全球尺度遥感云计算平台：Google Earth Engine

Google Earth Engine（GEE）是一个基于 Google 云服务基础设施的遥感大数据分析平台，它结合 Google 强大的云计算能力与 NASA、ESA、NOAA 等机构的空间数据，用于在全球尺度解决一些非常重要的社会问题：森林退化、粮食安全、灾害预警、水资源管理、气候监测以及环境保护等。

GEE 官方宣传视频（版权归 Google 所有）

Spacefan 的视频

· 303 播放

发展背景

2008 年，手握 40 多年 LandSat 数据的美国地质调查局（USGS）逐步将自 1972 年以来的所有 LandSat 存档数据免费向公众开放，成为开放遥感数据的急先锋。随后 ESA 哥白尼计划下的 Sentinel-1/2/3/5、NOAA 的 MODIS 等卫星项目产生的空间数据加入免费大军，为 GEE 的出现奠定了数据基础。

2011 年，Google 决定放弃对 Google Earth Enterprise 的深入开发，转而协同卡耐基梅隆大学、NASA、USGS 的技术人员一起设计更具技术前瞻性的 Google Earth Engine。两款产品都简称 GEE，但却代表了 Google 在不同时期对地球科学与遥感大数据的认知。

2012 年，Goodchild 等人提出，“卫星以及地面传感器所提供的地理信息数据量的迅速增长，正在鼓励产生一种新的、第四类的、大数据的科学范式，这种范式强调国际间合作、数据密集型分析、巨大的计算资源以及高端的可视化方式”。至此，地理信息云计算的概念逐渐浮出水面。

2013 年，GEE 作为 Google 内部孵化项目，开始在行业内曝光，并积极寻求与外部的合作。

2015 年，GEE 公测上线，在全球遥感与地理信息行业产生较大反响，标志着遥感云计算时代的正式到来。

2016 年，GEE 开发团队在一年内人员数量翻倍，在 Google Cloud Platform（GCP）的助力之下，开始为新兴的商业遥感应用提供解决方案。

2017 年，Google 正式开源 Google Earth Enterprise，简称 OpenGEE，由社区驱动开发与技术维护。同年，GEE 团队发布论文 Google Earth Engine: Planetary-scale geospatial analysis for everyone，全面介绍了 GEE 出现的时代背景、平台架构、数据集、基本语法、计算效率以及未来的挑战，引起国内外科研单位及相关从业人员的广泛关注，GEE 逐渐被大家应用于实际科研与生产之中。

技术特点

GEE 结合了 PB 级卫星影像和地理空间数据集，以及全球尺度的分析功能，使科学家、研究人员和开发人员可以使用它来监测变化，绘制趋势并量化地球表面的差异。

GEE 基于 Google Cloud 架设，最底层为数据存储，包括 20 级栅格和 22 级矢量瓦片数据，Fusion Table 已经弃用；第二层为云计算层，分为即时响应计算和批量计算；第三层为网络化的 REST（Representational State Transfer，表现层状态转换）APIs 服务；第四层为客户端库，用 JavaScript 和 Python 解析 REST APIs，可称为 JavaScript API 和 Python API；顶层为交互层，JavaScript API 对应 Code Editor，Python API 对应三方开发的网页或本地应用。

GEE 系统架构

得益于 Google 良好的底层技术生态，GEE 的应用潜力逐渐被众多用户挖掘。尤其在近来来迅猛发展的人工智能技术领域，GEE Python API 可无缝与 TensorFlow 框架相结合，实现智能遥感大数据分析。

综上所述，GEE 具有如下鲜明的技术特点：

海量的多源数据：GEE 汇集 PB 级海量地理信息空间数据，包括卫星遥感、航空遥感、基础地理信息以及可直接使用的高级应用产品等数据。
超强的云端计算：GEE 基于 Google 云服务平台架设，并行处理分析任务，计算资源近乎无限，无需考虑硬件成本。
规范的用户接口：GEE 提供基于 JavaScript 和 Python 语言的双重用户接口，对众多数据处理的函数实现规范化封装，极大程度较低了用户的学习门槛。
良好的开发生态：GEE 自上线伊始就极为重视开发生态的发展，官方丰富的开发文档、科研项目基金的支持、活跃的开发社区以及不定期开发者大会的组织等，为 GEE 的发展注入了强劲的活力。
免费的服务平台：GEE 的使用完全免费，仅对数据导出有所限制。

数据集

GEE 包含 PB 级海量地理信息空间数据，主要有：

超过 40 年的 LandSat 系列卫星影像：星下点重访周期 16 天，最新的 LandSat-8 卫星为 11 谱段多光谱数据。
Sentinel-1/2/3/5 卫星遥感数据：Sentinel-1 为 C 波段 SAR 数据；Sentinel-2 为 13 谱段多光谱数据；Sentinel-3 为海洋与陆地观测卫星，通过海洋和陆地彩色仪器（OLCI）、海洋和陆地表面温度辐射计（SLSTR）、合成孔径雷达高度计（SRAL）、微波辐射计（MWR）和精密定轨（POD）仪器实现高精度海面地形、海陆表面温度、海陆表面颜色遥感与测量，以支持海洋预报系统、海陆环境与气象监测等科学任务；Sentinel-5 为大气测量卫星，用于空气质量、臭氧和紫外线辐射以及气候监测和预报。
MODIS 中等分辨率遥感影像数据：具有 36 个谱段，最高分辨率为 250 m，一天可实现两次全球覆盖。
高分辨率航空遥感影像：1 m 分辨率高清航空遥感影像，仅覆盖美国本土。
基础地理信息数据：全球地形数据、气象数据、矢量数据等。
应用产品数据：地表覆盖数据、夜光数据、耕地数据、NDVI 数据、EVI 数据、LAI 数据等。

官方统计，GEE 数据中心包含超过 200 个公共数据集、500 多万张影像，并以每天大约 4000 张影像的速度递增。其不完整的数据集目录参见：Earth Engine Data Catalog。

GEE 公有数据集

学习资源

GEE 的普及离不开丰富的学习资源，首推官方系统性的介绍文档：https://developers.google.com/earth-engine，其中的 JavaScript and Python Guides、API Reference 和 Earth Engine Community Content 部分是初学者的不二之选。其次，推荐澳大利亚查尔斯·达尔文大学 GEARS 团队的 GEE 教程。以及，华人吴秋生老师的系列视频教程：https://space.bilibili.com/527404442/video，和他开发的 geemap 模块教程。吴秋生老师还写有 Awesome-GEE，对 GEE 学习资源做了较为全面的归总。

对英文无感的童鞋可以看王金柱同学的入门视频教程：遥感大数据平台 Google Earth Engine 教学视频，以及知乎大佬无形的风写的系列教程。若想快速系统学习 GEE，而且家里有矿的，可直接阅读《遥感云计算与科学分析：应用与实践》一书。

遥感云计算与科学分析：应用与实践

当然，再多的学习资源都比不上一次走心的实践操作。下面就为大家演示，如何利用 MODIS 数据制作 2020 年 5 月至 2021 年 5 月全中国植被指数时序。

全国植被指数时序

首先，从全国地理信息资源目录服务系统下载全国行政边界矢量数据，导入到 GEE。然后，建立研究区域，并裁剪中国行政边界。

中国行政边界

随后，加载 MODIS 植被指数产品，并进行数据筛选。

筛选得到的 MODIS 数据集

最后，将筛选得到的影像组成时序，并以直观的配色方案输出至终端显示。

全国 2020~2021 年植被指数时序

从时序图可见，植被的生成变化情况随时间沿纬度带呈潮汐状。这与太阳相对赤道的偏角在南北纬 23.5° 之间移动有关，此现象的具体研究参见：Nicholson, 2019。在世界范围内，无论规模大小，都可以发现相似的植被生产力季节性变化模式。

PS：后台回复“全国植被指数时序”获取完整示例代码。

结语

作为一个集成的一体化工具，GEE 不局限于专业的遥感或地理空间信息应用开发，还能广泛服务于缺乏计算资源的消费级人群。

本文从 发展背景、技术特点、数据集 与 学习资源 四个方面简要介绍了 GEE 全球尺度遥感云计算平台，并以全国 2020~2021 植被指数时序制作为例展示了 GEE 在大尺度遥感数据分析方面的巨大应用潜力。

希望本文能抛砖引玉，为 GEE 初学者提供具有建设性意义的入门参考！