科研数据下载 | 基于Google Earth Engine 下载 Landsat 8/9 真彩色遥感影像

在遥感数据处理领域，批量获取高质量的卫星影像一直是困扰研究者的基础性难题。传统方式需要逐景手动下载，数据量大时效率极低。Google Earth Engine（以下简称 GEE）作为全球最大的云计算遥感平台，整合了 Landsat、Sentinel等数十种卫星数据集，并提供在线计算与批量导出能力，极大地简化了大规模遥感数据的获取流程。本文以 Landsat 8/9 为例，详细介绍如何借助 GEE 平台按研究区域和时间范围自动筛选、去云处理，并最终导出为可直接使用的真彩色 GeoTIFF 影像。

一、环境配置与 GEE 初始化

在开始之前，需要确保本地 Python 环境已安装 earthengine-api、geemap、geopandas 等必要依赖库。其中 geemap 是一个基于 Leaflet 的交互式地图库，封装了 GEE 的核心操作接口，能够以极少的代码实现矢量绘制、影像筛选、地图可视化和批量下载等功能。

import ee, geemap, osimport geopandas as gpd

GEE 使用前需要完成认证授权。如果当前环境尚未初始化，会自动弹出浏览器进行账号授权流程。首次初始化成功后，后续运行时只需直接调用初始化方法即可。下面的代码实现了先尝试初始化、失败则触发认证的容错逻辑：

try:    ee.Initialize(project='      ')except Exception:    ee.Authenticate()    ee.Initialize(project='      ')

需要特别说明的是，project 参数应替换为个人在 GEE Code Editor 中申请的云项目名称。如果尚未创建项目，可访问 code.earthengine.google.com 在左侧面板中新建。云项目的使用可以更好地管理和追踪计算配额。

二、加载研究区域矢量边界

在实际应用中，影像下载范围通常由研究区的矢量边界决定。GEE 支持直接读取 GeoJSON、Shapefile 等常见矢量格式。这里使用 geopandas 库读取本地 Shpfile 文件，并统一坐标系为 WGS84（EPSG:4326），以确保与 GEE 的坐标系保持一致：

SHP_PATH = r"aearprj.shp"gdf = gpd.read_file(SHP_PATH, encoding='utf-8')gdf = gdf.set_crs(4326) if gdf.crs isNoneelse gdf.to_crs(4326)roi_fc = geemap.geopandas_to_ee(gdf)roi = roi_fc.geometry()

geemap.geopandas_to_ee() 函数将本地的 GeoDataFrame 对象转换为 GEE 的 FeatureCollection 对象，随后通过 .geometry() 提取几何边界，作为后续影像筛选和裁剪的空间范围。读取矢量文件时需要兼顾不同编码环境，代码中用 try-except 自动切换 utf-8 和 gbk 两种常见编码，避免因编码问题导致读取失败。

三、 Landsat 8/9 影像去云与缩放处理

Landsat 系列卫星的 Collection 2 Level-2 数据产品已经过大气校正处理，其地表反射率（Surface Reflectance，SR）以数字编号（DN）形式存储，需要通过官方缩放公式还原为真实的反射率值。缩放公式为：反射率 = DN × 0.0000275 − 0.2。同时，为了剔除影像中的云层和薄云覆盖区域，需要基于 QA 波段（QA_PIXEL）进行位掩膜处理。QA_PIXEL 是一个复合质量波段，每个比特位记录了一种质量标识，包括膨胀云（dilated cloud）、卷云（cirrus）、云（cloud）和云阴影（cloud shadow）等类别。下面的函数实现了去云掩膜与反射率缩放的完整处理流程：

defmask_and_scale(img):    qa = img.select('QA_PIXEL')    mask = (qa.bitwiseAnd(1 << 1).eq(0)            .And(qa.bitwiseAnd(1 << 2).eq(0))            .And(qa.bitwiseAnd(1 << 3).eq(0))            .And(qa.bitwiseAnd(1 << 4).eq(0)))    sr = img.select(['SR_B4', 'SR_B3', 'SR_B2']).multiply(0.0000275).add(-0.2)return sr.updateMask(mask).copyProperties(img, ['system:time_start'])

真彩色合成需要调用红、绿、蓝三个波段，对应 Landsat 的 B4（Red）、B3（Green）、B2（Blue）波段。需要注意的是，Collection 2 数据以 SR_B 为前缀命名波段，而非早期 Collection 1 的 B 前缀，引用错误将导致影像输出为空。

四、多时相影像合成与导出参数设置

单一景 Landsat 影像通常难以完全覆盖目标区域且存在云污染，多时相合成是解决这一问题的标准做法。通过设定时间范围和云量阈值，系统会自动筛选出满足条件的所有影像，并以中位数（Median）方式合成一幅代表该时段典型地表特征的影像。中位数合成相比均值合成具有更强的抗云能力，因为云像素的反射率通常偏高，中位数可以有效排除这些离群值的影响：

START_DATE = '2024-05-01'END_DATE   = '2025-10-31'CLOUD_PCT  = 10SCALE      = 30l8 = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")l9 = ee.ImageCollection("LANDSAT/LC09/C02/T1_L2")landsat = (l8.merge(l9)           .filterBounds(roi)           .filterDate(START_DATE, END_DATE)           .filter(ee.Filter.lt('CLOUD_COVER', CLOUD_PCT))           .sort('CLOUD_COVER')           .map(mask_and_scale)           .median())

上述代码首先合并 Landsat 8 和 Landsat 9 的影像集，然后依次施加空间过滤（仅保留与研究区相交的影像）、时间过滤（指定日期范围内的影像）、云量过滤（影像级云覆盖率低于阈值的影像），并按云量排序优先选取高质量影像，最后通过 .median() 执行中位数合成。经过合成处理后，调用 .clip(roi) 将影像裁剪至研究区边界范围，并通过 .float() 将数据类型转换为浮点型，确保导出时不丢失反射率精度。

五、下载为本地 GeoTIFF 文件

一切处理就绪后，通过 geemap.download_ee_image() 函数即可将处理完成的影像批量下载至本地目录。该函数封装了 GEE 的 Image.getDownloadURL() 接口，支持直接指定输出分辨率、投影坐标系和裁剪范围，省去了手动构造下载参数的繁琐步骤：

OUT_DIR  = r".\输出"OUT_NAME = f"TrueColor_{SCALE}m_lanping_L89_{START_DATE}_{END_DATE}.tif"os.makedirs(OUT_DIR, exist_ok=True)out_path = os.path.join(OUT_DIR, OUT_NAME)geemap.download_ee_image(rgb, out_path, region=roi, scale=SCALE, crs='EPSG:4326')print(f"✅ 下载完成: {out_path}")

下载时需注意两个关键参数：scale 指定输出像元大小（Landsat 原生分辨率 30 米），不宜设得过小否则会触发 GEE 的超采样限制；crs 指定输出文件的坐标参考系统，设为 EPSG:4326 可输出经纬度坐标系的 GeoTIFF，便于在 QGIS、ArcGIS 等多数 GIS 软件中直接使用。若省略 crs 参数，则默认使用影像原生坐标系（通常为 UTM），下载速度会更快但需要后续额外做投影转换。

六、交互式地图可视化与质量验证

下载完成后，可以用 geemap 内置的交互式地图快速预览影像质量，验证去云效果和数据完整性。通过波段组合设置（真彩色波段对应 ['SR_B4', 'SR_B3', 'SR_B2']）并调整亮度和对比度参数（min、max、gamma），即可生成色彩自然的遥感影像底图：

rgb_vis = {'bands': ['SR_B4', 'SR_B3', 'SR_B2'], 'min': 0.0, 'max': 0.3, 'gamma': 1.2}Map = geemap.Map(height='700px')Map.centerObject(roi, 8)Map.addLayer(rgb, rgb_vis, f'True Color {START_DATE}~{END_DATE} (Landsat 8/9)')Map.addLayer(roi_fc, {'color': 'red', 'fillColor': '00000000'}, 'ROI')Map

可视化不仅有助于检查最终输出的色彩质量，还能直观判断去云处理是否充分、研究区是否被完整覆盖。建议在正式下载前先使用 geemap.ee_to_gdf() 或 Map 对象进行小范围预览，确认无误后再执行全区域下载，以节省 GEE 计算配额。

七、总结

本文完整演示了从 GEE 初始化、矢量区域加载、影像去云处理、多景合成到批量下载的 Landsat 8/9 真彩色影像获取全流程。该方法具有高度的可复用性——只需将数据源替换为 Sentinel-2（COPERNICUS/S2_SR_HARMONIZED）并将分辨率调整为 10 米，即可获取更高空间精度的真彩色影像；若将波段组合改为近红外、红边等组合，则可进一步拓展为归一化植被指数（NDVI）计算、植被变化监测等应用场景。GEE 的云端计算能力与 geemap 的简洁接口相结合，使大规模遥感数据的获取与处理从过去需要专业服务器的复杂操作，转变为仅需数行代码即可完成的标准化工作流。

后续小编也会更新计算其他哨兵系列的代码。代码小程序免费获取：