Estudos de observação da Terra (EO do inglês Earth Observation) são estudos que visam avaliar a forma como ciclos e fenômenos físicos, biológicos, sociais e econômicos ocorrem na superfície terrestre.

O conceito de EO muito se aproxima de um conceito que atualmente vem tomando grande espaço entre aqueles que buscam um desenvolvimento sustentável de seus empreendimentos, o conceito “Ambiental, Social e Governança” (ESG do inglês Environmental, Social and Governance). Se aproxima pois o conceito de EO busca dar suporte à estudos ambientais, sociais e econômicos visando o monitoramento da Terra através das mais diversas ópticas de conhecimentos técnicos específicos.

À velocidade que a tecnologia avança vão avançando também o conhecimento, metodologias e a complexidade necessárias para a garantia de um estudo robusto e que atenda demandas e necessidades de leis, normas e portarias ambientais e também do público alvo, público este cada vez mais crítico às políticas e ações de um empreendimento.

Da mesma forma, é notável uma maior disponibilidade de dados distribuídos de forma pública por agências bem como o crescimento da comunidade de desenvolvedores de aplicações que se aventuram com EO. O crescimento desta comunidade é evidente em plataformas como o GitHUB e Stack Overflow onde os usuários podem compartilhar seus conhecimentos através de novas bibliotecas, códigos ou contribuindo com a resolução de dúvidas de outros usuários sobre as mais diversas linguagens de programação.

Uma das linguagens que mais dá suporte aos desenvolvedores e cientistas de dados que precisam consumir dados geográficos é a linguagem Python e apesar de ter sido desenvolvida há 30 anos (1991) sua popularidade vem crescendo cada dia mais. Por se tratar de uma linguagem de “alto nível” é relativamente simples, o que facilita sua compreensão e uso por pessoas que não são originalmente programadores, possibilitando inclusive a integração entre algoritmos e sistemas de informações geográficas (GIS do inglês Geographic Information System) já consolidados como ArcGIS e QGIS, sistematizando os processos utilizados dentro destes.

A grande vantagem do Python é a de que existe uma grande variedade de bibliotecas voltadas diretamente ou que dão suporte para projetos GIS já desenvolvidas e distribuídas de forma livre. Destas podemos citar bibliotecas específicas como GDAL, Geopandas, Rasterio, Fiona, Shapely, dentre outras que são usadas diretamente para processamento de dados geográficos matriciais (e.g. imagens raster) e vetoriais (e.g. shapefile).

Além disso, as bibliotecas padrões do Python bem como outras desenvolvidas para análise de dados são muito úteis podendo serem usadas de forma integrada com bibliotecas voltadas para projetos GIS, auxiliando desde a aquisição de dados através da automatização de requisições de imagens, vetores e dados tabulares em repositórios públicos ou privados, processamento de dados e visualização de resultados através de gráficos e mapas.

Bibliotecas consolidadas e amplamente difundidas entre matemáticos, engenheiros e cientistas de dados como NumPy, Pandas, Scikit-learn, SciPy, Matplotlib, Seaborn, Jupyter, Keras, TensorFlow… auxiliam no desenvolvimento e aplicação de funções matemáticas sobre dados geográficos e também na sua visualização de forma dinâmica e operacional, incluindo aquilo que há de mais novo em questão de metodologias de inteligência artificial, aprendizado de máquinas e aprendizado profundo.

O que o futuro e a evolução das metodologias e modelos de GIS voltados para estudos de EO nos reserva é um universo à ser explorado por nós projetistas, matemáticos, engenheiros, cientistas de dados, desenvolvedores de aplicações…

Para isso, nós da OPT GIS podemos ajudá-lo com seu projeto fornecendo ferramentas que o auxilie em estudos e monitoramentos que necessitem de dados geográficos e metodologias de EO de forma rotineira e sistematizada, sempre buscando a excelência e a vanguarda da tecnologia.