从Landsat 4到9：在GEE中如何为你的研究选择最合适的影像时间与传感器？

当面对Google Earth Engine（GEE）中横跨40年的Landsat影像库时，许多研究者会陷入选择困难：究竟该用哪颗卫星的数据？不同时期的影像如何影响植被指数计算结果？本文将带你穿透数据迷雾，建立一套科学的选型方法论。

1. 理解Landsat家族：代际差异与技术演进

Landsat卫星群就像遥感界的"百年老店"，自1972年首颗卫星发射以来，已迭代至第九代。每代卫星的技术升级都直接影响数据质量：

实际选型建议：

• 研究1980年代生态变迁？LT04/LT05是唯二选择
• 需要最高数据质量？优先LC08/LC09的OLI传感器
• 预算有限且需长时间序列？LT05的19年数据堪称性价比之王

2. 时间维度的精妙平衡：覆盖度 vs 数据质量

在GEE中构建时间序列时，常面临"历史深度"与"数据质量"的权衡。以中国长三角地区为例：

// 获取不同时期Landsat影像数量对比
var shanghai = ee.Geometry.Point([121.47, 31.23]);
var l5 = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2').filterBounds(shanghai);
var l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2').filterBounds(shanghai);

print('L5影像数:', l5.size());  // 通常返回约200景
print('L8影像数:', l8.size());  // 通常返回约300景

注意：Landsat 7自2003年出现扫描线校正器故障后，所有影像都带有条带缺失，需使用fmask波段进行修复

时段选择策略：

• 长期趋势分析（如30年植被覆盖变化）：

  • 组合LT05(1993-2012) + LC08(2013-今)
  • 需统一使用TM传感器的波段（B3/B4对应OLI的B4/B5）

• 高精度现状监测（如年度农田生产力）：

  • 单独使用LC08/LC09
  • 利用OLI更高的辐射分辨率（12bit vs 8bit）

3. 植被指数计算的传感器适配技巧

不同Landsat代的波段设计差异会显著影响植被指数计算结果。以最常用的NDVI为例：

// Landsat 5的NDVI计算
function ndvi_l5(img) {
  return img.normalizedDifference(['SR_B4','SR_B3']).rename('NDVI');
}

// Landsat 8的NDVI计算
function ndvi_l8(img) {
  return img.normalizedDifference(['SR_B5','SR_B4']).rename('NDVI');
}

关键差异对照表：

提示：在GEE中使用ee.Algorithms.Landsat.simpleComposite()可自动处理不同传感器的辐射归一化

4. 实战场景下的选型决策树

根据研究目标的不同，我们总结出以下决策路径：

1. 历史重建型研究（如1980-2020森林覆盖变化）

   • 首选组合：LT05 + LC08
   • 预处理关键：
     • 统一转换为地表反射率
     • 使用pixel_qa波段进行云掩膜
     • 对L7数据应用条带修复算法

2. 高精度农业监测（如年度作物分类）

   • 最佳选择：LC08/LC09
   • 优势利用：
     • 海岸波段（B1）改进大气校正
     • 双热红外波段（B10/B11）提升温度反演精度
     • 更高时间分辨率（与Sentinel-2组合可达3-5天）

3. 特殊波段需求（如红边植被指数）

   • 替代方案：考虑融合Sentinel-2数据
   • GEE代码示例：

     var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
                .filterDate('2020-01-01', '2020-12-31');
     

极端案例处理：

• 当研究必须跨越2003-2013年（L7故障期+L5退役期）时：
  • 采用L7数据并接受约22%的数据缺失
  • 使用focal_mean()进行空间插值
  • 或引入MODIS数据作为补充

5. 数据质量控制的进阶技巧

即使是同一颗卫星，不同时期的数据质量也存在波动。建议在GEE中添加以下过滤条件：

// 示例：筛选高质量L8影像
var l8_filtered = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filter(ee.Filter.lt('CLOUD_COVER', 10))  // 云量<10%
  .filter(ee.Filter.gt('SUN_ELEVATION', 40)) // 太阳高度角>40度
  .filter(ee.Filter.dayOfYear(150, 240));    // 北半球生长季

质量评估指标优先级：

1. 云覆盖比例（CLOUD_COVER）
2. 太阳高度角（SUN_ELEVATION）
3. 传感器视天顶角（SENSOR_ZENITH）
4. 数据填充率（适用于L7 SLC-off数据）

在最近的一个湿地监测项目中，我们发现组合使用L5的夏季影像和L8的秋季影像，能有效捕捉芦苇群落年际变化。这种跨季节、跨传感器的创新用法，往往能发现常规分析忽略的生态信号。