基于 GEE 批量下载 Landsat8 地表温度（LST）数据
目录
1 前言
2 数据处理
3 完整代码
4 运行结果
1 前言
地表温度（Land Surface Temperature, LST）是表征地球表面能量平衡和气候系统的重要参数。它不仅影响大气环流与区域气候，而且还与城市热岛效应、植被蒸散作用及土壤水分密切相关。利用卫星遥感数据，可以在大范围、长时间尺度上对地表温度进行连续监测。其中，Landsat 8 提供了中等空间分辨率（30 m）和热红外波段（TIRS），适合区域尺度的地表温度反演。本文展示如何借助 Google Earth Engine (GEE)，实现 2024 年逐月地表温度的自动计算与导出。
数据源选取 Landsat 8 Collection 2 Level 2 SR 产品，包含经过大气校正的地表反射率与亮温数据。本文的代码能够批量生成逐月地表温度数据集，适用于多种研究：
-
城市与区域气候：分析热岛效应时空变化；
-
生态环境保护：评估湿地、森林、农田的热环境差异；
-
农业与水资源管理：监测干旱和蒸散发；
-
灾害风险评估：为热浪和干旱预警提供数据支持。
2 数据处理
（1）划定研究范围（ROI）：
先导入你关注的区域（比如城市、流域等），代码里用roi = table（实际要替换成你在 GEE 资产里的区域路径），还会把区域在地图上标红显示，方便直观查看。
（2）给影像 “去杂质”（掩膜处理）：
卫星拍的图，难免有云、数据饱和这些 “杂质”。我们写了个maskL8sr函数来清理：
- 云掩膜：借助
QA_PIXEL波段，挑出无云干扰的像元； - 饱和掩膜：通过
QA_RADSAT波段，筛选无辐射饱和的像元； - 同时，还对光学波段和热红外波段做 “定标”，把原始数据转换成地表反射率、亮温这些能用的格式。
（3）确定时间范围：
以 2024 年全年为例，设定好起始（2024-01-01）和结束（2025-01-01）时间，算出这期间有多少个月，为后续逐月处理做准备。
（4）批量处理 + 导出：
逐月筛选 Landsat 8 影像，用 “中位合成” 法把当月影像合并（减少噪声，让结果更典型），再裁剪到研究区范围。然后从热红外波段（ST_B10）提取数据，把开尔文温度转成常用的摄氏度，最后批量导出到 Google Drive，每个月的文件都清晰命名，方便后续分析。
3 完整代码
// 步骤1：导入感兴趣区域（ROI）
// 请将下面的路径替换为你自己的 ROI 路径（可在 GEE 资产中获取对应 FeatureCollection 路径）
var roi = table;
Map.addLayer(roi.style({color: "red", fillColor: "00000000"}), {}, "ROI");
Map.centerObject(roi, 8);// 步骤2：定义 Landsat 8 SR 影像掩膜函数（去除云、饱和等无效像元）
function maskL8sr(image) {// 云掩膜：利用 QA_PIXEL 波段，筛选低 5 位为 0 的像元（无云等干扰）var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0);// 饱和像元掩膜：筛选 QA_RADSAT 波段为 0 的像元（无辐射饱和）var saturationMask = image.select('QA_RADSAT').eq(0);// 光学波段定标（转换为地表反射率）var opticalBands = image.select('SR_B.*').multiply(0.0000275).add(-0.2);// 热红外波段定标（转换为亮温）var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);// 添加定标后波段、应用掩膜并返回处理后影像return image.addBands(opticalBands, null, true).addBands(thermalBands, null, true).updateMask(qaMask).updateMask(saturationMask);
}// 步骤3：定义时间范围（以 2024 年全年为例）
var start = ee.Date('2024-01-01');
var end = ee.Date('2025-01-01');
var nMonths = end.difference(start, 'month');// 步骤4：批量逐月合成并导出地表温度数据
ee.List.sequence(0, nMonths.subtract(1)).getInfo().forEach(function(i) {var startMonth = start.advance(i, 'month');var endMonth = startMonth.advance(1, 'month');// 获取当月经过掩膜处理的影像集合var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2').filterDate(startMonth, endMonth).filterBounds(roi).map(maskL8sr);// 中位合成（减少噪声，保留典型值）并裁剪到 ROIvar composite = collection.median().clip(roi);// 提取热红外波段（ST_B10）并转换为摄氏度var lst = composite.select("ST_B10").subtract(273.15) // 开尔文转摄氏度.rename("LST_C");// 可视化第一个月的结果（方便快速查看）if (i === 0) {Map.addLayer(lst, {min: -10, max: 10, palette: ["blue","cyan","green","yellow","red"]}, 'LST Example');}// 导出到 Google DriveExport.image.toDrive({image: lst,description: 'LST_' + startMonth.format('YYYY_MM').getInfo(),fileNamePrefix: 'LST_' + startMonth.format('YYYY_MM').getInfo(),folder: 'Landsat8_LST', // 可自定义文件夹名region: roi,scale: 30, // 空间分辨率 30 米maxPixels: 1e13,crs: 'EPSG:4326' // WGS84 坐标系});
});
4 运行结果
