O que é o Google Earth Engine e quais são seus usos em Estudos Ambientais?

Desde o lançamento do Google Earth, grande parte da população não conhecia o que era sensoriamento remoto e eles puderam ter seu primeiro contato com esta matéria. No Google Earth, você consegue encontrar sua casa, ver a distância dela até o seu trabalho e acompanhar mudanças de uso do solo ao longo de alguns anos.

Mesmo sendo uma ótima ferramenta para planejamento de campos e avaliação de áreas de estudo, ela não apresenta o rigor científico e técnico exigido para trabalhos profissionais e acadêmicos, sendo uma ferramenta para entreterimento e divulgação de dados espaciais.

Para contornar esses problemas e realizar análises espaciais mais apuradas, surge o Google Earth Engine (GEE), que é uma plataforma em nuvem para facilitar o acesso à recursos computacionais de alta performance e para processar grandes quantidades de dados espaciais (GORELICK, 2017).

Além da facilidade de acessos aos recursos computacionais e banco de dados espaciais, o GEE também foi realizado para favorecer a distribuição dos resultados obtidos com essa ferramenta. Isso acontece pois você, ao desenvolver seu código (sim, o GEE é rodado em linha de programação, JavaScript ou Python) pode compartilhar ele por meio de um link.

Para usar a ferramenta, você deverá solicitar acesso no site https://earthengine.google.com/ e aguardar um email liberando sua conta (normalmente é quase instantâneo).

Após ter seu acesso liberado, você pode entrar no editor de código (Code Editor) e começar a programar. Nesta plataforma, só é possível utilizar JavaScript e caso você queira utilizar Python, será necessário instalar a biblioteca no seu computador ou você terá que utilizar o Google Colab.

Embora não haja muitas diferenças entre o uso do JavaScript e do Python, cabe lembrar que ao usar Python, você não terá a interface gráfico disponibilizada quando você usar o editor de código, embora seja possível visualizar os mapas criados por meio de funções externas.

Ao utilizar o GEE, você tem acesso um enorme banco de dados de imagens de diferentes missões espaciais. A lista abaixo mostra alguns exemplos que podem ser acessados usando o GEE:

• LANDSAT (4, 5, 7 e 8);
• Sentinel (1 e 2A);
• MODIS;
• ASTER;
• SRTM e muitos outros.

Além do acesso a estes bancos de dados, temos várias funções disponíveis, entre elas: Operações matemáticas básicas (Adição, subtração, multiplicação e divisão), operações com matrizes, inteligência artificial (Aprendizado de Máquina), entre outras.

Note que temos várias funções e imagens disponíveis, possibilitando realizar vários estudos e obter diferentes informações para gestão territorial.

Aplicações do Google Earth Engine

Gorelick e colaboradores (2017) apresentam alguns exemplos do uso do GEE, exemplificando usos para mudanças globais em florestas, mudanças globais em superfície de água, estimativas de colheitas, mapeamento de cultivo de arroz, planejamento urbano, mapeamento de inundações, recuperação ambiental de incêndios, mapeamento do risco de malária.

Esses são somente alguns exemplos, sendo que abordaremos com mais detalhe eles a seguir.

O estudo realizado por M.C. Hansen e colaboradores (2013) buscou mapear, em escala global, a perda e ganho de áreas florestais por meio de imagens LANDSAT entre os anos de 2000 e 2012. Os autores encontraram que neste período foram perdidos 2,3 milhões de km2 (quase 30% do território brasileiro) e houve um ganho de apenas 0,8 milhão de km2.

No período estudado por Hansen et al. (2013), o Brasil demonstrou a maior taxa anual de redução de área desmatada, enquanto a Indonésia apresentou as maiores taxas de desmatamento.

J.F. Pekel e outros pesquisadores (2016) mapearam as áreas cobertas com corpos d’água, também numa escala global, entre os anos de 1984 e 2015, usando imagens LANDSAT. Em todo esse período analisado, os autores constataram que 3% dos continentes continham água superficial.

É interessante notar que os autores colocam que mais da metade dos recursos hídricos superficiais estão localizados acima da latitude 44º N, sendo ainda que grande parte deles são constantes (ou seja, sua área não variou significativamente ao longo do tempo).

Outros recursos hídricos superficiais não tiveram tanta sorte, mais de 160.000 km2 cobertos de água foram vistos que não eram permanentes; quase 90.000 km2 deixaram de existir e mais de 72.000 km2 de um estado permanente passaram para sazonal. É claro que também houveram novos corpos hídricos superficiais, normalmente relacionados ao enchimento de lagos de barragens.

Agora com relação ao crescimento urbano, Zhang e colaboradores (2015) desenvolveram um procedimento para unir NDVI de imagens LANDSAT e imagens DMSP/OLS de luzes noturnas para caracterizar áreas urbanas globais. O resultado deles é um indicador chamado Normalized Difference Urban Index (NDUI), possibilitando mapear áreas urbanas.

O mapeamento de áreas alagáveis também é possível no GEE, conforme B. Coltin e colaboradores (2016), os quais desenvolveram um algorítmo automático para este tipo de mapeamento. Este algorítmo é open-source e esta disponível em https://github.com/nasa/CrisisMappingToolkit.

Além das pesquisas realizadas, o GEE também pode ser incorporado em diferentes aplicativos, tais como o Map of Life (https://mol.org/), Climate Engine (http://climateengine.org/) e o Collect Earth (http://www.openforis.org/tools/collect-earth.html).

Onde aprender a usar o Google Earth Engine?

Ficou interessado? Há várias formas de aprender a usar o GEE. Uma delas é realizar a leitura da documentação dele e seguir os exemplos disponíveis (em JavaScript) (https://developers.google.com/earth-engine/).

Também há vários vídeos produzidos pelo geógrafo Luis Sadeck no Youtube. Você pode ver a lista de vídeos clicando no link: https://www.youtube.com/playlist?list=PLNFvG6bTA4NReWtgC93Mh9Tw1RNG4EBMP.

E caso você queira aprender o GEE usando Python, sugerimos a página do Cesar Aybar que “traduziu” a documentação de JavaScript para Python (https://github.com/csaybar/EEwPython).

Agora é só colocar a mão na massa. Caso tenha tido alguma experiência com o Google Earth Engine ou ficou com alguma dúvida, deixe seu comentário aqui na nossa postagem.

Referências Consultadas

GORELICK, Noel et al. Google Earth Engine: Planetary-scale Geospatial Analysis for Everyone. Remote Sensing of Environment. n. 202, 2017. pg. 18-27.

COLTIN, B. et al. Automatic boosted flood mapping from satellite data. Int. J. Remote Sens. 37 (5). 2016 pg. 993–1015.

HANSEN, M.C. et al. High-resolution global maps of 21st-century forest cover change. Science. 342, 2013. pg. 850–853.

PEKEL, J.F. et al. High-resolution mapping of global surface water and its long-term changes. Nature. 2016.

Zhang, Q. et al. Building a better urban picture: combining day and night remote sensing imagery. Remote Sens. 7 (9), 2015. pg. 11887–11913.