### 使用 Python API 从 Google Earth Engine (GEE) 下载叶面积指数 (LAI) 数据 要通过 GEE 的 Python API 获取并下载 MODIS 叶面积指数（LAI）数据，可以按照以下方法实现。此过程涉及初始化 GEE、加载 LAI 数据集以及导出到本地文件。 #### 初始化 GEE 和认证 在使用 GEE 的 Python API 前，需完成身份验证并与服务建立连接： ```python import ee # 初始化 Earth Engine ee.Initialize() ``` 如果尚未配置认证信息，则需要运行 `ee.Authenticate()` 来获取访问权限[^1]。 --- #### 加载 MODIS LAI 数据集 MODIS 提供了多种产品，其中包含叶面积指数的数据集通常为 **MOD15A2H** 或其版本更新后的替代品。以下是加载该数据集的方法： ```python # 定义时间范围和区域 start_date = '2023-01-01' end_date = '2023-12-31' # 创建研究区（例如一个矩形） geometry = ee.Geometry.Rectangle([70, 18, 90, 30]) # 经纬度坐标定义边界框 # 加载 MODIS LAI 数据集 lai_collection = ee.ImageCollection('MODIS/006/MOD15A2H') \ .filterDate(start_date, end_date) \ .select('Lai_500m') # 仅选择 Lai_500m 波段 ``` 上述代码片段中，`'MODIS/006/MOD15A2H'` 是指定的 MODIS 数据集合名称，而 `'Lai_500m'` 表示具体的波段。 --- #### 导出图像至 Google Drive 或本地存储 为了将处理好的 LAI 图像保存下来，可将其导出到 Google Drive 或其他云存储位置。下面展示两种方式： ##### 方法一：导出到 Google Drive ```python task = ee.batch.Export.image.toDrive( image=lai_collection.first(), # 如果只需要单张图片 description='Export_LAI', folder='GEE_Exports', # 自定义目标文件夹名 region=geometry.getInfo()['coordinates'], scale=500 # 设置分辨率（单位：米） ) # 启动任务 task.start() print(f"Task ID: {task.id}") ``` 此处设置的参数包括描述 (`description`)、输出路径 (`folder`)、裁剪区域 (`region`) 和空间分辨率 (`scale`)。注意，`scale` 应匹配原始数据的空间分辨率。 ##### 方法二：导出多个场景作为 TIFF 文件 当希望一次性导出整个时间序列时，可以通过循环提交多批次任务： ```python def export_image(image, date): task = ee.batch.Export.image.toDrive( image=image, description=f'LAI_{date}', folder='GEE_Exports', region=geometry.getInfo()['coordinates'], scale=500 ) task.start() print(f'Started exporting LAI data for {date}') for img in lai_collection.toList(lai_collection.size()).getInfo(): timestamp = img['properties']['system:index'] export_image(ee.Image(img['id']), timestamp) ``` 这种方法适用于逐帧提取长时间序列中的每一张影像[^2]。 --- #### 批量管理任务状态 对于大量导出任务，可能需要监控它们的状态或清理未完成的任务列表。这可通过如下脚本实现： ```python tasks = ee.data.getTaskList() for t in tasks: if t['state'] == 'READY': ee.data.cancelTask(t['id']) print(f"Canceled Task ID: {t['id']}") print("All READY tasks have been canceled.") ``` 以上逻辑展示了如何取消处于准备阶段的任务，从而释放资源以便重新安排新作业。 --- ### 总结 综上所述，借助 GEE 的 Python API 能够高效地检索、筛选和分发遥感数据。无论是单独一幅还是整套时间序列图层，均可依据实际需求灵活调整工作流设计。