O Google Earth Engine (GEE) é um serviço que permite às empresas analisar imagens de satélite de todo o planeta. São mais de +70 petabytes de dados de toda a superfície terrestre que podem ser usados em análises espaço-temporais, tanto a nível regional como global. A boa notícia é que essas análises podem ser potencializadas com outras ferramentas de análise de dados do Google Cloud, como BigQuery e Looker.
Quer saber como aprimorar ainda mais suas análises no GEE com apoio de outras ferramentas do Google Cloud? Confira a seguir.
Google Earth Engine + BigQuery
Apresentamos um método para utilizar o GEE dentro do SQL do BigQuery, permitindo que os desenvolvedores que usam SQL tenham acesso à vasta gama de dados disponíveis no Earth Engine.
O Cloud Functions permite que os usuários SQL em sua organização façam uso das superpotências de computação e do catálogo de dados do Google Earth Engine. Portanto, os programadores de SQL podem aproveitar uma enorme biblioteca de dados de observação da Terra em suas análises!
Antes de tudo, é importante configurar o contexto geoespacial para nosso caso de uso. O BigQuery é excelente em realizar operações em dados vetoriais. Dados vetoriais são como pontos, polígonos e coisas que você pode colocar em uma tabela. Usamos a sintaxe PostGIS para que os usuários que já usaram SQL espacial se sintam em casa no BigQuery.
O BigQuery abrange mais de 175 conjuntos de dados públicos disponíveis no Analytics Hub. Depois de fazer análises no BigQuery, os usuários podem usar ferramentas como GeoViz, Data Studio, Carto e Looker para visualizar esses insights.
O Earth Engine foi projetado para análise raster ou de imagens, especialmente imagens de satélite. É muito usado para detectar mudanças, mapear tendências e quantificar diferenças na superfície da Terra. Também é usado para extrair insights de imagens de satélite para fazer melhor uso da terra, com base em seus diversos conjuntos de dados geoespaciais e interface de programação de aplicativos (API) fácil de usar.
Ao usar o Google Earth Engine juntamente com o BigQuery, você pode expandir sua análise para incorporar conjuntos de dados vetoriais, combinar 70 petabytes de insights do GEE e mais de 175 conjuntos de dados do BigQuery.
Na prática
Vamos ao exemplo: criaremos uma Cloud Function que extrai dados de temperatura e vegetação das imagens de satélite Landsat dentro do Catálogo GEE e faremos as análises a partir do SQL no BigQuery. Embora este exemplo seja focado na agricultura, este método pode ser aplicado em qualquer setor.
Uma análise de imagens comum utilizada em soluções agrícolas atualmente é o cálculo de índices de vegetação, sendo o NDVI (Normalized Difference Vegetation Index) um dos mais conhecidos. O NDVI é um índice que expressa o estado da vegetação e auxilia nos processos de monitoramento e manejo das culturas agrícolas. Os valores do NDVI variam de -1 a 1, sendo que os valores negativos indicam superfícies de água e nuvem e valores próximos a 1 podem ser correlacionados com áreas de alta biomassa.
Suponha que um engenheiro agrícola precise analisar a saúde das plantações de todas as fazendas e talhões que administra. Com o NDVI é possível identificar, áreas em que a cultura agrícola não se desenvolveu quanto deveria ou que não foram plantadas, por exemplo. Imagine que o profissional tenha mapeado todos os talhões e armazenado as coordenadas geográficas em um banco de dados no BigQuery.
Agora, ele deseja calcular o NDVI de cada talhão, juntamente com a temperatura média para diferentes meses, para analisar toda a área e garantir que todas as medidas necessárias sejam realizadas para garantir o máximo potencial produtivo. A questão é: como extraímos informações de NDVI e temperatura para uma banco de dados no BigQuery utilizando apenas SQL?
Simples: usando as imagens prontas do Landsat 8 da GEE, podemos calcular o NDVI para qualquer ponto do planeta. Da mesma forma, podemos usar o conjunto de dados ERA5 de clima mensal para superfícies terrestres globais, disponível publicamente, para calcular a temperatura média de qualquer ponto. Para saber como configurar as análises, confira este blog post.
Google Earth Engine + Looker
As ferramentas do Google Cloud associadas ao GEE têm sido utilizadas por diversas iniciativas de sustentabilidade.
O MapBiomas, rede colaborativa que produz mapas anuais da cobertura e uso da terra, desmatamento, vegetação secundária, cicatriz de queimada, superfície da água, e mineração no Brasil, conta com o Google para conduzir análises de dados coletados desde 1985. Trata-se de um dos maiores casos de uso globais do Google Earth Engine. O MapBiomas também utiliza o Looker, plataforma de business intelligence, análise incorporada e aplicativo de dados do Google Cloud, para capturar e analisar toda a informação que os órgãos federais e estaduais de meio ambiente geram relacionadas a desmatamento no país.
Essas tecnologias permitiram que o Map Biomas Alerta validasse e refinasse mais de 280 mil alertas de desmatamento, produzindo relatórios para cada área desmatada com cruzamentos territoriais. Do total, cerca de 190 mil alertas são referentes ao bioma Amazônia, somando mais de 3 milhões de hectares de desmatamento validados.
Por meio do Mapa das Pistas, que utiliza o Earth Engine, a organização já identificou mais de 2,8 mil pistas de pouso apenas no estado do Amazonas, sendo 75 em terras Ianomâmis.
A Geoambiente é Parceira Premier do Google Cloud e oferece ao mercado a solução Google Cloud enquanto plataforma, além de serviços desenvolvidos pelo nosso time de especialistas com base na tecnologia em nuvem.
Atendemos empresas que são referência de mercado (tanto setor privado quanto público). Sabemos como maximizar o poder da plataforma para atingir os objetivos do seu negócio.
Para saber mais informações sobre como a Geoambiente pode ajudar sua empresa a começar a jornada na nuvem, entre em contato com os nossos especialistas de Google Cloud.
Geospatial Specialist
Com formação em Engenharia Agrícola e mestrado em Sensoriamento Remoto, é especialista em projetos de processamento digital de imagens e dados de satélite, agrometeorologia, machine learning, AI e desenvolvimento de algoritmos para o processamento de dados obtidos via satélite.
