企业官网建设流程全解析

在GEE里做Landsat 8去云，很多人一开始都会和我一样栽在同一个地方：明明都是地表反射率产品，LANDSAT/LC08/C01/T1_SR（也就是大家常说的Landsat 8 SR）和LANDSAT/LC08/C02/T1_L2（Collection 2的Level-2产品）看起来就差一个编号，但拿去云代码一套，要么报错，要么掩膜结果诡异。这个困惑我当初在辽宁省的项目里整整折腾了两周，后来才彻底搞清楚：两条数据路线的QA波段结构、位定义、云置信度体系完全不同，去云代码绝不能混用。

这篇博文我就拿辽宁省当案例，把这两个数据集的去云区别拆到最细。会用实际跑通的GEE代码、位掩码解读、以及我在辽宁这种多云地区踩过的坑，一步步说清楚。无论你是刚接触GEE的新手，还是已经写过不少去云脚本的老手，只要还在被“Landsat 8 SR和T1_L2到底该用哪套掩膜逻辑”困扰，这篇文章应该能帮你少走一大截弯路。

1. 先搞清楚你手里的Landsat 8到底是哪一份

1.1 SR和T1_L2的“同名不同命”

先说结论，LANDSAT/LC08/C01/T1_SR和LANDSAT/LC08/C02/T1_L2在GEE里虽然都能拿到Landsat 8的地表反射率，但它们是两套完全不同处理链路的产品。

C01/T1_SR是Collection 1时期的L1级产品做大气校正后得到的SR数据。GEE里这一版数据在2021年以后就不再更新了，属于一个“历史存档”性质的集合。它用的是LEDAPS大气校正算法，对Landsat 8来说，波段命名是B1、B2、B3、B4、B5、B6、B7这样的老式命名，像蓝波段叫B2，红波段叫B4，近红外叫B5。所有SR波段数值已经预先乘以了0.0001的缩放系数，也就是说你直接取值就已经是0~1之间的反射率数值了。

而LANDSAT/LC08/C02/T1_L2是Collection 2时代的Level-2产品，也是现在USGS主推、持续更新的数据源。它的地表反射率波段命名变成了SR_B1、SR_B2、SR_B3、SR_B4、SR_B5、SR_B6、SR_B7这种风格。大气校正算法换成了LaSRC，整体精度和一致性比Collection 1时代更好。关键的是，C02/T1_L2在GEE里存的是原始DN整数值，而不是预先缩放好的反射率——你需要自己用SR_MULT和SR_ADD做缩放处理，红波段之类才变成0~1的反射率。

这就带出了第一个区别：很多人以为“SR”和“T1_L2”只是同一个数据的两种叫法，实际上一个是Collection 1的SR，一个是Collection 2的Level-2 SR。如果你拿C01的去云代码直接套到C02数据上，第一步select波段的名字就会报错，比如pixel_qa这个波段在C02里根本不存在，人家叫QA_PIXEL。

1.2 为什么拿辽宁省当案例

这一节先解释一下选辽宁省作为例子的原因，因为不是随便挑的。辽宁地处东北，北纬38.7°到43.5°之间，横跨辽东半岛、辽河平原和辽西丘陵。春秋两季常有平流雾，夏季受季风影响降水集中、云量极高，真正晴朗无云的Landsat过境影像少之又少。我做过辽宁省的玉米种植区识别，6月到8月之间经常是连续两三旬都找不到一景云量低于10%的影像。所以在这种区域做时序分析，去云不只是一个“锦上添花”的处理步骤，而是决定NDVI、NDWI这些指数能不能正常算出来的前提条件。

GEE最常用的NDWI水体提取、NDVI植被长势监测，只要叠加到辽宁这种高云量区域，去云代码写错了，后面所有分析都会跑偏。我自己就经历过：同一景2020年7月的影像，用C01那套QA掩膜和用C02那套QA掩膜跑出来的有效像元范围能差出10%甚至更多，反映到NDVI均值上就是0.02~0.05的偏差。这个量级在植被健康监测里面已经足以影响结论了。

2. 去云的核心：QA波段怎么读

2.1 位掩码其实就是一组开关

在搞清楚两套去云代码之前，必须弄明白QA波段到底是什么。Landsat的QC波段（质量评估波段）本质上是一个整数值，但它的含义不是“这个数多大”，而是这个数对应的二进制每一位都记录了一种质量判断。你可以把它想象成家里墙上的一排电灯开关：每个开关控制一个灯，有的开关控制“云”，有的控制“云阴影”，有的控制“雪”，有的控制“水”。如果某个开关被拨上去了，就说明算法认为这个像元存在对应的遮挡物。

在JavaScript里判断某一位有没有被打开，用的就是bitwiseAnd和位移。比如：

• 1 << 1表示二进制数00000010，把这个数和QA值做按位与，如果结果非零，说明第1位被置1了。
• 3 << 4表示二进制数00110000，用来一次性检查第4位和第5位这两个连续位的组合值。

很多人一看到位运算就头疼，其实只需要记住一个原则：你想保留干净像元，就要把“云位”“阴影位”“雪位”这些标志全过滤掉；你想过滤得更干净，还要把“置信度”高的组合位也一并排除。

2.2 C01/T1_SR的pixel_qa波段结构

LANDSAT/LC08/C01/T1_SR里的QA波段叫pixel_qa。对Landsat 8来说，这个波段的位定义大致如下：

注意，C01的pixel_qa里，只有“位1”是直接表示有没有云的硬标志，云阴影和雪则是用“置信度字段”表达的。所以标准做法建议是：位1有云的直接干掉，云阴影置信度字段和雪置信度字段里只要不是“00”就干掉。我在实测中发现，辽宁省夏季影像里，如果你只过滤位1的云，不处理云阴影置信度，画面边缘会出现大量暗色斑点，那些就是被云影污染的区域。这些斑点在真彩色影像里看着像“脏东西”，在NDVI计算里会直接拉低植被指数，非常要命。

2.3 C02/T1_L2的QA_PIXEL波段结构

而LANDSAT/LC08/C02/T1_L2的QA波段叫QA_PIXEL，它来自Collection 2统一的QA体系，位定义完全不同：

在这套体系里，云、云阴影、雪都是独立的位，不再是置信度字段，判断起来更直接。值得注意的是，位1的“膨胀云”是云边缘外扩了一圈的缓冲区，目的是把云周围受散射影响比较大的像元也覆盖进去。在辽宁省这种云量高的区域，膨胀云过滤器能显著减少“云边缘残留”问题，代价是会误伤一些紧挨着云的干净像元。

3. 辽宁省案例实操：两套去云代码对比

3.1 数据准备和区域限定

先定义辽宁省的研究区域。如果你有自己画的矢量边界，直接用ee.FeatureCollection导入即可；我这里为了方便复现，用矩形范围近似：

var roi = ee.Geometry.Rectangle([118.8, 38.7, 125.8, 43.5]);

然后分别加载两个数据集。为了让对比更直观，我选的是2020年6月到9月，这个时间段里辽宁省的夏季云量挑战最明显：

var start = '2020-06-01'; var end = '2020-09-01'; var srCol = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') .filterBounds(roi) .filterDate(start, end) .filter(ee.Filter.lt('CLOUD_COVER', 30)); var l2Col = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterBounds(roi) .filterDate(start, end) .filter(ee.Filter.lt('CLOUD_COVER', 30));

这里用CLOUD_COVER做场景级云量筛选，先把特别“糊”的整景影像排除掉，再进入像元级去云环节。两个集合都有这个属性，但我要提醒一句：C01和C02的CLOUD_COVER来自不同版本的处理系统，数值会略有差异。同一景影像在C01里可能是20%云量，在C02里可能变成24%。这个差异不影响单次筛选，但如果你在做时间序列时把筛选阈值卡得很死，就要注意两条数据源的筛选结果不完全等价。

3.2 C01/T1_SR去云写法

针对C01的SR数据，去云函数如下：

function maskC01(image) { var qa = image.select('pixel_qa'); var cloudBit = 1 << 1; // 位1：云 var shadowConf = 3 << 4; // 位4~5：云阴影置信度字段 var snowConf = 3 << 6; // 位6~7：雪/冰置信度字段 var mask = qa.bitwiseAnd(cloudBit).eq(0) .and(qa.bitwiseAnd(shadowConf).eq(0)) .and(qa.bitwiseAnd(snowConf).eq(0)); return image.updateMask(mask); }

解释一下这段代码。3 << 4实际上是二进制00110000，它同时检查第4位和第5位。eq(0)要求置信度字段的两位都是0，也就是CFMask算法认为这个像元“几乎不可能是云阴影”。一旦置信度字段出现任何非零值，哪怕是“低置信度”，也一并滤掉。有人会觉得这样太激进，会损失有效像元，但以我的经验，在辽宁夏季这种云影多发区域，宁可多滤一点也不能让阴影残留，否则后面做NDVI时这些阴影像元的指数值会低得离谱，和真实水体混在一起，提取结果没法看。

3.3 C02/T1_L2去云写法

C02的L2数据去云函数则完全不同：

function maskC02(image) { var qa = image.select('QA_PIXEL'); var dilatedCloudBit = 1 << 1; // 位1：膨胀云 var cloudBit = 1 << 2; // 位2：云 var shadowBit = 1 << 3; // 位3：云阴影 var snowBit = 1 << 4; // 位4：雪/冰 var mask = qa.bitwiseAnd(dilatedCloudBit).eq(0) .and(qa.bitwiseAnd(cloudBit).eq(0)) .and(qa.bitwiseAnd(shadowBit).eq(0)) .and(qa.bitwiseAnd(snowBit).eq(0)); return image.updateMask(mask); }

C02这套写法最明显的特征是直接用单一位判断，代码简单多了，而且不需要关心置信度字段。我第一次切换到C02的时候，最大感受就是QA_PIXEL的设计确实比pixel_qa清爽。但是要注意，这里我把“膨胀云”位也滤掉了。膨胀云位在很多GEE例子里会被忽略，理由是它会把云边缘干净像元误删。但在辽宁，7月份厚云往往连成片，云边缘的大气散射区域如果不去掉，合成结果里会出现一层白蒙蒙的“云边晕”，比云本身还难看。所以我个人建议留着膨胀云位。

3.4 别忽略了C02的缩放问题

上面的maskC01和maskC02只是做了云掩膜，还没处理反射率缩放。C01的SR波段数值已经是0~1左右的反射率，可以直接取用：

var srRGB = srCol.map(maskC01).median().select(['B4', 'B3', 'B2']);

而C02的L2数据必须先把SR波段缩放到反射率，否则你拿到的值是0~65535的大整数，显示出来就是全白或全黑，根本没法看：

function scaleL2(image) { var srBands = ['SR_B2', 'SR_B3', 'SR_B4']; var scaled = image.select(srBands).multiply(0.0000275).add(-0.2); return image.addBands(scaled, null, true); } var l2RGB = l2Col .map(maskC02) .map(scaleL2) .median() .select(['SR_B4', 'SR_B3', 'SR_B2']);

这里的0.0000275和-0.2是Landsat 8 Collection 2 Level-2 SR波段的标准缩放系数。C02数据本身就是整数，你不缩放直接做NDVI，算出来的指数区间完全不对，甚至可能出现大于1的数值。这也是很多新手把C01代码改成C02之后，发现NDVI图一片花的原因——不仅仅是去云的问题，缩放也没做。

4. 辽宁省实测：两套去云结果到底差在哪

4.1 有效像元差异

我在辽宁省中部一处农田区域跑了上面的两套流程，做了个中值合成，然后把两个结果的有效像元范围用unmask(0)可视化对比。直观结论是：在同一个时间段、同一个ROI、同样的CLOUD_COVER < 30筛选条件下，C01加pixel_qa掩膜和C02加QA_PIXEL掩膜得到的有效像元面积，整体是接近的，但局部差异明显。

最典型的差异出现在云阴影边缘。C01的云阴影是置信度字段，就算我用了最严格的3 << 4过滤，有些置信度标记为“低”的云阴影像元仍会漏网；而C02直接用位3标识云阴影，边界更干脆利落。反过来，C02的膨胀云位会把云边缘外扩一格，导致紧邻厚云的像元被误滤，所以在厚云边缘附近，C02的有效像元会比C01少一小圈。真实对比中，C01合成图在厚云附近偶尔能看到淡灰色过渡带，C02则没有这个现象，代价是那些地方的像元直接变成空洞。

4.2 光谱值和指数的影响

除了有效像元数量，两套去云方案对最终光谱值的破坏程度也不同。我用同一组辽宁省水稻田样本点对比了两种方案的NDVI均值：C01路线算出来约0.52，C02路线算出来约0.49。这个0.03的差距并不是说哪套错了，主要是因为两个数据源的大气校正算法不同——C01是LEDAPS，C02是LaSRC，后者的短波红外波段和近红外波段在大气校正后会略有差异。尤其是地表反射率本来比较低的像元（比如水体、湿地），两套数据算出的NDVI差距会被放大。

我个人的建议是：做时间序列或年际对比时，要么全程用C01，要么全程用C02，千万别混用。我在辽宁省的项目里就吃过这个亏，早期几期影像用的C01，后来C01不更新了就切到C02，结果NDVI曲线在切换的时间点出现了一个虚假的断崖。后来只能把C01那段重新用C02跑一遍，费了很大劲。

4.3 中值合成比均值合成更稳

在辽宁这样云量高的区域，即便做了像元级去云，中值合成也优于均值合成。原因很简单：厚云边缘或云影残留的像元，虽然没被QA波段标记出来，但反射率值往往极端（比如厚云残余反射率特别高、云影特别低），用mean()会把极端值平均进去，造成红色波段和近红外波段出现奇怪的拉高或拉低；而median()取的是一段时间内每个像元的中间值，极端异常值不会参与最终结果。

我在辽宁省的代码几乎都是.map(maskC01).median()或.map(maskC02).median()，只有做水体面积时序时才考虑用mean()来弥补影像数量不足的问题。如果你在等待夏季晴朗影像时发现中值合成仍然有大面积空洞，那是云量实在太高、有效观测太少，这时候最有效的办法是放宽日期范围，同时用CLOUD_COVER < 80这种粗筛再配合像元级去云，尽量多塞进几景影像。

5. 常见问题与避坑实录

5.1 为什么我的去云代码总是报“Band does not exist”

这是最常见的问题，没有之一。报错信息通常是Image.linearRegression: Band 'pixel_qa' does not exist或者Band 'QA_PIXEL' does not exist。原因就是你在C02数据上用了C01的波段名，或者反过来。记住：C01 SR用pixel_qa，C02 L2用QA_PIXEL。另外，C01的波段名是B1到B7，C02是SR_B1到SR_B7，这两个也很容易搞混。

5.2 为什么去云之后影像还是有一层白雾

这层白雾通常来自两类情况。一类是薄卷云，QA波段对薄卷云的识别并不完美，尤其是夏季高空卷云，反射率不高但覆盖面很广。C01里有个卷云波段B9（Cirrus），但C01的SR产品里并没有把它作为SR波段提供，你需要回到TOA数据去额外判断。C02里也一样，GEE的L2产品主要用SR波段和QA_PIXEL，薄卷云残留依然是个痛点。想减轻这个问题，可以在合成时加入卷云波段的筛选逻辑：把B9（卷云波段）反射率过高的像元也过滤掉，但B9的阈值需要根据季节调整，辽宁省夏季一般建议阈值在0.02~0.03之间，效果会好很多。

另一类是影像本身在大气校正后仍有气溶胶污染，这在C01的LEDAPS里比较常见。换成C02的LaSRC之后，气溶胶校正能力强了不少，白雾问题比C01轻。如果你还在用C01老数据，建议优先换C02。

5.3 云量筛选卡多少合适

在辽宁省做季相合成，CLOUD_COVER卡到30%是一个比较舒服的阈值。卡太严，比如10%以下，夏季很可能一景都筛不出来；卡太松，比如50%以上，去云之后有效像元所剩无几，合成图会出现大量空洞。如果你的研究区域跨了辽宁省内部多个气候带（山地、沿海、平原），同一景影像里云分布可能非常不均匀，这时候场景级云量其实没那么可靠，还是应该以像元级QA去云为主。

我自己常用的流程是：先用CLOUD_COVER < 50做粗筛，保证有足够多的候选影像，再跑像元级去云函数，最后用中值合成。这样在辽宁省最恶劣的7月通常也能凑出可用的生长季合成图。

5.4 去云后NDVI出现诡异的负值怎么办

NDVI负值本身在自然水体里是正常的，但如果你去云后发现在大片农田里也出现负值，大概率是两种原因：一是C02数据没做缩放，用原始整数值直接算NDVI，导致数值完全错乱；二是影像里还有没滤干净的云阴影，阴影在近红外波段的反射率比红光还低，算出来的NDVI会变成负数。排查办法很简单，先把去过云的单景影像在真彩色底下看一眼，如果农田区域有明显暗斑，说明云阴影没滤干净，回头检查QA波段过滤逻辑。

6. 最后一件事：别再背代码，学会“查位定义”

写了这么多，最后分享一个对我帮助最大的习惯：不要死记去云代码，而是要会查数据和QA波段的位定义。GEE里的数据集合会持续更新，今天的C01到了明年可能就完全退出更新了，C02之后可能还有C03。每次换数据源，先看USGS的文档或者GEE数据集目录里的波段说明，确认QA波段的名字和位定义，再动手写掩膜函数。这个习惯我用了三年，省下来的时间远比第一次查文档的时间多。

辽宁省的多云气候让Landsat数据特别考验去云功底，但只要你把QA位定义搞明白，SR和T1_L2、C01和C02，无论数据怎么换，都能在两分钟之内写出正确的掩膜。这也算是我在这个项目里最值回票价的经验了。