Với một kho dữ liệu viễn thám khổng lồ, Google đã tạo ra một nền tảng với tên gọi Google Earth Engine (hoặc Earth Engine - GEE), cho phép các nhà khoa học và nghiên cứu viên truy cập vào đám mây dữ liệu của tập đoàn, đồng thời ứng dụng các hàm phân tích có sẵn để tạo ra kết quả mong muốn. Điều này giải quyết được một vấn đề cực lớn cho các nhà khoa học, đó là làm thế nào để truy cập dễ dàng kho dữ liệu vệ tinh ngày càng nhiều cũng như cho phép họ dễ dàng tìm kiếm những bộ dữ liệu liên quan. Hệ thống sử dụng công nghệ điện toán mây cho phép đọc nhiều loại định dạng dữ liệu khác nhau, chia sẻ và tích hợp chúng lại. Nhờ đó, GEE không chỉ tạo ra một cơ sở hạ tầng với quy mô Petabyte, mà cả các hàm API, ngôn ngữ lập trình JavaScript và Python, giúp xử lý khá nhiều dữ liệu khác nhau, ngay cả dữ liệu chiếu sáng đô thị về đêm chụp từ vệ tinh.

Chuỗi bản đồ đa thời gian với Climate Engine

Một điểm thú vị đối với các nhà nghiên cứu là khả năng mở rộng ứng dụng với bộ mã lệnh API, giúp họ có thể tùy biến công cụ phục vụ nhiều mục đích khác nhau. Trường hợp với Climate Engine là một ví dụ. Ứng dụng này được viết trên nền Google Earth Engine với giao diện hiển thị chuỗi các lớp dữ liệu đa thời gian như bộ ảnh MODIS và các lớp dữ liệu thời tiết. Hệ thống đã giúp các nhà khoa học dễ dàng tiếp cận thông tin thời tiết, giúp họ tiết kiệm nhiều thời gian và công sức, đồng thời sử dụng được những kết quả mà các lập trình viên trước đó đã xây dựng.

Phân tích với quy mô không gian và thời gian khác nhau với Earth Engine

Sức mạnh của Earth Engine nằm ở khả năng tích hợp nhiều bộ dữ liệu khác nhau ở nhiều tỷ lệ và mốc thời gian khác nhau. Ví dụ, một dự án nghiên cứu đang đối mặt với khó khăn trong đánh giá biến động khu vực đất ngập nước khi sử dụng dữ liệu Landsat có độ phân giải không gian tương đối thấp. Với việc tích hợp cơ sở dữ liệu LiDAR cùng ảnh máy bay, Earth Engine đã giúp đánh giá các thay đổi về hiện trạng đất ngập nước và vùng nước ngập trên bộ dữ liệu có sẵn. Lợi ích mà Earth Engine mang đến không chỉ gói trong khả năng tích hợp, xử lý hàng loạt tập dữ liệu có độ phân giải khác nhau, trong trường hợp này là Sentinel-1, Sentinel-2, và Landsat-8, mà còn tính toán theo chuỗi thời gian nhằm tăng dày mật độ dữ liệu và khả năng nhận dạng các đối tượng dựa trên đặc điểm thay đổi của chúng theo thời gian. Những kết quả đó giúp các nhà khoa học giảm đi nỗi lo và giải quyết sự cố khi ảnh chụp bị mây một cách dễ dàng mà không cần phải tải tất cả các ảnh về như trước kia.

Phát hiện dữ liệu lỗi với Earth Engine

Earth Engine cho phép không chỉ tạo ra những ứng dụng như Climate Engine mà còn giúp xây dựng các thuật toán mới xử lý và ứng dụng dữ liệu một cách hiệu quả hơn. Một trong những ứng dụng đó là phát hiện lỗi dữ liệu phát sinh trong quá trình xử lý trung gian hoặc dữ liệu gốc được dùng trong nhiều nghiên cứu. Việc xây dựng các hàm hạt nhân "score" như Z-score, Turkey's Ouliers (dữ liệu ngoại lai Turkey - ND), hay Geary's C, có thể giúp xác định các lỗi phân tích dữ liệu hoặc chỉ ra các kết quả giám sát không có liên quan đến những gì dữ liệu đang phản ánh. Các nhà phát triển thuật toán đã tích hợp hàm phát hiện lỗi tự động để nhắc nhở những nghiên cứu viên về khả năng gây lỗi tiềm tàng khi dùng các bộ dữ liệu ảnh vệ tinh trong Google Earth Engine.

Google Earth Engine đã giúp hàng ngàn nhà khoa học tiếp cận kho dữ liệu ảnh vệ tinh và xử lý chúng mà không phải sử dụng những phần mềm phức tạp hay chuẩn bị trước hàng đống kiến thức chuyên môn sâu về viễn thám. Tuy nhiều bộ dữ liệu còn ở độ phân giải không gian tương đối thấp, điển hình là MODIS và Landsat, điều này hy vọng sẽ sớm được cải thiện trong tương lai. Khả năng phân tích đa thời gian vẫn là điểm sáng chói của hệ thống. Nó giúp chúng ta hiểu được sự vận động/biến động của các sự vật suốt từ những năm 70 của thế kỷ trước tới nay. Không lâu nữa, chúng ta sẽ còn được thấy nhiều ứng dụng tương tự như Climate Engine được những nhóm các nhà khoa học khác nhau xây dựng và giới thiệu.

Theo GISLounge