GEE初学者笔记之快速上手篇

1.基础概念

(1)谷歌云平台

        整个GEE是基于Google Cloud云平台的一整套API开发环境。因此整个数据的处理全部都是在Google Cloud平台上实现的，无需本地机器参与运算。一般开发流程是在线/离线编辑代码，然后提交服务器端运行，完成之后会输出给我们一些结果。这个思路适合离线本地开发不太一样的。处理的时候，整个算法还有数据都是在云端的，所以不要想着用本地Python环境就可以离线开发或使用GEE。它本身只是一个包装好的API供你调用，核心是云端的服务器。这点需要注意。正式因为这种本地-服务器端的差别，所以GEE也专门有自己的变量类型，基本是ee.xxx形式。我们在写代码的时候要区分JS自己的类型和GEE的数据类型。这在下面会进一步介绍。

(2)函数化编程

        由于整个GEE是在云端的，所以官方建议尽可能所有操作都可并行，这样可以大大提升执行效率。这点是有点类似于CUDA的编程思想。简而言之就是对于很多重复的操作，你要做的就是定义好这个操作本身，然后循环遍历的工作就交给系统就好，他会自动并行帮你完成。官方文档中对于常见的循环、条件判断、累加三个操作进行了举例。这在之后再详细介绍。

2.基本数据类型

        上面也提到了，由于整个代码是运行在云端的，所以GEE自定义了自己的数据类型，基本是ee.xxx形式，包括ee.String、ee.Number、ee.List、ee.Dictionary、ee.Date等。它们的定义及使用基本还是遵循常规方法，所以这里就简单演示一下。代码如下。

1. // 新建一个服务器上的字符串
2. var serverString = ee.String('This is on the server.');
3. print('String on the server:', serverString);
5. // 新建一个服务器上的数字
6. var serverNumber = ee.Number(3.14159);
7. print('number=',serverNumber);
9. // 新建一个服务器上的列表
10. var serverList = ee.List([1,5,6,9,2]);
11. print('Sequence:',serverList);
12. // 注意，由于是服务器上的List，所以需要通过get()函数获得内容，而不是直接索引
13. print('item 2:',serverList.get(2));
15. // 新建一个服务器上的字典，包含三个键值对
16. var serverDict = ee.Dictionary({
17. e:Math.E,
18. pi:Math.PI,
19. phi:(1+Math.sqrt(5))/2
20. });
21. // 和上面一样，需要通过get()函数获取数据
22. print('Golden ratio:',serverDict.get('phi'));
23. print('Keys:',serverDict.keys());
25. // 新建一个服务器上的日期
26. var serverDate = ee.Date('2020-10-13');
27. print('date:',serverDate);

控制台输出结果如下所示。

3.基本语法

        这里的基本语法并不是指JS的基本语法，而是指上面提到的对于循环、条件判断以及累加操作的并行化写法。

(1)循环

        一个适合于GEE的并行的循环写法如下。

1. // This generates a list of numbers from 1 to 10.
2. var myList = ee.List.sequence(1, 10);
4. // The map() operation takes a function that works on each element independently
5. // and returns a value. You define a function that can be applied to the input.
6. var computeSquares = function(number) {
7. // We define the operation using the EE API.
8. return ee.Number(number).pow(2);
9. };
11. // Apply your function to each item in the list by using the map() function.
12. var squares = myList.map(computeSquares);
13. print(squares); // [1, 4, 9, 16, 25, 36, 49, 64, 81]

(2)条件判断

        下面代码演示了如何遍历一个List，寻找到其中的奇数。其实核心在于对每个元素对2取余，然后删除那些为0的元素，即可得到奇数。这个例子通过数学计算，避免了if/else的判断。是一种值得学习的思路。

1. // The following function determines if a number is even or odd. The mod(2)
2. // function returns 0 if the number is even and 1 if it is odd (the remainder
3. // after dividing by 2). The input is multipled by this remainder so even
4. // numbers get set to 0 and odd numbers are left unchanged.
5. var getOddNumbers = function(number) {
6. number = ee.Number(number); // Cast the input to a Number so we can use mod.
7. var remainder = number.mod(2);
8. return number.multiply(remainder);
9. };
11. // This generates a list of numbers from 1 to 10.
12. var myList = ee.List.sequence(1, 10);
14. // filtering
15. var newList = myList.map(getOddNumbers);
17. // Remove the 0 values.
18. var oddNumbers = newList.removeAll([0]);
19. print(oddNumbers);

        另外，对于二维的影像而言，同样可以采用类似的操作来避免if/else判断，如下面的例子所示。

1. var collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');
3. // Divide the collection into 2 subsets and apply a different algorithm on them.
4. var subset1 = collection.filter(ee.Filter.lt('SUN_ELEVATION', 40));
5. var subset2 = collection.filter(ee.Filter.gte('SUN_ELEVATION', 40));
7. var processed1 = subset1.map(function(image) {
8. return image.multiply(2);
9. });
10. var processed2 = subset2;
12. // Merge the collections to get a single collection.
13. var final = processed1.merge(processed2);
14. print('Original collection size', collection.size());
15. print('Processed collection size', final.size());

        这里ee.Filter.lt()是表示过滤那些比给定值小的数据，ee.Filter.gte()表示过滤那些比给定值大的数据。

(3)累加

        下面代码展示了生成斐波那契数列。

1. var algorithm = function(current, previous) {
2. previous = ee.List(previous);
3. var n1 = ee.Number(previous.get(-1));
4. var n2 = ee.Number(previous.get(-2));
5. return previous.add(n1.add(n2));
6. };
8. // Compute 10 iterations.
9. var numIteration = ee.List.repeat(1, 10);
10. var start = [0, 1];
11. var sequence = numIteration.iterate(algorithm, start);
12. print(sequence); // [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89]

4.可视化影像与波段

        在上面的部分介绍了GEE JS API的相关基本语法。这部分主要介绍一些比较具体的内容。如何利用GEE在地图上可视化影像。实现对影像数据的可视化非常简单，主要有三步：创建影像实例、设置地图中心点、添加图层。其中中间这一步不是必须的，核心就是创建一个影像实例，然后将这个实例添加到地图图层中。下面代码演示了可视化STRM数据。

1. // Instantiate an image with the Image constructor.
2. var image = ee.Image('CGIAR/SRTM90_V4');
4. // Zoom to a location.
5. Map.setCenter(117.3798, 32.9049, 4); // Center on the Bengbu City.
7. // Display the image on the map.
8. Map.addLayer(image);

        下面对代码进行简单解析。首先，对于影像实例，直接通过ee.Image()构造函数生成即可，传入的参数是要显示的数据的Image ID。关于这个ID，可以在GEE的数据库里寻找，找到后把那一串代码复制过来就好。第二行是调用Map类的成员函数setCenter()设置地图的中心点，参数分别是经度、纬度和缩放等级。缩放等级越大地图越放大。最后一行是将我们刚刚获取到的影像放到Map的图层中进行展示。

        对于一个影像，我们可以通过print()函数来输出它的相关信息。比如，我们在上面代码的最后增加一行print('SRTM image',image);。控制台中会出现如下内容。

        可以看到，显示了SRTM数据的一些基本信息，包括数据类型(signed int16)、影像大小(432000×144000)等等，非常丰富。

        另外，我们可以在addLayer()的时候增加一些参数，使得可视化更符合我们的需求，如下是该函数的文档。

        比如说，我们可以设置显示范围，像这样修改上面代码的最后一行为Map.addLayer(image, {min: 0, max: 3000}, 'custom visualization');。这里我们将显示的搞高程范围限制在了0到3000m，图层的名称为custom visualization，可以看到如下效果。而之前的效果是这样的。可以看到显示效果差异非常大。一个很重要的原因就在于，在原始的SRTM中是存在负值的(上面输出的SRTM信息)，最小值为-32768。所以就会导致显示出来的效果很差了。

        我们除了可以控制数据显示的范围，同样也可以数据显示的颜色等级。比如将上面代码的最后一行换成下面这样:Map.addLayer(image, {min: 0, max: 3000, palette: ['Moccasin', 'Orange', 'Coral']},'custom palette');。我们可以通过标准颜色名称(标准颜色名称可以参考这里)，或者十六进制字符串指定颜色。效果如下。

5.影像集

        影像集(Image Collection)可以理解为是多个影像(Image)组成的集合。这里以一个例子展示如何对影像进行过滤和筛选，最后显示在地图上。代码如下。

1. // 获取Landsat8 TOA影像
2. var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');
4. // 定义一个目标点
5. var point = ee.Geometry.Point(117.0721,33.2363);
7. // 调用filterBounds筛选位置
8. var spatialFiltered = l8.filterBounds(point);
9. print('spatialFiltered',spatialFiltered);
11. // 再调用filterDate筛选时间
12. var temporalFiltered = spatialFiltered.filterDate('2015-01-01','2015-12-31');
13. print('temporalFiltered',temporalFiltered);
15. // 到这一步之后，还可能有很多影像的，我们可以进一步按照云层覆盖进行排序
16. var sorted = temporalFiltered.sort('CLOUD_COVER');
17. // 选取含云量最少的那一景
18. var scene = sorted.first();
20. // 将影像放到当前地图的中心，缩放9级
21. Map.centerObject(scene,9);
23. // Landsat8的RGB波段分别是B4、B3、B2
24. // 最大值设为0.3，最小值默认为0
25. var visParams = {bands:['B4','B3','B2'],max:0.3};
27. // 展示影像，名称为true-color composite
28. Map.addLayer(scene,visParams,'true-color composite');

        最后的效果如下。

通过指定一目标点，我们对数据集在空间上进行了过滤，然后又在时间上进行了限制。最后，选出云量最少的一景作为展示。同事注意Landsat8的数据RGB波段的顺序，最后进行展示。

6.实例练习-基于Landsat数据计算NDVI

        综合前面的知识，我们下面就可以做一些实际的、有意义的事情了——计算NDVI。我们知道NDVI(Normalized Difference Vegetation Index)可以反映一个地区的植被覆盖情况，计算公式为(NIR-Red)/(NIR+Red)。这里，我们以Landsat8的数据为例，计算某个区域的NDVI并可视化到地图上，代码如下所示。

1. // 指定某个目标点
2. var point = ee.Geometry.Point([117.0721,33.2363]);
4. // 导入Landsat-8 TOA影像数据集
5. var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');
7. // 获取2015年云量最少的影像
8. var image = ee.Image(
9. l8.filterBounds(point)
10. .filterDate('2015-01-01', '2015-12-31')
11. .sort('CLOUD_COVER')
12. .first()
13. );
15. // 计算Normalized Difference Vegetation Index (NDVI)
16. // Landsat8 第5波段是近红外(NIR)，第4波段是红波段(Red)
17. var nir = image.select('B5');
18. var red = image.select('B4');
19. // 套用NDVI计算公式(NIR-Red)/(NIR+Red)
20. var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI');
22. // 设置影像到地图中心
23. Map.centerObject(image,9);
24. // 设置最大最小值和显示颜色
25. var ndviParams = {min:-1,max:1,palette:['blue','white','green']};
26. // 向地图中添加图层
27. Map.addLayer(ndvi,ndviParams,'NDVI image');

运行代码后，效果如下图所示。

       值得注意的是，NDVI的这种计算模式在遥感中其实是非常常见的，因此，在GEE中，我们完全可以不用自己写公式，GEE已经帮我们定义好了相关函数，直接调用就行。具体是.normalizedDifference()函数。使用也非常简单，把上面代码中计算ndvi的一行用以下内容替代var ndvi = image.normalizedDifference(['B5','B4']).rename('NDVI');运行的效果和自己写是一样的。

        在上面的实例中，我们对单景影像计算了NDVI。GEE同样支持对多景影像同时计算NDVI。示例代码如下。

1. // 导入Landsat-8 TOA影像数据集
2. var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');
4. var addNDVI = function(image) {
5. var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI');
6. return image.addBands(ndvi);
7. };
9. // 利用GEE的map函数并行计算NDVI
10. var withNDVI = l8.map(addNDVI);
13. // 我们可用计算好的NDVI找到所有影像中最“绿”的像素
14. var greenest = withNDVI.qualityMosaic('NDVI');
16. // 展示结果
17. var visParams = {bands: ['B4', 'B3', 'B2'], max: 0.3};
18. Map.addLayer(greenest, visParams, 'Greenest pixel composite');

        在这里，我们利用GEE的map()函数并行计算NDVI。在计算好以后，我们基于这个NDVI的数值来寻找影像中最“绿”的像素组成新的影像。这里最“绿”的影像意思是，别忘了，这里我们获取到的是一个影像集合，并非一个影像。同一个地方，这些影像里肯定有些时间是有植被的，有些是没有的。最“绿”的就是植被最茂盛的影像。

7.数据导出

        GEE虽然是云端处理，但显然是支持数据的导出和下载的，不然运行的结果没法使用。数据的导出主要分为两类，一类是运算的数值类型数据的导出以及绘图，一类是影像的导出。下面分别介绍。

(1)数值与绘图

        下面演示了计算某个区域的NDVI的值并绘制出NDVI随时间变化的折线图。

1. // Import the Landsat 8 TOA image collection.
2. var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');
4. // Map a function over the Landsat 8 TOA collection to add an NDVI band.
5. var withNDVI = l8.map(function(image) {
6. // Get a cloud score in [0, 100].
7. var cloud = ee.Algorithms.Landsat.simpleCloudScore(image).select('cloud');
9. // Create a mask of cloudy pixels from an arbitrary threshold.
10. var mask = cloud.lte(20);
12. // Compute NDVI.
13. var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI');
15. // Return the masked image with an NDVI band.
16. return image.addBands(ndvi).updateMask(mask);
17. });
19. // Define ROI.
20. var roi = ee.Geometry.Polygon([[117.211,32.847],
21. [117.464,32.847],
22. [117.464,32.995],
23. [117.211,32.995],
24. [117.211,32.847]]);
26. // Create a chart.
27. var chart = ui.Chart.image.series({
28. imageCollection: withNDVI.select('NDVI'),
29. region: roi,
30. reducer: ee.Reducer.first(),
31. scale: 30
32. }).setOptions({title: 'NDVI over time'});
34. // Display the chart in the console.
35. print(chart);
36. Map.centerObject(roi,11);
37. Map.addLayer(roi);

控制台输出效果如下。

        从代码层面简单解释一下，可以看到相比于前面计算NDVI的步骤，这里多了很多东西。主要原因在于是为了去除云层的影响。我们在折线图的右上角可以看到个箭头，点击就可以进一步预览图片。        如果我们想输出原始数据，点击右上角的”Download CSV”即可，如果想保存折线图，点击”Download SVG/PNG”即可，十分方便。

(2)保存影像

        上面保存的都是处理后的数值与绘图，那么遥感影像呢？也非常简单，主要是利用GEE的Export包实现。对于影像导出，GEE支持三种模式：导出到Google Drive、导出到Google Cloud Storage、导出到项目的Asset。如果是想下载的话，一般可以使用第一种，导出到Google Drive以后，再进行下载。这里我们以刚刚在第六部分计算的单景NDVI影像为例，演示导出至Google Drive。示例代码如下。

1. // 指定某个目标点
2. var point = ee.Geometry.Point([117.0721,33.2363]);
4. // 导入Landsat-8 TOA影像数据集
5. var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_TOA');
7. // 获取2015年云量最少的影像
8. var image = ee.Image(
9. l8.filterBounds(point)
10. .filterDate('2015-01-01', '2015-12-31')
11. .sort('CLOUD_COVER')
12. .first()
13. );
15. // 计算Normalized Difference Vegetation Index (NDVI)
16. // Landsat8 第5波段是近红外(NIR)，第4波段是红波段(Red)
17. var nir = image.select('B5');
18. var red = image.select('B4');
19. // 套用NDVI计算公式(NIR-Red)/(NIR+Red)
20. var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI');
22. // 设置影像到地图中心
23. Map.centerObject(image,9);
24. // 设置最大最小值和显示颜色
25. var ndviParams = {min:-1,max:1,palette:['blue','white','green']};
26. // 向地图中添加图层
27. Map.addLayer(ndvi,ndviParams,'NDVI image');
29. // 上面的代码都一样
30. // 这里，调用Export的toDrive函数导出
31. Export.image.toDrive({
32. image: ndvi,
33. description: 'NDVI',
34. scale: 30
35. });

运行代码以后，除了会得到之前的结果外，在右上角的“Tasks”里也会看到有新的任务，点击“Run”，弹出如下对话框。填入相关信息，即可开始导出，导出完成后就会在你的Google Drive里看到对应的文件了，下载即可。如下图所示。