编程与开发 Google Earth Engine google earth engine怎么读

Google Earth Engine怎么读？城乡规划GIS数据处理实战（附：GEE入门代码集）

2026-02-13 编程与开发

wowwwai GIS研习社 · 工具流程与项目排障

Google Earth Engine怎么读？城乡规划GIS数据处理实战（附：GEE入门代码集）这篇文章面向刚接触云端遥感与GIS处理的城乡规划、国土空间规划和GIS学习者：先说清楚 Google Earth Engine 的读法和定位，再用几个能直接复用的 GEE 入门代码，完成行政区影像筛选、NDVI计算、建设用地识别、地表温度提取和结果导出。

Google Earth Engine 通常简称 GEE，英文可读作 “Google Earth Engine”，也常被国内用户直接读作 “G-E-E”。它不是传统桌面GIS软件，而是一个面向全球遥感数据和空间计算的云平台。对城乡规划GIS数据处理来说，GEE最大的价值是：不用先下载几十GB影像，就能在线筛选、计算、制图和导出结果。

Google Earth Engine城乡规划GIS数据处理与GEE入门代码流程图 — GEE适合把遥感影像筛选、指数计算、空间统计和结果导出放在同一个云端流程中完成。

引言：Google Earth Engine怎么读，以及它适合解决什么规划问题

很多同学第一次看到 Google Earth Engine，会先问两个问题：Google Earth Engine怎么读？它和 ArcGIS、QGIS 有什么区别？

读法上，完整名称可以按英文读作 “Google Earth Engine”；实际交流中，更多人直接说 “GEE”。如果你在课程、论文汇报或项目沟通中提到它，可以说：“本次遥感数据处理使用 Google Earth Engine，也就是 GEE 平台完成。”

从用途上看，GEE更适合做大范围、多时相、遥感驱动的GIS分析。例如：

快速获取某个城市近10年的Landsat或Sentinel影像。
计算NDVI、NDBI、MNDWI等规划常用遥感指数。
提取城市建设用地扩张趋势。
分析城市热岛、裸地、水体、绿地变化。
把处理结果导出为GeoTIFF，再进入ArcGIS Pro或QGIS制图。

如果你的任务是小范围精细编辑矢量地块，ArcGIS Pro和QGIS更合适；如果你的任务是跨年份、跨区域处理海量遥感影像，Google Earth Engine会更高效。

背景：城乡规划GIS数据处理中为什么会用到GEE

在城乡规划GIS数据处理中，遥感影像常被用来支持现状识别、用地变化监测、生态空间评价和城市热环境分析。传统流程通常是：

在数据网站检索影像。
下载原始数据。
进行辐射校正、大气校正或云掩膜。
裁剪研究区。
计算遥感指数。
分类、统计、制图。

这个流程的问题是：数据下载慢、预处理步骤多、不同年份影像管理复杂，而且初学者很容易在坐标系、波段名称、影像质量筛选上出错。

Google Earth Engine把大量遥感数据集和空间计算能力放在云端。你只需要在浏览器中写JavaScript代码，就可以调用影像集合、筛选时间和区域、计算指数、显示地图，并把结果导出到Google Drive或云资产中。

对规划类GIS应用来说，GEE常见的数据处理场景包括：

城市绿地分析：使用NDVI评估植被覆盖情况。
建设用地识别：使用NDBI、监督分类或机器学习分类识别建成区。
水体提取：使用MNDWI识别河流、湖泊、水库。
热岛分析：使用Landsat热红外波段估算地表温度。
时序变化：比较不同年份的城市扩张、绿地减少或水面变化。

原理：GEE入门要理解的三个核心概念

1. Image：单景影像

Image可以理解为一张栅格影像，例如某一天的Landsat影像、一个DEM高程数据，或者一个已经计算好的NDVI结果。它通常包含多个波段。

var image = ee.Image('USGS/SRTMGL1_003');
Map.addLayer(image, {min: 0, max: 3000}, 'SRTM DEM');

2. ImageCollection：影像集合

ImageCollection是多张影像的集合。例如，Landsat 8在某个城市多年拍摄的所有影像，就是一个影像集合。GEE的强大之处就在于可以对影像集合做筛选、排序、合成和批量计算。

var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterDate('2020-01-01', '2020-12-31')
  .filterBounds(geometry);

3. FeatureCollection：矢量要素集合

FeatureCollection类似GIS中的矢量图层，可以是行政区、规划范围、街道边界、样本点或地块。城乡规划GIS数据处理中，常用它来限定研究区、做分区统计或训练分类样本。

var region = ee.FeatureCollection('FAO/GAUL/2015/level2')
  .filter(ee.Filter.eq('ADM2_NAME', 'Beijing'));

初学GEE时要特别注意：GEE采用的是延迟计算。代码定义了处理流程，不代表本地立即算完。只有在地图显示、导出、打印统计结果时，平台才会真正执行计算。

步骤：城乡规划GIS数据处理实战代码

步骤1：定义研究区并加载底图

在GEE代码编辑器中，可以直接用左侧绘图工具画一个研究区，也可以加载行政区矢量数据。下面示例假设你已经在地图上画了一个名为 geometry 的研究区。

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

如果你需要导入自己的规划范围，可以先把Shapefile压缩为ZIP，再上传到GEE Assets。上传后用类似下面的方式加载：

var region = ee.FeatureCollection('users/your_name/planning_boundary');
Map.centerObject(region, 10);
Map.addLayer(region, {color: 'yellow'}, '规划范围');

步骤2：筛选Sentinel-2影像并做云量过滤

Sentinel-2适合做城市绿地、水体和建设用地分析，空间分辨率较高，常用10米和20米波段。下面代码筛选2023年夏季低云量影像，并合成为中值影像。

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

var s2Median = s2.median().clip(geometry);

Map.addLayer(
  s2Median,
  {bands: ['B4', 'B3', 'B2'], min: 0, max: 3000},
  'Sentinel-2真彩色'
);

这里使用 median() 是为了降低单景影像中云、阴影和异常值的影响。它适合做一般规划识别，但如果研究区云量很高，还需要更严格的云掩膜。

步骤3：计算NDVI用于城市绿地分析

NDVI是归一化植被指数，常用于识别植被覆盖。公式为：

NDVI = (NIR – Red) / (NIR + Red)

在Sentinel-2中，近红外波段是B8，红光波段是B4。

var ndvi = s2Median.normalizedDifference(['B8', 'B4']).rename('NDVI');

Map.addLayer(
  ndvi,
  {min: -0.2, max: 0.8, palette: ['brown', 'yellow', 'green']},
  'NDVI植被指数'
);

在城乡规划GIS数据处理中，可以把NDVI作为绿地现状识别、生态空间评价或城市开发强度分析的辅助指标。一般来说，NDVI越高，植被覆盖越好；但农田、草地、林地、公园绿地都可能表现为高NDVI，不能仅凭NDVI判断规划用地性质。

步骤4：计算NDBI用于建设用地识别

NDBI是归一化建筑指数，常用于辅助识别建成区。公式为：

NDBI = (SWIR – NIR) / (SWIR + NIR)

在Sentinel-2中，短波红外可使用B11，近红外使用B8。

var ndbi = s2Median.normalizedDifference(['B11', 'B8']).rename('NDBI');

Map.addLayer(
  ndbi,
  {min: -0.5, max: 0.5, palette: ['blue', 'white', 'red']},
  'NDBI建设用地指数'
);

NDBI高值区域通常与建筑、裸地、硬化地表有关。但需要注意，裸土、采矿区、施工区也可能出现较高NDBI。因此在规划分析中，建议把NDBI与NDVI、MNDWI、道路数据、现状用地数据结合使用。

步骤5：提取水体并排除与建设用地混淆的区域

MNDWI是改进归一化水体指数，常用于城市水体提取。Sentinel-2中可以使用绿光B3和短波红外B11。

var mndwi = s2Median.normalizedDifference(['B3', 'B11']).rename('MNDWI');

Map.addLayer(
  mndwi,
  {min: -0.5, max: 0.8, palette: ['white', 'blue']},
  'MNDWI水体指数'
);

var water = mndwi.gt(0.2).selfMask();

Map.addLayer(
  water,
  {palette: ['0000ff']},
  '水体提取结果'
);

阈值 0.2 不是固定标准。不同城市、季节、传感器和水体浑浊度都会影响结果。实际项目中应通过目视解译、样本点或已有水系数据验证阈值是否合理。

步骤6：简单构建建设用地候选区

下面用一个简化规则构建建设用地候选区：NDBI较高、NDVI较低，同时排除明显水体。

var builtCandidate = ndbi.gt(0.05)
  .and(ndvi.lt(0.3))
  .and(mndwi.lt(0.1))
  .selfMask();

Map.addLayer(
  builtCandidate,
  {palette: ['ff0000']},
  '建设用地候选区'
);

这段代码适合用于GEE入门和规划初筛，不建议直接作为正式用地调查成果。正式成果应结合监督分类、样本验证、混淆矩阵、现状调查数据和规划底图。

步骤7：统计研究区内绿地、水体和建设用地面积

面积统计是城乡规划GIS数据处理中的常见需求。GEE中可以使用 ee.Image.pixelArea() 计算像元面积，再按掩膜区域求和。

var pixelArea = ee.Image.pixelArea();

var builtAreaImage = pixelArea.updateMask(builtCandidate);
var builtArea = builtAreaImage.reduceRegion({
  reducer: ee.Reducer.sum(),
  geometry: geometry,
  scale: 10,
  maxPixels: 1e13
});

print('建设用地候选区面积平方米', builtArea);

如果要换算成平方公里，可以进一步除以1,000,000：

var builtAreaKm2 = ee.Number(builtArea.get('area')).divide(1000000);
print('建设用地候选区面积平方公里', builtAreaKm2);

有时输出字段名不是 area，而是影像波段名。遇到这种情况，可以先 print(builtArea) 查看返回字典的键名，再修改 get() 中的字段。

步骤8：导出GeoTIFF到Google Drive

当你需要在ArcGIS Pro、QGIS或制图软件中继续处理结果时，可以把GEE结果导出为GeoTIFF。

Export.image.toDrive({
  image: builtCandidate,
  description: 'built_candidate_2023',
  folder: 'GEE_Export',
  fileNamePrefix: 'built_candidate_2023',
  region: geometry,
  scale: 10,
  crs: 'EPSG:4326',
  maxPixels: 1e13
});

点击运行后，需要到右侧 Tasks 面板手动启动导出任务。导出完成后，可以在Google Drive中下载GeoTIFF，再导入QGIS或ArcGIS Pro进行符号化、矢量化、叠加分析和制图。

常见坑：GEE入门代码为什么跑不出结果

1. 忘记定义geometry

很多GEE入门代码默认存在 geometry，但你复制后直接运行会报错。解决方法是：用地图左上方绘图工具画一个多边形，或把变量名改为你自己的研究区变量。

2. 影像集合筛选后为空

如果时间范围太短、云量限制太严格、研究区太小，可能筛选不到影像。可以先打印影像数量：

print('影像数量', s2.size());

如果结果为0，可以放宽时间范围或把云量阈值从20调整到40。

3. 波段名称用错

不同数据集的波段名称不同。Sentinel-2常用B2、B3、B4、B8、B11；Landsat Collection 2 Level 2常用SR_B2、SR_B3、SR_B4、SR_B5、SR_B6等。复制代码前一定要确认数据集和波段名匹配。

4. 比例尺scale设置不合理

Sentinel-2常用10米或20米，Landsat常用30米。面积统计和导出时，如果 scale 设置过小，会导致计算量过大；如果设置过大，又会损失空间细节。

5. 把指数结果当成最终规划结论

NDVI、NDBI、MNDWI是遥感指数，不等于法定用地分类。它们适合辅助识别和快速分析，但正式规划成果仍需结合用地调查、地形图、地籍数据、规划审批数据和外业核查。

方法比较：GEE、QGIS、ArcGIS Pro在规划GIS中的分工

工具	适合任务	优势	限制
Google Earth Engine	多时相遥感、指数计算、云端批量处理、区域统计	不用大量下载原始影像，适合大范围快速分析	需要写代码，细节制图和人工编辑能力较弱
QGIS	结果检查、矢量叠加、符号化制图、插件分析	免费开源，适合教学和日常GIS处理	处理超大遥感影像时依赖本机性能
ArcGIS Pro	专业制图、空间分析、规划成果整合、地理数据库管理	制图和数据管理能力强，适合项目成果生产	软件授权成本较高，遥感批处理仍需合理组织流程
Python GIS	自动化处理、批量统计、模型复现、数据清洗	适合构建可重复分析流程	环境配置和库版本管理对初学者有门槛

比较实用的工作流是：在Google Earth Engine中完成遥感影像筛选、指数计算和初步分类；导出GeoTIFF后，在QGIS或ArcGIS Pro中完成叠加分析、成果制图和版面表达。

检查清单：发布规划分析结果前要核对什么

研究区是否正确：边界是否为最新行政区或项目范围，是否存在偏移。
影像时间是否合理：是否与规划现状年份、季节或调查时间匹配。
云量是否可接受：是否存在云、云影、雾霾影响识别结果。
波段是否匹配：Sentinel-2、Landsat不同数据集的波段名不能混用。
阈值是否验证：NDVI、NDBI、MNDWI阈值应通过样本或目视检查校准。
坐标系是否满足后续软件需求：导出结果进入QGIS或ArcGIS Pro后，要检查投影和单位。
面积统计单位是否明确：平方米、公顷、平方公里不要混用。
成果用途是否说明：遥感指数分析结果适合辅助判断，不应直接替代法定用地数据。

FAQ：Google Earth Engine城乡规划GIS数据处理常见问题

Q1：Google Earth Engine怎么读才比较自然？

完整读法是 “Google Earth Engine”，实际交流中常简称 “GEE”，可以直接读作 “G-E-E”。在中文课堂或项目沟通中，说“用GEE处理遥感影像”通常都能被理解。

Q2：GEE适合零基础GIS学生学习吗？

适合，但建议先掌握基本GIS概念，例如栅格、矢量、坐标系、波段、像元、投影和空间分辨率。GEE代码主要使用JavaScript语法，入门难度低于完整的软件开发，但需要理解遥感数据处理逻辑。

Q3：城乡规划中能不能只用GEE识别建设用地？

不建议只依赖GEE指数阈值识别建设用地。GEE可以快速生成建设用地候选区，但正式规划成果应结合现状用地数据、道路建筑数据、地籍资料、人工判读和外业核查。

Q4：为什么我导出的GeoTIFF在QGIS里看起来很模糊？

常见原因是导出 scale 设置过大，或者使用了分辨率较低的数据源。Sentinel-2常用10米，Landsat常用30米。如果你把Sentinel-2结果按100米导出，细节会明显减少。

Q5：GEE能不能直接导出Shapefile？

可以导出矢量 FeatureCollection，但栅格分类结果通常需要先矢量化，再导出为SHP或GeoJSON。对于大面积分类结果，不建议盲目矢量化，否则文件会很大、边界很碎，后续处理效率也会下降。

Q6：GEE代码中的maxPixels是什么意思？

maxPixels 是允许处理的最大像元数量。大范围、高分辨率导出时，如果像元数量超过默认限制，就可能报错。可以适当增大 maxPixels，但更重要的是合理设置研究区、分辨率和导出范围。

结论：GEE是规划GIS遥感分析的高效入口

Google Earth Engine的正确理解方式，不只是知道它怎么读，而是知道它适合放在城乡规划GIS数据处理流程的哪个位置。它特别适合做多时相遥感影像筛选、NDVI和NDBI等指数计算、城市建设用地初筛、水体识别、热岛分析和区域统计。

对初学者来说，建议从三个动作开始：先定义研究区，再筛选影像，最后计算一个指数并导出结果。等你熟悉GEE入门代码后，再逐步加入云掩膜、分类样本、精度验证和批量年份循环。

记住一个原则：GEE负责快速获取和计算遥感信息，QGIS或ArcGIS Pro负责检查、叠加、制图和成果组织。把两类工具结合起来，才是城乡规划GIS数据处理更稳妥的实践路径。