遥感影像大众获取困难、个人电脑算力受限以及遥感处理分析专业性强等因素，制约着遥感大众化应用和推广。针对以上难题，美国Google公司与卡内基美隆大学和美国地质调查局共同研发并发布了谷歌地球引擎Google Earth Engine，实现了全球范围内海量遥感数据的并行处理，为遥感大数据分析提供支撑。该平台的推出极大地提升了国外遥感大众化应用的水平，但是由于特定原因，目前国内科研人员无法直接使用Google Earth Engine来做科学研究，同时该国外系统中也没有接入国内的主要卫星遥感数据。为了进一步推动国内遥感技术发展并提升遥感大众化应用水平，研发同类国产软件系统产品是大势所趋。航天宏图依靠多年在遥感行业的技术积累，原生创造了遥感计算云服务平台PIE-Engine。
PIE-Engine是一个集实时分布式计算、交互式分析和数据可视化为一体的在线遥感云计算开放平台，主要面向遥感科研工作人员、教育工作者、工程技术人员以及相关行业用户。它基于云计算技术，汇集遥感数据资源和大规模算力资源，通过在线的按需实时计算方式，大幅降低遥感科研人员和遥感工程人员的时间成本和资源成本。用户仅需要通过基础的编程就能完成从遥感数据准备到分布式计算的全过程，这使广大遥感技术人员更加专注于遥感理论模型和应用方法的研究，在更短的时间产生更大的科研价值和工程价值。
PIE-Engine是面向所有遥感用户的公众服务平台，不但提供国外的Landsat系列、Sentinel系列卫星遥感数据和国内的高分系列、环境系列、资源系列等卫星遥感数据的访问接口，还包含了大量的遥感通用算法和专题算法。如基于多时相的Landsat和Sentinel数据，可以实时进行作物长势监测、地区旱情分析、水体变化分析、城镇变化监测等分析处理。
PIE-Engine以在线编程为主要使用模式，提供了完善的在线开发环境，包括搜索数据模块、私有资源区域、代码编辑区域、结果输出区域、矢量编辑、地图展示区域、帮助文档等。
助推遥感生态产业发展，共建智能遥感美好未来
实例分享
下面以北京地区植被覆盖情况
和东北某地作物长势状况分析
来展示一下PIE-Engine的计算能力
实例一：北京地区植被覆盖情况
北京地区植被覆盖情况分析主要是利用多张影像融合计算NDVI植被指数，分析植被覆盖度情况。在这个例子中首先使用时间和区域条件过滤得到多时态的40多景Landsat8 影像，同时基于云量波段实现去云融合，然后针对结果影像计算NDVI指数，最后以北京行政区划矢量裁剪得到最终结果。上述过程全部在云端采用分布式实时计算，PIE-Engine总计算时间小于10秒。用户如果对于某个特定位置的指数值感兴趣，只需用鼠标点击该位置，PIE-Engine将会按需实时计算该位置的NDVI值，并在信息窗口中输出结果。
实例二：植被长势监测
在这个实例中，PIE-Engine利用了指定区域2017年的所有影像（总共30多景），经过实时的去云融合、植被指数计算和区域聚合统计得到了指定范围内的植被指数列表，最终绘制出了该区域的植被长势状况变化图，系统运行时间不到20秒。通过分析结果，可以看到PIE-Engine除了在后台提供实时分布式计算能力外，同样提供了较为丰富的前端开发和可视化能力。
上述案例只是应用PIE-Engine进行遥感专题计算的基础范例，更多的应用需要用户自己在平台上探索和挖掘。PIE-Engine改变了传统遥感影像分析应用的开发形式，降低了技术门槛，用户不用过多关心数据来源、数据存储、资源算力等基础因素，可以更加专注于遥感模型开发、遥感教学实践和行业应用研究，真正实现了“科技改变世界 · 遥感走进生活”。
