基于 GEE 使用 Landsat 7、8 时序影像数据实现红树林识别与空间分布制图-开发者社区

一、基础环境配置

（一）研究区与地图设置

（二）时间范围定义

二、核心函数定义

（一）云去除函数（针对不同 Landsat 传感器）

1. Landsat 4/5/7 云去除（rmL457Cloud）

2. Landsat 8/9 云去除（rmL8Cloud）

（二）遥感指数计算函数（AddIndices）

三、卫星影像数据加载与预处理

（一）波段映射与标准化

（二）Landsat 8/9 数据加载与预处理

（三）Landsat 7 数据加载与预处理

（四）影像集合合并与指数添加

四、结果计算与可视化

（一）NDVI 均值图计算与可视化

（二）频率图计算（绿度、冠层、淹没）

1. 绿度频率（Greenness_frequency）

2. 冠层频率（Canopy_frequency）

3. 淹没频率（Inundation_frequency）

4. 频率计算与可视化

五、关键技术要点总结

六、运行结果

若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！

详情请参考：基于 GEE 多源 Landsat 影像识别红树林分布区域-CSDN博客

本代码基于 Google Earth Engine（GEE）平台，针对 2018-2020 年指定研究区域，整合 Landsat 7 和 Landsat 8/9 卫星的 C02 级地表反射率数据，通过云去除、波段标准化、植被与水体指数计算，最终生成 NDVI 均值图及绿度、冠层、淹没频率图，用于生态环境（如植被覆盖、湿地 inundation 等）时空特征分析。

一、基础环境配置

（一）研究区与地图设置

var roi = AOI; // 定义研究区域（AOI为预先设定的矢量边界） Map.addLayer(roi, {'color': 'grey'}, 'StudyArea'); // 在地图上添加研究区图层，灰色显示 Map.centerObject(roi,11); // 地图中心定位到研究区，缩放级别11（1-20，数值越大越精细）

核心作用：确定分析范围，可视化研究区边界，便于后续数据筛选与结果查看。
关键说明：AOI需提前在 GEE 中导入或绘制（如 shp 矢量文件转换的 GEE 资产），缩放级别可根据研究区大小调整。

（二）时间范围定义

var year_start = 2018; // 起始年份 var year_end = 2020; // 结束年份

核心作用：限定卫星影像的时间筛选范围，后续数据加载仅获取该时段内的影像。

二、核心函数定义

（一）云去除函数（针对不同 Landsat 传感器）

Landsat 卫星影像受云、云影、积雪、卷云干扰，需通过质量控制波段（QA_PIXEL）进行掩码处理。

1. Landsat 4/5/7 云去除（`rmL457Cloud`）

function rmL457Cloud(image) { var qa = image.select('QA_PIXEL'); // 选择质量控制波段 // 基于比特位筛选干扰项（GEE中QA_PIXEL波段比特位定义固定） var cloudShadow = qa.bitwiseAnd(1 << 3); // 3号比特位：云影 var snow = qa.bitwiseAnd(1 << 4); // 4号比特位：积雪 var cloud = qa.bitwiseAnd(1 << 5); // 5号比特位：云 // 生成掩码：排除云影、积雪、云的像素（值为0的保留，1的剔除） var mask = cloudShadow.eq(0).and(snow.eq(0)).and(cloud.eq(0)); // 二次掩码：排除波段不完整的边缘像素 var mask2 = image.mask().reduce(ee.Reducer.min()); // 应用掩码并保留原始影像属性（时间、元数据等） return image.updateMask(mask).updateMask(mask2) .copyProperties(image) .copyProperties(image, ["system:time_start", 'system:time_end']); }

2. Landsat 8/9 云去除（`rmL8Cloud`）

function rmL8Cloud(image) { var qa = image.select('QA_PIXEL'); // 新增6号比特位：卷云（Landsat 8/9新增卷云检测，需额外排除） var cloudShadow = qa.bitwiseAnd(1 << 3); var snow = qa.bitwiseAnd(1 << 4); var cloud = qa.bitwiseAnd(1 << 5); var cirrus = qa.bitwiseAnd(1 << 6); // 掩码：排除云影、积雪、云、卷云 var mask = cloudShadow.eq(0).and(snow.eq(0)).and(cloud.eq(0)).and(cirrus.eq(0)); return image.updateMask(mask) .copyProperties(image, ["system:time_start", 'system:time_end']); }

核心差异：Landsat 8/9 新增卷云检测比特位，需额外排除卷云干扰；Landsat 7 无卷云波段，需补充边缘像素掩码。
关键原理：bitwiseAnd(1 << n)表示提取 QA_PIXEL 波段的第 n 位比特值，eq(0)表示保留该比特位为 0（无对应干扰）的像素。

（二）遥感指数计算函数（`AddIndices`）

通过卫星影像的光学波段，计算常用生态环境指数，用于表征植被覆盖、水体分布等。

function AddIndices(image) { // 1. NDVI（归一化植被指数）：(近红外-红)/ (近红外+红)，值域[-1,1]，高值代表高植被覆盖 var ndvi = image.normalizedDifference(["nir", "red"]).rename("NDVI"); // 2. MNDWI（改进型归一化水体指数）：(绿-短波红外1)/ (绿+短波红外1)，高值代表水体 var mNDWI = image.normalizedDifference(["green", "swir1"]).rename("MNDWI"); // 3. LSWI（陆地表面水分指数）：(近红外-短波红外1)/ (近红外+短波红外1)，高值代表高水分 var lswi = image.normalizedDifference(["nir", "swir1"]).rename("LSWI"); // 4. EVI（增强型植被指数）：减少大气和土壤背景干扰，更适合高植被覆盖区 var evi = image.expression( '2.5 * ((B5 - B4) / (B5 + 6 * B4 - 7.5 * B1 + 1))', { "B1": image.select("blue"), // 蓝波段 "B4": image.select("red"), // 红波段 "B5": image.select("nir") // 近红外波段 } ).rename("EVI"); // 5. 衍生指数：水分指数与植被指数的差值，表征植被水分胁迫或湿地特征 var lswi2ndvi = lswi.subtract(ndvi).rename("LSWI2NDVI"); var lswi2evi = lswi.subtract(evi).rename("LSWI2EVI"); // 将计算的指数作为新波段添加到原始影像 return image.addBands(ndvi) .addBands(evi) .addBands(lswi) .addBands(lswi2ndvi) .addBands(lswi2evi); }

NDVI/EVI：植被覆盖度指标，EVI 抗干扰能力更强；
MNDWI/LSWI：水体 / 水分含量指标；
LSWI2NDVI/LSWI2EVI：衍生指标，可用于区分湿地（高水分 + 高植被）与普通植被。