🛰? 什么是 RSEI？為什么要用它評估生態環境？

RSEI（遙感生態指數，Remote Sensing Ecological Index） 是一種通過遙感數據計算得到的、綜合反映區域生態環境質量的指標體系。

它的設計初衷是用最少的變量，概括最多的生態信息，便于大尺度、自動化地評估城市或自然區域的生態健康狀態。

🔍 RSEI 的四大核心因子：

因子	代表意義	常用遙感指數/數據源
NDVI	植被覆蓋度，代表“綠意”	NIR與紅光構建
Wet	土壤/植被含水量，代表“濕潤”	Tasseled Cap 濕度因子
NDBSI	裸土+建成區比例，代表“干擾”	反映裸地和城市建設強度
LST	地表溫度，代表“熱壓力”	Landsat 熱紅外波段反演地表溫度

這些因子經過標準化處理后，通過**主成分分析（PCA）**提取出主成分，再歸一化成 0–1 范圍的指數值，就是最終的 RSEI。

值越大，代表生態質量越好；越接近 0，說明該區域可能存在生態退化、城市擴張、土地干擾等問題。

---

🛠? 如何用 GEE 實現 RSEI 計算？（完整流程）

我們以 Landsat 5 2000 年夏季影像為例，結合四川西部地區，進行了如下步驟：

1?? 數據準備

• 使用 GEE 調用 Landsat 5 L2 SR 產品（含大氣校正）

• 設置研究時間為 6~9月（植被生長旺季），增強 NDVI 信噪比

• 設置研究區域（AOI）為上傳的 chuanxi 區域文件

2?? 遙感因子計算

• NDVI：NIR 與 RED 構建標準植被指數

• Wet：用藍、綠、紅、NIR、SWIR 構建濕度因子（Tasseled Cap 線性組合）

• NDBSI：結合 SI、IBI 等多個裸地指數構建綜合干擾指標

• LST：基于熱紅外波段，計算輻射亮溫并反演地表溫度，考慮地表發射率影響

所有因子都經過 標準差標準化（非簡單歸一化），以增強 PCA 分析的魯棒性

3?? 主成分分析（PCA）

• 將 4 個標準化指標合并為一個影像堆棧

• 使用 GEE 的 centeredCovariance 計算協方差矩陣

• 求解特征值與特征向量，獲取 PC1（第一主成分）作為生態質量主因子

• 反轉 PC1，生成原始的生態指數影像（RSEI0）

4?? 歸一化處理

• 提取 PC1 的 1%-99% 分位值范圍

• 將 RSEI0 線性歸一化到 0~1 區間，生成最終 RSEI

5?? 可視化與導出

• 使用配色方案（綠好、紅差）展示生態分布差異

• 導出 GeoTIFF 文件，支持 ArcGIS/QGIS 進一步分析

僅部分代碼，需完整版代碼關注全域智圖后臺私信

僅部分代碼，需完整版代碼關注全域智圖工作室后臺私信
var year = '2000';
var startDate = ee.Date(year + '-06-01');
var endDate = ee.Date(year + '-09-30');
var aoi = ee.FeatureCollection("projects/ee-xu135150/assets/chuanxi");
Map.centerObject(aoi, 6);// 1. Landsat5 預處理 
function maskL5sr(image) {var qa = image.select('QA_PIXEL');var mask = qa.bitwiseAnd(1 << 4).eq(0).and(qa.bitwiseAnd(1 << 3).eq(0));return image.updateMask(mask).select(['SR_B1','SR_B2','SR_B3','SR_B4','SR_B5','SR_B7','ST_B6']).copyProperties(image, ['system:time_start']);
}var l5 = ee.ImageCollection("LANDSAT/LT05/C02/T1_L2").filterDate(startDate, endDate).filterBounds(aoi).map(maskL5sr).median().clip(aoi);// 檢查影像像素覆蓋
print("Landsat 5 影像像素計數", l5.reduceRegion({reducer: ee.Reducer.count(),geometry: aoi,scale: 200,maxPixels: 1e13
}));// 波段轉換
var B = l5.select('SR_B1').multiply(0.0000275).add(-0.2);
var G = l5.select('SR_B2').multiply(0.0000275).add(-0.2);
var R = l5.select('SR_B3').multiply(0.0000275).add(-0.2);
var NIR = l5.select('SR_B4').multiply(0.0000275).add(-0.2);
var SWIR1 = l5.select('SR_B5').multiply(0.0000275).add(-0.2);-----------------------------------部分代碼----------------------------------------// 打印 RSEI 統計
print('RSEI 值域:', RSEI.reduceRegion({reducer: ee.Reducer.minMax(), geometry: aoi, scale: 200, maxPixels: 1e13}));
print('RSEI 均值:', RSEI.reduceRegion({reducer: ee.Reducer.mean(), geometry: aoi, scale: 200, maxPixels: 1e13}));// 5. 可視化 
Map.addLayer(NDVI, {min: -2, max: 2, // 標準化后的值域palette: ['#d9f0d3', '#addd8e', '#31a354']
}, 'NDVI (植被指數)');Map.addLayer(Wet, {min: -2, max: 2,palette: ['#f7fbff', '#6baed6', '#08306b']
}, 'Wet (濕度指數)');Map.addLayer(NDBSI, {min: -2, max: 2,palette: ['#ffffcc', '#fd8d3c', '#bd0026']
}, 'NDBSI (裸土指數)');Map.addLayer(LST, {min: -2, max: 2,palette: ['#ffffcc', '#fc8d59', '#d73027']
}, 'LST (溫度)');Map.addLayer(RSEI.updateMask(RSEI), {min: 0, max: 1,palette: ['d7191c', 'fdae61', 'ffffbf', 'a6d96a', '1a9641']
}, 'RSEI (生態質量指數)');// 6. 導出 RSEI 
Export.image.toDrive({image: RSEI,description: 'RSEI_' + year,folder: 'RSEI_Export',scale: 200,region: aoi,maxPixels: 1e13,fileFormat: 'GeoTIFF'
});