简介
在本篇博客中，我们将使用Google Earth Engine (GEE) 对地表温度 (LST) 进行长时间序列分析。通过结合Landsat 4-9的数据，我们将探索1982年至2024年间地表温度的变化趋势。
背景知识
Landsat数据集
Landsat数据集提供了多时相、多光谱的地表观测数据，是遥感领域中应用最广泛的数据集之一。
地表温度 (LST)
地表温度是描述地表热状况的重要参数，对于研究城市热岛效应、植被分布、地表能量平衡等具有重要意义。
完整代码
代码语言：javascript复制// 定义研究区域的坐标点
var cor = [
[51.02815260405151, 35.50852818710441],
[51.69282545561401, 35.50852818710441],
[51.69282545561401, 35.8988380759623],
[51.02815260405151, 35.8988380759623],
[51.02815260405151, 35.50852818710441]
];
// 创建多边形区域
var roi = ee.Geometry.Polygon(cor);
// 将地图中心设置为研究区域
Map.centerObject(roi);
// 定义Landsat数据集集合
var lan4 = ee.ImageCollection("LANDSAT/LT04/C02/T1_L2")
// ... 其他筛选条件 ...
var lan5 = ee.ImageCollection("LANDSAT/LT05/C02/T1_L2")
// ... 其他筛选条件 ...
// ... Landsat 7 SLC正常和偏移后的数据 ...
var lan8 = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
// ... 其他筛选条件 ...
var lan9 = ee.ImageCollection("LANDSAT/LC09/C02/T1_L2")
// ... 其他筛选条件 ...
// 合并所有Landsat数据集并排序
var collection = lan4.merge(lan5).merge(lan7_slcon).merge(lan7_slcoff)
.merge(lan8).merge(lan9).sort('system:time_start')
.filter(ee.Filter.lt('CLOUD_COVER', 45));
// 转换LST单位到开尔文和摄氏度
var lst_col = collection.map(function(img) {
var kel = img.multiply(0.00341802).add(149).rename('LST_Kel');
var cel = kel.subtract(273.15).rename('LST_Cel');
return kel.addBands(cel)
.copyProperties(img, img.propertyNames());
});
// 打印LST时间序列图表（开尔文和摄氏度）
print(
ui.Chart.image.series({
imageCollection: lst_col.select('LST_Kel'),
region: roi,
reducer: ee.Reducer.mean(),
scale: 100,
xProperty: 'system:time_start'
})
);
print(
ui.Chart.image.series({
imageCollection: lst_col.select('LST_Cel'),
region: roi,
reducer: ee.Reducer.mean(),
scale: 100,
xProperty: 'system:time_start'
})
);
// 导出2019-2020年的LST图像到Google Drive
Export.image.toDrive({
image: lst_col.select('LST_Cel').filterDate('2019', '2020').toBands().clip(roi),
description: 'lst_cel',
scale: 100,
region: roi,
maxPixels: 1e13,
crs: 'EPSG:4326',
folder: 'landsat'
});代码详解
1. 定义研究区域
创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。
2. 加载Landsat数据集
加载Landsat 4-9的数据集，并根据时间范围、地理范围和质量条件进行筛选。
3. 数据合并与排序
将所有Landsat数据集合并，去除云层覆盖较多的图像，并按时间排序。
4. LST单位转换
将LST数据从原始单位转换为开尔文和摄氏度，以便于分析和解释。
5. 可视化LST时间序列
使用ui.Chart.image.series打印LST随时间变化的图表。
6. 导出数据
将2019-2020年的LST图像导出到Google Drive。
结论
本教程展示了如何使用GEE对长时间序列的Landsat数据进行地表温度分析。通过此分析，可以监测地表温度的长期变化趋势，为气候变化研究提供支持。
进一步探索
GEE提供了多种工具和方法来进行时间序列分析和环境监测。在后续的教程中，我们将继续探索GEE在不同领域的应用。
