Uso de processamento em nuvem para a detecção de áreas edificadas em imagens de sensoriamento remoto

Autores

¹Mesquita, V.V.; ²Parente, L.L.; ³Ferreira, L.G.

¹UFG/LAPIG Email: vieiramesquita@gmail.com
²UFG/LAPIG Email: leal.parente@gmail.com
³UFG/LAPIG Email: lapig.ufg@gmail.com

Resumo

O planejamento e monitoramento referente às dinâmicas de ocupação do espaço se fazem cada dia mais necessários, haja vista o intenso crescimento demográfico ocasionado pelos avanços nas áreas de produção de alimentos, medicina e engenharia pós-revolução industrial, os quais possibilitaram a expansão das aglomerações humanas em diversas regiões do planeta, colocando em risco a existência de vários ecossistemas. Com a popularização das plataformas de processamento de dados geográficos em nuvem, como por exemplo o Google Earth Engine (GEE), tornou-se muito mais simples analisar grandes extensões territoriais, pois a grande gama de dados disponíveis e o alto desempenho de processamento permitem executar diversas análises com velocidades superiores aos métodos tradicionais de processamento in loco. Especificamente, este trabalho utilizou a plataforma Google Earth Engine com o objetivo de se mapear as áreas edificadas ao redor do planeta utilizando índices como NDVI (Normalized Difference Vegetation Index), NDWIi (Normalized Difference Water Index inversed), NDBI (Normalized Difference Build-up Index) e dados de temperatura de brilho, corpos hídricos, fontes de luz estáveis e precipitação média anual, adquiridos por meio de dados Landsat 8 – OLI/TIRS, DMSP – OLS, TRMM 3B43 v7, GPM IMERGM v4 e Global Forest Change (GFC). A identificação de áreas edificadas na superfície foi realizada a partir do fatiamento dos valores máximos de NDVI, NDWIi e NDBI, de março de 2013 a dezembro de 2016, gerados através de diferenças normalizadas entre as bandas do verde, vermelho, infravermelho próximo e infravermelho de ondas curtas do satélite Landsat 8. Para assegurar a fidelidade do dado em detectar estruturas urbanas, foi utilizado como recorte espacial o fatiamento da temperatura de brilho gerada com a banda termal do Landsat 8, valores definidos de luminosidade característicos de zonas urbanizadas obtidos pelo DMSP e uma máscara de corpos hídricos disponibilizada pelo GFC. Visando otimizar os valores de NDVI para áreas áridas e semiáridas, com taxa de precipitação anual inferior à 750 milímetros, a média anual de precipitação (2000 a 2016, missões TRMM e GPM) foi utilizada como fator de ganho para os dados de NDVI. O resultado final possui algumas falhas como a dificuldade de mapear setores bastante arborizados de aglomerados urbanos e dificuldade de detecção em locais extremamente áridos, porém se mostra bastante consistente em todo o território brasileiro quando comparado com a Área Edificada do Brasil em 2015 (conforme da Base Cartográfica Contínua do Instituto Brasileiro de Geografia e Estatística) (e.g. Região metropolitana do Rio de Janeiro 1450 km²/IBGE – 1235 km²/GEE; Região metropolitana de Goiânia 646 km²/IBGE – 469 km²/GEE), bem como quando sobreposta com imagens de alta resolução, à exemplo daquelas disponibilizadas pelo Google Maps. Este método de mapeamento é bastante simples, rápido e de fácil alteração de parâmetros, sendo capaz de mapear com bastante precisão quando aplicado à regiões específicas.

Keywords

cloud processing; urban mapping; Earth Engine

ARTIGO COMPLETO