零基础玩转GEE：用Landsat 5数据实现缨帽变换全流程指南
第一次接触Google Earth Engine（GEE）时，看着满屏的代码和术语，我完全摸不着头脑。直到发现缨帽变换这个神奇的工具——它能将复杂的卫星影像简化为直观的亮度、绿度和湿度指标，就像给地球表面做了一次"CT扫描"。本文将带你从零开始，用最简单的步骤完成整个分析流程。
1. 为什么选择Landsat 5数据？
在开始实操前，我们需要了解Landsat 5的独特优势。这颗服役28年的卫星（1984-2013）创造了航天史上的奇迹，其数据具有三大不可替代性：
- 时间跨度长：覆盖了全球环境变化最剧烈的三十年
- 波段设计经典：6个光学波段完美适配缨帽变换需求
- 免费开放政策：所有数据均可通过GEE直接调用
与其他卫星对比：
| 传感器 | 时间范围 | 适用性 | 数据获取难度 |
|---|---|---|---|
| Landsat 5 | 1984-2013 | ★★★★★ | ★☆☆☆☆ |
| Landsat 8/9 | 2013-至今 | ★★★★☆ | ★☆☆☆☆ |
| Sentinel-2 | 2015-至今 | ★★★☆☆ | ★★☆☆☆ |
提示：虽然Landsat 8/9更新，但其波段设置与Landsat 5略有不同，需要调整变换系数。对新手来说，建议先用Landsat 5掌握基本原理。
2. GEE环境准备与数据获取
打开GEE代码编辑器（https://code.earthengine.google.com/），我们先完成基础设置：
// 初始化地图视图 Map.setOptions('SATELLITE'); // 使用卫星底图 Map.setControlVisibility(false); // 隐藏默认控件 // 定义研究区域（以旧金山湾区为例） var studyArea = ee.Geometry.Rectangle([-122.6, 37.2, -121.8, 38.1]); Map.centerObject(studyArea, 9); // 缩放级别设为9获取Landsat 5数据的正确姿势：
// 筛选指定时间和区域的Landsat 5 TOA数据 var landsat5 = ee.ImageCollection('LANDSAT/LT05/C01/T1_TOA') .filterDate('2006-01-01', '2006-12-31') // 选择2006年数据 .filterBounds(studyArea) // 限定研究区域 .sort('CLOUD_COVER') // 按云量排序 .first(); // 选择云量最少的影像 print('使用的Landsat 5影像元数据', landsat5);常见问题排查：
- 报错"ImageCollection is empty"：检查日期范围是否在1984-2013之间
- 影像不显示：确认studyArea坐标是否正确
- 云量过多：尝试调整filterDate范围或放宽cloudCover过滤条件
3. 缨帽变换完整实现步骤
3.1 定义变换系数矩阵
Landsat 5的缨帽变换系数是固定的，直接复制这段代码即可：
var coefficients = ee.Array([ [0.3037, 0.2793, 0.4743, 0.5585, 0.5082, 0.1863], // 亮度 [-0.2848, -0.2435, -0.5436, 0.7243, 0.0840, -0.1800], // 绿度 [0.1509, 0.1973, 0.3279, 0.3406, -0.7112, -0.4572] // 湿度 ]);3.2 数据预处理关键步骤
// 选择需要的波段（注意Landsat 5的波段编号） var bands = ['B1', 'B2', 'B3', 'B4', 'B5', 'B7']; var image = landsat5.select(bands); // 转换为数组形式 var arrayImage1D = image.toArray(); var arrayImage2D = arrayImage1D.toArray(1);3.3 矩阵运算与结果生成
// 执行缨帽变换计算 var componentsImage = ee.Image(coefficients) .matrixMultiply(arrayImage2D) .arrayProject([0]) .arrayFlatten([['brightness', 'greenness', 'wetness']]); // 打印结果检查 print('缨帽变换结果', componentsImage);4. 结果可视化技巧
让结果更直观的显示参数设置：
var vizParams = { bands: ['brightness', 'greenness', 'wetness'], min: [-0.2, -0.1, -0.1], // 各波段最小值 max: [0.6, 0.2, 0.2], // 各波段最大值 gamma: 1.5 // 伽马校正值 }; Map.addLayer(componentsImage, vizParams, 'Tasseled Cap');不同地物在缨帽变换中的典型表现：
| 地物类型 | 亮度值 | 绿度值 | 湿度值 |
|---|---|---|---|
| 裸土 | 高 | 低 | 中低 |
| 茂密植被 | 中 | 高 | 中高 |
| 水体 | 低 | 低 | 高 |
| 城市区域 | 高 | 低 | 低 |
注意：初次使用时，建议调整min/max值观察效果。按住Ctrl键拖动鼠标可以查看像素值。
5. 进阶技巧与常见问题
5.1 适配Landsat 8/9的调整方法
如果需要处理更新的Landsat数据，只需更换系数矩阵：
// Landsat 8/9缨帽变换系数 var l8Coefficients = ee.Array([ [0.3029, 0.2786, 0.4733, 0.5599, 0.5080, 0.1872], // 亮度 [-0.2941, -0.2430, -0.5424, 0.7276, 0.0713, -0.1608], // 绿度 [0.1511, 0.1973, 0.3283, 0.3407, -0.7117, -0.4559] // 湿度 ]);5.2 批量处理整个影像集
// 定义处理函数 var applyTCT = function(image) { var bands = ['B1', 'B2', 'B3', 'B4', 'B5', 'B7']; var arrayImage = image.select(bands).toArray().toArray(1); return ee.Image(coefficients) .matrixMultiply(arrayImage) .arrayProject([0]) .arrayFlatten([['brightness', 'greenness', 'wetness']]); }; // 对整个影像集应用变换 var collection = ee.ImageCollection('LANDSAT/LT05/C01/T1_TOA') .filterDate('2005-01-01', '2005-12-31') .filterBounds(studyArea) .map(applyTCT);5.3 典型报错解决方案
"Band names mismatch"：
- 检查select()中的波段名称是否与影像匹配
- Landsat 5必须使用['B1','B2','B3','B4','B5','B7']
"Array length mismatch"：
- 确认系数矩阵是否为6列
- 检查影像是否确实包含6个波段
"Image not displayed"：
- 调整vizParams中的min/max值
- 尝试单独显示各个分量（如只显示'greenness'）
6. 实际应用案例
6.1 植被变化监测
通过比较不同年份的绿度分量，可以直观看到植被变化：
// 计算2006年和2011年绿度差异 var greenness2006 = componentsImage.select('greenness'); var greenness2011 = applyTCT( ee.ImageCollection('LANDSAT/LT05/C01/T1_TOA') .filterDate('2011-01-01', '2011-12-31') .first() ).select('greenness'); var change = greenness2011.subtract(greenness2006); Map.addLayer(change, {min: -0.05, max: 0.05, palette: ['red', 'white', 'green']}, '绿度变化');6.2 城市扩张分析
亮度分量特别适合监测城市建设：
// 提取高亮度区域（可能为建筑） var urbanMask = componentsImage.select('brightness').gt(0.4); Map.addLayer(urbanMask.selfMask(), {palette: ['yellow']}, '城市区域');6.3 土壤湿度评估
结合湿度和亮度分量可以识别干旱区域：
// 干旱指数简易计算 var dryness = componentsImage.expression( 'brightness - wetness', { 'brightness': componentsImage.select('brightness'), 'wetness': componentsImage.select('wetness') }); Map.addLayer(dryness, {min: -0.2, max: 0.5, palette: ['blue', 'white', 'brown']}, '干湿指数');记得保存你的脚本，点击编辑器右上角的"Save"按钮，给项目起个有意义的名字。当我在第一次成功运行出缨帽变换结果时，那种成就感至今难忘——原来卫星影像分析可以如此直观有趣。
