Eu estava conversando com um amigo da AgTech e, naturalmente, perguntei sobre sensoriamento remoto. Sua resposta me surpreendeu:

Oh, nós não temos prática de sensoriamento remoto interno, nós apenas fazemos o download de mapas NDVI online.

Eu não deveria ter ficado surpreso. Há muitos equívocos sobre o NDVI por aí, incluindo ele poder ser um substituto para perícia de sensoriamento remoto. Infelizmente, a empresa do meu amigo está deixando totalmente de lado a hora e a maneira de usar o NDVI de forma confiável, além de não parecer entender o que ele pode ou não dizer sobre a vegetação.

O que é o NDVI? 

Se você não usa o NDVI, ou pior, se você usa e ainda não sabe o que é, o NDVI – Índice de Vegetação da Diferença Normalizada – é uma fórmula básica que foi desenvolvida no início dos anos 1970 por pesquisadores acadêmicos – Rouse et al. (1974) e Tucker (1977) – para avaliação qualitativa da presença e status da vegetação, especificamente a presença de clorofila. Ele foi desenvolvido para aproveitar os dados multiespectrais recentemente capturados com o Landsat-1, lançado em 23 de julho de 1972, e que serviu principalmente como uma plataforma para obter informações sobre recursos como fenômenos agrícolas, florestais, geológicos, hidrológicos, oceanográficos e meteorológicos.

A fórmula utiliza valores de refletância, a proporção de incidente para luz refletida, e é algo como:

Onde o NIR e o Vermelho representam os valores de refletância nos espectros infravermelho próximo e Vermelho, respectivamente (link)

Assinatura espectral típica de vegetação e solo saudável e não saudável (link).

O problema com o NDVI é o ser humano

O problema com o NDVI não está relacionado a imagens espaciais, física, matemática ou análise de imagens. O problema é que o NDVI se tornou muito popular, em parte devido ao que as pessoas acham que o NDVI pode dizer a eles sobre seus campos, florestas e pomares. Infelizmente, o que as pessoas pensam sobre o NDVI nem sempre está correto.

Aqui estão alguns exemplos:

  • Biomassa: valores de NDVI calculados para um campo de futebol podem chegar a mais de 0,85, quase os valores máximos práticos do NDVI – menos do que você normalmente mede em uma floresta tropical.
  • Extração ilegal de madeira: As florestas tropicais têm estruturas complexas e, em muitos casos, o NDVI não é suficiente para rastrear a extração seletiva de madeira.

Floresta tropical com estrutura complexa, árvores removidas seletivamente podem passar despercebidas usando mapas NDVI.

Mesmo nos casos em que o NDVI pode detectar áreas onde as árvores foram seletivamente removidas, isto se dá apenas de maneira breve. Assim que a vegetação do sub-bosque cresce, e isto pode acontecer rapidamente nas florestas tropicais, onde a maioria das atividades madeireiras ilegais ocorre, o NDVI não consegue mais distinguir entre áreas e árvores derrubadas.

  • Zonas de gestão na agricultura de precisão: o NDVI tende a mudar rapidamente durante a estação, reagindo à irrigação, danos por pestes e doenças, ervas daninhas, problemas emergenciais, herbicidas, fertilizantes, etc.

Mapas do NDVI Landsat-8 de áreas de agricultura com ponto central de irrigação (link). Alterações rápidas no NDVI são observadas como uma reação ao cronograma de irrigação e tais mudanças provocadas pelo homem podem mascarar outros fatores de interesse do gestor da fazenda. 

Mudanças rápidas no índice indicam que é difícil confiar no NDVI para estabelecer zonas de gestão confiáveis ​​na agricultura de precisão, que não deve mudar diariamente. (Para mais informações, acessar este artigo de Michael Dunn no Linkedin.)

Estas são as aplicações incorretas comuns dos dados de satélite NDVI. As coisas ficam ainda mais complexas quando você utiliza dados de NDVI de drones. Há considerações adicionais relacionadas à plataforma, sensor, duração da imagem, resolução espacial e espectral, calibração e software de pós-processamento.

Mas nem tudo é escuridão. 

O NDVI tem algumas aplicações úteis. É muito bom para uma avaliação qualitativa (relativa) do status atual da vegetação e pode ser aplicado em grandes áreas com fotografia aérea ou de satélites e para áreas mais específicas com drones, a fim de servir como uma camada que pode destacar áreas com problemas que precisam ser mais investigadas por outros meios.

O NDVI é popular devido a sua simplicidade. É muito fácil obter mapas NDVI através de muitos fornecedores de imagens (satélite, aéreo e drone) que promovem o uso do NDVI como um valor agregado ao seu produto principal. Você não deve usar o NDVI só porque desconhece alternativas ou só porque seu fornecedor de imagens diz que deveria; você deve usá-lo quando souber o que ele pode realmente lhe informar sobre sua vegetação e decidir se é a ferramenta certa para você.

E se eu quiser avaliar a biomassa ou o Índice de Área Foliar (LAI)? 

Estas métricas exigem diferentes tecnologias de detecção além do NDVI, além de mais análise de dados.

Primeiro, para avaliação de biomassa, é necessário combinar comprimentos de onda mais longos com dados multiespectrais. O radar, por exemplo, utiliza ondas de rádio longas e pode penetrar mais profundamente na vegetação e interagir com toda a estrutura de um objeto. Isto proporciona vantagens sobre o NDVI para estimativa de biomassa e detecção de extração ilegal de madeira.

Uma das desvantagens do radar é que não é tão fácil entender os resultados. Como o radar reage a propriedades diferentes da cor visível, é mais difícil avaliar ou validar a exatidão dos dados sem um analista treinado ou alguma AI boa.

Com o sensoriamento passivo – como o NDVI – sua análise fica à mercê da hora e do tempo. Se não houver luz do sol na sua floresta, não haverá reflexão para que o NDVI funcione. Em contraste, o de sensoriamento remoto ativo – como o radar – não é sensível a alterações na iluminação solar ao longo do dia e é apenas levemente sensível à presença de nuvens, sombras, fumaça ou neblina, podendo até operar na escuridão total. Isto pode ser muito útil para modelar a dinâmica da vegetação ao longo do tempo de maneira confiável.

A última, e talvez mais importante, chave para entender a biomassa e o LAI é a análise de dados. Se você realmente quiser entender seus dados para decisões comerciais, produtos semielaborados e análises mal informadas não serão suficientes. Você precisará de uma solução de análise que leve todos os dados em consideração e forneça insights úteis.

Superior – imagem em Verde, Vermelho e Azul (RGB) de um vinhedo. Médio – mapa de NDVI do vinhedo. Esta é realmente uma imagem NDVI sem banda espectral próxima do Infravermelho? Inferior – Mapa de aplicação para a mesma área. Os mapas de aplicação podem ser muito diferentes dos mapas de NDVI, porque geralmente incorporam outros parâmetros, como rendimento e dados do solo, variedade de culturas, tipo de maquinário usado. A diferença entre o NDVI e os mapas de aplicativos é o que eu chamo aqui de ‘última etapa de análise’. 

O caminho da PlanetWatchers

Minhas opiniões nesta obra não vêm apenas dos meus anos no campo de sensoriamento remoto, mas também dos meus anos como CTO e co-fundador da PlanetWatchers, uma startup de inteligência geoespacial. Estou muito empolgado com o que estamos fazendo na PlanetWatchers. Gostaria, então, de compartilhar algumas ideias sobre como estamos utilizando dados geoespaciais para fornecer informações para nossos clientes.

Especialistas, não generalistas. Na PlanetWatchers, pretendemos calibrar nossos algoritmos para atender às necessidades específicas de nossos clientes em silvicultura, agricultura, energia e muito mais. O NDVI é uma métrica generalizada – e útil – mas os gestores de recursos naturais exigem informações específicas e acionáveis ​​do setor.

Dados de fontes múltiplas. Ao contrário da maioria dos provedores de imagens, a PlanetWatchers pode usar ou até mesmo combinar dados de diferentes fontes e provedores. Combinamos dados multiespectrais de satélites e dados de campo como clima, topografia e condição do solo, para alimentar e calibrar nossa plataforma de inteligência.

Análises de IA e última etapa. Para transformar todos estes dados em inteligência acionável, a PlanetWatchers aplica algoritmos de inteligência artificial que desenvolvemos para solucionar problemas específicos de clientes na gestão de recursos naturais. O poder de computação necessário para realizar este trabalho está disponível em uma infraestrutura de nuvem elástica, tornando-o rápido e econômico. Por fim, apresentamos os dados em um painel claro e fácil de usar para gestores operacionais e tomadores de decisões comerciais.

A PlanetWatchers combina dados de múltiplas fontes e algoritmos de IA que se concentram na última etapa de análises para que os clientes não precisem realizar nenhuma análise adicional a fim de entender os resultados. 

Nem tudo está perdido para o meu amigo da AgTech. O NDVI oferece muitos benefícios e é simples de usar se você possuir dados multiespectrais disponíveis, mas é importante entender como obtê-lo de uma maneira profissional e o que ele realmente pode lhe dizer sobre sua vegetação. Geralmente, apenas o NDVI  não é suficiente para tomar boas decisões, mas combinado com dados de outros comprimentos de onda, bons algoritmos e análises de última etapa, ele pode ajudá-lo a derivar parâmetros mais significativos que podem ajudar a solucionar problemas da AgTech e da Precision Forestry.

Você ama o NDVI? Odeia? Responda a este post ou envie uma mensagem. Eu gostaria de continuar a discussão sobre o NDVI e suas aplicações.

Postado originalmente no LinkedIn.

 

Share this post