用Google Earth Engine做埃博拉暴露风险空间预测

1. 项目概述：当公共卫生遇上地理智能——一场不用采样、不靠问卷的风险预判实战

刚果（金）东部的热带雨林边缘，一条土路蜿蜒穿过村落与农田，远处是尚未被卫星图清晰标注的溪流支汊。2023年中，某国际公共卫生团队在基伍湖畔收到预警：埃博拉病毒潜在暴露风险正在悄然上升。但他们没有立刻派疾控人员进村排查，也没有启动大规模血清学筛查，而是打开一台笔记本电脑，加载一组经过特殊训练的Google Earth Engine（GEE）脚本，输入近三个月的多源遥感数据——结果在17分钟内，系统标出了7个高概率风险聚类区，其中3个随后被实地验证为蝙蝠栖息地与人类活动交叠带，2个确认存在未登记的丛林肉交易点。这不是科幻电影桥段，而是WHO非洲区域办事处真实部署的一套“空间流行病学响应机制”。核心关键词就藏在标题里：WHO非洲区域办事处、Google Earth AI、刚果（金）、埃博拉、暴露风险地区定位。它解决的不是“疫情爆发后怎么防控”，而是“疫情可能在哪冒头”的前置判断问题。适合三类人深度参考：一线疾控人员想了解如何把卫星图变成风险地图；地理信息从业者想看清AI模型在真实公共卫生场景中的落地逻辑；以及政策研究者需要理解“非接触式风险评估”如何重构传统流行病学响应节奏。它不依赖实验室检测，不消耗现场人力，却能将风险识别窗口提前2–4周——这背后不是魔法，而是一套可拆解、可复现、可移植的空间建模工作流。

2. 内容整体设计与思路拆解：为什么选GEE而不是传统GIS平台？

2.1 核心逻辑链：从“人找病”到“图找人”的范式迁移

传统埃博拉风险评估高度依赖“回溯式建模”：先有病例报告，再反向调查患者活动轨迹、接触史、环境暴露点，最后叠加人口密度、道路网络等静态图层做热点分析。这种模式在刚果（金）东部面临三重硬伤：一是病例发现严重滞后——偏远村落首例患者常在出现症状5–7天后才抵达卫生站；二是接触者追踪覆盖率低——平均仅能完成62%的已知接触者随访；三是环境数据极度匮乏——83%的村级行政区无可用的土地利用分类图，更无连续植被健康指数（NDVI）或地表温度（LST）监测。而本项目采用的是“前摄式空间推演”：不等病例出现，直接建模“适宜病毒宿主生存+人类高频进入+传播路径畅通”的三维空间耦合条件。其底层逻辑是生态流行病学经典理论——病毒溢出（spillover）并非随机事件，而是特定环境梯度下的必然概率分布。例如，果蝠偏好栖息在海拔800–1200米、坡度<15°、距水源<500米、周边森林破碎化指数（FragIndex）介于0.3–0.6之间的区域；而当地村民采集棕榈酒、猎捕丛林肉、开辟新耕地等活动，则集中在距主干道<3km、坡度<25°、夜间灯光指数（VIIRS）年均值>0.8的缓冲带内。当这两类空间需求发生重叠，且重叠区满足“近3个月降雨量突增20%+NDVI上升速率超阈值”时，暴露风险即被触发。这个逻辑链决定了整个技术方案必须具备三个刚性能力：多源异构遥感数据的小时级融合能力、百万平方公里级空间运算的实时响应能力、以及无需本地GPU即可完成端到端模型推理的轻量化部署能力。而这恰恰是Google Earth Engine的核心优势所在。

2.2 GEE平台选型的不可替代性：不是“能用”，而是“非它不可”

很多人看到“Google Earth AI”第一反应是调用Earth Engine的预训练模型，但实际部署中，WHO团队根本没碰过任何现成的AI模型API。他们用的是GEE的地理空间计算引擎+自定义机器学习流水线组合。为什么不用ArcGIS Pro或QGIS？我们来算一笔实操账：刚果（金）国土面积234万平方公里，若用10米分辨率Sentinel-2影像做全境月度分析，单月数据量约1.2TB。在本地工作站处理：需配备双路Xeon Platinum CPU+4×A100 GPU+256GB内存，单次完整处理耗时约68小时，且无法支持多人并发。而GEE的分布式架构天然适配此类任务——所有影像已预处理并分块存储在全球12个数据中心，用户只需编写JavaScript或Python脚本，系统自动调度计算资源。更重要的是，GEE的时间序列分析原生支持（如ee.ImageCollection.filterDate().sort('system:time_start')）让“近90天NDVI变化斜率”这类动态指标计算变得极简，而传统GIS需手动下载、配准、裁剪、堆栈、再做像元时序拟合，光数据准备就占去70%工时。另一个常被忽略的关键点是元数据可信度闭环：GEE所有影像均自带严格的时间戳、云掩膜质量标记、辐射定标参数，而自行下载的Landsat数据常因大气校正版本不一致导致NDVI值漂移±0.15。WHO团队实测发现，使用GEE原生数据源使同一地块的植被健康指数月际波动标准差降低至0.03，而本地处理数据为0.09——这对识别“微弱但关键的生态扰动信号”至关重要。所以这不是技术炫技，而是业务刚性需求倒逼出的平台选择：当你的响应窗口只有2周，而数据处理不能占用超过3天时，GEE不是选项之一，而是唯一解。

2.3 风险建模的三层架构：为什么不用端到端深度学习？

标题中“Google Earth AI”的表述容易引发误解，以为用了Transformer或U-Net这类视觉大模型。实际上，整个风险定位系统采用的是物理驱动+数据驱动的混合建模架构，分为三层：

• 底层物理规则层：硬编码埃博拉病毒生态学约束。例如，设置蝙蝠栖息地筛选器：elevation > 800 && elevation < 1200 && slope < 15 && distanceToWater < 500 && forestFragIndex > 0.3 && forestFragIndex < 0.6。这部分完全基于已发表的《Nature Ecology & Evolution》论文结论，不依赖训练数据，确保模型基础逻辑的生物学可信度。

• 中层动态感知层：接入近实时遥感指标。包括Sentinel-2的NDVI（每5天更新）、MODIS的LST（每日）、GPM的降水数据（3小时）、VIIRS的夜间灯光（每月）。关键创新在于设计了多尺度扰动检测算法：对NDVI序列做滑动窗口（30天）线性回归，仅当斜率绝对值>0.002且R²>0.85时标记为“显著上升”；对降水数据则用累积异常值（CDD）算法识别“连续5天降雨量超历史均值200%”的极端事件。这些规则全部在GEE中用ee.Reducer.linearFit()和ee.Image.reduceNeighborhood()实现，避免了将海量时序数据导出训练的工程噩梦。

• 顶层集成决策层：这才是真正调用“AI”的部分——一个轻量级XGBoost分类器。但它的输入特征并非原始像素，而是上述两层输出的12维空间指标向量，例如：“蝙蝠栖息地匹配度”、“人类活动强度指数”、“近30天NDVI变化斜率”、“距最近病例报告点距离”等。模型在GEE中用ee.Classifier.smileClassifier()封装，训练数据来自2018–2022年刚果（金）已验证的47个溢出事件点及同等数量的随机负样本。重点在于：模型不预测“是否爆发”，而是预测“单位面积内发生溢出事件的概率密度”。最终输出是0–1之间的连续值栅格，经重分类后生成红（高风险）、橙（中风险）、黄（低风险）三级预警图。这种设计规避了纯深度学习模型的黑箱缺陷——当某区域被标为高风险时，工作人员可立即追溯到是“蝙蝠栖息地匹配度达0.92+NDVI斜率异常”共同导致，而非一句模糊的“AI判定高风险”。

3. 核心细节解析与实操要点：刚果（金）场景下的数据陷阱与绕行策略

3.1 刚果（金）专属数据挑战：云、雾、树冠与“消失的村庄”

在欧洲或北美用GEE做土地利用分类，最大的难点可能是影像分辨率；但在刚果（金），首要敌人是常年不散的云雾系统。东部省份年均云覆盖率达65%，雨季（3–5月、9–11月）甚至达92%。这意味着Sentinel-2影像中，单景有效无云像元占比常低于8%。若按常规流程filterMetadata('CLOUDY_PIXEL_PERCENTAGE', '<', 20)，可能整个月都筛不出可用影像。WHO团队开发了一套“云雾韧性增强协议”：

• 第一步：改用哨兵1号（Sentinel-1）雷达数据补盲。雷达波可穿透云层，其VV/VH极化比值对森林结构变化极为敏感。团队发现，当果蝠大规模迁入某片森林时，会啃食特定树种嫩叶，导致林冠微结构改变，进而使VH极化后向散射强度下降3.2–5.7dB。这个信号比NDVI变化早7–10天出现。因此，在云覆盖>80%的月份，系统自动切换至Sentinel-1数据流，用ee.Image.select(['VV', 'VH']).addBands(ee.Image.expression('VV/VH', {'VV': vv, 'VH': vh}))构建新的扰动指数。

• 第二步：实施“时间加权最大值合成”（TW-MVC）。不同于传统最大值合成（MVC）取每个像元在时间窗口内的最大NDVI值，TW-MVC给靠近当前日期的影像更高权重。公式为：Weighted_NDVI = Σ(NDVI_i × e^(-λ×|t_i - t_now|)) / Σ(e^(-λ×|t_i - t_now|))，其中λ=0.05。这确保了最新生态状态在合成图中占主导，避免了用30天前的晴空影像代表当前真实状况。

• 第三步：破解“村庄隐身”难题。刚果（金）大量村落未被OpenStreetMap收录，官方行政区划图中村级边界缺失率达41%。若仅依赖道路网或灯光数据，会漏掉深山中的高风险点。团队采用“人类活动痕迹反演法”：分析Sentinel-2的短波红外（SWIR）波段，识别土壤扰动特征——新开垦农田的裸土在SWIR1波段（1.57–1.65μm）反射率比成熟林地高2.3倍；而棕榈酒采集点周围常有持续数月的局部土壤板结，在SWIR2波段（2.11–2.29μm）呈现独特吸收谷。通过ee.Image.expression('SWIR1 / SWIR2', {...})构建“人为扰动指数”，成功定位了127个未登记村落，其中39个后续被证实为埃博拉接触者聚集区。

提示：在GEE中实现TW-MVC需注意时间戳精度。Sentinel-2影像的system:time_start是毫秒级，但ee.Date()默认只解析到日。必须用ee.Date(image.get('system:time_start')).millis()获取精确时间戳，否则权重计算会失效。

3.2 模型特征工程：那些教科书不会写的“脏数据”处理技巧

XGBoost模型的12维输入特征中，有3个维度直接决定预警准确率，它们的构造过程充满实操智慧：

• “距最近病例报告点距离”特征的时空衰减设计：简单用欧氏距离会失真——在刚果（金）东部，直线距离5km的两个点，若被陡峭山脊隔开，实际通行需绕行28km。团队引入地形阻力距离（TRD）算法：先用SRTM数字高程模型计算坡度，再设定不同地表类型的移动成本（森林=1.8，农田=1.2，道路=0.5），最后用ee.Image.cumulativeCost()计算最小成本路径距离。更关键的是加入时间衰减因子：距离权重按e^(-0.03×days_since_report)动态调整。例如，30天前的病例点，其影响权重仅为当前的41%。这符合病毒生态学事实：宿主动物种群会随时间重新分布，旧风险点影响力自然衰减。

• “人类活动强度指数”的多源证据融合：不单依赖VIIRS夜间灯光（易受云层和火光干扰），而是构建三重证据链：

  1. 交通脉冲信号：分析Sentinel-1 SAR影像中道路的微小形变——车辆频繁通行会使路基产生毫米级沉降，在干涉图中表现为相位异常。用ee.Image.speckleFilter().select('angle')提取角度变化率。
  2. 市场活跃度：利用Google Maps API（合规调用）获取半径5km内注册市场的数量与营业时长，但需过滤掉“仅显示地址未验证营业”的虚假条目。
  3. 通信基站信令：与当地运营商合作（脱敏后），统计每日20:00–22:00时段基站连接设备数的标准差——高波动性意味着集市、宗教集会等临时人群聚集。三者加权融合（权重经网格搜索优化为0.4:0.3:0.3）形成最终指数。

• “森林破碎化指数”的刚果（金）特化修正：通用FragIndex公式在热带雨林失效——它假设所有森林斑块生态功能相同，但刚果（金）的次生林与原始林对蝙蝠的吸引力差异达5.7倍。团队用Sentinel-2的红边波段（RE1, RE2）构建“森林成熟度指数”：Maturity_Index = (RE2 - RE1) / (RE2 + RE1)，原始林RE2/RE1比值稳定在1.82±0.07，而次生林为1.33±0.12。最终FragIndex =0.6×通用指数 + 0.4×成熟度加权斑块密度。

3.3 预警图生成与验证闭环：如何让一张图真正驱动行动？

生成风险图只是起点，关键是如何让这张图被一线人员信任并执行。WHO团队建立了“三级验证反馈机制”：

• 一级自动化验证：每张预警图生成后，系统自动执行三项检查：

  1. 空间一致性检验：高风险区不能孤立存在，必须与中风险区连通（用ee.Image.connectedComponents()验证连通域数量<5）；
  2. 时间合理性检验：若某区域连续3期被标为高风险但无任何地面报告，系统自动降级并标记“需人工核查”；
  3. 数据完整性检验：检查构成该区域的所有输入数据源是否全部更新（如NDVI、降水、灯光缺一不可）。

• 二级实地快速核查：为避免“纸上谈兵”，团队培训了23名当地社区卫生员，配备加固版Android平板（预装离线GEE Viewer App）。App可加载最新预警图，并内置核查清单：① 是否观察到蝙蝠群飞（日落前1小时）；② 是否发现新鲜棕榈树切割痕；③ 是否有村民报告不明原因出血热症状。核查结果拍照上传后，自动触发模型再训练——这是真正的在线学习闭环。

• 三级效果归因分析：每季度对预警效能做归因。例如，2023年Q3共发布14次预警，其中9次在预警后21天内确认至少1例疑似病例（阳性预测值64.3%）；另5次虽无病例，但4次发现新增丛林肉交易点，1次确认蝙蝠栖息地扩张。这证明系统不仅预测疾病，更在监测生态风险本身。

注意：GEE的Export.image.toDrive()导出限制为10,000×10,000像元。刚果（金）全境导出需分块。团队编写了自动分块脚本，按UTM 100km×100km网格切分，并添加重叠带（5km）避免边缘效应。导出文件名含时间戳与风险等级，如DRC_RiskMap_20230815_HighRes_Red.tif。

4. 实操过程与核心环节实现：从零搭建可运行的风险定位流水线

4.1 环境准备与数据接入：5分钟完成GEE账户配置

在开始编码前，必须完成三项关键配置，否则后续所有步骤都会失败：

1. 启用GEE高级权限：普通GEE账号默认禁用ee.Image.reduceRegion()的大范围统计。需访问https://code.earthengine.google.com/，点击右上角头像→“Account Settings”→勾选“Enable high-volume computation”。此操作需管理员审批，通常24小时内生效。

2. 创建专用资产文件夹：在Code Editor左侧“Assets”面板中，点击“New Folder”，命名为DRC_Ebola_Risk。所有训练数据、模型参数、中间产物必须存于此处。原因：GEE的资产有配额限制（免费版10GB），混存其他项目数据会导致空间不足；且共享协作时，只需授权此文件夹权限即可。

3. 预加载刚果（金）行政区划边界：从GADM数据库下载gadm41_COD_shp.zip，解压后用QGIS转为GeoJSON，再通过GEE Code Editor的“Assets → Import → Table”导入。关键操作：在导入对话框中，勾选“Geometry Type: Polygon”，并设置坐标系为WGS84（EPSG:4326）。导入后重命名为COD_Provinces。这是后续所有空间分析的地理基准。

完成上述配置后，即可运行首段验证代码：

// 验证GEE环境连通性 var cod = ee.FeatureCollection('users/yourname/DRC_Ebola_Risk/COD_Provinces'); print('刚果（金）省级行政区数量：', cod.size()); // 应输出：26（含金沙萨直辖市） // 验证Sentinel-2数据可访问性 var s2 = ee.ImageCollection('COPERNICUS/S2_SR') .filterBounds(cod) .filterDate('2023-01-01', '2023-01-31') .filterMetadata('CLOUDY_PIXEL_PERCENTAGE', '<', 20); print('2023年1月可用Sentinel-2影像数：', s2.size()); // 应输出：≥15（证明数据源正常）

若print语句返回正确数值，说明环境配置成功。此时可进入核心建模阶段。

4.2 核心脚本实现：蝙蝠栖息地筛选器的完整GEE代码

以下代码是整个系统最基础也最关键的模块——物理规则层的实现。它不依赖任何训练数据，纯靠生态学知识编码，因此稳定性极高：

// 加载刚果（金）边界与SRTM高程数据 var cod = ee.FeatureCollection('users/yourname/DRC_Ebola_Risk/COD_Provinces'); var dem = ee.Image('USGS/SRTMGL1_003').clip(cod); // 计算坡度（度）与到水体距离（米） var slope = ee.Terrain.slope(dem).multiply(Math.PI/180); // 转为弧度制 var water = ee.Image('JRC/GSW1_3/GlobalSurfaceWater').select('occurrence'); var distanceToWater = water.fastDistanceTransform().sqrt().multiply(30); // 30m/pixel // 加载森林破碎化数据（需预先计算并存为Asset） var fragIndex = ee.Image('users/yourname/DRC_Ebola_Risk/FragIndex_2023'); // 构建蝙蝠栖息地二值掩膜 var batHabitat = dem .gt(800) // 海拔>800m .and(dem.lt(1200)) // 海拔<1200m .and(slope.lt(0.26)) // 坡度<15°（0.26弧度） .and(distanceToWater.lt(500)) // 距水源<500m .and(fragIndex.gt(0.3)) // 碎片化指数>0.3 .and(fragIndex.lt(0.6)); // 碎片化指数<0.6 // 可视化验证（仅用于调试） Map.centerObject(cod, 5); Map.addLayer(batHabitat.updateMask(batHabitat), {palette: 'green'}, '蝙蝠栖息地候选区'); // 导出为Asset供后续使用 Export.image.toAsset({ image: batHabitat, description: 'BatHabitat_Mask_2023', assetId: 'users/yourname/DRC_Ebola_Risk/BatHabitat_Mask_2023', region: cod.geometry(), scale: 30, maxPixels: 1e13 });

这段代码的精妙之处在于所有运算都在云端完成，不下载单字节数据。ee.Terrain.slope()直接调用GEE内置地形算法；fastDistanceTransform()是专为大范围距离计算优化的函数，比传统distance()快17倍；而updateMask()确保导出图像只包含有效区域，节省92%的存储空间。实测在GEE中运行耗时112秒，生成的掩膜图像大小仅2.3MB。

4.3 动态扰动检测：NDVI变化斜率的稳健计算方案

NDVI时序分析是风险预警的“温度计”，但刚果（金）的云干扰要求算法必须抗噪。以下是团队验证有效的稳健计算流程：

// 加载Sentinel-2 NDVI时间序列（已做云掩膜） var s2_ndvi = ee.ImageCollection('COPERNICUS/S2_SR') .filterBounds(cod) .filterDate('2022-01-01', '2023-12-31') .map(function(image) { var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI'); var cloudShadow = image.select('QA60').bitwiseAnd(1 << 3).neq(0); var cirrus = image.select('QA60').bitwiseAnd(1 << 2).neq(0); var mask = cloudShadow.or(cirrus).not(); return ndvi.updateMask(mask); }); // 构建时间序列（按日期排序，去重） var timeSeries = ee.ImageCollection.fromImages( s2_ndvi.toList(s2_ndvi.size()).map(function(img) { var date = ee.Image(img).date().millis(); return ee.Image(img).set('system:time_start', date); }) ).sort('system:time_start'); // 计算30天滑动窗口线性回归（关键：使用robust regression） var windowSize = 30; var regression = timeSeries .sort('system:time_start') .toList(timeSeries.size()) .iterate(function(current, previous) { var list = ee.List(previous); var index = list.size(); if (index < windowSize) return list.add(current); var window = ee.List.sequence(index.subtract(windowSize), index.subtract(1)); var windowImages = ee.ImageCollection.fromImages( window.map(function(i) { return ee.Image(list.get(ee.Number(i))); }) ); // 使用Theil-Sen估计器（比OLS更抗异常值） var ts = ee.ImageCollection.fromImages( windowImages.toList(windowSize).map(function(img) { var ndvi = ee.Image(img).select('NDVI'); var time = ee.Image(img).date().millis().divide(1e9); // 转为秒 return ee.Image.cat([ndvi, ee.Image.constant(time)]).rename(['NDVI', 'time']); }) ); var fit = ts.reduce(ee.Reducer.theilSen()); return list.add(fit.select('NDVI_time_coefficient')); // 斜率 }, ee.List([])); // 将结果转为图像集合并导出 var slopes = ee.ImageCollection.fromImages( ee.List(regression).map(function(img) { return ee.Image(img).set('system:time_start', ee.Date(ee.Image(img).get('system:time_start')).advance(15, 'day')); }) ); Export.image.toDrive({ image: ee.ImageCollection(slopes).mosaic(), description: 'NDVI_Slope_Map_2023', folder: 'GEE_Exports', fileNamePrefix: 'DRC_NDVI_Slope_2023', scale: 10, region: cod.geometry() });

此方案的核心是Theil-Sen估计器——它不假设误差正态分布，对云层造成的NDVI异常值（如-0.8或1.2）完全免疫。实测在云覆盖率达78%的雨季，该算法仍能稳定输出有效斜率，而传统OLS回归在此条件下失效率达63%。

4.4 XGBoost模型训练与部署：在GEE中完成端到端ML

GEE的ee.Classifier支持多种算法，但XGBoost需特别配置。以下是完整训练脚本：

// 加载训练样本（已标注的47个正样本+47个负样本） var trainingPoints = ee.FeatureCollection('users/yourname/DRC_Ebola_Risk/Training_Samples'); // 定义特征列表（12维） var bands = [ 'batHabitatScore', 'humanActivityIndex', 'ndviSlope', 'lstAnomaly', 'precipCDD', 'distanceToRoad', 'forestMaturity', 'fragIndex', 'nightLightStd', 'sarPhaseChange', 'trdDistance', 'slope' ]; // 从影像集合中提取特征值 var predictors = ee.ImageCollection([ batHabitat.rename('batHabitatScore'), humanActivityIndex.rename('humanActivityIndex'), ndviSlope.rename('ndviSlope'), lstAnomaly.rename('lstAnomaly'), precipCDD.rename('precipCDD'), distanceToRoad.rename('distanceToRoad'), forestMaturity.rename('forestMaturity'), fragIndex.rename('fragIndex'), nightLightStd.rename('nightLightStd'), sarPhaseChange.rename('sarPhaseChange'), trdDistance.rename('trdDistance'), slope.rename('slope') ]).toBands(); // 提取训练样本的特征值 var training = predictors.sampleRegions({ collection: trainingPoints, properties: ['class'], // class: 1=positive, 0=negative scale: 30 }); // 训练XGBoost模型（关键参数设置） var classifier = ee.Classifier.smileClassifier({ numberOfTrees: 200, minLeafPopulation: 5, bagFraction: 0.8, maxNodes: 100, variables: bands }).train({ features: training, classProperty: 'class', inputProperties: bands }); // 应用模型到全境 var riskMap = predictors.classify(classifier).rename('riskProbability'); // 重分类为三级预警 var riskClass = riskMap .gt(0.7).multiply(2) // 高风险=2 .add(riskMap.gt(0.4).and(riskMap.lte(0.7)).multiply(1)) // 中风险=1 .add(riskMap.lte(0.4).multiply(0)); // 低风险=0 // 可视化与导出 Map.addLayer(riskClass, {min: 0, max: 2, palette: ['yellow', 'orange', 'red']}, '风险等级图'); Export.image.toDrive({ image: riskClass, description: 'DRC_Ebola_Risk_Map_2023', folder: 'GEE_Exports', fileNamePrefix: 'DRC_Ebola_Risk_2023', scale: 30, region: cod.geometry() });

关键经验：numberOfTrees设为200而非默认100，因刚果（金）数据噪声大；minLeafPopulation:5防止过拟合；bagFraction:0.8确保每次训练用80%样本，提升泛化性。模型训练耗时约8分钟，准确率达89.2%（交叉验证）。

5. 常见问题与排查技巧实录：那些深夜调试时踩过的坑

5.1 GEE常见报错与根因诊断表

5.2 刚果（金）特有场景的3个致命陷阱

• 陷阱1：“绿色幻觉”导致的假阳性
  雨季初期，大面积农田被洪水淹没，Sentinel-2的NDVI值飙升至0.8以上（类似森林），触发“植被异常增长”误报。解决方案：增加水体存在性验证。在NDVI计算前，先用JRC/GSW1_3/GlobalSurfaceWater数据层做掩膜：ndvi.updateMask(water.select('max_extent').eq(0))，确保只计算非水体区域的NDVI。

• 陷阱2：夜间灯光数据的“火光污染”
  VIIRS数据中，森林火灾产生的亮斑会被误判为人类活动中心。团队发现，真正的村落灯光在20:00–22:00稳定存在，而火光多在凌晨出现。因此，必须限定时间窗口：viirs.filterDate('2023-01-01T20:00:00', '2023-01-01T22:00:00')，并剔除单日亮度>10的异常值（火光阈值）。

• 陷阱3：SRTM高程数据的“山脊偏移”
  SRTM在陡峭地形存在最大12m的垂直偏差，导致坡度计算失真。在刚果（金）东部，这会使15°坡度误判为18.3°。解决方案：融合TanDEM-X数据。用COPERNICUS/DEM/GLO30（30m分辨率）替换SRTM，其垂直精度达2m。代码：var dem = ee.Image('COPERNICUS/DEM/GLO30').select('DEM').clip(cod);

5.3 效能优化实战技巧：让分析速度提升3.7倍

• 技巧1：影像金字塔预计算
  对高频使用的影像（如SRTM、FragIndex），预先生成多分辨率版本：

  var dem_100m = dem.resample('bilinear').reproject('EPSG:4326', null, 0.0009); // ~100m var dem_500m = dem.resample('bilinear').reproject('EPSG:4326', null, 0.0045); // ~500m

  在粗粒度分析（如省级趋势）时调用dem_500m，速度提升5.2倍。

• 技巧2：特征缓存机制
  避免重复计算昂贵特征（如TRD距离）。将首次计算结果存为Asset：

  // 首次计算后导出 Export.image.toAsset({image: trdDistance, assetId: 'trd_2023'}); // 后续脚本直接加载 var trdDistance = ee.Image('users/yourname/DRC_Ebola_Risk/trd_2023');

• **技巧