Scribd
Carregar
23 visualizações4 páginas

Plataforma Google Earth Engine

Enviado por

Matheus Becker
Direitos autorais
© © All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
23 visualizações4 páginas

Plataforma Google Earth Engine

Enviado por

Matheus Becker
Direitos autorais
© © All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
Você está na página 1/ 4

Programa de Pós-Graduação em Recursos Hídricos e Saneamento Ambiental

Sensoriamento remoto aplicado ao ciclo hidrológico terrestre


Aluno: Matheus da Silva Becker Cartão: 00243471

Plataforma Google Earth Engine – Aula 3 (prática)

O Google Earth Engine (GEE) é uma plataforma essencial para o sensoriamento


remoto, que oferece muitas possibilidades de processamento e análise de dados
geoespaciais em larga escala. O GEE possui um enorme acervo de imagens e algoritmos
otimizados, facilitando a extração de informações.

Este diário apresenta algumas funções importantes para serem usadas na


plataforma, através da linguagem Python, e traz também exemplos práticos de sua
aplicação. Mesmo sendo uma plataforma voltada para o JavaScript, a API Python
permite criar scripts e realizar a integração com bibliotecas populares ou até mesmo
ferramentas de machine learning. A seguir serão exploradas as funções mais usuais e
seus exemplos práticos.

1. ee.Image

A função ee.Image é essencial, pois permite carregar, processar e analisar imagens de


satélite. É usada para acessar imagens de diversas fontes, como Landsat, Sentinel,
MODIS, entre outras.

Exemplo:

# Carregar uma imagem do Sentinel-2

image =
ee.Image('COPERNICUS/S2/20230801T145731_20230801T145725_T29TNH')

2. ee.ImageCollection

A função ee.ImageCollection permite o acesso a conjuntos de imagens, como séries


temporais ou conjuntos de imagens por área e período de interesse. Isso é útil para
trabalhar com múltiplas imagens para análises temporais, detecção de mudanças, ou
geração de mosaicos.

Exemplo:

# Coleção de imagens Landsat 8 filtradas por data e localização

collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') \
.filterDate('2023-01-01', '2023-12-31') \
.filterBounds(ee.Geometry.Point([-48.234, -15.829]))
3. ee.Geometry

ee.Geometry permite definir formas geométricas, como pontos, linhas ou polígonos,


para delimitar áreas de interesse em análises geoespaciais. Essas geometrias são
usadas para restringir análises a uma região específica.

Exemplo:

# Definindo uma região de interesse (ROI)

roi = ee.Geometry.Polygon([[-48.5, -15.5], [-48.5, -16], [-48, -16],


[-48, -15.5]])

4. ee.Filter

ee.Filter permite aplicar filtros nas coleções de imagens, restringindo a seleção por
atributos como data, cobertura de nuvens ou localização geográfica.

Exemplo:

# Filtrando imagens com cobertura de nuvens menor que 20%


filtered_collection = collection.filter(ee.Filter.lt('CLOUD_COVER',
20))

5. ee.Algorithms.Landsat.simpleCloudScore

Este algoritmo atribui uma pontuação para as nuvens nas imagens Landsat, permitindo
a remoção ou minimização dos efeitos das nuvens no processamento das imagens.

Exemplo:

# Remoção de nuvens em imagens Landsat

cloud_scored =
ee.Algorithms.Landsat.simpleCloudScore(collection.first())
6. ee.Chart

ee.Chart é utilizado para gerar gráficos, como séries temporais ou distribuições


estatísticas. Embora essa função seja mais utilizada na interface JavaScript, também
pode ser aplicada em Python para análises visuais.

Exemplo:

# Gerar um gráfico de série temporal de NDVI

ndvi_time_series = ui.Chart.image.series({
'imageCollection': collection.map(lambda image:
image.normalizedDifference(['B5', 'B4']).rename('NDVI')),
'region': roi,
'reducer': ee.Reducer.mean(),
'scale': 30
}).setOptions(title='NDVI Temporal')
print(ndvi_time_series)

7. ee.Classifier

Os classificadores permitem realizar classificações supervisionadas e não


supervisionadas em imagens, o que é fundamental para o mapeamento de uso da
terra e cobertura vegetal.

Exemplo:

# Classificador supervisionado com amostras de treino

classifier =
ee.Classifier.smileRandomForest(numberOfTrees=50).train(features=train
ing_samples, classProperty='landcover', inputProperties=bands)
classified = image.select(bands).classify(classifier)

8. ee.Terrain

A função ee.Terrain extrai informações de relevo, como elevação, inclinação e aspecto,


o que pode ser útil em estudos de sensoriamento remoto que envolvem topografia e
análise do terreno.

Exemplo:

# Calcular a elevação e inclinação a partir de um modelo digital de


elevação (DEM)

dem = ee.Image('USGS/SRTMGL1_003')
slope = ee.Terrain.slope(dem)
Map.addLayer(slope, {'min': 0, 'max': 60}, 'Slope')
9. ee.Number e ee.List

Essas funções manipulam números e listas no GEE. Eles são fundamentais para realizar
cálculos e armazenar dados dentro do ambiente Earth Engine.

Exemplo:

# Trabalhando com um número

number = ee.Number(10).add(5)
print('Resultado:', number.getInfo())

# Criando uma lista

list_example = ee.List([1, 2, 3, 4])


print('Lista:', list_example.getInfo())

10. Map.centerObject e Map.addLayer

Essas funções são usadas para visualização de dados no Map, uma interface gráfica
que permite inspecionar imagens, dados e resultados em tempo real. Apesar de mais
comuns na interface JavaScript, também podem ser aplicadas em Python,
especialmente em ferramentas como o Google Colab.

Exemplo:

# Centralizar o mapa em uma área de interesse e adicionar uma camada

Map.centerObject(roi, 10)
Map.addLayer(mean_ndvi, {'min': 0, 'max': 1, 'palette': ['blue',
'white', 'green']}, 'NDVI Médio')

Considerações Finais

O Google Earth Engine com Python oferece uma ampla gama de funções para
realizar análises de sensoriamento remoto de forma eficiente. As funções
apresentadas aqui são as mais usadas e importantes para processamento de imagens,
cálculos de índices, detecção de mudanças, e geração de relatórios em projetos
ambientais e geoespaciais. Além disso, o uso da API Python facilita a integração com
outras bibliotecas como NumPy, Pandas e scikit-learn, permitindo análises avançadas e
fluxos de trabalho complexos.

Você também pode gostar