保姆级教程：在GEE里用Landsat 5数据一键计算亮度、绿度、湿度（附完整代码）

零基础玩转GEELandsat 5缨帽变换实战指南当你第一次听说缨帽变换这个专业术语时是不是感觉像在听天书别担心今天我们就用最接地气的方式带你从零开始在Google Earth EngineGEE平台上实现Landsat 5数据的缨帽变换分析。不需要复杂的数学基础不需要理解矩阵运算原理只需要跟着步骤操作你就能轻松获取亮度、绿度和湿度三个关键指标的可视化结果。1. 准备工作与环境搭建在开始之前确保你已经拥有一个可用的GEE账号。访问 Google Earth Engine官网 注册即可免费使用。登录后点击Code Editor进入编程界面这里就是我们今天的主战场。GEE平台提供了丰富的遥感数据集其中Landsat系列是最常用的地表观测数据之一。我们今天使用的Landsat 5数据已经过大气校正TOA包含以下波段波段名称波长范围(nm)主要用途B1450-520蓝光波段B2520-600绿光波段B3630-690红光波段B4760-900近红外波段B51550-1750短波红外1B72080-2350短波红外2提示在GEE中Landsat 5的波段编号与Landsat 8/9有所不同使用时需特别注意对应关系。2. 数据加载与预处理现在让我们开始加载数据。在代码编辑器中首先清除默认的示例代码然后输入以下内容// 定义研究区域以北京为例 var roi ee.Geometry.Point([116.404, 39.915]); // 加载Landsat 5 TOA数据 var image ee.Image(LANDSAT/LT05/C01/T1_TOA/LT05_044034_20081011) .select([B1, B2, B3, B4, B5, B7]); // 设置地图中心并显示原始影像 Map.centerObject(roi, 10); Map.addLayer(image, {bands: [B4, B3, B2], min: 0, max: 0.3}, 原始影像);这段代码做了三件事定义了研究区域坐标北京天安门加载了2008年10月11日的Landsat 5数据以假彩色方式显示影像近红外-红-绿波段组合运行后你应该能在右侧地图窗口看到北京市区的卫星影像。如果想让影像更清晰可以调整min和max参数的值。3. 缨帽变换核心实现缨帽变换的关键在于那个神秘的变换矩阵。对于Landsat 5数据科学家们已经通过大量实验确定了最佳系数我们直接拿来用即可// 定义Landsat 5缨帽变换系数矩阵 var coefficients ee.Array([ [0.3037, 0.2793, 0.4743, 0.5585, 0.5082, 0.1863], // 亮度系数 [-0.2848, -0.2435, -0.5436, 0.7243, 0.0840, -0.1800], // 绿度系数 [0.1509, 0.1973, 0.3279, 0.3406, -0.7112, -0.4572] // 湿度系数 ]);接下来是重头戏——矩阵运算。别被吓到GEE已经帮我们封装好了相关方法// 将影像转换为数组形式 var arrayImage1D image.toArray(); var arrayImage2D arrayImage1D.toArray(1); // 执行矩阵乘法运算 var componentsImage ee.Image(coefficients) .matrixMultiply(arrayImage2D) .arrayProject([0]) .arrayFlatten([[brightness, greenness, wetness]]);这段代码完成了缨帽变换的核心计算toArray()将影像转换为数学上的数组形式matrixMultiply()执行矩阵乘法运算arrayFlatten()将结果重新转换为影像格式4. 结果可视化与导出现在我们已经得到了亮度、绿度和湿度三个分量如何直观地查看它们呢// 设置可视化参数 var vizParams { bands: [brightness, greenness, wetness], min: -0.1, max: [0.5, 0.1, 0.1] }; // 显示缨帽变换结果 Map.addLayer(componentsImage, vizParams, 缨帽变换结果);为了让结果更清晰我们可以单独查看每个分量// 单独显示各分量 Map.addLayer(componentsImage.select(brightness), {min: -0.1, max: 0.5, palette: [black, white]}, 亮度分量); Map.addLayer(componentsImage.select(greenness), {min: -0.1, max: 0.1, palette: [brown, yellow, green]}, 绿度分量); Map.addLayer(componentsImage.select(wetness), {min: -0.1, max: 0.1, palette: [red, blue]}, 湿度分量);如果需要将结果导出到Google Drive可以使用以下代码// 导出结果到Google Drive Export.image.toDrive({ image: componentsImage, description: TCT_Result, folder: GEE_Exports, fileNamePrefix: L5_TCT, region: roi.buffer(10000).bounds(), scale: 30, maxPixels: 1e13 });5. 实际应用与参数调整缨帽变换的三个分量各有其独特的应用价值亮度分量反映地表反射率可用于识别裸土、城市建筑等绿度分量与植被覆盖度高度相关是植被监测的重要指标湿度分量反映地表水分状况可用于干旱监测、湿地识别等如果你想分析不同时期的土地变化只需修改影像ID即可。例如分析1990年的北京// 加载1990年影像 var image1990 ee.Image(LANDSAT/LT05/C01/T1_TOA/LT05_044034_19900915) .select([B1, B2, B3, B4, B5, B7]); // 应用相同的缨帽变换 var array1990 image1990.toArray().toArray(1); var components1990 ee.Image(coefficients) .matrixMultiply(array1990) .arrayProject([0]) .arrayFlatten([[brightness, greenness, wetness]]); // 比较2008年与1990年的绿度变化 var greennessChange componentsImage.select(greenness) .subtract(components1990.select(greenness)); Map.addLayer(greennessChange, {min: -0.05, max: 0.05, palette: [red, white, green]}, 绿度变化(2008-1990));6. 常见问题排查在实际操作中你可能会遇到以下问题影像加载失败检查影像ID是否正确确认该影像在研究区域内有数据覆盖计算结果异常确认波段选择顺序与系数矩阵匹配检查影像是否经过大气校正TOA或SR可视化效果不佳调整min和max参数值尝试不同的颜色方案palette导出任务未启动检查Google Drive存储空间确认导出区域不过大注意GEE对免费用户有一定的计算资源限制处理大范围或长时间序列数据时建议先在小范围测试。7. 完整代码清单为了方便使用这里提供完整的可运行代码// 定义研究区域 var roi ee.Geometry.Point([116.404, 39.915]); // 加载Landsat 5数据 var image ee.Image(LANDSAT/LT05/C01/T1_TOA/LT05_044034_20081011) .select([B1, B2, B3, B4, B5, B7]); // 显示原始影像 Map.centerObject(roi, 10); Map.addLayer(image, {bands: [B4, B3, B2], min: 0, max: 0.3}, 原始影像); // 定义缨帽变换系数 var coefficients ee.Array([ [0.3037, 0.2793, 0.4743, 0.5585, 0.5082, 0.1863], [-0.2848, -0.2435, -0.5436, 0.7243, 0.0840, -0.1800], [0.1509, 0.1973, 0.3279, 0.3406, -0.7112, -0.4572] ]); // 执行缨帽变换 var arrayImage1D image.toArray(); var arrayImage2D arrayImage1D.toArray(1); var componentsImage ee.Image(coefficients) .matrixMultiply(arrayImage2D) .arrayProject([0]) .arrayFlatten([[brightness, greenness, wetness]]); // 可视化设置 var vizParams { bands: [brightness, greenness, wetness], min: -0.1, max: [0.5, 0.1, 0.1] }; // 显示结果 Map.addLayer(componentsImage, vizParams, 缨帽变换结果); // 导出设置 Export.image.toDrive({ image: componentsImage, description: TCT_Result, folder: GEE_Exports, fileNamePrefix: L5_TCT, region: roi.buffer(10000).bounds(), scale: 30, maxPixels: 1e13 });在实际项目中我发现最容易出错的地方是波段选择顺序与系数矩阵的对应关系。有一次我误将SWIR1和SWIR2波段顺序颠倒导致湿度分量结果完全异常。因此建议在正式分析前先用小范围测试确认各分量结果是否符合预期。