云端遥感分析实战：用JavaScript动态监测地表水变迁

在传统遥感数据分析中，科研人员往往需要下载TB级别的原始影像数据，不仅耗时耗力，还对本地计算资源提出极高要求。如今，随着PIE-Engine等云端地理计算平台的出现，我们可以直接在浏览器中通过JavaScript脚本调用全球地表水数据集，实现从数据筛选、时空分析到动态可视化的完整工作流。本文将聚焦JRC Global Surface Water Mapping Layers数据集，展示如何不下载任何原始数据，完成水体类型变迁的交互式分析。

1. 认识JRC地表水数据集的核心价值

JRC Global Surface Water Mapping Layers是由欧盟联合研究中心（JRC）与Google合作生产的30米分辨率全球地表水数据集。它整合了1984-2019年间Landsat系列卫星的观测数据，通过六个关键图层全面刻画水体时空特征：

• Occurrence ：像素在观测期内被识别为水体的概率（0-100%）
• Change ：1984-1999与2000-2019两个时段的水体变化程度
• Transitions ：水体状态转变类型（永久性、季节性、非水体间的转化）
• Seasonality ：2019年水体的季节性特征（存在水的月份数）
• Recurrence ：水体年度重现频率（0-100%）
• Extent ：1984-2019年间曾被检测为水体的所有位置

// 快速查看数据集结构
var waterData = pie.ImageCollection('GSW1_2/GlobalSurfaceWater');
print('数据集包含影像数量:', waterData.size());
print('可用波段:', waterData.first().bandNames());

该数据集特别适合研究以下科学问题：

• 永久性水体与季节性水体的相互转化规律
• 近30年全球水资源分布的变化趋势
• 特定区域（如湿地、三角洲）的水文季节性特征
• 人类活动（如水库建设）对地表水的影响评估

2. 云端环境配置与数据筛选技巧

2.1 PIE-Engine开发环境准备

PIE-Engine Studio提供完整的云端开发环境，无需安装任何软件，通过浏览器即可访问。新建脚本时建议选择"Blank Template"，并确保账号已开通相关数据集的访问权限。

提示：首次使用建议从官方示例库中克隆"Water Monitoring"模板项目，可快速获取基础代码框架。

2.2 高效筛选时空范围

针对大区域长时序分析，合理的筛选策略能显著提升计算效率：

// 定义研究区（以黄河流域为例）
var roi = pie.Geometry.Polygon([
    [95.8, 35.5],
    [95.8, 41.2],
    [119.2, 41.2],
    [119.2, 35.5]
], null);

// 筛选2015-2019年的数据
var filteredData = waterData.filterBounds(roi)
                          .filterDate('2015-01-01', '2019-12-31');

对于特定水体类型的提取，可使用 where 条件筛选：

// 仅提取永久性水体（transition值为1,2,3）
var permanentWater = filteredData.select('transitions')
                               .map(function(image){
                                   return image.eq(1).or(image.eq(2)).or(image.eq(3));
                               });

3. 水体变迁的动态分析方法

3.1 时间序列变化检测

通过比较不同时期的水体occurrence图层，可量化变化趋势：

// 计算1984-1999与2000-2019的平均水体概率
var earlyPeriod = waterData.filterDate('1984-01-01', '1999-12-31')
                         .select('occurrence')
                         .mean();
var latePeriod = waterData.filterDate('2000-01-01', '2019-12-31')
                        .select('occurrence')
                        .mean();

// 计算变化量（正值表示增加，负值表示减少）
var change = latePeriod.subtract(earlyPeriod);
Map.addLayer(change, {min: -50, max: 50, palette: ['red', 'white', 'blue']}, 'Occurrence Change');

3.2 水体类型转换矩阵分析

transitions图层记录了九种状态转变类型，通过交叉分析可揭示水文演变规律：

编码	转变类型	生态意义
1	永久水体	稳定水资源
2	新增永久水体	水库建设等人类活动
4	季节性水体	雨洪依赖型水域
7	季节性→永久	可能反映气候变湿
8	永久→季节性	可能反映干旱化趋势

// 统计各转变类型的面积比例
var transitionStats = filteredData.select('transitions')
                                .reduceRegion({
                                    reducer: pie.Reducer.frequencyHistogram(),
                                    geometry: roi,
                                    scale: 30,
                                    maxPixels: 1e13
                                });
print('转变类型统计:', transitionStats);

4. 交互式可视化与成果输出

4.1 时空动画生成

利用 ui.Chart 系列函数可创建动态展示效果：

// 生成年度水体面积变化曲线
var yearlyArea = waterData.select('extent')
                        .map(function(image){
                            var date = pie.Date(image.get('date'));
                            var year = date.get('year');
                            var area = image.gt(0).multiply(900) // 30m分辨率下每个像素=900m²
                                         .reduceRegion({
                                             reducer: pie.Reducer.sum(),
                                             geometry: roi,
                                             scale: 30,
                                             maxPixels: 1e13
                                         }).get('extent');
                            return pie.Feature(null, {'year':year, 'area':area});
                        });
var chart = ui.Chart.feature.byFeature(yearlyArea, 'year', 'area')
                          .setChartType('LineChart')
                          .setOptions({
                              title: '年度水体面积变化',
                              hAxis: {title: 'Year'},
                              vAxis: {title: 'Area (m²)'}
                          });
print(chart);

4.2 专题地图渲染技巧

针对不同分析目标，推荐以下可视化方案：

季节性水体分布图 ：

var visSeasonality = {
    min: 0,
    max: 12,
    palette: ['white', 'lightblue', 'mediumblue', 'darkblue']
};
Map.addLayer(filteredData.select('seasonality').mosaic(), visSeasonality, 'Seasonality');

水体转变热点图 ：

var visTransitions = {
    min: 0,
    max: 10,
    palette: ['d3d3d3', '0000ff', '00ffff', 'ff0000', 'ffff00', 'ff00ff']
};
Map.addLayer(filteredData.select('transitions').mosaic(), visTransitions, 'Water Transitions');

在实际项目中，我发现将transitions图层与NDVI时间序列结合分析，能有效区分自然水文变化与人为干预引起的水体变迁。例如某湿地保护区分析中，通过识别transition类型7（季节性→永久）的空间聚集模式，成功定位了违规取水点。