用GEE快速提取城市道路网络：基于Sentinel-2的边缘检测实践

城市道路网络是城市交通规划、应急管理的重要基础数据。传统道路提取依赖人工数字化或高分辨率影像解译，耗时且难以适应大范围监测需求。本文基于Google Earth Engine（GEE）平台，以某区域为例，使用Sentinel-2卫星影像和Canny边缘检测算法，仅需几行代码即可实现道路网络的自动化提取。整个过程无需本地处理海量数据，从影像加载到结果可视化全程云端完成，为城市道路监测提供高效、可复用的技术方案。

一、技术原理：为什么这样能提取道路？

要理解代码的工作逻辑，首先需要明确两个核心技术点：Sentinel-2影像的特性，以及Canny边缘检测的原理。

1.1 Sentinel-2影像：道路提取的理想数据源

Sentinel-2是欧洲航天局（ESA）发射的高分辨率光学卫星，其数据对道路提取的优势体现在：

• 空间分辨率适中：可见光波段（如B2-B4）和近红外波段（B8）分辨率达10米，既能清晰区分道路与周边地物（如建筑物、植被），又不会因分辨率过高（如亚米级）导致数据量过大、计算复杂。
• 光谱特征明显：道路（尤其是沥青、水泥路面）在近红外波段（B8）反射率较低，与周边植被（近红外反射率高）、建筑物（反射率中等）形成显著差异，为边缘识别提供了光谱基础。
• 免费且覆盖广：Sentinel-2数据全球免费获取，且重访周期仅5天，可满足不同时间节点的道路监测需求。

1.2 Canny边缘检测：捕捉道路的“轮廓”

道路在影像中表现为“条带状”地物，其与周边地物的边界（边缘）是识别的关键。Canny边缘检测算法通过以下步骤精准捕捉这些边缘：

1. 去噪预处理：通过高斯滤波（代码中sigma=1参数）平滑影像，减少噪声对边缘识别的干扰——这一步能避免将树木阴影、路面坑洼误判为边缘。
2. 梯度计算：计算影像中每个像元的灰度变化梯度（亮度变化速率），道路与非道路的交界处梯度值会突然增大。
3. 阈值筛选：通过threshold=0.3参数设定梯度阈值，仅保留梯度值超过阈值的像元——这些像元对应“真实边缘”（如道路两侧边界）。
4. 边缘连接：将离散的边缘像元连接成连续线条，最终形成道路网络的轮廓。

二、代码分步解析：从数据到道路网络

以下代码基于GEE平台，完整实现从影像加载到道路边缘显示的全流程。以某区域（经纬度范围：121.448°-121.490°E，31.203°-31.235°N）为例，提取2023年道路网络边缘。

1. 定义研究区（确定“在哪里提取”）

// 定义研究区边界（经纬度坐标围成的矩形区域）
var roi = ee.Geometry.Polygon(
  [[[121.44827391124954, 31.234970876428836],
    [121.44827391124954, 31.203114529882434],
    [121.49007345653763, 31.203114529882434],
    [121.49007345653763, 31.234970876428836]]], null, false);

代码说明：

• 用ee.Geometry.Polygon定义矩形研究区（roi），坐标为该区域的经纬度边界（可根据需求替换为目标区域坐标）。
• 最后一个参数false表示区域为逆时针闭合（确保几何形状正确）。

2. 加载并预处理Sentinel-2影像（准备“原始材料”）

// 加载2023年研究区Sentinel-2影像并预处理
var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')