第44卷第2期
woc测绘与空间地理信息Vol.44，No.2
Feb.，2021 2021年2月GEOMATICS&SPATIAL INFORMATION TECHNOLOGY
Google Earth Engine云平台及植被遥感案例研究 皮青山'，席茜2，周玉科3
(1.临沂市国土资源局测绘院，山东临沂276000；
2.中国地质大学(武汉)地球物理与空间信息学院，湖北武汉430074；
3.中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室，北京100101)
摘要：植被物候是全球变化的敏感指示器，对陆表物质和能量交换产生显著影响。植被物候遥感分析存在数据收集困难、提取方法实现复杂等问题，谷歌地球云计算平台(Google Earth Engine，GEE)为基于遥感大数据的物候分析提供了有利条件。本文分析了GEE平台的数据源、开发接口和应用场景，然后基于GEE中的长时序植被指数数据集NDVI3g，在像素级别采用导数法提取分析了中国东北地区 的植被物候变化情况，发现该区域春季返青期推迟，秋季衰落期提前。实验说明了基于GEE进行复杂地学计算的可行性和适用性，但是在算法验证方面存在改进的空间。 关键词：植被物候遥感；Coogle Earth Engine；GIMMS NDVI3g；趋势分析
中图分类号：P237文献标识码：A文章编号：1672-5867(2021) 02-0038-04
Research on Google Earth Engine and Case Study of
Vegetation Remote Sensing
PI Qingshan1,XI Qian2,ZHOU Yuke3
(1.Linyi Surveying and Mapping Institute of Land and Resources,Linyi276000,China；
2.Institute of Geophysics&Geomatics,China University of Geosciences,Wuhan430074,China；
3.Key Laboratory of Ecosystem Network Observation and Modeling,Institute of Geographic Sciences and
Natural Resources Research,Chinese Academy of Sciences,Beijing100101,China)
Abstract:Vegetation phenology is a sensitive indicator of global change and has a significant impact on land surface material and energy exchange.Vegetation phenology remote sensing analysis has problems such as difficulty in data collection and complex extraction methods.Google Earth Engine(GEE)provides favorable conditions for phenology analysis based on remote sensing data.The data source,APIs and application cases are analyzed.Then based on the long time series vegetation index dataset NDVI3g in GEE,this paper uses the derivative method at the pixel level to extract and analyze the changes in vegetation phenology in Northeast China.Experiments show the feasibility and applicability of complex geological calculations based on GEE,but there is room for improvement in algorithm verification.
Key words:vegetation phenology remote sensing；GEE；GIMMS NDVI3g；trend analysis
0引言
当前全球气候持续变暖，气温升高造成植物生长季变化、植物光合作用的活跃、动物迁徙时间的变化、极端气候事件增多等多方面影响。植物物候是指植物在一年的生长中，随着气候的季节性变化而发生萌芽、抽枝、展叶、开花、结果、落叶、休眠等规律性变化的现象［1］，是气候变化的重要自然指示器之一［2］。气候变化影响着植被物候的变化，进而对生态系统产生很多重要影响［3］。探索长时间序列植被物候的年际变化特征已经成为理解和
收稿日期：2020-3-03
基金项目：国家重点研发计划(2016YFC0500103,2018YFB0505301)资助
作者简介：皮青山(1984-)，男，山东郯城人，工程师，硕士，2011年毕业于山东科技大学地图制图学与地理信息工程专业，主要从事智慧城市建设、地理信息系统软件开发及应用工作。
共享雨伞现身杭州通讯作者：周玉科(1984-)，男，山东济宁人，副研究员，博士，2013年毕业于中国科学院地理信息系统专业，主要从事生态遥感与时空大数据分析方面的应用研究工作。
第2期皮青山等:Google Earth Engine云平台及植被遥感案例研究39
模拟陆地生态系统动态变化特征的重要手段⑷。
长时间的物候监测需要收集大量的遥感数据，对其进行整理、存储和处理需要性能较好的计算机［5］，而使用Google Earth Engine可以通过编写代码在云平台上实现影像数据的调用与批处理，直接省掉前期的数据收集、存储等工作，节约了时间成本［6］。GEE平台存储的大量地球观测数据与其强大的计算分析能力使得科学家进行长期的大尺度区域观测十分便捷。国内外学者多用GEE进行长时间的植被动态变化研究，王九中等⑺在GEE平台上利用Landsat数据对河南省冬小麦进行快速识别，获得河南省冬小麦分布图。郭永强等⑻利用GEE对1987—2015年间的黄土高原植被覆盖变化进
行研究，发现人类活动是引起其变化的主要原因。Schmid⑼通过使用GEE平台的Landsat NDVI的时间序列来分析德国3个区域的林分现状，但是目前通过GEE提取植被物候的研究较少。
本文以东北地区为研究区域，以GIMMS NDVI3g为数 据源，借助GEE平台的JavaScript开发工具编写物候参数提取算法，分析1984—2013年间东北地区不同植被的物候空间分布特征与年际变化趋势。
1研究区概况
控制棒驱动机构中国东北地区包括黑、吉、辽三省以及内蒙古自治区东部，自东向西可分为湿润带、半湿润带、半干旱带，属于温带季风性气候。东北地区自然资源丰富，森林总蓄积量约占全国的1/3，以东南部长白山和北部大小兴安岭为主要林区，内蒙古区域主要植被类型为草原、草丛、灌丛等，中部平原地带以栽培植物为主。
2数据与方法
2.1GEE云平台简介
Google Earth Engine(GEE)是一个以云计算为基础，集科学分析、海量遥感数据处理、地理信息数据可视化于一体的综合性平台［10］，其主要组件包括PB级存档的数据集、应用程序接口(API,application programming interface)、在线集成开发环境(IDE,Integrated Development Environm
ent)o详见GEE官方网址(https：//developers,google. com/earth-engine/)。
1)平台集成数据集
GEE平台本身存储了可供用户免费下载的PB数量级的多种地球观测数据，存储的历史影像可达40年之久，并且每天都在扩展和更新。大部分数据来源于NASA、NOAA和ESA等机构的地球观测卫星收集的遥感图像，比如Landsat数据、MODIS数据和哨兵数据等，该数据集也包括气候、土地覆盖、社会经济等方面的数据，除此之外，用户还可以自己上传数据来共享使用。
2)应用程序接口(API)
GEE数据集的访问、处理以及分析通过基于JavaScript与Python的API来向GEE服务器发出请求，以JavaScript支持的API为例，GEE的对象类型相当于是对JavaScript数据类型的二次封装，该API具有丰富的地理空间分析功能，不仅可以对栅格数据、矢量数据进行过滤、投影等操作，还可以利用已有的算法集合进行图像分割、监督分类、时间序列分析等(如图1所示)，并且用户可以自由重组现有的算法进行实验。
图1GEE平台主要API
Fig.1Main API in GEE
3)在线集成开发环境(IDE)
用户通过在线集成开发环境(即代码编辑器)编写代码进行地理空间分析，如图2所示，中间区域为代码编辑区域，可存储于左侧的脚本放置区，结果可在地图窗口与输出控制台的Console窗口展示。
图2GEE开发环境
Fig.2Development environment of GEE
工业控制计算机
2.2数据源
GIMMS NDVI3g遥感数据是由NASA发射的AVHRR 卫星获取的第三代植被指数数据集，采样频率约为15d，时间跨度为1982—2015年，空间分辨率为1/12°(约8km)［11］。NDVI3g数据集生产过程中已经消除了传感器更迭、轨道漂移及火山爆发等因素的影响，广泛用于全球生态系统碳循环、植被物候变化及气候响应等研究。该数据集在GEE平台上可获取的时间范围为1982—2013年。
该数据在GEE平台中可通过以下代码进行调用和筛选。
var ndvi3g=ee.ImageCollection('NASA/GIMMS/3GV0 ')；
var n3_2010=ndvi3g.filterDate("2010-01-01"," 2010-12-31")；
物候参数提取表征植被生长活动的NDVI轨迹曲线随着季节的变化而变化［12］，通常在春季返青阶段逐渐上升，达到顶值后在秋季衰落期逐渐下降，采用固定的参数可定量化植被的物候特征。植被生长季开始点SOS(start
40测绘与空间地理信息2021年
of season)、结束点EOS(end of season)，两者之差代表生长季长度LOS(length of season)，生长峰值PEAK为一年中NDVI达到最大值的点(如图3所示)。双Logistic方法［13］不需要设置阈值和经验系数就可以以像元单位进行曲线拟合，加之东北地区植被生长具有明显的季节性特点，因此，本文采用该方法重建东北地区NDVI时间序列
Fig.3Diagram for vegetation growth process
该方法在GEE中以JavaScript语言实现，并保存到工具箱，可以实现重复利用和多用户共享。
2.3趋势分析
在获取年度物候参数的结果基础上，本研究采用Mann-Kendall检验法［15］分析SOS、EOS、LOS、PEAK长期变化趋势，该方法既能检验线性趋势也能检验非线性趋势，且对少数异常值不敏感。具体求解步骤如下：tau=S/D(1) s=yy sign(Xj_xj(2)
i=1j=i+1
1,X j—x i>0
sign(Xj-x)=<0，尊一❻=0(3)
—1,x-—x i<0
D=n(n-1)/2(4)式中:tau为时间序列变化趋势，若tau>0，表示数据随时间推移呈增加趋势，反之为减少趋势;S为统计值; sign为符号函数;x和&为时间序列中年份i和j所对应的数值;n为时间序列数据长度。
3结果与分析
3.1物候参数空间分布特征
对年度物候参数结果求取均值，获得各物候参数的平均值(如图4所示)，由该图可知，不同植被类型的物候特征空间差异较大。生长季开始日期SOS并未随纬度的增加呈现线性延后的空间特征，最早开始生长的植被为南部阔叶林，集中于第110d左右(3月21日)；其次为北部针叶林,SOS约为第121d(5月1日)；栽培植被生长季开始最晚，集中于第152d(6月1日)。而生长季结束点EOS在空间上呈现从北到南依次衰落的特征，即针叶林早于栽培植被，栽培植被早于阔叶林。生长季长度LOS 属栽培植被最短，约127d，主要受人工播种与收割的活动影响；阔叶林生长季长度最长，约176d；北部针叶林生长时间也相对较短，约137d o在整个生长周期内，南部阔叶林、北部针叶林在生长强度上均高于中部栽培植被、草原、草甸等区域。
(MKtw)
£
M(MK如(MKtau)
(b)EOS多年变化趋势
(d)LOS多年变化趋势
(a)SOS多年变化趋势
(c)PEAK多年变化趋势
图4各物候参数平均值
Fig.4Mean values for key vegetation phenology
3.2物候参数变化趋势
从时间序列的角度利用MK检验法探索物候参数的长期变化趋势，正值表示日期推迟或生长强度上升，负值则相反。由图5可知，SOS推迟集中于东南部区域，多为 阔叶林，东部与中部栽培植被生长季开始点也呈现推迟趋势。西南部草原、草丛、灌丛混交区域的SOS表现出较强的提前趋势，且该区域的EOS也呈现提前趋势，使得LOS的变化趋势较小。北部针叶林LOS呈现显著增加的主要原因是其衰落期呈现推迟趋势，且针叶林的生长强度也相应地得到增强。PEAK呈现显著增强的区域集中于西南部的草丛、灌丛混交区域，西部草原、南部阔叶林区域PEAK则表现为明显的下降。
平均值
平均值
.316$
IT96
溶解度参数0ISO MtObn
--------•--------»■0116
(c)PEAK多年变化趋势
----------------1■12115
(d)LOS多年变化趋势
谁的荷尔蒙在飞(a)SOS多年变化趋势(b)EOS多年变化趋势
图5物候参数年际变化趋势
Fig.5Changing trends for vegetation phenological
metrics
第2期皮青山等:Google Earth Engine云平台及植被遥感案例研究41
4结束语
本文利用GEE云平台的长时序植被指数数据集进行了物候分析实验，探索了GEE平台的大数据资源、开发环境与接口、物候提取方法。说明GEE云平台具有较好的易用性，数据资源丰富、用户界面友好、编程难度低，能够使科研人员将焦点集中于科学问题，减少了技术性工作量。植被物候遥感分析结果表明，我国东北地区的物候春季返青期在针叶林和草原区域呈现提前趋势，在阔叶林区域呈现延迟趋势；秋季衰落期在针叶林区域延迟、在阔叶林区域提前。实验证明了GEE云计算平台可以作为复杂地学分析的可靠平台。
参考文献：
[1]陆佩玲，于强，贺庆棠.植物物候对气候变化的响应
[J].生态学报，2006,26(3):923-929.
[2]FANG X,CHEN F.Plant phenology and climate change
[J].Science China Earth Sciences,2015,58(6)：
1043-1044.
[3]LUCHT W,PRENTICE I C,MYNENI R B,et al.Cli
matic control of the high-latitude vegetation greening trend
and Pinatubo effect[J].Science,American Association
for the Advancement of Science,2002,296(5573):1
687-1689.
[4]ZHOU Y.Asymmetric behavior of vegetation seasonal growth
and the climatic cause：evidence from long-term NDVI
dataset in Northeast China[J].Remote Sensing,Multidis
ciplinary Digital Publishing Institute,2019,11(18)：
2107.
[5]朱德海，刘逸铭，冯权泷，等.基于(bogle Earth Engine
的山东省近30年农业大棚时空动态变化研究[J].农
业机械学报，2020,51(1):168-175.
[6]郝斌飞，韩旭军，马明国，等.Google Earth Engine在(上接第37页)
5结束语
本文考虑了更加精确的惯性导航计算，利用罗德里格斯公式进行姿态解算和比力转换,INS计算值与GNSS 观测值基本一致，并且针对GNSS观测值存在粗差的情况，构造了等价权因子，重新计算量测噪声协方差阵。通过一组跑车数据进行分析，分别设置了3种场景，结论表明，抗差EKF具有良好的抵抗粗差的能力，进一步提升了组合导航系统的性能。
参考文献：
[1]王艳梅，王梅生.SINS/GPS组合导航系统Kalman滤波
仿真研究[J].沈阳理工大学学报,2019,38(6)：58-63.
[2]孙丽，秦永元.捷联惯导系统姿态算法比较[J].中国惯
性技术学报,2006,14(3)：6-10.
[3]严恭敏，杨小康，翁浚，等.一种无误差的捷联惯导数值更
新新算法[J].导航定位学报,2018,22(2)：24-26,39. [4]刘帅.GPS/INS组合导航算法研究与实现[D].郑州：信
息工程大学,2012.
[5]吴富梅.GNSS/INS组合导航误差补偿与自适应滤波理
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.
[7]王九中，田海峰，邬明权，等.河南省冬小麦快速遥感
制图[J].地球信息科学，2017,19(6):846-853. [8]郭永强，王乃江，褚晓升，等.基于(Google Earth Engine
分析黄土高原植被覆盖变化及原因[J].中国环境科
学，2019,39(11):4804-4811.
[9]SCHMID J N.Using Google Earth Engine for Landsat NDVI
time series analysis to indicate the present status of forest
stands[J].Bachelor Thesis(BSc.Geography)Faculty of
Geoscience and Geography of the Georg-August-
University Gottingen,2018,10(9):39.
[10]GORELICK N，HANCHER M，DIXON M，et al.Google
Earth Engine：Planetary-scale geospatial analysis for eve-
ryone[J].Remote Sensing of Environment，The Authors，
2017,31(6):18-27.
[11]TUCKER C J,PINZON J E,BROWN ME,et al.An ex
tended AVHRR8-km NDVI dataset compatible with MO
DIS and SPOT vegetation NDVI data[J].International
Journal of Remote Sensing，Taylor&Francis，2005，26
(20):4485-4498.
[12]李正国，唐华俊，杨鹏，等.植被物候特征的遥感提取
与农业应用综述[J].中国农业资源与区划，2012,33
(5)：20-28.
[13]BECK H E，MCVICAR T R，VAN DIJK A I J M，et al.
Global evaluation of four AVHRR-NDVI data sets：Inter
comparison and assessment against Landsat imagery[J].
Remote Sensing of Environment，Elsevier，2011，115
(10):2547-2563.
[14]NEETI N,EASTMAN J R.A contextual mann-kendall
approach for the assessment of trend significance in image
time series[J].Transactions in GIS，Wiley Online
Library,2011,15(5):599-611.
[编辑：张曦]
论的拓展[D].郑州：信息工程大学,2010.
[6]苗岳旺，孙付平，李飞，等.基于抗差EKF的INS/GNSS
紧组合算法应用研究[J].大地测量与地球动力学，
2013,33(3)：97-101.
[7]PAUL D G.Priciples of GNSS,inertial,and multisensor
integrated navigation systems(Second Edition)[M].北
京：国防工业出版社,2015.
[8]TITTERTON D H,WESTON J L.Strapdown inertial navi
gation technology(Second Edition)[M].Stevenage,U.
K.：IEE,2004.
[9]ZHANG C,ZHAO X B,PANG C,et al.The Influence of
satellite configuration and fault duration time on the per
formance of fault detection in GNSS/INS integration[J].
Sensors,2019,19(9):2147.
[10]占芳芳.改进抗差Kalman滤波的INS/GPS紧组合导航
算法[J].兰州工业学院学报，2017,24(5)：75-79. [11]邱文添.一种GNSS与SINS组合导航算法研究[D].广
州：广州工业大学,2018.
[12]杨元喜.自适应动态导航定位[M].北京：测绘出版
社,2006.
[编辑：刘莉鑫]
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议