Análise de Imagens de Satélite com Python e Living Atlas – Visualizando e exportando os resultados

Estamos chegando ao clímax da análise de sensoriamento remoto, extraindo os insights que temos como objetivo-alvo desde que pensamos no problema, buscamos a solução e decidimos quais os dados iríamos utilizar.

Esta parte da análise é a mais importante, vamos visualizar os resultados, calcularemos as áreas de terras agricultáveis e cobertura florestal, gerando gráficos intuitivos e analisando qual o percentual que a cobertura verde representa da área total de interesse.

Continue o exercício com o código a seguir:

#Visualizando resultados no mapa
#Aqui, os pixels com cor verde clara com valor "1" representam terras agrícolas, 
#enquanto os pixels com cor verde escura com valor "2" representam área florestal/cobertura arbórea.

m = gis.map('Mato Grosso, Brasil', 6)
m.add_layer(masked)
m.legend = True
m

#Derivação de Área

#Agora vamos calcular a cobertura verde total da área de interesse. É importante notar que os pixels pertencentes a terras agrícolas, bem como a área florestal/cobertura arbórea são considerados como cobertura verde no cálculo.

pixx = (aoi_clip.extent['xmax'] - aoi_clip.extent['xmin']) / 1200
pixy = (aoi_clip.extent['ymax'] - aoi_clip.extent['ymin']) / 450

res = masked.compute_histograms(aoi_clip.extent,
                               pixel_size={'x':pixx, 'y':pixy})
numpix = 0
histogram = res['histograms'][0]['counts'][0:]
for i in histogram[1:]:
    numpix += i

#convertendo a área de m2 para ha

sqmarea = numpix * pixx * pixy # in sq. m
hectares = 0.0001 * sqmarea   # in hectares
HTML('<h3>Área verde total na área de interesse é ~ <i>{}%</i> da área total.</h3>'.format(int((hectares/573202.94)*100)))

#573202.94 ha corresponde a área de interesse total

#Plote um gráfico de pizza com as proporções das classes de uso do solo

plt.title('Cobertura verde', y=-0.1)
plt.pie(histogram, labels=['Não verde','Terras agricultáveis', 'Floresta']);
plt.axis('equal');

Você pode exportar as imagens e salvá-las localmente ou melhor ainda, publicá-las diretamente no ArcGIS Online como um item:

#salvando a imagem localmente
masked.export_image(bbox=area['extent'], 
                        size=[1200,450],
                        export_format="tiff",
                        f="image",
                        save_folder=".",
                        save_file='ndvi_image.tif')

#publicando a imagem no ArcGIS Online

lyr = masked.save('Teste_viz_image', for_viz=True)

Para esta trilha, utilizei como base o tutorial: How much green is Delhi as on 13 Oct 2022? | ArcGIS API for Python. Na barra lateral esquerda, você encontra diversos tutoriais aplicados a diversas necessidades. Não deixe de conferir e praticar para aprimorar seu aprendizado!

Documentação complementar: Using the Jupyter Notebook environment | ArcGIS API for Python

Chegamos ao fim de mais uma trilha de conhecimento! Aproveite e explore ao máximos os recursos disponíveis no ArcGIS Living Atlas e otimize seu fluxo de trabalho com Python.

Bons estudos e até a próxima!