保姆级教程：在GEE上调用GEDI激光雷达数据，5分钟绘制全球植被高度图

5分钟极速上手：用GEE调用GEDI数据绘制专业级植被高度图

第一次接触激光雷达植被高度数据时，我被那些复杂的参数和庞大的数据集吓退了三次。直到发现Google Earth Engine（GEE）这个神器，配合GEDI卫星的开放数据，原来绘制一张科研级的全球植被高度分布图，真的只需要5分钟——这比我煮一杯咖啡的时间还短。

1. 认识GEDI：太空中的激光尺子

GEDI（Global Ecosystem Dynamics Investigation）是NASA安装在空间站上的激光雷达系统，它像一把精密的太空尺子，每秒向地球发射242次激光脉冲，通过测量激光返回时间计算植被高度。与传统光学遥感不同，GEDI能穿透树冠直达地面，获取真实的植被三维结构。

关键参数rh98：在GEDI02_A数据产品中，rh98表示98%激光能量返回的高度，比常用的rh100（树冠顶部高度）更稳定，受零星高大树木影响更小。这也是我们绘制植被高度图的首选指标。

提示：GEDI数据有8个独立波束，每月覆盖全球热带和温带地区（51.6°S-51.6°N），空间分辨率约25米。

2. 零基础搭建GEE开发环境

2.1 快速注册与界面导航

1. 访问 Google Earth Engine官网 用Google账号登录
2. 点击"Code Editor"进入开发环境
3. 左侧面板说明：
   • Scripts：保存代码文件
   • Assets：上传自定义研究区域边界
   • 中间代码编辑区是我们的主战场

// 测试环境是否正常 - 运行后会显示全球地图 var dummy = ee.Image(1); Map.addLayer(dummy, {min:0, max:1}, '测试图层'); Map.setCenter(0, 0, 2); // 定位到非洲中部

2.2 加载研究区域边界

两种常用方法：

• 手动绘制：点击地图上方工具栏的多边形图标
• 导入矢量文件：

  // 示例：加载亚马逊雨林边界 var amazon = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017') .filter(ee.Filter.eq('country_co', 'BR')); Map.addLayer(amazon, {}, 'Amazon Boundary');

3. 核心代码解析：从数据筛选到可视化

3.1 数据过滤与质量控制

GEDI02_A数据包含156个图层，我们需要先进行质量筛选：

var qualityMask = function(image) { // quality_flag=1表示数据可用，degrade_flag=0表示无降质 return image.updateMask(image.select('quality_flag').eq(1)) .updateMask(image.select('degrade_flag').eq(0)); }; var dataset = ee.ImageCollection('LARSE/GEDI/GEDI02_A_002_MONTHLY') .filterDate('2020-01-01', '2020-12-31') // 时间过滤 .filterBounds(amazon) // 空间过滤 .map(qualityMask) // 质量过滤 .select('rh98'); // 选择rh98波段

3.2 高度计算与可视化

将多个月数据聚合并应用专业配色：

// 计算年度平均高度 var heightMean = dataset.mean().clip(amazon); // 专业级配色方案（单位：米） var palette = [ 'FF0000', 'FF5500', 'FFAA00', // 红色系：0-15m灌木 'FFFF00', 'AAFF00', '55FF00', // 黄色系：15-30m中等乔木 '00FF00', '00AA55', '0055AA', // 绿色系：30-45m高大乔木 '0000FF', '2B00AA', '550055' // 蓝色系：>45m超高大乔木 ]; Map.addLayer(heightMean, {min:0, max:60, palette: palette}, 'Vegetation Height');

4. 进阶技巧：让图表更专业

4.1 添加比例尺与图例

// 自定义图例 var legend = ui.Panel({ style: { position: 'bottom-right', padding: '8px' } }); // 图例标题 var legendTitle = ui.Label({ value: '植被高度 (米)', style: {fontWeight: 'bold'} }); legend.add(legendTitle); // 颜色条带 var makeColorBarParams = { color: palette, min: 0, max: 60, width: 300, height: 15 }; var colorBar = ui.Thumbnail({ image: ee.Image.pixelLonLat().select(0), params: makeColorBarParams }); legend.add(colorBar); // 添加到地图 Map.add(legend);

4.2 数据导出与论文应用

导出GeoTIFF到Google Drive：

Export.image.toDrive({ image: heightMean, description: 'Amazon_Vegetation_Height_2020', fileNamePrefix: 'GEDI_rh98_Amazon', region: amazon, scale: 30, maxPixels: 1e13, fileFormat: 'GeoTIFF', formatOptions: { cloudOptimized: true } });

常见导出问题解决：

• maxPixels报错：适当降低分辨率（增大scale值）
• 空白图像：检查区域边界是否有效
• 像素值异常：添加.unmask(-9999)处理无数据区域

5. 实战案例：全球典型区域对比分析

5.1 东南亚热带雨林 vs 北美温带森林

// 定义对比区域 var seAsia = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017') .filter(ee.Filter.or( ee.Filter.eq('country_co', 'ID'), // 印度尼西亚 ee.Filter.eq('country_co', 'MY') // 马来西亚 )); var northAmerica = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017') .filter(ee.Filter.eq('country_co', 'US')); // 美国 // 计算区域平均高度 var calcMeanHeight = function(region) { return dataset.mean().clip(region).reduceRegion({ reducer: ee.Reducer.mean(), geometry: region, scale: 1000, maxPixels: 1e9 }).get('rh98'); }; print('东南亚平均高度 (m)', calcMeanHeight(seAsia)); print('北美平均高度 (m)', calcMeanHeight(northAmerica));

典型结果对比：

5.2 时间序列分析技巧

// 计算月度平均高度变化 var monthlyMeans = ee.ImageCollection( ee.List.sequence(1, 12).map(function(month) { var start = ee.Date('2020-01-01').advance(month-1, 'month'); var end = start.advance(1, 'month'); return dataset.filterDate(start, end) .mean() .set('month', month); }) ); // 绘制时间序列图表 var chart = ui.Chart.image.series({ imageCollection: monthlyMeans, region: amazon, reducer: ee.Reducer.mean(), scale: 1000 }).setOptions({ title: '2020年亚马逊雨林植被高度月变化', vAxis: {title: '平均高度 (m)'}, hAxis: {title: '月份', ticks: [{v:1, f:'1月'}, /*...*/ {v:12, f:'12月'}]} }); print(chart);

6. 避坑指南：新手常见问题

1. 数据缺失问题：

   • GEDI轨道间距约600米，小区域可能出现数据空白
   • 解决方案：扩大时间范围或研究区域

2. 异常高值处理：

   // 过滤异常值（>100m） var cleaned = dataset.map(function(image) { return image.updateMask(image.lte(100)); });

3. 与其它数据源对比：

   • 激光雷达 vs 光学遥感：GEDI测量的是物理高度，NDVI反映的是植被绿度
   • 交叉验证建议：结合Landsat或Sentinel-2数据

4. 性能优化技巧：

   • 先小范围测试再全区域运行
   • 使用.mean()替代.mosaic()提高计算效率
   • 适当降低导出分辨率（scale参数）

第一次成功导出亚马逊雨林高度图时，我被那些深浅不一的绿色震撼到了——原来科研真的可以如此直观。记得最初测试时因为忘记加qualityMask，结果图上全是噪点，这个教训让我深刻理解了数据质量控制的重要性。现在每次分析新区域，我的第一件事就是检查degrade_flag。