Google Earth Engine在土地覆被遙感信息提取中的研究進展

牟曉莉,李賀,黃翀,劉慶生,劉高煥

(1.中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室,北京 100101；2.中國地質大學(北京)地球科學與資源學院，北京 100083)

0 引言

土地覆被是地表各地物類型及其自然屬性和特征的綜合體[1]。準確的土地覆被信息是自然資源評價的重要手段，也是土地管理和環境監測等多學科應用的基礎。遙感具有覆蓋范圍廣、觀測速度快、周期性重訪和信息量豐富等優勢，是目前土地覆被信息提取的重要手段。

隨著衛星技術的迅速發展，對地觀測衛星數量快速增加，衛星遙感數據量急劇膨脹，遙感數據已具備明顯的大數據特征：遙感數據的空間分辨率不斷提高，由過去的百米、千米級分辨率逐步提高到現在的亞米級[2]；衛星重訪周期不斷縮短，從過去幾十天一次提高到現在的幾天、甚至一天內多次重訪的程度。隨著遙感數據分辨率的提高，人們按照特定的準則，將一定時間間隔內記錄的大量影像組合起來，有效利用多時相影像和無縫隙填充技術，增強數據的可用性，使其更加精確地表征目標地物的物候信息，量化跨季節和生長季節的變化特征，提高土地覆被遙感信息提取的精度[3]。這需要面臨海量數據存儲、高性能處理與分析、跨多平臺分發的巨大挑戰。

為應對這一挑戰，谷歌地球引擎(Google Earth Engine，GEE)遙感大數據處理與分析云平臺應運而生，它包括了多源遙感數據的歸檔、管理、查詢、可視化、下載、預處理和數據轉換，并利用接口編程構建數據模型和后處理[4]。GEE提供了豐富和及時的多源遙感數據庫，可以訪問高度并行化的多種算法。云計算能力使得能夠在云平臺中將PB級的遙感圖像數據與其他矢量數據相結合，并且無須在辦公室計算機上存儲、處理和分析，為大區域多時相土地覆被遙感制圖提供了嶄新的方向。

2013年，GEE開始應用于地球科學領域，Hensen等[5]利用2000—2012年Landsat數據集共計654 178景，采用決策樹方法，在GEE平臺對全球森林范圍和動態變化進行識別與監測。目前，利用GEE平臺已開展了大量科學研究，涵蓋全球森林變化[5]、全球土地覆被圖[6]、農作物種植提取[7]、建筑用地提取[8]、種植園擴張[9]、地表水體變化[10]、全球土壤制圖[11]、災害評估[12]、全球過火面積制圖[13]等多個方面。同時，GEE還被直接或間接用于某些定量研究，如林地凋零物和土壤碳含量的空間模擬[14]、全球生物量評估[15]、全球蒸散和總初級生產量估算[16]等。

目前，GEE的應用領域越來越廣，尤其在土地覆被信息提取中的應用最為突出，但至今尚缺少對此研究領域的系統梳理。因此，為便于相關學者能夠更加全面了解和利用GEE為研究目的，本文首先簡單介紹了GEE平臺結構和優勢；然后，對2011—2019年間各學科GEE應用相關文獻系統梳理，重點介紹了GEE在土地覆被的應用進展，討論了GEE的應用優勢和研究趨勢；最后，剖析了GEE在土地覆被制圖應用中存在的問題，并對GEE的未來趨勢進行展望。

1 GEE介紹

1.1 總體框架

2011年GEE云處理平臺出現，它是由Google云計算驅動的一個提供全球尺度地理空間信息數據及數據處理服務的平臺，包括Borg集群管理系統、Bigtable和Spanner分布式數據庫、Colossus以及用于執行并行管理的Flume Java框架4個部分(圖1)。GEE將原始影像分割成圖塊，利用金字塔的方式存儲，快速高效地調用數據，分塊處理并行計算，節省時間避免冗余計算。在大數據時代背景下，GEE利用云端優勢進行數據查詢獲取、處理分發與計算分析，性能穩定，而且還可以快速、并行地處理海量數據資源，不受時間與地域限制[17]。2013年，GEE開始應用于各項科學研究，憑借其強大的數據存儲、處理和共享功能，逐漸得到廣泛應用[18]。Google將海量數據存入服務器中，GEE具有免費使用海量服務器的運算能力。由Google云端基礎框架支持,GEE的運算能力可對海量全球范圍的地球科學數據進行在線可視化計算分析處理。具體來講,GEE云平臺不僅將海量的遙感影像數據集和地理空間數據集整合起來,而且具備強大的全球尺度運算處理能力,這使得科學家、研究者以及開發人員更為方便地進行識別、監測以及量化地表變化與差異[18]。

圖1 Google Earth Engine系統架構圖Fig.1 System architecture diagram of Google Earth Engine

GEE可以輕松免費訪問海量地理空間數據集和計算平臺，具備不需要大量專業背景知識就可以高性能處理、運算海量數據的優勢。僅需可以登錄Google的普通計算機，用戶便可上傳和下載數據集，也可與他人共享自己開發的算法腳本。一旦在GEE上開發了算法，無需是程序開發、Web編程或者HTML的專家，普通用戶便可在代碼編輯界面(如圖2)自行編寫代碼生成系統數據產品或運行GEE資源支持的交互式應用程序。這種共享功能便于非正式科研機構、科研愛好者或者不發達地區的研究人員利用GEE，不需要高性能的電腦，也可以學習和借用已上傳的算法和數據集展開相關研究。

圖2 Google Earth Engine 代碼編輯界面Fig.2 Code editor of Google Earth Engine

1.2 數據集

GEE是一個存儲和分發PB級數據集的云處理平臺。自2008年Landsat添加到Google開始，不斷有新的數據集成進來，特別是隨著Sentinel系列和MODIS系列等數據集的加入，極大地豐富和擴展了Google云端數據資源及其應用領域。除了覆蓋近40 a的全球衛星影像資源外，GEE云端包括了大量的矢量、社會、人口統計、數字高程模型以及天氣和氣候數據等各個學科的科學數據集，還包含如歸一化植被指數(normalized difference vegetation index，NDVI)時間序列數據集、美國地質調查局(United States Geological Survey,USGS)大區域土地覆被數據集等產品成果。

GEE的公共數據目包含PB級的地理空間數據集，這些數據集每天不斷更新免費提供給用戶。相同傳感器的所有衛星影像以集合的形式存儲，快速過濾和排序功能便于進行數據檢索和分析，用戶可以快速獲取數據。大部分數據已預處理，用戶直接從GEE云平臺中下載數據，減少了數據預處理時間，如Bascietto等[19]直接下載預處理后MODIS 地表溫度(land surface temperature,LST)產品和由反射率數據計算得到的MODIS 增強型植被指數(enhanced vegetation index,EVI)時間序列數據研究連續多年春末霜凍對植被生長的影響。同時，用戶也可以在GEE上對海量數據進行快速初步計算分析，Araujo等[20]通過在GEE上計算水體指數用來建立疾病空間模型，很大程度上減少了工作量。

GEE不僅可以查詢使用Google云端的數據集，還允許用戶申請共享成果數據集，使用瀏覽器或命令行的工具通過REST接口上傳自己的私有數據，如Sazib等[21]將全球土壤濕度數據和個人開發工具在GEE共享，GEE用戶可以直接調用進行干旱評估。

2 GEE在土地覆被中的應用

本文查閱了知網和Web of Science上涉及“GEE”的相關文獻資源，統計了各文獻發表期刊、發表時間、研究區、第一作者所屬機構(如果作者提供多個地址以第一個地址為準)的國家、研究內容及其數據源，以探討GEE的研究應用發展與潛力。文獻的發表時間為2011—2019年，共291篇，其中中文文獻22篇，發表最多的期刊是RemoteSensing，其次為RemoteSensingofEnvironment。

近90%的研究使用了遙感數據集，如表1，目前應用最廣泛的遙感影像集是USGS和國家航空航天局(National Aeronautics and Space Adminisstrration,NASA)的Landsat系列數據，其次為歐空局的Sentinel系列和NASA陸地過程分布式數據檔案中心(The Land Processes Distributed Active Archive Center,LP DAAC/NASA)的MODIS系列。初期研究僅以光學數據為主，隨著Sentinel-1的問世，開始出現合成孔徑雷達(synthetic aperture Radar,SAR)數據以及光學數據與雷達數據結合使用。隨著研究的深入，研究不再局限于GEE提供的數據，開始上傳更高分辨率數據和數據集，并在GEE中進行后續分析。

表1 Google Earth Engine常用數據集Tab.1 Common datasets in Google Earth Engine

對比其他云平臺，開放的衛星數據以及機器學習技術和圖像處理技術使得GEE成為最受歡迎的云計算平臺，同時也使得GEE在遙感信息提取方面更具優勢。如圖3所示，2011—2019年，GEE已廣泛應用于遙感科學研究的各個領域。2011和2012年沒有相關文獻，自2013出現相關文獻，2017年開始文獻數量迅速增加。98%的研究基于像素的方法，2%的研究基于面向對象的方法。隨機森林憑借魯棒性強、易于訓練和對訓練數據不太敏感的優勢成為最常用的分類算法，而人工神經網絡是最少使用的分類算法。

圖3 Google Earth Engine 發展歷程時間軸Fig.3 Timeline of Google Earth Engine

GEE已被廣泛應用于土地覆被遙感信息提取研究，本文查閱相關文獻233篇，主要涉及農業遙感制圖、植被識別與監測、建設用地提取、水文信息提取和土地覆被分類制圖等幾個方面。

2.1 農業遙感制圖

準確的作物面積和動態變化對大尺度農業遙感監測和可持續農業土地管理具有重要意義。2015年，Lemoine等[22]提出了可以利用GEE及其共享遙感數據對全球的作物面積和狀態進行監測的設想。水稻占全球耕地面積的12%，是世界最主要的農作物之一。特別是在亞洲的東北部分，水稻種植迅速發展，Dong等[23]利用2014年3 290幅Landsat8影像，采用改進的基于物候和像素的水稻制圖(phenology and pixel-based paddy rice mapping，PPPM)算法，在GEE云平臺繪制了東北亞地區的水稻分布圖，整個過程全部在GEE中完成，精度驗證的生產者和用戶精度分別達到73%和92%，表明GEE可以在大區域作物管理方面發揮功效。

Lobell等[24]以美國中西部的玉米和大豆田為研究區，在GEE平臺對2008—2013年所有Landsat TM/ETM+數據進行快速預處理、云掩模和計算葉綠素植被指數(green chlorophyll vegetation index，GCVI)，利用農業生產系統模擬器作物模型訓練農作物產量和GCVI的回歸關系，提出一個估計作物產量而不需要地面校準數據的可擴展的衛星作物產量制圖新方法，這對大尺度農業監測和可持續農業土地管理具有重要意義；Aneece等[25]以美國7個農業生態區為研究區，利用2008—2015年99幅EO-1 Hyperion高光譜影像，采用線性判別分析和支持向量機方法，根據30個最優光譜波段來對作物類型和生長階段進行了分類，研究推動了基于Hyperion數據的全球農作物高光譜成像光譜庫的建立，對于全球農作物分類和生長階段識別具有重要意義。

本文查閱到的迄今為止發表的GEE農業遙感制圖相關文獻52篇，最常用數據源為Landsat，主要研究方向為基于機器學習和物候信息的作物提取和作物類型分類。隨著研究的深入，作物識別向著高分辨率的小農田塊尺度發展。前人通過兩個方面提高制圖精度：①結合Landsat數據和Sentinel-1雷達數據生成10 m分辨率的水稻耕作范圍產品[26]，光學數據和雷達數據相結合，可以顯著提高分類的準確性，尤其是多時相分析，SAR數據可以提供整個生長季節的影像，并消除雨季的云層覆蓋；②利用高分辨率影像(Sentinel-2或WorldView數據)提取小農灌溉農田[27-28]。為了提高作物產量估算的準確性，人們通過改善作物模型來提高產量估算的精度[29]。而農作物生長階段分類的應用仍有待繼續研究。

2.2 植被識別與監測

植被是生態環境變化的重要指標，其中植被類型識別和分布是植被研究的基礎。緬甸許多地方為了追求一定的經濟效益大量砍伐天然林，種植橡膠、棕櫚等經濟作物，Poortinga等[30]融合海量Landsat8，Sentinel-1和Sentinel-2影像，減少了單一數據源的限制，在GEE平臺上精確提取了人工林面積。研究對整個緬甸地區人工林變化進行監測，也為天然林砍伐率較高地區的土地覆被分類提供了新的思路。有時地形和影像可用性也會增加植被分類的難度，如中國的梵凈山國家自然保護區，地形陡峭，受云雨影響嚴重。Tsai等[31]利用多個季節性的Landsat時間序列數據和輔助的高程數據，有效減少了云和地形問題的影響，利用調優技術獲得的最優分類器參數進行機器學習分類，在GEE中得到保護區內植被類型分布圖。

植物物候是植物應對節候的周期性變化，一定程度可以反映植物的生長狀況和生產力，也是利用時間序列識別植物的重要依據。Workie等[32]以塞爾比亞所有生態區為研究對象，利用MODIS NDVI產品、MODIS地表溫度數據以及2002—2015年14 a間的降水數據，在GEE云平臺中為每個生態區生成各數據的時間序列產品，傅里葉平滑噪聲，使用多元回歸分析降水量和溫度與NDVI的關系，利用NDVI的年際變化構建的植物物候，得到了氣候變化對生態區內植被物候的影響。紅樹林是最具生物生產力的生態系統之一，對保護海岸線具有重要意義。Shrestha等[33]利用MODIS、Landsat和Sentinel-1數據對印度第二大紅樹林生態系統——Bhitarkanika野生動物保護區進行大區域多時相監測，采用葉綠素、葉面積指數和總初級生產力3個參數對紅樹林健康進行評估，得出該區域紅樹林呈現衰退趨勢，為保護和恢復紅樹林生態系統提供依據。

本文查閱到的迄今為止已發表的GEE植被(除農作物外)識別與監測相關文獻61篇，目前研究主要集中于人工林(橡膠、棕櫚和果園等)和紅樹林的識別提取以及植被的動態監測。前人通過植被動態監測的研究不僅可以獲取植被的縮減與擴張面積[34]、災害后植被的恢復情況[35]和監測物種入侵情況[36]，還可以結合時間序列獲取的物候信息確定林木的種植年限[37]和植被對氣候變化的反應[32]。同時，Cao等[38]利用GEE和Landsat影像研究美國林地的凋零物和土壤碳儲量，是未來GEE植被監測的一個研究方向。

2.3 建筑用地提取及城市化

城市化是目前全世界的趨勢，城市化的程度可以反映該地區的發展速度和程度，將光學影像和夜間燈光DMSP-OLS數據相結合提取建筑用地逐漸成為熱點。Goldblatt等[39]以印度、墨西哥和美國為研究區，利用Landsat和DMSP-OLS數據，通過將研究區劃分為統一的六邊形格網來減少如土地組成、土壤、植被等非均勻分布的參數影響，計算了Landsat各波段中值和6個光譜參數作為隨機森林分類器參數，利用Otsu算法確定區分DMSP-OLS數據建筑用地和非建筑用地的閾值，在GEE平臺刻畫出研究區的城市界限，在植被覆蓋地區效果較好，這對利用GEE平臺高精度提取城市用地具有重要意義。Liu等[40]利用1990—2010年所有可用的Landsat數據，提出了基于歸一化城市用地復合指數(normalized urban areas composite index，NUACI)，在GEE平臺得到了以5 a為間隔的全球多時相城市土地圖，研究實現了利用GEE平臺進行全球尺度的全球城市用地動態監測。

城市化使得建筑表面代替了地表植被，減少了蒸發冷卻，改變了地表能量收支，城市蓄熱增加，城市與周圍非城市區域出現地表溫度差，即地表城市熱島(surface urban heat island，SUHI)。Parastatidis等[41]通過GEE 直接訪問龐大衛星圖像目錄及其行星尺度分析功能，開發了不需要任何預處理或安裝軟件的Web應用程序,采用SC算法處理Landsat的熱紅外觀測值，估算出從1984年至今的全球地表溫度產品；Chakraborty等[42]以全球9 500個城市為研究區，利用MODIS數據，采用SUE算法，在GEE中表征了全球的SUHI強度，并估計每個氣候區的日、月、季SUHI模式，探討各因素對SUHI的影響，并發現地表植被對SUHI季節性變化具有較強的控制作用。

氣候引擎(climate engine，CE)是一個GEE提供支持的第三方Web應用程序，能夠處理、可視化、下載和共享多個實時的全球和區域性的氣候和遙感數據集及產品。Ravanelli等[43]選取美國6個大都市(亞特蘭大、波斯頓、芝加哥、休斯頓、菲尼克斯和舊金山)為研究區，利用從1992—2011年間采集的6 000多景Landsat圖像，在GEE平臺結合CE工具提取地表溫度，對SUHI變化以及SUHI與地表覆蓋之間關系進行了長期而大區域的時空研究，也驗證了全球SUHI變化監測的可行性。

本文查閱到的迄今為止已發表的GEE建筑用地提取及城市化相關文獻32篇，目前主要研究內容是建筑用地的提取和變化監測，在2018年出現城市生態系統相關研究。Huang等[44]在GEE中基于Landsat數據生成了中國262個城市的土地覆被圖，將城市綠地景觀結構和城市形態指標分別作為響應變量和預測變量，利用改進的回歸樹分析方法來確定城市形態對綠地景觀結構的影響。為了確定城市景觀為居民帶來的健康效益，Huang等[45]又在GEE中使用10 823幅Landsat圖像和隨機森林分類器，繪制了全球28個特大城市的地表覆蓋圖，通過城市綠地可用性和可達性兩個指標評估了2005—2015年城市綠地健康效益的規模和時空變化情況。

2.4 水文信息提取

伴隨工業化和現代化，水資源面臨著嚴重的短缺和污染的危險，水資源的遙感提取和監測對于水資源的保護和合理利用具有重要意義。Busker等[46]以全球137個湖泊和水庫容量為研究對象，利用Joint Research Centre的全球地表水分布數據集和衛星測高數據庫(Database for Hydrological Time Series over Inland Waters，DAHITI)，應用GEE云平臺動態監測了1984—2015年間水庫和湖泊容量變化。

高山冰湖水是世界上重要的淡水資源，Zhang等[47]在GEE中建立Landsat的時間序列，利用修正后的歸一化水體指數高效地提取了潛在的高山冰湖區域，再利用非局部活動輪廓繪制單個湖泊輪廓，對于整個亞洲高山區的冰湖進行提取。河流冰的融化是安大略北部每年洪水的主要原因，因此對冰融化的監測和預計可以提高洪水的預警系統精度。Beaton等[48]利用MODIS數據，基于閾值技術最大化影像覆蓋和去云處理，在GEE平臺自動提取了2000—2017年的冰破裂時間，并生成了冰破裂時間的數據集，將這些數據集的統計數據量為參考處理近實時的影像數據，對了解和監測研究區冰破裂過程具有重要意義。

高山積雪是世界上重要的天然水庫，風蝕和雪崩會重新改變積雪的布局，確定積雪分布對合理開發和利用高山雪資源具有重要意義。Wayand等[49]利用Landsat8和Sentinel-2遙感影像，計算了一種新的積雪指數，在GEE中得到了全球積雪分布圖。根據冬季無雪地區計算的積雪缺失指數確定風蝕或雪崩的源頭地區，根據夏季積雪地區的積雪持久性指數確定積雪在風蝕和雪崩的分布情況，提出了評估全球高山地區受風和重力作用影響的雪重分布模型。而且作者將研究成果共享在GEE云平臺，方便其他學者進行相關研究。

水蒸發是水循環的一個重要環節,水庫蒸發量過大會影響飲用水和灌溉的供應,大大減少水庫儲水的作用。Zhang等[50]對得克薩斯州200個水庫進行了研究，利用Landsat影像，在GEE平臺上大空間和時間尺度地估算了水庫32 a間水面蒸發量，研究對維持水庫周圍生態平衡和保障河口漁業生產具有重要意義。

迄今為止，已發表GEE水文信息提取相關文獻42篇，主要研究方向為地表水(河流、水庫和湖等)提取，同時，河流徑流量估算[51]、河流有色溶解有機質和可溶性有機碳反演[52]、水質反演[53]和水深測量[46]是未來的一個研究方向。雖然GEE災害管理相關研究較少，但通過對于河流冰和流量監測進行洪水管理是GEE水文信息提取一個新的研究方向[49]。

2.5 土地覆被分類制圖

分析土地覆被類型及其動態監測是土地管理的重要方法，也是環境監測的重要方法。北京作為政治文化中心，隨著經濟快速發展，土地覆蓋類型發生了明顯變化。Huang等[54]利用30 a的Landsat 5，7，8影像數據，利用NDVI的軌跡表征北京市土地覆蓋變化，在GEE云計算平臺得到了2015年北京土地覆被分類圖，得出30 a間北京土地覆被動態變化及其空間格局。伴隨衛星和圖像處理水平的不斷進步，對高精度的區域/全球覆蓋需求不斷迫切；宮鵬等[6]依據“有限全球樣本穩定地表覆蓋分類”理論，指出了全球訓練樣本遷移到其他年份或不同傳感器獲取的遙感數據對最少樣本數量和誤差限度的要求。按照這一理論，將2015年的30 m分辨率的訓練樣本轉移至2017年10 m分辨率的Sentinel影像中得到10 m分辨率的全球土地覆被圖FROM-GLC10(如圖4所示)。迄今為止，已發表GEE土地覆被分類制圖相關文獻39篇，研究內容是土地覆被和土地覆被變化。目前研究常用數據源仍是Landsat影像，隨著影像獲取技術和處理技術的進步，分類產品也向著更加精細的時間和空間分辨率的全球尺度發展。

圖4 10 m空間分辨率的全球土地覆被產品(FROM-GLC10)Fig.4 Global land cover products(FROM-GLC10)with 10 m spatial resolution

3 總結與展望

GEE自出現以來，憑借海量數據集，強大的計算能力和方便快捷的交互方式、便捷的數據共享與發布等優勢逐漸成為地球系統科學研究的重要工具。GEE的本質是一個面向時空數據分析的在線集成開發環境?；贕oogle基礎設施，GEE存儲了PB級的衛星遙感影像以及其他的科學數據集，提供了簡單易用的應用程序接口來處理、計算、分析及可視化數據。用戶通過瀏覽器打開GEE的在線代碼編輯器，調用GEE的應用程序接口來編寫模型，模型的代碼會發送到GEE的后端數據中心，使用GEE的云計算能力來完成數據處理。

GEE擴展了處理和分析海量數據的潛力，基本解決了大數據海量性、高速性、多樣性和易變性帶來的挑戰。一方面，95%以上的GEE相關研究使用了多時相數據提高了數據的可用性，通過強大的機器學習算法提高了數據挖掘的潛力；另一方面，GEE作為存儲、共享和處理地理大數據的云平臺，提供了具有不同空間、光譜和時間分辨率的即用型產品和遙感圖像，符合遙感大數據處理的外在要求。

3.1 存在的問題

GEE豐富的數據源和強大的計算能力有效解決了全球規模海量數據源的下載、存儲和處理難題，為大區域乃至全球尺度多時相遙感制圖提供新的思路，但依然存在有待解決的問題：

1)雖然GEE主要面向廣大科研人員或科研愛好者，而不是程序員，但仍需要一定的編程能力和專業知識才使用。與傳統的地理信息系統軟件不同，GEE通常不保存處理過程的中間文件。在GEE中，用戶從數據獲取、處理、分析到最后的結果輸出要有完整思路，而且最終輸出結果的準確性未知，所以使用GEE進行科學研究需要具有對研究問題的詳細了解和充足的知識儲備。

2)雖然GEE具有海量的數據資源，但與矢量數據相比，GEE更適合于處理柵格數據。目前GEE相關研究的數據源90%以上為光學數據，主要以Landsat數據為主，土地覆被產品空間和時間分辨率比較粗糙，而且GEE中不包含高分系列數據和帶有L波段的SAR數據。

(3)目前對GEE的使用仍需進一步開發，只能用現成的算法，用戶個人優化困難，比如GEE不包括Landsat7的條帶修復處理工具，同時在GEE中影像和分類結果拼接過程中容易受到影像邊緣噪聲的影響使得計算分析得到成果存在誤差。GEE中現有的面向對象的圖像分析和聚類方法的算法數量有限，目前極少研究基于面向對象的分類方法。

3.2 展望

綜上所述，雖然GEE土地覆被遙感信息提取相關研究已取得巨大進展，但在精確監測、算法優化和定量反演方面存在困境，需要進行更深入研究。對于GEE土地覆被遙感信息提取研究，本文設想了以下5個發展趨勢：

1)GEE極大程度地減少了數據源下載和預處理的時間，具備滿足海量數據大區域、多時相應用所需要的強大處理能力，GEE中快速生成的時間序列圖像既可以增加影像數據的可用性，也可以基于物候特征對農作物等具有一定周期特征的目標進行提取和分類，目前廣泛應用于多個方面，取得多項研究成果。但目前對GEE的使用正處于開發階段，擴展模塊較少，如果像python那樣可以直接調用某些數據包，可以更方便地處理一些問題。

2)對于文獻所屬國家進行統計發現，主要集中于美國、中國、加拿大和澳大利亞等經濟、科技比較發達的國家和區域，這可能是由于受到知識水平和數據共享網絡的限制。憑借強大計算和便捷共享能力，GEE將在經濟不發達地區得以推廣利用。

3)伴隨著GEE的不斷發展，土地覆被研究精度更加精確。GEE中存儲了完整的、不斷更新的預處理Sentinel系列數據，使得全球尺度的高時間分辨率土地覆被產品得以高效開發。同時研究也不僅僅局限于GEE本身的數據庫與函數庫，而是與第三方應用相結合，如評估土地利用變化的Collect Earth，使GEE的應用更加全面、精確和實時。

4)雖然深度學習分類器在GEE中并未得到直接支持，但正在進行的整合深度學習技術和研究，也可以促進輕松訪問其他可擴展的基礎框架，如Google Compute Engine和BigQuery[55]。

5)隨著數據源的進步與豐富，GEE土地覆被提取信息更加深入和全面。土地覆被研究方向更加廣泛，土地覆被的分類類別更加精細，并伴隨著更加深入的定量研究。