Google Earth Engine?云端遥感怎么跑?

wowwwai GIS研习社 · 工具流程与项目排障

Google Earth Engine?云端遥感怎么跑? 这个问题通常出现在第一次接触遥感批处理的同学或 GIS 工程师身上：本地电脑跑不动 Landsat、Sentinel-2 或 MODIS 数据，下载影像又慢，于是想知道能不能直接在云端完成筛选、去云、指数计算、统计和导出。答案是可以，但前提是你要理解 Google Earth Engine 的数据组织、计算方式和常见限制。

引言：为什么要用 Google Earth Engine 跑云端遥感

传统遥感处理流程通常是先下载影像，再用 ENVI、ArcGIS Pro、QGIS、Python 或 GDAL 在本地处理。这个流程适合小范围、少量影像，但一旦遇到多年序列、大区域、多景影像合成，本地处理就会很容易卡在三个地方：数据下载、磁盘存储和计算时间。

Google Earth Engine，通常简称 GEE，是一个面向地理空间分析的云端平台。它内置了大量遥感影像和地理数据集，用户可以通过 JavaScript 或 Python API 在云端调用数据、编写处理逻辑，并将结果导出为 GeoTIFF、表格或在线地图图层。

对 GIS 读者来说，GEE 最适合解决这类问题：

• 不想下载大量 Sentinel-2、Landsat 或 MODIS 原始影像。
• 需要快速计算 NDVI、NDWI、NDBI 等遥感指数。
• 需要做多时相影像合成、年度变化分析或区域统计。
• 本地电脑配置一般，但希望处理较大范围的遥感数据。
• 需要把结果导出到 QGIS、ArcGIS Pro 或 WebGIS 项目中继续使用。

背景：Google Earth Engine 适合跑哪些遥感任务

在 GIS 项目中，GEE 的优势不是替代所有桌面 GIS 软件，而是把“海量遥感数据读取与批量计算”这部分搬到云端。你仍然可以把最终成果下载到本地，在 QGIS 或 ArcGIS Pro 中制图、检查投影、叠加矢量边界和出图。

常见的 GEE 云端遥感任务包括：

• 影像筛选：按时间、空间范围、云量、传感器筛选影像。
• 影像合成：对多景影像做中值合成、均值合成、最大 NDVI 合成。
• 遥感指数计算：计算 NDVI、NDWI、NDBI、EVI 等指数。
• 土地覆盖分析：基于分类产品或训练样本进行监督分类。
• 区域统计：按行政区、流域、网格或样区统计均值、面积、最大值和最小值。
• 变化检测：对比不同时期影像或指数，分析植被、水体、建设用地变化。
• 结果导出：导出 GeoTIFF、CSV、Shapefile 兼容表格或 Asset 数据。

如果你的任务只是打开一景影像、裁剪一个小范围、简单调色，本地 QGIS 或 ArcGIS Pro 已经足够。如果你要处理一个城市十年的 Sentinel-2 影像，GEE 的效率和数据获取便利性会明显更适合。

原理：GEE 云端遥感怎么跑

理解 Google Earth Engine 云端遥感，关键要抓住三个概念：数据集合、延迟计算和服务器端对象。

1. 数据集合：不是下载文件，而是调用数据集

在 GEE 中，影像通常以 Image 和 ImageCollection 的形式存在。单景影像是 Image，多景影像集合是 ImageCollection。例如 Sentinel-2 表面反射率数据就是一个影像集合，你可以按时间、区域和云量过滤它。

这和本地 GIS 最大的区别是：你通常不需要先把所有影像下载到电脑，而是在代码中引用数据集 ID，让 GEE 在云端完成读取和筛选。

2. 延迟计算：写代码不等于马上计算

GEE 采用延迟计算机制。你在脚本中写的过滤、裁剪、波段运算、合成等操作，很多时候只是构建了一个计算流程。只有当你把结果显示到地图、打印统计结果，或执行导出任务时，系统才会真正开始计算。

这也是很多新手困惑的地方：代码看起来已经运行了，但导出任务还需要在 Tasks 面板中手动启动；地图预览快，不代表全分辨率导出也一定快。

3. 服务器端对象：不要用本地 Python 思维直接套

GEE 中的 ee.Image、ee.FeatureCollection、ee.Number、ee.List 等对象主要在服务器端计算。你不能把它们完全当成本地 JavaScript 数组或 Python 列表使用。需要客户端取值时，通常要谨慎使用 evaluate 或 getInfo。

实用理解：GEE 不是“远程桌面版 GIS 软件”，而是“用代码描述遥感计算流程，让云端服务器执行”。

步骤：用 Google Earth Engine 计算 Sentinel-2 NDVI

下面用一个最常见的例子说明 GEE 遥感指数计算流程：在指定区域内筛选 Sentinel-2 影像，进行简单去云，计算 NDVI，并导出 GeoTIFF。这个流程适合初学者理解 Google Earth Engine 云端遥感怎么跑。

步骤 1：准备研究区

最简单的方法是在 GEE Code Editor 左侧的 Geometry 工具中手动画一个多边形，命名为 roi。如果你有行政区边界、项目区红线或样区矢量，也可以上传为 Asset 后调用。

研究区需要注意两点：

• 范围不要一开始就画得过大，建议先用小区域测试代码。
• 边界坐标应尽量准确，避免因为投影或坐标系错误导致影像裁剪位置不对。

步骤 2：筛选 Sentinel-2 影像

以下代码适用于 GEE JavaScript Code Editor。它按研究区、时间范围和云量筛选 Sentinel-2 表面反射率影像。

var roi = geometry;

Map.centerObject(roi, 10);

var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
  .filterBounds(roi)
  .filterDate('2023-06-01', '2023-09-30')
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20));

print('Sentinel-2 image count:', s2.size());

这里的 COPERNICUS/S2_SR_HARMONIZED 是 Sentinel-2 表面反射率数据集。表面反射率数据通常比顶层大气反射率更适合地表指数计算。

步骤 3：编写简单去云函数

Sentinel-2 数据包含质量波段和场景分类信息。为了让初学者先跑通流程，可以使用 SCL 场景分类波段做基础掩膜，去掉云、云影等像元。

function maskS2Clouds(image) {
  var scl = image.select('SCL');

  var mask = scl.neq(3)
    .and(scl.neq(8))
    .and(scl.neq(9))
    .and(scl.neq(10))
    .and(scl.neq(11));

  return image.updateMask(mask)
    .divide(10000)
    .copyProperties(image, ['system:time_start']);
}

var s2Masked = s2.map(maskS2Clouds);

这段代码中，SCL 是场景分类波段。不同数值代表云影、云、中高概率云、卷云、雪等类别。通过掩膜可以减少云对 NDVI 结果的影响。

步骤 4：计算 NDVI

NDVI 的公式是：

NDVI = (NIR - Red) / (NIR + Red)

在 Sentinel-2 中，近红外波段通常使用 B8，红光波段使用 B4。GEE 提供了 normalizedDifference 方法，可以直接计算归一化差值指数。

function addNDVI(image) {
  var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI');
  return image.addBands(ndvi);
}

var s2Ndvi = s2Masked.map(addNDVI);

var ndviComposite = s2Ndvi.select('NDVI')
  .median()
  .clip(roi);

这里使用 median 做中值合成，可以在一定程度上减少异常像元影响。对于植被长势分析，中值合成是一个常见且稳健的选择。

步骤 5：显示 NDVI 结果

把 NDVI 添加到地图窗口，检查研究区位置、云掩膜效果和指数范围是否合理。

var ndviVis = {
  min: 0,
  max: 0.8,
  palette: ['white', 'yellow', 'green']
};

Map.addLayer(ndviComposite, ndviVis, 'Sentinel-2 NDVI Composite');

如果植被区域显示为绿色，裸地或建设用地偏浅，水体通常 NDVI 较低或为负值，说明结果大体合理。若整幅图颜色异常，需要检查波段、缩放系数、云掩膜和时间范围。

步骤 6：统计研究区 NDVI 均值

除了显示地图，很多 GIS 项目还需要输出统计值。下面的代码可以计算研究区内 NDVI 均值。

var meanNdvi = ndviComposite.reduceRegion({
  reducer: ee.Reducer.mean(),
  geometry: roi,
  scale: 10,
  maxPixels: 1e13
});

print('Mean NDVI:', meanNdvi);

scale 表示统计分辨率，Sentinel-2 常用 10 米。范围较大时，统计会更耗时；如果只是快速预览，可以先用 30 米或 100 米测试。

步骤 7：导出 GeoTIFF 到 Google Drive

GEE 计算完成后，可以把结果导出为 GeoTIFF，再下载到本地，在 QGIS 或 ArcGIS Pro 中继续分析和制图。

Export.image.toDrive({
  image: ndviComposite,
  description: 's2_ndvi_2023_composite',
  folder: 'GEE_exports',
  fileNamePrefix: 's2_ndvi_2023_composite',
  region: roi,
  scale: 10,
  crs: 'EPSG:4326',
  maxPixels: 1e13
});

执行代码后，右侧 Tasks 面板会出现导出任务。你需要点击 Run，确认导出参数后任务才会真正开始。

常见坑：GEE 遥感处理最容易错在哪里

1. 只筛云量，不做像元级去云

CLOUDY_PIXEL_PERCENTAGE 是整景影像的云量属性，不代表研究区内一定无云。比如整景云量 10%，但云刚好覆盖你的研究区，NDVI 仍然会异常。因此，筛云量只是第一步，最好再结合 SCL、QA 波段或云概率数据做像元级去云。

2. 忘记反射率缩放系数

很多遥感数据的原始像元值不是 0 到 1 的真实反射率，而是经过缩放的整数值。Sentinel-2 表面反射率常见处理是除以 10000。如果不处理缩放系数，部分指数计算可能仍然形式上能跑，但后续阈值判断、统计解释会出问题。

3. 把地图预览当成最终精度

GEE 地图窗口为了快速显示，会根据缩放级别动态取样。预览很快，不代表导出全分辨率影像也会很快。正式导出前，应检查 scale、region、crs 和 maxPixels。

4. 研究区过大导致导出失败

如果一次导出一个省、多年逐月影像或超高分辨率结果，任务可能运行很久甚至失败。建议按年份、行政区、网格或瓦片分批导出。

5. 混用客户端和服务器端对象

初学者常把 ee.List 当作 JavaScript 数组，把 ee.Number 当作普通数字，这会导致类型错误。简单判断方法是：凡是以 ee. 开头创建的对象，大多需要用 GEE 的服务器端方法处理。

6. 忽略坐标系和分辨率

导出 GeoTIFF 后，如果要和本地矢量、DEM、土地利用数据叠加，应检查坐标系、像元大小和范围。尤其是在面积统计、分区统计和栅格叠加时，不同投影会影响结果解释。

方法比较：GEE、QGIS、ArcGIS Pro 和 Python 怎么选

方法	适合场景	优势	限制
Google Earth Engine	大范围、多时相、批量遥感分析	数据丰富，不必大量下载，云端计算方便	需要写代码，导出任务有配额和任务限制
QGIS	本地制图、裁剪、检查、插件处理	开源免费，适合结果检查和地图制作	处理海量遥感数据时依赖本地硬件
ArcGIS Pro	企业 GIS、制图、空间分析和影像管理	工具链完整，适合规范化项目流程	软件授权和本地资源成本较高
Python GIS	自动化脚本、批处理、模型集成	灵活，可结合 Rasterio、GeoPandas、GDAL、Xarray	需要配置环境和管理本地数据

一个实用组合是：用 GEE 做遥感数据筛选、合成和指数计算；用 QGIS 或 ArcGIS Pro 检查结果、叠加本地数据和出图；用 Python 做后续批处理或模型分析。这样既能利用云端数据和算力，也能保留桌面 GIS 的制图与数据管理优势。

检查清单：跑 GEE 云端遥感前先确认这些参数

• 研究区：边界是否正确，是否过大，是否存在坐标偏移。
• 数据集：是否选择了合适的传感器和处理级别，例如 Sentinel-2 表面反射率。
• 时间范围：是否符合研究目标，例如生长季、枯水期、年度合成。
• 云处理：是否同时考虑影像级云量和像元级云掩膜。
• 波段选择：NDVI 是否使用近红外和红光波段，NDWI 是否使用正确的绿光和近红外或短波红外组合。
• 缩放系数：反射率数据是否需要除以 10000 或应用数据说明中的比例因子。
• 合成方法：使用 median、mean、max 还是 qualityMosaic，是否符合业务含义。
• 统计尺度：scale 是否与数据分辨率和分析精度匹配。
• 导出参数：是否设置了 region、scale、crs、fileNamePrefix 和 maxPixels。
• 结果验证：是否在 QGIS 或 ArcGIS Pro 中检查坐标系、范围、像元值和可视化效果。

FAQ：Google Earth Engine 云端遥感常见问题

1. Google Earth Engine 需要安装软件吗？

如果使用 GEE Code Editor，通常只需要浏览器即可编写和运行 JavaScript 脚本。若使用 Python API，则需要在本地或云端 Python 环境中安装 earthengine-api，并完成账号认证。

2. GEE 可以直接替代 QGIS 或 ArcGIS Pro 吗？

不建议这样理解。GEE 更擅长云端遥感数据处理和大规模计算，QGIS 与 ArcGIS Pro 更擅长本地数据管理、精细制图、人工检查和复杂 GIS 项目组织。实际项目中经常是组合使用。

3. 为什么我的 GEE 导出任务很慢？

常见原因包括研究区太大、分辨率太高、时间序列太长、计算链过于复杂，或者同时提交任务过多。可以先缩小研究区测试，再按区域或时间分批导出。

4. GEE 计算 NDVI 一定要去云吗？

建议去云。云、云影、雪和薄云会明显影响 NDVI。即使已经按云量筛选影像，也应该尽量做像元级掩膜，否则局部区域的指数结果可能不可靠。

5. GEE 导出的 GeoTIFF 能在 QGIS 中打开吗？

可以。通过 Export.image.toDrive 导出的 GeoTIFF 通常可以在 QGIS、ArcGIS Pro、ENVI 和 Python Rasterio 中打开。打开后建议检查坐标系、像元大小、NoData 和数值范围。

6. Google Earth Engine 适合做土地利用分类吗？

适合入门和中等规模分类任务。GEE 支持随机森林等常见分类器，也支持样本训练、分类、精度评价和结果导出。但分类质量仍取决于样本质量、特征选择、时间范围和验证方法。

7. 为什么代码能显示地图，但导出时报错？

地图显示通常是低分辨率动态预览，而导出会按你指定的 region、scale 和 crs 生成完整栅格。如果导出范围太大、像元数过多或数据类型不合适，就可能报错。可以先降低分辨率或缩小范围测试。

结论：先跑通小流程，再扩展到真实项目

Google Earth Engine 云端遥感的核心思路是：在云端调用遥感数据集，用代码描述筛选、去云、指数计算、合成、统计和导出流程。它特别适合处理多时相、大范围和批量遥感任务。

初学者不要一开始就做全国多年序列分析。更稳妥的做法是先选一个小研究区，跑通 Sentinel-2 NDVI 计算流程，确认影像筛选、云掩膜、指数结果和导出参数都正确，再逐步扩展到更大范围和更复杂任务。

如果你已经熟悉 QGIS 或 ArcGIS Pro，可以把 GEE 理解为云端遥感预处理和批量计算平台。用 GEE 处理数据，用桌面 GIS 检查和制图，这通常是最适合 GIS 学习者和项目工程师的工作方式。