近年來衛星遙測在空間與時間解析度上已大幅提升，在廣域的地表和大氣監測領域，其高效能的表現已受到廣泛的應用與推廣。然而，遙測資料的處理常需經過相當繁瑣的校準程序與技術，且需巨量空間和高效能的硬體設備才能進行影像前處理和資料分析，這些「技術」、「效能」和「空間」的需求成為遙測技術推廣的巨大門檻。

Google Earth Engine (以下簡稱GEE) 是由Google開發的地理資訊雲端分析平台，它將圖資與應用整合於同一介面，提供使用者方便且免費(非商業用途)線上使用全球衛星遙測影像。運用Google巨量資料儲存空間和強大雲端計算能力的優勢，GEE擁有petabyte等級的開放資料，並能快速地進行大數據分析及整合如AI等各種模式運算。例如，Hansen等為了製作全球森林地圖，利用GEE處理了65萬張Landsat影像(將近700terabytes)，靠著一萬台電腦平行運算只需100小時，若使用傳統方法恐怕得花費十幾年的時間才能完成。此外，GEE已將資料進行預處理及校正作業，不但節省下載圖資的時間，更是免去影像前處理的繁瑣程序，讓非遙測專業的人員也能輕鬆地使用遙測資料。GEE採用Python和Javascript語法輸入指令，在GEE的官方網站中已建立可使用的範本，全世界也有許多研究學者開放自己建立的程式碼供使用者參考。

自2010年創建至今，國際上已有數百篇的專業期刊論文使用GEE進行研究，且數量快速增加(圖3)。Tamiminia等人在2020年蒐集了349篇GEE相關期刊文獻，根據應用的案例分成11個類別(圖4)。統計顯示GEE最廣為使用於作物分布研究(21%)，如植被與農業監測等；其次是水體研究(18%)與土地利用分類(16%)，另外也有關於森林、災害與氣候變遷等的應用。運用此平台適合處理巨量資料的優勢，目前的研究範圍涵蓋了超過138個國家(圖5)，在GEE全球的研究區域分布調查指出，逾三分之一的研究位於亞洲地區，若以國家為單位統計則以美國的研究最多(77篇)，中國次之(50篇)。

除了歷年各式衛星影像外，GEE亦已提供遙測衍生的資料產品及各式大數據分析模組，讓使用者可以直接快速應用。例如，最常被使用的GEE內建資料集包含植生指數、土地覆蓋、Hansen全球森林地圖、地表高程模型(DEM)、降水、土壤溼度、全球夜間照明分布、樹冠高程、氣候、地表水、地表溫度等(圖6)。如以衛星資料統計，則以Landsat、Sentinel與MODIS最常被使用；其中以光學影像佔大多數(90%)，但也有不少研究結合多種不同類型的衛星資料。GEE內建的大數據分析模組也已被廣泛使用，其中以辨識分類法(Classification Method)為主要的應用，例如機器學習演算法中的隨機森林(Random Forest) (49%)，分類迴歸樹(CART)與支援向量機(SVM)。

Amani等人的研究中提到GEE目前仍存在一些限制。例如無法取得雷達影像的相位(phase)資料、影像的預處理過程缺乏精確的大氣校正、使用者資料上傳有容量限制(250GB)、受限於既有的分析工具且開發新的分析模組較有難度等。但是對於大範圍的初步評估和處理巨量資料的統計分析仍是一個具有突破性的工具，也讓更多相關領域的研究人員可以低成本與低門檻的方式應用遙測資料。即便目前有些人對於Google提供GEE這樣強大卻又免費的資源尚有「養套殺」的疑慮，但不可否認，現階段GEE平台已串連起全世界研究人員的資源及智慧，這個效益可能將為未來創造出更多元、更有價值的應用。
後續幾期，我們將以案例介紹的方式，一步步帶領大家進入GEE的世界！

1.　Google Earth Engine官方網站 : https://earthengine.google.com/
2.　Google Earth Engine Code Editor : https://code.earthengine.google.com/
3.　Google Earth Engine Datasets : https://developers.google.com/earth-engine/datasets/catalog

1.　Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M., ... & Brisco, B. (2020). Google earth engine cloud computing platform for remote sensing big data applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.
2.　Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., ... & Townshend, J. (2013). High-resolution global maps of 21st-century forest cover change. science, 342(6160), 850-853.
3.　Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S., & Brisco, B. (2020). Google Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS Journal of Photogrammetry and Remote Sensing, 164, 152-170.