用武汉大学GISA数据集，5分钟搞定城市扩张可视化分析（附PIE-Engine代码）

5分钟实战：基于GISA数据集的城市扩张动态可视化分析

站在城市研究者的视角，我们常常需要快速掌握城市扩张的时空特征。武汉大学GISA数据集以其30米分辨率、1978-2019年的长时序覆盖，成为分析不透水面变化的利器。本文将带您用PIE-Engine平台，像搭积木一样完成从数据调用到专题图生成的完整流程。

1. 环境准备与数据认知

在开始编码前，我们需要对数据特性有基本了解。GISA数据集采用Landsat系列卫星影像构建，通过机器学习算法识别建筑物、道路等不透水表面。其年度更新特性让我们能像翻阅历史相册一样观察城市变迁。

关键参数速查表：

提示：PIE-Engine免费账号即可调用该数据集，无需本地存储海量影像

2. 三步实现基础可视化

让我们用最简单的代码实现首个城市扩张快照：

// 初始化地图视图（以成都为例） Map.setCenter(104.06, 30.67, 9); // 经度,纬度,缩放级别 // 加载2019年数据 var urban2019 = pie.ImageCollection("WHU/GISA") .filterDate('2019-01-01', '2020-01-01') .first() .select('B1'); // 单色渲染方案 var visParams = { min: 0, max: 1, palette: ['white', 'red'] // 从白到红的渐变色 }; Map.addLayer(urban2019, visParams, "成都2019不透水面");

执行这段代码，您将立即看到成都市建成区的"红色印记"。如果想切换城市，只需修改setCenter坐标：

• 武汉：114.30, 30.60
• 北京：116.40, 39.90
• 上海：121.47, 31.23

3. 进阶时空对比技巧

真正的价值在于时间维度的比较。以下方案可直观呈现城市扩张：

3.1 双时相对比法

// 同时加载1978和2019年数据 var urban1978 = pie.ImageCollection("WHU/GISA") .filterDate('1978-01-01', '1979-01-01') .first(); var urban2019 = pie.ImageCollection("WHU/GISA") .filterDate('2019-01-01', '2020-01-01') .first(); // 创建变化检测图层（2019-1978） var urbanChange = urban2019.select('B1').subtract(urban1978.select('B1')); // 差异渲染方案 var changeParams = { min: 0, max: 1, palette: ['blue', 'white', 'red'] // 蓝色减少，红色新增 }; Map.addLayer(urbanChange, changeParams, "城市扩张变化");

3.2 时间轴动画生成

// 创建1980-2019年的年度序列 var timeSeries = pie.ImageCollection("WHU/GISA") .filterDate('1980-01-01', '2020-01-01') .select('B1'); // 设置动画帧参数 var videoArgs = { crs: 'EPSG:3857', dimensions: 800, region: Map.getBounds(), framesPerSecond: 3, min: 0, max: 1, palette: ['white', 'black'] }; // 生成时间轴动画 print(pie.ui.Thumbnail(timeSeries, videoArgs, "urban_growth"));

4. 专业级成果优化策略

要让可视化结果达到学术发表水准，需关注以下细节：

配色方案黄金组合：

• 冷色调（蓝/绿）：表示生态区域
• 暖色调（红/橙）：突出建成区域
• 渐变过渡：建议使用'FFFFFF', 'FEF0D9', 'FDCC8A', 'FC8D59', 'D7301F'五色阶

常见报错解决方案：

1. ImageCollection is empty错误：

   • 检查日期格式是否为YYYY-MM-DD
   • 确认数据集ID为"WHU/GISA"（区分大小写）

2. 渲染效果不明显：

   • 调整min/max值域（建议0.3-0.8）
   • 尝试对数缩放：gamma: 0.5

3. 加载速度慢：

   • 添加空间过滤：.filterBounds(pie.Geometry.Point([x,y]))
   • 降低输出分辨率

// 学术级可视化示例 var academicVis = { min: 0.3, max: 0.8, palette: ['F7FCB9', 'ADDD8E', '41AB5D', '006837', '004529'], opacity: 0.8 }; Map.addLayer(urban2019, academicVis, "专业渲染");

5. 深度分析应用场景

掌握了基础可视化后，我们可以开展更有价值的分析：

5.1 城市扩张强度计算

// 计算10年间扩张面积占比 var area2009 = urban2009.multiply(100).rename('area2009'); // 转为百分比 var area2019 = urban2019.multiply(100).rename('area2019'); var growthRate = area2019.subtract(area2009) .divide(10) // 年化变化率 .rename('growth_rate'); Map.addLayer(growthRate, {min:0, max:5, palette:['white','red']}, "年扩张强度");

5.2 城市形态指标提取

结合PIE-Engine的景观生态分析工具，可计算：

• 斑块密度（PD）
• 边缘密度（ED）
• 聚集指数（AI）

// 景观格局分析示例 var metrics = pie.LandscapeMetrics() .fromImage(urban2019.gt(0.5)) // 二值化处理 .atScale(30) .getMetrics(); print("景观指标:", metrics);

在实际项目中，我发现将不透水面数据与夜间灯光数据（NPP/VIIRS）叠加，能更全面反映城市活力。而结合OpenStreetMap路网数据，可以分析道路扩张与城市蔓延的关系。