Remote Sensing 专刊“谷歌地球引擎：基于云的地球观测数据和分析平台"

remote sensing 专刊“谷歌地球引擎：基于云的地球观测数据和分析平台”

Remote Sensing- Special Issue

特别专刊“Google Earth Engine: 基于云的地球观测数据和分析平台”

截止日期

此特别专刊属于《Remote Sensing》（ISSN 2072-4292）。

投稿截止日期：2021年8月1日。

特别专刊编辑

Koreen Millard博士 网站 SciProfiles

特约编辑

卡尔顿大学地理与环境研究系，加拿大渥太华，1125 Colonel By Drive, Ontario K1S 5B6，兴趣：SAR；LiDAR；湿地；机器学习；随机森林

Alexandre R. Bevington先生 网站 SciProfiles

特约编辑

不列颠哥伦比亚省森林、土地、自然资源运作与农村发展部研究水文学家，加拿大不列颠哥伦比亚省乔治王子市，499 George St., V2M 2H3，兴趣：遥感；冰雪圈；水文学；环境；山区；寒冷地区；变化检测；数据科学

特别专刊信息

亲爱的同仁们，

全球地球观测数据的不断增长使得我们能够在全球范围内和长期时间尺度上评估环境和社会问题。然而，在如此大的空间和时间范围内，传统的遥感工作流程——包括本地下载、处理和分析数据——对个人科学家和机构来说变得具有挑战性，因为这需要从TB到PB的存储空间，以及在服务器或基于云的存储和处理系统方面的专业知识。

Google Earth Engine (GEE) 提供了对MODIS、Landsat 1-5,7,和8，以及Sentinel-1,2,3,和5数据档案的免费程序化访问，并持续更新，同时还提供了许多其他图像和辅助数据集（如土地使用数据、气候和土壤数据），通过Javascript或Python API访问这些平台只需要一个浏览器和互联网连接，这使得新一代分析人员能够在无需昂贵的基础设施和软件的情况下访问地球观测数据。Google提供了免费的在线培训和示例代码，方便用户轻松访问GEE提供的基本数据和算法，GEE用户社区也在线发布了数千个代码和工作流程示例，允许用户采用多种不同的处理和分析技术。最近，通过Google CoLabs访问TensorFlow的增加，使GEE地球观测数据档案的用户能够接触到高级的数据科学和机器学习技术。这不仅为遥感科学界提供了新的工具，还让数据科学家能够使用熟悉的工具和平台进行地球观测数据分析。

对于此特别专刊，我们征集在GEE的任一API中实现的新算法、方法或应用的贡献。我们特别鼓励介绍新分析技术的研究，解决大规模和/或长时间序列分析的挑战，以及分享代码或应用示例的研究。虽然此特别专刊的主要焦点将是使用GEE的技术进步，但欢迎使用GEE功能或工具的特定地点的案例研究，以推动对环境和社会问题的科学理解。

Koreen Millard博士 Alexandre R. Bevington先生 特约编辑

投稿信息

投稿应在www.mdpi.com上在线提交，通过注册并登录此网站。一旦注册，请点击此处进入提交表格。投稿可以在截止日期前提交。所有论文将经过同行评审。接受的论文将在期刊中连续发布（一旦接受），并将在特别专刊网站上列出。欢迎研究文章、评论文章以及简讯。对于计划中的论文，可以将标题和简短摘要（约100字）发送到编辑办公室，以在本网站上公告。

提交的稿件之前不应已被发表，也不应正在其他地方（除了会议论文集）考虑发表。所有稿件将通过单盲同行评审过程进行彻底审查。作者指南和其他相关投稿信息可在作者指南页面上找到。《Remote Sensing》是由MDPI出版的国际同行评审开放获取半月刊期刊。

在提交稿件前，请访问作者指南页面。本开放获取期刊的文章处理费（APC）为2400瑞士法郎。提交的论文应格式良好，并使用良好的英语。作者可以在出版前或作者修订期间使用MDPI的英语编辑服务。

关键词

1 谷歌地球引擎

2 环境变化

3 云计算

4 大数据

5 数据民主化

6 机器学习

已发布论文（6篇）

Zhang, Zhaoming; Wei, Mingyue; Pu, Dongchuan; He, Guojin; Wang, Guizhou; Long, Tengfei. 2021. "使用随机森林算法评估谷歌地球引擎生成的年度合成图像用于城市区域映射" Remote Sens. 13, no. 4: 748. https://www.php.cn/link/3bf3dc7172bfe2666db8b4798fe7c193

Praticò, Salvatore; Solano, Francesco; Di Fazio, Salvatore; Modica, Giuseppe. 2021. "基于季节性Sentinel-2时间序列和输入图像组合优化的谷歌地球引擎上的地中海森林栖息地机器学习分类" Remote Sens. 13, no. 4: 586. https://www.php.cn/link/80c1413fbbd611c47f878251d67a6ac6

Bai, Bingxin; Tan, Yumin; Donchyts, Gennadii; Haag, Arjen; Weerts, Albrecht. 2020. "基于线性回归系数补偿的简单时空数据融合方法" Remote Sens. 12, no. 23: 3900. https://www.php.cn/link/bd8e6f05d9555af5d945c647a70995f1

Amani, Meisam; Kakooei, Mohammad; Moghimi, Armin; Ghorbanian, Arsalan; Ranjgar, Babak; Mahdavi, Sahel; Davidson, Andrew; Fisette, Thierry; Rollin, Patrick; Brisco, Brian; Mohammadzadeh, Ali. 2020. "加拿大作物映射的谷歌地球引擎云计算平台、Sentinel图像和神经网络的应用" Remote Sens. 12, no. 21: 3561. https://www.php.cn/link/c0af9dab3e9f53706aea922873c7d2b4

Ji, Hanyu; Li, Xing; Wei, Xinchun; Liu, Wei; Zhang, Lianpeng; Wang, Lijuan. 2020. "使用多源遥感数据集和谷歌地球引擎平台映射10米分辨率的农村定居点" Remote Sens. 12, no. 17: 2832. https://www.php.cn/link/9d8cc04d36560d8bb56054f8f9354138

Seydi, Seyd T.; Akhoondzadeh, Mehdi; Amani, Meisam; Mahdavi, Sahel. 2021. "使用Sentinel-2图像和MODIS土地覆盖产品在谷歌地球引擎云平台上评估澳大利亚野火损害" Remote Sens. 13, no. 2: 220. https://www.php.cn/link/d7f2ad3f771764a196184290da520760

往期回顾

32篇深度学习与遥感论文推荐

GEE深度学习

GEE学习资料汇总与分享

面向科研人员的免费遥感数据集

GEE - 综述第二篇

近期发布的地理空间数据共享资源汇总

论文+软件推送 | OS-CA模型：模拟不同政策情景下的城市开放空间（OS）及其步行可达性的动态变化

论文+软件推送 | 使用一种新的“斑块生成土地利用模拟模型”（PLUS）来挖掘和理解可持续土地利用扩张的驱动因素

以上就是Remote Sensing 专刊“谷歌地球引擎：基于云的地球观测数据和分析平台"的详细内容，更多请关注php中文网其它相关文章！