GEE平台森林动态监测：云端丈量全球森林变化

摘要： Google Earth Engine（GEE）是谷歌推出的行星尺度地理空间分析云平台，整合了40余年超过50种卫星的PB级遥感数据，并提供强大的云计算能力。本文介绍GEE的核心架构、数据目录及其在森林动态监测中的应用，涵盖毁林检测、森林干扰分析、碳汇变化评估等典型案例，为林业研究者和管理者提供技术参考。

一、引言：为什么需要云端森林监测？

传统的森林监测面临三大瓶颈：

1. 数据获取难：单次下载TB级卫星数据耗时长、硬盘压力大
2. 计算资源缺：处理大面积时序影像需要高性能计算集群
3. 时效性差：从数据下载到处理出结果往往滞后数月

Google Earth Engine的出现彻底改变了这一局面。它将PB级卫星数据与谷歌云基础设施整合，用户无需下载任何数据，即可在浏览器中完成全球尺度的森林动态分析。

二、GEE平台核心架构

2.1 三驾马车：数据 + 算法 + 算力

┌─────────────────────────────────────────────────────────────┐
│                    Google Earth Engine                      │
├─────────────────┬─────────────────┬─────────────────────────┤
│   PB级数据目录   │   JavaScript/   │    谷歌云基础设施        │
│  50+卫星 40年+  │   Python API     │  数千台服务器并行计算     │
└─────────────────┴─────────────────┴─────────────────────────┘

数据目录（Data Catalog）： – Landsat（全系列，1972年至今） – Sentinel-1/2（欧洲哨兵） – MODIS（每日全球） – GEDI（星载激光雷达） – 地形、气象、社会经济数据

2.2 核心数据结构

GEE以两大核心对象处理地理数据：

// 示例：加载某区域10年Landsat影像集合
var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
  .filterDate('2013-01-01', '2023-12-31')
  .filterBounds(studyArea);

三、森林动态监测核心方法

3.1 森林覆盖变化检测

方法一：像素二分法

利用归一化植被指数（NDVI）阈值法区分森林与非森林：

$$FVC = \frac{NDVI – NDVI_{soil}}{NDVI_{veg} – NDVI_{soil}}$$

当FVC > 30%时判定为森林。

方法二：决策树分类

结合多个光谱指数和纹理特征，通过决策树划分森林/非森林/其他地类。

3.2 森林干扰检测（Forest Disturbance）

Global Forest Watch采用的方法：

// 计算年度NDVI趋势，检测突然下降（干扰事件）
var yearlyNDVI = landsat.filterDate(startDate, endDate)
  .median()
  .normalizedDifference(['B5', 'B4']);

// 计算与前一年的NDVI差值
var loss = previousYearNDVI.subtract(currentYearNDVI);
var disturbance = loss.gt(threshold);

典型干扰类型与光谱响应：

3.3 森林生物量动态监测

结合GEDI星载激光雷达数据与GEE云计算，可估算区域森林生物量变化：

GEDI L4A足迹级AGBD → 空间插值 → 区域生物量地图 → 年际变化分析

四、典型应用案例

4.1 全球毁林实时监测

Global Forest Watch（GFW） 是基于GEE构建的标志性应用：

• 覆盖范围：全球
• 更新频率：每月
• 检测精度：约85%（热带地区）
• 网址：https://www.globalforestwatch.org

核心指标： – 年际森林覆盖变化面积 – 热带原始森林损失 – 森林干扰警报（近期30天内）

4.2 亚马逊流域森林监测

利用Sentinel-1雷达和Landsat光学数据，构建亚马逊流域森林覆盖动态监测系统：

// 提取某年份森林覆盖
var forestMask = vegetationIndex.gt(0.6);
var forestArea = forestMask.multiply(ee.Image.pixelArea())
  .reduceRegion(ee.Reducer.sum(), geometry, 30);

主要发现： – 2019-2022年巴西亚马逊毁林率下降约50% – 但2023年有所反弹

4.3 中国森林覆盖变化分析

利用GEE分析中国1980年至今的森林覆盖变化：

五、GEE森林监测实战代码

5.1 计算区域森林覆盖度时间序列

// 1. 定义研究区
var region = ee.Geometry.Rectangle([110, 30, 120, 45]);

// 2. 加载Landsat时间序列
var landsat = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
  .filterBounds(region)
  .filterDate('2013-01-01', '2023-12-31');

// 3. 计算年度NDVI中位数
var years = ee.List.sequence(2013, 2023);
var ndviTimeSeries = ee.ImageCollection.fromImages(
  years.map(function(year) {
    var start = ee.Date.fromYMD(year, 1, 1);
    var end = ee.Date.fromYMD(year, 12, 31);
    var annual = landsat.filterDate(start, end)
      .median()
      .normalizedDifference(['B5', 'B4']);
    return annual.set('year', year);
  })
);

// 4. 绑定年份并制图
print(ui.Chart.image.series(ndviTimeSeries, region, ee.Reducer.mean(), 30));

5.2 检测森林干扰事件

// 比较两年NDVI差异
var before = ndvi2019;
var after = ndvi2021;
var loss = before.subtract(after);

// 设定阈值：NDVI下降超过0.15
var deforestation = loss.gt(0.15);

// 统计损失面积
var stats = deforestation.multiply(ee.Image.pixelArea())
  .reduceRegion(ee.Reducer.sum(), region, 30);
print('森林损失面积 (ha):', ee.Number(stats.get('B5')).divide(10000));

六、技术优势与局限性

6.1 核心优势

6.2 现存局限

七、未来发展趋势

1. 高分辨率时代：结合Planet（3m每日）、Maxar亚米级数据

2. AI深度融合：大模型自动识别森林类型、干扰类型

3. 实时预警系统：结合流计算实现小时级森林火灾/毁林警报

4. 碳汇精准核算：融合地面调查、GEDI、SAR多源数据，提高生物量估算精度

结语

Google Earth Engine正在革新森林动态监测的方式——从“不可能”到“瞬间完成”。对于林业研究者而言，掌握GEE意味着拥有了分析全球任意区域森林变化的能力。

但技术只是工具，真正核心的还是对森林生态学的深刻理解。希望本文能为你的研究提供一块垫脚石。

配图说明：本文建议配图： – GEE界面截图（可在gee.com/earth-engine获取） – 森林干扰检测结果示意图 – NDVI时间序列变化折线图 – 全球森林变化热力图（来源：Global Forest Watch）