Google Earth Engine（GEE）?是一個基于 Google 云服務基礎設施的遙感大數據分析平臺，它結合 Google 強大的云計算能力與 NASA、ESA、NOAA 等機構的空間數據，用于在全球尺度解決一些非常重要的社會問題：森林退化、糧食安全、災害預警、水資源管理、氣候監測以及環境保護等。

GEE 官方宣傳視頻（版權歸 Google 所有）

Spacefan 的視頻

?·?303?播放

發展背景

2008 年，手握 40 多年 LandSat 數據的美國地質調查局（USGS）逐步將自 1972 年以來的所有 LandSat 存檔數據免費向公眾開放，成為開放遙感數據的急先鋒。隨后 ESA 哥白尼計劃下的 Sentinel-1/2/3/5、NOAA 的 MODIS 等衛星項目產生的空間數據加入免費大軍，為 GEE 的出現奠定了數據基礎。

2011 年，Google 決定放棄對?Google Earth Enterprise?的深入開發，轉而協同卡耐基梅隆大學、NASA、USGS 的技術人員一起設計更具技術前瞻性的?Google Earth Engine。兩款產品都簡稱 GEE，但卻代表了 Google 在不同時期對地球科學與遙感大數據的認知。

2012 年，Goodchild 等人?提出，“衛星以及地面傳感器所提供的地理信息數據量的迅速增長，正在鼓勵產生一種新的、第四類的、大數據的科學范式，這種范式強調國際間合作、數據密集型分析、巨大的計算資源以及高端的可視化方式”。至此，地理信息云計算的概念逐漸浮出水面。

2013 年，GEE 作為 Google 內部孵化項目，開始在行業內曝光，并積極尋求與外部的合作。

2015 年，GEE 公測上線，在全球遙感與地理信息行業產生較大反響，標志著遙感云計算時代的正式到來。

2016 年，GEE 開發團隊在一年內人員數量翻倍，在 Google Cloud Platform（GCP）的助力之下，開始為新興的商業遙感應用提供解決方案。

2017 年，Google 正式開源 Google Earth Enterprise，簡稱 OpenGEE，由社區驅動開發與技術維護。同年，GEE 團隊發布論文?Google Earth Engine: Planetary-scale geospatial analysis for everyone，全面介紹了 GEE 出現的時代背景、平臺架構、數據集、基本語法、計算效率以及未來的挑戰，引起國內外科研單位及相關從業人員的廣泛關注，GEE 逐漸被大家應用于實際科研與生產之中。

技術特點

GEE 結合了 PB 級衛星影像和地理空間數據集，以及全球尺度的分析功能，使科學家、研究人員和開發人員可以使用它來監測變化，繪制趨勢并量化地球表面的差異。

GEE 基于?Google Cloud?架設，最底層為數據存儲，包括 20 級柵格和 22 級矢量瓦片數據，Fusion Table 已經棄用；第二層為云計算層，分為即時響應計算和批量計算；第三層為網絡化的?REST（Representational State Transfer，表現層狀態轉換）APIs 服務；第四層為客戶端庫，用 JavaScript 和 Python 解析 REST APIs，可稱為 JavaScript API 和 Python API；頂層為交互層，JavaScript API 對應?Code Editor，Python API 對應三方開發的網頁或本地應用。

GEE 系統架構

得益于 Google 良好的底層技術生態，GEE 的應用潛力逐漸被眾多用戶挖掘。尤其在近來來迅猛發展的人工智能技術領域，GEE Python API 可無縫與 TensorFlow 框架相結合，實現智能遙感大數據分析。

綜上所述，GEE 具有如下鮮明的技術特點：

• 海量的多源數據：GEE 匯集 PB 級海量地理信息空間數據，包括衛星遙感、航空遙感、基礎地理信息以及可直接使用的高級應用產品等數據。
• 超強的云端計算：GEE 基于 Google 云服務平臺架設，并行處理分析任務，計算資源近乎無限，無需考慮硬件成本。
• 規范的用戶接口：GEE 提供基于 JavaScript 和 Python 語言的雙重用戶接口，對眾多數據處理的函數實現規范化封裝，極大程度較低了用戶的學習門檻。
• 良好的開發生態：GEE 自上線伊始就極為重視開發生態的發展，官方豐富的開發文檔、科研項目基金的支持、活躍的開發社區以及不定期開發者大會的組織等，為 GEE 的發展注入了強勁的活力。
• 免費的服務平臺：GEE 的使用完全免費，僅對數據導出有所限制。

數據集

GEE 包含 PB 級海量地理信息空間數據，主要有：

• 超過 40 年的 LandSat 系列衛星影像：星下點重訪周期 16 天，最新的 LandSat-8 衛星為 11 譜段多光譜數據。
• Sentinel-1/2/3/5 衛星遙感數據：Sentinel-1 為 C 波段 SAR 數據；Sentinel-2 為 13 譜段多光譜數據；Sentinel-3 為海洋與陸地觀測衛星，通過海洋和陸地彩色儀器（OLCI）、海洋和陸地表面溫度輻射計（SLSTR）、合成孔徑雷達高度計（SRAL）、微波輻射計（MWR）和精密定軌（POD）儀器實現高精度海面地形、海陸表面溫度、海陸表面顏色遙感與測量，以支持海洋預報系統、海陸環境與氣象監測等科學任務；Sentinel-5 為大氣測量衛星，用于空氣質量、臭氧和紫外線輻射以及氣候監測和預報。
• MODIS 中等分辨率遙感影像數據：具有 36 個譜段，最高分辨率為 250 m，一天可實現兩次全球覆蓋。
• 高分辨率航空遙感影像：1 m 分辨率高清航空遙感影像，僅覆蓋美國本土。
• 基礎地理信息數據：全球地形數據、氣象數據、矢量數據等。
• 應用產品數據：地表覆蓋數據、夜光數據、耕地數據、NDVI 數據、EVI 數據、LAI 數據等。

官方統計，GEE 數據中心包含超過 200 個公共數據集、500 多萬張影像，并以每天大約 4000 張影像的速度遞增。其不完整的數據集目錄參見：Earth Engine Data Catalog。

GEE 公有數據集

學習資源

GEE 的普及離不開豐富的學習資源，首推官方系統性的介紹文檔：https://developers.google.com/earth-engine，其中的?JavaScript and Python Guides、API Reference?和?Earth Engine Community Content?部分是初學者的不二之選。其次，推薦澳大利亞查爾斯·達爾文大學?GEARS?團隊的 GEE 教程。以及，華人吳秋生老師的系列視頻教程：https://space.bilibili.com/527404442/video，和他開發的?geemap?模塊教程。吳秋生老師還寫有?Awesome-GEE，對 GEE 學習資源做了較為全面的歸總。

對英文無感的童鞋可以看?王金柱?同學的入門視頻教程：遙感大數據平臺 Google Earth Engine 教學視頻，以及知乎大佬?無形的風?寫的系列教程。若想快速系統學習 GEE，而且家里有礦的，可直接閱讀《遙感云計算與科學分析：應用與實踐》一書。

遙感云計算與科學分析：應用與實踐

當然，再多的學習資源都比不上一次走心的實踐操作。下面就為大家演示，如何利用 MODIS 數據制作 2020 年 5 月至 2021 年 5 月全中國植被指數時序。

全國植被指數時序

首先，從?全國地理信息資源目錄服務系統?下載全國行政邊界矢量數據，導入到 GEE。然后，建立研究區域，并裁剪中國行政邊界。

中國行政邊界

隨后，加載 MODIS 植被指數產品，并進行數據篩選。

篩選得到的 MODIS 數據集

最后，將篩選得到的影像組成時序，并以直觀的配色方案輸出至終端顯示。

全國 2020~2021 年植被指數時序

從時序圖可見，植被的生成變化情況隨時間沿緯度帶呈潮汐狀。這與太陽相對赤道的偏角在南北緯 23.5° 之間移動有關，此現象的具體研究參見：Nicholson, 2019。在世界范圍內，無論規模大小，都可以發現相似的植被生產力季節性變化模式。

PS：后臺回復“全國植被指數時序”獲取完整示例代碼。

結語

作為一個集成的一體化工具，GEE 不局限于專業的遙感或地理空間信息應用開發，還能廣泛服務于缺乏計算資源的消費級人群。

本文從?發展背景、技術特點、數據集?與?學習資源?四個方面簡要介紹了 GEE 全球尺度遙感云計算平臺，并以全國 2020~2021 植被指數時序制作為例展示了 GEE 在大尺度遙感數據分析方面的巨大應用潛力。

希望本文能拋磚引玉，為 GEE 初學者提供具有建設性意義的入門參考！

總結

以上是生活随笔為你收集整理的全球尺度遥感云计算平台：Google Earth Engine的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。