Google Earth Engine ในการวิเคราะห์ข้อมูลเชิงพื้นที่: บทวิจารณ์การประยุกต์ใช้และศักยภาพสำหรับงานวิจัยและพัฒนา
คำสำคัญ:
กูเกิลเอิร์ทเอนจิน, ข้อมูลเชิงพื้นที่, ข้อมูลเชิงพื้นที่ขนาดใหญ่, การประมวลผลแบบกลุ่มเมฆ, ภูมิสารสนเทศบทคัดย่อ
บทความวิชาการนี้มีวัตถุประสงค์เพื่อสำรวจศักยภาพและการประยุกต์ใช้แพลตฟอร์มกูเกิล เอิร์ท เอนจิน สำหรับการวิเคราะห์ข้อมูลเชิงพื้นที่ขนาดใหญ่ โดยวิเคราะห์จากความท้าทายที่เกิดขึ้นจากการเพิ่มขึ้นอย่างรวดเร็วของข้อมูลดังกล่าว ซึ่งทำให้วิธีการประมวลผลแบบดั้งเดิมที่ใช้คอมพิวเตอร์ส่วนบุคคลไม่สามารถตอบสนองความต้องการได้อีกต่อไป แพลตฟอร์ม GEE ซึ่งเป็นระบบการประมวลผลแบบกลุ่มเมฆที่พัฒนาโดย Google ได้เข้ามาแก้ไขปัญหานี้ด้วยคุณสมบัติหลักสามประการ คือ การมีคลังข้อมูลเชิงพื้นที่ขนาดใหญ่ที่พร้อมใช้งานทันที การประมวลผลแบบขนานที่ช่วยลดระยะเวลาในการวิเคราะห์ข้อมูลจำนวนมหาศาล และสภาพแวดล้อมการเขียนโค้ดที่มอบความยืดหยุ่นและสามารถทำซ้ำได้
การทบทวนวรรณกรรมและงานวิจัยที่เกี่ยวข้องได้ชี้ให้เห็นถึงบทบาทของ GEE ในการขับเคลื่อนการวิจัยและพัฒนาในหลายสาขา เช่น การติดตามการเปลี่ยนแปลงของสิ่งปกคลุมดิน การจัดการทรัพยากรน้ำ การเกษตรแม่นยำการจัดการภัยพิบัติ และการศึกษาการเปลี่ยนแปลงสภาพภูมิอากาศ แม้ว่า GEE จะเป็นเครื่องมือที่ทรงพลัง แต่ก็ยังมีข้อจำกัดที่ต้องพิจารณา เช่น ความจำเป็นในการเขียนโค้ด การพึ่งพาการเชื่อมต่ออินเทอร์เน็ต และข้อจำกัดด้านความละเอียดของข้อมูลบางประเภท โดยสรุป GEE มีศักยภาพที่จะเป็นเครื่องมือสำคัญในการขับเคลื่อนนวัตกรรมด้านภูมิสารสนเทศ และได้ให้ข้อเสนอแนะสำหรับการพัฒนาในอนาคตเพื่อเพิ่มประสิทธิภาพและลดอุปสรรคในการใช้งานสำหรับนักวิจัยและผู้ใช้งานในวงกว้าง
เอกสารอ้างอิง
Amani, M., Ghorbanian, A., Ahmadi, S.A., Kokooei, M., Moghimi, A. & Mirmazloumi, S.M. (2020). Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data Applications: A Comprehensive Review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5326-5350. Form DOI: 10.1109/JSTARS.2020.3021052.
Brown, C.F., Brumby, S.P., Guzder-Williams, B., Birch, t., Hyde, S.B., Mazzariello, J., Czerwinski, W., Pasquarella, V.J., Haertel, R., Ilyushchenko, S., Schwehr, K., Weisse, M., Stolle, F., Hanson, C., Guinan, O., Moore, R. & Tait, A.M. (2022). Dynamic World, Near real-time global 10 m land use land cover mapping. Sci Data 9, 251. Form DOI: 10.1038/s41597-022-01307-4.
Cambell, J. & Shin, M. (2011). Essentials of Geographic Information Systems. Saylor Foundation.
Chen, C., Wang, L., Yang, G., Sun, W. & Song, Y. (2023). Mapping of Ecological Environment Based on Google Earth Engine Cloud Computing Platform and Landsat Long-Term Data: A Case Study of the Zhoushan Archipelago. Remote Sens. 2023, 15 (16), 4072. Form DOI: 10.3390/rs15164072.
Das, H., Barik, R.K., Dubey, H. & Roy, D.S. (2019). Cloud Computing for Geospatial Big Data Analytics Intelligent Edge, Fog and Mist Computing. Springer.
Dritsas, E. & Trigka, M. (2025). Remote Sensing and Geospatial Analysis in the Big Data Era: A Survey. Remote Sens, 17 (3), 550. Form DOI: 10.3390/rs17030550.
Earth Engine Data Catalog. (2021). ESA WorldCover 10m v200. [Online] Available. Form https://github.com/google/earthengine-api?tab=readme-ov-file. [Accessed August 28, 2025].
Ebadati, B., Alikhani, M., Youssefi, F. & Pirasteh, S. (2024). Rapid Post-Wildfire Burned Vegetation Assessment with Google Earth Engine (Case Study: 2023 Canada Wildfires). The International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, XLVIII-3/W3, 45-53. Form DOI: 10.5194/isprs-archives-XLVIII-3-W3-2024-45-2024.
Gadekar, K., Pande, C.B., Rajesh, J. & Gorantiwar, S.D. (2023). Estimation of Land Surface Temperature and Urban Heat Island by Using Google Earth Engine and Remote Sensing Data. Climate Change Impacts on Natural Resources, Ecosystems and Agricultural Systems, 367-389. Form DOI: 10.1007/978-3-031-19059-9_14.
Ghorbanpour, A.K., Kisekka, I., Afshar, A., Hessels, T., Taraghi, M., Hessari, B., Tourian, M., & Duan, Z. (2022). Crop Water Productivity Mapping and Benchmarking UsingRemote Sensing and Google Earth Engine Cloud Computing. Remote Sens. 14, 4934. Form DOI: 10.3390/rs14194934.
Ghouri, A.Y., Rehman, A., Rasheed, F. & Miandad, M. (2024). Flood Mapping Using the Sentinel-1 SAR Dataset and Application of the Change Detection Approach Technique (CDAT) to the Google Earth Engine in Sindh Province, Pakistan. Ecological Questions, 35 (2). Form DOI: 10.12775/EQ.2024.024.
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D. & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18-27. Form DOI: 10.1016/j.rse.2017.06.031.
Grewal, M.S. (2011). Global navigation satellite systems. WIREs Computational Statistics, 3 (4), 383-384. Form DOI: 10.1002/wics.158.
Handoko, E., Fahriza, A. & Muryono, M. (2024). Integrating Remote Sensing and GIS for Precision Agriculture: Leveraging Google Earth Engine for Enhanced Agricultural Management. IOP Conference Series Earth and Environmental Science, 1418 (1), 012054. Form DOI: 10.1088/1755-1315/1418/1/012054.
Hansen, M.C., Potapov, P., Moore, R. & Hancher, M. (2013). High-Resolution Global Maps of 21st-Century Forest Cover Change. Science, 342 (6160), 850-853. Form DOI: 10.1126/science.1244693.
Hansen, R. Kapoor, A., Singh, R. & B.K. (2024). A state-of-the-art review on the quantitative and qualitative assessment of water resources using google earth engine. Environmental Monitoring and Assessment, 196. Form DOI: 10.1007/s10661-024-13315-5.
Jia, P., Cheng, X., Xue, H. & Wang, Y. (2017). Applications of geographic information systems (GIS) data and methods in obesity-related research. Obesity Reviews, 18 (4), 400-411. Form DOI: 10.1111/obr.12495.
Liu, D.,Chan, N., Zhang, X., Wang, C. & Du, W. (2020). Annual large-scale urban land mapping based on Landsat time series in Google Earth Engine and OpenStreetMap data: A case study in the middle Yangtze River basin. ISPRS Journal of Photogrammetry and Remote Sensing, 159, 337-351. Form DOI: 10.1016/j.isprsjprs.2019.11.021.
Loukili, Y., Lakhrissi, Y. & Ali, S.E.B. (2022). Geospatial Big Data Platforms: A Comprehensive Review. KN-Journal of Cartography and Geographic Information, 72, 293-308. Form DOI: 10.1007/s42489-022-00121-7.
Meng, Q., Chen, X., Huang, X., Huang, Y., Peng, Y., Zhang, Y. & Zhen, J. (2022). Monitoring glacier terminus and surface velocity changes over different time scales using massive imagery analysis and offset tracking at the Hoh Xil World Heritage Site, Qinghai-Tibet Plateau. International Journal of Applied Earth Observation and Geoinformation, 112, 102913. Form DOI: 10.1016/j.jag.2022.102913.
Motiee, S., Motiee, H. & Ahmadi, A. (2024). Analysis of rapid snow and ice cover loss in mountain glaciers of arid and semi-arid regions using remote sensing data. Journal of Arid Environments, 222, 105153. Form DOI: 10.1016/j.jaridenv.2024.105153.
Pham-Duc, B., Nguyen, H., Phan, H. & Tran-Anh, Q. (2023). Trends and applications of google earth engine in remote sensing and earth science research: a bibliometric analysis using scopus database. Earth Science Informatics, 16, 2355–2371. Form DOI: 10.1007/s12145-023-01035-2.
Ravanashree, M., Basker, P., Mohan, L., Janani, N., Kathirvel, L., Ramachandiran, P. & Aakash, S. (2025). The Role of Google Earth Engine in Flood Disaster Management: A Review of Capabilities and Challenges. Advances in Research, 26 (2), 472-479. Form DOI: 10.9734/air/2025/v26i21314.
Sangeetham, R. & Reddy, S.N, (2024). A Review On Google Earth Engine: An Open Access Cloud Analysis Platform For Planetary Scale Satellite Data. E3S Web of Conferences, 591, 09011, ICRERA-2024. Form DOI: 10.1051/e3sconf/202459109011.
Shangguan, B., Yue, P., Wu, Z. & Jiang, L. (2017). Big spatial data processing with Apache Spark. 2017 6th International Conference on Agro-Geoinformatics, 7-10 August 2017, Fairfax, VA, USA. Form DOI: 10.1109/Agro-Geoinformatics.2017.8047039.
Shirmard, H., Farahbakhsh, E., Müller, R.D. & Chandra, R. (2022). A review of machine learning in processing remote sensing data for mineral exploration. Remote Sensing of Environment, 268, 112750. Form DOI: 10.1016/j.rse.2021.112750.
Waghmare, B. (2017). A Review- Remote Sensing. International Journal of Engineering Research and Applications, 7 (6), 52-54. Form DOI: 10.9790/9622-0706025254.
