EN中文

Journal of Geo-information Science >

2024 , Vol. 26 >Issue 4: 1002 - 1018

DOI: https://doi.org/10.12082/dqxxkx.2024.230760

Status and Prospects of Google Earth Engine in Agricultural Management Research

  • MENG Jihua , 1, 2, * ,
  • HE Rongpeng 1, 2, 3 ,
  • LIN Zhenxin 1, 2
Expand
  • 1. Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 2. International Research Center of Big Data for Sustainable Development Goals, Beijing 100094, China
  • 3. School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing 100094, China
* MENG Jihua, E-mail:

Received date: 2023-12-22

  Revised date: 2024-03-04

  Online published: 2024-05-11

Supported by

National Key R&D Program of China and Shandong Province(2021YFB3901300)

National Key Research and Development Program of China(2022YFD2001102)

National Natural Science Foundation of China(General program)

National Natural Science Foundation of China(41871261)

Fold

Abstract

Agricultural cultivation, as a strategic industry in China's national economy, plays a pivotal role in grain production and sustainable development goals. It serves as the "cornerstone" of the entire economic system. Agricultural management can greatly benefit from modern technologies such as remote sensing, allowing collection of growing status information of large-area crops from high-frequency sensors. To store, organize, and process large area and long time series remote sensing data in agricultural management, as well as to save user’s computing resources and enhance the timeliness and universality, remote sensing cloud platforms play a crucial role. Google Earth Engine (GEE), as an open-source intelligent cloud platform integrating data acquisition, computation, model establishment, precision verification, and visual analysis in geographic spatial analysis, has advantages including long-term data archiving, stable operation, low-cost computation, and convenient online programming. It significantly expands the research in the agricultural field, bringing new opportunities to the development of precision agriculture. From the perspective of GEE platform, agricultural application data, crop planting support management, and farmland management tools, this article analyzes the latest research progress of agricultural application on GEE platform. The article takes "platform-data-agricultural management-tool" as the structural frame, and the platform function echoes the agricultural management field in terms of content. It emphasizes that multi-source synergistic effective data can support the decision-making of agricultural monitoring and management, efficient and easily scalable farmland planting management and crop growth monitoring tools can help improve agricultural production efficiency, and agricultural data information and agricultural management tools can jointly promote sustainable agricultural development in the global context. This article analyzes and summarizes the current research status of GEE in agricultural application data support, agricultural monitoring management, and farmland management tools, and highlights the innovative changes that the GEE cloud platform brings to agricultural management by comparisons with geospatial data processing using traditional desktop platforms. The potential of GEE in the field of fragmented farmland and pest monitoring is highlighted, and the research direction of GEE in supporting sustainable agricultural development in the global context was discussed. With the effective improvement of GEE in data quality, data processing function, and agricultural parameter information utilization, the application prospects of GEE in agricultural management fields such as precision agriculture management, agricultural condition monitoring and forecasting, mobile intelligent agricultural decision support system development, and ecosystem management are forecasted. The objective of the article is to provide a reference for platform users and offer insights for the construction and application of cloud computing platforms in China's agricultural sectors.

Key words： Google Earth Engine; agriculture management; satellite remote sensing; field management tools; research status; research prospects

Cite this article

MENG Jihua , HE Rongpeng , LIN Zhenxin . Status and Prospects of Google Earth Engine in Agricultural Management Research[J]. Journal of Geo-information Science, 2024 , 26(4) : 1002 -1018 . DOI: 10.12082/dqxxkx.2024.230760

1 引言

农业是保障国家粮食安全的关键，是一切生产的首要前提[1]。实现高效农作物生产管理、优化农业生产结构的关键在于获得大范围、长时序、准确高效的农情信息，其中包括农业资源信息、农田管理信息和作物生长监测信息等，这些信息有助于指导农田生产管理，实现定量投入，进而达到提高生产率和减少环境污染的目标。遥感具有覆盖广、观测快、周期重访和信息量丰富的优势，是农业管理领域应用的重要手段[2]。随着卫星遥感技术的高速发展，遥感数据空间分辨率不断提高、重访周期不断缩短以及现有数据融合和填充技术逐步完善，极大增加了海量数据的可用性，从而提高了农业管理的效率。然而，要实现这一点，需要克服海量数据存储、高性能数据处理与分析、跨平台分发等诸多挑战。
谷歌地球引擎（Google Earth Engine，GEE）[3]遥感大数据处理与分析云平台的出现，可以在一定程度上应对这一挑战，其提供了即用型数据产品集合，包括长时序的遥感卫星数据集、专题数据产品以及经典分类和机器学习工具，同时具备强大的地理大数据预处理和分析能力，可应对计算密集型问题，成为处理全球大范围对地观测数据的有效工具。凭借多样的地理空间数据集、易用的应用编程接口（Application Programming Interface，API）、丰富的可重用库以及高性能的并行计算能力，GEE成为大规模地理空间农业与环境建模的理想平台。与亚马逊、微软和阿里巴巴等推出的云计算平台相比[4]，GEE支持更多类型的空间数据（如Sentinel和早期Landsat卫星数据），并免费提供服务，这在欠发达国家尤为重要[5]。
GEE目前已广泛用于处理与农业生产和作物种植管理有关的各种数据，包括农业基础设施调查、作物分类识别、作物胁迫信息调查等多个方面。同时，GEE还被直接或者间接用于农业管理领域中的某些定量研究，如作物生理生化参数反演[6]、作物单产预测[7]等。GEE不仅可以为农业领域专家提供强有力的支持，还为相关学科的从业者和广大公众用户提供了强大的科研工具。随着GEE数据量的增加和处理分析功能的不断完善，其应用领域会越来越广，特别是在农业领域的研究和应用中将会更加突出。
本文基于Web of Science（https://www.webofscience.com）、Scopus（https://www.scopus.com/）和知网（https://cnki.net/）上涉及“GEE”“Google Earth Engine”“农业”“农业管理”的相关文献资源，统计了近年来发表文献数量、各文献发表期刊、发表时间、研究内容和使用的数据信息。截止2022年年底，GEE在农业管理领域应用相关文章数量统计如图1所示，从中可以看出自2016年开始，利用GEE进行农业管理研究的文章呈现爆发式的增长态势。目前对GEE在农业管理领域研究现状的系统梳理还未见报道，本文旨在为学者提供全面了解和充分利用GEE的机会，对GEE在农业数据支撑、农业监测管理和农田管理工具3个方面的研究现状进行总结与分析，探讨GEE的应用优势并讨论了其在农业可持续发展方面的应用前景，分析其中存在的问题并展望GEE在农业领域的应用趋势。
图1 2010—2022年GEE在农业管理领域论文发表量年际变化

Fig. 1 Annual variation of GEE's published papers in the field of agriculture management from 2010 to 2022

2 GEE现状

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年联合开发推出的一个遥感与地学数据处理一体化云计算平台，包括Borg集群管理系统、Big-table和Spanner分布式数据库、Colossus分布式文件系统以及用于执行并管理的Flume Java框架四大核心部分[5,8]。GEE面向科研人员、教育人员、非营利机构、企业和政府机构等提供强大的计算能力（https://earthengine.google.com/）、易用的代码接口（https://github.com/google/eartheng ine-api）、多领域研究项目介绍（https://earthengine.g oogle.com/case_studies/）、丰富的官方培训资料（htt ps://developers.google.com/earth-engine/tutorials/edu）和在线交流论坛（https://groups.google.com/g/go ogle-earth-engine-developers）及开发者大会（https://events.withgoogle.com/google-earth-engine-user-summit-2017/#content）。目前已广泛应用于农业管理、林业监测、土地利用和土地覆盖调查等领域（图2）。
图2 GEE支撑农业管理领域研究系统架构

Fig. 2 Frame work of GEE's support in the field of agricultural management

2.1 工作平台

GEE工作平台API界面（https://code.earthengine.google.com/）主体分为脚本文件存放区、程序编写框、数据报告栏、结果地图展示区4个部分。脚本文件存放区包含了所有JS代码并支持创建新文件，用户基于所需文件和信息，通过程序编写框或Web Apps编写代码，GEE根据代码逻辑将其分配到不同的服务器上操作，运行后通过数据报告栏输出并在谷歌地图上进行在线展示，同时也可以将结果异步导出至谷歌云端硬盘中。

2.2 服务支撑

GEE提供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便捷高效的资源共享方式。

2.2.1 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（https://developers.google.com/earth-engine/datasets/），数据总容量达到PB级，而且各类数据还在不断更新，每天新增影像约4 000景[9]。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[10]等，用户也可以上传自己的数据进行分析并选择是否共享。此外，用户可以根据生产需求将分析结果在线展示或异步导出至谷歌云端硬盘（Google Cloud Storage，GSC）以便下载制图。

2.2.2 计算资源

GEE的计算资源是通过Borg集群管理系统、Bigtable和Spanner分布式数据库、虚拟化技术、分布式并行计算能力以及任务调度和监控系统等多个组件协同工作的，具有动态性、多样性和自治性的特点。Borg集群管理系统通过虚拟化技术将这些计算资源进行逻辑耦合。Bigtable和Spanner受控于Borg系统[11]，可靠地处理PB级别的大规模数据。GEE接收用户服务请求，经过预先分析处理后由Borg系统动态调配相应计算资源[12]，为用户提供高性能、高可用性和可靠性的数据处理和分析服务，促进了科研人员和开发者能够在GEE上进行复杂的地理信息分析和模型建设。

2.2.3 资源共享

GEE可以方便快捷地分享用户个人编写的代码，其他用户可以基于此快速迁移至目标研究主体也可以对代码进行改进以适用更多领域，这提升了成果合作共享的效率。目前代码分享的方式主要有3种：① 传统的代码拷贝方式，该方式易操作但容易出现错误；② 代码链接地址分享方式，该方式实现代码完全无密共享且易于传播，但资源需设置为公共的才可以允许其他用户运行其中包含的私有资源；③ 发布APP共享（https://www.earthengine.app/），该方式将编写的程序以网页APP的形式发布，用户通过链接访问，实现资源公开贡献但代码隐藏。

2.3 云计算平台对比

除了谷歌地球引擎外，亚马逊、微软、阿里巴巴、航天宏图和中国科学院等都推出了云计算产品，包括Amazon Web Service（2006年推出）、Microsoft Azure（2010年推出）、阿里云（2009年推出）、PIE-Engine（2020年推出）和地球大数据挖掘分析系统EarthDataMiner等，如表1所示。与其他云平台相比，GEE支持更多类型的地理空间数据（如Sentinel和早期Landsat卫星数据），并向所有用户免费提供服务，这在欠发达国家尤为重要。
表1 国内外常用于农业领域的云计算平台对比[4]

Tab. 1 Comparison of cloud computing platforms commonly used in agriculture at home and abroad

云计算平台 国家 数据服务 应用程序接口 网址
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 https://earthengine.goo gle.com/
AWS 美国 Landsat 8，Sentinel 1/2，中巴地球资源卫星数据，
开放街道地图数据等		 JavaScript、Python，C++等 https://aws.amazon.com/cn/earth/
数据立方体
Data Cube		 澳大利亚 Landsat、Sentinel、MODIS、水体、高程、植被覆
盖、动态土地覆被数据集等		 Python https://www.opendatacube.org/
CODE-DE 德国 Sentinel、Landsat、土地覆被数据 Python https://code-de.org/en/
遥感与地理信息云服务平台PIE-Engine 中国 Landsat、Sentinel、葵花-8 数据集 JavaScript https://engine.piesat.cn/
地球大数据挖掘分析系统EarthDataMiner 中国 遥感卫星数据，生物生态数据，大气海洋数据，
基础地理数据及地面观测数据、地层学与古
生物数据、中国生物物种名录、微生物资源
数据、生物组学数据等		 Python https://sdg.casearth.cn/

注： GEE：Google Earth Engine； AWS：Amazon Web Services； CODE-DE：Copernicus Data and Exploitation Platform-DE。

3 GEE在农业管理的研究现状

农业管理决策制定需要有效的多源协同数据信息作为支撑，简单易用的农田管理工具可以辅助提高农业生产效率。GEE以其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便捷高效的资源共享方式，广泛应用于农业数据信息提供、农业监测管理和农田管理工具搭建等方面，探讨其在农业管理中的应用现状，以期为我国农业云平台的建设提供借鉴。

3.1 应用数据支撑

GEE拥有全球范围内不同尺度和类型的遥感数据影像、高效的数据处理平台和便捷的资源共享方式，为农业管理研究提供了丰富的数据源和数据产品。

3.1.1 数据源介绍

农业基础信息的获得依赖于农业大数据的支持。农业大数据不仅在推动现代农业的生产、经营、管理和服务方面发挥作用，还在促进不同产业之间的融合，具有涵盖领域广泛、跨越周期长、数据类型多样、采集难度较高、处理复杂和价值巨大等特点。
GEE为这些需求提供了有力的支持。它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（https://developers.google.com/earth-engine/datasets/）。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。GEE中有关农业应用和研究的数据如表2所示。然而，大部分数据源获取时间依赖于遥感卫星重访周期，大大降低了农业管理决策制定的时效性。
表2 GEE中常用农业数据源[13]

Tab. 2 Agricultural data sources commonly used in GEE

数据类型 数据源 空间分辨率 时间跨度 GEE中存储名称
遥感影
像数据[4]		 Landsat Landsat 4-8 surface reflectance 30 m 1984年至今 LANDSAT/LC08/C02/T1_TOA等
Landsat 8 OLI/TIRS 30 m 2013年至今 LANDSAT/LC08/C02/T1_RT
Landsat 7 ETM+ 30 m 1999年至今 LANDSAT/LE07/C02/T1_L2
Sentinel Sentinel-1 SAR GRD 10 m 2014年至今 COPERNICUS/S1_GRD
Sentinel-2A MSI 10、20、60 m COPERNICUS/S2_SR
No cloud combined data [14] 20 m 2015—2020年
MODIS MOD08 atmosphere 1° 2000年至今 MODIS/061/MOD08A1
MOD09 surface reflectance 500 m MODIS/061/MOD09A1
MOD11 temperature 1 km MODIS/061/MOD11A1
MOD12 land cover 500 m MODIS/061/MCD12Q1
MOD13 vegetation index 250、500 m MODIS/061/MOD13A1
MOD15 leaf area index 500 m MODIS/061/MCD15A3H
MOD17 gross primary productivity 500 m MODIS/061/MOD17A2H
MOD43 BRDF-adjusted reflectance 500、1 000 m MODIS/061/MCD43A1
MOD44 veg. cover conversion 250 m MODIS/006/MOD44B
ASTER Global emissivity 100 m 2000—2010年 NASA/ASTER_GED/AG100_003
LI T radiance 15、30、90 m 2000年至今 ASTER/AST_L1T_003
ALOS digital surface model 30 m 2006—2011年 JAXA/ALOS/AW3D30/V3_2
Green space digital elevation model 30 m 2003—2009年 OSU/GIMP/DEM
USDA NAIP aerial imagery
 1 m 2003—2015年 NASA/NASADEM_HGT/001
多学科
领域共
性数据		 地形
 SRTM DEM 30 30 m 2000年 USGS/SRTMGL1_003
GTOPO30 30″ 复合 USGS/GTOPO3
USGS GMTED2010 10 m USGS/GMTED2010
覆被
 USGS national elevation dataset 10 m 2009年 USGS/3DEP/1m
USGS national landcover database 30 m 1992—2011年 USGS/GFSAD1000_V1
JRC global surface water 30 m 1984—2015年 JRC/GSW1_4/GlobalSurfaceWater
USDA NASS cropland data layer 30 m 1997—2015年 USDA/NASS/CDL
土地覆被[15] 30 m 1982—2015年 https://doi.pangaea.de/10.1594/
PANGAEA.913496
植被覆盖度[16] 30 m 1990—2021年 https://dx.doi.org/10.57760/sciencedb. 06993
植被物候[17] 30 m 1985—2015年 https://doi.org/10.6084/m9.figshare. 7685645.v5
土地覆盖产品[18] 30 m 2015年 https://doi.org/10.5281/zenodo.3986872
降水
 Global precipitation measurement 6′ 2014年至今 NASA/GPM_L3/IMERG_MONTHLY_V06
TRMM 3B42 precipitation 15′ 1998—2015年 TRMM/3B43V7
CHIRPS 3′ 1981年至今 UCSB-CHG/CHIRPS/DAILY
不透水面[19] 30 m 2015年 https://zenodo.org/record/3505079
气候
 地表温度[20] 100 m 1982年至今 https://code.earthengine.google.com/?accept_ repo=users/wangmmcug/landsat_psc_lst
NCEP climate forecast system 12′ 1979年至今 NOAA/CFSV2/FOR6H
NCEP global forecast system 15′ 2015年至今 NOAA/CFSR
NEX downscaled climate projections 1 km 1950—2099年 NASA/NEX-DCP30

3.1.2 数据产品制作

长期以来，农业发展一直亟需综合性、多方位的农业数据产品，以更好地了解全球各地的生态环境和作物种植的优势，以便因地制宜发展当地特色农业，这将为全球粮食供应和经济增长提供强有力的支持。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，如表3所示。
表3 基于GEE制作的农业数据产品

Tab. 3 Agricultural data products based on GEE

数据类型 数据产品 区域 时间跨度 空间分辨率 数据服务网址
农业基础设施 塑料大棚[21] 中国陆地 2019年 30 m https://www.dx.doi.org/10.11922
农业温室[22] 山东省 1989—2018年 30 m https://doi.org/10.5281/zenodo.5633605
农业土地资源
 种植年限[23] 全球陆地 1982—2020年 30 m https://github.com/IrisDudu/globalplantations
耕作强度[24] 2016—2018年 30 m https://doi.org/10.7910/DVN/86M4PO
土壤属性[25] 巴西中西部地区 1982—2019年 30 m https://doi.org/10.3390/rs11242905
梯田图[26] 中国区域 2018年 30 m https://doi.org/10.5281/zenodo.3895585
农田范围 东南亚和东北亚[27] 2013—2016年 30 m https://lpdaac.usgs.gov/node/1281
非洲大陆[28] 2015—2016年 30 m https://doi.org/10.5067/MEaSUREs/GFSAD/GFSAD30AFCE.001
农业水资源
 作物生长季地表水年
分布[29]		 蒙古高原 2013—2022年 30 m http://dx.doi.org/10.57760/sciencedb.j00001.0 0665
丰水期地表水分布[30] 1990—2021年 30 m http://doi.org/10.57760/sciencedb.01943
年度灌溉 南非姆普
马兰加省[31]		 2019—2020年 20 m https://developers.google.com/earth-engine/
datasets/catalog/
美国高原地区[32] 1984—2017年 30 m http://hydroshare.org/
中国区域[33] 2000—2019年 500 m http://doi.org/10.6084/m9.figshare.20363115
作物种植信息
 玉米作物物候[34] 中国耕地 1985—2020年 30 m https://doi.org/10.6084/m9.figshare.16437054
逐月归一化植被指数[35] 中国区域 1982—2020年 5 km http://www.doi.org/10.12041/geodata.239118 756960240.ver1.db
归一化植被指数产品[36] 全球 1982—2018年 250 m https:// doi.org/10.3390/rs14153639
越冬作物分布[37] 河南省 2019—2021年 30 m https://doi.org/10.12199/ecodb.j00003.00018
冬小麦动态分布[38] 华北平原 1999—2019年 30 m https://www.mdpi.com/2072-4292/13/6/1170/s1
季节性水稻分布[39] 孟加拉国和印度
东北部		 2017年 10 m https://www.nature.com/sdata/
相较于其他数据处理平台，GEE在农业数据产品制作和共享应用方面具有独特的优势。以上数据产品不仅可以帮助我们充分了解各地的农业潜力和环境条件，还能够为农业从业者提供有关适宜作物种植和农业生产的关键信息。然而，目前基于GEE制作的农业数据产品数量相对较少，覆盖区域有限，尤其是针对国内地区的数据产品较少，需要更多技术人员和农业领域学者积极参与，充分发挥其数据产品制作的潜力，为全球农业产业发展贡献力量。

3.2 农业监测管理

作物生长过程是一个受多种生理生化参数响应环境变化的复杂过程，及时、高效监测作物的全生育期生长过程，有利于了解作物健康状况。目前有大量研究利用GEE获取农业资源信息、支撑基础种植管理、调查作物生长信息以及讨论在全球背景下农业如何应对全球气候变化。

3.2.1 农业资源调查

获取准确且近实时的农业资源信息对农民、农业研究人员以及政府决策者来说至关重要，这些信息可以帮助农业作业人员及时了解作物的生长状况，为精准的农田种植管理提供可靠依据。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，这对于提高农业生产效率、环境保护和可持续发展具有重要意义。
农业基础设施调查。农业基础设施对农业经济的韧性和可持续发展方面产生着不可忽略的影响，其主要包括交通、水利、温室等方面。基于GEE制作和共享的农业温室数据集[21]实现了对山东省1989—2018年农业温室的长期监测和追踪。此外，GEE还解决了全球农业温室制图过程中存在的多源数据整合难、分类精度不高、时空尺度扩展复杂以及动态趋势量化困难等一系列问题。然而，目前基于GEE做的农业基础设施研究大多集中在农业温室方面，在农田道路、农田水利设施等方面的研究相对不足。
农田耕地调查。农田的地理范围、精确定位和农田面积的界定可以有效管理粮食生产系统，评估粮食安全水平，估计农业生产率，分析自然灾害和政治冲突对粮食安全的影响程度[40]。传统的耕地面积统计和耕地范围测量方法已经难以适应大范围、长时间跨度内农业区域动态变化的需求，而且消耗大量人力和物力资源。借助较为成熟的云计算平台，结合现有的机器学习分类算法，可以在广泛的空间范围内绘制农田分布[27]。类似地，GEE平台能够并行处理多源多时相的数据，通过直观的界面选择高精度的分类方法，快速获得目标区域的高分辨率作物边界图。此外，借助GEE平台和光学影像合成技术，可以实现像元级的农作物种植区域划分[41]。
农业水资源调查。全球70%以上淡水被用于灌溉，量化农业灌溉的时间和空间变化是可持续水资源管理挑战的基础。精确灌溉区分布图为有效管理灌溉系统提供便利，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以及参考训练和验证数据集，促进了等比体量大数据的精确灌区快速分类。Magidi等[31]基于GEE使用随机森林分类算法生成南非Mpumalanga省附近的高分辨率精确灌溉区地图。GEE易用的应用编程接口可以将现有成熟可用的算法代码集成于GEE平台，减少了大量重复性数据处理工作。Mhawej和Faour[42]基于改进的地表能量平衡模型，提出了一个开源的、自动化的、用户友好的、灵活的、开放存取的基于GEE平台的系统SEBALIGEE。此外，Panjala等[43]利用专家知识根据组合加权平均分基于GEE进行准备工作和建模制作尼日利亚各地流域优先度图，以帮助区域尺度的水资源规划用于农业景观开发。利用有限的水资源有效发展农业是应对未来气候变化和实现联合国可持续发展目标的重要战略，鼓励全国各区域实施创新和可持续的措施，如雨水收集和强化灌溉技术[44]。

3.2.2 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，为科学、实时、高效地调配资源和进行作物分类与识别、作物物候调查、作物单产预测等作物生长周期监测提供参考和支撑。
作物分类识别。快速准确的作物分类识别对于农田管理和农作物信息获取至关重要。通过选择有效的分类特征可以进行遥感影像农作物分类识别，GEE利用其丰富的卫星影像、强大的计算能力和多类型分类器等优势，已成为快速提取大尺度高分辨率作物分布信息的重要方法。例如，可以利用GEE进行水稻[45]、玉米[46]、冬小麦[47]等粮食作物和柑橘[48]、棉花[49]、芒果[50]、烟草[51]等经济作物的分类和识别，实现高精度的作物种植分布提取。采用有效的训练样本生成策略，可以在GEE平台上自动更新和重复使用高质量的训练样本。集成机器学习分类器的GEE平台被广泛用于作物类型分类，包括随机森林分类器[52⇓-54]（Random Forest，RF）、支持向量机[55-56]（Support Vector Machine，SVM）、分类回归树[46]（Classification Regression Tree，CART）改进的机器学习分类器和神经网络[57]（Neural Network，NN）等。在不采集训练样本的情况下，GEE平台中的Cluster包[58]可以执行非监督分类，包括wekaCobweb，wekaKMeans，wekaLVQ等分类方法。此外，基于GEE实现曲线相似是非监督分类或半监督分类的替代方法，通过考虑主要作物的物候特征和光谱特征来区分目标作物和其他作物[54]。GEE在作物监督分类和非监督分类体系下都表现出良好的性能，但目前应用在经济作物分类上的研究较少。
作物物候调查。作物物候是研究作物生长和发育阶段季节循环的综合信息，通过长期、准确、实时的作物物候监测，能够及时改进田间尺度的灌溉、施肥和农药使用。研究人员利于GEE开展了一些作物物候相关研究，利用GEE中的遥感数据，可以获取作物的时间序列植被指数和其他相关指标，以此确定作物生长阶段和物候事件，如播种期、开花期和收获期等[59]。另外，Saad El Imanni等[60]基于GEE工作平台JavaScript接口，评估了Sentinel-1和Sentinel-2时间序列数据在反演小麦物候期（包括发芽期、分蘖期、拔节抽穗期、成熟期和收获期）方面的应用潜力并将其扩展到区域尺度。GEE在作物物候识别方面展现出巨大的潜力，借助GEE的空间分析工具，如缓冲区分析、空间过滤、空间交互、空间聚类等，可以对不同地区或不同年份的作物物候变化进行比较，从而进行作物物候的时空分析，但目前基于此的相关研究不足。
作物产量预测。作物产量的可靠估计对于理解作物生产力对管理和环境的响应至关重要，传统的作物单产预测方法主要包括统计回归方法、作物生长模型预测法和数据驱动方法。GEE提供了丰富的空间统计和回归分析工具，可以方便获取温度、降水等农气数据和植被指数等关键植被生长信息。Lang等[61]基于GEE预处理卫星数据、植被指数和气候变量因子，使用MODIS数据通过长短期记忆模型预测新疆县域棉花产量。基于GEE丰富的API接口，如JacaScript API或Python API，将作物生物学特性、环境因素和管理措施等因素纳入作物生长模型，可以模拟作物的生长速率、生物量累计和发育阶段等。例如，基于GEE开发的后端GYMEE[7]模型在估算30 m分辨率下的大尺度作物产量中显示出了良好的效果。GEE提供的机器学习算法[56]可以将特征数据与目标变量（如作物生长和产量）进行训练，从而在收获前预测作物产量。目前所有检索出的基于GEE进行作物产量预测的研究中，大多偏于使用改进的作物模型，主要原因是作物模型机理性强和GEE平台API接口丰富。

3.2.3 农业管理决策

为了实现科学种植和精准管理，稳定和增加作物产出，保障农业经济效益和粮食安全，管理者需要依靠一系列准确、及时的水、温、湿、肥等信息做出栽种、灌溉、施肥、灾害防治等决策。传统的作物种植管理方法存在泛化能力差、时效性低、空间尺度单一、可扩展性弱以及操作性不强等问题。GEE免费提供了大尺度、多分辨率、多数据源的海量遥感数据和数据产品，支持云端存储计算以及并行式分析数据的能力，性能稳定且处理效率高，已被广泛应用于获取水[62-63]、温[64-65]、湿[66]、肥[67⇓⇓-70]等非生物信息和病虫害等生物信息，为作物精准种植和及时有效管理提供了机遇。
水分胁迫是影响世界许多地区的紧迫问题，特别是在水资源匮乏的干旱或者半干旱地区。利用GEE平台，用户可以通过交互式操作窗口选择国家边界、时间段和生态掩膜，了解所需地区的干旱情况。同时，利用GEE开发的土壤湿度数据集和处理工具有助于监测干旱情况和预测作物产量。Sazib等[66]基于GEE平台开发了2个全球土壤湿度数据集和一套基于Web的土壤湿度处理工具，展示土壤湿度数据在干旱监测和作物产量预测方面的价值。此外，随着干旱季节的延长，地面沉降现象会随之日益加剧，沉降对居民生活和农业生产也会造成广泛的破坏。Najafi等[71]基于GEE平台和地面下沉磁化率，使用证据信念函数和贝叶斯理论2种概率模型，对伊朗沉降易发区进行建模并描述地下水位变化，使用随机森林算法筛选出促进地面沉降发生的有效因子并编制因子图。
土壤固体物质是农业和土地管理中评价土壤肥力质量的核心要素之一。准确、高效地获取土壤有机质含量对耕地质量分级具有重要意义，土壤有机质是作物系统中土壤有机碳的载体。Guo等[69]利用GEE和机器学习对耕地土壤有机碳含量进行了准确的预测。在农业管理不当的情况下，土壤侵蚀和土地退化过程更为迅速，导致土壤流失率增加，绘制耕地土壤养分空间分布图有助于了解作物耕作方式和土壤养分间的动态关系。Petito等[70]基于GEE平台的地理空间数据集，采用随机森林（Random Forest, RF）算法对多米尼加共和国表层土壤（0~15 cm）有机碳储量进行空间分布制图。农业集约化和作物施肥控制需要详细的多个深度增量的土壤属性信息支持，而制作大范围的数字土壤地图需要庞大的数据量和高计算能力。Poppiel等[25]利用GEE基于卫星测量的表层土壤反射率和植被光谱的季节变化，使用土壤光谱库和开放土壤数据库编制了0~20、20~60和60~100 cm 3个深度区间的9个关键土壤属性分布图。
目前基于GEE获取作物种植管理信息主要集中在水分胁迫和土壤养分2个方面，土壤养分方面的研究主要集中在土壤有机质和土壤侵蚀两个方面但相关研究相对不足，对病虫害等生物信息的调查研究较少。

3.2.4 农业气象灾害评估

气候条件是影响农业管理的决定因素之一。在全球范围内，气候极端变化和全球气候变暖都会破坏农业基础设施，限制农业正常灌溉，导致大量农作物减产，加剧全球粮食危机。借助GEE多源数据信息、高效并行数据处理方式、直观可视化显示的特点，分析典型区域气候变化与作物生产关系，有助于农业全面、有效应对全球气候变化。
洪涝灾害对作物生产有着显著的负面影响。通过GEE监测和分析洪涝相关的气象和水文数据，可以实时预警洪涝风险，为防洪减灾和应急响应提供支持。Liu等[72]基于GEE平台开发的洪水防御与应急响应系统能够实现大范围地区汛期3个阶段（前汛期、洪水阶段、后汛期）的地面情况关键信息的实时跟踪并推荐合理的应急支持决策。利用GEE中的遥感数据、数据处理和可视化工具，对比洪涝前后影像信息，可以进行洪涝评估。Singha等[62]基于GEE平台利用所有可用的Sentinel-1 SAR数据、改进的变化检测阈值法和归一化差异洪水指数生成了孟加拉国2014—2018年洪涝灾害的时空分布特征，通过整合洪涝灾害区域和水稻种植区识别受洪涝灾害影响的稻田。
低温冷害是影响中国粮食作物生产的主要气象灾害之一。GEE可以利用多光谱卫星影像监测作物生长状况，比较不同时间点的图像，可以检测出低温冷害对作物的影响程度。张亮亮等[64]基于GEE平台建立了一种遥感产品耦合作物模型的多尺度灾害损失评估方法MDLA，基于作物模型的多情景模拟产生大量的灾害样本，结合对应日期的遥感指标构建灾害脆弱性模型，依托GEE平台高分辨率遥感影像计算实际灾害年的遥感指数和格点灾害指标，进行逐像元灾害评估。基于GEE平台的多尺度灾害损失评估方法能够更准确地评估低温冷害对作物的影响，并提供灾害脆弱性和损失的信息，为农业生产决策和灾害风险管理提供支持。
全球气候变暖的持续，作物产量在一定程度上可以保持稳定甚至增加，但碳利用效率将可能减少。Yu等[73]基于GEE开发了一个开源软件包来分析美国邻近地区碳利用效率（CUE）和玉米产量对气候因子的总体趋势和响应。气温上升、降水减少的气候变化趋势将导致植被退化和作物减产。Zhu等[74]基于GEE和Sentinel-2影像研究了非洲马拉河流域干旱季节植被绿度、植被绿度趋势及其对气候变化的响应。准确认识气候变化对流域作物和河流的影响，有利于农业和水利协调发展，对粮食安全和水资源管理具有重要意义。Zhang等[75]基于GEE采用随机森林算法获取了2010—2020年拉萨河流域无壳大麦和河流的时空变化特征，为认识高原气候变化对农业和水资源的影响提供了科学依据。经济比较效益和气候变化会共同影响地区作物类型。Liu和Wang[76]基于GEE采用多源空间数据和地统计学方法揭示作物类型变化的人为和自然特征。城市化和工业发展会导致生产性农业区的废弃和丧失，在缺乏最新信息的情况下无法及时直观展现这种现象的程度和动态。基于GEE在地理空间上表征这些信息随时间的变化，并预测其持续到未来的可能性，为地区发展提供决策依据[77]。以上研究表明GEE在分析农业生产和全球气候变化方面存在着巨大的研究潜力和应用价值。
在全球气候背景下，基于GEE研究长时序大尺度区域或典型区域气候变化与粮食生产安全的关系，为全球气候变化下的农业生产和农田管理制定合理有效的策略，是当前人类面临气候变化亟待解决的民生问题，也是当前一个研究热点。

3.3 农田管理工具

农田是一个复杂的生态系统，其种植管理涉及作物栽培和农田管理，是一项信息化需求高、耗时耗力的综合性工作。借助适当的农田管理和作物监测工具，可以在很大程度上提高农业生产效率。GEE提供了大量的函数，例如矢量/栅格运算、数据重组、几何运算、数值运算、机器学习共11类[4]，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，如表4所示。
表4 基于GEE开发的支撑作物种植管理的第三方工具

Tab. 4 Third-party tools to support crop management developed by GEE

名称 描述 可获得性
AgKit4EE[78] 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[79] 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[80] Climate Engine是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
AgriSuit[81] AgriSuit集成了全球多源数据，主要用于基于多标准的农业用地适宜性评估 https://doi.org/10.1016/j.compag.2016.08.008
Earth Map[82] Earth Map是联合国粮农组织在粮农组织和谷歌框架下开发的用于土地和气候数据可视化、处理以及分析的免费应用程序 https://earthmap.org/
AUTS[83] AUTS是基于NDVI时间序列自动更新训练样本的冬小麦制图方法 https://doi.org/10.3390/agriculture12060817
VICAL[84] VICAL基于GEE计算全球任意农业区23类植被指数和时间序列 https://code.earthengine.google.com/ac86e7b52b291 21ede7e9110570e1725
AGTOC[47] AGTOC是基于GEE自动生成训练样本和单类机器学习分类的冬小麦制图新方法 https://doi.org/10.1016/j.jag.2021.102446
RiceMapEngine[85] RiceMapEngine是基于GEE水稻快速制图的Web应用程序，包括地面真值采集模块、基于阈值水稻制图模块和基于分类水稻制图模块 https://github.com/zhiqiyu/RiceExplorerFrontEnd
O-LCMapping[86] O-LCMapping是基GEE的网络工具包，支持在线土地覆盖分类 http://47.96.172.235/landcover.html.
Ten-ST-GEE[87] Ten-ST-GEE是开源、全自动的10 m地表温度降尺度系统，基于GEE结合卫星数据产品采用稳健最小二乘统计方法进行数据融合，提出的每日10 m地表温度检索系统 https://code.earthengine.google.com/739a8068f158df 60af8fa66f6f753ffa
PyGEE-SWToolbox[88] PyGEE-SWToolbox是基于GEE开发的地表水制图和分析的Python Jupyter工具箱 https://github.com/collinsowusu/PyGEE-SWToolbox
SEUB[89] 地表能力平衡模型 https://code.earthengine.google.com/e9530d632d7d5 81357855090ba28ac46
SEBALIGEE[42] SEBALIGEE是开源的30 m地表蒸散发反演模型，基于GEE中已有数据集自动获取输入参数生成月度蒸散评估 https://code.earthengine.google.com/9b940e352f22b c7fe84dcf49e51e1ac1
SCYM[90] 基于卫星的可扩展作物产量估算模型 https://doi.org/10.1016/j.rse.2015.04.021
GYMEE[7] 全球大尺度作物估产模型 https://doi.org/10.3390/rs13040773
ASAP[91] ASAP是用于粮食安全分析的全球农业生产异常热点检测预警系统 https://mars.jrc.ec.europa.eu/asap/
HazMapper[92] HazMapper可以对近期和历史发生的自然灾害进行快速、可重复的分析并可视化的工具，包括滑坡、泥石流、野火、火山碎屑流和熔岩等 https://doi.org/10.5281/zenodo.4103348
GEE4FLOOD[93] 基于GEE进行洪水快速制图的统一框架 https://doi.org/10.1117/1.JRS.14.034505

4 当前研究和应用局限及展望

4.1 局限

综上所述，GEE在农业应用数据支撑、农业监测管理和农田管理工具等方面为农业管理提供支持。与传统遥感数据平台相比，GEE以其卓越的速度在广范围和长时间序列上执行去云、镶嵌、裁剪和特征构建等数据处理，为农业研究和生产提供无可比拟的优势。然而，在农业领域和其他领域的应用中，GEE仍然面临以下问题，需要进一步优化：
（1） 数据完整性、可靠性、安全性及时效性。GEE的空间分析和模型构建基于遥感数据和地理空间数据。然而，这些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，特别是在农作物生产管理领域，对于多类型农田和农作物监测，数据空间分辨率、数据质量和数据准确性至关重要，确保数据的可靠性仍是挑战之一。其次，GEE在数据隐私和安全性方面有待进一步完善，对于一些商业运营公司或涉密研究，需要谨慎对待涉密数据的云端存储和计算任务。此外，GEE只能在二维空间上显示全球地理空间数据，高级可视化能力有限且其排版制图模块不够完善，在数据上传和结果下载方面存在速度、进程数以及新工具开发等限制。
（2） 数据处理、分析、模型集成及开发。GEE不支持一些类型的图像处理算法，例如，高斯和拉普拉斯滤波器、边缘检测方法、频域算法以及更多复杂算法等难以实现，优化算法也只能局部实现。其次，GEE的像元级重组分析方法有待进一步挖掘，为探索更多地球变化规律提供技术支撑。模型和算法的准确性。GEE提供内置的农业相关算法和模型，用于农作物监测和产量预测。然而，这些算法和模型在不同地理环境和农作物类型上的准确性可能有差异，需要针对特定农业应用需求验证并调整这些算法和模型。虽然GEE允许创建和训练机器学习等算法，但现有成熟算法和模型可能不在GEE环境中，将它们迁移到云计算平台需要专业技能和编程基础，同时要求模型足够轻便以实现高效处理。
（3） 农情参数信息利用。GEE是一个功能强大的平台，但对于不熟悉该平台的用户来说，上手和使用可能存在一定的学习曲线。为帮助用户解决农业领域问题，提供特定领域的技术支持至关重要。此外，GEE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。
尽管存在这些问题，GEE在农业管理方面的研究和应用仍然具有巨大的潜力。随着技术的进步和对GEE平台的不断优化，预计GEE将在农业领域发挥更重要的作用，支持精准农业管理、实时农情监测和高效农业决策制定等方面的应用。

4.2 展望

随着GEE在数据、算法模型和信息高效应用等方面问题的不断改进，结合农业管理发展状况，GEE有望在精准农业管理、农情监测和预测、移动端智能农业决策支持系统、生态系统管理和数据共享合作等一体化集成应用和研究中创造更大的应用前景。
（1） 精准农业管理。在现代农业中，精准农业管理至关重要，随着人工智能、大数据技术等领域的快速发展，GEE将继续支持农业领域的精准管理。GEE可以为农业管理提供更精确的数据和分析工具，深度学习等技术可以加速遥感影像处理分析速度并从众多权威数据平台提取有效信息，人工智能可以通过多重经验学习快速制定更为合理的农业管理决策，通过整合气象数据、土壤数据和农田管理数据，可以实现对农作物生长、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。这将有助于农民做出更准确的决策，优化资源利用和提高农作物产量。
（2） 农情监测和预测。GEE的时间序列分析和机器学习算法功能，可以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。这将帮助农民、政府和农业从业者更好地管理农业资源，提高农业生产效率，提前应对风险的发生，减少损失并增强农业可控性。随着监测技术的成熟及GEE数据处理与分析能力的提升，传统由不同国家、不同机构运行的全球与区域农情遥感监测系统，完全有可能集成到以GEE为代表的领域优势平台上来，当然这之前也需要解决一些技术之外的问题。
（3） 移动端智能农业决策支持系统开发。随着以手机为代表的移动智能终端应用越来越广泛，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，需要开发移动端智能决策支持系统，为不同地区和农田提供定制化的农业策略，实现可持续农业发展。加入卫星互联离线功能，可以为偏远山区和地势起伏较大作物种植区提供监测保障。加强GEE对移动智能终端的支持，将有效降低应用技术门槛并扩大应用群体，更大程度的发挥其社会效应。
（4） 生态系统管理。GEE在农作物生产管理方面的应用不仅关注农作物生产本身，还可监测和管理农田周围的生态系统。通过分析士地利用变化、水资源分布和生物多样性等指标，支持农业生态系统的保护和可持续管理，平衡农业生产和生态保护的需求，促进农业与坏境的协调发展。《2030年可持续发展议程》自2016年启动至今执行已经过半，农业可持续发展是议程的重要内容，在多数专家对“指标实现滞后”达成共识的情况下，可以进一步发挥GEE在指标获取与评价方面的作用，促进议程的落实。
（5） 数据共享和合作。GEE提供了数据共享和协作平台，随着数据安全保障功能的不断完善，使得研究者、政府机构和农业从业者可以共享数据、模型、算法和工具，促进跨界合作和知识共享。这将加速农业领域的创新和发展，并有助于解决全球农业面临的共同挑战。
总体而言，GEE在农业管理方面的研究和应用将持续发展，并在农作物生产、农田管理、农情监测、农业政策决策支持和生态系统保护等方面发挥越来越重要的作用。纵览GEE在农业管理领域中的研究现状，科研人员普遍倾向于选择国外大型农场或农业种植大省作为研究区域，一方面受农业景观度的影响，另一方面是传统作物生长模型接入GEE平台较为困难或者接入后无法达到模型原有效果。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。

5 结语

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3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。希望本文能够辅助农业领域的研究学者更加系统的了解GEE在农业管理方面的研究进展，推动农业领域高质量可持续健康发展。
本文图文责任编辑： 蒋树芳 黄光玉

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陈仲新, 任建强, 唐华俊, 等. 农业遥感研究应用进展与展望[J]. 遥感学报, 2016, 20(5):748-767.

[ Chen Z X, Ren J Q, Tang H J, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. National Remote Sensing Bulletin, 2016, 20(5):748-767. ] DOI:10.11834/jrs.20166214

[2]
蒙继华, 吴炳方, 杜鑫, 等. 遥感在精准农业中的应用进展及展望[J]. 国土资源遥感, 2011(3):1-7.

[ Meng J H, Wu B F, Du X, et al. A review and outlook of applying remote sensing to precision agriculture[J]. Remote Sensing for Land & Resources, 2011, 23(3):1-7. ] DOI:10.6046/gtzyyg.2011.03.01

[3]
Kumar L, Mutanga O. Google earth engine applications since inception: Usage, trends, and potential[J]. Remote Sensing, 2018, 10(10):1509. DOI:10.3390/rs10101509

[4]
付东杰, 肖寒, 苏奋振, 等. 遥感云计算平台发展及地球科学应用[J]. 遥感学报, 2021, 25(1):220-230.

[ Fu D J, Xiao H, Su F Z, et al. Remote sensing cloud computing platform development and Earth science application[J]. National Remote Sensing Bulletin, 2021, 25(1):220-230. ] DOI:10.11834/jrs.20210447

[5]
Mutanga O, Kumar L. Google earth engine applications[J]. Remote Sensing, 2019, 11(5):591. DOI:10.3390/rs11050591.

[6]
Estévez J, Salinero-Delgado M, Berger K, et al. Gaussian processes retrieval of crop traits in Google Earth Engine based on Sentinel-2 top-of-atmosphere data[J]. Remote Sensing of Environment, 2022, 273:112958. DOI:10.1016/j.rse.2022.112958

[7]
Jaafar H, Mourad R. GYMEE: A global field-scale crop yield and ET mapper in google earth engine based on landsat, weather, and soil data[J]. Remote Sensing, 2021, 13(4):773. DOI:10.3390/rs13040773

[8]
牟晓莉, 李贺, 黄翀, 等. Google Earth Engine在土地覆被遥感信息提取中的研究进展[J]. 国土资源遥感, 2021, 33(2):1-10.

[ Mou X L, Li H, Huang C, et al. Application progress of Google Earth Engine in land use and land cover remote sensing information extraction[J]. Remote Sensing for Land & Resources, 2021, 33(2):1-10. ] DOI:10.6046/gtzyyg.2020189

[9]
Perez-Cutillas P, Perez-Navarro A, Conesa-Garcia C, et al. What is going on within google earth engine? A systematic review and meta-analysis[J/OL]. Remote Sensing Applications-Society and Environment, 2023, 29:100907. DOI:10.1016/j.rsase.2022.100907

[10]
郝斌飞, 韩旭军, 马明国, 等. Google Earth Engine在地球科学与环境科学中的应用研究进展[J]. 遥感技术与应用, 2018, 33(4):600-611.

[ Hao B F, Han X J, Ma M G, et al. Research progress on the application of google earth engine in geoscience and environmental sciences[J]. Remote Sensing Technology and Application, 2018, 33(4):600-611. ] DOI:10.11873/j.issn.1004-0323.2018.4.0600

[11]
Corbett J C, Dean J, Epstein M, et al. Spanner: Google's globally distributed database[J]. ACM Transactions on Computer Systems, 2013, 31(3):8. DOI:10.1145/2491245

[12]
黄仲良, 何敬, 刘刚, 等. 面向GEE平台的遥感影像分析与应用研究进展[J]. 遥感技术与应用, 2023, 38(3):527-534.

[ Huang Z L, He J, Liu G, et al. Research progress of remote sensing image analysis and application oriented to GEE platform[J]. Remote Sensing Technology and Application, 2023, 38(3):527-534. ] DOI:10.11873/j.issn.1004-0323.2023.3.0527

[13]
Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202:18-27. DOI:10.1016/j.rse.2017.06.031

[14]
Simonetti D, Pimple U, Langner A, et al. Pan-tropical Sentinel-2 cloud-free annual composite datasets[J]. Data in Brief, 2021, 39:107488. DOI:10.1016/j.dib.2021.107488

[15]
Liu H, Gong P, Wang J, et al. Annual dynamics of global land cover and its long-term changes from 1982 to 2015[J]. Earth System Science Data, 2020, 12(2):1217-1243. DOI:10.5194/essd-12-1217-2020

[16]
冯益明, 乔琨, 冯世昂, 等. 1990-2021年环塔里木盆地植被覆盖度(FVC)时空数据集[J]. 中国科学数据(中英文网络版), 2023, 8(2):312-319.

[ Feng Y M, Qiao K, Feng S A, et al. A dataset of temporal-spatial FVC in the Ring Tarim Basin from 1990 to 2021[J]. China Scientific Data, 2023, 8(2):312-319. ] DOI:10.11922/11-6035.csd.2023.0010.zh

[17]
Li X C, Zhou Y Y, Meng L, et al. A dataset of 30 m annual vegetation phenology indicators (1985-2015) in urban areas of the conterminous United States[J]. Earth System Science Data, 2019, 11(2):881-894. DOI:10.5194/essd-11-881-2019

[18]
Zhang X, Liu L Y, Chen X D, et al. GLC_FCS30: global land-cover product with fine classification system at 30 m using time-series Landsat imagery[J]. Earth System Science Data, 2021, 13(6):2753-2776. DOI:10.5194/essd-13-2753-2021

[19]
Zhang X, Liu L, Wu C, et al. Development of a global 30m impervious surface map using multisource and multitemporal remote sensing datasets with the Google Earth Engine platform[J]. Earth System Science Data, 2020, 12(3):1625-1648. DOI:10.5194/essd-12-1625-2020

[20]
Wang M M, Zhang Z J, Hu T, et al. An efficient framework for producing landsat-based land surface temperature data using google earth engine[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13:4689-4701. DOI:10.1109/JSTAR S.2020.3014586

[21]
Feng Q L, Niu B W, Zhu D H, et al. A dataset of remote sensing-based classification for agricultural plastic greenhouses in China in 2019[J]. China Scientific Data, 2021, 6(4):153-170. DOI:10.11922/noda.2021.0009.zh

[22]
Ou C, Yang J Y, Du Z R, et al. Landsat-derived annual maps of agricultural greenhouse in Shandong Province, China from 1989 to 2018[J]. Remote Sensing, 2021, 13(23):4830. DOI:10.3390/rs13234830

[23]
Du Z R, Yu L, Yang J Y, et al. A global map of planting years of plantations[J]. Scientific Data, 2022, 9(1):141. DOI:10.1038/s41597-022-01260-2

PMID

[24]
Zhang M, Wu B, Zeng H, et al. GCI30: a global dataset of 30 m cropping intensity using multisource remote sensing imagery[J]. Earth System Science Data, 2021, 13(10): 4799-4817. DOI:10.5194/essd-13-4799-2021

[25]
Poppiel R R, Lacerda M P C, Safanelli J L, et al. Mapping at 30 m resolution of soil attributes at multiple depths in Midwest Brazil[J]. Remote Sensing, 2019, 11(24):2905. DOI:10.3390/rs11242905

[26]
Cao B, Yu L, Naipal V, et al. A 30 m terrace mapping in China using Landsat 8 imagery and digital elevation model based on the Google Earth Engine[J]. Earth System Science Data, 2021, 13(5):2437-2456. DOI:10.5194/essd-13-2437-2021

[27]
Oliphant A J, Thenkabail P S, Teluguntla P, et al. Mapping cropland extent of Southeast and Northeast Asia using multi-year time-series Landsat 30-m data using a random forest classifier on the Google Earth Engine Cloud[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 81:110-124. DOI:10.1016/j.jag.2018.11.014

[28]
Xiong J, Thenkabail P, Tilton J, et al. Nominal 30-m cropland extent map of continental Africa by integrating pixel-based and object-based algorithms using sentinel-2 and landsat-8 data on google earth engine[J]. Remote Sensing, 2017, 9(10):1065. DOI:10.3390/rs9101065

[29]
Li K, Wang J, Cheng W, et al. A dataset of annual surface water distribution in the growing season on the Mongolia Plateau from 2013 to 2022[J]. China Scientific Data, 2023, 8(1). DOI:10.11922/11-6035.csd.2022.0080.zh

[30]
Wang Y, Liu S, Qiu L, et al. A dataset of the annual water bodies in wet seasons on the Mongolian Plateau during 1990-2021[J]. China Scientific Data, 2023, 8(1). DOI:10.11922/11-6035.csd.2022.0061.zh

[31]
Magidi J, Nhamo L, Mpandeli S, et al. Application of the random forest classifier to map irrigated areas using google earth engine[J]. Remote Sensing, 2021, 13(5):876. DOI:10.3390/rs13050876

[32]
Deines J M, Kendall A D, Crowley M A, et al. Mapping three decades of annual irrigation across the US High Plains Aquifer using Landsat and Google Earth Engine[J]. Remote Sensing of Environment, 2019, 233:111400. DOI:10.1016/j.rse.2019.111400

[33]
Zhang C, Dong J W, Ge Q S. IrriMap_CN: Annual irrigation maps across China in 2000-2019 based on satellite observations, environmental variables, and machine learning[J]. Remote Sensing of Environment, 2022, 280:113184. DOI:10.1016/j.rse.2022.113184

[34]
Niu Q, Li X, Huang J, et al. A 30 m annual maize phenology dataset from 1985 to 2020 in China[J]. Earth System Science Data, 2022, 14(6):2851-2864. DOI:10.5194/essd-14-2851-2022

[35]
徐洋, 杨雅萍. 1982—2020年中国5 km分辨率逐月NDVI数据集[J]. 中国科学数据(中英文网络版), 2022, 7(1):99-107.

[ Xu Y, Yang Y P. A 5 km resolution dataset of monthly NDVI product of China(1982-2020)[J]. China Scientific Data, 2022, 7(1):99-107. ] DOI:10.11922/11-6035.csd.2022.0061.zh

[36]
Ma Z M, Dong C Y, Lin K R, et al. A global 250-m downscaled NDVI product from 1982 to 2018[J]. Remote Sensing, 2022, 14(15):3639. DOI:10.3390/rs14153639

[37]
马晓岩, 张兴旺, 乔龙鑫, 等. 2019-2021年河南省越冬作物分布数据集[J]. 中国科学数据(中英文网络版), 2022, 7(3):290-302.

[ Ma X Y, Zhang X W, Qiao L X, et al. A dataset of winter crop distribution maps in Henan Province from 2019 to 2021[J]. China Scientific Data, 2022, 7(3):290-302. ] DOI:10.11922/11-6035.csd.2022.0050.zh

[38]
Zhang W M, Brandt M, Prishchepov A V, et al. Mapping the dynamics of winter wheat in the North China Plain from dense landsat time series (1999 to 2019)[J]. Remote Sensing, 2021, 13(6):1170. DOI:10.3390/rs13061170

[39]
Fatchurrachman, Rudiyanto, Soh N C, et al. High-resolution mapping of paddy rice extent and growth stages across peninsular Malaysia using a fusion of sentinel-1 and 2 time series data in google earth engine[J]. Remote Sensing, 2022, 14(8):1875. DOI:10.3390/rs14081875

[40]
Thenkabail P, Hanjra M, Dheeravath V, et al. A holistic view of global croplands and their water use for ensuring global food security in the 21st century through advanced remote sensing and non-remote sensing approaches[J]. Remote Sensing, 2010, 2(1):211-261. DOI:10.3390/rs2010211

[41]
Tian H F, Huang N, Niu Z, et al. Mapping winter crops in China with multi-source satellite imagery and phenology-based algorithm[J]. Remote Sensing, 2019, 11(7):820. DOI:10.3390/rs11070820

[42]
Mhawej M, Faour G. Open-source Google Earth Engine 30-m evapotranspiration rates retrieval: The SEBALIGEE system[J]. Environmental Modelling & Software, 2020, 133:104845. DOI:10.1016/j.envsoft.2020.104845

[43]
Panjala P, Gumma M K, Ajeigbe H A, et al. Identifying suitable watersheds across Nigeria using biophysical parameters and machine learning algorithms for agri-planning[J]. ISPRS International Journal of Geo-Information, 2022, 11(8):416. DOI:10.3390/ijgi11080416

[44]
Aljarah A K H. Organizational symmetry and its relationship to job aappiness / A survey study of the opinions of a sample of workers in the office of the ministry of agriculture and water resources in the Kurdistan Region[J]. NTU journal for Administrative and Human Sciences (JAHS), 2023, 3(1). DOI:10.56286/ntujahs.v3i1.430

[45]
He Y L, Dong J W, Liao X Y, et al. Examining rice distribution and cropping intensity in a mixed single- and double-cropping region in South China using all available Sentinel 1/2 images[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 101:1023 51. DOI:10.1016/j.jag.2021.102351

[46]
Guo R, Zhu X F, Zhang C, et al. Analysis of change in maize plantation distribution and its driving factors in Heilongjiang Province, China[J]. Remote Sensing, 2022, 14(15):3590. DOI:10.3390/rs14153590

[47]
Yang G X, Yu W, Yao X, et al. AGTOC: A novel approach to winter wheat mapping by automatic generation of training samples and one-class classification on Google Earth Engine[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102:102446. DOI:10.1016/j.jag.2021.102446

[48]
徐晗泽宇, 刘冲, 王军邦, 等. Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究[J]. 地球信息科学学报, 2018, 20(3):396-404.

DOI

[ Xu H, Liu C, Wang J B, et al. Study on extraction of citrus orchard in Gannan Region based on google earth engine platform[J]. Journal of Geo-Information Science, 2018, 20(3):396-404. ] DOI:10.12082/dqxxkx.2018.170553

[49]
Al-Shammari D, Fuentes I, Whelan B M, et al. Mapping of cotton fields within-season using phenology-based metrics derived from a time series of landsat imagery[J]. Remote Sensing, 2020, 12(18):3038. DOI:10.3390/rs12183038

[50]
Mudereri B T, Abdel-Rahman E M, Ndlela S, et al. Integrating the strength of multi-date sentinel-1 and-2 datasets for detecting mango (mangifera indica L.) orchards in a semi-arid environment in Zimbabwe[J]. Sustainability, 2022, 14(10):5741. DOI:10.3390/su14105741

[51]
李莉, 王丽丽, 李长军, 等. 卫星遥感提取烟田种植面积应用分析[J]. 中国农学通报, 2023, 39(13):146-156.

DOI

[ Li L, Wang L L, Li C J, et al. Application of satellite remote sensing to extracting tobacco planting area[J]. Chinese Agricultural Science Bulletin, 2023, 39(13):146-156. ] DOI:10.11924/j.issn.1000-6850.casb2022-0606

[52]
Hu Y R, Zeng H W, Tian F Y, et al. An interannual transfer learning approach for crop classification in the Hetao irrigation district, China[J]. Remote Sensing, 2022, 14(5):1208. DOI:10.3390/rs14051208

[53]
Maskell G, Chemura A, Nguyen H, et al. Integration of Sentinel optical and radar data for mapping smallholder coffee production systems in Vietnam[J/OL]. Remote Sensing of Environment, 2021, 266:112709. DOI:10.1016/j.rse.2021.112709

[54]
Tuvdendorj B, Zeng H W, Wu B F, et al. Performance and the optimal integration of sentinel-1/2 time-series features for crop classification in northern Mongolia[J]. Remote Sensing, 2022, 14(8):1830. DOI:10.3390/rs14081830

[55]
Zurqani H A, Post C J, Mikhailova E A, et al. Evaluating the integrity of forested riparian buffers over a large area using LiDAR data and Google Earth Engine[J/OL]. Scientific Reports, 2020, 10(1). DOI:10.1038/s41598-020-69743-z

[56]
Han J C, Zhang Z, Cao J, et al. Prediction of winter wheat yield based on multi-source data and machine learning in China[J]. Remote Sens, 2020, 12:236. DOI:10.3390/rs12020236

[57]
Zhou S T, Xu L, Chen N C. Rice yield prediction in Hubei Province based on deep learning and the effect of spatial heterogeneity[J]. Remote Sens, 2023, 15:1361. DOI:10.3390/rs15051361

[58]
Zhang X, Wu B F, Ponce-Campos G E, et al. Mapping up-to-date paddy rice extent at 10 M resolution in China through the integration of optical and synthetic aperture radar images[J]. Remote Sensing, 2018, 10(8):1200. DOI:10.3390/rs10081200

[59]
Shew A M, Ghosh A. Identifying dry-season rice-planting patterns in Bangladesh using the landsat archive[J]. Remote Sensing, 2019, 11(10):1235. DOI:10.3390/rs11101235

[60]
Saad El Imanni H, El Harti A, Panimboza J. Investigating sentinel-1 and sentinel-2 data efficiency in studying the temporal behavior of wheat phenological stages using google earth engine[J]. Agriculture, 2022, 12(10):1605. DOI:10.3390/agriculture12101605

[61]
Lang P, Zhang L F, Huang C P, et al. Integrating environmental and satellite data to estimate county-level cotton yield in Xinjiang Province[J]. Frontiers in Plant Science, 2023, 13:1048479. DOI:10.3389/fpls.2022.1048479

[62]
Singha M, Dong J W, Sarmah S, et al. Identifying floods and flood-affected paddy rice fields in Bangladesh based on Sentinel-1 imagery and Google Earth Engine[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 166:278-293. DOI:10.1016/j.isprsjprs.2020.06.011

[63]
刘小燕, 崔耀平, 史志方, 等. GEE平台下多源遥感影像对洪灾的监测[J]. 遥感学报, 2023, 27(9):2179-2190.

[ Liu X Y, Cui Y P, Shi Z F, et al. Monitoring of floods using multi-source remote sensing images on the GEE platform[J]. National Remote Sensing Bulletin, 2023, 27(9):2179-2190. ] DOI:10.11834/jrs.20221063

[64]
张亮亮, 张朝, 曹娟, 等. GEE环境下的玉米低温冷害损失快速评估[J]. 遥感学报, 2020, 24(10):1206-1220.

[ Zhang L L, Zhang Z, Cao J, et al. Rapid assessment of maize chilling damage based on GEE[J]. Journal of Remote Sensing, 2020, 24(10):1206-1220. ] DOI:10.11834/jrs.20209149

[65]
曹娟, 张朝, 张亮亮, 等. 基于Google Earth Engine和作物模型快速评估低温冷害对大豆生产的影响[J]. 地理学报, 2020, 75(9):1879-1892.

DOI

[ Cao J, Zhang C /z, Zhang L L, et al. Damage evaluation on soybean chilling injury based on Google Earth Engine (GEE) and crop growth model[J]. Acta Geographica Sinica, 2020, 75(9):1879-1892. ] DOI:10.11821/dlxb202009005

[66]
Sazib N, Mladenova I, Bolten J. Leveraging the Google Earth Engine for Drought Assessment Using Global Soil Moisture Data[J/OL]. Remote Sensing, 2018, 10(8). DOI:10.3390/rs10081265

[67]
Luo C, Zhang X L, Meng X T, et al. Regional mapping of soil organic matter content using multitemporal synthetic Landsat 8 images in Google Earth Engine[J]. CATENA, 2022, 209:105842. DOI:10.1016/j.catena.2021.105842

[68]
Duarte E, Zagal E, Barrera J A, et al. Digital mapping of soil organic carbon stocks in the forest lands of Dominican Republic[J/OL]. European Journal of Remote Sensing, 2022, 55(1):213-231. DOI:10.1080/22797254.2022.2045226

[69]
郭静, 龙慧灵, 何津, 等. 基于Google Earth Engine和机器学习的耕地土壤有机质含量预测[J]. 农业工程学报, 2022, 38(18):130-137.

[ Guo J, Long H L, He J, et al. Predicting soil organic matter contents in cultivated land using Google Earth Engine and machine learning[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(18):130-137. ] DOI:10.11975/j.issn.1002-6819.2022.18.014

[70]
Petito M, Cantalamessa S, Pagnani G, et al. Impact of conservation agriculture on soil erosion in the annual cropland of the Apulia Region (southern Italy) based on the RUSLE-GIS-GEE framework[J]. Agronomy, 2022, 12(2):281. DOI:10.3390/agronomy12020281

[71]
Najafi Z, Pourghasemi H R, Ghanbarian G, et al. Land-subsidence susceptibility zonation using remote sensing, GIS, and probability models in a Google Earth Engine platform[J]. Environmental Earth Sciences, 2020, 79(21). DOI:10.1007/s12665-020-09238-2

[72]
Liu C C, Shieh M C, Ke M S, et al. Flood prevention and emergency response system powered by google earth engine[J]. Remote Sensing, 2018, 10(8):1283. DOI:10.3390/rs10081283

[73]
Yu S, Falco N, Patel N, et al. Diverging climate response of corn yield and carbon use efficiency across the U.S.[J]. Environmental Research Letters, 2023, 18(6):064049. DOI:10.1088/1748-9326/acd5e4

[74]
Zhu W Y, Zhang Z K, Zhao S H, et al. Vegetation greenness trend in dry seasons and its responses to temperature and precipitation in mara river basin, Africa[J]. ISPRS International Journal of Geo-Information, 2022, 11(8):426. DOI:10.3390/ijgi11080426

[75]
Zhang Y, Hu Q W, Tao J B. Impacts of climate change on hulless barley security in plateau region: A case study of Lhasa River Basin in Tibet, China[J]. Food and Energy Security, 2022, 12(3). DOI:10.1002/fes3.446

[76]
Liu Y Q, Wang J Y. Revealing annual crop type distribution and spatiotemporal changes in Northeast China based on google earth engine[J]. Remote Sensing, 2022, 14(16):4056. DOI:10.3390/rs14164056

[77]
Manjarrez-Domínguez C, Uc-Campos M I, Esparza-Vela M E, et al. Geospatial-temporal dynamics of land use in the juárez valley: Urbanization and displacement of agriculture[J]. Sustainability, 2023, 15(11):8499. DOI:10.3390/su15118499

[78]
Zhang C, Di L P, Yang Z W, et al. AgKit4EE: A toolkit for agricultural land use modeling of the conterminous United States based on Google Earth Engine[J]. Environmental Modelling & Software, 2020, 129:104694. DOI:10.1016/j.envsoft.2020.104694

[79]
Bey A, Sánchez-Paus Díaz A, Maniatis D, et al. Collect earth: Land use and land cover assessment through augmented visual interpretation[J]. Remote Sensing, 2016, 8(10):807. DOI:10.3390/rs8100807

[80]
Huntington J L, Hegewisch K C, Daudert B, et al. Climate engine: Cloud computing and visualization of climate and remote sensing data for advanced natural resource monitoring and process understanding[J]. Bulletin of the American Meteorological Society, 2017, 98(11):2397-2410. DOI:10.1175/bams-d-15-00324.1

[81]
Yalew S G, van Griensven A, van der Zaag P. AgriSuit: A web-based GIS-MCDA framework for agricultural land suitability assessment[J]. Computers and Electronics in Agriculture, 2016, 128:1-8. DOI:10.1016/j.compag.2016.08.008

[82]
Carmen M, Alfonso S D, Daniel D, et al. Earth map: A novel tool for fast performance of advanced land monitoring and climate assessment[J]. Journal of Remote Sensing, 2023, 3:0003. DOI:10.34133/remotesensing.0003

[83]
Wang C Y, Zhang H, Wu X F, et al. AUTS: A novel approach to mapping winter wheat by automatically updating training samples based on NDVI time series[J]. Agriculture, 2022, 12(6):817. DOI:10.3390/agriculture12060817

[84]
Jimenez-Jimenez S I, De Jesus Marcial-Pablo M, Ojeda-Bustamante W, et al. VICAL: Global calculator to estimate vegetation indices for agricultural areas with landsat and sentinel-2 data[J]. Agronomy-Basel, 2022, 12(7). DOI:10.3390/agronomy12071518

[85]
Yu Z Q, Di L P, Shrestha S, et al. RiceMapEngine: A google earth engine-based web application for fast paddy rice mapping[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2023, 16:7264-7275. DOI:10.1109/JSTARS.2023.3290677

[86]
Xing H Q, Hou D Y, Wang S Y, et al. O-LCMapping: A Google Earth Engine-based web toolkit for supporting online land cover classification[J]. Earth Science Informatics, 2021, 14(1):529-541. DOI:10.1007/s12145-020-00562-6

[87]
Mhawej M, Abunnasr Y. Daily Ten-ST-GEE: An open access and fully automated 10-m LST downscaling system[J]. Computers & Geosciences, 2022, 168:105220. DOI:10.1016/j.cageo.2022.105220

[88]
Owusu C, Snigdha N J, Martin M T, et al. PyGEE-SWToolbox: A python jupyter notebook toolbox for interactive surface water mapping and analysis using google earth engine[J]. Sustainability, 2022, 14(5):2557. DOI:10.3390/su14052557

[89]
Abunnasr Y, Mhawej M, Chrysoulakis N. SEBU: A novel fully automated Google Earth Engine surface energy balance model for urban areas[J]. Urban Climate, 2022, 44:101187. DOI:10.1016/j.uclim.2022.101187

[90]
Lobell D B, Thau D, Seifert C, et al. A scalable satellite-based crop yield mapper[J]. Remote Sensing of Environment, 2015, 164:324-333. DOI:10.1016/j.rse.2015.04.021.

[91]
Rembold F, Meroni M, Urbano F, et al. ASAP: A new global early warning system to detect anomaly hot spots of agricultural production for food security analysis[J]. Agricultural Systems, 2019, 168:247-257. DOI:10.1016/j.agsy.2018.07.002

PMID

[92]
Scheip C M, Wegmann K W. HazMapper: A global open-source natural hazard mapping application in Google Earth Engine[J]. Natural Hazards and Earth System Sciences, 2021, 21(5):1495-1511. DOI:10.5194/nhess-21-1495-2021

[93]
Liang J Y, Jin F Y, Zhang X Y, et al. WS4GEE: Enhancing geospatial web services and geoprocessing workflows by integrating the Google Earth Engine[J]. Environmental Modelling & Software, 2023, 161:105636. DOI:10.1016/j.envsoft.2023.105636

Options
Outlines

/

〈 〉