Moore和Hansen （2011）在2011年美国地球物理联合会秋季会议首次介绍了一种利用全球尺度地球观测数据，进行云端分析的全新云计算平台—GEE，该平台集成Landsat 5/7、MODIS（Moderate Resolution Imaging Spectroradiometer）历史遥感数据以及云端算法，依托Google公司全球百万台服务器，将这种数据密集分析、海量的计算资源和高端可视化科学范式落到实地。Hansen等（2013）最早将GEE应用于全球森林分布和变化监测，实现了2000年—2012年30 m尺度的全球森林变化监测。该研究采用了12年共654178景Landsat影像，共1000000个Central Processing Unit（CPU）计算时，而GEE依托其10000个CPU进行云端计算，只花了4天时间便完成所有计算，该成果引起了学界和公众的广泛关注，论文引用超过3400次（据Web of Science，截止2020-08）。2019年GEE将深度学习平台TensorFlow耦合进来，进一步提升了其计算分析能力。GEE提供JavaScript和Python两种API，通过这些API可以快速建立基于GEE以及Google云的Web服务。此外，GEE用户可以通过Earth Engine Apps（https：//www.earthengine.app/［2020-10-09］）将成果进行发布。用户可以在GEE上开发自己的算法，并生产系统数据产品或部署由GEE资源支持的交互式应用程序，而无需成为应用程序开发，Web编程或HTML方面的专家。这一模式直接改变了传统遥感先下载数据，在本地用专业软件或者开发相应代码进行研究分析的方式，同时也降低了大数据分析系统的使用门槛。用户可节省大量数据下载和预处理的时间，将更多的精力集中在后端的科学分析。

截止2019-09，GEE共享数据量已超过29 PB，包括超过290个公共的数据集、500万景影像，每天数据量增加大约4000景影像，包括（1）遥感影像数据，包括全球尺度的陆地资源卫星Landsat系列、哨兵Sentinel系列、中等分辨率成像光谱仪MODIS，以及局部区域的高分辨率影像等数据；（2）地形数据，包括地形数据包括全球高程数据，如SRTM（Shuttle Radar Topography Mission）等，以及区域高程数据，如ArcticDEM等；（3）土地覆被数据，包括全球土地覆被，如GlobCover等，以及区域土地覆被，如NLCD（National Land Cover Database）等；（4）天气、降雨和大气数据，包括表面温度和发射率、长期气候预测和历史插值地表变量、卫星观测反演的大气数据以及短时间预测和观测的天气数据等；（5）人口数据，包括WorldPop和GPW（Gridded Population of the World）两类数据；（6）其他栅格数据，包括全球森林冠层树高Global Forest Canopy Height数据等；以及（7）部分矢量数据，如RESOLVE Ecoregions等（表1）。同时，GEE用户也可以上传自己栅格或矢量数据到Assets进行后续分析。GEE数据集的访问地址为：https：//developers.google.com/earth-engine/datasets/［2020-10-09］。

GEE提供了大量函数，包括11个大类，即（1）数值运算Numerical operations，（2）数组/矩阵运算Array/matrix operations，（3）机器学习Machine learning，（4）其他逐像素影像操作，（5）核运算Kernel operations，（6）其他影像运算Other Image Operations，（7）数据整合Reducers，（8）几何运算Geometry Operations，（9）表格/集合运算Table/collection operations，（10）矢量/栅格运算Vector/raster operations，（11）其他数据类型Other data types。这些函数的运算模式主要有8种，即（1）逐像元Per pixel，（2）逐矢量Per feature，（3）逐影像Per image，（4）逐影像瓦片Per image tile，（5）逐瓦片Per tile，（6）上下文相关Context-dependent，（7）流Streaming，（8）离散/聚集Scatter/gather（Tamiminia等，2020）。

除了Google公司的GEE，其他遥感云计算平台也发展起来，例如美国航空航天局NASA（National Aeronautics and Space Administration）的NEX（NASA Earth Exchange）（Nemani等，2010）、笛卡尔实验室Descartes Labs、Amazon Web Services（AWS）、数据立方体Data Cube、CODE-DE（Copernicus Data and Exploitation Platform-DE）以及中国的地球大数据挖掘分析系统EarthDataMiner和PIE-Engine等（表2）。同时，越来越多的商业公司，包括阿里云、腾讯云、商汤科技的SenseEarth平台也相继投入到遥感云计算平台的建设中来。

从可用数据，API和计算平台几个方面，对其他遥感云计算平台进行归纳，可得知：

（1）可用数据。大部分的遥感云计算平台上的可用数据为公开免费获取的中低分辨率卫星遥感数据（如Landsat，Sentinel，MODIS等），高程数据，土地利用数据，和模型模拟结果数据，如NEX降尺度气候模拟数据集，NCEP（National Centers for Environmental Prediction）CFSR（Climate Forecast System Reanalysis ）数据等（表1）。除卫星遥感之外，地球大数据挖掘分析系统EarthDataMiner还提供多学科数据，例如，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等。笛卡尔实验室Descartes Labs除了公开免费数据，还提供商业数据，例如SPOT（Satellite Pour l’Observation de la Terre）卫星数据，船舶轨迹数据AIS（Automatic Identification System）等

（2）API。表1中几种遥感云计算平台提供的API接口中，Python API接口最多，有6个。NEX提供MATLAB，IDL接口，PIE Engine提供JavaScript API接口。

（3）计算平台类型。几种遥感云计算平台都部署在云端，例如NEX部署在NASA Ames研究中心的先进超算部门，笛卡尔实验室Descartes Labs部署在Google云平台，AWS部署在亚马逊云，CODE-DE部署在法兰克福数据中心，地球大数据挖掘分析系统EarthDataMiner部署在地球大数据科学工程云平台，PIE Engine部署在华为云和亚马逊云。

除了上述遥感云计算平台，基于商汤SenseRemote智能遥感解译算法的SenseEarth（https：//rs.sensetime.com/［2020-10-09］），阿里达摩院的泛自然资源行业人工智能引擎Analytical Insight of Earth（AI EARTH）（https：//cn.aliyun.com/［2020-10-09］），以及腾讯联合多家科技公司推出“WeEarth超级地球”（https：//cloud.tencent.com/［2020-10-09］）也在空间数据处理方面有较快的进展，已经应用于违建监管、路网规划等城市管理领域，生态管理等自然资源领域，保险、期货等商业领域。

目前遥感云计算平台的局限性体现在存储和计算资源有限性，部分数据类型格式不兼容，对不同投影的转换和支持不够，难以实现像元间计算，不支持移动端，地图出版模块欠缺。

（1）存储和计算资源的有限性：以GEE为例，一般用户的存储空间（Assets）只有250 G，另外，GEE在海量栅格数据处理速度上较为便捷，但在海量矢量数据（例如Orbcomm卫星在2018年每天的全球AIS数据量达到千万条数据记录）处理速度上，优势并不明显。

（2）部分数据类型格式不兼容：以GEE为例，目前支持的数据格式有矢量的shp格式，文本的csv格式，以及栅格geotiff格式，TFRecord格式。而对于科学研究中常用的HDF（Hierarchical Data Format）格式，LiDAR（Light Detection and Ranging）点云数据格式等并不支持，这限制了遥感云计算平台的应用领域。

（3）对不同投影格式支持不够：目前遥感云计算平台仅支持类似WGS84的投影，而对于其他投影并不支持。若试验区在北极或者南极，在WGS84坐标系下，遥感数据的像元在北极或者南极会被放大拉伸，同时，有可能丢失可能发现的空间相关信息。

（4）难以实现像元间计算：目前很多遥感计算分析模型都用到了像元间的分析模型，例如用到了滑动窗口的时空融合模型STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）（Gao等，2006），这些遥感模型目前比较难在遥感云计算平台（除了NEX）上面实现。

（5）不支持移动端的应用：目前遥感云计算平台并没有完全支持手机，平板移动端，而移动端的支持，意味着用户可以随时用手机，平板查看，记录和分析当前位置的云端遥感数据，矢量数据。和实地验证信息进行结合，可以迅速获得在室内无法取得的信息。

（6）排版制图模块不够完善：对于科研用户来说，高质量的结果分析图，对于科研成果共享，发表非常重要。以GEE为例，目前结果只能在地图上显示，并不能完成标准制图工作，包含指北针，图例和比例尺等以及常用图片（格式pdf，eps或者tif）的输出。

在认识目前遥感云计算平台局限性的基础上，中国遥感云计算平台在发展过程中需要考虑以下几点：

（1）整合多源数据资源，特别是国产遥感数据。目前中国已有资源系列、高分系列、风云系列、海洋系列、环境与灾害监测系列等遥感卫星数据，将包括国产遥感数据在内的中国自主数据整合入遥感云计算平台数据集，将是中国自主遥感云计算平台的独特优势，在国内相关的地学应用中将发挥重要作用。

（2）保证遥感数据质量和可靠性。数据是遥感云计算平台的基础，高质量和可靠的数据，如标准化、带质量控制信息的国产遥感数据产品（例如地表反射率），会让更多的用户参与和使用中国数据，有助于提升中国遥感产业，发展国际影响力。

（3）推动数据驱动的新地学研究范式。在遥感大数据时代背景下，基于共享、开放的遥感云计算平台，和海量遥感数据，进行多因子相关性分析，对地学事件和地学要素时空关联进行更深入的理解，有利于推动新的地学知识发现。