用GEE和Sentinel-5P数据，5分钟搞定城市空气质量变化趋势图（以NO2为例）

5分钟掌握城市NO2污染动态基于GEE与Sentinel-5P的快速可视化实战当我们需要评估城市空气质量变化时传统的地面监测站数据往往存在空间覆盖不足的问题。而欧洲航天局Sentinel-5P卫星搭载的TROPOMI传感器能以7×3.5km的高分辨率每日扫描全球大气成分。结合Google Earth EngineGEE平台的云端计算能力即使没有本地高性能计算机也能快速获取并分析任何城市区域的NO2浓度时空变化。下面这个完整工作流将带你在咖啡冷却前完成从数据获取到专业图表输出的全过程。1. 研究区与数据准备1.1 划定分析范围在GEE中导入研究区域边界是最关键的第一步。推荐两种高效方法行政边界快速获取var city ee.FeatureCollection(FAO/GAUL/2015/level2) .filter(ee.Filter.eq(ADM2_NAME, Beijing)); Map.addLayer(city, {color: red}, Study Area);这里使用了联合国粮农组织的全球行政区划数据集精确到二级行政区如北京市辖区。自定义绘制多边形 点击GEE地图工具栏上的Draw a rectangle工具框选目标区域后在脚本中会自动生成geometry变量。建议为变量添加有意义的命名var myStudyArea geometry; // 重命名绘制区域1.2 时间范围设定分析疫情前后空气质量变化时建议采用同季节对比消除自然变异影响。例如对比2019与2020年1-3月数据var preCovid [2019-01-01, 2019-03-31]; var duringCovid [2020-01-01, 2020-03-31];提示TROPOMI数据从2018年7月开始稳定可用分析长期趋势时建议使用月度合成数据减少云量影响。2. NO2数据获取与预处理2.1 调用Sentinel-5P数据集GEE中存储了经过校准的L3级NO2垂直柱浓度数据var no2Pre ee.ImageCollection(COPERNICUS/S5P/OFFL/L3_NO2) .select(NO2_column_number_density) .filterBounds(city) .filterDate(preCovid[0], preCovid[1]); var no2During ee.ImageCollection(COPERNICUS/S5P/OFFL/L3_NO2) .select(NO2_column_number_density) .filterBounds(city) .filterDate(duringCovid[0], duringCovid[1]);关键参数说明NO2_column_number_density单位mol/m²表示垂直气柱内NO2分子总数OFFL表示离线处理数据比NRT近实时数据质量更高2.2 空间聚合计算为得到研究区整体浓度水平需要计算区域均值var preMean no2Pre.mean().reduceRegion({ reducer: ee.Reducer.mean(), geometry: city, scale: 1000, maxPixels: 1e9 }); var duringMean no2During.mean().reduceRegion({ reducer: ee.Reducer.mean(), geometry: city, scale: 1000, maxPixels: 1e9 });注意scale参数应大于原始数据分辨率建议1000-7000米避免计算资源超限。3. 时间序列分析与可视化3.1 构建时间序列数据以下代码生成每日均值变化曲线// 定义时间序列计算函数 var createTimeSeries function(collection, geometry) { return collection.map(function(image) { var date image.date().format(YYYY-MM-dd); var mean image.reduceRegion({ reducer: ee.Reducer.mean(), geometry: geometry, scale: 7000 }).get(NO2_column_number_density); return ee.Feature(null, { date: date, NO2: mean }); }); }; // 生成并合并两个时期的数据 var preSeries createTimeSeries(no2Pre, city); var duringSeries createTimeSeries(no2During, city);3.2 交互式图表生成GEE内置的ui.Chart功能可直接绘制专业图表var chart ui.Chart.feature.byFeature({ features: preSeries.merge(duringSeries), xProperty: date, yProperties: NO2 }).setOptions({ title: Beijing NO2 Concentration Comparison, hAxis: {title: Date}, vAxis: {title: NO2 Column Density (mol/m²)}, lineWidth: 2, series: { 0: {color: red}, // 2019年数据 1: {color: blue} // 2020年数据 } }); print(chart);图表优化技巧添加移动平均线平滑日波动.setOptions({ trendlines: { 0: {type: linear, color: red, opacity: 0.5}, 1: {type: linear, color: blue, opacity: 0.5} } })双Y轴对比不同年份.setOptions({ series: { 0: {targetAxisIndex: 0}, 1: {targetAxisIndex: 1} }, vAxes: { 0: {title: 2019 Concentration}, 1: {title: 2020 Concentration} } })4. 成果导出与美化4.1 导出高质量图表GEE图表支持多种导出格式// 导出为可编辑的SVG矢量图 print(ui.Thumbnail(chart, { format: svg, dimensions: 1000x600, region: city })); // 直接下载PNG图片 var exportTask Export.chart.toDrive({ chart: chart, description: NO2_Trend_Beijing, dimensions: 1000x600, fileFormat: PNG });4.2 专题地图制作生成疫情前后浓度对比空间分布图var diff no2During.mean().subtract(no2Pre.mean()); var palette [#2c7bb6, #abd9e9, #ffffbf, #fdae61, #d7191c]; Map.addLayer(diff.clip(city), { min: -0.0001, max: 0.0001, palette: palette }, NO2 Change);常用配色方案变化类型推荐配色方案适用场景增减对比RdBu红蓝渐变政策效果评估浓度分级YlOrBr黄橙渐变污染热点识别达标情况GnBu绿蓝渐变环境标准考核4.3 报告级成果整合将图表与地图组合输出为可发布的分析报告var panel ui.Panel({ widgets: [ ui.Label(Beijing NO2 Pollution Change During COVID-19, {fontSize: 18px}), chart, ui.Label(Spatial Distribution of Changes, {fontSize: 16px}), ui.Thumbnail(diff, { params: {min: -0.0001, max: 0.0001, palette: palette}, dimensions: 800px }) ], layout: ui.Panel.Layout.flow(vertical) }); ui.root.widgets().reset([panel]);实际项目中我发现将时间跨度设置为整月而非逐日能显著降低数据波动更清晰展现趋势变化。对于百万级人口城市建议将scale参数设为5000米左右在计算效率与精度间取得平衡。