GEE数据处理代码不会写？手把手教你GIS数据云端分析（含：完整脚本）

wowwwai GIS研习社 · 工具流程与项目排障

如果你正在搜索“GEE数据处理代码不会写？手把手教你GIS数据云端分析（含：完整脚本）”，大概率不是不会点按钮，而是卡在 Google Earth Engine 的 JavaScript 语法、影像筛选、云掩膜、指数计算和结果导出这些关键环节。本文用一个可复现的案例，带你完成一次典型的 GEE数据处理：获取 Sentinel-2 影像、去云、计算 NDVI、按研究区统计并导出结果。

引言：为什么很多人觉得 GEE数据处理代码不会写

Google Earth Engine，简称 GEE，是一个面向遥感和 GIS 的云端地理空间分析平台。它最大的优势是不用把大量影像下载到本地，就可以直接调用云端影像库进行分析。

但对很多 GIS 初学者来说，真正的难点不是平台本身，而是代码工作流不熟：不知道影像集合怎么筛选，不知道云掩膜怎么写，不知道 NDVI 结果怎么导出，也不确定脚本运行后是否正确。

本文不讲抽象概念，而是围绕一个常见任务展开：使用 GEE 对指定区域进行 Sentinel-2 影像筛选、云掩膜、NDVI 计算、地图显示和结果导出。如果你会一点 GIS 基础，但还不会写 GEE 脚本，可以直接跟着操作。

背景：本文要解决的 GEE云端分析任务

本文案例的目标是完成一次完整的 GEE云端分析：

• 选择一个研究区。
• 调用 Sentinel-2 SR Harmonized 地表反射率数据。
• 按时间、范围、云量筛选影像。
• 进行云和卷云掩膜。
• 计算 NDVI 植被指数。
• 显示真彩色合成图和 NDVI 图层。
• 统计研究区平均 NDVI。
• 导出 NDVI 栅格到 Google Drive。

这个任务覆盖了 GEE数据处理 中最常用的几个环节。掌握这个模板后，你可以把 NDVI 替换成 NDWI、NDBI、EVI，也可以把 Sentinel-2 换成 Landsat 或 MODIS。

原理：GEE数据处理脚本到底在做什么

在写脚本之前，先理解三个核心对象。

1. Geometry：研究区范围

Geometry 表示空间范围，可以是点、线、面，也可以是你上传的矢量边界。本文为了方便复现，直接在代码中构造一个矩形研究区。实际项目中，你可以替换为自己的行政区、流域、样地或项目红线。

2. ImageCollection：影像集合

ImageCollection 是一组影像。例如 Sentinel-2 的某个数据集包含大量不同时间、不同轨道、不同覆盖范围的影像。GEE数据处理通常不是直接处理单景影像，而是先对影像集合进行筛选。

常用筛选条件包括：

• filterBounds：按研究区筛选。
• filterDate：按日期筛选。
• filter：按属性筛选，例如云量。
• map：对集合中每一景影像执行同一个函数，例如云掩膜或指数计算。

3. Image：单幅影像或合成影像

Image 表示一幅栅格影像。我们可以对它做波段运算、裁剪、显示、统计和导出。比如 NDVI 就是利用近红外波段和红光波段计算得到的新影像。

NDVI 的公式为：

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

对于 Sentinel-2，常用波段对应关系是：

• B8：近红外波段 NIR。
• B4：红光波段 RED。

步骤：完整 GEE数据处理脚本与操作流程

步骤一：打开 GEE Code Editor

进入 GEE Code Editor 后，新建一个脚本。左侧是资源和脚本管理区，中间是代码编辑区，右侧是控制台和任务导出区，底部或中间区域是地图显示窗口。

如果你是第一次使用 GEE，需要先申请并开通 Earth Engine 访问权限。开通后即可使用 Code Editor 编写 JavaScript 脚本。

步骤二：复制完整脚本

下面这段脚本可以直接复制到 GEE Code Editor 中运行。它完成了研究区设置、Sentinel-2 筛选、云掩膜、NDVI 计算、可视化、区域统计和导出。

// ===============================
// GEE数据处理示例：Sentinel-2 NDVI云端分析
// 作者：Dr.GIS
// 功能：影像筛选、云掩膜、NDVI计算、统计和导出
// ===============================

// 1. 设置研究区
// 这里使用一个矩形区域作为示例，可替换为自己的矢量边界
var roi = ee.Geometry.Rectangle([116.15, 39.75, 116.65, 40.10]);

Map.centerObject(roi, 10);
Map.addLayer(roi, {color: 'red'}, '研究区 ROI');

// 2. 设置时间范围
var startDate = '2023-06-01';
var endDate = '2023-09-30';

// 3. Sentinel-2 SR Harmonized 云掩膜函数
function maskS2clouds(image) {
  // QA60 波段包含云和卷云信息
  var qa = image.select('QA60');

  // bit 10 表示云，bit 11 表示卷云
  var cloudBitMask = 1 << 10;
  var cirrusBitMask = 1 << 11;

  // 两个标记都为0，表示非云区域
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
      .and(qa.bitwiseAnd(cirrusBitMask).eq(0));

  // Sentinel-2 SR 数据缩放系数通常为10000
  return image.updateMask(mask)
      .divide(10000)
      .copyProperties(image, ['system:time_start']);
}

// 4. 读取并筛选 Sentinel-2 影像集合
var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
  .filterBounds(roi)
  .filterDate(startDate, endDate)
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 30))
  .map(maskS2clouds);

print('筛选后的 Sentinel-2 影像数量', s2.size());

// 5. 生成中位数合成影像并裁剪到研究区
var composite = s2.median().clip(roi);

// 6. 显示真彩色影像
var trueColorVis = {
  bands: ['B4', 'B3', 'B2'],
  min: 0,
  max: 0.3
};

Map.addLayer(composite, trueColorVis, 'Sentinel-2 真彩色合成');

// 7. 计算 NDVI
var ndvi = composite.normalizedDifference(['B8', 'B4']).rename('NDVI');

// 8. 显示 NDVI
var ndviVis = {
  min: -0.2,
  max: 0.8,
  palette: ['blue', 'white', 'green']
};

Map.addLayer(ndvi, ndviVis, 'NDVI');

// 9. 统计研究区平均 NDVI
var meanNdvi = ndvi.reduceRegion({
  reducer: ee.Reducer.mean(),
  geometry: roi,
  scale: 10,
  maxPixels: 1e13
});

print('研究区平均 NDVI', meanNdvi);

// 10. 导出 NDVI 栅格到 Google Drive
Export.image.toDrive({
  image: ndvi,
  description: 'GEE_Sentinel2_NDVI_ROI',
  folder: 'GEE_Export',
  fileNamePrefix: 'sentinel2_ndvi_roi_2023',
  region: roi,
  scale: 10,
  crs: 'EPSG:4326',
  maxPixels: 1e13
});

步骤三：运行脚本并查看地图结果

点击 Code Editor 上方的 Run。运行后你应该能看到三个图层：

• 研究区 ROI：红色边界，用于确认分析范围是否正确。
• Sentinel-2 真彩色合成：用于检查影像是否有明显云、缺景或异常色彩。
• NDVI：植被指数结果，绿色通常表示植被较高，蓝色或白色表示低值或非植被区域。

右侧 Console 中会输出筛选后的影像数量和研究区平均 NDVI。如果影像数量为 0，说明时间、区域或云量条件过于严格，需要调整参数。

步骤四：导出 NDVI 结果

脚本运行后，右侧 Tasks 面板会出现一个导出任务。点击 Run，确认导出参数后提交任务。任务完成后，结果会保存到 Google Drive 的 GEE_Export 文件夹中。

导出的 GeoTIFF 可以继续在 QGIS、ArcGIS Pro 或 Python 中使用。例如，你可以在 QGIS 中加载它，叠加行政边界，进一步做分区统计或制图输出。

常见坑：GEE数据处理代码不会写时最容易错在哪里

1. 影像数量为 0

如果 Console 输出影像数量为 0，常见原因有三个：

• 研究区坐标写错，范围不在目标区域。
• 时间范围太短，刚好没有可用影像。
• 云量阈值太严格，例如设置为 5 以下。

排查时可以先放宽条件，例如把云量阈值改为 50，把时间范围扩展到半年或一年，再逐步收紧。

2. NDVI 显示一片空白

NDVI 空白通常与掩膜、波段名或可视化参数有关。Sentinel-2 中 NDVI 常用 B8 和 B4，如果误写成其他波段，结果可能不符合预期。

此外，如果云掩膜过强，研究区内有效像元太少，也会导致显示区域很少。可以先只显示真彩色合成影像，确认影像本身是否可用。

3. 忘记缩放系数

Sentinel-2 SR 数据的像元值通常需要除以 10000 转成反射率。如果不处理缩放系数，真彩色显示参数和后续指数分析都容易异常。

本文脚本在云掩膜函数中使用了 divide(10000)。如果你换用其他数据集，必须查看数据说明，确认是否需要缩放。

4. 导出时报 maxPixels 错误

大范围导出时，GEE 可能提示像元数量超限。可以通过以下方式处理：

• 增大 maxPixels。
• 提高 scale，例如从 10 改为 30。
• 缩小研究区。
• 分区导出。

5. 把客户端和服务器端对象混用

GEE 中很多对象是服务器端对象，例如 ee.Image、ee.ImageCollection、ee.Number。它们不能像普通 JavaScript 数字一样直接参与本地运算。

初学者只需要记住：大多数空间计算都交给 GEE 对象和函数处理，调试时使用 print 查看结果，不要频繁使用本地 JavaScript 的循环去处理影像像元。

方法比较：GEE、QGIS、ArcGIS Pro 和 Python GIS 该怎么选

如果你的核心任务是大范围、多年份、多景遥感影像处理，GEE数据处理通常更省时间。如果你的任务偏向精细制图、成果整饰和本地数据管理，可以把 GEE 导出的结果放到 QGIS 或 ArcGIS Pro 中继续处理。

检查清单：运行 GEE完整脚本前后要检查什么

运行前检查

• 研究区坐标是否正确，是否覆盖目标区域。
• 时间范围是否符合研究目的，例如生长季、汛期或年度统计。
• 数据集是否选对，例如 Sentinel-2 SR、Landsat Collection 2 或 MODIS。
• 波段名是否与数据集一致。
• 云量阈值是否合理。

运行中检查

• Console 是否有报错信息。
• 影像数量是否大于 0。
• 地图图层是否正常显示。
• 真彩色影像是否存在明显云覆盖或缺景。
• NDVI 颜色分布是否符合常识。

导出前检查

• 导出区域 region 是否为研究区。
• 分辨率 scale 是否符合数据源，例如 Sentinel-2 常用 10 米。
• 坐标系 crs 是否符合后续软件使用要求。
• 文件名是否包含区域、指标和时间信息。
• 大范围导出时是否可能触发 maxPixels 限制。

FAQ：GEE数据处理常见问题

1. GEE数据处理一定要会 JavaScript 吗？

不一定。GEE 也支持 Python API，但 Code Editor 中最常用的是 JavaScript。对于 GIS 初学者，建议先掌握 JavaScript 版的基础模板，因为大多数官方示例和教程都基于 Code Editor。

2. 这段 GEE完整脚本可以直接换成自己的研究区吗？

可以。最简单的方法是修改 ee.Geometry.Rectangle 中的坐标。如果你已经有 Shapefile 或 GeoJSON，可以上传到 GEE Assets，然后用自己的矢量边界替换 roi。

3. Sentinel-2 的 NDVI 为什么用 B8 和 B4？

NDVI 需要近红外和红光波段。Sentinel-2 中 B8 是近红外波段，B4 是红光波段，所以可以使用 normalizedDifference(['B8', 'B4']) 计算 NDVI。

4. GEE云端分析结果能不能用于论文或项目？

可以，但需要注意数据源、处理方法和精度说明。建议在论文或报告中写清楚数据集名称、时间范围、云掩膜方法、合成方法、空间分辨率和导出坐标系。

5. 为什么我导出的 NDVI 和地图上看到的不完全一样？

地图显示受到可视化参数影响，例如 min、max 和 palette；导出的 GeoTIFF 保存的是实际 NDVI 数值。两者一个是显示效果，一个是数据结果，不应简单等同。

6. 可以把 NDVI 改成 NDWI 或 NDBI 吗？

可以。你只需要替换指数公式和波段。例如 Sentinel-2 常见 NDWI 可以使用绿光和近红外波段，NDBI 常用短波红外和近红外波段。但不同指数有不同定义，使用前要确认公式和波段。

结论：先掌握一个 GEE数据处理模板，再扩展到更多 GIS 云端分析

学习 GEE 不建议一开始就追求复杂模型。更稳妥的方法是先掌握一个完整模板：研究区、影像集合、筛选、云掩膜、合成、指数计算、统计和导出。

本文提供的脚本已经覆盖了 GEE数据处理的核心流程。你可以先直接运行，再逐步修改研究区、时间范围、数据源和指数公式。只要理解每一步的作用，后续做土地覆盖变化、植被监测、水体提取、城市扩张分析都会更顺手。

对于 GIS 学生、入门工程师和空间数据分析人员来说，GEE云端分析的价值不只是“省去下载数据”，更重要的是把遥感数据处理流程标准化、脚本化和可复现。先把这套完整脚本跑通，就是进入 GEE 实战的第一步。