目录

1 地表温度（LST）

2 数据准备

3 代码实现

3.1 加载研究区与数据集

3.2 数据预处理与标准化

3.3 逐年批量导出

3.4 可视化结果

4 运行结果

5 完整代码

---

1 地表温度（LST）

在遥感领域，地表温度（Land Surface Temperature, LST）是研究气候变化、城市热岛效应、农业干旱评估等方面的重要指标。本文将以Google Earth Engine（GEE）为工具，详细解析如何高效地批量下载MODIS地表温度数据，结合代码实现逐年地表温度指标的计算与导出。

地表温度（LST）是地表辐射热量的直接表现，MODIS数据产品（如MOD11A2）为全球范围提供了高时间分辨率和高空间分辨率的LST观测数据。其优点包括：

高时空覆盖：
MODIS传感器提供连续的全球地表观测，时空分辨率适中（1公里）。

长期序列：
  可获取2000年至今的地表温度数据，适用于长期趋势分析。

然而，由于数据量大、时间序列长，在传统本地化处理模式下会遇到存储与计算瓶颈。Google Earth Engine提供了云端计算平台，能够高效完成大范围、多年份地表温度数据的处理和下载。

2 数据准备

研究区定义：
ROI（Region of Interest）代表研究区域，可以通过矢量文件或手动绘制来定义。本文假设已经定义了一个研究区roi。

MODIS数据集：
MODIS LST数据集选择MOD11A2，其包含地表白天温度LST_Day_1km波段，数据分辨率为1公里。

数据范围：
时间范围：2000年至2023年。
空间范围：ROI覆盖范围内。

3 代码实现

以下代码展示了如何利用GEE平台逐年提取地表温度，并进行数据标准化与导出。

3.1 加载研究区与数据集

// 定义研究区ROI，中心化显示
Map.centerObject(roi);// 加载MODIS地表温度数据
var LST_img = ee.ImageCollection('MODIS/061/MOD11A2').filterBounds(roi)  // 筛选研究区范围.select('LST_Day_1km'); // 选择白天地表温度波段

3.2 数据预处理与标准化

MODIS LST数据以0.02为缩放因子（scale factor），其单位为开尔文（Kelvin）。在使用过程中需要将其转换为摄氏度，并进行归一化处理。

// 数据标准化函数
function norm_img(image) {var minmax = image.reduceRegion({reducer: ee.Reducer.minMax(),geometry: roi,scale: 250,maxPixels: 1e9}).values();return image.unitScale(minmax.get(1), minmax.get(0)); // 归一化处理
}// 逐年获取地表温度
function getLST(year) {var rawLST = LST_img.filter(ee.Filter.calendarRange(year, year, 'year')).filter(ee.Filter.calendarRange(4, 10, 'month')) // 筛选4月至10月.mean().clip(roi) // 取均值并裁剪至研究区.multiply(0.02).subtract(273.15) // 转换为摄氏度.rename('lst'); // 重命名为LSTreturn norm_img(rawLST); // 返回归一化后的数据
}

3.3 逐年批量导出

批量导出功能是利用GEE的Export.image.toDrive接口实现，代码如下：

// 定义研究年份范围
var years = ee.List.sequence(2000, 2023);// 逐年导出地表温度
years.getInfo().forEach(function (year) {var lst = getLST(year);Export.image.toDrive({image: lst.clip(roi), // 裁剪至研究区description: year + '_LST', // 导出描述folder: 'LST_Exports', // 导出文件夹fileNamePrefix: year + '_LST', // 文件名前缀region: roi.geometry().bounds(), // 导出区域scale: 250, // 空间分辨率250米maxPixels: 1e13 // 最大像素限制});
});

3.4 可视化结果

为了方便验证数据质量，可以在地图中叠加可视化图层，展示某一年份的地表温度分布。

// 可视化2000年的LST
var lst2000 = getLST(2000);
Map.addLayer(lst2000, {min: 0, max: 1, palette: ["blue", "green", "yellow", "red"]}, '2000 LST');

4 运行结果

执行代码后，所有年份的LST数据会以GeoTIFF格式保存在Google Drive指定的LST_Exports文件夹中，文件名形如2000_LST.tif。

5 完整代码

// 定义研究区roi，中心化显示
var roi = table;
Map.centerObject(roi);// 加载MODIS地表温度数据
var LST_img = ee.ImageCollection('MODIS/061/MOD11A2').filterBounds(roi)  // 筛选研究区范围.select('LST_Day_1km'); // 选择白天地表温度波段// 数据标准化函数
function norm_img(image) {var minmax = image.reduceRegion({reducer: ee.Reducer.minMax(),geometry: roi,scale: 250,maxPixels: 1e9}).values();return image.unitScale(minmax.get(1), minmax.get(0)); // 归一化处理
}// 逐年获取地表温度
function getLST(year) {var rawLST = LST_img.filter(ee.Filter.calendarRange(year, year, 'year')).filter(ee.Filter.calendarRange(4, 10, 'month')) // 筛选4月至10月.mean().clip(roi) // 取均值并裁剪至研究区.multiply(0.02).subtract(273.15) // 转换为摄氏度.rename('lst'); // 重命名为LSTreturn norm_img(rawLST); // 返回归一化后的数据
}// 定义研究年份范围
var years = ee.List.sequence(2000, 2023);// 逐年导出地表温度
years.getInfo().forEach(function (year) {var lst = getLST(year);Export.image.toDrive({image: lst.clip(roi), // 裁剪至研究区description: year + '_LST', // 导出描述folder: 'LST_Exports', // 导出文件夹fileNamePrefix: year + '_LST', // 文件名前缀region: roi.geometry().bounds(), // 导出区域scale: 250, // 空间分辨率250米maxPixels: 1e13 // 最大像素限制});
});// 可视化2000年的LST
var lst2000 = getLST(2000);
Map.addLayer(lst2000, {min: 0, max: 1, palette: ["blue", "green", "yellow", "red"]}, '2000 LST');