基于GEE与K-Means聚类的青岛市城市空间结构分类：从数据到地图的完整方案

最新推荐文章于 2026-01-02 23:23:54 发布

原创

最新推荐文章于 2026-01-02 23:23:54 发布 · 965 阅读

29 ·

CC 4.0 BY-SA版权

文章标签：

#kmeans #聚类 #分类

一、研究背景：为什么需要城市空间结构分类？

城市空间结构是城市功能布局、土地利用的直观体现，其精准识别对以下工作至关重要：

城市规划：明确各类空间（如居住区、绿地、工业区）的分布比例，优化资源配置
生态保护：识别高植被覆盖区与建成区的空间关系，为绿地规划提供依据
动态监测：通过多期数据对比，掌握城市扩张与空间结构演变规律

传统分类方法依赖人工解译或实地调查，存在效率低、成本高、主观性强等问题。而遥感技术结合机器学习算法，可实现城市空间结构的自动化、定量化分类——本文基于Google Earth Engine（GEE）平台，以青岛市为例，展示如何用代码完成从数据处理到分类结果输出的全流程。

二、技术方案：核心方法与数据

1. 核心思路

通过“遥感指数提取→数据标准化→K-Means聚类”的技术路径，让计算机基于地物光谱特征自动划分空间类型：

遥感指数：用4类指数描述地物属性（如植被覆盖度、建筑密度）
聚类算法：通过K-Means算法将特征相似的区域归为一类
平台优势：GEE提供海量遥感数据与云端计算能力，无需本地存储数据

2. 数据源

影像数据：Landsat 8 Level 2级地表反射率产品（2023年6-8月，云量<20%）
- 优势：30米分辨率，覆盖可见光-近红外-短波红外波段，可提取地物细节
- 预处理：已完成大气校正，直接用于指数计算
研究区：青岛市行政区域（通过矢量边界限定分析范围）

三、技术流程：从数据到分类结果

1. 数据预处理：消除干扰，保证质量

原始遥感数据需经过预处理才能用于分类，核心步骤包括：

（1）影像筛选

从GEE中筛选符合条件的影像，代码如下：

var city = ee.FeatureCollection("projects/ee-hllutlu2024/assets/qingdao"); // 青岛边界
var l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
    .filterBounds(city) // 限定青岛范围
    .filterDate('2023-06-01', '2023-08-31') // 夏季数据（植被特征明显）
    .filter(ee.Filter.lt('CLOUD_COVER', 20)) // 云量<20%

（2）去除噪声（云、云影等）

通过QA_PIXEL波段标记并去除干扰像元：

function maskL8sr(image) {
   
   
  var qa = image.select('QA_PIXEL');
  // 标记云（3）、云影（4）、雪（5）、水体（7）
  var cloud = qa.bitwiseAnd(1 << 3).neq(0);
  var shadow = qa.bitwiseAnd(1 << 4).neq(0);
  var snow = qa.bitwiseAnd(1 << 5).neq(0);
  var water = qa.bitwiseAnd(1 << 7).neq(0);
  // 保留非干扰像元