当前位置：首页 > news >正文

基于 GEE 使用 OTSU 算法赋能遥感水体自动化提取：从自动阈值计算到高效分割的水体自动分割方案

news 2025/10/23 12:37:53

一、初始化设置：研究区与参数定义

（一）研究区加载与地图配置

（二）年份参数定义

二、影像预处理函数：消除噪声与还原物理意义

（一）缩放因子应用函数（applyScaleFactors）：还原物理量

（二）云及云阴影去除函数（maskL8sr）：消除干扰

三、水体指数计算函数：增强水体信息

（一）改进型归一化水体指数（MNDWI）

（二）归一化水体指数（NDWI）

四、影像集加载与批量处理：构建年度合成影像

五、结果可视化：直观展示处理效果

（一）真彩色影像可视化

（二）MNDWI 指数可视化

六、OTSU 算法自动阈值分割：确定水体提取阈值

（一）MNDWI 直方图计算

（二）OTSU 算法函数实现（otsu）

（三）计算并打印最佳阈值

七、水体提取与结果导出：生成最终成果

（一）水体提取与可视化

（二）导出水体结果到 Google Drive

八、关键技术亮点与注意事项

九、运行结果

若觉得代码对您的研究 / 项目有帮助，欢迎点击打赏支持！需要完整代码的朋友，打赏后可在后台私信（复制文章标题发给我），我会尽快发您完整可运行代码，感谢支持！

本代码基于Google Earth Engine（GEE）平台开发，面向 Landsat 8 卫星影像的水体提取场景，实现了从 “影像加载 - 预处理 - 指数计算 - 自动阈值分割 - 水体提取 - 结果导出” 的全流程自动化处理。核心技术依托 Landsat 8 的多光谱特性（包含光学波段与热红外波段）、归一化水体指数（MNDWI/NDWI）的水体增强能力，以及 OTSU 算法的自适应阈值分割优势，最终实现研究区年度水体分布的精准识别，可应用于水资源调查、湿地监测、洪涝灾害评估等领域。

一、初始化设置：研究区与参数定义

（一）研究区加载与地图配置

var roi = table;
Map.addLayer(roi, {'color': 'grey'}, '研究区');
Map.centerObject(roi);

roi 变量：roi 是 “Region of Interest（感兴趣区域）” 的缩写，此处赋值为预设的 table（通常是 GEE 中导入的矢量数据，如 Shapefile、KML 等，包含研究区的边界坐标信息），是后续所有影像处理的空间范围基准。
Map.addLayer() 函数：将研究区矢量边界添加到 GEE 地图界面，参数含义如下：
- 第一个参数 roi：指定要添加的图层数据（即研究区矢量）；
- 第二个参数 {'color': 'grey'}：设置矢量边界的显示颜色为灰色，便于在地图上区分研究区范围；
- 第三个参数 '研究区'：图层名称，将显示在地图右侧的图层控制面板中，方便用户识别。
Map.centerObject(roi) 函数：自动将地图视角定位到研究区中心位置，无需手动缩放或平移，确保研究区完整显示在当前视图中，提升操作便捷性。

（二）年份参数定义

var year = 2024;

定义分析的目标年份为 2024 年，该参数为 “可配置变量”：用户可根据需求修改为任意年份（如 2020、2023 等），后续影像筛选、结果命名等步骤会自动适配该年份，体现代码的灵活性。

二、影像预处理函数：消除噪声与还原物理意义

Landsat 8 原始影像存在两类关键问题：一是像素值为 “量化值”（无实际物理意义），需缩放转换；二是云及云阴影会遮挡地表信息，干扰水体识别，因此需针对性设计预处理函数。

（一）缩放因子应用函数（`applyScaleFactors`）：还原物理量

function applyScaleFactors(image) {var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);return image.addBands(opticalBands, null, true).addBands(thermalBands, null, true);
}

函数作用：将 Landsat 8 影像的 “数字量化值（DN 值）” 转换为具有实际物理意义的 “地表反射率”（光学波段）和 “地表温度（K）”（热红外波段），这是后续指数计算和地物识别的前提。
光学波段处理（opticalBands）：
- image.select('SR_B.')：筛选影像中所有以 “SR_B” 开头的波段（即 “地表反射率波段”，如 SR_B1 为紫外波段、SR_B2 为蓝波段、SR_B3 为绿波段等），'SR_B.' 中的 . 是通配符，匹配任意字符，实现批量筛选；
- multiply(0.0000275).add(-0.2)：根据 USGS（美国地质调查局）提供的 Landsat 8 数据说明，地表反射率波段的 DN 值需通过 “DN 值 × 0.0000275 - 0.2” 的公式转换为实际反射率（范围通常在 0-1 之间）。
热红外波段处理（thermalBands）：
- image.select('ST_B.*')：筛选影像中所有以 “ST_B” 开头的波段（即 “地表温度波段”，如 ST_B10、ST_B11）；
- multiply(0.00341802).add(149.0)：热红外波段的 DN 值转换公式为 “DN 值 × 0.00341802 + 149.0”，转换后结果单位为 “开尔文（K）”，后续可根据需求转换为摄氏度（℃ = K - 273.15）。
返回结果：通过 addBands(..., null, true) 将处理后的光学波段和热红外波段 “替换” 到原始影像中（true 表示覆盖同名原始波段），确保后续操作使用的是转换后的物理量数据。

（二）云及云阴影去除函数（`maskL8sr`）：消除干扰

function maskL8sr(image) {var cloudShadowBitMask = (1 << 4); // 云阴影比特位var cloudsBitMask = (1 << 3);      // 云比特位var qa = image.select('QA_PIXEL');    var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0).and(qa.bitwiseAnd(cloudsBitMask).eq(0));return image.updateMask(mask).copyProperties(image).copyProperties(image, ["system:time_start"]);
}

函数作用：利用 Landsat 8 的 “质量控制波段（QA_PIXEL）”，通过 “比特位运算” 生成掩膜（mask），屏蔽影像中的云及云阴影区域，只保留清晰的地表信息。
比特位掩码定义：
- (1 << 4)：表示将数字 1 向左移动 4 位，二进制结果为 10000（十进制为 16），对应 QA_PIXEL 波段中 “云阴影” 的标识位（根据 USGS 说明，QA_PIXEL 波段的第 4 位为 1 表示该像素是云阴影）；
- (1 << 3)：将数字 1 向左移动 3 位，二进制结果为 1000（十进制为 8），对应 QA_PIXEL 波段中 “云” 的标识位（第 3 位为 1 表示该像素是云）。
质量控制波段筛选（qa = image.select('QA_PIXEL')）：QA_PIXEL 波段是 Landsat 8 专门用于标记像素质量的波段，每个像素的二进制值中，不同比特位代表不同的质量信息（如云、云阴影、雪、水体等）。
掩膜生成（mask）：
- qa.bitwiseAnd(cloudShadowBitMask).eq(0)：对 QA_PIXEL 波段与云阴影掩码进行 “按位与” 运算，若结果为 0，说明该像素的云阴影标识位为 0（即非云阴影）；
- .and(...)：将上述结果与 “非云” 条件（qa.bitwiseAnd(cloudsBitMask).eq(0)）进行 “逻辑与” 运算，最终得到 “非云且非云阴影” 的像素掩膜（mask 中 1 表示有效像素，0 表示无效像素）。
应用掩膜与保留属性：
- image.updateMask(mask)：将掩膜应用到原始影像，无效像素（云、云阴影）会被设为 “无数据”（透明）；
- copyProperties(image) 和 copyProperties(image, ["system:time_start"])：保留原始影像的所有属性（如拍摄时间、云量等），避免后续时间筛选或统计分析出错。

三、水体指数计算函数：增强水体信息

水体在不同波段的反射率具有显著特征（如绿波段反射率高、中红外 / 近红外波段反射率低），通过 “归一化差值运算” 可突出水体与其他地物（如植被、建筑、裸地）的差异，生成的 “水体指数” 是水体提取的核心依据。

（一）改进型归一化水体指数（MNDWI）

function mNDWI(img) {var mndwi = img.normalizedDifference(['SR_B3', 'SR_B6']).rename("MNDWI");return img.addBands(mndwi);
}

原理：MNDWI 由徐涵秋提出，通过 “绿波段（SR_B3）” 和 “中红外波段（SR_B6）” 计算，公式为：MNDWI = (绿波段反射率 - 中红外波段反射率) / (绿波段反射率 + 中红外波段反射率)水体在绿波段反射率较高、中红外波段反射率极低，因此 MNDWI 值通常为正（且较大）；而植被、裸地等在中红外波段反射率较高，MNDWI 值通常为负（或接近 0），从而实现水体与其他地物的区分。
函数逻辑：
- img.normalizedDifference(['SR_B3', 'SR_B6'])：调用 GEE 内置的 normalizedDifference 函数，输入 “分子波段（SR_B3）” 和 “分母波段（SR_B6）”，自动计算归一化差值；
- .rename("MNDWI")：将计算结果的波段名改为 “MNDWI”，便于后续识别；
- return img.addBands(mndwi)：将 MNDWI 波段添加到原始影像中，确保后续处理可直接调用该波段。

（二）归一化水体指数（NDWI）

function NDWI(img) {var ndwi = img.normalizedDifference(['SR_B3', 'SR_B5']).rename("NDWI");return img.addBands(ndwi);
}

原理：NDWI 由 McFeeters 提出，通过 “绿波段（SR_B3）” 和 “近红外波段（SR_B5）” 计算，公式为：NDWI = (绿波段反射率 - 近红外波段反射率) / (绿波段反射率 + 近红外波段反射率)与 MNDWI 类似，水体的 NDWI 值为正，但 NDWI 对植被的抑制能力较弱（植被在近红外波段反射率高，可能导致部分植被区域 NDWI 值接近水体），因此在植被覆盖度高的区域，MNDWI 提取水体的准确性通常优于 NDWI。
函数逻辑：与 MNDWI 函数一致，仅将分母波段从 “中红外波段（SR_B6）” 替换为 “近红外波段（SR_B5）”，最终将 NDWI 波段添加到原始影像。

四、影像集加载与批量处理：构建年度合成影像

Landsat 8 卫星的重访周期为 16 天（即同一区域每 16 天拍摄一次），全年会产生多幅影像，需通过 “筛选 - 预处理 - 合成” 步骤，构建研究区的年度无云影像，减少单幅影像的噪声和云干扰。

var imgL = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2').filterBounds(roi).filterDate(ee.Date.fromYMD(year, 1, 1), ee.Date.fromYMD(year + 1, 1, 1)).filter(ee.Filter.lt('CLOUD_COVER', 10)) // 筛选云量小于10%的影像.map(applyScaleFactors).map(maskL8sr).map(mNDWI).mean() // 计算年度均值合成.clip(roi);

加载影像集（ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')）：加载 GEE 平台内置的 Landsat 8 影像集，编号 “LC08/C02/T1_L2” 表示 “Landsat 8、C2 级（第二版数据）、T1 级（辐射校正 terrain-corrected）、L2 级（地表反射率 / 温度产品）”，该产品已完成大气校正，可直接用于地物分析。
空间筛选（filterBounds(roi)）：仅保留影像中与研究区（roi）有重叠的部分，排除无关区域，减少数据处理量。
时间筛选（filterDate(...)）：通过 ee.Date.fromYMD(year, 1, 1) 生成目标年份 1 月 1 日的日期，ee.Date.fromYMD(year + 1, 1, 1) 生成次年 1 月 1 日的日期，筛选出这两个日期之间（即全年）的影像。
云量筛选（filter(ee.Filter.lt('CLOUD_COVER', 10))）：筛选影像属性中 “云量（CLOUD_COVER）” 小于 10% 的影像，进一步降低云对后续处理的干扰（云量越低，影像质量越高）。
批量预处理（map(...)）：
- map(applyScaleFactors)：对筛选后的每幅影像应用 “缩放因子函数”，转换为物理量；
- map(maskL8sr)：对每幅影像应用 “云去除函数”，屏蔽云及云阴影；
- map(mNDWI)：对每幅影像计算 MNDWI 指数（代码中 NDWI 函数未被调用，可根据需求添加 map(NDWI)）。
年度均值合成（mean()）：对全年经过预处理的所有影像，按像素计算 “均值”，生成一幅 “年度合成影像”。均值合成可平滑单幅影像的噪声（如局部云残留、大气扰动），同时反映全年地表覆盖的平均状态（适用于静态水体提取，如湖泊、河流）。
裁剪到研究区（clip(roi)）：将年度合成影像裁剪为研究区范围，去除研究区外的无关像素，确保后续分析和导出的数据仅包含目标区域。

五、结果可视化：直观展示处理效果

可视化是验证处理结果的重要步骤，通过在 GEE 地图上添加不同图层，可直观查看真彩色影像、水体指数分布，为后续阈值分割结果的合理性提供参考。

（一）真彩色影像可视化

var visParam = {bands: ['SR_B4', 'SR_B3', 'SR_B2'], min: 0, max: 0.3};
Map.addLayer(imgL, visParam, 'Landsat 8真彩色');

visParam 参数配置：
- bands: ['SR_B4', 'SR_B3', 'SR_B2']：指定地图显示的波段组合为 “SR_B4（红波段）、SR_B3（绿波段）、SR_B2（蓝波段）”，该组合与人类肉眼观察到的 “红 - 绿 - 蓝” 三色一致，因此称为 “真彩色影像”，地表地物（如水体为蓝色、植被为绿色、建筑为灰色）的颜色与实际一致，便于直观判断影像质量。
- min: 0, max: 0.3：设置反射率的显示范围为 0-0.3。由于地表反射率通常在 0-1 之间，而大部分地物的反射率集中在 0-0.3（如水体反射率约 0.05-0.2，植被反射率约 0.05-0.3），设置该范围可避免过亮或过暗，提升影像视觉效果。
Map.addLayer(...)：将配置好的真彩色影像添加到地图，图层名称为 “Landsat 8 真彩色”。

（二）MNDWI 指数可视化

Map.addLayer(imgL.select("MNDWI"), {'min': 0, 'max': 1, 'palette': ['000000', '0000FF']}, 'MNDWI指数');

imgL.select("MNDWI")：从年度合成影像中筛选出 MNDWI 波段，单独进行可视化。
可视化参数：
- min: 0, max: 1：MNDWI 值的理论范围为 -1-1，而水体的 MNDWI 值通常大于 0，非水体（如植被、裸地）通常小于 0，因此设置显示范围为 0-1，可突出水体区域；
- palette: ['000000', '0000FF']：设置颜色渐变方案，从 “黑色（000000）” 到 “蓝色（0000FF）”，MNDWI 值越接近 0，颜色越黑（非水体或弱水体）；MNDWI 值越接近 1，颜色越蓝（强水体，如深水区），便于直观区分水体强度。
图层名称：“MNDWI 指数”，添加到地图后可与真彩色影像叠加查看，验证 MNDWI 对水体的增强效果。

六、OTSU 算法自动阈值分割：确定水体提取阈值

手动设置阈值（如 MNDWI > 0.2 为水体）存在主观性，且不同区域、不同年份的阈值差异较大；OTSU 算法通过分析 MNDWI 指数的直方图分布，自动寻找 “类间方差最大” 的阈值，实现水体与非水体的最优分割，是一种自适应阈值方法。

（一）MNDWI 直方图计算

var histogram = imgL.select("MNDWI").reduceRegion({reducer: ee.Reducer.histogram(50).combine('mean', null, true).combine('variance', null, true), geometry: roi, scale: 30,bestEffort: true
});
print("MNDWI直方图", histogram);

函数作用：对研究区范围内的 MNDWI 指数进行 “区域统计”，计算直方图、均值、方差，为 OTSU 算法提供数据输入。
关键参数拆解：
- reducer: ...：指定统计方法（reducer），此处通过 combine 函数组合了三种统计：
  - ee.Reducer.histogram(50)：计算 MNDWI 值的直方图，将 MNDWI 范围（0-1）分为 50 个区间（bin），统计每个区间内的像素数量；
  - combine('mean', null, true)：同时计算 MNDWI 指数的均值；
  - combine('variance', null, true)：同时计算 MNDWI 指数的方差；
- geometry: roi：指定统计的空间范围为研究区；
- scale: 30：指定统计的分辨率为 30 米（与 Landsat 8 影像的原始分辨率一致），确保统计结果与影像像素一一对应；
- bestEffort: true：当研究区范围过大、像素数量过多时，GEE 会自动降低分辨率（不低于 30 米）以避免计算过载，保证统计任务顺利完成；
- print("MNDWI直方图", histogram)：在 GEE 控制台打印统计结果，包括每个区间的像素数、均值、方差，便于用户查看 MNDWI 分布特征。

（二）OTSU 算法函数实现（`otsu`）

var otsu = function(histogram) {var counts = ee.Array(ee.Dictionary(histogram).get('histogram'));var means = ee.Array(ee.Dictionary(histogram).get('bucketMeans'));var size = means.length().get([0]);var total = counts.reduce(ee.Reducer.sum(), [0]).get([0]);var sum = means.multiply(counts).reduce(ee.Reducer.sum(), [0]).get([0]);var mean = sum.divide(total);var indices = ee.List.sequence(1, size);// 计算类间方差var bss = indices.map(function(i) {var aCounts = counts.slice(0, 0, i);var aCount = aCounts.reduce(ee.Reducer.sum(), [0]).get([0]);var aMeans = means.slice(0, 0, i);var aMean = aMeans.multiply(aCounts).reduce(ee.Reducer.sum(), [0]).get([0]).divide(aCount);var bCount = total.subtract(aCount);var bMean = sum.subtract(aCount.multiply(aMean)).divide(bCount);return aCount.multiply(aMean.subtract(mean).pow(2)).add(bCount.multiply(bMean.subtract(mean).pow(2)));});print(ui.Chart.array.values(ee.Array(bss), 0, means), "类间方差曲线");return means.sort(bss).get([-1]); // 返回最大类间方差对应的阈值
};

OTSU 算法核心原理：假设 MNDWI 直方图由 “水体” 和 “非水体” 两类像素的分布叠加而成，算法通过遍历所有可能的分割点（阈值），计算 “类间方差”（两类像素均值与总体均值差异的平方加权和），类间方差最大时的分割点即为 “最佳阈值”—— 此时两类像素的区分度最高。
提取直方图数据：
- counts = ee.Array(ee.Dictionary(histogram).get('histogram'))：从直方图统计结果中提取 “每个区间的像素数量”，转换为 GEE 数组（Array）格式；
- means = ee.Array(ee.Dictionary(histogram).get('bucketMeans'))：提取 “每个区间的均值”（即每个 bin 的中心值），转换为数组格式；
- size = means.length().get([0])：获取直方图的区间数量（即 50，与前文 histogram(50) 对应）；
- total = counts.reduce(ee.Reducer.sum(), [0]).get([0])：计算研究区 MNDWI 像素的总数量（所有区间像素数之和）；
- sum = means.multiply(counts).reduce(ee.Reducer.sum(), [0]).get([0])：计算 “区间均值 × 区间像素数” 的总和（用于后续计算总体均值）；
- mean = sum.divide(total)：计算 MNDWI 指数的总体均值（所有像素的平均 MNDWI 值）；
- indices = ee.List.sequence(1, size)：生成从 1 到 50 的整数列表，代表所有可能的分割点（如分割点为 1 表示将第 1 个区间归为一类，其余归为另一类；分割点为 2 表示将前 2 个区间归为一类，其余归为另一类，以此类推）。
计算类间方差（bss）：
- indices.map(function(i) { ... })：遍历每个分割点 i，计算对应分割点的类间方差；
- 对于每个分割点 i：
  - aCounts = counts.slice(0, 0, i)：提取前 i 个区间的像素数量（假设为 “非水体” 类）；
  - aCount = aCounts.reduce(ee.Reducer.sum(), [0]).get([0])：计算 “非水体” 类的总像素数；
  - aMeans = means.slice(0, 0, i)：提取前 i 个区间的均值；
  - aMean = ...：计算 “非水体” 类的 MNDWI 均值（前 i 个区间的 “区间均值 × 区间像素数” 之和，除以 “非水体” 总像素数）；
  - bCount = total.subtract(aCount)：计算 “水体” 类的总像素数（总像素数 - “非水体” 像素数）；
  - bMean = ...：计算 “水体” 类的 MNDWI 均值（总体 “均值 × 像素数” 总和 - “非水体” 类 “均值 × 像素数” 总和，除以 “水体” 总像素数）；
  - return ...：根据公式计算类间方差（BSS）：BSS = aCount × (aMean - mean)² + bCount × (bMean - mean)²其中，(aMean - mean)² 是 “非水体” 类均值与总体均值的平方差，aCount 是权重；(bMean - mean)² 是 “水体” 类均值与总体均值的平方差，bCount 是权重。
生成类间方差曲线与确定最佳阈值：
- print(ui.Chart.array.values(ee.Array(bss), 0, means), "类间方差曲线")：将 “区间均值” 作为 X 轴、“类间方差” 作为 Y 轴，生成折线图并打印到控制台，用户可直观看到类间方差的变化趋势 —— 曲线峰值对应的 X 轴值即为最佳阈值；
- return means.sort(bss).get([-1])：将 “区间均值” 按照 “类间方差” 从大到小排序，取排序后的最后一个值（即类间方差最大时对应的区间均值），作为最佳分割阈值。

（三）计算并打印最佳阈值

var threshold = otsu(histogram.get('MNDWI_histogram'));
print('最佳分割阈值', threshold);

histogram.get('MNDWI_histogram')：从直方图统计结果中提取 “MNDWI 波段的直方图数据”（因前文统计时可能包含多个波段，此处明确指定 MNDWI 波段）；
otsu(...)：调用 OTSU 函数，传入 MNDWI 直方图数据，计算最佳阈值；
print(...)：将最佳阈值打印到控制台，例如阈值可能为 0.15，表示 MNDWI > 0.15 的像素为水体，MNDWI ≤ 0.15 的像素为非水体。

七、水体提取与结果导出：生成最终成果

（一）水体提取与可视化

var water = imgL.select("MNDWI").gte(threshold);
Map.addLayer(water.selfMask(), {palette: 'blue'}, '提取的水体');

imgL.select("MNDWI").gte(threshold)：
- gte(threshold) 是 “greater than or equal to” 的缩写，表示筛选出 MNDWI 指数 “大于等于最佳阈值” 的像素；
- 结果 water 是一幅二值影像：满足条件的像素值为 1（水体），不满足条件的像素值为 0（非水体）。
water.selfMask()：
- 对二值影像应用 “自掩膜”，即仅显示值为 1 的像素（水体），值为 0 的像素设为透明；
- 若不使用 selfMask()，非水体区域会显示为黑色，可能遮挡底层的真彩色或 MNDWI 图层，影响可视化效果。
{palette: 'blue'}：将水体像素的颜色设置为蓝色，添加到地图后，可直观查看水体的空间分布，图层名称为 “提取的水体”。

（二）导出水体结果到 Google Drive

Export.image.toDrive({image: water,description: year.toString(), // 任务名称，以年份命名folder: 'Landsat8_Water', // Google Drive文件夹名称（需提前创建）scale: 30, // 分辨率保持与Landsat 8一致maxPixels: 1e13, // 允许导出的最大像素数region: roi // 导出范围// 如需指定投影，可取消下面注释并修改// crs: "EPSG:4326"
});

函数作用：将提取的二值水体影像导出到用户的 Google Drive 中，格式为 GeoTIFF（支持地理坐标，可在 ArcGIS、QGIS 等软件中进一步分析）。
关键参数解析：
- image: water：指定要导出的影像（即二值水体影像）；
- description: year.toString()：设置导出任务的名称，以年份（如 2024）命名，便于区分不同年份的结果；
- folder: 'Landsat8_Water'：指定导出到 Google Drive 中的文件夹名称，需用户提前在 Google Drive 中创建该文件夹，否则导出会失败；
- scale: 30：设置导出影像的分辨率为 30 米，与 Landsat 8 原始分辨率一致，保证空间精度；
- maxPixels: 1e13：设置允许导出的最大像素数（1×10¹³），Landsat 8 单幅影像的像素数约为 7600×7600=5.8×10⁷，该参数远大于单幅影像的像素数，可避免因研究区过大导致导出失败；
- region: roi：指定导出的空间范围为研究区，仅导出研究区内的水体影像，减少数据量；
- // crs: "EPSG:4326"：注释掉的投影参数，若需指定导出影像的坐标系（如 EPSG:4326 为 WGS84 坐标系，是全球通用的地理坐标系），可取消注释并修改 crs 值。
导出操作：代码运行后，需在 GEE 界面左侧的 “Tasks” 面板中，找到对应的导出任务，点击 “Run”，并授权 Google Drive 访问权限，即可开始导出，导出完成后可在 Google Drive 的指定文件夹中找到 GeoTIFF 文件。

八、关键技术亮点与注意事项

技术亮点：

全流程自动化：从影像筛选、预处理到阈值计算、水体提取，无需人工干预，仅需修改年份和研究区参数，即可适用于不同区域、不同年份的水体提取，效率高、重复性强。
自适应阈值分割：采用 Otsu 算法替代传统的固定阈值法，可根据不同研究区的 MNDWI 分布特征自动调整阈值，避免因区域差异导致的提取误差，提升水体识别的准确性。
模块化设计：将 “缩放转换”“云去除”“指数计算” 等功能封装为独立函数，代码结构清晰，便于后续修改（如替换为其他指数，如 AWEI 水体指数）或扩展（如添加水体面积统计功能）。

注意事项：

研究区与文件夹准备：需提前在 GEE 中导入研究区矢量数据（table），并在 Google Drive 中创建指定的导出文件夹（Landsat8_Water），否则代码会报错。
影像数据可用性：若目标年份（如 2024）的 Landsat 8 影像在研究区范围内无数据（如极地地区、长期多云地区），则无法生成年度合成影像，需更换年份或扩大影像云量筛选条件（如将 CLOUD_COVER < 10 改为 CLOUD_COVER < 20）。
阈值合理性验证：Otsu 算法的阈值结果需结合可视化效果验证，若存在明显的误提（如将湿地植被误判为水体）或漏提（如浅水区未被识别），可手动调整阈值（如在 Otsu 阈值基础上 ±0.05），或更换水体指数（如使用 MNDWI 与 NDWI 结合的方法）。
数据量与计算资源：若研究区范围极大（如全国尺度），年度影像的像素数可能超过 GEE 的计算限制，需将研究区拆分为多个子区域，分批次处理，或降低合成影像的分辨率（如将 scale: 30 改为 scale: 60）。