5分钟极简教程：用GEE与Landsat8 ST_B10波段实现城市热岛分析
当城市热岛效应成为环境评估的常规课题时，传统的地表温度反演方法往往让初学者望而生畏。单窗算法需要大气水汽含量等复杂参数，辐射传输方程涉及繁琐的波段换算——直到Landsat8 Collection 2的L2级产品带来了革命性的简化方案。本文将演示如何利用Google Earth Engine（GEE）平台和ST_B10波段的原生温度数据，在无需复杂理论背景的情况下，快速生成可发表级的热力分布图。
1. 为什么选择ST_B10波段？
Landsat8 Collection 2的L2级产品中，ST_B10波段存储的是经过NASA官方校正的地表温度（Land Surface Temperature, LST）数据，单位开尔文（K）。与需要自行反演的旧版数据相比，其核心优势在于：
- 开箱即用：温度值已通过大气校正和辐射定标处理
- 精度可靠：官方文档声明温度误差在±2.1K以内
- 计算极简：只需简单公式即可转换为摄氏度
# 温度转换公式示例 LST_Celsius = ST_B10 - 273.15注意：2021年后GEE已全面迁移至Collection 2数据集，旧教程中Collection 1的波段名称和计算方法均已失效
2. 五分钟实操流程
2.1 初始化GEE环境
首先访问Google Earth Engine代码编辑器，确保已登录Google账号并完成GEE注册。新建脚本后，按以下步骤操作：
- 导入研究区矢量边界（支持Shapefile、GeoJSON或手动绘制）
- 设置时间范围（建议选择夏季无云期）
- 加载Landsat8 C2 L2数据集
// 基础环境配置 var roi = geometry; // 替换为你的研究区 Map.centerObject(roi, 10); // 地图居中显示 // 获取2023年夏季数据（北半球示例） var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterDate('2023-06-01', '2023-08-31') .filterBounds(roi);2.2 数据质量控制
利用QA_PIXEL波段剔除低质量像元是关键步骤，主要排除：
- 云覆盖（Cloud/Cirrus）
- 云阴影（Cloud Shadow）
- 数据缺失（Fill）
function maskQuality(image) { var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0); var saturationMask = image.select('QA_RADSAT').eq(0); return image.updateMask(qaMask).updateMask(saturationMask); } var filteredCollection = collection.map(maskQuality).median();2.3 温度计算与可视化
直接从ST_B10提取温度数据，并应用色阶渲染：
var lst = filteredCollection.select('ST_B10') .subtract(273.15) // 开尔文转摄氏度 .clip(roi); // 热力图配色方案（建议使用科学色阶） var visParams = { min: 20, max: 45, palette: ['blue', 'cyan', 'green', 'yellow', 'red'] }; Map.addLayer(lst, visParams, 'LST');3. 进阶技巧与验证
3.1 结果准确性验证
虽然ST_B10已预处理，但仍建议通过以下方式验证：
| 验证方法 | 实施步骤 | 预期误差范围 |
|---|---|---|
| 交叉比对 | 与MODIS LST产品同期数据对比 | ±2.5℃ |
| 实地测温 | 选择典型地物点进行温度计测量 | ±3.0℃ |
| 时间一致性检查 | 检查相邻日期的温度突变情况 | <5℃波动 |
3.2 批量导出与统计分析
GEE支持一键导出多种格式的温度数据：
// 导出GeoTIFF到Google Drive Export.image.toDrive({ image: lst, description: 'LST_Export', scale: 30, region: roi, maxPixels: 1e13, fileFormat: 'GeoTIFF' }); // 生成温度统计报告 var stats = lst.reduceRegion({ reducer: ee.Reducer.mean().combine({ reducer2: ee.Reducer.stdDev(), sharedInputs: true }), geometry: roi, scale: 30, maxPixels: 1e13 }); print('温度统计', stats);4. 城市热岛典型应用场景
这种快速LST分析方法特别适合：
- 城市规划：识别热岛核心区，优化绿地布局
- 环境评估：监测工业区热污染扩散
- 公共卫生：高温健康风险预警
- 学术研究：城市扩张对微气候的影响
以某新城区开发为例，通过对比建设前后的夏季温度分布，可清晰看到：
- 建成区温度上升4-7℃
- 水体周边降温效应明显
- 主干道形成"热廊道"现象
// 热岛强度计算示例（城市-郊区温差） var urban = lst.reduceRegion({geometry: urbanArea, reducer: ee.Reducer.mean()}); var rural = lst.reduceRegion({geometry: ruralArea, reducer: ee.Reducer.mean()}); print('热岛强度(K)', urban.get('ST_B10').subtract(rural.get('ST_B10')));这套工作流最大的优势在于：从数据获取到分析结果，所有计算都在云端完成，无需下载原始影像，特别适合需要快速响应的应急评估。我在参与某次极端热浪事件评估时，从接到需求到提交初步分析报告仅用了3小时，而传统方法仅数据下载就可能耗费一整天。
