蓝）、B3（绿）、B4（红）：10米分辨率，用于真彩色合成和基本植被指数计算
• B8（近红外）：10米分辨率，植被反射率强，是NDVI等指数的关键输入
• B5、B6、B7（红边）：20米分辨率，对叶绿素含量敏感，可用于高级植被指数
• B11、B12（短波红外）：20米分辨率，对植被水分含量敏感

红边波段的特殊价值：
红边（700-780nm）是植被反射率急剧变化的区域，对叶绿素含量、叶片结构和水分状况极为敏感。Sentinel-2的三个红边波段（B5、B6、B7）让我们能够计算更精细的植被指数：

javascript复制// 在GEE中计算红边位置指数（REIP）
var reip = image.expression(
  '700 + 40 * (((B4+B7)/2) - B5)/(B6 - B5)',
  {
    'B4': image.select('B4'), // 红
    'B5': image.select('B5'), // 红边1
    'B6': image.select('B6'), // 红边2
    'B7': image.select('B7')  // 红边3
  }
);

3. 实战：从数据准备到高级植被分析

3.1 数据获取与预处理

在GEE中获取Sentinel-2数据非常简单，但需要注意选择正确的数据集。对于地表反射率产品，推荐使用'COPERNICUS/S2_SR'：

javascript复制// 定义研究区域和时间范围
var roi = ee.Geometry.Point([116.4, 39.9]); // 示例坐标
var startDate = '2023-04-01';
var endDate = '2023-10-31';

// 获取Sentinel-2地表反射率数据
var s2Collection = ee.ImageCollection('COPERNICUS/S2_SR')
  .filterBounds(roi)
  .filterDate(startDate, endDate)
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20)); // 云量过滤

云掩膜处理：
Sentinel-2提供了多种云检测波段，最常用的是QA60和MSK_CLDPRB（云概率）：

javascript复制// 使用QA60进行云掩膜
function maskCloudsQA60(image) {
  var qa60 = image.select('QA60');
  var cloudBitMask = 1 << 10; // 不透明云
  var cirrusBitMask = 1 << 11; // 卷云
  var mask = qa60.bitwiseAnd(cloudBitMask).eq(0)
    .and(qa60.bitwiseAnd(cirrusBitMask).eq(0));
  return image.updateMask(mask);
}

// 应用云掩膜
var s2CollectionMasked = s2Collection.map(maskCloudsQA60);

3.2 植被指数计算与比较

除了传统的NDVI，Sentinel-2支持计算多种高级植被指数：

javascript复制// 计算各种植被指数
function addIndices(image) {
  // NDVI
  var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI');
  
  // EVI (增强型植被指数)
  var evi = image.expression(
    '2.5 * (NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1)',
    {
      'NIR': image.select('B8'),
      'RED': image.select('B4'),
      'BLUE': image.select('B2')
    }).rename('EVI');
  
  // NDRE (红边归一化差异指数)
  var ndre = image.normalizedDifference(['B8', 'B5']).rename('NDRE');
  
  // MCARI (改进型叶绿素吸收反射指数)
  var mcari = image.expression(
    '((B5 - B4) - 0.2 * (B5 - B3)) * (B5 / B4)',
    {
      'B5': image.select('B5'),
      'B4': image.select('B4'),
      'B3': image.select('B3')
    }).rename('MCARI');
  
  return image.addBands([ndvi, evi, ndre, mcari]);
}

var s2WithIndices = s2CollectionMasked.map(addIndices);

不同植被指数的适用场景：

• NDVI：通用植被健康监测，但对高生物量区域易饱和
• EVI：减少大气和土壤背景影响，适合高生物量区域
• NDRE：对叶绿素含量变化更敏感，适合作物生长中期监测
• MCARI：对叶绿素含量变化敏感，常用于精准农业

3.3 时间序列分析与可视化

Sentinel-2的高重访频率使其成为时间序列分析的理想选择。以下是如何创建并可视化NDVI时间序列：

javascript复制// 创建NDVI时间序列图表
var ndviChart = ui.Chart.image.series({
  imageCollection: s2WithIndices.select('NDVI'),
  region: roi,
  reducer: ee.Reducer.mean(),
  scale: 10,
  xProperty: 'system:time_start'
}).setOptions({
  title: 'Sentinel-2 NDVI 时间序列',
  vAxis: {title: 'NDVI'},
  hAxis: {title: '日期'},
  lineWidth: 2,
  pointSize: 4
});

print(ndviChart);

// 可视化NDVI空间分布
var ndviVis = {min: -0.2, max: 0.9, palette: [
  'FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', 
  '99B718', '74A901', '66A000', '529400', '3E8601', 
  '207401', '056201', '004C00', '023B01', '012E01', 
  '011D01', '011301'
]};

Map.addLayer(
  s2WithIndices.median().select('NDVI'), 
  ndviVis, 
  'NDVI中值'
);

4. 高级应用：作物分类与健康评估

4.1 基于多时相数据的作物分类

Sentinel-2的多时相数据可以捕捉不同作物的独特物候特征，实现高精度分类：

javascript复制// 创建多时相特征集
function createFeatureStack(imageCollection, bands, startDate, endDate) {
  var filterDate = function(m) {
    var start = ee.Date(startDate).advance(m, 'month');
    var end = ee.Date(endDate).advance(m, 'month');
    return imageCollection
      .filterDate(start, end)
      .median()
      .rename(bands.map(function(b) { return b + '_m' + m; }));
  };
  
  var monthlyImages = ee.List.sequence(0, 5).map(function(m) {
    return filterDate(m);
  });
  
  return ee.ImageCollection(monthlyImages).toBands();
}

var featureStack = createFeatureStack(
  s2WithIndices, 
  ['B2', 'B3', 'B4', 'B8', 'NDVI', 'NDRE'], 
  '2023-04-01', 
  '2023-09-30'
);

// 假设我们有训练样本（实际应用中需要准备自己的样本）
var training = ee.FeatureCollection([
  // 小麦样本
  ee.Feature(ee.Geometry.Point([116.41, 39.91]), {'class': 0}),
  ee.Feature(ee.Geometry.Point([116.42, 39.92]), {'class': 0}),
  // 玉米样本
  ee.Feature(ee.Geometry.Point([116.43, 39.93]), {'class': 1}),
  ee.Feature(ee.Geometry.Point([116.44, 39.94]), {'class': 1}),
  // 大豆样本
  ee.Feature(ee.Geometry.Point([116.45, 39.95]), {'class': 2}),
  ee.Feature(ee.Geometry.Point([116.46, 39.96]), {'class': 2})
]);

// 训练随机森林分类器
var classifier = ee.Classifier.smileRandomForest(10)
  .train({
    features: training,
    classProperty: 'class',
    inputProperties: featureStack.bandNames()
  });

// 应用分类
var classified = featureStack.classify(classifier);

4.2 植被健康异常检测

通过建立历史基准，可以检测当前植被状态与正常情况的偏差：

javascript复制// 计算历史同期(如过去5年)NDVI的均值和标准差
var historical = ee.ImageCollection('COPERNICUS/S2_SR')
  .filterBounds(roi)
  .filter(ee.Filter.calendarRange(4, 9, 'month'))
  .filterDate('2018-01-01', '2022-12-31')
  .map(maskCloudsQA60)
  .map(addIndices);

var historicalMean = historical.select('NDVI').mean();
var historicalStd = historical.select('NDVI').reduce(ee.Reducer.stdDev());

// 计算当前NDVI与历史均值的偏差（以标准差为单位）
var current = s2WithIndices.select('NDVI').median();
var anomaly = current.subtract(historicalMean).divide(historicalStd).rename('NDVI_anomaly');

// 可视化异常
var anomalyVis = {min: -3, max: 3, palette: ['red', 'white', 'green']};
Map.addLayer(anomaly, anomalyVis, 'NDVI异常');

5. 分辨率处理与波段组合技巧

Sentinel-2的不同波段具有不同分辨率（10m、20m、60m），在实际应用中需要注意：

分辨率统一方法：

javascript复制// 将20m波段降采样到10m
function resample20mTo10m(image) {
  var bands10m = ['B2', 'B3', 'B4', 'B8'];
  var bands20m = ['B5', 'B6', 'B7', 'B8A', 'B11', 'B12'];
  
  // 保持10m波段不变
  var image10m = image.select(bands10m);
  
  // 将20m波段降采样到10m
  var image20m = image.select(bands20m)
    .reduceResolution({
      reducer: ee.Reducer.mean(),
      maxPixels: 1024
    })
    .reproject({
      crs: 'EPSG:4326',
      scale: 10
    });
  
  return image10m.addBands(image20m);
}

var s2Resampled = s2CollectionMasked.map(resample20mTo10m);

最佳波段组合推荐：

1. 真彩色（RGB）：B4（红）、B3（绿）、B2（蓝）
2. 假彩色（植被突出）：B8（近红外）、B4（红）、B3（绿）
3. 农业分析：B11（SWIR1）、B8（近红外）、B2（蓝）
4. 水体和植被：B8（近红外）、B11（SWIR1）、B4（红）

javascript复制// 自定义波段组合可视化
var customVisualization = function(image) {
  return image.visualize({
    bands: ['B11', 'B8', 'B4'],
    min: 0,
    max: 3000,
    gamma: 1.4
  });
};

Map.addLayer(
  s2Resampled.median().clip(roi), 
  customVisualization, 
  '自定义波段组合'
);

在实际项目中，我发现Sentinel-2的红边波段在作物生长中期监测中特别有价值，能够比传统NDVI更早发现胁迫迹象。例如，在一次小麦病害监测中，NDRE指数比NDVI提前约7-10天检测到病害区域，为及时采取防治措施赢得了宝贵时间。