Neste experimento, vamos demostrar a aplicação das técnicas NDWI e NDVI, capazes de identificar água e a saúde da vegetação, por meio de imagens públicas de satélites com o Google Earth Engine. Essas técnicas foram apresentadas no post “Índice de Vegetação e Índice de Água”.

A técnica NDVI – Índice de vegetação por diferença normalizada, identifica a saúde da planta, calculando a diferença de refletância entre o infravermelho-próximo e o vermelho, com a fórmula:

Fórmula: NDVI = (Infravermelho Próximo - Vermelho) / (Infravermelho Próximo + Vermelho).

A técnica NDWI – Índice de vegetação por diferença normalizada identifica água, inundações, mar, etc. Calculando a diferença de refletância entre o infravermelho-próximo e o verde, com a fórmula:

Fórmula: NDWI = (Verde – Infravermelho Próximo) / (Verde + Infravermelho Próximo).

Estas duas técnicas diferentes, podem ser aplicadas em imagens de satélite ou através de câmeras infravermelho de forma muito simples. Neste post, iremos demonstrar como aplicá-las com a ferramenta Google Earth Engine utilizando uma base de dados geoespaciais pública, para pesquisa.

Google Earth Engine

É uma ferramenta desenvolvida pela Google que combina um catálogo de várias de imagens de satélite e conjuntos de dados geoespaciais com recursos de análise em escala planetária. Com o objetivo, de que cientistas, pesquisadores e desenvolvedores usam o Earth Engine para detectar mudanças, mapear tendências e quantificar diferenças na superfície da Terra.

A ferramenta está disponível para uso comercial e é gratuito para uso acadêmico e de pesquisa. Para utilizar o Code Editor, basta acessar o link “code”, realizar o login com sua conta do Google e de um navegador web desktop. A ferramenta contém os seguintes 4 painéis:

• O Editor, de código onde serão adicionados todos os procedimentos e script;
• O Painel de status, que exibem as saídas dos procedimentos executados, como exibição de logs e erros;
• O Painel de navegação, semelhante ao Explorer do Windows;
• O Mapa, onde serão exibidos todos os resultados e análises feitas pelos scripts criado.

Catálogos de Dados do Google Earth

Pare aplicar as técnicas de análise de dados geoespaciais, com o Earth Engine, primeiro é preciso selecionar qual ou quais coleções de dados/imagens deseja-se utilizar. Existe uma grande variedade de base de dados e para diversas finalidades, porém, para nosso agrado, o Google disponibiliza um buscador (Clique aqui para acessar) que nos facilita a encontrá-la.

Neste experimento, iremos utilizar a base USGS Landsat 8 Collection 1 Tier 1 TOA Reflectance. Base de dados com informações de refletância do espectro de luz magnético, que possui imagens com as cores e o infravermelho, necessário para aplicar as fórmulas NDVI e NDWI.

Esta base de dados, possui imagens coletadas entre o período de 2013 à 2022. As informações da base de dados são divididas em bandas, cada banda representa uma faixa do espectro eletromagnético. No experimento iremos utilizar as bandas B3, B4 e B5, que representam respectivamente o verde, vermelho e infravermelho próximo.

Experimento

Coletar NDVI e NDWI com o Earth Engine é muito fácil, para testes rápidos precisamos apenas realizar 4 etapas: selecionar a coleção de dados; selecionar as bandas; aplicar as fórmulas e exibir o resultado no mapa.

Selecionar Coleção de dados

Na primeira etapa, é preciso selecionar a região de interesse no mapa, o local que se deseja extrair as imagens, no experimento foi selecionado a região de Florianópolis – SC. Esta região foi selecionada por meio da função ee.Geometry.Point que criar uma variável com as informações da coordenada desejada.

Também é necessário coletar a base de imagens ou coleção de dados, por meio da função ee.ImageCollection. Com a coleção de dados indicada, agora precisamos indicar 2 filtros, o filtro da região de interesse e o filtro de período de busca de imagens. Estes filtros são aplicados por meio das funções filterBounds e filterDate.

//Coleta as posições do mapa na região de Florianópolis - SC
var imagePoint = ee.Geometry.Point([-49, -27.6935391]);
var viewPoint = ee.Geometry.Point([-48.5449963, -27.5930994]);

//Base de imagens geoespaciais utilizada
var l8 = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR');
//Informa o período de busca das imagens
var l8Query =  l8
    .filterBounds(imagePoint)
    .filterDate('2021-01-01', '2021-12-31')
    .sort('CLOUD_COVER');

//Coleta a primeira imagem identificada para o período informado
var image = ee.Image(l8Query.first());

//Centraliza o mapa
Map.centerObject(viewPoint, 13);

Com os filtros e a região de interesse informada, basta solicitar os registros com a função l8Query.first. Com os registros coletados, devemos convertê-los em dados de imagens que podemos trabalhar com a função ee.Image que retorna uma classe com diversas funcionalidade.

Observe que, além dos filtros foi informada para ordenar a coleção de dados por meio da função sort, com base na ordem de dados do atributo CLOUD_COVER da coleção de dados. Este atributo indica o quanto da região esta coberta por nuvens, e como não queremos realizar a analise dos dados com nuvens, então indicamos para trazer a primeira imagem com o menor número de nuvens identificadas. Também é possível realizar filtros por este atributo, porém isso pode fazer com que não venha nenhuma imagem da região devido o filtro aplicado.

Selecionar Bandas

Na segunda etapa, basta extrairmos da imagem as bandas B3, B4 e B5 da coleção de dados que correspondem ao verde, vermelho e infravermelho-próximo do espectro eletromagnético, conforme código abaixo:

//Coleta as bandas de cores NIR, Vermelho e Verde 
var green = image.select('B3');
var red = image.select('B4');
var nir = image.select('B5');

Aplicar e visualizar Fórmulas

Por fim, basta realizar os cálculos e adicionar a camada (Layer) com a imagem do NDVi gerada pelo Earth Engine ao mapa. Para adicionar ao mapa basta chamar a função Map.addLayer. Note que ao adicionar a camada NDVI, foram adicionados 2 parâmetros adicionais, o primeiro parâmetro (ndviParams), indica quais cores representarão cada extremo do cálculo NDVI, utilizamos a cores vermelha pra representar o valor -1, verde +1 e branco valores próximo ao zero. O segundo parâmetro “NDVI imagem” indica o nome do botão que ativa e inativa a visualização da camada no visualizador do mapa.

// Computa o Índice de Vegetação de Diferença Normalizada (NDVI).
var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI');
var ndviParams = {min: -1, max: 1, palette: ['red', 'white', 'green']};
Map.addLayer(ndvi, ndviParams, 'NDVI image');

Para calcular o NDWI basta realizar as mesmas operações do NDVI, porém ajustando o cálculo para utilizar o infravermelho e o verde.

// Computa o Índice de Água de Diferença Normalizada (NDWI).
var ndwi = green.subtract(nir).divide(green.add(nir)).rename('NDVI');
var ndwiParams = {min: -1, max: 1, palette: ['red', 'white', 'blue']};
Map.addLayer(ndwi, ndwiParams, 'NDWI image');

Também é possível realizar todo o cálculo do NDVI e NDWI de uma forma bem mais simples. Como essas duas formulas são cálculos de normalização, basta utilizar os seguintes códigos abaixo que o próprio Earth Engine converte para as fórmulas descritas acima.

//Formas resumidas de coletar a informação
var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI');
var ndwi = image.normalizedDifference(['B3', 'B5']).rename('NDVI');
Map.addLayer(ndvi);
Map.addLayer(ndwi);

Com este experimento e o código acima foram geradas as seguintes imagens:

Na primeira imagem, na parte esquerda, visualizamos em verde a refletância de áreas cobertas por vegetação e em vermelho áreas com nenhuma refletância de vegetação segundo a fórmula do NDVI. Quanto mais escuro o verde é indicativo de maior concentração de vegetação ou vegetações mais saudáveis.

Observar que nem toda vegetação saudável possui um alto nível de NDVI, cada vegetação possui uma característica especifica de saúde, que requerem estudos específicos para saber identificar sua saúde através do NDVI. Porém para identificar regiões de mata, floresta ou de cultivo, o NDVI é ideal ideal.

Na segunda imagem, na parte esquerde, visualizamos em azul todas as regiões com superfície coberta por água, inundações e em vermelho a ausência d’água. O interessante nesta segunda imagem é que ela consegue identificar a Lagoa da Conceição, uma lagoa situada no meio de Florianópolis e se olharmos a mesma imagem, na parte direita, não é possível identificar a lagoa pela imagem de satélite.

Para visualizar esta aplicação, basta acessar o link Teste NDVI NDWI. Todo este experimento foi criado, com base no tutorial criado pelo próprio Google (clique aqui para acessar o tutorial).

Plataforma MapBiomas

Uma ferramenta muito mais elabora, que esta criada neste post, é a plataforma MapBiomas que disponibilizam diversas análises sensoriais do Brasil com scripts criados por meio do Google Earth Engine.

Clique aqui para acessar a ferramenta ou clique aqui para visualizar uma análise sensorial e temporal da superfície d’água no Brasil.

Todo o código fonte do projeto, está disponível para replicação do experimento no link abaixo. Caso tenha dúvidas ou sugestões de melhorias no post, deixe seu comentário abaixo.

Source:

https://github.com/visaocomputacionalexemplos/espectroeletromagnetico/tree/main/google_earth_ndvi_ndwi

Referências:

Iporã Brito Possantti via MasAbertos, O Google Earth Engine. Acessado em 04 mar 2022.

Google, NDVI, Mapping a Function over a Collection, Quality Mosaicking . Acessado em 04 mar 2022.

The post Experimento – NDVI e NDWI com o Google Earth Engine appeared first on Visão Computacional.

NDWI – Índice de Diferença Normalizada da Água

O índice NDWI foi proposto por McFeeters em 1996. Sua principal utilização hoje em dia é a detecção e monitoramento de ligeiras mudanças no teor de água. Aproveitando as bandas espectrais NIR (infravermelho próximo) e GREEN (verde visível), o NDWI é capaz de realçar a água em imagens multiespectrais [EOS-2].

Sempre que houver necessidade de detectar uma massa de água, definir o seu contorno no mapa e monitorar as mudanças na sua clareza é aplicado o índice NDWI. Além do espectro visível, em direção ao infravermelho, a água reflete quase nenhuma luz. O NDWI faz uso desta propriedade para delinear com sucesso as massas de água. A desvantagem do índice é que é sensível às estruturas construídas [EOS-2].

O NDWI funciona comparando matematicamente a quantidade de luz verde refletida e a quantidade de luz infravermelha absorvida de uma imagem através da fórmula abaixo:

Fórmula: NDWI = (Verde – Infravermelho Próximo) / (Verde + Infravermelho Próximo)

Note que o cálculo é feito com base no infravermelho próximo, uma região do espectro infravermelho, normalmente dividido em próximo, médio e distante.

Na figura abaixo é possível visualizar o resultado da aplicação deste cálculo através de imagens de satélite. A imagem foi retirada da ferramenta EOS e para reproduzi-la basta clicar neste link e criar uma conta via Facebook ou Google.

NDVI – Índice de Vegetação por Diferença Normalizada

O Índice de Vegetação por Diferença Normalizada é um indicador simples de biomassa fotossinteticamente ativa ou, em outros termos, um cálculo da saúde da vegetação. Simplificando a explicação, o NDVI é uma medida do estado da saúde das plantas com base em como elas refletem a luz em determinadas frequências (algumas ondas são absorvidas e outras são refletidas).

O NDVI funciona comparando matematicamente a quantidade de luz vermelha visível absorvida e a luz quase infravermelha refletida através da fórmula abaixo.

Fórmula: NDVI = (Infravermelho Próximo - Vermelho) / (Infravermelho Próximo + Vermelho)

O pigmento de clorofila na planta saudável absorve a maior parte da luz vermelha visível, e a estrutura celular de uma planta reflete a maior parte da luz quase infravermelha. Isto significa que a atividade fotossintética elevada, normalmente associada à vegetação densa, terá menos reflectância na banda vermelha e maior reflectância na banda infravermelha próxima. Olhando para a forma como estes valores se comparam entre si, é possível detectar e analisar a cobertura vegetal separadamente de outros tipos de cobertura do solo. [EOS].

Observe na ilustração abaixo que a diferença do valor refletido entre o infravermelho e o vermelho na região saudável é de 42% (50-8), muito maior que a diferença de reflectância da região doentio de 10% (40 – 30).

Observe a imagem da Figura abaixo, ela foi derivada de dois canais de cores em uma única foto tirada com uma câmera modificada e com um filtro infravermelho especial. Observe que troncos de árvores, grama marrom e rochas têm valores de NDVI muito baixos porque não são fotossintéticos e por isso possuem baixo NDVI [PL].

O valor do NDVI é diferente para plantas diferentes?

Sim, cada tipo de cultura tem uma estrutura de copa diferente, fases de crescimento, e requer condições climáticas específicas para crescer adequadamente. Todos estes fatores influenciam as propriedades de reflectância da cultura e produzem diferentes valores do NDVI em vários tipos de culturas e plantas diferentes [EOS].

Técnicas de sensoriamento remoto

O sensoriamento remoto, no setor agropecuário, pode utilizar sensores em satélites, aviões e helicópteros. No entanto, o recurso mais aplicado atualmente são os drones e os veículos aéreos não tripulados (VANTs).

Os drones atuam de forma segura e são guiados por um controle remoto e com o avanço da inteligência artificial estão sendo controlados por sistemas computadorizados.

Esse controle envia os comandos para a aeronave por meio de ondas de rádio. Trata-se de uma das mais versáteis tecnologias na agricultura, e um dos seus maiores diferenciais é a ampla disponibilidade. Isto é, drones operam independentemente das condições climáticas, com menores custos e fácil operação [AHUB].

Outros índices

Existem diversos outros índices de vegetação, capazes de diferenciar nuvens de neve, queimadas, entre outros como:

• Índice De Queima Por Razão Normalizada (NBR), Índice De Clorofila Verde (GCI);
• Índice De Neve de Diferença Normalizada (NDSI);
• Índice De Clorofila de Borda Vermelha (RECl);
• Índice De Vegetação Ajustado ao Solo Modificado (MSAVI);
• Índice De Vegetação da Diferença De Verde Normalizado (GNDVI);
• Índice De Vegetação Ajustado ao Solo (SAVI);
• Índice De Vegetação Resistente À Atmosfera (ARVI);
• Índice De RedEdge por Diferença Normalizada (NDRE);

melhores detalhados no artigo Indices de Vegetação da Earth Observation System.

Referências:

[EOS] Earth Observation System, Tudo O Que Você Precisa Saber Sobre O Índice. Acessado em 01 jan 2022.

[EOS-2] Earth Observation System, Índice De Água De Diferença Normalizada. Acessado em 18 fev 2022.

[PL] Public Lab, NDVI and NRG Acessado em 18 fev 2022.

[AHUB] AgriHub. Sensoriamento remoto em práticas agrícolas: o que é NDVI?. Acessado em 18 fev 2022.

The post NDVI e NDWI – Índice de Vegetação e Índice de Água appeared first on Visão Computacional.