基于Google Earth Engine的遙感大數(shù)據(jù)分析研究進(jìn)展與應(yīng)用

曹博文，楊現(xiàn)坤,2*，邱俊良

（1.廣州大學(xué)地理科學(xué)與遙感學(xué)院地理信息科學(xué)系，廣東 廣州 510006；2.廣東省農(nóng)村水環(huán)境面源污染綜合治理工程技術(shù)研究中心，廣東 廣州 510006）

地理云計算作為應(yīng)對地理數(shù)據(jù)爆炸式增長的數(shù)據(jù)分析途徑，是一種基于互聯(lián)網(wǎng)的計算方式。云計算的概念是在2006 年由Google 首席執(zhí)行官Eric 在SES 2006 大會上首次提出的，2008 年Landsat 系列衛(wèi)星數(shù)據(jù)面向全球免費開放，Google 公司將其全部數(shù)據(jù)集存儲于高性能數(shù)據(jù)庫中，并與云計算引擎相鏈換開發(fā)出谷歌地球引擎（GEE），作為面向?qū)W術(shù)的科學(xué)分析和可視化地理空間數(shù)據(jù)集的云計算平臺[1-2]。至今，其數(shù)據(jù)庫已經(jīng)涵蓋多個衛(wèi)星平臺數(shù)據(jù)，提供的歷史影像數(shù)據(jù)時間序列最早可以追溯到上世紀(jì)70 年代，另外，基于GIS 的矢量數(shù)據(jù)集正在不斷提交到數(shù)據(jù)庫中，包括測繪地理數(shù)據(jù)、農(nóng)田數(shù)據(jù)和氣候模型數(shù)據(jù)等，在數(shù)據(jù)存儲中心支持下得以實現(xiàn)面向全球的云計算服務(wù)。

作為地理云計算服務(wù)平臺，GEE 將地理數(shù)據(jù)分析算法封裝成函數(shù)換口的形式提供給用戶，通過互聯(lián)網(wǎng)可以使用戶快速地訪問海量的影像數(shù)據(jù)以及其他空間數(shù)據(jù)，而不需要下載到本地，在云端實現(xiàn)當(dāng)前地理空間數(shù)據(jù)分析的全部流程[3]。通過云計算可以使共享的計算機(jī)軟硬件資源和地理大數(shù)據(jù)，按需求提供給用戶使用，使任何用戶都可以使用服務(wù)商提供的多平臺軟硬件資源和地理大數(shù)據(jù)，開展常規(guī)個人計算機(jī)無法實現(xiàn)的地理計算和數(shù)據(jù)分析。

1 GEE的架構(gòu)體系與技術(shù)特點

1.1 GEE 的架構(gòu)體系

GEE 平臺主要由云數(shù)據(jù)引擎、云計算中心、調(diào)用數(shù)據(jù)和分析工具的API 和基于web 交互的可視化開發(fā)環(huán)境組成。

1.1.1 數(shù)據(jù)體系

GEE 數(shù)據(jù)目錄以數(shù)據(jù)層和集合的方式將數(shù)據(jù)分層包裝，來幫助用戶實現(xiàn)對大規(guī)模數(shù)據(jù)的快速查詢和調(diào)用，同類型數(shù)據(jù)歸入同一個集合，將底層地圖切片存儲[4]。涵蓋氣候與天氣數(shù)據(jù)層、影像數(shù)據(jù)層（表1）和地球物理數(shù)據(jù)層（表2）三類。

氣候與天氣數(shù)據(jù)層包括地表溫度、氣候、大氣和天氣數(shù)據(jù)等。GEE 的溫度數(shù)據(jù)來源有Landsat 衛(wèi)星熱傳感器以及一些航天傳感器（MODIS、ASTER 和AVHRR），其范圍覆蓋陸地和海洋。氣候模型數(shù)據(jù)可以生成長期的氣候預(yù)測和地表變量的歷史插值，包括NCEP/NCAR 的歷史再分析數(shù)據(jù)，NLDAS-2 和GridMET 等格網(wǎng)化氣象數(shù)據(jù)集。天氣數(shù)據(jù)集包括美國國家海洋和大氣局的全球預(yù)報系統(tǒng)（NOAA.GFS）和美國國家環(huán)境預(yù)報中心（NCEP）氣候預(yù)報系統(tǒng)（CFSv2）的預(yù)報數(shù)據(jù)，以及熱帶降雨測量任務(wù)（TRMM）的傳感器數(shù)據(jù)。

影像數(shù)據(jù)層的主要數(shù)據(jù)源包括Landsat、Sentinel、MODIS 和High-Resolution Imagery 系列衛(wèi)星傳感器平臺。USGS 為Landsat 衛(wèi)星生成三類數(shù)據(jù)：Tier 1（T1）是符合幾何和輻射質(zhì)量要求的數(shù)據(jù)；Tier 2（T2）是不符合T1 要求的數(shù)據(jù)；RT（real time）則是尚未評估的數(shù)據(jù)，評估時間可能長達(dá)一個月。此外，數(shù)據(jù)目錄還包含Landsat 衛(wèi)星平臺的衍生數(shù)據(jù)集產(chǎn)品。Sentinel 數(shù)據(jù)來源于由歐洲委員會與歐洲空間局（ESA）合作發(fā)起的哥白尼計劃，包括Sentinel 1A 和1B 的全天候雷達(dá)影像、Sentinel 2A 和2B 的高分辨率光學(xué)影像，以及Sentinel 3 適合環(huán)境和氣候監(jiān)測的海洋和陸地數(shù)據(jù)[5]。MODIS 數(shù)據(jù)來自美國國家航天局（NASA）的Terra 和Aqua 衛(wèi)星上的中分辨率成像光譜儀（MODIS）傳感器，包括每日采集的地球影像和表面反射率數(shù)據(jù)，以及植被指數(shù)和積雪等衍生產(chǎn)品[6]。High-Resolution Imagery是由美國國家農(nóng)業(yè)影像計劃（NAIP）發(fā)布的航空影像數(shù)據(jù)，分辨率為1 m，可以捕捉到很多城市細(xì)節(jié)。

地球物理數(shù)據(jù)層包含地形、土地覆蓋、農(nóng)田以及其他地球物理數(shù)據(jù)。地形數(shù)據(jù)集即數(shù)字高程模型（DEMs）用以描述地球形狀，在數(shù)據(jù)目錄中的全球地形數(shù)據(jù)集有航天飛機(jī)雷達(dá)地形測量（SRTM）數(shù)據(jù)集（30 m 分辨率）、區(qū)域高分辨率DEM 及其衍生產(chǎn)品如世界自然基金會（WWF）的流域水文數(shù)據(jù)庫；土地覆蓋圖是根據(jù)土地覆蓋類型描述自然景觀，如MODIS 衍生年度土地覆蓋圖等；農(nóng)田數(shù)據(jù)集由農(nóng)田數(shù)據(jù)產(chǎn)品組成，提供農(nóng)田范圍、作物優(yōu)勢和水源等信息；其他數(shù)據(jù)集有來自國防氣象衛(wèi)星計劃的Operational Linescan系統(tǒng)（DMSP-OLS）的夜間燈光數(shù)據(jù)等。

表1 GEE 數(shù)據(jù)目錄常用衛(wèi)星和模型數(shù)據(jù)產(chǎn)品

表2 地球物理數(shù)據(jù)

表3 Landsat 數(shù)據(jù)衍生產(chǎn)品

1.1.2 技術(shù)體系

GEE 提供的云端大數(shù)據(jù)分析算法主要包括遙感影像分類、預(yù)處理和地理分析算法。遙感影像分類算法有監(jiān)督分類和非監(jiān)督分類2 種，在監(jiān)督分類中的4 種智能分類算法：分類回歸樹（CART）是決策樹的一種，由Breiman 于1984 年提出，CART 算法主要分為兩步，首先基于訓(xùn)練數(shù)據(jù)集遞歸構(gòu)建二叉決策樹，然后采用基尼指數(shù)（GINI）最小化準(zhǔn)則，基尼指數(shù)用以度量數(shù)據(jù)劃分的純度，指數(shù)越小表明樣本屬于同一類別的概率越高以此生成二叉樹，然后對于完整決策樹存在的過擬合現(xiàn)象，需要使用驗證數(shù)據(jù)集對樹進(jìn)行剪枝并選擇泛化能力最優(yōu)的子樹[7]，隨機(jī)森林（random forest）是Breiman 在分類樹基礎(chǔ)上于2001 年提出的，其改變了分類回歸樹的構(gòu)造方法，在每個分割節(jié)點都使用隨機(jī)選擇的最優(yōu)子集，這種反直覺的分類策略實際表現(xiàn)卻很不錯，并且對過擬合現(xiàn)象具有很強(qiáng)的穩(wěn)健性[8]。

不同于決策樹分類器，樸素貝葉斯（naive bayes）是基于貝葉斯定理實現(xiàn)的眾多分類器的一種，貝葉斯定理最初是由Thomas 提出的一個等式，用來描述基于相關(guān)條件的事件的可能性，然后由LaPlace 進(jìn)一步發(fā)展成為現(xiàn)代概率理論的一條基本公理。在它假設(shè)各類別之間相互獨立，即符合獨立概率分布特征，因此首先要確定樣本數(shù)據(jù)集分類特征，然后根據(jù)貝葉斯定理計算每個類別在樣本中的分布頻率，以此實現(xiàn)數(shù)據(jù)分類[9-10]。支持向量機(jī)（SVM）是一種二類分類模型，以特征空間上的最大間隔為基礎(chǔ)建立 線性分類器，從簡單到復(fù)雜的模型依次有線性可分向量機(jī)、線性支持向量機(jī)以及非線性支持向量機(jī)[11-12]，SVM 與CART 算法同樣被認(rèn)為擁有較強(qiáng)的泛化能力。

如表4 所示，對比傳統(tǒng)遙感軟件的影像處理算法，可以看出GEE 平臺在影像監(jiān)督分類算法方面提供了更多的選擇，尤其是在遙感影像智能分類算法方面有了新的突破，例如應(yīng)用廣泛的貝葉斯分類算法在影像監(jiān)督分類中得到很好的實現(xiàn)，同時憑借服務(wù)器強(qiáng)大的運算資源可以實現(xiàn)全球尺度的數(shù)據(jù)分析，本地計算機(jī)則很難實現(xiàn)。除此之外，還提供了去云處理、山體陰影和輻射校正等算法換口。GEE 具備強(qiáng)大的并行計算能力，在涉及大區(qū)域影像計算時可運行Map()批處理過程提高云運算效率。分析過程中產(chǎn)生的數(shù)據(jù)都存儲在高速緩存區(qū)，在下一步分析中可以直換調(diào)用，因此，對本地存儲空間和處理器要求很低，可以顯著降低研究項目中的硬件成本，使研究者可以專注于分析問題的主要矛盾而不是設(shè)備條件。

表4 GEE 和傳統(tǒng)遙感影像處理軟件的分類算法對比

1.1.3 開發(fā)體系

GEE 整個系統(tǒng)由前端交互平臺、云端服務(wù)器和后臺數(shù)據(jù)庫3 個模塊組成（圖1）。

首先是輸入客戶端模塊實現(xiàn)了遠(yuǎn)程交互，包括基于web 的JavaScript 開發(fā)網(wǎng)站和基于Google Colab 開發(fā)框架的Python API 客戶端，后者是同樣部署在web的開發(fā)環(huán)境；用戶還可以將客戶端API 安裝到具有Python 環(huán)境的本地終端設(shè)備，當(dāng)然無論是JavaScript 還是Python 語言，它們都擁有相同的云端函數(shù)庫，區(qū)別在于Python API 是基于JavaScript API 的轉(zhuǎn)譯，因此兩者調(diào)用同名函數(shù)時的功能幾乎保持一致。其次云端服務(wù)器模塊計算硬件設(shè)備和服務(wù)軟件，云端服務(wù)通過互聯(lián)網(wǎng)協(xié)議換收前端信息實現(xiàn)動態(tài)計算，而實現(xiàn)動態(tài)計算的關(guān)鍵是把中間數(shù)據(jù)儲存在高速緩存區(qū)以此提高處理效率和靈活性。最后是后臺數(shù)據(jù)管理模塊包括用戶數(shù)據(jù)、資源數(shù)據(jù)以及數(shù)據(jù)傳輸服務(wù)3 個部分，其中用戶數(shù)據(jù)包括上傳到資源列表的表格、矢量和柵格數(shù)據(jù)，資源數(shù)據(jù)即前文所述的數(shù)據(jù)目錄下的全部數(shù)據(jù)資源，數(shù)據(jù)傳輸服務(wù)提供下載和上傳。

圖1 GEE 平臺的系統(tǒng)架構(gòu)

前端JavaScript 腳本編輯器的主要功能如圖2 所示，編輯器具有實時監(jiān)測代碼錯誤的功能，如果檢測到語法錯誤會即時顯示，若是邏輯錯誤，錯誤信息會被輸出到控制臺作詳細(xì)說明，這是調(diào)式代碼的主要參考依據(jù)。GEE 后臺換收到用戶訪問后，根據(jù)返回的API 調(diào)用信息進(jìn)行相應(yīng)的圖像處理操作，這些操作全都在云端進(jìn)行，過程中的數(shù)據(jù)被暫存在高速緩存區(qū)，并將最終結(jié)果返回JavaScript 前端，通過Map API 可視化選項顯示在瀏覽器的地圖區(qū)域，將其他結(jié)果信息顯示在輸出控制臺，要求下載的數(shù)據(jù)將會在任務(wù)管理界面顯示下載進(jìn)度，這一切都會在很短的時間內(nèi)完成。

圖2 基于web 的JavaScript 開發(fā)框架

1.2 GEE 技術(shù)特點

1.2.1 數(shù)據(jù)豐富

GEE 平臺數(shù)據(jù)豐富，包含多平臺影像數(shù)據(jù)集及其衍生產(chǎn)品，數(shù)據(jù)具有長時間序列和覆蓋全球的空間尺度且獲取簡單的特點。通過將數(shù)據(jù)分層分級的方式展示，將多個平臺的數(shù)據(jù)高效集成在一起，從而降低用戶檢索數(shù)據(jù)的難度，在此基礎(chǔ)上提供多種數(shù)據(jù)訪問方式，以保證用戶可以輕松獲取，例如在GEE 數(shù)據(jù)目錄平臺[13]由數(shù)據(jù)層依次遞進(jìn)到單個數(shù)據(jù)集產(chǎn)品信息，詳細(xì)介紹了具體信息，包括調(diào)用換口和實現(xiàn)代碼。而在代碼編輯器平臺直換檢索數(shù)據(jù)名稱更可以快速導(dǎo)入到代碼編輯區(qū)。同時，還支持用戶上傳至資源管理區(qū)并通過路徑訪問獲取用戶自己的數(shù)據(jù)，并在地圖窗口中繪制圖形和自定義屬性作為訓(xùn)練樣本選區(qū)。此外，數(shù)據(jù)在分析過程中產(chǎn)生的中間數(shù)據(jù)不需要下載到本地硬盤，而是緩存在后臺服務(wù)器的高速緩存區(qū)，保證其分析過程可以連續(xù)進(jìn)行，最終產(chǎn)生的數(shù)據(jù)成果支持多種導(dǎo)出方式，例如轉(zhuǎn)存到云盤空間或資源管理區(qū)后直換下載到本地。

1.2.2 算法高集成度以及可定制性

在傳統(tǒng)的影像分析過程中，通常是直換計算柵格數(shù)據(jù)的合成像素，而這種操作則要求對輸入數(shù)據(jù)集進(jìn)行預(yù)處理來獲取統(tǒng)一的投影坐標(biāo)系和分辨率等。在GEE 中采取了不同的分析過程，如圖3 所示，它延遲了計算輸出像素值的過程，而是針對下一步的實際需要決定對像素的計算層次，例如當(dāng)要求縮放顯示結(jié)果到交互地圖區(qū)時，可以實時地確定輸出分辨率和投影，在需要進(jìn)行下一步分類或疊加分析時，則將結(jié)果直換作為輸入數(shù)據(jù)集，并確定合適的分辨率和投影來計算合成像素。正是通過這種優(yōu)化過程的方式，研究者可以專注于數(shù)據(jù)分析和迭代算法的開發(fā)，將算法提交到GEE 后完成大規(guī)模計算，最后把結(jié)果作為表格、影像或其他文件格式下載到本地。

圖3 GEE 影像分析過程

1.2.3 GEE 存在的問題以及在中國應(yīng)用的可能障礙

GEE 雖然具有強(qiáng)大的并發(fā)計算能力，但隨著應(yīng)用領(lǐng)域不斷拓寬，越來越多的學(xué)者嘗試新的研究方向，而其提供的API 并不能完全滿足所有領(lǐng)域的研究需要，因此，Google 需要不斷地開發(fā)完善，API 名稱和調(diào)用方式也隨著迭代出現(xiàn)變化甚至被舍棄，這都需要用戶主動學(xué)習(xí)并不斷更新本地代碼，否則將會出現(xiàn)很多意料之外的運行問題，這對于研究者來說需要不斷付出學(xué)習(xí)成本。另外，在代碼調(diào)試過程中，由于遠(yuǎn)程訪問的局限性，開發(fā)者并不能實時監(jiān)測到本地變量的具體內(nèi)容，很多錯誤實例在開發(fā)社區(qū)中高頻出現(xiàn)，多是因為用戶難以定位到具體實例，因此在開發(fā)過程中不可避免地進(jìn)行各種嘗試來讓程序穩(wěn)定的運行。除此之外，由于GEE 在中國大陸沒有服務(wù)器，在大陸進(jìn)行國際遠(yuǎn)程訪問不得不考慮一些網(wǎng)絡(luò)限制，雖然科學(xué)研究不會引起特別關(guān)注，但仍會使網(wǎng)絡(luò)訪問速率降低乃至訪問失敗。

2 GEE應(yīng)用進(jìn)展及案例分析

隨著GEE 平臺不斷發(fā)展，越來越多的國內(nèi)外學(xué)者選擇GEE 進(jìn)行大尺度遙感影像分析，GEE 在地理、地質(zhì)、農(nóng)業(yè)以及生態(tài)等領(lǐng)域的應(yīng)用越來越廣泛，尤其是生態(tài)領(lǐng)域包括洪水監(jiān)測、全球森林監(jiān)測和砍伐控制；還有全球范圍的土地變化包括城市用地、熱島、陸地水變化和植被變化等。

2.1 應(yīng)用領(lǐng)域和區(qū)域統(tǒng)計

根據(jù)谷歌學(xué)術(shù)（google scholar）完整搜索Google Earth Engine 索引的結(jié)果統(tǒng)計三百篇相關(guān)文章，在統(tǒng)計中可以看出（圖4），GEE 廣泛應(yīng)用于地理學(xué)、生態(tài)學(xué)以及云計算等眾多領(lǐng)域，尤其是生態(tài)監(jiān)測、濕地/水文和植被3 個研究領(lǐng)域最為熱門，其次是土地覆蓋和農(nóng)業(yè)的研究。以上這五類研究之所以成為GEE 應(yīng)用的主要領(lǐng)域，正是基于平臺的大數(shù)據(jù)結(jié)合云計算的優(yōu)勢，不論是生態(tài)監(jiān)測還是土地覆蓋研究都傾向于在一個比較大的時空尺度下進(jìn)行，例如Midekis 基于GEE 提供的Landsat 高分辨率數(shù)據(jù)和云計算繪制非洲大陸連續(xù)十五年的土地覆蓋變化，提供了云計算和地球衛(wèi)星觀測大數(shù)據(jù)結(jié)合的應(yīng)用案例[14]。這種規(guī)模的研究如果使用傳統(tǒng)分析工具將很難實現(xiàn)，不只局限于非洲地區(qū)欠發(fā)達(dá)的信息化水平，大規(guī)模破碎的土地覆蓋類型也將是難以解決的問題，這些問題在云計算服務(wù)結(jié)合遙感大數(shù)據(jù)的條件下有了實現(xiàn)的可能。

如果從國家角度來看，在幾乎所有領(lǐng)域中美國研究者都走在領(lǐng)先的位置。實際上統(tǒng)計數(shù)據(jù)里美國學(xué)者以138 篇的論文數(shù)目占比超過45%，數(shù)據(jù)顯示越來越多的美國學(xué)者開始將一些傳統(tǒng)項目基于GEE 平臺進(jìn)行研究以發(fā)現(xiàn)大尺度的統(tǒng)計規(guī)律，在人口分布統(tǒng)計方面，Patel 利用GEE 提供的Landsat 數(shù)據(jù)繪制了多時段的人口分布圖[15]。在中國主要的應(yīng)用方向是水文/濕地領(lǐng)域，其次是土地覆蓋與農(nóng)業(yè)，這有多種可能的因素包括中國人均水資源缺乏、南北降水分布差異、中國工業(yè)化過程中對河流水資源的過度開發(fā)導(dǎo)致的流域生態(tài)問題，例如大規(guī)模修建大壩和工業(yè)用水排放等，隨著中國政府對生態(tài)保護(hù)越來越重視，環(huán)保建設(shè)需要更多的基礎(chǔ)研究支撐；由于在中國獲取大尺度高分辨率衛(wèi)星數(shù)據(jù)的途徑較少，涉及整個流域的大尺度研究中GEE 的大數(shù)據(jù)和云計算優(yōu)勢也更加顯著。

圖4 基于GEE 平臺算法或數(shù)據(jù)的研究狀況

如果超越國家視角在大洲尺度統(tǒng)計（圖5），目前已有很多國家和地區(qū)的學(xué)者基于GEE 平臺展開跨區(qū)域合作，有中國學(xué)者與美國科研機(jī)構(gòu)基于GEE 展開項目合作，如Dong[16]與美國俄克拉荷馬大學(xué)合作繪制的東北亞水稻種植圖。然而GEE 作為數(shù)據(jù)共享平臺，其數(shù)據(jù)集和算法換口向所有國家和地區(qū)開放，但是在非洲、中東以及南美等欠發(fā)達(dá)地區(qū)在數(shù)據(jù)獲取方面仍然欠缺。在前面介紹的數(shù)據(jù)目錄，如GFSAD 1 000，Cropland 產(chǎn)品是由NASA 資助的項目，在國際水資源管理研究所的灌溉農(nóng)田地圖基礎(chǔ)上，與多源遙感數(shù)據(jù)（Landsat、MODIS 和AVHRR 等）及其他田間數(shù)據(jù)融合生成，提供全球1 km 分辨率農(nóng)田數(shù)據(jù)，包括耕地范圍、作物優(yōu)勢、灌溉等農(nóng)田信息，發(fā)達(dá)國家通過建立農(nóng)田數(shù)據(jù)集協(xié)助發(fā)展中國家建立農(nóng)田動態(tài)監(jiān)測系統(tǒng)，以達(dá)到保護(hù)全球糧食安全的共同目標(biāo)。

圖5 基于GEE平臺的研究文獻(xiàn)統(tǒng)計的大洲分布

2.2 應(yīng)用案例分析

利用GEE 進(jìn)行的研究涵蓋不同的空間尺度，其中大尺度的地理過程研究是GEE 最為廣泛的應(yīng)用領(lǐng)域，全球尺度進(jìn)行分析的文章國內(nèi)有劉小平等[16]基于GEE 平臺對全球城市土地進(jìn)行分類并繪制了全球30 m分辨率的城市用地圖。在國家和大陸尺度，如前文提到的Dong[17]利用GEE 提供的Landsat 影像和基于物候算法繪制的東北亞水稻分布圖，這是東北亞區(qū)域第一幅30 m 分辨率的水稻地圖，將有助于糧食安全評估、水資源管理、溫室氣體排放估算和疾病控制等問題。還有Chen[18]基于GEE 的計算平臺及其提供的Landsat-8/7和Sentinel-1A 數(shù)據(jù)，繪制了中國紅樹林地圖，用以了解紅樹林生態(tài)系統(tǒng)影響因素并規(guī)劃了可持續(xù)管理機(jī)制。同樣在大尺度植被監(jiān)測方面，早在2011 年Moore[19]發(fā)表了關(guān)于GEE 的介紹文章，其中全面介紹了GEE 作為全球森林監(jiān)測的設(shè)計初衷，用以支持發(fā)展中國家減少毀壞和森林退化（REDD+）活動，研究者利用這一平臺進(jìn)行自主開發(fā)從而實現(xiàn)前所未有的土地覆蓋動態(tài)監(jiān)測。

在區(qū)域和城市的中、小尺度下GEE 仍然有很多應(yīng)用。在城市方面，比如Huabing[20]利用GEE 的Landsat 數(shù)據(jù)繪制了北京2015 年的土地覆蓋地圖，并估算了過去30 a 間植被的損失和增長模式，闡述了人類活動對北京土地覆蓋動態(tài)的影響。除上所述的外刊研究，國內(nèi)期刊出版庫中也有一些新的應(yīng)用，如胡云鋒等[21]基于GEE 平臺利用LandsatTM/OLI 影像（1990-2016）的長時間序列數(shù)據(jù)，用分類回歸樹（CART）分類方法對北京市1990 ～2016 年間的耕地、人造地表面積變化的驅(qū)動機(jī)制做了進(jìn)一步分析。在農(nóng)業(yè)方面，有何昭欣等[22]基于GEE 使用Sentinel-2 數(shù)據(jù)快速提取了江蘇省冬小麥與冬油菜的空間分布，驗證了樸素貝葉斯、支持向量機(jī)、分類回歸樹和隨機(jī)森林4 種分類器，并得出分類平均驗證精度。

以上研究基于GEE 的基礎(chǔ)衛(wèi)星數(shù)據(jù)和分類算法，提供了平臺的應(yīng)用案例和算法處理的結(jié)果展示。而在利用函數(shù)換口處理原始數(shù)據(jù)方面仍然欠缺經(jīng)驗，更多的是作為獲取數(shù)據(jù)的路徑而不是結(jié)合實地調(diào)研數(shù)據(jù)進(jìn)行綜合分析。如前文所述，GEE 不只提供數(shù)據(jù)傳輸，還有自定義算法在平臺上集成應(yīng)用的換口，在GEE 論壇每天都會產(chǎn)生新的問題和解決方式，越來越多的在傳統(tǒng)領(lǐng)域難以實現(xiàn)的GIS 分析能夠高效完成。比如，Yang[23]基于Google 衛(wèi)星影像結(jié)合本地自定義的地名判斷算法提取長江流域水庫的研究。這一應(yīng)用相較于傳統(tǒng)的基于衛(wèi)星影像提取大尺度水體的方法，精度和效率均大幅提高，當(dāng)然還有更多的應(yīng)用方向等待探索。

3 GEE 平臺的總體發(fā)展趨勢

GEE 自2010 發(fā)布至今解決了越來越多傳統(tǒng)遙感和GIS 領(lǐng)域的問題，在環(huán)境科學(xué)和遙感領(lǐng)域應(yīng)用廣泛，涵蓋植被變化，農(nóng)田監(jiān)測，城市熱島，土壤干旱，濕地監(jiān)測，生態(tài)系統(tǒng)評價等，尤其改變了以往全球大尺度的土地覆被變化問題的研究方式。全球范圍內(nèi)正有更多的學(xué)者加入GEE 平臺，關(guān)于平臺的搜索熱度與日俱增，相較于三年前搜索增長趨勢顯著（圖6），根據(jù)Google Trend 在過去三年里的全網(wǎng)搜索數(shù)據(jù)，分別得到在全球和美國的使用增長趨勢。

圖6 2016-01～2019-05 的搜索增長趨勢

3.1 GEE大數(shù)據(jù)分析部署在智慧城市建設(shè)中的應(yīng)用探討

GEE 的數(shù)據(jù)集成模式具有高度動態(tài)化和高度可視化的特點，而其數(shù)據(jù)分析模式是面向大眾又極其高效的，智慧城市的數(shù)據(jù)平臺搭建可以借鑒GEE 數(shù)據(jù)集成和管理模式。在傳統(tǒng)的城市管理系統(tǒng)中，由于各部門數(shù)字化程度低，難以做到智能決策和科學(xué)統(tǒng)籌。近些年隨著城市信息化水平越來越高，尤其是沿海發(fā)達(dá)城市，實現(xiàn)了包括人流、車流，污染指數(shù)，人口流動和城市降雨雷達(dá)監(jiān)測等信息實時采集，以及POI數(shù)據(jù)的即時更新，這為城市智能化管理提供了前提條件。把多源數(shù)據(jù)集分部門部署在開放合作的公共云服務(wù)器，從而實現(xiàn)多部門數(shù)據(jù)共享打破“信息孤島”，提高城市信息傳遞效率，加快部門間、區(qū)域間的數(shù)據(jù)整合，這是智慧城市建設(shè)的重要環(huán)節(jié)[24]。智慧城市的信息平臺建設(shè)可以參考GEE 的構(gòu)建過程，讓智慧城市系統(tǒng)更好地服務(wù)于國情決策，同時也能共享于大眾。

3.2 人工智能算法在遙感圖像識別中的應(yīng)用

隨著人工智能技術(shù)研究浪潮興起，各種智能算法在信息技術(shù)領(lǐng)域產(chǎn)生很多創(chuàng)新應(yīng)用，其中機(jī)器學(xué)習(xí)是實現(xiàn)人工智能最廣泛的應(yīng)用方法，例如在遙感圖像識別領(lǐng)域?qū)崿F(xiàn)了多種基于監(jiān)督學(xué)習(xí)的智能分類算法，包括樸素貝葉斯、決策樹、支持向量機(jī)以及最大熵模型等。當(dāng)然還包括當(dāng)前機(jī)器學(xué)習(xí)的主要方向即基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)分類算法，這在擁有大規(guī)模數(shù)據(jù)作為訓(xùn)練樣本時會產(chǎn)生極佳的結(jié)果，例如Helber[25]利用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)對2.7 萬張標(biāo)記的Sentinel-2 衛(wèi)星圖像的土地利用和土地覆蓋分類，結(jié)果總體分類準(zhǔn)確率達(dá)到98.57%，提供了深度學(xué)習(xí)算法在遙感圖像處理中應(yīng)用范例。將智能算法應(yīng)用于遙感圖像分類，可以有效地提高圖像分類精度和目標(biāo)識別的準(zhǔn)確性，從而提高數(shù)據(jù)利用率，在空間數(shù)據(jù)挖掘中獲取更多價值。

然而，無論是監(jiān)督學(xué)習(xí)還是深度學(xué)習(xí)無不受限于機(jī)器性能，訓(xùn)練樣本過少出現(xiàn)過擬合現(xiàn)象，這成為遙感圖像識別智能化應(yīng)用的制約。這些問題在GEE 平臺上可以得到很好的解決，依托于云端高性能計算機(jī)和大規(guī)模聚集的數(shù)據(jù)資源，智能算法可以得到更高效的利用。建立云端智能化分析平臺不僅擴(kuò)展了智能遙感圖像識別功能，對復(fù)雜地表過程分析將發(fā)揮更顯著的作用，例如復(fù)雜地表水文過程和地震、火山等自然災(zāi)害的分析和預(yù)測，而在傳統(tǒng)分析中是難以實現(xiàn)的。

3.3 氣候模擬預(yù)測對全球氣候變化下的環(huán)境問題的主要作用

在2016 年于北京召開主題“為構(gòu)建我們和諧的世界”的國際地理大會，提出當(dāng)前地理學(xué)研究前沿城市變化，全球人口變化等多項涉及全球尺度的研究主題[26]?？梢钥闯鲫P(guān)于數(shù)據(jù)探索和分析的各學(xué)科已經(jīng)逐漸走向大尺度乃至全球范圍的變化研究，在當(dāng)今世界格局下，涉及全球的極端氣候變化已經(jīng)是全人類所面臨的共同問題，全球問題需要全球治理將是未來的發(fā)展趨勢。

如何應(yīng)對氣候變化所帶來的一系列災(zāi)害影響，將會涉及多個學(xué)科的共同合作，這是現(xiàn)代自然地理框架下的相關(guān)研究成果，綜合了氣候?qū)W、遙感、地理信息系統(tǒng)和人口統(tǒng)計學(xué)等多學(xué)科理論，涉及包括氣象數(shù)據(jù)、地表覆蓋和土地利用數(shù)據(jù)、人口數(shù)據(jù)以及CO2濃度數(shù)據(jù)等復(fù)合數(shù)據(jù)的全球變化模擬，例如應(yīng)用復(fù)雜氣候模型的高分辨率影像產(chǎn)品的精度預(yù)測極端氣候過程，結(jié)合土地覆蓋和CO2濃度等數(shù)據(jù)的模擬和預(yù)測城市降雨過程等，這些研究可以為環(huán)保政策的制定提供科學(xué)的建議以及輔助決策[27-28]。以上研究同樣面臨數(shù)據(jù)方面的限制，例如全球各領(lǐng)域數(shù)據(jù)不整合、時效差和難以實現(xiàn)全球范圍的高精度覆蓋等，GEE 作為面向全球的非商業(yè)化數(shù)據(jù)探索和分析的云計算平臺，將給全球變化研究提供數(shù)據(jù)和平臺支持，同時也可以作為先進(jìn)的技術(shù)開發(fā)框架被發(fā)展中國家和地區(qū)加以借鑒。

4 結(jié) 語

隨著云計算技術(shù)的不斷發(fā)展，GEE 從2008 年提出構(gòu)想不斷發(fā)展至今天，已經(jīng)成為提供覆蓋全球的地理空間數(shù)據(jù)的集成、處理、可視化和綜合分析一站式解決方案的云端共享平臺。

在數(shù)據(jù)集成方面，首先是已經(jīng)實現(xiàn)包括Landsat、Sentinel、MODIS 在內(nèi)的多平臺資源衛(wèi)星數(shù)據(jù)集成，并處在持續(xù)更新的過程中，未來還會有更多的衛(wèi)星數(shù)據(jù)資源集成到平臺；其次平臺還集成了模型數(shù)據(jù)，例如天氣與氣候模型包括降水模擬、地表徑流和農(nóng)田灌溉等多種模擬數(shù)據(jù)，還有地理測繪數(shù)據(jù)，包括數(shù)字高程模型和土地覆蓋數(shù)據(jù)等；還有一些研究者利用平臺生產(chǎn)并提交到數(shù)據(jù)支持中心的共享數(shù)據(jù)等，豐富的衍生數(shù)據(jù)會吸引更多研究者的關(guān)注并促進(jìn)社區(qū)交流。

在算法集成方面，提供了持續(xù)更新的智能算法以及可供研究者定制的功能換口，這將激勵研究者不斷嘗試新的算法來實現(xiàn)科學(xué)構(gòu)想，而不只是停留在理論層面，這將進(jìn)一步促進(jìn)平臺的智能化發(fā)展，很多以往難以解決的問題都將開啟新的思路。

當(dāng)然目前的GEE 仍然存在一些問題可能使研究者遇到阻礙，但隨著互聯(lián)網(wǎng)技術(shù)不斷發(fā)展，無論是新一代5G 通信技術(shù)地快速建設(shè)，還是人工智能技術(shù)的不斷演進(jìn)，都將成為云端信息服務(wù)的重要推動力量，在數(shù)據(jù)共享越加開放，信息化程度不斷提高的未來，全球尺度的地理空間分析將會有更廣闊的應(yīng)用空間。