Índice de Diferença Normalizada da Vegetação (NDVI)

O desmatamento no Brasil é uma questão complexa e multifacetada, com impactos significativos no meio ambiente, na biodiversidade e na sociedade como um todo. Com vastas extensões de florestas tropicais, o Brasil abriga uma das maiores biodiversidades do planeta, mas também enfrenta desafios graves relacionados à perda de habitat e destruição de ecossistemas.

A Amazônia, a maior floresta tropical do mundo, é um ponto focal crucial nesse debate. Nos últimos anos, tem sido objeto de intensa preocupação devido ao aumento do desmatamento, impulsionado principalmente pela expansão da agricultura, pecuária e atividades madeireiras. Além da Amazônia, outras regiões do Brasil também enfrentam desafios sérios de desmatamento, como o Cerrado e a Mata Atlântica. Esses ecossistemas, embora menos conhecidos internacionalmente, são igualmente importantes em termos de biodiversidade e serviços ecossistêmicos.

O desmatamento no Brasil está ligado a uma série de fatores, incluindo políticas governamentais, pressões econômicas, expansão agrícola, atividades ilegais e falta de aplicação da lei ambiental. Para enfrentar esse problema complexo, são necessárias abordagens integradas que combinem conservação ambiental, desenvolvimento sustentável, políticas públicas eficazes, engajamento da sociedade civil e utilização de recursos tecnológicos inovadores.

Neste projeto, utilizarei alguns recursos de visão computacional para criação de uma aplicação de detecção de desmatamento em uma região específica, levando em consideração o NDVI .

Imagens de Satélite

Nos últimos anos, temos observado um incremento significativo na acessibilidade aos dados geoespaciais. Especificamente, na última década, testemunhamos uma expansão exponencial na disponibilidade de dados provenientes de satélites, caracterizados por sua alta qualidade e, em muitos casos, disponibilizados de forma gratuita.

As imagens de satélite desempenham um papel crucial no fornecimento de informações essenciais para diversas aplicações, tais como previsão de desastres naturais, análise das mudanças climáticas e garantia da segurança no abastecimento de água, entre outras.

A vantagem de utilizar essas imagens, que podem ser provenientes de várias fontes como NASA, USGS, NOAA e ESA, é o grande conjunto dados e informações que estão incluídas nelas, como temperatura da superfície terrestre, vegetação e outros parâmetros biofísicos. Sendo assim, permitem uma compreensão mais detalhada do nosso planeta e a capacidade de monitora e prever uma variedade de fenômenos naturais e induzidos pelo homem.

Projeto

Neste projeto, foi desenvolvido um pipeline que envolve:

1. A extração de diferentes bandas de dados do satélite Landsat 8.
2. A exportação das imagens resultantes como GeoTiff;
3. Análise de desmatamento, a partir do  Índice de Vegetação por Diferença Normalizada (NDVI).

Extração das Imagens

Para o projeto as imagens que foram utilizadas vieram do Google Earth Engine.

O Google Earth Engine é o serviço de processamento geoespacial da Google. Assim, ele oferece, como a própria descrição diz, uma gama de serviços e como exemplo tem-se o Earth Engine Data Catalog, que é um catálogo público que inclui uma variedade de conjuntos de dados raster.

As imagens foram extraídas no formato GeTiff, a partir da execução de um script em python.

O GeoTiff é um formato de imagem TIFF que inclui metadados geoespaciais, permitindo que a imagem seja usada em sistemas de informação geográfica (GIS).

Exibição das imagens extraídas

Para o projeto, foi escolhido uma região próxima ao município de Paulo Ramos, Lago da Pedra e Vitorino Freire e foram extraídas imagens nos períodos de 2013, 2018 e 2023.

Abaixo, tem-se um print de um mapa interitvo (folium), imagem 2 e a imagem extraída (imagem 3), do ano de 2013, sobreposta ao mapa de exibição.

Salvar as imagens em GeoTiff

O Google Earth Engine permite exportar dados processados, incluindo imagens de satélite, em uma variedade de formatos. Neste projeto o formato utilizado para o salvamento das imagens continuará sendo o GeoTiff, um dos formatos mais comuns para projetos de geoprocessamento. Para salvar imagens como GeoTiff, você precisa definir uma tarefa de exportação no Editor de Código do Google Earth Engine e escolher o Google Drive como destino da exportação. A imagem processada será salva em seu Google Drive, pronto para ser baixado e usado em outras análises ou visualizações GIS.

Extração de bandas raster com a GDAL

A GDAL, Biblioteca de Abstração de Dados Geoespaciais.

Nesta etapa foi elaborado um script em python para extração das bandas.

Imagen comuns possuem geralmente 03 bandas, que seriam os componentes de intensidade RGB (Red-vermelho, Green-verde, Blue-azul). Nas imagens GeoTiff extraídas existem diversas outras bandas, além das mais comuns citadas acima. São elas:

1. Coastal/Aerosol
2. Blue
3. Green
4. Red
5. Near Infrared
6. Shortwave Infrared 1
7. Shortwave Infrared 2
8. Panchromatic
9. Cirrus
10. Thermal Infrared 1
11. Thermal Infrared 2

Abaixo, tem-se cada banda extraída para a região de interesse (imagem 3)

NDVI

O Índice de Diferença Normalizada da Vegetação ou NDVI é um índice que é utilizado para demonstrar a diferença entre a refletância visível e próxima do infravermelho da cobertura vegetal e pode ser usado para estimar a densidade de verde em uma área de terra.

O NDVI é calculado conforme a seguinte fórmula:

NDVI = \frac{(NIR - RED)}{(NIR  + RED)}

onde RED e NIR representam as medidas de refletância espectral adquiridas nas regiões vermelha (visível) e próxima do infravermelho, respectivamente. O índice NDVI para uma área com vegetação deve estar entre 0.3 (vegetação leve) a 0.8 (vegetação densa). Nuvens terão um índice negativo, enquanto solo e corpos de água terão valores positivos baixos. Usaremos essas informações para estimar a vegetação de uma determinada região.

Em valores normalizados, ou seja, entre (0, 255), o intervalo de interesse corresponde às intensidades compreendidas entre 165 e 230.

Região Próxima ao Infravermelho (NIR)

A região NIR tem um comprimento de onda de 0.76 – 0.90 µm. A vida vegetal absorve luz visível de 0.4 µm (luz azul) até 0.7 µm (luz vermelha) para fotossíntese, com absorção máxima em ambas as extremidades deste espectro. Vemos as plantas como verdes porque elas normalmente não absorvem os comprimentos de onda verdes da luz (~0.5 µm) no meio desta faixa. No entanto, isso torna o canal verde menos preciso para a detecção de vegetação porque está dentro da gama completa de comprimentos de onda utilizados para a fotossíntese. Por outro lado, as plantas refletem fortemente a luz próxima do infravermelho (de 0.7 a 1.1 µm). Este fato é explorado no cálculo do NDVI.

Aplicação do NDVI

Aplicado o NDVI nas imagens extraídas, consegui mensurar o percentual de vegetação (parte banca) e a possível ocorrência de desmatamento (região preta), para o período de 2013, 2018 e 2023, respectivamente.

Ao concluir este projeto, evidencio apenas uma fração do vasto potencial que a Visão Computacional oferece. Através da análise de imagens, abrimos portas para inúmeras aplicações, desde reconhecimento facial, passando por análises ambientais até diagnósticos médicos.

Qualquer dúvida, solicito utilizar os comentários ou e-mail (na aba contato).

Grande abraço a todos.