身處數據及資訊量爆炸的時代，人工智慧(Artificial Intelligence, AI)和大數據(Big Data)已經成為各個領域無法迴避的議題，無論是社會人文、商業經濟或是科技產業都可以看到其相關應用。在遙測領域中，隨著影像品質及拍攝頻率的提升，遙測資料日益遽增(參考影片：Google Earth Engine Landsat animation)，要如何應用AI技術分析資料量暴增的遙測大數據將是未來所面臨的問題。說到大數據分析就不得不提到我們熟知的Google公司，而Google Earth Engine(以下簡稱GEE)即是Google團隊運用本身的雲端空間和高速平行運算能力開發的地理資訊雲端分析平台，可幫助我們解決上述問題。

許多研究指出相較於傳統的參數分類方法(parametric classification)，使用機器學習模式可以獲得較高的準確率，且能夠更有效率的處理遙測影像(Maxwell et al., 2018)。同時，近年來機器學習已在遙測領域廣泛應用，如辨認農作物種類、土地利用分類(Land-use/land-cover, LULC)、崩塌地判釋等。Tamiminia等人在2020年蒐集了349篇GEE相關期刊文獻，根據研究使用的分析方法統計中，共有高達265篇文獻使用到機器學習的分析功能，包括分類(classification)和迴歸(regression)，其中又以分類佔多數(圖1)。另外Tamiminia等人也統計了GEE分類方法中共9種演算法的使用頻率以及其總準確度(overall accuracy)，包括人工神經網路(Artificial Neural Network，ANN)、分類回歸樹(Classification and Regression Tree, CART)、決策樹(Decision Tree, DT)等。統計結果顯示(圖2)，各演算法的平均準確度皆高於85%，其中又以決策樹的平均準確度最高，隨機森林 (Random Forest, RF)則是最廣為使用的分類方法(n=97)，但其準確度的離散程度卻也是最高的，可見隨機森林的結果易受參數的影響，如提取的樣本特徵等(Tamiminia et al., 2020)。

儘管GEE已內建包括監督式分類(Supervised Classification)與非監督式分類(Unsupervised Classification)模組的機器學習演算法供使用者線上分析，但目前GEE本身尚未支援深度學習模組。同樣也是Google 團隊開發的產品，TensorFlow可稱為當今最流行的開源機器學習框架(Zhu et al., 2017)，如AlphaGo即為建立於TensorFlow的產品。在2019年，GEE已經可藉由TensorFlow做到深度學習的訓練，使用者可以在Google AI 平台上利用colab訓練TensorFlow深度學習模型，並將訓練模型儲存於Google雲端，再連結GEE調用分析(圖3)。全卷積神經網絡(Fully convolutional neural networks, FCNNs)是TensorFlow內建的深度學習演算法之一，它解決了機器學習面臨維數災難 (Curse of dimensionality)的限制，讓我們可以使用GEE做更多遙測大數據的分析和預測。

在遙測領域中，機器學習常被應用於產製高精度的土地利用分類(Land use land cover, LULC)圖資，用以說明地表上不同地物特徵的分布位置，如裸露地、植被、建物、水體等。藉由不同時期的圖資可以幫助我們了解土地利用的變化情形，並作為自然環境與社會人文的評估指標(Lam, 2008)。因此許多國家均有專門機構負責產製此類圖資，如美國地質調查局USGS在2019年發布了最新一期的全美土地覆蓋資料集( National Land Cover Database, NLCD)，被稱為目前最完整的土地利用資料集。NLCD 係使用解析度30米的Landsat衛星影像產製不同年度的土地覆蓋圖(圖4(a))，並統計2001年至2016年的土地覆蓋變化 (圖4(b))，結果顯示美國土地覆蓋變化最大的類別為林地。而GEE的資料集中也有多元的土地覆蓋圖資(圖5)，其中收錄歐盟哥白尼全球土地服務(Copernicus Global Land Service, CGLS)所產製的全球100米土地分類圖資，並透過隨機森林的分類演算法、時間序列校正、指標計算等方法達到80%的判釋準確率(Buchhorn et al., 2020)。此外，在今年六月時，美國環境系統研究所公司Esri產製了解析度10米的2020年全球土地利用分類圖資(Esri 2020 Land Cover)(圖6)。透過Sentinel-2影像資料中的6個波段，以超過50億個人工標記的訓練樣點進行深度學習產製10種類別的土地利用圖資(Karra et al., 2021)，並提供在GEE介接使用(教學連結)。

LULC圖資的應用相當廣泛，如監測作物產量及產值(Lobell et al., 2015)、監測森林退化和非法採伐活動(Hansen et al., 2013)、自然災害的復育管理 (Balamurugan et al., 2015)等。以災後環境復育為例，土地覆蓋變化可作為決策者的重要參考，並依據植生及裸露地面積評估土地復育程度，或監測是否有發生二次災害的狀況，以進行工程構造物的規劃或植生工法設計。在近期的研究中，有學者應用GEE平台以LULC監測菲律賓萊特島在2013年強烈颱風海燕侵襲後的復育狀況(Ghaffarian et al., 2020)。透過災前、災中及災後三年的Landsat7衛星影像以隨機森林演算法進行監督式分類，結果顯示地物判釋總體準確度達88%以上。這個研究將土地利用類型分為植被、建物、農田、水體與裸露地或土石流等共五類(圖7)，並統計每期影像中各類型的土地覆蓋比例變化(圖8)，其成果可以明顯看到災害發生後植生覆蓋、建物和農田的比例下降，裸露地比例上升，充份對應至土石流災害造成建物損壞和農田的災損情形；經過三年後，各類型的土地則逐漸恢復災前的狀況。最後，此研究以災害發生時的分類作為基準，依據土地利用類型的變化產製危害度地圖與復育度地圖(圖9)，檢視本次事件對於各區域的衝擊影響程度和環境韌性。

今年七月歐洲發生近十年來最嚴重的水災，影響範圍包括位於西歐的國家，如比利時、荷蘭、盧森堡、瑞士等，其中以德國損失最為慘重。德國阿爾特納赫鎮(Altenahr)是災情最嚴重的地區之一，由於暴雨侵襲造成阿爾河河谷(Ahr Valley)的河水溢出河道，沿著蜿蜒的河道淹沒了周圍的街道和城鎮，將近一半的房子損毀(圖10)。本期電子報以德國阿爾特納赫鎮洪水事件為案例，利用GEE內建的機器學習分類方法產製事件前後的LULC地圖。由於災後的Sentinel-2光學影像可以明顯看到經過洪水後建物被淹沒的狀況，因此本文使用Sentinel-2本身的頻譜波段加入NDWI和NDVI指數分別訓練災害前後兩期的影像，以植生、水體、建物及淹水地區進行監督式分類，並由災後影像分類結果顯示出河道拓寬及建物被淹沒的現象(圖11)。此外，由於災前影像之水體分布較不明顯且解析度受限，所以災後影像分類驗證的總體準確度明顯較災前影像高，亦可以較清楚判釋河道流路。本次機器學習分類成果，我們以GEE Apps方式呈現，分別使用隨機森林、CART和SVM三種方法檢視分類結果(圖12)，提供讀者初步的判讀和展示。
跟著GEE教學指引一起來製作自己的LULC地圖吧!

1. Down to Earth with AI Platform： https://medium.com/google-earth/down-to-earth-with-ai-platform-7bc363abf4fa#--responses
   2. USGS New Land Cover Maps： https://www.usgs.gov/news/new-land-cover-maps-depict-15-years-change-across-america
   3. USGS National Land Cover Database：
   https://www.usgs.gov/centers/eros/science/national-land-cover-database?qt-science_center_objects=0#qt-science_center_objects
   4. Esri 2020 Land Cover：
   https://www.arcgis.com/home/item.html?id=d6642f8a4f6d4685a24ae2dc0c73d4ac
   5. ESRI 10m Land Cover 2020 in GEE：
   https://bikeshbade.com.np/tutorials/Detail/?title=ESRI%2010m%20Land%20Cover%202020%20in%20GEE&code=42&fbclid=IwAR2XIfC8HLGmWoA_FacWyZfny7NIbzw1Fo8rACO93WVn0573jSUAEDnVEcw
   6. Google Earth Engine Supervised Classification of Satellite Imagery Tutorial：
   https://geohackweek.github.io/GoogleEarthEngine/05-classify-imagery/
   7. 德國水災GEE App：
   https://paipei14916.users.earthengine.app/view/europe-floods-machine-learning

Balamurugan, G., & Aravind, M. S. (2015). Land use land cover changes in pre-and post-earthquake affected area using Geoinformatics–Western Coast of Gujarat, India. Disaster Advances, 8(4), 1-14.

Buchhorn, M., Smets, B., Bertels, L., De Roo, B., Lesiv, M., Tsendbazar, N. E., Li, L., & Tarko, A. J. (2020). Copernicus Global Land Service: Land Cover 100m: Version 3 Globe 2015-2019: Product User Manual. Zenodo. https://doi.org/10.5281/zenodo.3938963

Ghaffarian, S., Rezaie Farhadabad, A., & Kerle, N. (2020). Post-disaster recovery monitoring with google earth engine. Applied Sciences, 10(13), 4574.

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.

Karra, Kontgis, et al. “Global land use/land cover with Sentinel-2 and deep learning.” IGARSS 2021-2021 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2021.
Lam, N. S. N. (2008). Methodologies for mapping land cover/land use and its change. In Advances in land remote sensing (pp. 341-367). Springer, Dordrecht.

Lobell, D. B., Thau, D., Seifert, C., Engle, E., & Little, B. (2015). A scalable satellite-based crop yield mapper. Remote Sensing of Environment, 164, 324-333.

Maxwell, A. E., Warner, T. A., & Fang, F. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9), 2784-2817.

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.

Zhu, X. X., Tuia, D., Mou, L., Xia, G. S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 5(4), 8-36.