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

如果你正在被“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）”这个问题卡住，本篇文章会用一个可直接运行的 Google Earth Engine 示例，带你完成从研究区导入、遥感影像筛选、云掩膜、NDVI 计算、结果可视化到导出 GeoTIFF 的完整流程。

引言：GEE数据处理代码不会写时，先从一个完整流程开始

很多 GIS 初学者第一次接触 Google Earth Engine，最大的障碍不是不知道它能做什么，而是不知道代码应该从哪里开始写。

在 QGIS 或 ArcGIS Pro 里，我们习惯点击工具、选择参数、运行结果；但在 GEE 中，数据筛选、波段计算、空间裁剪、时间合成、结果导出，都需要用脚本表达出来。

所以学习 GEE 数据处理代码，建议不要一开始就背 API，而是先跑通一个完整的 GIS 数据云端分析案例。本文选择一个最常见、最实用的任务：使用 Sentinel-2 影像计算研究区 NDVI，并导出分析结果。

背景：为什么 GIS 数据云端分析适合用 GEE

Google Earth Engine，简称 GEE，是一个面向遥感与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，例如 Sentinel、Landsat、MODIS、ERA5、SRTM 等。

对 GIS 用户来说，GEE 的优势主要体现在三个方面：

• 不用手动下载海量影像：可以直接在云端调用公开数据集。
• 不用本地配置复杂环境：大部分计算在云端服务器完成。
• 适合大范围、长时间序列分析：例如多年 NDVI、土地覆盖变化、干旱监测、城市扩张分析。

但它也有一个明显门槛：GEE 主要通过 JavaScript 或 Python 写代码。对于刚从 ArcGIS Pro、QGIS 转过来的同学来说，GEE 数据处理代码看起来会比较陌生。

本文使用 GEE Code Editor 中的 JavaScript 写法，因为这是入门 GEE 最常用、最直接的方式。

原理：GEE数据处理代码到底在做什么

在 GEE 中，绝大多数 GIS 数据处理都围绕三个对象展开：

• Geometry：几何对象，例如点、线、面、研究区边界。
• Image：单景栅格影像，例如某一天的 Sentinel-2 影像。
• ImageCollection：影像集合，例如某个时间段内的所有 Sentinel-2 影像。

这和传统 GIS 的思路很相似。区别在于，GEE 中很多操作不是立即在本地执行，而是构建一条云端计算任务链。只有当你显示地图、打印统计值或导出结果时，GEE 才会真正计算。

本案例的核心原理如下：

1. 定义一个研究区。
2. 从 Sentinel-2 影像集合中筛选时间、范围和云量。
3. 使用云概率或质量波段进行云掩膜。
4. 对筛选后的影像做中值合成，减少云和异常值影响。
5. 使用近红外波段和红光波段计算 NDVI。
6. 将 NDVI 结果裁剪到研究区。
7. 在地图上查看并导出 GeoTIFF。

NDVI 的计算公式为：

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

对于 Sentinel-2 SR 数据，常用波段是：

• B8：近红外波段 NIR。
• B4：红光波段 Red。

步骤：手把手编写 GEE 数据处理完整脚本

步骤 1：打开 GEE Code Editor

访问 GEE Code Editor 后，新建一个脚本。建议先不要直接写复杂项目，而是从最小可运行代码开始。

如果你还没有创建 GEE 账号，需要先使用 Google 账号申请 Earth Engine 访问权限。账号可用后，就可以在浏览器中运行本文脚本。

步骤 2：定义研究区

为了让脚本可以直接运行，下面示例使用一个手动绘制的矩形范围。你可以把坐标改成自己的研究区，也可以换成上传的行政区边界。

// 1. 定义研究区：这里以一个矩形区域为例
var roi = ee.Geometry.Rectangle([116.20, 39.75, 116.55, 40.05]);

// 将地图定位到研究区
Map.centerObject(roi, 10);
Map.addLayer(roi, {color: 'red'}, '研究区');

如果你的研究区来自 Shapefile，可以先在 GEE 的 Assets 中上传，再用类似下面的方式调用：

// 如果你上传了矢量边界，可以使用类似写法
// var roi = ee.FeatureCollection('users/your_username/your_boundary');

步骤 3：筛选 Sentinel-2 影像

这里使用 Sentinel-2 Level-2A 地表反射率数据集。它已经经过大气校正，适合植被指数、水体指数、地表覆盖分析等常见 GIS 遥感任务。

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

// 3. 读取 Sentinel-2 SR 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));

print('筛选后的影像数量', s2.size());

这段 GEE 数据处理代码完成了三个筛选条件：

• filterBounds：只保留覆盖研究区的影像。
• filterDate：只保留指定时间范围内的影像。
• CLOUDY_PIXEL_PERCENTAGE：只保留整体云量小于 30% 的影像。

注意：整体云量小不代表研究区内一定无云。因此后面仍然需要做云掩膜。

步骤 4：编写 Sentinel-2 云掩膜函数

Sentinel-2 SR 数据包含 SCL 场景分类波段。SCL 可以标记云、云影、水体、植被、裸地等类别。这里使用 SCL 去除云、云影和卷云。

// 4. Sentinel-2 云掩膜函数
function maskS2Clouds(image) {
  var scl = image.select('SCL');

  // SCL 常见类别：
  // 3 = 云影
  // 8 = 中概率云
  // 9 = 高概率云
  // 10 = 薄卷云
  // 11 = 雪或冰

  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']);
}

这里的 divide(10000) 是为了把 Sentinel-2 的整数反射率缩放为 0 到 1 左右的小数值。计算 NDVI 时，不缩放通常也能得到相同指数结果，但缩放后更方便后续可视化和分析。

步骤 5：进行影像合成

实际遥感影像经常存在云、阴影和局部异常值。为了得到更稳定的结果，可以对时间范围内的多景影像做中值合成。

// 5. 对影像集合应用云掩膜，并进行中值合成
var composite = s2
  .map(maskS2Clouds)
  .median()
  .clip(roi);

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

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

中值合成并不是万能的。如果某个地区在整个时间段内都持续多云，中值合成仍然可能残留云或缺失像元。因此在南方雨季、山区、热带地区做分析时，建议适当扩大时间范围，或者使用更严格的云概率数据。

步骤 6：计算 NDVI

GEE 提供了 normalizedDifference 方法，可以快速计算归一化差值指数。对于 NDVI，只需要传入近红外波段 B8 和红光波段 B4。

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

// 8. 设置 NDVI 可视化参数
var ndviVis = {
  min: -0.2,
  max: 0.8,
  palette: ['blue', 'white', 'yellow', 'green']
};

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

NDVI 一般可以这样粗略理解：

• 接近 -1 到 0：水体、阴影、云或非植被区域。
• 0 到 0.2：裸地、建设用地或稀疏植被。
• 0.2 到 0.5：中等植被覆盖。
• 0.5 以上：较高植被覆盖。

步骤 7：统计研究区 NDVI 平均值

除了显示地图，我们还可以用 reduceRegion 计算研究区内的统计值。例如平均 NDVI、最小值、最大值等。

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

print('研究区平均 NDVI', meanNdvi);

这里的 scale: 10 表示按 10 米空间分辨率进行统计。因为 Sentinel-2 的 B8 和 B4 都是 10 米分辨率，所以这个参数是合理的。

步骤 8：导出 NDVI GeoTIFF

如果你需要把结果放到 QGIS、ArcGIS Pro 或 Python 中继续处理，可以将 NDVI 导出为 GeoTIFF。

// 10. 导出 NDVI 到 Google Drive
Export.image.toDrive({
  image: ndvi,
  description: 'S2_NDVI_ROI_2023_Summer',
  folder: 'GEE_Export',
  fileNamePrefix: 'S2_NDVI_ROI_2023_Summer',
  region: roi,
  scale: 10,
  crs: 'EPSG:4326',
  maxPixels: 1e13
});

运行脚本后，在右侧 Tasks 面板中点击 Run，确认导出参数后开始任务。导出完成后，GeoTIFF 会出现在你的 Google Drive 对应文件夹中。

完整 GEE 数据处理代码

下面是可以直接复制到 GEE Code Editor 中运行的完整脚本。

// GEE 数据处理完整脚本：Sentinel-2 NDVI 云端分析
// 功能：研究区定义、影像筛选、云掩膜、中值合成、NDVI计算、统计与导出

// 1. 定义研究区
var roi = ee.Geometry.Rectangle([116.20, 39.75, 116.55, 40.05]);

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

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

// 3. 读取 Sentinel-2 SR 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));

print('筛选后的影像数量', s2.size());

// 4. Sentinel-2 云掩膜函数
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']);
}

// 5. 云掩膜与中值合成
var composite = s2
  .map(maskS2Clouds)
  .median()
  .clip(roi);

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

Map.addLayer(composite, rgbVis, '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', 'yellow', '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 GeoTIFF
Export.image.toDrive({
  image: ndvi,
  description: 'S2_NDVI_ROI_2023_Summer',
  folder: 'GEE_Export',
  fileNamePrefix: 'S2_NDVI_ROI_2023_Summer',
  region: roi,
  scale: 10,
  crs: 'EPSG:4326',
  maxPixels: 1e13
});

常见坑：GEE 数据处理代码运行失败的原因

1. 研究区太大导致计算超限

GEE 虽然是云端平台，但并不意味着可以无限计算。如果研究区过大、时间范围过长、分辨率过高，就可能出现计算超时或像元数量超限。

解决办法：

• 先用小范围测试代码是否正确。
• 导出时设置合理的 scale。
• 必要时按行政区或网格分块处理。
• 使用 maxPixels 放宽像元数量限制，但不要把它当作万能参数。

2. 地图上没有显示结果

如果运行后地图为空白，常见原因有：

• 研究区坐标写错，经纬度顺序颠倒。
• 时间范围内没有可用影像。
• 云掩膜条件过严，导致像元全部被掩膜。
• 可视化参数的 min 和 max 设置不合理。

建议先打印影像数量：

print('影像数量', s2.size());

如果结果为 0，说明筛选条件没有匹配到影像，需要调整时间、区域或云量条件。

3. 导出 GeoTIFF 后在 QGIS 中位置不对

导出结果在 QGIS 或 ArcGIS Pro 中位置不对，通常与坐标系设置、研究区边界或数据显示方式有关。

建议检查：

• 导出参数中的 crs 是否符合项目需求。
• QGIS 工程坐标系是否正确。
• 是否误把经纬度坐标当作投影坐标输入。
• 研究区边界是否本身就存在坐标系错误。

4. NDVI 结果看起来异常

NDVI 异常通常不是公式错，而是数据和掩膜存在问题。常见情况包括云未去除、阴影未去除、水体范围较大、季节选择不合适。

建议同时显示真彩色影像和 NDVI 结果，对照检查高值区和低值区是否合理。

方法比较：GEE、QGIS、ArcGIS Pro 做遥感分析有什么区别

方法	适合场景	优势	限制
GEE	大范围、多时相、云端遥感分析	数据丰富，云端计算，不必批量下载影像	需要写代码，导出任务有配额和限制
QGIS	本地制图、栅格处理、结果检查	免费开源，插件丰富，适合交互式操作	大数据处理依赖本机性能
ArcGIS Pro	工程化 GIS 项目、空间分析、制图生产	工具链完整，适合单位项目流程	商业软件，遥感大批量处理仍需合理组织数据
Python GIS	自动化批处理、自定义模型	灵活，可结合 GeoPandas、Rasterio、GDAL	环境配置和代码能力要求较高

一个实用的工作流是：用 GEE 完成云端数据筛选和初步分析，导出 GeoTIFF 后，再在 QGIS 或 ArcGIS Pro 中进行制图、叠加分析和成果整理。

检查清单：写 GEE 数据处理代码前先确认这些问题

• 研究区是否正确：经纬度顺序是否为经度、纬度，边界是否覆盖目标区域。
• 数据集是否适合任务：NDVI 推荐使用 Sentinel-2 SR 或 Landsat Collection 2 SR。
• 时间范围是否合理：植被分析应避开非生长季或持续多云时段。
• 云掩膜是否有效：不要只依赖整体云量字段。
• 空间分辨率是否匹配：Sentinel-2 NDVI 常用 10 米，MODIS 常用更粗分辨率。
• 导出区域是否过大：大范围导出建议分块。
• 结果是否经过目视检查：真彩色影像、NDVI 图层和研究区边界应一起检查。
• 是否需要后续 GIS 制图：如果需要制图，导出 GeoTIFF 后可在 QGIS 或 ArcGIS Pro 中继续处理。

FAQ：GEE 数据处理代码常见问题

GEE 数据处理代码一定要会 JavaScript 吗？

不一定。GEE 同时支持 JavaScript 和 Python。但对初学者来说，GEE Code Editor 的 JavaScript 示例最多，调试也最方便。建议先用 JavaScript 跑通流程，再根据需要学习 Python API。

为什么我的 Sentinel-2 影像筛选结果为 0？

通常是研究区、时间范围或筛选条件过严导致的。可以先放宽云量限制，扩大时间范围，并确认研究区坐标是否正确。

GEE 云端分析结果可以直接用于论文或项目吗？

可以，但需要说明数据来源、时间范围、处理方法、云掩膜规则和空间分辨率。对于正式项目，还应进行精度验证或与地面样本、已有数据进行对比。

NDVI 导出到 QGIS 后为什么只有一个波段？

这是正常的。NDVI 本身就是由红光和近红外计算得到的单波段指数影像。你可以在 QGIS 中使用单波段伪彩色渲染来显示它。

GEE 适合处理 Shapefile 吗？

可以。你可以把 Shapefile 打包为 ZIP 上传到 GEE Assets，然后作为 FeatureCollection 调用。但要注意字段编码、几何合法性和坐标系问题。

为什么导出任务一直排队或失败？

可能是导出范围太大、分辨率太高、任务过多或服务器资源暂时紧张。建议减少导出区域、提高 scale、分块导出，或者稍后重新运行任务。

结论：先跑通完整脚本，再逐步改成自己的 GEE 项目

学习 GEE 数据处理代码，不建议一开始就追求复杂模型。更有效的方法是先掌握一个完整、可运行、可验证的 GIS 数据云端分析流程。

本文的 Sentinel-2 NDVI 示例覆盖了 GEE 入门中最核心的环节：研究区定义、影像集合筛选、云掩膜、指数计算、统计分析和 GeoTIFF 导出。你可以把这套脚本改造成水体提取、城市热岛、土地覆盖变化或生态监测项目的基础模板。

真正写好 GEE 数据处理代码的关键，不是记住每一个函数，而是理解每一步为什么要做、输入输出是什么、结果如何检查。只要这个思路建立起来，GEE 就会从“代码门槛”变成一个非常高效的 GIS 云端分析工具。