企业官网建设流程全解析

做遥感的人应该都有这种经历：在GEE里兴冲冲加载出一景影像，放大一看，研究区正中间盖着一大片云；要么就是算NDVI时跑出来一堆几千上万的值，阈值分割根本没法下手。这个标题里的三件事——影像加载、去云、波段系数转换，拆开看都不难，但一旦想串成一条批处理流程，就有一堆细节容易翻车。这篇东西就沿着"加载→去云→系数转换"这条链路，把每个环节的原理、代码、验证方法和坑一次讲透，适合刚接触GEE、或者流程能跑通但对掩膜逻辑和数值口径还有疑惑的读者。

1. 先弄清楚：加载、去云、系数转换到底是什么关系

1.1 一张遥感影像的"存储态"和"物理态"

很多人在GEE里第一次加载影像时，会习惯性地以为看到的数值就是反射率。实际上，绝大多数光学卫星产品在分发时，为了压缩存储空间和避免浮点误差，会把物理量（反射率、辐射亮度）线性换算成16位整数保存。比如Landsat 8 Collection 2 Level-2的地表反射率产品，原始DN值范围通常是0到65535，真实反射率却是0到0.4左右的小数，中间差了好几个数量级。

这意味着你在GEE控制台里随便点开一个像素，看到的值大概率是几千这种量级。如果直接拿这个数去做NDVI、去设阈值、去训练分类器，结果一定离谱。所以"波段系数转换"不是锦上添花的细节，而是所有定量分析的前置条件。

去云则是另一道绕不开的工序。光学遥感依赖太阳反射信号，云层会把地表信息完全遮挡，云影还会让周边的像元值异常偏低。不把云和云影剔除，后面的指数计算、分类、变化检测全都会被污染。更麻烦的是，云污染不是全局性的，一景影像可能只有20%的面积被云盖住，但如果你不做逐像元处理，这20%的坏像元就会混在结果里，像一颗老鼠屎坏了一锅汤。

1.2 云是光学影像最大的脏数据来源

说云是光学遥感最大的脏数据源，一点不夸张。NASA的统计里，全球平均云覆盖率常年过半，很多地区想找到一景云量低于10%的影像都费劲。正因为这样，GEE里几乎所有光学影像集合都自带了云量评估元数据，像Landsat的CLOUDY_PIXEL_PERCENTAGE、Sentinel-2的CLOUDY_PIXEL_PERCENTAGE，目的就是让你在加载阶段就能把多云影像筛掉。

但要注意，这个元数据给的是整景影像的云量，不是针对你的研究区。举个例子，你的ROI只有山脚下一小块，影像全局云量20%，但云恰好全压在你的ROI上面，这时候按云量筛选照样会选中一张"全域不算多云、局部全是云"的废数据。所以真正的去云一定要落到像元级别——用QA波段、SCL波段或云概率波段生成掩膜，把每个云像元精确剔掉。

1.3 GEE的延迟计算逻辑逼你写"处理函数"

GEE和传统GIS软件最大的区别，是它不会在你加载数据时把影像拉到本地，而是把一系列计算逻辑推到云端执行。你在Code Editor里写的filter、map、reduce，本质上都是在构建一个计算图，只有到最后Map.addLayer、Export或者getInfo触发时，云端才会真正跑计算。

这个机制带来的直接后果是：你不能像ArcGIS那样拿着一景影像慢慢试，你得把整个处理流程写成可复用的函数，然后map到影像集合上批量执行。加载、去云、系数转换这三件事，因此不是三个独立步骤，而是要打包进同一个预处理函数里的一次性操作。我在实际项目里习惯把它们合成一个preprocess函数，后面所有分析都从预处理后的集合开始，这样既省事又不容易漏步骤。

2. 影像加载的正确打开方式：集合筛选而不是单景拉取

2.1 GEE的数据结构是ImageCollection，不是文件夹

初学GEE的人最容易犯的错，是想直接加载"一张影像"。但GEE里绝大多数业务数据都以ImageCollection（影像集合）为组织单位，你面对的不是单景遥感影像，而是一个按时间排列、按轨道拼接的影像序列。比如Landsat 8的Surface Reflectance产品，一个数据集的ID是LANDSAT/LC08/C02/T1_L2，里面包含了成千上万景经过几何校正、大气校正的影像。

正确的加载方式，是先建立或选择一个ImageCollection，再用一系列filter把它缩小到你需要的时空范围。单景加载虽然也支持（直接用ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_xxx')），但在实际项目中几乎用不到，因为你做去云也好、做合成也好，面对的都是一个时间窗口里的多期影像，不可能只盯着一景。

2.2 时间、空间、云量三个筛选条件怎么组合

影像集合筛选最核心的三个维度就是时间、空间、云量。时间用filterDate('2023-01-01', '2023-12-31')，空间用filterBounds(roi)，云量用filterMetadata('CLOUDY_PIXEL_PERCENTAGE', 'less_than', 10)。

这里有几个细节值得注意。第一，filterBounds的roi可以是ee.Geometry点、线、面，也可以是ee.FeatureCollection，GEE会自动计算其包围盒做交集筛选，所以不用担心几何形状复杂。第二，日期格式严格要求是YYYY-MM-DD，传'2023-1-1'这种不带前导零的格式容易报错。第三，云量阈值没有固定标准，我习惯先设10，如果筛选后影像太少再放宽到20，这是一个需要根据研究区和季节反复试的参数。

还有一个常用的组合技巧：按云量排序后取第一景。GEE里可以这样写——collection.sort('CLOUDY_PIXEL_PERCENTAGE').first()。sort默认升序排列，云量最小的排在最前面，first()直接取出最少云的一景。这在快速预览某个区域时可太方便了，不需要手动翻列表。

2.3 我常用的筛选模板和排序取景技巧

下面是我在Code Editor里最常用的一个筛选模板，直接可跑：

var roi = ee.Geometry.Point([115.5, 32.6]).buffer(10000); var l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterBounds(roi) .filterDate('2023-01-01', '2023-12-31') .filterMetadata('CLOUDY_PIXEL_PERCENTAGE', 'less_than', 20); print('筛完还剩几景：', l8.size()); var leastCloud = l8.sort('CLOUDY_PIXEL_PERCENTAGE').first(); print('最干净的一景，云量：', leastCloud.get('CLOUDY_PIXEL_PERCENTAGE')); Map.centerObject(roi, 9);

把坐标换成你自己的研究区就能用。这里我用了buffer(10000)把点变成10km半径的圆，方便预览。打印size()这一步非常关键，因为有时你会发现筛选条件太苛刻，直接把你需要的影像全过滤没了，不打印出来根本不知道。

3. 去云的核心机制：QA波段、位运算与updateMask

3.1 为什么要逐像元去云：云量百分比只代表整景

前面提到过，CLOUDY_PIXEL_PERCENTAGE只是整景的宏观云量，真正想拿到一块干净的研究区，必须做逐像元掩膜。GEE里大部分光学数据产品都内置了质量评估波段，Landsat叫QA_PIXEL，Sentinel-2叫SCL和MSK_CLDPRB。这些波段记录了每个像元的质量标记，比如是否是云、是否是云影、是否被雪覆盖。

逐像元去云的逻辑就是：读QA波段，判断某个像元是否命中"云"或"云影"标记，如果命中，就把这个像元在影像中的数值设为无效。这里涉及的函数是updateMask，它是GEE遥感处理里最核心的掩膜工具，值为1的位置保留原数据，值为0的位置变成空值（Nodata），后续计算会直接跳过这些位置。

3.2 Landsat QA_PIXEL的bit位怎么读，代码怎么写得稳

Landsat Collection 2的QA_PIXEL波段是16位整数，每一位都代表一个质量标记。查阅产品说明后会知道，Bit 1表示云是否扩张，Bit 3表示云，Bit 4表示云影，Bit 5表示雪，Bit 6表示晴空。在JavaScript里用左移运算符和位与运算来提取这些位：

function maskL8sr(image) { var qa = image.select('QA_PIXEL'); var cloudBit = 1 << 3; var shadowBit = 1 << 4; var snowBit = 1 << 5; var mask = qa.bitwiseAnd(cloudBit).eq(0) .and(qa.bitwiseAnd(shadowBit).eq(0)) .and(qa.bitwiseAnd(snowBit).eq(0)); return image.updateMask(mask); }

这段代码的意图是：只要像元在Bit 3、Bit 4、Bit 5中有一个不为0，就认为它命中了云、云影或雪，掩膜值设为0，剔掉。为什么要连雪一起掩膜？因为在时间序列分析中，雪和云一样会掩盖地表信号，且雪的光谱特征在某些区域与云高度相似，不一起处理后期会出各种妖蛾子。

位运算看起来有点吓人，其实逻辑很简单：1 << 3就是二进制1000，bitwiseAnd就是逐位求交集，eq(0)判断该位是否为0，即"没有云"。

3.3 Sentinel-2的SCL波段和云概率阈值选哪个

如果你用的是Sentinel-2，去云思路就完全不同了。Sentinel-2 Level-2A产品自带SCL（Scene Classification）波段，它对每个像元做了地物分类，数值和含义的对应关系大致是：0无数据、1饱和/缺陷、2暗部、3云影、4植被、5非植被、6水体、7低云/未分类、8中概率云、9高概率云、10薄卷云、11雪。

最稳的SCL去云写法，是把3、8、9、10这几个云相关类别剔除：

var scl = image.select('SCL'); var cloudMask = scl.neq(3).and(scl.neq(8)) .and(scl.neq(9)).and(scl.neq(10)); return image.updateMask(cloudMask);

另外一种常见做法是使用MSK_CLDPRB波段，也就是云概率图。这个波段的值从0到100，代表每个像元是云的概率。很多人习惯用50作为阈值，把云概率高于50%的像元全部剔除。我实测下来，SCL方法的结果更符合视觉判断，因为它是基于场景分类的，而云概率阈值法对薄云的敏感性不太稳定，调到30能误杀很多边缘像元，调到60又容易漏掉高山薄云。所以我的习惯是优先用SCL，只有做批量生产、需要统一口径时才会用固定云概率阈值。

3.4 updateMask之后为什么出现黑边，怎么收尾

updateMask之后影像会出现黑色或透明的区域，这是完全正常的，因为被掩膜掉的像元变成了空值。问题在于，如果你打算对单景影像做可视化，黑边会很难看；如果你打算导出，空值区域会被写成特定填充值，后期还得处理。

我习惯的收尾方式是：不直接用单景做分析，而是把预处理函数map到整个集合上，然后用median()做多时相合成。中值合成的好处是，同一位置只要有几期影像覆盖，云掩膜留下的空洞就能被其他时相的干净像元填补。用完median()之后你会发现，大量的黑边自然消失了，只剩下那些在所有影像里都无效的顽固区域。

4. 波段系数转换：把整数DN值还原成真实反射率

4.1 scale factor从哪里来，各产品都是多少

波段系数转换的核心是scale factor，也就是缩放系数。不同数据集、不同级别的产品，系数完全不同，用错了结果直接废掉。我把常用数据集整理成了表格，方便对照：

看到Landsat那行的offset是-0.2了吗？这是Collection 2产品加的一个固定偏移，很多人只记得乘以0.0000275，忘了减0.2，结果反射率整体偏高0.2。换算公式很简单：真实反射率 = DN值 × scale + offset。

需要注意，不同批次、不同采集级别的产品系数会变。最稳妥的办法是别死记硬背，直接在GEE里打印波段元数据：print(image.select('SR_B4'))，控制台会列出该波段的scale和offset属性，以产品文档为准。

4.2 转换必须放在指数计算之前，顺序错一步全盘错

波段系数转换这件事，最大的坑不在转换本身，而在转换的时机。很多人加载完影像，随手就调用normalizedDifference算NDVI，完全没想过自己用的还是DN值。NDVI的公式是(NIR-RED)/(NIR+RED)，它本身是个比值，理论上可以消除一定的大气影响，但前提是两个波段的值域是匹配的。DN值和反射率之间的缩放关系虽然对每个波段是线性的，可一旦RED和NIR的缩放系数不一致，比值就会严重失真。

我帮朋友排查过不少这类问题，症状高度统一：NDVI计算结果不是-1到1之间，而是跑到几百甚至几万，然后他还奇怪为什么阈值分割出来的东西全是噪点。解决办法只有一个——先乘系数，再算指数，顺序不能变。

正确的GEE写法是：

var sr = image.select(['SR_B2','SR_B3','SR_B4','SR_B5','SR_B6','SR_B7']) .multiply(0.0000275) .add(-0.2);

这样得到的SR_B4、SR_B5就是真实反射率了，后续再算NDVI，结果才会落在合理区间。

4.3 从系数转换到波段运算：NDVI其实就是一种波段系数组合

既然提到了波段系数转换，就不得不延伸一下：所谓"波段运算"，本质上就是把不同波段乘以不同系数再加加减减、乘乘除除。NDVI也好，EVI也好，甚至各种水体指数、建筑指数，本质上都是波段系数组合成新波段的过程。

GEE里可以用expression把公式写出来，也可以直接用内置的normalizedDifference(['SR_B5', 'SR_B4'])。我更推荐后者，因为它在底层处理了浮点和边缘情况，代码也干净。但有个前提，就是你传给它的波段必须是已经做过系数转换的反射率波段，否则一切免谈。

理解这一点之后，你会发现"波段系数转换"远远不只是乘以一个数字那么简单，它代表的是"从原始数据到物理量、再从物理量到专题指数"的完整数据链路。这条链路走通了，后面的分析才有意义。

5. 完整示例：一次写完加载、去云、缩放、NDVI和可视化

5.1 可直接运行的Code Editor代码

把前面所有内容串起来，下面这段代码是我在实际项目中反复使用的一个完整模板，覆盖了标题里说的全部操作：

var roi = ee.Geometry.Point([115.5, 32.6]).buffer(10000); // 第一步：加载影像集合，按时间、空间、云量筛选 var l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterBounds(roi) .filterDate('2023-01-01', '2023-12-31') .filterMetadata('CLOUDY_PIXEL_PERCENTAGE', 'less_than', 20); // 第二步：定义预处理函数，去云+波段系数转换 function preprocess(image) { // QA_PIXEL去云 var qa = image.select('QA_PIXEL'); var cloudBit = 1 << 3; var shadowBit = 1 << 4; var snowBit = 1 << 5; var mask = qa.bitwiseAnd(cloudBit).eq(0) .and(qa.bitwiseAnd(shadowBit).eq(0)) .and(qa.bitwiseAnd(snowBit).eq(0)); // 波段系数转换 var sr = image.select(['SR_B2','SR_B3','SR_B4','SR_B5','SR_B6','SR_B7']) .multiply(0.0000275) .add(-0.2); return sr.updateMask(mask); } // 第三步：对所有影像执行预处理，再用median合成 var processed = l8.map(preprocess); var composite = processed.median(); // 第四步：计算NDVI var ndvi = composite.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI'); // 第五步：可视化 Map.centerObject(roi, 10); Map.addLayer(composite, {bands: ['SR_B4', 'SR_B3', 'SR_B2'], min: 0, max: 0.3}, 'True color'); Map.addLayer(ndvi, {bands: ['NDVI'], min: -1, max: 1, palette: ['blue', 'white', 'green']}, 'NDVI');

这段代码虽然短，但已经是一个完整可用的生产级预处理链路：筛选已知云量低的影像，逐景做QA掩膜和反射率还原，多时相中值合成消除残余云影，最后输出NDVI。

5.2 运行结果解读：为什么min、max要设成这些值

代码里的真彩色图层拉伸参数是min: 0, max: 0.3，NDVI是min: -1, max: 1。这两个参数绝对不是随便填的。真彩色波段经过系数转换后，蓝绿红的反射率一般都在0到0.3之间，植被区域绿色波段和近红外波段稍高，水体区域整体偏低。设成0到0.3，刚好能覆盖绝大多数地表反射率区间，图像对比度合适。

很多人做完系数转换后一可视化发现全黑或全白，原因就是忘了改拉伸范围。如果不乘以0.0000275，DN值的范围是0到几千，你用默认的拉伸自然什么都看不清；乘以系数后反射率落在0到0.3，再用旧的拉伸参数一样什么都看不清。所以参数和数据处理是配套的，这一步最能检验你前面的转换有没有做对。

NDVI的合理范围就是-1到1，水体为负，裸土接近0，植被集中在0.2到0.8之间。如果跑出来的结果超出了这个区间，不用怀疑，一定是前面某个环节没做对。

5.3 从单景走向时间序列合成

上面代码里我用的是median()合成，这在GEE里是最经典的多时相去云策略。它的逻辑是：每个像元位置取这段时间内所有有效值的中位数，因为云像元已经被掩膜成了空值，不参与统计，所以最后的结果基本上没有云和云影，比单景干净得多。

如果不想合成，想看某一景单景的处理效果，把processed.first()拿来做可视化就行。如果想进一步做月合成、季合成，可以在filterDate上加循环，或者在集合上先按月份分组再合成。掌握了前面这个预处理函数，这些扩展都是在它基础上加一层map操作而已，不会增加多少代码量。

6. 我踩过的三个坑，以及最后沉淀的固定套路

6.1 bit位记反：把云影当成了云，研究区出现片状空洞

第一次写Landsat去云代码时，我把Bit 3当成云影、Bit 4当成云，搞反了。当时看控制台掩膜图，感觉也有东西被剔掉，但没细想。后来做时间序列分析时发现，某些年份的研究区总出现不规则的片状空洞，排查了半天才发现是云影掩膜和云掩膜用反了。实际上Bit 3是云，Bit 4才是云影，如果反过来，有些亮度高但并非云的像元被误删，而真正的云影却漏掉了。

这个坑的教训是：写位运算之前先查数据产品文档，不要凭感觉。验证方法也很简单，找一景你肉眼能明显看到云和云影的影像，把掩膜结果在Map上叠加显示，看剔除的区域是不是和视觉判断一致。

6.2 云量筛选过了还是有云，因为没做逐像元掩膜

另一个常见问题是，有人只用CLOUDY_PIXEL_PERCENTAGE筛选出低云影像，就认为"去云完成了"，结果导出影像里依然有云。原因前面说过：整景云量是全局指标，不代表你的ROI区域干净。更隐蔽的是，有些薄云在CLOUDY_PIXEL_PERCENTAGE里根本不被统计，因为算法把它判断成了晴空。

所以我现在的固定套路是"双保险"：先用云量元数据筛掉明显多云影像，减少计算量；再用QA波段或SCL波段做逐像元掩膜，彻底清除残余云和云影。两道工序各管一段，谁也不能替代谁。

6.3 没缩放就做NDVI，数值上万还不自知

这个坑最隐蔽，因为GEE的NDVI图层在默认拉伸下看起来居然还挺像模像样，红红绿绿的。但如果用Inspector点一个植被像元，你发现问题了：NDVI值不是0.5，而是5000多。这就是因为忘了做波段系数转换。

为什么会这样？因为DN值范围是0到65535，NDVI公式虽然是个比值，但NIR和RED波段如果数值量级太大，归一化后依然会得到一个大数，而且这个数还会随着光照条件、传感器增益变化，完全没有物理意义。从那以后我把波段系数转换固定写在预处理函数里，和去云同步完成，再也没有漏过。

6.4 沉淀下来的固定处理顺序

踩过这么多坑之后，我最终沉淀出了一套固定套路，现在每一次跑GEE批处理都按这个顺序来：

1. 选数据集，明确需要哪些波段，查清scale和offset；
2. 按研究区、时间、云量元数据做初级筛选；
3. 定义预处理函数，里面依次做QA掩膜、波段系数转换；
4. 用map把预处理应用到整个集合；
5. 根据需求选择单景展示或多时相合成；
6. 合成之后再做指数计算和可视化。

这个顺序可能看起来很啰嗦，但每一步都有它存在的理由。跳过任何一步，后续的返工成本都会指数级上升。我见过太多人在最后导出阶段发现数据不对，再回头排查，一查就是半天，那次排查的成本远比一开始按顺序处理好要高得多。

最后分享一个小习惯：我在GEE里做任何预处理，都会顺手把中间结果打印一次，比如用print(composite.bandNames())看看波段名、用print(ndvi.reduceRegion(...))看看数值范围。这种"每个阶段留个证据"的做法，帮我省下了无数排查时间。希望这篇东西能让你在GEE的加载、去云和系数转换上少走几步弯路。