Além do que os olhos veem

Estamos acostumados a ver o mundo em uma faixa estreita do espectro eletromagnético – a luz visível. Mas as aparências enganam e a realidade é muito mais complexa do que conseguimos ver com nossos próprios olhos.

Uma das formas mais fascinantes de perceber isso é através dos produtos de sensoriamento remoto, como as cenas Landsat. O manancial de informações que podem ser extraídas a partir da análise das bandas espectrais amostradas pelos sensores é vasto.

Onde está a água?

Essa é uma pergunta que o sensoriamento remoto consegue responder com o NDWI – índice de umidade pela diferença normalizada.

A ideia subjacente ao NDWI é a mesma do NDVI: é um índice de bandas que quantifica o “desbalanceamento” entre duas respostas espectrais. Se ambas as bandas avaliadas respondem em mesma intensidade, o valor é zero. Do contrário, o índice tende a 1 ou a -1.

Uma forma de detectar corpos hídricos (lagos, rios, açudes, etc) na paisagem é observar regiões que a reflectância da banda verde é dominante sobre a reflectância do infravermelho próximo. Ou seja, quando a seguinte relação é positiva:

NDWI_água = (G - NIR) / (G + NIR)

Onde G é a banda verde e NIR é a banda do infravermelho próximo.

Por quê? Os mecanismos desse fato requerem uma boa dose de física, que está além do escopo deste post. Mas a correlação com corpos hídricos é garantida!

NDWI da vegetação

Existe uma variante do NDWI para detecção de água no dossel da vegetação. Literalmente, água dentro do tecido vegetal. Aqui as coisas começam a ficar interessantes. A razão de bandas é:

NDWI_veg = (NIR – SWIR) / (NIR + SWIR)

Onde NIR é a banda do infravermelho próximo e SWIR é a banda do infravermelho de ondas curtas.

Diferentemente do NDVI, que acusa a vegetação saudável, com alto teor de clorofila,  NDWI da vegetação acusa a vegetação mais úmida, mais ativa em termos de transpiração.

Extraindo o NDWI no Google Earth Engine

No post anterior apresentei o Google Earth Engine. Se acompanhar o post até o final, verá que calculamos oNDVI para a cena Landsat selecionada usando uma expressão em JavaScript. Para obter o NDWI, basta modificar a expressão (e mudar o nome das variáveis, para não dar confusão!).

NDWI da água:

// Calcular o NDWI da agua com base em diferenca normalizada
var ndwi_w = image.normalizedDifference(['B3','B5']).rename('NDWI_W');

NDWI da vegetação:

// Calcular o NDWI da vegetacao com base em diferenca normalizada
var ndwi_v = image.normalizedDifference(['B5','B6']).rename('NDWI_V');

A seguir, adicione as camadas para a visualização em tela. A paleta de cores que eu escolhi foi Spectral, mas você pode mudar isso.

// obter a paleta de cores desejada
var palette = palettes.colorbrewer.Spectral[11];
// Visualizar os resultados do NDWI_W no mapa
Map.addLayer(ndwi_w,{palette:palette},'NDWI_W')

// Visualizar os resultados do NDWI-V no mapa
Map.addLayer(ndwi_v,{palette:palette},'NDWI_V')

Para auxiliar na interpretação, cabe também adicionar no mapa a própria cena Landsat, com a seguinte composição de bandas (adequada para vegetação):

// Visualizar uma composicao colorida utilizando multiplas bandas
Map.addLayer(image, {min: 0.05, max: 0.4, bands: ['B6', 'B5', 'B4']}, 'Composicao Landsat');

Desvendando o invisível

Temos o NDWI, mas e daí? Agora cabe ao analista (você) interpretar esses dados e transformá-los em informação. Isso nenhum algoritmo é capaz de fazer.

Abaixo podemos ver que o arroz irrigado pode ser detectado com o uso de ambos os índices. O NDWI da água entra para remover os corpos hídricos da análise feita pelo NDWI da vegetação, reduzindo a mistura das classes.

Em outro exemplo, podemos mapear os inúmeros açudes de uma região, além de verificar de forma qualitativa o impacto de manchas de eucalipto na disponibilidade hídrica, em função de sua elevada transpiração.