企业官网建设流程全解析

目录

一、研究区设置与地图初始化

二、Landsat 8 影像加载与筛选

三、归一化建筑指数（NDBI）计算

四、建设用地提取（核心阈值法）

五、面积计算函数定义

六、总面积与密度分级面积计算

（一）建设用地总面积计算

（二）密度分级计算（核心逻辑：按 NDBI 值细分）

七、数据导出（本地存储）

八、地图图例添加（可视化优化）

九、代码核心特点与注意事项

十、运行结果

若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！

本代码基于 Google Earth Engine（GEE）平台，以 2023 年 Landsat 8 卫星影像为数据源，通过计算归一化建筑指数（NDBI）实现研究区建设用地的提取，并按照 NDBI 数值范围划分低密度、中密度、高密度三个等级，最终完成面积统计、可视化展示与数据导出。核心流程可概括为：设置研究区→加载影像→计算 NDBI→建设用地提取→面积计算→密度分级→数据导出→图例添加，全程围绕 “从影像到专题信息” 的提取逻辑展开。

本代码可用于城市扩张监测、建设用地时空变化分析、城市规划评估等场景，例如：

• 计算某城市 2023 年建设用地总面积及密度分布，为城市总体规划提供数据支撑。
• 对比不同年份的建设用地提取结果，分析城市扩张速度与方向。
• 结合其他指数（如 NDVI、MNDWI）优化地类提取精度，实现建设用地与水体、植被的精准区分。

一、研究区设置与地图初始化

var roi = table; Map.addLayer(roi, {}, '研究区'); Map.centerObject(roi, 9);

• 核心功能：定义研究区范围并在地图上可视化，同时调整地图视角。
• 关键说明：
  • roi = table：table是 GEE 中已导入的矢量数据集（如行政区划边界），此处直接作为研究区（Region of Interest），后续所有操作均限定在该范围内。
  • Map.addLayer()：将研究区矢量边界添加到地图画布，第三个参数为图层名称，便于在地图界面区分。
  • Map.centerObject(roi, 9)：将地图中心定位到研究区，第二个参数 “9” 为缩放级别（范围 1-20，数值越大视角越近、细节越清晰）。

二、Landsat 8 影像加载与筛选

var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterDate('2023-01-01', '2023-12-31') .filterBounds(roi) .sort('CLOUD_COVER') .first(); print('影像元数据：', collection);

• 核心功能：筛选 2023 年覆盖研究区、云量最少的 Landsat 8 表面反射率（SR）影像。
• 关键参数与逻辑：
  • 影像集合 ID：LANDSAT/LC08/C02/T1_L2是 Landsat 8 的 Level 2 级产品（经过大气校正、辐射定标等预处理），数据质量更高，可直接用于指数计算。
  • 筛选条件：
    • filterDate()：限定影像时间范围为 2023 全年，确保数据的时间一致性。
    • filterBounds(roi)：仅保留覆盖研究区的影像，剔除无关区域数据，提高计算效率。
    • sort('CLOUD_COVER').first()：按 “云量（CLOUD_COVER）” 升序排序后取第一幅，即云量最少的影像，避免云层对后续指数计算的干扰。
  • print()：在 GEE 控制台输出影像元数据（如拍摄时间、云量、分辨率等），用于数据质量校验。

三、归一化建筑指数（NDBI）计算

var ndbi = collection.normalizedDifference(['SR_B6', 'SR_B5']); var ndbiClipped = ndbi.clip(roi); Map.addLayer(ndbiClipped, {min: -1, max: 1, palette: ['blue', 'white', 'green']}, 'NDBI');

• 核心原理：NDBI 是识别建设用地的核心指数，利用短波红外（SWIR）与近红外（NIR）波段的差异突出建筑用地（建筑用地在 SWIR 波段反射率高，NIR 波段反射率低，NDBI 值为正；植被、水体 NDBI 值为负）。
• 关键解析：
  • 波段对应：Landsat 8 的SR_B6为短波红外波段（SWIR），SR_B5为近红外波段（NIR），符合 NDBI 计算公式：NDBI = (SWIR - NIR) / (SWIR + NIR)。
  • normalizedDifference()：GEE 内置函数，直接计算两波段的归一化差值，结果范围为 [-1,1]。
  • clip(roi)：将 NDBI 影像按研究区裁剪，剔除研究区外的无效数据。
  • 可视化设置：min: -1, max: 1限定显示范围，palette设置颜色映射（蓝色→负值区，白色→接近 0，绿色→正值区），直观区分不同地类的 NDBI 特征。

四、建设用地提取（核心阈值法）

var ndbiThreshold = 0; var builtUpArea = ndbiClipped.gt(ndbiThreshold) .selfMask() .rename('BuiltUpArea'); Map.addLayer(builtUpArea, {palette: 'FFF000'}, '建设用地');

• 核心逻辑：基于 NDBI 的物理意义，设定阈值（此处为 0），将 NDBI 值大于 0 的区域判定为建设用地。
• 关键步骤：
  • gt(ndbiThreshold)：gt是 “大于（greater than）” 的缩写，返回布尔影像（NDBI>0 的像素为 1，否则为 0）。
  • selfMask()：掩膜操作，仅保留值为 1 的像素（建设用地），值为 0 的区域透明显示，避免干扰可视化。
  • rename()：为结果影像命名，便于后续面积计算和导出。
  • 可视化：采用黄色（FFF000）显示建设用地，与其他地类形成明显区分。

五、面积计算函数定义

var calculateArea = function(image) { var pixelArea = ee.Image.pixelArea().divide(1e4); // 转为公顷 return image.multiply(pixelArea); };

• 核心功能：定义通用面积计算函数，将影像像素值转换为实际面积（公顷）。
• 原理说明：
  • ee.Image.pixelArea()：GEE 内置函数，返回每个像素的面积（单位：平方米），Landsat 8 影像分辨率为 30 米，单个像素面积为 30×30=900 平方米。
  • divide(1e4)：1 公顷 = 10000 平方米，将面积单位从平方米转为公顷，便于实际应用。
  • image.multiply(pixelArea)：将布尔影像（1 表示建设用地，0 表示非建设用地）与像素面积相乘，得到每个建设用地像素的实际面积，非建设用地像素面积为 0。

六、总面积与密度分级面积计算

（一）建设用地总面积计算

var builtUpAreaWithArea = calculateArea(builtUpArea); var totalArea = builtUpAreaWithArea.reduceRegion({ reducer: ee.Reducer.sum(), geometry: roi, scale: 30, maxPixels: 1e9 }); print('建设用地总面积（公顷）：', totalArea.get('BuiltUpArea'));

• calculateArea(builtUpArea)：调用面积计算函数，得到每个建设用地像素的面积影像。
• reduceRegion()：对影像进行区域统计，核心参数：
  • reducer: ee.Reducer.sum()：统计方式为 “求和”，即所有建设用地像素的面积总和。
  • geometry: roi：统计范围为研究区。
  • scale: 30：统计分辨率，与 Landsat 8 影像原始分辨率一致，确保面积精度。
  • maxPixels: 1e9：设置最大处理像素数，避免因研究区过大导致计算报错。
• print()：在控制台输出总面积结果，get('BuiltUpArea')提取统计结果中的面积值。

（二）密度分级计算（核心逻辑：按 NDBI 值细分）

// 低密度：0 ~ 0.05 var lowDensityBuiltUpArea = ndbiClipped.gt(0).and(ndbiClipped.lt(0.05)) .selfMask().rename('LowDensityBuiltUpArea'); var lowDensityArea = calculateArea(lowDensityBuiltUpArea).reduceRegion({...}); print('低密度建设区面积（公顷）：', lowDensityArea.get('LowDensityBuiltUpArea')); // 中密度：0.05 ~ 0.10 var mediumDensityBuiltUpArea = ndbiClipped.gt(0.05).and(ndbiClipped.lt(0.10)) .selfMask().rename('MediumDensityBuiltUpArea'); // 高密度：> 0.10 var highDensityBuiltUpArea = ndbiClipped.gt(0.10) .selfMask().rename('HighDensityBuiltUpArea');

• 分级依据：NDBI 值越大，代表建筑用地的 “密集程度” 越高（如高层密集城区 NDBI 值高，城郊低矮建筑区 NDBI 值低），因此按 NDBI 区间划分密度等级：
  • 低密度：0 < NDBI < 0.05（如城郊散户、低矮建筑区）
  • 中密度：0.05 ≤ NDBI < 0.10（如普通城区、多层建筑群）
  • 高密度：NDBI ≥ 0.10（如中心商务区、高层密集区）
• 关键语法：and()是逻辑 “与” 操作，用于限定 NDBI 的区间范围；中密度、高密度的面积计算逻辑与低密度一致，均调用calculateArea()函数和reduceRegion()统计，最终在控制台输出各等级面积。
• 可视化区分：低密度（橙色 FFA500）、中密度（红色 FF0000）、高密度（深红色 8B0000），颜色深浅对应密度高低，直观展示研究区建设用地的密度分布。

七、数据导出（本地存储）

// 导出建设用地影像 Export.image.toDrive({ image: builtUpArea.uint8(), description: 'BuiltUp_Area_Image', folder: 'GEE_Export', scale: 30, region: roi }); // 导出NDBI影像（GeoTIFF） Export.image.toDrive({ image: ndbiClipped, description: 'NDBI_Full', folder: 'GEE_Export', scale: 30, region: roi.geometry().bounds(), fileFormat: 'GeoTIFF' });

• 核心功能：将计算得到的专题影像（建设用地、各密度等级、NDBI）导出到 Google Drive，便于后续在 ArcGIS 等软件中进一步分析。
• 关键参数说明：
  • image: builtUpArea.uint8()：将布尔影像转换为 8 位无符号整数类型（uint8），减少文件体积，便于存储。
  • description：导出文件名称，需唯一且明确。
  • folder：Google Drive 中存储文件的文件夹名称（需提前创建）。
  • scale: 30：导出分辨率，与原始影像一致，保证数据精度。
  • region：导出范围，建设用地影像按研究区矢量范围导出，NDBI 影像按研究区边界的外接矩形导出，避免漏边。
  • fileFormat: 'GeoTIFF'：导出格式为 GeoTIFF（地理空间数据标准格式），支持坐标系统，可直接用于 GIS 软件。

八、地图图例添加（可视化优化）

var legend = ui.Panel({style: {position: 'bottom-left', padding: '8px 15px'}}); var legendTitle = ui.Label({value: '研究区基于NDBI的建设用地分级', style: {fontWeight: 'bold', fontSize: '18px'}}); legend.add(legendTitle); var makeRow = function(color, name, value) { var colorBox = ui.Label({style: {backgroundColor: '#' + color, padding: '8px'}}); var description = ui.Label({value: name, style: {margin: '0 0 4px 6px'}}); var valueLabel = ui.Label({value: value ? value + ' 公顷' : '', style: {margin: '0 0 4px 6px', fontWeight: 'bold'}}); return ui.Panel({widgets: [colorBox, description, valueLabel], layout: ui.Panel.Layout.Flow('horizontal')}); }; lowvalue.evaluate(function(val) { mediumvalue.evaluate(function(val2) { highvalue.evaluate(function(val3) { legend.add(makeRow('FFA500', '低密度', val)); legend.add(makeRow('FF0000', '中密度', val2)); legend.add(makeRow('8B0000', '高密度', val3)); }); }); }); Map.add(legend);

• 核心作用：在地图界面添加自定义图例，关联各密度等级的颜色、名称与面积值，提升可视化结果的可读性。
• 关键逻辑：
  • ui.Panel()：创建图例面板，设置位置（左下角）和内边距，避免遮挡地图主体。
  • makeRow()函数：定义图例的每一行结构，包含 “颜色块 + 等级名称 + 面积值” 三个组件，采用水平布局（Flow ('horizontal')）。
  • evaluate()：由于 GEE 中的数据为服务器端对象（ee.Number），需通过evaluate()将其转换为客户端 JavaScript 数值，才能在图例中显示具体面积。
  • 动态更新：图例中的面积值与前文计算结果联动，无需手动输入，确保数据一致性。

九、代码核心特点与注意事项

核心特点：

• 流程化设计：从数据加载到结果导出，步骤清晰、逻辑闭环，可直接适配不同研究区（仅需替换table矢量数据）。
• 精度可控：采用 Landsat 8 Level 2 级数据，结合 30 米分辨率和阈值法，平衡计算效率与提取精度。
• 可视化丰富：多图层叠加（研究区、NDBI、建设用地、密度分级）+ 自定义图例，直观展示分析结果。

注意事项：

• 阈值调整：NDBI 阈值（0）为通用值，实际应用中需根据研究区地类特征（如植被覆盖率、水体分布）调整，可通过试错法或混淆矩阵验证最优阈值。
• 数据质量：若研究区 2023 年无云量极低的影像，可扩大时间范围或调整sort('CLOUD_COVER')为filter(ee.Filter.lt('CLOUD_COVER', 10))（筛选云量 < 10% 的影像）。
• 导出限制：GEE 导出文件大小有限制，若研究区过大，可拆分研究区或降低导出分辨率（需权衡精度）。
• 矢量数据：table需提前导入 GEE（支持 Shapefile、KML 等格式），且需与影像坐标系统一致（默认 WGS84）。

十、运行结果

若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！