4、GEE核心对象与数据类型：EE对象、Image、ImageCollection、Feature、FeatureCollection、Geometry、Dictionary、List等，以及类型转换与检查

Google Earth Engine（GEE）的编程范式与传统的JavaScript或Python开发有本质区别。在GEE中，几乎所有操作都围绕着一组核心的服务器端对象展开。理解这些对象（EE对象）及其数据类型，是掌握GEE的“第一性原理”。本章将系统梳理GEE的核心对象体系，重点剖析Image、ImageCollection、Feature、FeatureCollection、Geometry、Dictionary、List等关键类型的特性、适用场景、类型转换与检查方法，帮助您建立正确的“云端计算”思维模型。

4.1 核心原理：一切皆“EE对象”的延迟计算模型

GEE的架构核心在于客户端-服务器端分离。您在Code Editor中编写的JavaScript代码，并非在本地浏览器中执行计算，而是被序列化为JSON请求，发送至Google的云端服务器执行。因此，所有通过ee.*构造函数创建的对象，都是服务器端代理对象（即EE对象），它们并不包含真实数据，而是包含“如何获取数据”的指令。

这种设计带来了两个关键特性：延迟执行与并行计算。延迟执行意味着代码中的var image = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20201001')并不会立即下载影像，而是构建了一个引用。只有当您调用Map.addLayer()、Export.image.toDrive()或print()等“终端操作”时，GEE才会触发实际计算。并行计算则允许GEE将大规模计算任务分解到数千台服务器上同时处理，这是其处理PB级遥感数据的基础。

理解这一原理至关重要：您不能像操作本地JavaScript数组一样直接对EE对象进行循环或条件判断。例如，if (image.bandNames().size() > 3)这种写法是错误的，因为image.bandNames()返回的是ee.List对象，其大小在客户端是未知的。正确的做法是使用ee.Algorithms.If()或image.expression()等服务器端逻辑。

4.2 核心对象详解：栅格与矢量的双翼

4.2.1 栅格对象：Image与ImageCollection

ee.Image是GEE中最基本的栅格数据单元，由波段（Bands）、投影（Projection）、属性（Properties）和地理变换（Geotransform）组成。一个Image可以包含多个波段，例如Sentinel-2影像通常包含13个波段。创建Image的方式包括：ee.Image('image_id')从ID加载、ee.Image.constant()创建常量影像、ee.Image.random()生成随机影像，或通过image.addBands()、image.select()等操作派生新影像。

ee.ImageCollection是Image的集合，代表时间序列或同一区域的多景影像。它是时间序列分析、影像合成和变化检测的基础。常用操作包括：filterDate()按日期过滤、filterBounds()按空间范围过滤、sort()按属性排序、first()获取第一景、median()计算中值合成等。理解ImageCollection的“集合”语义至关重要——它类似于数据库中的表，支持映射（map()）、过滤（filter()）和归约（reduce()）操作。

4.2.2 矢量对象：Geometry、Feature与FeatureCollection

ee.Geometry定义了地理空间形状，包括点（Point）、线（LineString）、面（Polygon）及多部分几何体（MultiPoint等）。它只包含几何信息，不包含属性数据。创建方式如ee.Geometry.Point([lon, lat])，注意GEE中坐标顺序为经度在前，纬度在后（即[longitude, latitude]）。

ee.Feature是Geometry与属性字典（Dictionary）的组合，即“几何+属性”。例如，一个表示城市边界的Feature，其Geometry是Polygon，属性可能包含城市名称、人口等。创建方式为ee.Feature(geometry, properties)。

ee.FeatureCollection是Feature的集合，是矢量数据操作的核心。它支持类似ImageCollection的操作，如filter()、map()、reduce()等。此外，还支持空间连接（join()）、缓冲区（buffer()）和空间统计（reduceRegions()）等高级操作。

4.2.3 辅助数据类型：Dictionary、List与基础类型

ee.Dictionary是键值对集合，类似于JavaScript中的对象，但所有键和值都必须是EE对象。常用于存储影像属性、Feature属性或中间计算结果。ee.List是EE对象的数组列表，支持get()、add()、slice()等操作。此外，还有ee.Number、ee.String、ee.Date等基础类型，它们将JavaScript原生类型包装为服务器端对象，以支持延迟计算。

对象类型	核心用途	典型创建方式	常用方法示例
ee.Image	单景栅格影像	ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20201001')	select(), addBands(), clip(), normalize()
ee.ImageCollection	影像集合/时间序列	ee.ImageCollection('COPERNICUS/S2_SR')	filterDate(), filterBounds(), median(), map()
ee.Geometry	几何形状定义	ee.Geometry.Point([lon, lat])	buffer(), centroid(), intersection()
ee.Feature	矢量要素（几何+属性）	ee.Feature(geom, {name: 'A'})	set(), get(), geometry()
ee.FeatureCollection	矢量要素集合	ee.FeatureCollection([f1, f2])	filter(), map(), reduceRegions()
ee.Dictionary	键值对存储	ee.Dictionary({key: value})	keys(), values(), get()
ee.List	有序列表存储	ee.List([1, 2, 3])	get(), add(), slice(), length()

4.3 类型转换与检查：避免“类型陷阱”的必备技能

GEE开发中最常见的错误之一就是类型不匹配。由于客户端与服务器端的隔离，您无法直接使用JavaScript的typeof或instanceof来检查EE对象的类型。因此，掌握类型转换与检查方法至关重要。

4.3.1 类型检查方法

GEE提供了多种服务器端类型检查机制：

• 使用instanceof操作符：在客户端代码中，可以使用image instanceof ee.Image来判断一个变量是否为ee.Image类型。但注意，这只能检查客户端包装类型，无法检查服务器端实际数据类型。
• 使用ee.Algorithms.ObjectType()：该函数返回对象的服务器端类型名称，如'Image'、'FeatureCollection'等。例如：print(ee.Algorithms.ObjectType(image))将输出'Image'。
• 使用.type()或.class()方法：部分对象支持type()方法，返回其类型信息。例如image.type()返回一个ee.Number编码的类型标识。
• 使用ee.Algorithms.IsEqual()：用于比较两个对象是否相等，也可用于类型判断的辅助。

4.3.2 类型转换操作

类型转换是GEE编程中的高频操作，以下为常见转换场景：

// 1. Image 转 ImageCollection（单景转集合）
var singleImage = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20201001');
var imageCollection = ee.ImageCollection([singleImage]);

// 2. ImageCollection 转 List（获取影像列表）
var collection = ee.ImageCollection('COPERNICUS/S2_SR').limit(10);
var imageList = collection.toList(10);
var firstImage = ee.Image(imageList.get(0));

// 3. FeatureCollection 转 List
var fc = ee.FeatureCollection('FAO/GAUL/2015/level0');
var featureList = fc.toList(100);

// 4. List 转 FeatureCollection
var myList = ee.List([ee.Feature(ee.Geometry.Point([0, 0]), {id: 1})]);
var newFc = ee.FeatureCollection(myList);

// 5. Dictionary 转 List（获取键或值）
var dict = ee.Dictionary({a: 1, b: 2});
var keys = dict.keys();  // ee.List
var values = dict.values();  // ee.List

// 6. 数值类型转换
var num = ee.Number(10.5);
var intNum = num.toInt();  // 转为整数
var floatNum = num.toFloat();  // 转为浮点数

// 7. 字符串与数值互转
var str = ee.String('123');
var numFromStr = ee.Number.parse(str);
var strFromNum = num.format('%.2f');

4.4 实战场景：构建一个完整的土地利用分类流程

为了将上述概念融会贯通，我们设计一个典型的实战场景：基于Sentinel-2影像的某区域土地利用分类。该场景将综合运用ImageCollection、Image、Geometry、FeatureCollection、Dictionary和List等核心对象。

操作流程：

1. 数据准备与过滤：加载Sentinel-2影像集合，按日期和云量过滤，并裁剪至研究区范围。
2. 影像合成：使用median()方法合成无云影像，减少云和阴影影响。
3. 样本数据准备：将样本点FeatureCollection转换为训练数据，提取影像波段值作为特征。
4. 分类器训练：使用ee.Classifier.smileCart()训练决策树分类器。
5. 分类与结果输出：对合成影像进行分类，并导出结果。

// 步骤1：加载与过滤
var s2 = ee.ImageCollection('COPERNICUS/S2_SR')
  .filterBounds(roi)
  .filterDate('2023-06-01', '2023-09-30')
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10));

// 步骤2：中值合成
var composite = s2.median().clip(roi);

// 步骤3：提取样本特征
var training = samplePoints.map(function(feature) {
  return feature.select(['B2', 'B3', 'B4', 'B8', 'B11'], ['blue', 'green', 'red', 'nir', 'swir1'])
    .copyProperties(feature, ['landcover']);
});

// 步骤4：训练分类器
var classifier = ee.Classifier.smileCart().train({
  features: training,
  classProperty: 'landcover',
  inputProperties: ['blue', 'green', 'red', 'nir', 'swir1']
});

// 步骤5：分类与导出
var classified = composite.classify(classifier);
Map.addLayer(classified, {min: 0, max: 3, palette: ['red', 'yellow', 'green', 'blue']}, 'Landcover');

结果对比与复盘：通过对比分类结果与高分辨率影像，我们发现建设用地与裸地的混淆度较高。原因在于两者在可见光波段的光谱特征相似。改进方案包括：增加SAR数据（如Sentinel-1）作为辅助特征，或使用更复杂的分类器（如随机森林smileRandomForest）。此外，样本点的数量和质量直接影响分类精度，建议每类至少50个样本，并确保样本点均匀分布。

4.5 常见误区与总结复盘