آشنایی با گوگل ارث انجین؛ راهنمای علمی و کامل استفاده از Google Earth Engine

در سال های اخیر حجم داده های سنجش از دور به اندازه ای افزایش یافته که روش های سنتی پردازش تصاویر ماهواره ای دیگر همیشه پاسخ گوی نیازهای پژوهشی و عملیاتی نیستند. امروزه ماهواره هایی مانند Landsat و Sentinel به صورت پیوسته داده تولید می کنند و برای یک منطقه نسبتاً کوچک نیز ممکن است صدها یا هزاران تصویر در بازه های زمانی مختلف در دسترس باشد. اگر هدف، تحلیل تغییرات یک پدیده در مقیاس یک کشور یا حتی کل کره زمین باشد، مسئله بسیار پیچیده تر می شود.

در چنین شرایطی، مسئله فقط «داشتن تصویر ماهواره ای» نیست؛ بلکه ذخیره سازی، مدیریت، پیش پردازش، حذف ابر و سایه، ترکیب تصاویر، محاسبه شاخص ها، تحلیل سری زمانی و در نهایت استخراج محصول نهایی نیز به منابع محاسباتی قابل توجهی نیاز دارد.

Google Earth Engine یا به اختصار GEE با همین مسئله شکل گرفته است. محیط Earth Engine صرفاً برای نمایش تصاویر ماهواره ای نیست؛ بلکه یک پلتفرم ابری برای ذخیره، مدیریت و تحلیل داده های مکانی در مقیاس بسیار بزرگ است که در کنار زیرساخت پردازشی خود، یک کاتالوگ عظیم از داده های جغرافیایی را نیز در اختیار کاربران قرار می دهد. گوگل آن را به عنوان ترکیبی از کاتالوگ داده، زیرساخت محاسباتی، APIهای مکانی و محیط ساخت برنامه های تعاملی معرفی می کند.

اهمیت Earth Engine در این است که پژوهشگر لازم نیست برای هر پروژه ابتدا حجم زیادی از تصاویر را روی کامپیوتر شخصی خود دانلود و ذخیره کند و سپس همه پردازش ها را به صورت محلی انجام دهد. در بسیاری از پروژه ها می توان داده موردنظر را از کاتالوگ Earth Engine انتخاب کرد، محدوده و بازه زمانی را مشخص نمود، الگوریتم را تعریف کرد و پردازش را روی زیرساخت ابری انجام داد.

به همین دلیل، آشنایی با گوگل ارث انجین برای دانشجویان و پژوهشگران حوزه هایی مانند سنجش از دور، GIS، ژئوماتیک، منابع طبیعی، کشاورزی، آب، محیط زیست، اقلیم و حتی مدیریت شهری اهمیت زیادی پیدا کرده است.

گوگل ارث انجین چیست؟

Google Earth Engine یک پلتفرم پردازش و تحلیل ابری داده های جغرافیایی است که برای تحلیل داده های زمین در مقیاس بزرگ طراحی شده است.

اگر بخواهیم این مفهوم را ساده تر بیان کنیم، Earth Engine سه بخش اصلی را در کنار یکدیگر قرار می دهد:

داده + قدرت پردازش + محیط برنامه نویسی

از یک طرف، مجموعه بزرگی از داده های ماهواره ای، اقلیمی، ارتفاعی، کاربری اراضی و سایر داده های مکانی در اختیار کاربر قرار دارد. از طرف دیگر، زیرساخت محاسباتی ارث انجین امکان اجرای عملیات روی حجم بزرگی از این داده ها را فراهم می کند. در نهایت نیز کاربر می تواند با استفاده از JavaScript، Python یا REST API الگوریتم موردنظر خود را تعریف کند.

بنابراین بهتر است Earth Engine را با Google Earth اشتباه نگیریم. گوگل ارث بیشتر یک ابزار مشاهده و اکتشاف جغرافیایی است، در حالی که Google Earth Engine یک محیط تخصصی برای پردازش و تحلیل داده های مکانی و سنجش از دور محسوب می شود.

برای مثال، فرض کنید بخواهیم تغییرات پوشش گیاهی استان فارس را طی ۲۰ سال بررسی کنیم. در یک روش سنتی باید تصاویر ماهواره ای مناسب را پیدا کنیم، دانلود کنیم، سیستم مختصات و ساختار داده ها را بررسی کنیم، ابرها را حذف کنیم، تصاویر را به محدوده موردنظر برش دهیم و سپس شاخص هایی مانند NDVI را محاسبه کنیم.

در Earth Engine بسیاری از این مراحل را می توان در قالب یک اسکریپت تعریف کرد و اجرای محاسبات را به زیرساخت Earth Engine سپرد.

چرا Earth Engine در سنجش از دور اهمیت دارد؟

یکی از مهم ترین مشکلات سنجش از دور مدرن، مقیاس داده است.

فرض کنید فقط برای یک منطقه، تصاویر Sentinel-2 را در یک بازه پنج ساله بررسی می کنید. با توجه به تکرار برداشت ماهواره، تعداد تصاویر می تواند بسیار زیاد باشد. اگر بخواهید همین تحلیل را برای چند استان، کل کشور یا چند کشور انجام دهید، حجم داده و عملیات پردازشی به سرعت افزایش پیدا می کند.

در روش سنتی، این افزایش مقیاس معمولاً به معنی نیاز به فضای ذخیره سازی بیشتر، RAM و CPU قوی تر و زمان پردازش طولانی تر است. Earth Engine تلاش می کند این مشکل را با انتقال بخش عمده عملیات به زیرساخت ابری حل کند. در واقع شما بیشتر روی تعریف مسئله و الگوریتم تمرکز می کنید و زیرساخت لازم برای اجرای محاسبات در سمت سرویس مدیریت می شود. مقاله معرفی Earth Engine نیز این پلتفرم را به عنوان محیطی برای تحلیل مکانی در مقیاس سیاره ای معرفی می کند که کاتالوگ داده و توان محاسباتی بزرگ را در یک محیط یکپارچه قرار داده است.

این موضوع خصوصاً برای تحلیل های سری زمانی اهمیت دارد؛ زیرا در چنین تحلیل هایی معمولاً یک تصویر منفرد کافی نیست و باید تعداد زیادی تصویر مربوط به تاریخ های مختلف بررسی شود.

تاریخچه و جایگاه علمی گوگل ارث انجین

Earth Engine در ابتدا با هدف فراهم کردن امکان تحلیل حجم بسیار بزرگی از داده های زمین توسعه پیدا کرد و به تدریج به یکی از ابزارهای مهم پژوهشی در سنجش از دور و علوم زمین تبدیل شد.

یکی از مقالات کلیدی در معرفی علمی این پلتفرم، مقاله Google Earth Engine: Planetary-scale geospatial analysis for everyone است که توسط Gorelick و همکاران در سال ۲۰۱۷ در مجله Remote Sensing of Environment منتشر شد. این مقاله Earth Engine را به عنوان یک پلتفرم ابری برای تحلیل داده های مکانی در مقیاس بسیار بزرگ معرفی می کند.

در این مقاله به کاربردهایی مانند پایش جنگل زدایی، خشکسالی، بلایای طبیعی، امنیت غذایی، مدیریت آب، پایش اقلیم و حفاظت از محیط زیست اشاره شده است.

از آن زمان، ارث انجین از یک محیط تخصصی برای پژوهشگران سنجش از دور به یک اکوسیستم بسیار گسترده تر تبدیل شده است که علاوه بر تحلیل تصاویر، امکان توسعه برنامه های تعاملی، استفاده از Python، اتصال از طریق REST API و مدیریت داده های شخصی را نیز فراهم می کند.

Earth Engine چگونه کار می کند؟

برای درک صحیح Earth Engine باید تفاوت آن با یک نرم افزار معمولی GIS یا پردازش تصویر را بدانیم.

در نرم افزارهای سنتی مانند بسیاری از ابزارهای Desktop GIS، داده معمولاً روی سیستم کاربر قرار دارد. شما یک Raster را از روی هارد دیسک باز می کنید و سپس عملیات هایی مانند Clip، Reproject، Raster Calculator یا Zonal Statistics را روی همان داده اجرا می کنید. در Earth Engine، بخش مهمی از داده ها در زیرساخت سرویس قرار دارند و کدی که شما می نویسید در واقع مشخص می کند چه عملیاتی باید روی چه داده ای انجام شود.

کتابخانه های JavaScript و Python Earth Engine دستورات شما را به درخواست هایی برای سرورهای Earth Engine تبدیل می کنند. بنابراین کدی که در محیط کاربر نوشته می شود الزاماً به این معنا نیست که تمام داده موردنظر ابتدا به کامپیوتر شما منتقل شده است.

این معماری باعث می شود یک اسکریپت نسبتاً کوتاه بتواند روی تعداد بسیار زیادی تصویر عملیات انجام دهد.

معماری ابری Earth Engine

فرض کنید می خواهید میانگین NDVI یک منطقه را در فاصله سال های ۲۰۱۵ تا ۲۰۲۵ محاسبه کنید.

در یک فرآیند سنتی ممکن است ابتدا تمام تصاویر را دانلود کنید، سپس آن ها را پردازش و در نهایت میانگین گیری کنید. اما در Earth Engine می توانید یک ImageCollection را انتخاب کنید، آن را از نظر زمانی و مکانی فیلتر کنید، عملیات لازم را روی تصاویر اعمال کنید و سپس نتیجه را محاسبه یا Export کنید.

در اینجا Earth Engine مسئول اجرای محاسبات در زیرساخت خود است.

البته این به معنی آن نیست که «همه چیز» در Earth Engine کاملاً خودکار است یا اینکه دیگر نیازی به طراحی الگوریتم ندارید. برعکس، کیفیت نتیجه همچنان به انتخاب داده مناسب، روش پیش پردازش، مقیاس تحلیل، ماسک ابر، الگوریتم و پارامترهای علمی شما وابسته است.

مفهوم Server-side و Client-side در Earth Engine چیست؟

یکی از مهم ترین مفاهیمی که هر کاربر جدید Earth Engine باید یاد بگیرد، تفاوت بین Client-side و Server-side است. در JavaScript معمولی، وقتی می نویسیم:

var x = 10;

مقدار 10 در سمت کاربر وجود دارد و JavaScript می تواند مستقیماً با آن کار کند.

اما وقتی می نویسیم:

var image = ee.Image(‘LANDSAT/…’);

متغیر image در واقع یک شیء Earth Engine است که به یک داده موجود در زیرساخت Earth Engine اشاره می کند.

این تفاوت در بسیاری از خطاهای رایج کاربران مبتدی نقش دارد.

برای مثال، نمی توان انتظار داشت یک شیء ee.Image دقیقاً مانند یک متغیر معمولی JavaScript رفتار کند. بسیاری از عملیات ارث انجین در واقع برای ساخته شدن یک درخواست محاسباتی به سرور استفاده می شوند. به همین دلیل، در Earth Engine باید از ابتدا ذهنیت خود را از «پردازش فایل روی کامپیوتر» به «تعریف یک محاسبه روی داده های ابری» تغییر دهیم.

Deferred Execution یا اجرای تأخیری در ارث انجین چیست؟

یکی دیگر از مفاهیم مهم Earth Engine، Deferred Execution است.

وقتی می نویسید:

var image = ee.Image(…);

var ndvi = image.normalizedDifference([‘NIR’, ‘RED’]);

Earth Engine  لزوماً در همان لحظه تمام محاسبات مربوط به NDVI را روی کل تصویر اجرا نمی کند. در بسیاری از موارد، شما ابتدا زنجیره ای از عملیات را تعریف می کنید و Earth Engine بعداً، هنگامی که خروجی واقعاً موردنیاز است، محاسبات لازم را برنامه ریزی و اجرا می کند.

این معماری یکی از دلایلی است که Earth Engine می تواند عملیات پیچیده را در مقیاس بزرگ مدیریت کند.

برای مثال، وقتی چندین فیلتر و عملیات روی یک ImageCollection تعریف می کنید، در واقع در حال ساختن یک جریان پردازشی هستید. زمانی که نتیجه را روی نقشه نمایش می دهید، نمودار تولید می کنید یا یک Export ایجاد می کنید، Earth Engine باید آن محاسبه را اجرا کند.

این موضوع همچنین توضیح می دهد که چرا بعضی دستورات Earth Engine مانند getInfo() باید با احتیاط استفاده شوند؛ زیرا می توانند نتیجه ای را از سرور درخواست کنند و در صورت بزرگ بودن محاسبه، زمان بر باشند.

کاتالوگ داده در Google Earth Engine چیست؟

یکی از مهم ترین نقاط قوت Earth Engine، Data Catalog آن است. Earth Engine فقط یک محیط برنامه نویسی نیست. بخش بزرگی از ارزش آن از این واقعیت ناشی می شود که مجموعه بزرگی از داده های سنجش از دور، اقلیمی و جغرافیایی از قبل در زیرساخت آن قرار گرفته اند.

در نتیجه، کاربر در بسیاری از پروژه ها مجبور نیست برای شروع کار تمام داده ها را به صورت دستی از منابع مختلف پیدا و دانلود کند. کاتالوگ Earth Engine شامل مجموعه گسترده ای از داده های عمومی و رایگان در مقیاس پتابایت است.

این داده ها شامل تصاویر ماهواره ای، محصولات اقلیمی، داده های ارتفاعی، پوشش زمین، داده های اقیانوسی و مجموعه های مختلف علوم زمین هستند.

Landsat در Earth Engine

داده های خانواده Landsat یکی از مهم ترین منابع برای تحلیل های تاریخی سطح زمین هستند. مزیت Landsat این است که یک سابقه طولانی از مشاهدات ماهواره ای در اختیار پژوهشگران قرار می دهد و همین موضوع آن را برای تحلیل تغییرات بلندمدت بسیار ارزشمند کرده است.

برای مثال می توان از داده های ماهواره لندست برای بررسی تغییرات پوشش گیاهی، توسعه شهری، تغییرات کشاورزی، تخریب جنگل ها، تغییرات سواحل و بسیاری از پدیده های دیگر استفاده کرد. یکی از ویژگی های مهم Earth Engine این است که این داده ها را می توان مستقیماً در قالب مجموعه های تصویری (ImageCollection) وارد فرآیند تحلیل کرد.

Sentinel-1  و Sentinel-2 در Earth Engine

خانواده Sentinel نیز بخش مهمی از کاربردهای Earth Engine را تشکیل می دهد.Sentinel-2 برای بسیاری از مطالعات پوشش زمین و پوشش گیاهی کاربرد دارد و داده های چندطیفی آن امکان محاسبه شاخص هایی مانند NDVI، NDWI  و شاخص های مختلف پوشش گیاهی را فراهم می کند.

از طرف دیگر، Sentinel-1 یک سامانه راداری است و برخلاف تصاویر اپتیکی، به روشنایی خورشید وابسته نیست. همین ویژگی باعث می شود در بسیاری از مطالعاتی که ابر یا شرایط نوری مشکل ایجاد می کنند، داده های راداری اهمیت زیادی داشته باشند.

ترکیب داده های Sentinel-1 و Sentinel-2 می تواند برای تحلیل هایی مانند کشاورزی، رطوبت سطح، تغییرات پوشش زمین و پایش مناطق مختلف بسیار مفید باشد.

داده های MODIS، اقلیمی، ارتفاعی و پوشش زمین

ارث انجین محدود به تصاویر Landsat و Sentinel نیست. مجموعه های مختلفی از داده های MODIS، محصولات اقلیمی، دما، بارش، تبخیر و تعرق، ارتفاع، پوشش زمین و سایر داده های علوم زمین نیز در محیط Earth Engine قابل استفاده هستند.

این موضوع اهمیت زیادی دارد؛ زیرا در پروژه های واقعی معمولاً فقط یک منبع داده کافی نیست. برای مثال، ممکن است بخواهیم رابطه بین پوشش گیاهی و بارش را بررسی کنیم. در این حالت یک طرف تحلیل به تصاویر ماهواره ای و طرف دیگر به داده های اقلیمی مربوط می شود.

Earth Engine امکان قرار دادن چنین داده هایی در یک جریان پردازشی مشترک را فراهم می کند.

آیا می توان داده های شخصی را وارد Earth Engine کرد؟

با توضیحاتی که تا کنون دادیم ممکن است برای شما سوال شده باشد که آیا می توان از داده های شخصی نیز برای استفاده در این موتور استفاده کرد؟ پاسخ این پرسش، بله است.

GEE علاوه بر داده های عمومی موجود در Data Catalog، امکان ایجاد و استفاده از Assets شخصی را نیز فراهم می کند. داده های Raster و Vector شخصی را می توان به محیط گوگل ارث انجین وارد کرد و سپس در تحلیل ها استفاده نمود.

این قابلیت برای پروژه های دانشگاهی و سازمانی بسیار مهم است.

فرض کنید مرز یک محدوده مطالعاتی، نقاط ایستگاه های زمینی، پلیگون مزارع یا یک Raster طبقه بندی شده را در اختیار دارید. می توانید آن داده را به Asset تبدیل کرده و همراه با تصاویر ماهواره ای عمومی Earth Engine تحلیل کنید.

به این ترتیب، Earth Engine فقط یک آرشیو داده عمومی نیست؛ بلکه می تواند به محیط پردازش داده های اختصاصی شما نیز تبدیل شود.

روش های استفاده از Google Earth Engine چیست؟

Earth Engine را می توان از چند مسیر مختلف استفاده کرد. دو روش اصلی برای اغلب کاربران، JavaScript در Code Editor و Python API هستند. علاوه بر این، REST API نیز برای دسترسی مستقیم تر به سرویس وجود دارد.

Code Editor

Code Editor ساده ترین نقطه شروع برای بسیاری از کاربران جدید است. این محیط کاملاً تحت وب است و بدون نیاز به نصب یک نرم افزار GIS می توان در آن JavaScript نوشت، داده ها را روی نقشه نمایش داد، خروجی ها را بررسی کرد و Taskهای پردازشی و Export را مدیریت نمود.

Code Editor شامل ویرایشگر کد، Map، Console، ابزارهای مدیریت Script، ابزار جستجوی داده و ابزارهای بررسی عملکرد است. به همین دلیل برای یادگیری GEE معمولاً پیشنهاد می شود ابتدا با JavaScript و Code Editor شروع شود.

استفاده از Python در Earth Engine

اگر با Python کار کرده باشید، استفاده از Earth Engine از طریق Python API بسیار جذاب است. کتابخانه Python  به شما اجازه می دهد Earth Engine را در محیط هایی مانند Google Colab، Jupyter Notebook یا محیط Python خود اجرا کنید.

مزیت مهم این روش زمانی مشخص می شود که بخواهید Earth Engine را با سایر کتابخانه های Python ترکیب کنید. برای مثال، می توان از Earth Engine برای پردازش اولیه داده های ماهواره ای استفاده کرد و سپس خروجی را وارد محیط هایی مانند NumPy، pandas، GeoPandas یا سایر ابزارهای تحلیل داده کرد.

این ترکیب برای پروژه های پژوهشی و همچنین ساخت Workflowهای خودکار بسیار کاربردی است.

REST API در گوگل ارث انجین چیست؟

Earth Engine یک REST API نیز ارائه می کند که امکان ارتباط مستقیم با سرویس Earth Engine از طریق درخواست های HTTP را فراهم می کند. این روش بیشتر برای کاربردهای نرم افزاری و توسعه سیستم هایی که باید به Earth Engine متصل شوند اهمیت دارد و برای یک کاربر تازه کار معمولاً نقطه شروع مناسبی نیست. اگر هدف شما فقط تحلیل تصاویر ماهواره ای و یادگیری ارث انجین باشد، JavaScript و Python انتخاب های ساده تر و مناسب تری هستند.

ساختار داده در Earth Engine

برای یادگیری Earth Engine باید چند نوع داده اصلی آن را بشناسیم که مهم ترین آن ها عبارت اند از:

• ee.Image
• ee.ImageCollection
• ee.Feature
• ee.FeatureCollection
• ee.Geometry
• ee.Reducer

اما مهم تر از حفظ کردن این اسامی، درک رابطه بین آن هاست.

ee.Image در گوگل ارث انجین چیست؟

ee.Image نماینده یک تصویر یا Raster در Earth Engine است. برای مثال یک تصویر Landsat یا Sentinel می تواند به صورت یک ee.Image در اختیار شما قرار گیرد.

نکته مهم این است که یک تصویر ماهواره ای معمولاً فقط یک باند ندارد. برای مثال یک تصویر چندطیفی می تواند شامل چندین باند مختلف باشد و هر باند اطلاعات مربوط به بخشی از طیف الکترومغناطیسی را در خود داشته باشد.

در نتیجه، وقتی یک ee.Image را وارد Earth Engine می کنید، در واقع با یک ساختار چندباندی سروکار دارید.

ee.ImageCollection در GEE چیست؟

در بسیاری از پروژه های سنجش از دور، یک تصویر کافی نیست. فرض کنید می خواهیم وضعیت پوشش گیاهی یک منطقه را طی یک سال بررسی کنیم. باید مجموعه ای از تصاویر مربوط به تاریخ های مختلف داشته باشیم.

برای این کار از ee.ImageCollection استفاده می شود. به زبان ساده، ImageCollection مجموعه ای از تصاویر است که می توان آن را بر اساس زمان، مکان، درصد پوشش ابر و سایر ویژگی ها فیلتر کرد.

مثلاً:

var collection = ee.ImageCollection(‘COPERNICUS/S2_SR_HARMONIZED’)

  .filterBounds(region)

  .filterDate(‘2025-01-01’, ‘2025-12-31’);

در این مثال ابتدا مجموعه Sentinel-2 انتخاب شده و سپس فقط تصاویری که با محدوده موردنظر تقاطع دارند و در بازه زمانی مشخص قرار می گیرند، نگه داشته می شوند.

فیلتر کردن داده در همان ابتدای Workflow یکی از مهم ترین اصول کار با Earth Engine است، زیرا نباید بدون دلیل مجموعه ای بسیار بزرگ تر از نیاز واقعی پروژه را وارد پردازش کنیم. مستندات رسمی Earth Engine نیز filterBounds() و filterDate() را از عملیات اساسی برای مدیریت مجموعه های بزرگ معرفی می کند.

ee.Feature و FeatureCollection در Google Earth Engine چیست؟

در بخش Vector، ساختارهای اصلی Earth Engine شامل ee.Feature و ee.FeatureCollection هستند. یک Feature می تواند شامل یک هندسه مانند نقطه، خط یا پلیگون به همراه Attributeهای مربوط به آن باشد.

برای مثال، یک مزرعه می تواند یک Feature باشد که هندسه آن پلیگون مزرعه و Attributeهای آن شامل نام مزرعه، مساحت یا نوع محصول باشد.

اگر چندین Feature داشته باشیم، آن ها می توانند در قالب FeatureCollection قرار گیرند. این ساختار برای تحلیل های GIS بسیار مهم است، زیرا بسیاری از عملیات Earth Engine در نهایت با ارتباط بین Raster و Vector انجام می شوند.

Reducer در Earth Engine چیست؟

Reducer یکی از مفاهیم مهم Earth Engine است. فرض کنید یک Raster داریم و می خواهیم میانگین مقدار پیکسل های آن را در یک محدوده مشخص محاسبه کنیم. در اینجا باید تعداد زیادی مقدار پیکسلی به یک یا چند مقدار آماری تبدیل شوند. عملیات هایی مانند میانگین، مجموع، کمینه، بیشینه و میانه در این دسته قرار می گیرند.

Earth Engine این عملیات را با مفهوم Reducer مدیریت می کند.

برای مثال:

var mean = image.reduceRegion({

  reducer: ee.Reducer.mean(),

  geometry: region,

  scale: 30,

  maxPixels: 1e9

});

این کد به صورت مفهومی می گوید میانگین مقادیر تصویر را در محدوده موردنظر محاسبه کن.

یک مثال ساده؛ محاسبه NDVI در Earth Engine

یکی از بهترین روش ها برای شروع یادگیری  Earth Engine، محاسبه شاخص NDVI است. شاخص NDVI از رابطه زیر به دست می آید:

NDVI=NIR−RedNIR+RedNDVI = \frac{NIR – Red}{NIR + Red}

که در آن NIR بازتاب در محدوده نزدیک به مادون قرمز و Red بازتاب در محدوده قرمز است.

از آنجا که پوشش گیاهی سالم معمولاً در مادون قرمز نزدیک بازتاب نسبتاً زیادی دارد و در محدوده قرمز جذب بیشتری دارد، NDVI می تواند برای بررسی وضعیت پوشش گیاهی مورد استفاده قرار گیرد.

یک مثال ساده در Earth Engine:

var image = ee.Image(‘LANDSAT/LC08/C02/T1_L2/LC08_…’);

var ndvi = image.normalizedDifference([‘SR_B5’, ‘SR_B4’]);

Map.centerObject(image, 8);

Map.addLayer(ndvi, {

  min: -1,

  max: 1,

  palette: [‘blue’, ‘white’, ‘green’]

}, ‘NDVI’);

البته در یک پروژه واقعی باید مواردی مانند Scale factor داده، کیفیت تصویر، ابر و سایه ابر و انتخاب صحیح باندها نیز در نظر گرفته شوند. بنابراین یک کد کوتاه NDVI الزاماً به معنی یک تحلیل علمی کامل نیست.

تحلیل سری زمانی در Google Earth Engine

یکی از مهم ترین قابلیت های Earth Engine، تحلیل Time Series است. در سنجش از دور، بسیاری از مسائل ماهیت زمانی دارند. برای مثال ممکن است بخواهیم بدانیم:

• پوشش گیاهی یک منطقه طی ۱۰ سال چگونه تغییر کرده است؟
• سطح آب یک دریاچه چه روندی داشته است؟
• توسعه شهری چگونه اتفاق افتاده است؟
• چه زمانی یک منطقه دچار خشکسالی شده است؟
• تغییرات کشاورزی در طول فصل رشد چگونه بوده است؟

در چنین پروژه هایی به جای بررسی یک تصویر، باید مجموعه ای از تصاویر در تاریخ های مختلف را تحلیل کنیم.

ارث انجین این فرآیند را با ImageCollection، فیلترهای زمانی، map()، reduce() و ابزارهای Chart بسیار ساده تر می کند.  برای مثال، می توان تصاویر Sentinel-2 یک منطقه را برای یک سال انتخاب کرد، ابرها را حذف کرد، NDVI هر تصویر را محاسبه کرد و سپس میانگین NDVI را برای هر تاریخ استخراج نمود.

نتیجه می تواند یک نمودار زمانی باشد که تغییرات پوشش گیاهی را در طول سال نشان دهد.

حذف ابر از تصاویر ماهواره ای به کمک Google Earth Engine

یکی از مهم ترین مراحل پردازش تصاویر اپتیکی، حذف ابر و سایه ابر است. اگر یک تصویر Sentinel-2 یا Landsat  دارای ابر باشد و بدون پیش پردازش وارد محاسبه NDVI شود، بخشی از مقادیر حاصل ممکن است مربوط به پوشش ابر باشد و نه سطح زمین.

در Earth Engine معمولاً می توان از باندهای QA یا محصولات مربوط به Cloud Mask برای شناسایی پیکسل های نامناسب استفاده کرد.

سپس یک Mask روی تصویر اعمال می شود تا این پیکسل ها از محاسبه کنار گذاشته شوند. مفهوم Mask در Earth Engine بسیار مهم است، زیرا می تواند تعیین کند کدام پیکسل ها در محاسبات حضور داشته باشند و کدام پیکسل ها نادیده گرفته شوند.

مطالعه موردی مهم؛ پایش جهانی جنگل ها

یکی از نمونه های مشهور کاربرد Earth Engine، پروژه پایش تغییرات جهانی جنگل ها است که توسط Matthew Hansen و همکاران انجام شد. در این پروژه پژوهشگران برای تولید نقشه های جهانی تغییرات جنگل، ۱۴۳ میلیارد پیکسل از حدود ۶۵۴ هزار تصویر Landsat را برای بازه ۲۰۰۰ تا ۲۰۱۲ تحلیل کردند.

همکاری تیم دانشگاه مریلند با Google Earth Engine باعث شد فرآیندی که در روش های سنتی می توانست سال ها زمان پردازشی نیاز داشته باشد، در مقیاس ابری در مدت چند روز انجام شود.

نتایج این مطالعه نشان داد که در بازه مورد بررسی حدود ۲.۳ میلیون کیلومتر مربع از جنگل ها از بین رفته و حدود ۸۰۰ هزار کیلومتر مربع رشد مجدد داشته اند. اهمیت این پروژه فقط در اعداد آن نیست. این مطالعه نشان داد که ترکیب تصاویر ماهواره ای در مقیاس جهانی، الگوریتم های سنجش از دور و زیرساخت پردازش ابری می تواند نوع جدیدی از مطالعات محیط زیستی را امکان پذیر کند.

کاربردهای Google Earth Engine چیست

کاربرد Earth Engine به یک حوزه خاص محدود نمی شود.

• در کشاورزی می توان از تصاویر ماهواره ای برای پایش سلامت محصولات، تشخیص تغییرات پوشش گیاهی، بررسی الگوهای کشت، پایش خشکسالی و استخراج شاخص های گیاهی استفاده کرد.
• در مدیریت منابع آب می توان تغییرات سطح آب دریاچه ها و مخازن، تغییرات پوشش گیاهی اطراف رودخانه ها و برخی شاخص های مرتبط با شرایط خشکی و رطوبت را بررسی کرد.
• در جنگل داری و محیط زیست، Earth Engine برای پایش جنگل زدایی، تخریب پوشش گیاهی، آتش سوزی، بازسازی پوشش گیاهی و تغییرات کاربری زمین بسیار کاربردی است.
• در مطالعات شهری می توان توسعه محدوده شهری، تغییرات پوشش زمین، گسترش ساخت وساز و برخی شاخص های مرتبط با محیط شهری را در طول زمان بررسی کرد.
• در مطالعات اقلیمی نیز ترکیب داده های ماهواره ای با داده های دما، بارش، خشکسالی و سایر متغیرهای اقلیمی می تواند برای بررسی روندهای مکانی و زمانی استفاده شود.
• در مدیریت بحران نیز می توان تغییرات قبل و بعد از سیل، آتش سوزی، طوفان یا سایر رخدادها را با استفاده از داده های ماهواره ای بررسی کرد.

به همین دلیل Earth Engine را بهتر است یک «ابزار سنجش از دور» صرف ندانیم؛ بلکه باید آن را یک زیرساخت عمومی برای تحلیل داده های علوم زمین در نظر بگیریم.

Earth Engine  و GIS چه تفاوتی دارند؟

یکی از سؤال های رایج این است که آیا Earth Engine جایگزین ArcGIS یا QGIS است؟

پاسخ کوتاه این است: خیر، حداقل نه به صورت کامل. Earth Engine  و نرم افزارهای Desktop GIS اهداف کاملاً یکسانی ندارند.

ویژگی	Google Earth Engine	ArcGIS / QGIS
پردازش ابری در مقیاس بسیار بزرگ	بسیار مناسب	وابسته به زیرساخت کاربر
تحلیل سری زمانی ماهواره ای	بسیار مناسب	ممکن، اما معمولاً نیازمند داده محلی
کاتالوگ آماده تصاویر ماهواره ای	بسیار گسترده	وابسته به منابع و افزونه ها
ویرایش Vector	محدودتر	بسیار قدرتمند
Cartography حرفه ای	متوسط	بسیار قدرتمند
Geoprocessing سنتی	مناسب	بسیار گسترده
پردازش خودکار تصاویر ماهواره ای	بسیار مناسب	مناسب
توسعه الگوریتم با Python	بله	بله
تحلیل تعاملی در مقیاس جهانی	نقطه قوت اصلی	معمولاً نیازمند Workflow اختصاصی

در عمل، این ابزارها می توانند مکمل یکدیگر باشند. برای مثال ممکن است تحلیل اصلی تصاویر ماهواره ای در Earth Engine انجام شود، خروجی به صورت GeoTIFF یا Vector Export شود و سپس طراحی نقشه نهایی، ویرایش عوارض و تولید Layout در ArcGIS Pro یا QGIS انجام شود.

تفاوت Earth Engine با پردازش سنتی تصاویر ماهواره ای

در روش سنتی، Workflow معمولاً چیزی شبیه این است:

دریافت داده → ذخیره سازی → پیش پردازش → پردازش → تحلیل → خروجی

در Earth Engine بخش بزرگی از این زنجیره در محیط ابری اتفاق می افتد:

انتخاب داده → تعریف الگوریتم → اجرای پردازش ابری → Export نتیجه

این تغییر ساده به نظر می رسد، اما از نظر معماری بسیار مهم است.

در روش سنتی، افزایش حجم داده معمولاً فشار بیشتری به سیستم کاربر وارد می کند. در Earth Engine، هدف این است که کاربر بتواند الگوریتم خود را روی داده های بسیار بزرگ اجرا کند بدون اینکه مجبور باشد تمام داده خام را روی کامپیوتر شخصی خود نگهداری کند.

مقیاس تحلیل در Earth Engine؛ نکته ای که نباید نادیده گرفت

یکی از موضوعات مهم و گاهی گیج کننده در Earth Engine، مفهوم Scale است. فرض کنید تصویر شما دارای وضوح مکانی ۱۰ متر است. این موضوع به تنهایی به این معنی نیست که تمام محاسبات شما الزاماً دقیقاً با ۱۰ متر انجام می شوند.

Earth Engine مقیاس تحلیل را بر اساس نوع درخواست خروجی و پارامترهای تحلیل تعیین می کند و در بسیاری از عملیات ها لازم است scale را به صورت صریح مشخص کنید.

Earth Engine از ساختارهای هرمی چندمقیاسی برای داده های تصویری استفاده می کند و سطح مناسب داده را بر اساس مقیاس درخواست شده انتخاب می کند.

به همین دلیل، در یک تحلیل علمی باید بدانیم:

• داده با چه Resolutionای وارد شده؟
• محاسبه با چه Scaleای انجام شده؟
• خروجی چه Resolutionای دارد؟
• آیا Resampling اتفاق افتاده است؟

نادیده گرفتن این موارد می تواند باعث تفسیر نادرست نتایج شود.

چرا گاهی getInfo() در GEE می تواند مشکل ساز شود؟

یکی از اشتباهات رایج کاربران جدید Earth Engine استفاده بیش از حد از getInfo() است.

Earth Engine برای انجام بسیاری از عملیات ها از مدل محاسباتی سمت سرور استفاده می کند. اما getInfo() از سرور درخواست می کند که نتیجه را به محیط کاربر برگرداند.

اگر نتیجه کوچک باشد، مشکلی ایجاد نمی کند. اما اگر بخواهید اطلاعات بسیار بزرگی را با getInfo() به محیط Python یا JavaScript برگردانید، ممکن است زمان پردازش بالا برود یا Workflow شما ناکارآمد شود.

به همین دلیل بهتر است تا حد امکان عملیات سنگین در سمت Earth Engine باقی بماند و فقط نتیجه موردنیاز به محیط کاربر منتقل شود.

Export  در  Google Earth Engine

Earth Engine قرار نیست جایگزین همیشگی فایل خروجی شما باشد. در بسیاری از پروژه ها هدف نهایی این است که نتیجه تحلیل را به یک فایل تبدیل کنیم.

برای مثال می توان Raster را به صورت GeoTIFF Export کرد یا داده Vector را به شکل مناسب خروجی گرفت.

Earth Engine امکان Export داده به مقصدهایی مانند Google Drive، Google Cloud Storage و Earth Engine Assets را فراهم می کند.

بنابراین یک Workflow واقعی می تواند به این شکل باشد:

پردازش در Earth Engine → تولید محصول نهایی → Export → استفاده در GIS یا سیستم دیگر

Earth Engine  برای چه کسانی مناسب است؟

Earth Engine برای کسی که فقط می خواهد تصاویر ماهواره ای را مشاهده کند، شاید بیش از حد تخصصی باشد اما اگر هدف شما تحلیل سیستماتیک داده های ماهواره ای باشد، ارزش آن بسیار بیشتر می شود.

• برای دانشجوی سنجش از دور، Earth Engine می تواند سرعت انجام پروژه های دانشگاهی را افزایش دهد.
• برای پژوهشگر، امکان تحلیل داده های چندساله و چندمنبعی را فراهم می کند.
• برای متخصص GIS، یک ابزار قدرتمند برای پردازش Raster و تحلیل مکانی در مقیاس بزرگ است.
• برای برنامه نویس، امکان ساخت Workflowهای خودکار و حتی Applicationهای تعاملی فراهم می شود.
• و برای سازمان ها، می تواند بخشی از زیرساخت پردازش داده های مکانی باشد.

آیا یادگیری JavaScript برای Earth Engine لزومی و دشوار است؟

اگر تاکنون برنامه نویسی نکرده باشید، احتمالاً در ابتدای کار کمی چالش برانگیز خواهد بود. اما برای شروع Earth Engine لازم نیست ابتدا JavaScript را در سطح حرفه ای یاد بگیرید. مفاهیمی مانند Variable، Function، Array، Object، شرط ها و ساختارهای پایه برنامه نویسی برای شروع کافی هستند.

بعد از آن باید مفاهیم مخصوص Earth Engine مانند ee.Image، ee.ImageCollection، map()، filter()، reduce()، Reducer و Masking را یاد بگیرید.

نکته مهم این است که Earth Engine فقط «JavaScript برای تصاویر ماهواره ای» نیست. بخش قابل توجهی از یادگیری آن مربوط به درک مدل محاسباتی خود Earth Engine است.

بهترین روش یادگیری Google Earth Engine چیست؟

بهترین مسیر یادگیری این نیست که صدها تابع API را حفظ کنید. ابتدا باید منطق سنجش از دور و GIS را بلد باشید. سپس با ساختار داده Earth Engine آشنا شوید و بعد Workflowهای واقعی را اجرا کنید.

یک مسیر منطقی می تواند با یادگیری Code Editor شروع شود. سپس باید Image و ImageCollection را یاد بگیرید و بعد سراغ Filtering، Mapping، Masking و Reduction بروید.

پس از آن بهتر است چند پروژه واقعی انجام دهید؛ مثلاً محاسبه NDVI، تولید Composite، پایش تغییرات پوشش زمین یا استخراج سری زمانی. بعد از تسلط نسبی، می توان Python API و اتصال Earth Engine به محیط های تحلیلی Python را یاد گرفت. در نهایت نیز می توان سراغ ساخت Earth Engine Apps، Automation و اتصال Earth Engine به سیستم های دیگر رفت.

بهینه سازی کدهای Earth Engine

یکی از تفاوت های بین یک اسکریپت مبتدی و یک Workflow حرفه ای، توجه به Performance است. فرض کنید شما به جای اینکه ابتدا مجموعه ای شامل هزاران تصویر را وارد پردازش کنید و سپس آن را محدود کنید، از همان ابتدا محدوده مکانی و زمانی را مشخص کنید. این کار ساده می تواند حجم محاسبات غیرضروری را به شدت کاهش دهد.

به همین دلیل بهتر است فیلترهای مکانی و زمانی تا حد امکان زود اعمال شوند.

همچنین باید از انتقال داده های بزرگ به سمت Client خودداری کرد و عملیات را تا جای ممکن در سمت سرور نگه داشت. استفاده صحیح از scale، محدود کردن region، انتخاب باندهای موردنیاز، مدیریت Exportها و اجتناب از محاسبات تکراری نیز در پروژه های بزرگ اهمیت زیادی دارد.

Earth Engine برای پروژه های بسیار بزرگ ابزارهای Profiling و روش های مختلف مدیریت پردازش نیز در اختیار کاربر قرار می دهد. Code Editor نیز ابزارهایی برای بررسی عملکرد Workflow دارد.

محدودیت های GEE چیست

با وجود تمام مزایا، Earth Engine یک ابزار جادویی نیست. اولین محدودیت این است که کاربر باید منطق سنجش از دور را بداند. Earth Engine نمی تواند یک الگوریتم علمی اشتباه را به یک نتیجه صحیح تبدیل کند.

دومین مسئله، کیفیت داده است. اگر داده ماهواره ای دارای خطا، ابر، سایه، مشکل هندسی یا محدودیت علمی باشد، پردازش ابری نمی تواند به تنهایی این مشکل را برطرف کند.

سومین موضوع، محدودیت های محاسباتی و Quota است. Earth Engine منابع پردازشی را مدیریت می کند و پروژه های مختلف بسته به نوع استفاده و حساب کاربری محدودیت هایی دارند.

چهارمین مسئله، تفاوت Earth Engine با نرم افزارهای Desktop GIS است. اگر هدف شما ویرایش دقیق عوارض، Cartography پیچیده یا برخی عملیات تخصصی Vector باشد، احتمالاً همچنان به ابزارهایی مانند ArcGIS Pro یا QGIS نیاز خواهید داشت.

همچنین همه الگوریتم های ممکن لزوماً برای معماری Earth Engine مناسب نیستند. مقاله اصلی Earth Engine نیز اشاره می کند که برخی انواع محاسبات، مانند الگوریتم های مبتنی بر recursion، با این معماری تناسب کمتری دارند.

هزینه راه اندازی Google Earth Engine چقدر است؟

یکی از موضوعاتی که درباره Earth Engine زیاد پرسیده می شود، رایگان بودن یا نبودن آن است. پاسخ امروز دیگر به سادگی «کاملاً رایگان» یا «کاملاً پولی» نیست. از ۲۷ آوریل ۲۰۲۶، Earth Engine برای پروژه های غیرتجاری دارای Tierهای مشخصی از سهمیه پردازشی ماهانه شده است.

• Tier موسوم به Community شامل ۱۵۰ ساعت EECU در ماه است،
• Tier موسوم به Contributor شامل ۱۰۰۰ ساعت EECU در ماه است و
• Tier Partner تا ۱۰۰٬۰۰۰ ساعت EECU در ماه را برای پروژه های واجد شرایط فراهم می کند.

رسیدن به این سقف ها لزوماً به معنی متوقف شدن کامل پروژه نیست؛ طبق مستندات رسمی، پس از رسیدن به سهمیه، پروژه می تواند در حالت محدودشده ادامه پیدا کند، اما عملکرد و Throughput کاهش می یابد.

برای استفاده تجاری نیز Google Cloud مدل قیمت گذاری جداگانه ای دارد. در قیمت گذاری فعلی، پلن Basic برابر ۵۰۰ دلار در ماه و Professional برابر ۲۰۰۰ دلار در ماه است و Premium به صورت سفارشی قیمت گذاری می شود. علاوه بر هزینه پلتفرم، هزینه استفاده از منابع پردازشی و ذخیره سازی نیز وجود دارد.

بنابراین اگر قصد استفاده از Earth Engine برای پروژه تجاری دارید، نباید صرفاً به یک عدد ثابت ماهانه توجه کنید؛ نوع Workflow، حجم پردازش، Storage و مدل استفاده نیز در هزینه نهایی مؤثر هستند.

آیا Earth Engine برای پروژه های دانشگاهی مناسب است؟

بله، و یکی از مهم ترین گروه های کاربران آن پژوهشگران و دانشجویان هستند.

تحلیل تصاویر ماهواره ای برای پایان نامه ها معمولاً نیازمند پردازش تعداد زیادی تصویر در بازه های زمانی مختلف است. Earth Engine می تواند بسیاری از مشکلات مربوط به ذخیره سازی و پردازش این داده ها را کاهش دهد.

با این حال، «استفاده دانشگاهی» به معنی بی نیازی از بررسی شرایط فعلی حساب و Tier نیست. سیاست های غیرتجاری Earth Engine در سال ۲۰۲۶ ساختار سهمیه ای مشخصی دارد و باید شرایط پروژه بر اساس مستندات رسمی بررسی شود.

مزایا و نقاط قوتگوگل ارث انجین چیست

مهم ترین مزیت Earth Engine این است که مجموعه ای از قابلیت هایی را که معمولاً باید جداگانه فراهم شوند، در یک محیط واحد جمع کرده است. دسترسی به داده های بزرگ، زیرساخت پردازش ابری، APIهای تخصصی، ابزارهای Visualization، قابلیت Export و امکان توسعه برنامه های تعاملی در کنار یکدیگر قرار گرفته اند.

این ترکیب باعث می شود پژوهشگری که قصد دارد یک تحلیل در مقیاس بزرگ انجام دهد، کمتر درگیر مدیریت زیرساخت شود و بیشتر روی طراحی تحلیل تمرکز کند.

مزیت مهم دیگر، قابلیت تکرارپذیری است. به جای اینکه یک پژوهشگر ده ها فایل Raster را به صورت دستی پردازش کند، می تواند فرآیند را در قالب کد تعریف کند. این کد می تواند دوباره اجرا، اصلاح و توسعه داده شود.

Earth Engine Apps چیست؟

یکی از قابلیت های جالب Earth Engine این است که نتیجه یک تحلیل فقط به یک نقشه ثابت محدود نمی شود. با استفاده از Earth Engine Apps می توان رابط های تعاملی ایجاد کرد تا کاربر بتواند با نقشه، لایه ها، پارامترها و برخی کنترل های تعاملی کار کند.

این قابلیت برای تبدیل یک تحلیل علمی به یک ابزار قابل استفاده توسط کاربران دیگر اهمیت زیادی دارد. Google نیز Earth Engine Apps را به عنوان رابط های کاربری عمومی و تعاملی برای تحلیل های Earth Engine معرفی می کند.

برای مثال، می توان یک برنامه طراحی کرد که کاربر در آن یک محدوده را انتخاب کند، یک بازه زمانی مشخص نماید و سپس شاخص NDVI یا تغییرات پوشش زمین را مشاهده کند. در این حالت Earth Engine از یک ابزار پژوهشی به بخشی از یک سامانه WebGIS یا Web Mapping Application تبدیل می شود.

آیا Earth Engine جایگزین ArcGIS Pro و QGIS می شود؟

خیر. بهتر است به Earth Engine به عنوان یک لایه پردازشی ابری نگاه کنیم، نه جایگزین کامل GIS.

برای مثال، Earth Engine می تواند در بخش پردازش تصاویر ماهواره ای بسیار قدرتمند باشد، اما اگر بخواهید یک نقشه نهایی حرفه ای برای چاپ طراحی کنید، ویرایش دقیق هندسه ها انجام دهید یا Workflow پیچیده ای از ابزارهای Vector را اجرا کنید، ArcGIS Pro یا QGIS ممکن است گزینه مناسب تری باشند.

یک Workflow حرفه ای حتی می تواند ترکیبی باشد:

Earth Engine برای پردازش تصاویر → Export → QGIS/ArcGIS برای تحلیل یا Cartography نهایی

این مدل استفاده در بسیاری از پروژه های واقعی منطقی تر از تلاش برای انجام همه کارها در یک نرم افزار است.

آینده Google Earth Engine و سنجش از دور

رشد ماهواره ها، افزایش نرخ تصویربرداری و گسترش روش های هوش مصنوعی باعث شده حجم داده های سنجش از دور با سرعت زیادی افزایش پیدا کند. در چنین شرایطی، پلتفرم هایی که بتوانند داده، محاسبات ابری و الگوریتم های تحلیلی را در یک محیط یکپارچه ارائه کنند، اهمیت بیشتری پیدا خواهند کرد.

در آینده نیز احتمالاً نقش Earth Engine فقط به محاسبه شاخص هایی مانند NDVI محدود نخواهد بود. ترکیب داده های چندمنبعی، مدل های یادگیری ماشین، تحلیل سری زمانی، پایش خودکار تغییرات و توسعه Applicationهای مکانی از حوزه هایی هستند که می توانند اهمیت بیشتری پیدا کنند.

با این حال، حتی با گسترش هوش مصنوعی، اصل اساسی تغییر نمی کند: کیفیت تحلیل به کیفیت داده و طراحی علمی روش وابسته است.

جمع بندی

گوگل ارث انجین یکی از مهم ترین پلتفرم های مدرن برای تحلیل داده های مکانی و سنجش از دور در مقیاس بزرگ است. ویژگی اصلی آن فقط وجود تصاویر ماهواره ای نیست؛ بلکه ترکیب یک کاتالوگ بزرگ داده با زیرساخت پردازش ابری و APIهای برنامه نویسی است. کاربر می تواند داده را انتخاب کند، آن را از نظر زمانی و مکانی فیلتر کند، عملیات پردازشی را تعریف کند، شاخص های موردنظر را محاسبه کند، تحلیل سری زمانی انجام دهد و در نهایت نتیجه را به صورت داده یا یک برنامه تعاملی ارائه کند.

یادگیری Earth Engine برای کسی که با GIS و سنجش از دور آشناست، می تواند یک گام مهم از پردازش سنتی داده های مکانی به سمت پردازش ابری و مقیاس پذیر باشد. در عین حال، نباید فراموش کرد که Earth Engine جایگزین دانش سنجش از دور، GIS یا آمار نیست. این پلتفرم قدرت محاسباتی و ابزار در اختیار ما قرار می دهد؛ اما انتخاب داده، طراحی الگوریتم، تعیین مقیاس مناسب، کنترل کیفیت و تفسیر علمی نتایج همچنان بر عهده پژوهشگر است.

به بیان ساده، Earth Engine قرار نیست به جای شما فکر کند؛ قرار است کمک کند ایده ای که دارید را روی حجم بسیار بزرگی از داده های زمین اجرا کنید.

منابع معتبر برای مطالعه بیشتر

برای یادگیری Earth Engine بهتر است از مستندات رسمی شروع کنید؛ زیرا API و سیاست های دسترسی و قیمت گذاری ممکن است در طول زمان تغییر کنند.

مستندات رسمی Google Earth Engine

راهنمای شروع کار با Earth Engine

Earth Engine Code Editor  

راهنمای Python API

Earth Engine Data Catalog

قیمت گذاری رسمی Google Earth Engine

قوانین و Tierهای غیرتجاری Earth Engine

مقاله علمی Gorelick et al. درباره Google Earth Engine

مطالعه NASA درباره پایش جهانی جنگل ها با Landsat و Earth Engine