1. 项目背景与核心价值
最近在整理遥感影像处理的工作流时,发现很多同行都在问同一个问题:如何快速实现大范围土地覆盖分类?传统方法需要下载海量影像、配置本地计算环境,光是数据准备就能耗掉大半个月。而Google Earth Engine(GEE)这个云端地理空间分析平台,正好能解决这些痛点。
我在实际项目中用Sentinel-2(S2)数据做过多次土地分类,总结出一套可直接复用的代码框架。这个方案有三大优势:
- 直接调用GEE云端存储的S2 L2A级数据(大气校正后产品)
- 利用GEE分布式计算能力,处理全国范围影像只需几分钟
- 内置机器学习算法,从特征提取到分类训练全流程自动化
重要提示:使用GEE需要先注册开发者账号(免费),建议使用Chrome浏览器并安装Earth Engine插件
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据准备与预处理
2.1 Sentinel-2数据筛选
在GEE中调用S2数据只需一行代码:
javascript复制var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED');
但实际应用中需要添加多个过滤条件:
javascript复制var filtered = s2
.filterDate('2023-01-01', '2023-12-31') // 时间范围
.filterBounds(geometry) // 空间范围
.filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20)) // 云量阈值
.select(['B2','B3','B4','B8','B11','B12']); // 波段选择
波段选择经验:
- 必选波段:B4(红)、B8(近红外)用于计算NDVI
- 推荐组合:B11/B12(短波红外)对建筑/水体敏感
- 分辨率匹配:建议统一用20m分辨率波段
2.2 影像合成与增强
多时相影像中值合成能有效去除异常值:
javascript复制var composite = filtered.median()
.clip(geometry);
添加常用指数特征:
javascript复制// NDVI计算
var ndvi
