Rgee: R语言连接Google Earth Engine的捷径

项目介绍

Rgee 是一个为 R 语言开发者设计的包，它使得通过 R 脚本调用 Google Earth Engine (GEE) API 成为可能。这个强大的工具桥接了 R 的统计和空间分析能力与 GEE 巨大的地球观测数据集及云计算处理能力。GEE 提供PB级的卫星图像数据，并支持在谷歌的基础设施上进行地理空间分析，以往这仅对Python和JavaScript开发者开放。Rgee 的出现填补了这一空白，让R语言社区也能享受这一资源。

项目快速启动

安装 Rgee

首先，确保您的环境准备就绪。您将需要安装 rgee 以及相关的依赖，包括 numpy, earthengine-api 和配置 GCloud SDK。在 R 中可以直接通过以下命令从CRAN安装最新稳定版：

install.packages("rgee")

或者获取最新的开发版本，可以使用 remotes 包：

if (!requireNamespace("remotes", quietly = TRUE))
    install.packages("remotes")
remotes::install_github("r-spatial/rgee")

初始化设置涉及环境变量和认证过程，例如：

Sys.setenv("RETICULATE_PYTHON" = "/path/to/your/python3")
Sys.setenv("EARTHENGINE_GCLOUD" = "/path/to/your/gcloud/sdk/bin/")
ee.Authenticate()
ee_Initialize()

请注意，这些步骤可能需要根据个人环境进行调整。

第一个示例

接下来，利用Rgee进行简单的数据访问。比如，获取一个地形数据集并查看其波段名称：

library(rgee)
ee_Initialize()
db <- 'CGIAR/SRTM90_V4'
image <- ee$Image(db)
print(image$bandNames()$getInfo())

应用案例和最佳实践

夜间灯光趋势分析

演示如何分析夜间灯光的时间序列变化，展示城市化的足迹：

1. 创建时间带函数，将图像采集日期转换成年份距1991年的差值：

   createTimeBand <- function(img) {
     year <- img$getImageDate()$get("year")$subtract(1991L)
     return(ee$Image(year)$byte()$addBands(img))
   }
   

2. 应用到夜间灯光数据并计算趋势：

   collection <- ee$ImageCollection("NOAA/DMSP-OLS/NIGHTTIME_LIGHTS") %>%
               select("stable_lights") %>%
               map(createTimeBand)
   

3. 可视化结果： 使用 Map.addLayer 函数在Google Earth Engine的地图界面显示处理后的数据。

典型生态项目

Rgee因其无缝整合R生态与GEE的能力而广泛应用于多个领域，如气候变化监测、自然资源管理、城市规划等。一个具体的应用实例可能涉及到结合遥感数据与本地GIS数据（如Shapefiles），来进行土地覆盖变化分析或水资源监测。例如，提取特定区域长期的气候参数变化，用于农业决策支持系统，或者分析森林覆盖动态，都是Rgee能够出色完成的任务。

示例：TerraClimate数据提取

下面的例子展示了如何使用Rgee提取TerraClimate的月降水量数据：

library(tidyverse)
library(rgee)
library(sf)

ee_Initialize()

# 加载区域地图数据
nc <- st_read(system.file("shape/nc.shp", package="sf"), quiet=TRUE)

# 获取并处理TerraClimate降水量数据
terraclimate <- ee$ImageCollection("IDAHO_EPSCOR/TERRACLIMATE") %>%
                filterDate("2001-01-01", "2001-12-31") %>%
                map(function(x) x$select("pr")) %>%
                toBands() %>%
                rename(paste0("PP_", 1:12))

# 提取数据
ee_nc_rain <- ee_extract(x = terraclimate, y = nc["NAME"], sf = FALSE)

# 数据处理与可视化
ee_nc_rain %>%
  pivot_longer(-NAME, names_to = "Month", values_to = "Rainfall") %>%
  ggplot(aes(x = Month, y = Rainfall, group = NAME, color = NAME)) +
  geom_line(alpha = 0.7) +
  labs(title = "2001年度北卡罗来纳州每月平均降雨量", x = "月份", y = "毫米")

通过这种方式，Rgee不仅简化了高级地球观测数据分析的入口点，还扩大了R在环境科学、地理信息系统等领域的应用范围。