Google Earth Engine在土地覆被遙感信息提取中的研究進(jìn)展

牟曉莉,李賀,黃翀,劉慶生,劉高煥

(1.中國科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室,北京 100101；2.中國地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院，北京 100083)

0 引言

土地覆被是地表各地物類型及其自然屬性和特征的綜合體[1]。準(zhǔn)確的土地覆被信息是自然資源評價(jià)的重要手段，也是土地管理和環(huán)境監(jiān)測等多學(xué)科應(yīng)用的基礎(chǔ)。遙感具有覆蓋范圍廣、觀測速度快、周期性重訪和信息量豐富等優(yōu)勢，是目前土地覆被信息提取的重要手段。

隨著衛(wèi)星技術(shù)的迅速發(fā)展，對地觀測衛(wèi)星數(shù)量快速增加，衛(wèi)星遙感數(shù)據(jù)量急劇膨脹，遙感數(shù)據(jù)已具備明顯的大數(shù)據(jù)特征：遙感數(shù)據(jù)的空間分辨率不斷提高，由過去的百米、千米級分辨率逐步提高到現(xiàn)在的亞米級[2]；衛(wèi)星重訪周期不斷縮短，從過去幾十天一次提高到現(xiàn)在的幾天、甚至一天內(nèi)多次重訪的程度。隨著遙感數(shù)據(jù)分辨率的提高，人們按照特定的準(zhǔn)則，將一定時(shí)間間隔內(nèi)記錄的大量影像組合起來，有效利用多時(shí)相影像和無縫隙填充技術(shù)，增強(qiáng)數(shù)據(jù)的可用性，使其更加精確地表征目標(biāo)地物的物候信息，量化跨季節(jié)和生長季節(jié)的變化特征，提高土地覆被遙感信息提取的精度[3]。這需要面臨海量數(shù)據(jù)存儲、高性能處理與分析、跨多平臺分發(fā)的巨大挑戰(zhàn)。

為應(yīng)對這一挑戰(zhàn)，谷歌地球引擎(Google Earth Engine，GEE)遙感大數(shù)據(jù)處理與分析云平臺應(yīng)運(yùn)而生，它包括了多源遙感數(shù)據(jù)的歸檔、管理、查詢、可視化、下載、預(yù)處理和數(shù)據(jù)轉(zhuǎn)換，并利用接口編程構(gòu)建數(shù)據(jù)模型和后處理[4]。GEE提供了豐富和及時(shí)的多源遙感數(shù)據(jù)庫，可以訪問高度并行化的多種算法。云計(jì)算能力使得能夠在云平臺中將PB級的遙感圖像數(shù)據(jù)與其他矢量數(shù)據(jù)相結(jié)合，并且無須在辦公室計(jì)算機(jī)上存儲、處理和分析，為大區(qū)域多時(shí)相土地覆被遙感制圖提供了嶄新的方向。

2013年，GEE開始應(yīng)用于地球科學(xué)領(lǐng)域，Hensen等[5]利用2000—2012年Landsat數(shù)據(jù)集共計(jì)654 178景，采用決策樹方法，在GEE平臺對全球森林范圍和動態(tài)變化進(jìn)行識別與監(jiān)測。目前，利用GEE平臺已開展了大量科學(xué)研究，涵蓋全球森林變化[5]、全球土地覆被圖[6]、農(nóng)作物種植提取[7]、建筑用地提取[8]、種植園擴(kuò)張[9]、地表水體變化[10]、全球土壤制圖[11]、災(zāi)害評估[12]、全球過火面積制圖[13]等多個方面。同時(shí)，GEE還被直接或間接用于某些定量研究，如林地凋零物和土壤碳含量的空間模擬[14]、全球生物量評估[15]、全球蒸散和總初級生產(chǎn)量估算[16]等。

目前，GEE的應(yīng)用領(lǐng)域越來越廣，尤其在土地覆被信息提取中的應(yīng)用最為突出，但至今尚缺少對此研究領(lǐng)域的系統(tǒng)梳理。因此，為便于相關(guān)學(xué)者能夠更加全面了解和利用GEE為研究目的，本文首先簡單介紹了GEE平臺結(jié)構(gòu)和優(yōu)勢；然后，對2011—2019年間各學(xué)科GEE應(yīng)用相關(guān)文獻(xiàn)系統(tǒng)梳理，重點(diǎn)介紹了GEE在土地覆被的應(yīng)用進(jìn)展，討論了GEE的應(yīng)用優(yōu)勢和研究趨勢；最后，剖析了GEE在土地覆被制圖應(yīng)用中存在的問題，并對GEE的未來趨勢進(jìn)行展望。

1 GEE介紹

1.1 總體框架

2011年GEE云處理平臺出現(xiàn)，它是由Google云計(jì)算驅(qū)動的一個提供全球尺度地理空間信息數(shù)據(jù)及數(shù)據(jù)處理服務(wù)的平臺，包括Borg集群管理系統(tǒng)、Bigtable和Spanner分布式數(shù)據(jù)庫、Colossus以及用于執(zhí)行并行管理的Flume Java框架4個部分(圖1)。GEE將原始影像分割成圖塊，利用金字塔的方式存儲，快速高效地調(diào)用數(shù)據(jù)，分塊處理并行計(jì)算，節(jié)省時(shí)間避免冗余計(jì)算。在大數(shù)據(jù)時(shí)代背景下，GEE利用云端優(yōu)勢進(jìn)行數(shù)據(jù)查詢獲取、處理分發(fā)與計(jì)算分析，性能穩(wěn)定，而且還可以快速、并行地處理海量數(shù)據(jù)資源，不受時(shí)間與地域限制[17]。2013年，GEE開始應(yīng)用于各項(xiàng)科學(xué)研究，憑借其強(qiáng)大的數(shù)據(jù)存儲、處理和共享功能，逐漸得到廣泛應(yīng)用[18]。Google將海量數(shù)據(jù)存入服務(wù)器中，GEE具有免費(fèi)使用海量服務(wù)器的運(yùn)算能力。由Google云端基礎(chǔ)框架支持,GEE的運(yùn)算能力可對海量全球范圍的地球科學(xué)數(shù)據(jù)進(jìn)行在線可視化計(jì)算分析處理。具體來講,GEE云平臺不僅將海量的遙感影像數(shù)據(jù)集和地理空間數(shù)據(jù)集整合起來,而且具備強(qiáng)大的全球尺度運(yùn)算處理能力,這使得科學(xué)家、研究者以及開發(fā)人員更為方便地進(jìn)行識別、監(jiān)測以及量化地表變化與差異[18]。

圖1 Google Earth Engine系統(tǒng)架構(gòu)圖Fig.1 System architecture diagram of Google Earth Engine

GEE可以輕松免費(fèi)訪問海量地理空間數(shù)據(jù)集和計(jì)算平臺，具備不需要大量專業(yè)背景知識就可以高性能處理、運(yùn)算海量數(shù)據(jù)的優(yōu)勢。僅需可以登錄Google的普通計(jì)算機(jī)，用戶便可上傳和下載數(shù)據(jù)集，也可與他人共享自己開發(fā)的算法腳本。一旦在GEE上開發(fā)了算法，無需是程序開發(fā)、Web編程或者HTML的專家，普通用戶便可在代碼編輯界面(如圖2)自行編寫代碼生成系統(tǒng)數(shù)據(jù)產(chǎn)品或運(yùn)行GEE資源支持的交互式應(yīng)用程序。這種共享功能便于非正式科研機(jī)構(gòu)、科研愛好者或者不發(fā)達(dá)地區(qū)的研究人員利用GEE，不需要高性能的電腦，也可以學(xué)習(xí)和借用已上傳的算法和數(shù)據(jù)集展開相關(guān)研究。

圖2 Google Earth Engine 代碼編輯界面Fig.2 Code editor of Google Earth Engine

1.2 數(shù)據(jù)集

GEE是一個存儲和分發(fā)PB級數(shù)據(jù)集的云處理平臺。自2008年Landsat添加到Google開始，不斷有新的數(shù)據(jù)集成進(jìn)來，特別是隨著Sentinel系列和MODIS系列等數(shù)據(jù)集的加入，極大地豐富和擴(kuò)展了Google云端數(shù)據(jù)資源及其應(yīng)用領(lǐng)域。除了覆蓋近40 a的全球衛(wèi)星影像資源外，GEE云端包括了大量的矢量、社會、人口統(tǒng)計(jì)、數(shù)字高程模型以及天氣和氣候數(shù)據(jù)等各個學(xué)科的科學(xué)數(shù)據(jù)集，還包含如歸一化植被指數(shù)(normalized difference vegetation index，NDVI)時(shí)間序列數(shù)據(jù)集、美國地質(zhì)調(diào)查局(United States Geological Survey,USGS)大區(qū)域土地覆被數(shù)據(jù)集等產(chǎn)品成果。

GEE的公共數(shù)據(jù)目包含PB級的地理空間數(shù)據(jù)集，這些數(shù)據(jù)集每天不斷更新免費(fèi)提供給用戶。相同傳感器的所有衛(wèi)星影像以集合的形式存儲，快速過濾和排序功能便于進(jìn)行數(shù)據(jù)檢索和分析，用戶可以快速獲取數(shù)據(jù)。大部分?jǐn)?shù)據(jù)已預(yù)處理，用戶直接從GEE云平臺中下載數(shù)據(jù)，減少了數(shù)據(jù)預(yù)處理時(shí)間，如Bascietto等[19]直接下載預(yù)處理后MODIS 地表溫度(land surface temperature,LST)產(chǎn)品和由反射率數(shù)據(jù)計(jì)算得到的MODIS 增強(qiáng)型植被指數(shù)(enhanced vegetation index,EVI)時(shí)間序列數(shù)據(jù)研究連續(xù)多年春末霜凍對植被生長的影響。同時(shí)，用戶也可以在GEE上對海量數(shù)據(jù)進(jìn)行快速初步計(jì)算分析，Araujo等[20]通過在GEE上計(jì)算水體指數(shù)用來建立疾病空間模型，很大程度上減少了工作量。

GEE不僅可以查詢使用Google云端的數(shù)據(jù)集，還允許用戶申請共享成果數(shù)據(jù)集，使用瀏覽器或命令行的工具通過REST接口上傳自己的私有數(shù)據(jù)，如Sazib等[21]將全球土壤濕度數(shù)據(jù)和個人開發(fā)工具在GEE共享，GEE用戶可以直接調(diào)用進(jìn)行干旱評估。

2 GEE在土地覆被中的應(yīng)用

本文查閱了知網(wǎng)和Web of Science上涉及“GEE”的相關(guān)文獻(xiàn)資源，統(tǒng)計(jì)了各文獻(xiàn)發(fā)表期刊、發(fā)表時(shí)間、研究區(qū)、第一作者所屬機(jī)構(gòu)(如果作者提供多個地址以第一個地址為準(zhǔn))的國家、研究內(nèi)容及其數(shù)據(jù)源，以探討GEE的研究應(yīng)用發(fā)展與潛力。文獻(xiàn)的發(fā)表時(shí)間為2011—2019年，共291篇，其中中文文獻(xiàn)22篇，發(fā)表最多的期刊是RemoteSensing，其次為RemoteSensingofEnvironment。

近90%的研究使用了遙感數(shù)據(jù)集，如表1，目前應(yīng)用最廣泛的遙感影像集是USGS和國家航空航天局(National Aeronautics and Space Adminisstrration,NASA)的Landsat系列數(shù)據(jù)，其次為歐空局的Sentinel系列和NASA陸地過程分布式數(shù)據(jù)檔案中心(The Land Processes Distributed Active Archive Center,LP DAAC/NASA)的MODIS系列。初期研究僅以光學(xué)數(shù)據(jù)為主，隨著Sentinel-1的問世，開始出現(xiàn)合成孔徑雷達(dá)(synthetic aperture Radar,SAR)數(shù)據(jù)以及光學(xué)數(shù)據(jù)與雷達(dá)數(shù)據(jù)結(jié)合使用。隨著研究的深入，研究不再局限于GEE提供的數(shù)據(jù)，開始上傳更高分辨率數(shù)據(jù)和數(shù)據(jù)集，并在GEE中進(jìn)行后續(xù)分析。

表1 Google Earth Engine常用數(shù)據(jù)集Tab.1 Common datasets in Google Earth Engine

對比其他云平臺，開放的衛(wèi)星數(shù)據(jù)以及機(jī)器學(xué)習(xí)技術(shù)和圖像處理技術(shù)使得GEE成為最受歡迎的云計(jì)算平臺，同時(shí)也使得GEE在遙感信息提取方面更具優(yōu)勢。如圖3所示，2011—2019年，GEE已廣泛應(yīng)用于遙感科學(xué)研究的各個領(lǐng)域。2011和2012年沒有相關(guān)文獻(xiàn)，自2013出現(xiàn)相關(guān)文獻(xiàn)，2017年開始文獻(xiàn)數(shù)量迅速增加。98%的研究基于像素的方法，2%的研究基于面向?qū)ο蟮姆椒?。隨機(jī)森林憑借魯棒性強(qiáng)、易于訓(xùn)練和對訓(xùn)練數(shù)據(jù)不太敏感的優(yōu)勢成為最常用的分類算法，而人工神經(jīng)網(wǎng)絡(luò)是最少使用的分類算法。

圖3 Google Earth Engine 發(fā)展歷程時(shí)間軸Fig.3 Timeline of Google Earth Engine

GEE已被廣泛應(yīng)用于土地覆被遙感信息提取研究，本文查閱相關(guān)文獻(xiàn)233篇，主要涉及農(nóng)業(yè)遙感制圖、植被識別與監(jiān)測、建設(shè)用地提取、水文信息提取和土地覆被分類制圖等幾個方面。

2.1 農(nóng)業(yè)遙感制圖

準(zhǔn)確的作物面積和動態(tài)變化對大尺度農(nóng)業(yè)遙感監(jiān)測和可持續(xù)農(nóng)業(yè)土地管理具有重要意義。2015年，Lemoine等[22]提出了可以利用GEE及其共享遙感數(shù)據(jù)對全球的作物面積和狀態(tài)進(jìn)行監(jiān)測的設(shè)想。水稻占全球耕地面積的12%，是世界最主要的農(nóng)作物之一。特別是在亞洲的東北部分，水稻種植迅速發(fā)展，Dong等[23]利用2014年3 290幅Landsat8影像，采用改進(jìn)的基于物候和像素的水稻制圖(phenology and pixel-based paddy rice mapping，PPPM)算法，在GEE云平臺繪制了東北亞地區(qū)的水稻分布圖，整個過程全部在GEE中完成，精度驗(yàn)證的生產(chǎn)者和用戶精度分別達(dá)到73%和92%，表明GEE可以在大區(qū)域作物管理方面發(fā)揮功效。

Lobell等[24]以美國中西部的玉米和大豆田為研究區(qū)，在GEE平臺對2008—2013年所有Landsat TM/ETM+數(shù)據(jù)進(jìn)行快速預(yù)處理、云掩模和計(jì)算葉綠素植被指數(shù)(green chlorophyll vegetation index，GCVI)，利用農(nóng)業(yè)生產(chǎn)系統(tǒng)模擬器作物模型訓(xùn)練農(nóng)作物產(chǎn)量和GCVI的回歸關(guān)系，提出一個估計(jì)作物產(chǎn)量而不需要地面校準(zhǔn)數(shù)據(jù)的可擴(kuò)展的衛(wèi)星作物產(chǎn)量制圖新方法，這對大尺度農(nóng)業(yè)監(jiān)測和可持續(xù)農(nóng)業(yè)土地管理具有重要意義；Aneece等[25]以美國7個農(nóng)業(yè)生態(tài)區(qū)為研究區(qū)，利用2008—2015年99幅EO-1 Hyperion高光譜影像，采用線性判別分析和支持向量機(jī)方法，根據(jù)30個最優(yōu)光譜波段來對作物類型和生長階段進(jìn)行了分類，研究推動了基于Hyperion數(shù)據(jù)的全球農(nóng)作物高光譜成像光譜庫的建立，對于全球農(nóng)作物分類和生長階段識別具有重要意義。

本文查閱到的迄今為止發(fā)表的GEE農(nóng)業(yè)遙感制圖相關(guān)文獻(xiàn)52篇，最常用數(shù)據(jù)源為Landsat，主要研究方向?yàn)榛跈C(jī)器學(xué)習(xí)和物候信息的作物提取和作物類型分類。隨著研究的深入，作物識別向著高分辨率的小農(nóng)田塊尺度發(fā)展。前人通過兩個方面提高制圖精度：①結(jié)合Landsat數(shù)據(jù)和Sentinel-1雷達(dá)數(shù)據(jù)生成10 m分辨率的水稻耕作范圍產(chǎn)品[26]，光學(xué)數(shù)據(jù)和雷達(dá)數(shù)據(jù)相結(jié)合，可以顯著提高分類的準(zhǔn)確性，尤其是多時(shí)相分析，SAR數(shù)據(jù)可以提供整個生長季節(jié)的影像，并消除雨季的云層覆蓋；②利用高分辨率影像(Sentinel-2或WorldView數(shù)據(jù))提取小農(nóng)灌溉農(nóng)田[27-28]。為了提高作物產(chǎn)量估算的準(zhǔn)確性，人們通過改善作物模型來提高產(chǎn)量估算的精度[29]。而農(nóng)作物生長階段分類的應(yīng)用仍有待繼續(xù)研究。

2.2 植被識別與監(jiān)測

植被是生態(tài)環(huán)境變化的重要指標(biāo)，其中植被類型識別和分布是植被研究的基礎(chǔ)。緬甸許多地方為了追求一定的經(jīng)濟(jì)效益大量砍伐天然林，種植橡膠、棕櫚等經(jīng)濟(jì)作物，Poortinga等[30]融合海量Landsat8，Sentinel-1和Sentinel-2影像，減少了單一數(shù)據(jù)源的限制，在GEE平臺上精確提取了人工林面積。研究對整個緬甸地區(qū)人工林變化進(jìn)行監(jiān)測，也為天然林砍伐率較高地區(qū)的土地覆被分類提供了新的思路。有時(shí)地形和影像可用性也會增加植被分類的難度，如中國的梵凈山國家自然保護(hù)區(qū)，地形陡峭，受云雨影響嚴(yán)重。Tsai等[31]利用多個季節(jié)性的Landsat時(shí)間序列數(shù)據(jù)和輔助的高程數(shù)據(jù)，有效減少了云和地形問題的影響，利用調(diào)優(yōu)技術(shù)獲得的最優(yōu)分類器參數(shù)進(jìn)行機(jī)器學(xué)習(xí)分類，在GEE中得到保護(hù)區(qū)內(nèi)植被類型分布圖。

植物物候是植物應(yīng)對節(jié)候的周期性變化，一定程度可以反映植物的生長狀況和生產(chǎn)力，也是利用時(shí)間序列識別植物的重要依據(jù)。Workie等[32]以塞爾比亞所有生態(tài)區(qū)為研究對象，利用MODIS NDVI產(chǎn)品、MODIS地表溫度數(shù)據(jù)以及2002—2015年14 a間的降水?dāng)?shù)據(jù)，在GEE云平臺中為每個生態(tài)區(qū)生成各數(shù)據(jù)的時(shí)間序列產(chǎn)品，傅里葉平滑噪聲，使用多元回歸分析降水量和溫度與NDVI的關(guān)系，利用NDVI的年際變化構(gòu)建的植物物候，得到了氣候變化對生態(tài)區(qū)內(nèi)植被物候的影響。紅樹林是最具生物生產(chǎn)力的生態(tài)系統(tǒng)之一，對保護(hù)海岸線具有重要意義。Shrestha等[33]利用MODIS、Landsat和Sentinel-1數(shù)據(jù)對印度第二大紅樹林生態(tài)系統(tǒng)——Bhitarkanika野生動物保護(hù)區(qū)進(jìn)行大區(qū)域多時(shí)相監(jiān)測，采用葉綠素、葉面積指數(shù)和總初級生產(chǎn)力3個參數(shù)對紅樹林健康進(jìn)行評估，得出該區(qū)域紅樹林呈現(xiàn)衰退趨勢，為保護(hù)和恢復(fù)紅樹林生態(tài)系統(tǒng)提供依據(jù)。

本文查閱到的迄今為止已發(fā)表的GEE植被(除農(nóng)作物外)識別與監(jiān)測相關(guān)文獻(xiàn)61篇，目前研究主要集中于人工林(橡膠、棕櫚和果園等)和紅樹林的識別提取以及植被的動態(tài)監(jiān)測。前人通過植被動態(tài)監(jiān)測的研究不僅可以獲取植被的縮減與擴(kuò)張面積[34]、災(zāi)害后植被的恢復(fù)情況[35]和監(jiān)測物種入侵情況[36]，還可以結(jié)合時(shí)間序列獲取的物候信息確定林木的種植年限[37]和植被對氣候變化的反應(yīng)[32]。同時(shí)，Cao等[38]利用GEE和Landsat影像研究美國林地的凋零物和土壤碳儲量，是未來GEE植被監(jiān)測的一個研究方向。

2.3 建筑用地提取及城市化

城市化是目前全世界的趨勢，城市化的程度可以反映該地區(qū)的發(fā)展速度和程度，將光學(xué)影像和夜間燈光DMSP-OLS數(shù)據(jù)相結(jié)合提取建筑用地逐漸成為熱點(diǎn)。Goldblatt等[39]以印度、墨西哥和美國為研究區(qū)，利用Landsat和DMSP-OLS數(shù)據(jù)，通過將研究區(qū)劃分為統(tǒng)一的六邊形格網(wǎng)來減少如土地組成、土壤、植被等非均勻分布的參數(shù)影響，計(jì)算了Landsat各波段中值和6個光譜參數(shù)作為隨機(jī)森林分類器參數(shù)，利用Otsu算法確定區(qū)分DMSP-OLS數(shù)據(jù)建筑用地和非建筑用地的閾值，在GEE平臺刻畫出研究區(qū)的城市界限，在植被覆蓋地區(qū)效果較好，這對利用GEE平臺高精度提取城市用地具有重要意義。Liu等[40]利用1990—2010年所有可用的Landsat數(shù)據(jù)，提出了基于歸一化城市用地復(fù)合指數(shù)(normalized urban areas composite index，NUACI)，在GEE平臺得到了以5 a為間隔的全球多時(shí)相城市土地圖，研究實(shí)現(xiàn)了利用GEE平臺進(jìn)行全球尺度的全球城市用地動態(tài)監(jiān)測。

城市化使得建筑表面代替了地表植被，減少了蒸發(fā)冷卻，改變了地表能量收支，城市蓄熱增加，城市與周圍非城市區(qū)域出現(xiàn)地表溫度差，即地表城市熱島(surface urban heat island，SUHI)。Parastatidis等[41]通過GEE 直接訪問龐大衛(wèi)星圖像目錄及其行星尺度分析功能，開發(fā)了不需要任何預(yù)處理或安裝軟件的Web應(yīng)用程序,采用SC算法處理Landsat的熱紅外觀測值，估算出從1984年至今的全球地表溫度產(chǎn)品；Chakraborty等[42]以全球9 500個城市為研究區(qū)，利用MODIS數(shù)據(jù)，采用SUE算法，在GEE中表征了全球的SUHI強(qiáng)度，并估計(jì)每個氣候區(qū)的日、月、季SUHI模式，探討各因素對SUHI的影響，并發(fā)現(xiàn)地表植被對SUHI季節(jié)性變化具有較強(qiáng)的控制作用。

氣候引擎(climate engine，CE)是一個GEE提供支持的第三方Web應(yīng)用程序，能夠處理、可視化、下載和共享多個實(shí)時(shí)的全球和區(qū)域性的氣候和遙感數(shù)據(jù)集及產(chǎn)品。Ravanelli等[43]選取美國6個大都市(亞特蘭大、波斯頓、芝加哥、休斯頓、菲尼克斯和舊金山)為研究區(qū)，利用從1992—2011年間采集的6 000多景Landsat圖像，在GEE平臺結(jié)合CE工具提取地表溫度，對SUHI變化以及SUHI與地表覆蓋之間關(guān)系進(jìn)行了長期而大區(qū)域的時(shí)空研究，也驗(yàn)證了全球SUHI變化監(jiān)測的可行性。

本文查閱到的迄今為止已發(fā)表的GEE建筑用地提取及城市化相關(guān)文獻(xiàn)32篇，目前主要研究內(nèi)容是建筑用地的提取和變化監(jiān)測，在2018年出現(xiàn)城市生態(tài)系統(tǒng)相關(guān)研究。Huang等[44]在GEE中基于Landsat數(shù)據(jù)生成了中國262個城市的土地覆被圖，將城市綠地景觀結(jié)構(gòu)和城市形態(tài)指標(biāo)分別作為響應(yīng)變量和預(yù)測變量，利用改進(jìn)的回歸樹分析方法來確定城市形態(tài)對綠地景觀結(jié)構(gòu)的影響。為了確定城市景觀為居民帶來的健康效益，Huang等[45]又在GEE中使用10 823幅Landsat圖像和隨機(jī)森林分類器，繪制了全球28個特大城市的地表覆蓋圖，通過城市綠地可用性和可達(dá)性兩個指標(biāo)評估了2005—2015年城市綠地健康效益的規(guī)模和時(shí)空變化情況。

2.4 水文信息提取

伴隨工業(yè)化和現(xiàn)代化，水資源面臨著嚴(yán)重的短缺和污染的危險(xiǎn)，水資源的遙感提取和監(jiān)測對于水資源的保護(hù)和合理利用具有重要意義。Busker等[46]以全球137個湖泊和水庫容量為研究對象，利用Joint Research Centre的全球地表水分布數(shù)據(jù)集和衛(wèi)星測高數(shù)據(jù)庫(Database for Hydrological Time Series over Inland Waters，DAHITI)，應(yīng)用GEE云平臺動態(tài)監(jiān)測了1984—2015年間水庫和湖泊容量變化。

高山冰湖水是世界上重要的淡水資源，Zhang等[47]在GEE中建立Landsat的時(shí)間序列，利用修正后的歸一化水體指數(shù)高效地提取了潛在的高山冰湖區(qū)域，再利用非局部活動輪廓繪制單個湖泊輪廓，對于整個亞洲高山區(qū)的冰湖進(jìn)行提取。河流冰的融化是安大略北部每年洪水的主要原因，因此對冰融化的監(jiān)測和預(yù)計(jì)可以提高洪水的預(yù)警系統(tǒng)精度。Beaton等[48]利用MODIS數(shù)據(jù)，基于閾值技術(shù)最大化影像覆蓋和去云處理，在GEE平臺自動提取了2000—2017年的冰破裂時(shí)間，并生成了冰破裂時(shí)間的數(shù)據(jù)集，將這些數(shù)據(jù)集的統(tǒng)計(jì)數(shù)據(jù)量為參考處理近實(shí)時(shí)的影像數(shù)據(jù)，對了解和監(jiān)測研究區(qū)冰破裂過程具有重要意義。

高山積雪是世界上重要的天然水庫，風(fēng)蝕和雪崩會重新改變積雪的布局，確定積雪分布對合理開發(fā)和利用高山雪資源具有重要意義。Wayand等[49]利用Landsat8和Sentinel-2遙感影像，計(jì)算了一種新的積雪指數(shù)，在GEE中得到了全球積雪分布圖。根據(jù)冬季無雪地區(qū)計(jì)算的積雪缺失指數(shù)確定風(fēng)蝕或雪崩的源頭地區(qū)，根據(jù)夏季積雪地區(qū)的積雪持久性指數(shù)確定積雪在風(fēng)蝕和雪崩的分布情況，提出了評估全球高山地區(qū)受風(fēng)和重力作用影響的雪重分布模型。而且作者將研究成果共享在GEE云平臺，方便其他學(xué)者進(jìn)行相關(guān)研究。

水蒸發(fā)是水循環(huán)的一個重要環(huán)節(jié),水庫蒸發(fā)量過大會影響飲用水和灌溉的供應(yīng),大大減少水庫儲水的作用。Zhang等[50]對得克薩斯州200個水庫進(jìn)行了研究，利用Landsat影像，在GEE平臺上大空間和時(shí)間尺度地估算了水庫32 a間水面蒸發(fā)量，研究對維持水庫周圍生態(tài)平衡和保障河口漁業(yè)生產(chǎn)具有重要意義。

迄今為止，已發(fā)表GEE水文信息提取相關(guān)文獻(xiàn)42篇，主要研究方向?yàn)榈乇硭?河流、水庫和湖等)提取，同時(shí)，河流徑流量估算[51]、河流有色溶解有機(jī)質(zhì)和可溶性有機(jī)碳反演[52]、水質(zhì)反演[53]和水深測量[46]是未來的一個研究方向。雖然GEE災(zāi)害管理相關(guān)研究較少，但通過對于河流冰和流量監(jiān)測進(jìn)行洪水管理是GEE水文信息提取一個新的研究方向[49]。

2.5 土地覆被分類制圖

分析土地覆被類型及其動態(tài)監(jiān)測是土地管理的重要方法，也是環(huán)境監(jiān)測的重要方法。北京作為政治文化中心，隨著經(jīng)濟(jì)快速發(fā)展，土地覆蓋類型發(fā)生了明顯變化。Huang等[54]利用30 a的Landsat 5，7，8影像數(shù)據(jù)，利用NDVI的軌跡表征北京市土地覆蓋變化，在GEE云計(jì)算平臺得到了2015年北京土地覆被分類圖，得出30 a間北京土地覆被動態(tài)變化及其空間格局。伴隨衛(wèi)星和圖像處理水平的不斷進(jìn)步，對高精度的區(qū)域/全球覆蓋需求不斷迫切；宮鵬等[6]依據(jù)“有限全球樣本穩(wěn)定地表覆蓋分類”理論，指出了全球訓(xùn)練樣本遷移到其他年份或不同傳感器獲取的遙感數(shù)據(jù)對最少樣本數(shù)量和誤差限度的要求。按照這一理論，將2015年的30 m分辨率的訓(xùn)練樣本轉(zhuǎn)移至2017年10 m分辨率的Sentinel影像中得到10 m分辨率的全球土地覆被圖FROM-GLC10(如圖4所示)。迄今為止，已發(fā)表GEE土地覆被分類制圖相關(guān)文獻(xiàn)39篇，研究內(nèi)容是土地覆被和土地覆被變化。目前研究常用數(shù)據(jù)源仍是Landsat影像，隨著影像獲取技術(shù)和處理技術(shù)的進(jìn)步，分類產(chǎn)品也向著更加精細(xì)的時(shí)間和空間分辨率的全球尺度發(fā)展。

圖4 10 m空間分辨率的全球土地覆被產(chǎn)品(FROM-GLC10)Fig.4 Global land cover products(FROM-GLC10)with 10 m spatial resolution

3 總結(jié)與展望

GEE自出現(xiàn)以來，憑借海量數(shù)據(jù)集，強(qiáng)大的計(jì)算能力和方便快捷的交互方式、便捷的數(shù)據(jù)共享與發(fā)布等優(yōu)勢逐漸成為地球系統(tǒng)科學(xué)研究的重要工具。GEE的本質(zhì)是一個面向時(shí)空數(shù)據(jù)分析的在線集成開發(fā)環(huán)境。基于Google基礎(chǔ)設(shè)施，GEE存儲了PB級的衛(wèi)星遙感影像以及其他的科學(xué)數(shù)據(jù)集，提供了簡單易用的應(yīng)用程序接口來處理、計(jì)算、分析及可視化數(shù)據(jù)。用戶通過瀏覽器打開GEE的在線代碼編輯器，調(diào)用GEE的應(yīng)用程序接口來編寫模型，模型的代碼會發(fā)送到GEE的后端數(shù)據(jù)中心，使用GEE的云計(jì)算能力來完成數(shù)據(jù)處理。

GEE擴(kuò)展了處理和分析海量數(shù)據(jù)的潛力，基本解決了大數(shù)據(jù)海量性、高速性、多樣性和易變性帶來的挑戰(zhàn)。一方面，95%以上的GEE相關(guān)研究使用了多時(shí)相數(shù)據(jù)提高了數(shù)據(jù)的可用性，通過強(qiáng)大的機(jī)器學(xué)習(xí)算法提高了數(shù)據(jù)挖掘的潛力；另一方面，GEE作為存儲、共享和處理地理大數(shù)據(jù)的云平臺，提供了具有不同空間、光譜和時(shí)間分辨率的即用型產(chǎn)品和遙感圖像，符合遙感大數(shù)據(jù)處理的外在要求。

3.1 存在的問題

GEE豐富的數(shù)據(jù)源和強(qiáng)大的計(jì)算能力有效解決了全球規(guī)模海量數(shù)據(jù)源的下載、存儲和處理難題，為大區(qū)域乃至全球尺度多時(shí)相遙感制圖提供新的思路，但依然存在有待解決的問題：

1)雖然GEE主要面向廣大科研人員或科研愛好者，而不是程序員，但仍需要一定的編程能力和專業(yè)知識才使用。與傳統(tǒng)的地理信息系統(tǒng)軟件不同，GEE通常不保存處理過程的中間文件。在GEE中，用戶從數(shù)據(jù)獲取、處理、分析到最后的結(jié)果輸出要有完整思路，而且最終輸出結(jié)果的準(zhǔn)確性未知，所以使用GEE進(jìn)行科學(xué)研究需要具有對研究問題的詳細(xì)了解和充足的知識儲備。

2)雖然GEE具有海量的數(shù)據(jù)資源，但與矢量數(shù)據(jù)相比，GEE更適合于處理柵格數(shù)據(jù)。目前GEE相關(guān)研究的數(shù)據(jù)源90%以上為光學(xué)數(shù)據(jù)，主要以Landsat數(shù)據(jù)為主，土地覆被產(chǎn)品空間和時(shí)間分辨率比較粗糙，而且GEE中不包含高分系列數(shù)據(jù)和帶有L波段的SAR數(shù)據(jù)。

(3)目前對GEE的使用仍需進(jìn)一步開發(fā)，只能用現(xiàn)成的算法，用戶個人優(yōu)化困難，比如GEE不包括Landsat7的條帶修復(fù)處理工具，同時(shí)在GEE中影像和分類結(jié)果拼接過程中容易受到影像邊緣噪聲的影響使得計(jì)算分析得到成果存在誤差。GEE中現(xiàn)有的面向?qū)ο蟮膱D像分析和聚類方法的算法數(shù)量有限，目前極少研究基于面向?qū)ο蟮姆诸惙椒ā?/p>

3.2 展望

綜上所述，雖然GEE土地覆被遙感信息提取相關(guān)研究已取得巨大進(jìn)展，但在精確監(jiān)測、算法優(yōu)化和定量反演方面存在困境，需要進(jìn)行更深入研究。對于GEE土地覆被遙感信息提取研究，本文設(shè)想了以下5個發(fā)展趨勢：

1)GEE極大程度地減少了數(shù)據(jù)源下載和預(yù)處理的時(shí)間，具備滿足海量數(shù)據(jù)大區(qū)域、多時(shí)相應(yīng)用所需要的強(qiáng)大處理能力，GEE中快速生成的時(shí)間序列圖像既可以增加影像數(shù)據(jù)的可用性，也可以基于物候特征對農(nóng)作物等具有一定周期特征的目標(biāo)進(jìn)行提取和分類，目前廣泛應(yīng)用于多個方面，取得多項(xiàng)研究成果。但目前對GEE的使用正處于開發(fā)階段，擴(kuò)展模塊較少，如果像python那樣可以直接調(diào)用某些數(shù)據(jù)包，可以更方便地處理一些問題。

2)對于文獻(xiàn)所屬國家進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，主要集中于美國、中國、加拿大和澳大利亞等經(jīng)濟(jì)、科技比較發(fā)達(dá)的國家和區(qū)域，這可能是由于受到知識水平和數(shù)據(jù)共享網(wǎng)絡(luò)的限制。憑借強(qiáng)大計(jì)算和便捷共享能力，GEE將在經(jīng)濟(jì)不發(fā)達(dá)地區(qū)得以推廣利用。

3)伴隨著GEE的不斷發(fā)展，土地覆被研究精度更加精確。GEE中存儲了完整的、不斷更新的預(yù)處理Sentinel系列數(shù)據(jù)，使得全球尺度的高時(shí)間分辨率土地覆被產(chǎn)品得以高效開發(fā)。同時(shí)研究也不僅僅局限于GEE本身的數(shù)據(jù)庫與函數(shù)庫，而是與第三方應(yīng)用相結(jié)合，如評估土地利用變化的Collect Earth，使GEE的應(yīng)用更加全面、精確和實(shí)時(shí)。

4)雖然深度學(xué)習(xí)分類器在GEE中并未得到直接支持，但正在進(jìn)行的整合深度學(xué)習(xí)技術(shù)和研究，也可以促進(jìn)輕松訪問其他可擴(kuò)展的基礎(chǔ)框架，如Google Compute Engine和BigQuery[55]。

5)隨著數(shù)據(jù)源的進(jìn)步與豐富，GEE土地覆被提取信息更加深入和全面。土地覆被研究方向更加廣泛，土地覆被的分類類別更加精細(xì)，并伴隨著更加深入的定量研究。