GEE平台概述

平台架构

GEE是谷歌公司、卡内基梅隆大学、美国航天局和美国地质调查局于2010年联合开发推出的遥感与地学数据处理一体化云计算平台，包括四大核心部分：

  • Borg集群管理系统
  • Big-table和Spanner分布式数据库
  • Colossus分布式文件系统
  • 用于执行并管理的Flume Java框架

数据服务

GEE提供了全球范围内不同尺度的地球观测遥感影像数据，数据总容量达到PB级，每天新增影像约4000景。同时，GEE还储存了天气预报数据、土地覆盖和其他多种环境、地球物理以及社会经济数据集。

用户也可以上传自己的数据进行分析并选择是否共享，分析结果可在线展示或导出至谷歌云端硬盘。

GEE在农业管理的研究现状

农业应用数据支撑

数据源介绍

GEE为农业大数据处理提供了有力支持，提供了全球范围内不同尺度下实时更新的多源遥感数据集以及其他机构和部门共享的产品数据。

在强大的数据处理能力和海量数据库的支持下，GEE能够借助长时间序列和大范围数据构建数据集合，从而大幅提升农业大数据的处理效率和利用质量。

数据产品制作

众多科研人员基于GEE储存的原始遥感影像数据集和其他来源的共享数据信息，通过开发和接入各类数据处理算法制作了全球各地多个区域和多种类型的数据产品。

包括农业基础设施、农业土地资源、农业水资源和作物种植信息等几个方面。

农业监测管理

农业资源调查

GEE目前在农业基础设施调查、农业耕地分布和农业水资源调查等方面做了大量的贡献。

  • 农业温室数据集实现了对山东省1989-2018年农业温室的长期监测
  • 借助云计算平台结合机器学习算法，可以在广泛空间范围内绘制农田分布
  • 基于GEE的大数据管理和处理能力，机器学习算法可以处理不同数据源的遥感产品

农业种植监测

GEE拥有丰富多源的数据信息和高效并行处理的能力，为作物生长监测提供空天地一体化的数字信息服务。

  • 作物分类识别：利用GEE进行水稻、玉米、冬小麦等粮食作物和经济作物的分类和识别
  • 作物物候调查：获取作物的时间序列植被指数和其他相关指标，确定作物生长阶段和物候事件
  • 作物产量预测：GEE提供的机器学习算法可以将特征数据与目标变量进行训练，预测作物产量

农田管理工具

GEE提供了大量的函数，支持灵活地将算法移植并应用到区域或者全球范围，已有研究人员基于GEE已有功能开发了便于管理和使用的第三方作物种植管理工具。

表1 基于GEE开发的支撑作物种植管理的第三方工具
名称 描述 可获得性
AgKit4EE 包含作物序列建模、作物频率建模、置信层建模、土地利用变化分析等多种常用的耕地数据层产品 https://czhang11.users.earthengine.app/view/agkit4ee-cdl-explorer
Collect Earth 可以为全球任何地方提供关于当前和过去的土地动态信息 https://openforis.org/tools/collect-earth/
Climate Engine 用于自然资源监测和变化过程解译的气候和遥感数据云计算及可视化平台 https://doi.org/10.3390/agriculture12060817

GEE农业应用数据源

表2 GEE中常用农业数据源
数据类型 数据源 空间分辨率 时间跨度
遥感影像数据 Landsat4-8 surface reflectance 30m 1984年至今
Sentinel-1 SAR GRD 10m 2014年至今
Sentinel-2A MSI 10、20、60m 2015-2020年
MODIS 250-1000m 2000年至今
地形 SRTM DEM30 30m 2014年至今

植被指数数据

  • MOD13 vegetation index (2000年至今，250-1000m)
  • MOD15 leaf area index (2002年至今，1000m)
  • MOD17 gross primary productivity (2000年至今，500m)

气象气候数据

  • Global precipitation measurement (2000年至今，10km)
  • TRMM 3B42 precipitation (1998-2015年，25km)
  • NCEP climate forecast system (1979年至今，0.5°)

云计算平台对比分析

表3 国内外常用于农业领域的云计算平台对比
云计算平台 国家 数据服务 应用程序接口
GEE 美国 遥感影像数据，地形数据，土地覆被数据，天气、降雨和气象数据，社会经济数据和部分矢量数据 JavaScript、Python
AWS 美国 Landsat8，Sentinel1/2，中巴地球资源卫星数据，开放街道地图数据等 JavaScript、Python，C++等
PIE-Engine 中国 Landsat、Sentinel、葵花-8数据集 JavaScript

GEE平台优势

  • 支持更多类型的地理空间数据（如Sentinel和早期Landsat卫星数据）
  • 向所有用户免费提供服务，对欠发达国家尤为重要
  • 提供丰富的官方培训资料和在线交流论坛
  • 具备强大的地理大数据预处理和分析能力

GEE农业应用典型案例

作物分类与监测

  • 水稻种植监测： 利用Sentinel-1/2时间序列数据监测中国南方水稻分布
  • 冬小麦制图： 基于自动生成训练样本和单类机器学习分类的新方法
  • 经济作物识别： 在赣南地区成功提取柑橘果园分布

农业灾害评估

  • 洪涝灾害监测： 基于Sentinel-1 SAR数据监测孟加拉国洪水对稻田影响
  • 低温冷害评估： 耦合遥感产品与作物模型的多尺度灾害损失评估方法
  • 干旱监测： 开发全球土壤湿度数据集和基于Web的处理工具

产量预测与评估

  • 棉花产量预测： 基于MODIS数据通过长短期记忆模型预测新疆县域棉花产量
  • 全球估产模型： 开发GYMEE模型估算30m分辨率下的大尺度作物产量
  • 小麦产量预测： 集成多源数据和机器学习算法预测中国冬小麦产量

水资源管理

  • 灌溉区制图： 使用随机森林分类算法生成南非高分辨率精确灌溉区地图
  • 蒸散发反演： 开发SEBALIGEE开源30m地表蒸散发反演模型
  • 水资源规划： 制作尼日利亚各地流域优先度图辅助农业景观开发

未来研究方向与趋势

人工智能深度融合

结合深度学习等AI技术，提升遥感影像处理分析速度和决策支持能力，开发更智能的农业管理工具。

移动端应用扩展

开发适用于智能手机等移动终端的轻量化应用，降低技术使用门槛，扩大GEE在农业领域的应用群体。

全球可持续发展

支持联合国2030年可持续发展议程，在农业可持续发展指标获取与评价方面发挥更大作用。

国内应用重点方向

国内农业产出除了依靠东北、华北、中部以及河套平原外，很多重要农产品生产保护区星星点点分布在西南地区和海南岛等区域。科研人员在致力于研究大范围区域农业管理的同时应更多地注重国内的破碎化农田。

随着技术的不断进步、数据的丰富和农业政策的不断完善，GEE将为农业发展提供更多的创新解决方案，促进可持续和智能农业的发展。

当前研究局限与应用展望

研究局限

  • 数据完整性、可靠性、安全性及时效性： 数据可能存在需求时间内数据缺失、校正不足和噪声等质量问题，数据隐私和安全性方面有待进一步完善
  • 数据处理、分析、模型集成及开发： 不支持一些类型的图像处理算法，像元级重组分析方法有待进一步挖掘
  • 农情参数信息利用： 提供的农情参数信息通常以复杂的时间序列分布图呈现，难以为大多数农户所理解并应用

应用展望

  • 精准农业管理： 为农业管理提供更精确的数据和分析工具，通过整合气象数据、土壤数据和农田管理数据，实现对农作物生长、土壤质量、水分利用和施肥等农田管理信息的实时监测和分析
  • 农情监测和预测： 建立模型来实时监测农作物的生长情况和预测作物产量，接入人工智能解译技术可以防范病虫害的爆发等风险
  • 移动端智能农业决策支持系统开发： 结合GEE和不断改进的现代智慧农业设备，通过将遥感数据与实地观测和传感器数据相结合，开发移动端智能决策支持系统

结论

GEE因其简洁易用的工作平台、海量且实时更新的数据服务、多组件协同运行的计算资源和高效的资源共享方式，为农业管理领域信息获取和利用带来了新的机遇。

本文对GEE在农业数据支撑、农业监测管理和农田管理工具构建三个方面的研究和应用现状进行了综述，探讨了GEE的应用优势，指出了GEE在数据支撑、数据处理及分析、算法和模型集成以及农情信息有效利用等方面仍有较大提升空间。

讨论了GEE在全球背景下辅助农业可持续发展方面的研究趋势，从精准农业管理、农情监测和预测、移动端智能农业决策支持系统开发、生态系统管理和数据共享合作等一体化集成应用和研究等方面提出了发展建议。

以期为我国农业领域云计算平台的建设和应用提供借鉴，促进农情信息高效合理利用和农田精准化管理。

* 以上内容由AI自动生成，内容仅供参考。对于因使用本网站以上内容产生的相关后果，本网站不承担任何商业和法律责任。