从绿度到热度：RSEI遥感生态指数的GEE实战解析与生态意义探究
遥感生态指数（RSEI）作为城市生态评估的重要工具，其核心在于通过四个关键指标——绿度（NDVI）、湿度（Wet）、热度（LST）和干度（NDBSI）的综合分析，实现对生态环境状况的量化评价。本文将深入探讨这些指标的计算原理、生态学意义以及在Google Earth Engine（GEE）平台上的具体实现方法，帮助读者全面理解RSEI的内涵与应用。
1. RSEI核心指标解析与生态学意义
1.1 绿度指标（NDVI）：植被覆盖的量化表达
归一化差异植被指数（NDVI）是评估地表植被覆盖状况的最常用指标，其计算公式为：
var ndvi = img.normalizedDifference(['B5', 'B4']);NDVI值域范围为[-1,1]，其中：
- 值>0.6：茂密植被
- 0.2-0.6：中等植被覆盖
- <0.2：稀疏植被或非植被区域
生态意义：NDVI不仅反映植被生长状况，还能间接指示：
- 碳汇能力
- 生物多样性水平
- 生态系统服务功能强度
1.2 湿度指标（Wet）：地表水分状况的综合反映
湿度分量通过Landsat 8的六个波段线性组合计算得出：
var Wet = img.expression( 'B*(0.1509) + G*(0.1973) + R*(0.3279) + NIR*(0.3406) + SWIR1*(-0.7112) + SWIR2*(-0.4572)', { 'B': img.select(['B2']), 'G': img.select(['B3']), 'R': img.select(['B4']), 'NIR': img.select(['B5']), 'SWIR1': img.select(['B6']), 'SWIR2': img.select(['B7']) } );该指标对以下生态要素敏感：
- 土壤含水量
- 植被含水量
- 水体分布
1.3 热度指标（LST）：城市热岛效应的直接指标
地表温度（LST）采用MODIS产品计算日夜间平均值：
var img_mean = img_mean.expression( '((Day + Night) / 2)', { 'Day': img_mean.select(['LST_Day_1km']), 'Night': img_mean.select(['LST_Night_1km']) } );LST的生态影响包括：
- 影响植被物候
- 改变物种分布
- 加剧城市热岛效应
1.4 干度指标（NDBSI）：建筑与裸地的综合表征
干度指数由建筑指数（IBI）和裸土指数（SI）组合而成：
var ndbsi = (ibi.add(si)).divide(2);其中IBI和SI的计算分别为：
var ibi = img.expression( '(2 * SWIR1 / (SWIR1 + NIR) - (NIR / (NIR + RED) + GREEN / (GREEN + SWIR1))) / (2 * SWIR1 / (SWIR1 + NIR) + (NIR / (NIR + RED) + GREEN / (GREEN + SWIR1)))', { 'SWIR1': img.select('B6'), 'NIR': img.select('B5'), 'RED': img.select('B4'), 'GREEN': img.select('B3') } ); var si = img.expression( '((SWIR1 + RED) - (NIR + BLUE)) / ((SWIR1 + RED) + (NIR + BLUE))', { 'SWIR1': img.select('B6'), 'NIR': img.select('B5'), 'RED': img.select('B4'), 'BLUE': img.select('B2') } );2. GEE平台实现RSEI计算的技术细节
2.1 数据预处理与质量控制
在GEE中处理Landsat 8数据时，去云是关键步骤：
function removeCloud(image) { var qa = image.select('BQA'); var cloudMask = qa.bitwiseAnd(1 << 4).eq(0); var cloudShadowMask = qa.bitwiseAnd(1 << 8).eq(0); var valid = cloudMask.and(cloudShadowMask); return image.updateMask(valid); }数据筛选要点：
- 时间范围选择
- 云量过滤（通常<50%）
- 年度合成方法（中值或均值）
2.2 指标归一化处理
各指标量纲不同，需进行归一化：
var img_normalize = function(img) { var minMax = img.reduceRegion({ reducer: ee.Reducer.minMax(), geometry: roi, scale: 1000, maxPixels: 10e13, }); var normalize = ee.ImageCollection.fromImages( img.bandNames().map(function(name) { name = ee.String(name); var band = img.select(name); return band.unitScale( ee.Number(minMax.get(name.cat('_min'))), ee.Number(minMax.get(name.cat('_max'))) ); }) ).toBands().rename(img.bandNames()); return normalize; };2.3 主成分分析（PCA）与RSEI计算
PCA用于降维并提取主要信息：
var pca = function(img) { // Mean center the data var meanDict = img.reduceRegion({ reducer: ee.Reducer.mean(), geometry: region, scale: 1000, maxPixels: 10e13 }); var means = ee.Image.constant(meanDict.values(bandNames)); var centered = img.subtract(means); // Compute covariance and perform eigen analysis var arrays = centered.toArray(); var covar = arrays.reduceRegion({ reducer: ee.Reducer.centeredCovariance(), geometry: region, scale: scale, maxPixels: 10e13 }); var covarArray = ee.Array(covar.get('array')); var eigens = covarArray.eigen(); // Calculate principal components var principalComponents = ee.Image(eigenVectors).matrixMultiply(arrayImage); return principalComponents .arrayProject([0]) .arrayFlatten([getNewBandNames('PC', bandNames)]) .divide(sdImage); };最终RSEI计算基于第一主成分（PC1）：
var rsei = img.expression('constant - pc1', { constant: img.select('constant'), pc1: img.select('PC1') });3. 不同传感器计算RSEI的差异分析
3.1 Landsat与Sentinel-2的指标计算对比
| 指标 | Landsat 8波段组合 | Sentinel-2波段组合 |
|---|---|---|
| NDVI | (B5-B4)/(B5+B4) | (B8-B4)/(B8+B4) |
| Wet | 多波段线性组合(B2-B7) | 多波段线性组合(B2,B3,B4,B8,B11,B12) |
| NDBSI | 基于B2,B3,B4,B5,B6 | 基于B2,B3,B4,B8,B11,B12 |
3.2 空间分辨率对结果的影响
- Landsat 8: 30m（多光谱）
- Sentinel-2: 10m-60m（依波段不同）
- MODIS LST: 1000m
融合建议：
- 降尺度处理
- 分辨率统一化
- 时空一致性检验
4. RSEI应用案例与结果解读
4.1 典型城市生态评估
通过RSEI值可将区域生态状况分为五级：
| RSEI值范围 | 生态等级 | 特征描述 |
|---|---|---|
| 0.8-1.0 | 优 | 植被茂密，湿度高，热岛效应弱 |
| 0.6-0.8 | 良 | 生态系统健康，环境舒适 |
| 0.4-0.6 | 中 | 生态状况一般，存在一定环境压力 |
| 0.2-0.4 | 较差 | 植被稀疏，热岛效应明显 |
| 0.0-0.2 | 差 | 建筑密集，生态功能严重退化 |
4.2 时间序列分析
多期RSEI结果比较可揭示：
- 生态改善/退化趋势
- 城市化进程影响
- 生态工程效果评估
// 多年度RSEI计算示例 var yearList = [2015, 2016, 2017, 2018, 2019]; var rseiCollection = ee.ImageCollection.fromImages( yearList.map(function(year) { return calculateRSEI(year).set('year', year); }) );4.3 结果可视化技巧
GEE中推荐使用的色带：
var visParam = { palette: '040274,040281,0502a3,0502b8,0502ce,0502e6,0602ff,235cb1,307ef3,269db1,30c8e2,32d3ef,3be285,3ff38f,86e26f,3ae237,b5e22e,d6e21f,fff705,ffd611,ffb613,ff8b13,ff6e08,ff500d,ff0000,de0101,c21301,a71001,911003' };可视化最佳实践：
- 使用连续渐变色
- 设置适当的显示范围
- 添加图例说明
- 多时相对比采用相同色标
5. RSEI计算的优化与扩展
5.1 权重调整与自定义指标
标准RSEI采用PCA自动确定权重，但也可手动调整：
// 自定义权重示例 var customRSEI = img.expression( '0.3*NDVI + 0.2*Wet + 0.3*(1-LST) + 0.2*(1-NDBSI)', { 'NDVI': img.select('NDVI'), 'Wet': img.select('WET'), 'LST': img.select('LST'), 'NDBSI': img.select('NDBSI') } );5.2 结合其他数据源
增强RSEI分析的方法：
- 加入夜间灯光数据
- 整合人口密度数据
- 结合高分辨率影像
5.3 机器学习方法的应用
替代PCA的潜在方法：
- 自编码器降维
- 随机森林特征重要性
- 深度学习特征提取
在实际项目中，发现LST数据的时间匹配对结果影响显著。建议使用同期Landsat地表温度产品（如LANDSAT/LC08/C01/T1_TOA）替代MODIS数据，虽然计算复杂度增加，但时空一致性更好。
