Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
Pesquisas Agrárias e Ambientais
DOI: https://doi.org/10.31413/nativa.v10i3.13852 ISSN: 2318-7670
Visualizador de água e solo: uma ferramenta de suporte ao gerenciamento
de recursos naturais e sua aplicabilidade em sistemas multiagente
Fernanda Pinto MOTA1*, Matheus M. GONÇALVES2, Diana Francisca ADAMATTI2,
Marilton Sanchotene de AGUIAR3
1Programa de Pós-graduação em Engenharia Eletrônica e Computação, Universidade Católica de Pelotas, Pelotas, RS, Brasil.
2 Centro de Ciências Computacionais, Universidade Federal do Rio Grande, Rio Grande, RS, Brasil.
3Programa de Pós-graduação em Ciência da Computação, Universidade Federal de Pelotas, Pelotas, RS, Brasil.
E-mail: nandapm2010@gmail.com*
ORCID: (0000-0002-7884-6562; 0000-0003-4588-9547; 0000-0003-3829-3075; 0000-0002-5247-6022)
Submetido em 19/05/2022; Aceito em 14/07/2022; Publicado on 16/09/2022.
RESUMO: Os recursos e serviços hídricos estão diretamente ligados ao crescimento econômico e à
sustentabilidade ambiental. Devido a isso, é importante aperfeiçoarmos a coleta, a análise e a percepção dos
processos físicos da água. O objetivo deste trabalho é identificar e avaliar como a plataforma Google Earth
Engine pode auxiliar no contexto de análise de dados em recursos hídricos, bem como realizar a integração
inicial com a técnica de Sistemas multiagente, de forma a obter um sistema dinâmico e bastante similar a
realidade dos sistemas ambientais. O GEE integra as tecnologias presentes em sistemas de informação
geográficas, tornando-a interessante para o desenvolvimento de aplicações voltadas para os recursos naturais,
e os sistemas multiagente buscam integrar aspectos comportamentais/humanos aos sistemas computacionais.
O estudo de caso desta pesquisa foi aplicado no gerenciamento de recursos hídricos da bacia hidrográfica da
Lagoa Mirim e Canal São Gonçalo. Os dados disponibilizados são uma ferramenta de suporte ao Comitê de
Gerenciamento das Bacias Hidrográficas, que pode entender e analisar esta região de forma mais completa.
Palavras-chave: recursos naturais; recursos hídricos; uso do solo; ferramentas computacionais.
Water and soil viewer: a support tool to the management of natural resources
ABSTRACT: Researchers linked water resources and services directly to economic growth and environmental
sustainability. In this way, it is essential to store, analyze and understand the water's physical processes. This
work aims to identify and validate how the platform Google Earth Engine (GEE) can assist in the analysis of
data in water resources, as well as perform the initial integration with the technique of Multi-agent Systems, in
order to obtain a dynamic system and quite similar to the reality of environmental systems. GEE integrates the
technologies present in geographic information systems, making it interesting to develop applications aimed at
natural resources and multi-agent systems aim to integrate behavioral/human aspects into computer systems.
We applied the case study of this research to manage water resources of the hydrographic basin of Lagoa Mirim
and Canal São Gonçalo. The data available is a tool to support the Hydrographic Basin Management
Committee, which can understand and analyze this region in a more complete way.
Keywords: natural resources; hydric resources; land use; computational tools.
1. INTRODUÇÃO
Os recursos naturais são substâncias presentes na
natureza (água, energia solar, vento, entre outros) que são
necessários à humanidade tanto para cultivo, quanto para a
vida em sociedade em relação ao processo de
desenvolvimento da civilização e para sobrevivência e
conforto dos indivíduos (CARR et al., 2012). Devido a isso,
a gestão dos recursos hídricos ganhou impulso crescente nas
últimas décadas, pois visa melhorar a forma como os
elementos naturais são gerenciados (DARBY, 2010). No que
se refere ao recurso hídrico, o Brasil possui extensas bacias
hidrográficas que apontam incontáveis conflitos relacionados
à distribuição, gestão e compartilhamento da água (BORN et
al., 2019). Em uma bacia, o recurso hídrico é um componente
natural principal e renovável, sendo seu gerenciamento
relacionado à procura por possíveis soluções para os desafios
enfrentados pelos gestores e usuários de um ecossistema
específico (ADAMATTI et al., 2005).
Tamaio et al. (2021) destacam que a escassez hídrica
ocorre, principalmente, por causa das desigualdades sociais,
as quais são responsáveis pelo uso, alocação e conservação
da água de forma desigual. Neste sentido, estudos como
Jacobi; Francalanza (2005), Feitosa et al. (2021) e Feitosa et
al. (2021) preocupam-se em representar o processo de
negociação de conflito na gestão participativa do uso da água,
estes trabalhos auxiliam na compreensão do problema e no
desenvolvimento de boas práticas para a educação ambiental.
Devido a isso, é necessária a análise dos dados referentes aos
recursos hídricos tanto sobre os níveis de rios, lagos,
barragens, entre outros como das alterações pluviométricas.
Neste sentido, previamente ao sensoriamento remoto, a
verificação topográfica era a única forma de aferição de
dados. No entanto, esse procedimento era demorado, caro e
algumas vezes os resultados não eram precisos (JACOBI;
FRANCALANZA, 2005).
Mota et al.
Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
297
De acordo com Dang et al. (2018), o sensoriamento
remoto fornece um procedimento temporal e espacial que
permite o rastreamento de um registro histórico, o qual é útil
para monitoramento das informações da água em áreas que
não possuem um programa de monitoramento em terra. O
sensoriamento remoto pode ser utilizado desta forma para
auxiliar na análise e no gerenciamento da qualidade da água,
risco de inundação e identificação de danos, bem como
alterações nos recursos hídricos superficiais (DANG et al.,
2018). Além disso, o sensoriamento remoto oferece uma
plataforma conveniente para monitoramento das alterações
espaço-temporais dos recursos hídricos de superfície aberta,
por meio da utilização de uma variedade de fontes de dados,
como imagens de espectrômetro com resolução moderada
(MODIS - do inglês, Moderate Resolution Imaging
Spectroradiometer) (NGUYEN et al., 2019), imagens Landsat
(NGUYEN et al., 2019) ou de Sentinel (NGUYEN et al.,
2019). Porém, em Wang et al. (2018), o qual é um estudo
relacionado a corpos d'água de superfície aberta foi utilizado
menos imagens durante um período específico para uma
região de grande escala, pois, segundo o autor, é difícil
processar grandes quantidades de imagens de sensoriamento
remoto (WANG et al. 2018).
A plataforma baseada em nuvem chamada Google Earth
Engine (GEE) foi desenvolvida para auxiliar a análise de
dados geoespaciais de sensoriamento remoto em larga escala
(Mutanga; Kumar, 2019). Neste sentido, o GEE tem sido
empregado em sistemas com dados em larga escala, tanto
para o mapeamento de terrenos urbanos quanto em corpos
d'água de superfície aberta (Mutanga; Kumar, 2019).
Os Sistemas Multiagente são uma técnica de inteligência
artificial que busca replicar comportamentos humanos em
máquinas, como aspectos cognitivos, comportamentais ou
emocionais. Sua utilização na área de recursos naturais vem
crescendo, visto que além de simular aspectos físicos do
ambiente, as pesquisas têm interesse em simular os aspectos
sociais que esses ambientes sofrem no decorrer do tempo.
Exemplos de aplicações de SMA em recursos naturais são
(LE PAGE et al., 2015; LE PAGE et al., 2017;
PERROTTON et al, 2017).
O principal objetivo deste trabalho é desenvolver uma
ferramenta no Google Earth Engine (GEE) para análise do
uso do solo e dos recursos hídricos na região da bacia no
estado do Rio Grande do Sul, bem como a integração do uso
da técnica de SMA em conjunto ao GEE, mostrando sua
aplicabilidade. Desta forma, além de acessar e tratrar dados
georreferenciados, também pode-se incluir aspectos
comportamentais humanos ao sistema proposto. Neste
trabalho será apresentado um estudo de caso no qual foi
avaliada a disponibilidade de dados e informações
disponibilizada pela GEE.
O artigo está organizado com a seguinte distribuição: a
Seção 2 apresenta a plataforma GEE; na Seção 3 é
apresentado o escopo do projeto onde é aplicado o estudo de
caso; a Seção 4 descreve a ferramenta proposta no GEE,
voltado para recursos hídricos, sendo que nessa seção (4), são
descritos os resultados e as discussões. Por fim, na seção 5
são apresentadas as conclusões e os trabalhos futuros.
2. FUNDAMENTAÇÃO TEÓRICA
2.1.
Google Earth Engine
O Google Earth Engine (GEE) é uma plataforma que foi
desenvolvida em 2010 pela Google para processamento de
dados geoespaciais de forma leve e fundamentada em nuvem.
O GEE permite o acesso a um elevado conjunto de dados
regionais, globais e espaciais que permite o acesso e análise
eficiente de fontes com grandes volumes de dados
(petabytes) geoespaciais (como imagens de sensoriamento
remoto Landsat e MODIS, entre outros). Estes dados são
armazenados e acessados a partir de servidores do Google e
podem ser utilizados em um período de tempo menor e em
computadores que não tem um grande processamento
(GORELICK et al., 2017). A interface do GEE pode ser
visualizada na Figura 1.
Figura 1. Plataforma GEE. Fonte: Os autores.
Figure 1. GEE platform. Source: The authors.
Comparado com outras plataformas de nuvem como
Amazon Web Services (AWS, lançado em 2006) e Microsoft
Azure (lançado em 2010), o GEE suporta diferentes tipos de
dados geoespaciais (como, Sentinel e dados Landsat iniciais)
e fornece serviços gratuitos para todos os usuários, o que é
especialmente importante em países menos desenvolvidos
(ZHAO et al., 2021). Além disso, no GEE é empregado um
sistema de processamento paralelo para fazer a computação
Visualizador de água e solo: uma ferramenta de suporte ao gerenciamento de recursos naturais ...
Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
298
em um número elevado de máquinas. Para habilitar esse
processamento, o GEE utiliza as técnicas que são utilizadas
em linguagens funcionais, como transparência referencial e
avaliação lenta, para que seja possível obter proveitos
significativos relacionados a otimização e eficiência
(GORELICK et al., 2017).
Segundo Zhao et al. (2021), a GEE é atualmente a
plataforma de computação em nuvem mais popular na
ciência do sistema terrestre e foi amplamente utilizada para
processamento de dados relacionados a uma variedade de
áreas como mudanças ambientais, incluindo agricultura
(XIONG et al., 2017), água (KANDEKAR et al., 2021),
cobertura/uso da terra (ZURQANI et al., 2018), desastres
(DEVRIES et al., 2020), mudança climática (HAO et al.,
2019), solo (PADARIAN et al., 2015), pântano (ALONSO
et al., 2016), floresta (BULLOCK et al., 2020) e urbanização
(GOLDBLATT et al., 2018), entre outras (TAMIMINIA et
al., 2020). O GEE fornece aos usuários dados de observação
da Terra para download público na escala de petabytes,
algoritmos avançados para analisar big data geográfico e um
ambiente de programação interativo. O GEE também
hospeda longas séries temporais de registros de observação
da Terra e desempenha um papel vital no monitoramento e
análise ambiental (AMANI et al., 2020).
A disponibilidade de grandes volumes de imagens da série
Landsat de forma gratuita, juntamente com os avanços nos
métodos de processamento de imagem e capacidade
computacional possibilitaram, em 2008, que fosse
armazenado pelo Google todos esses dados e os vinculasse
ao mecanismo de computação em nuvem, permitindo assim,
o uso em código aberto destas imagens (GORELICK et al.,
2017). As bases de dados do Google incluem elementos de
outros satélites, bem como conjuntos de dados vetoriais com
informações geográficas (GIS - Geographic Information System),
modelos climáticos, demográficos, de elevação e sociais
(GORELICK et al., 2017). Existem várias maneiras de
interagir com a plataforma GEE.
Para a implementação de aplicações no GEE é utilizada
a linguagem de programação JavaScript. O GEE é
constituído pelos seguintes módulos (GORELICK et al.,
2017; Kumar; Mutanga, 2019): i) Code Editor, IDE para
escrever e executar scripts; ii) Explorer, aplicativo para
explorar os dados do GEE e executar análises triviais; e, iii)
bibliotecas cliente em JavaScript, funcionalidades para
auxiliar os usuários no desenvolvimento de seus protótipos.
Além disso, o GEE tem um front-end acessível, que fornece
um ambiente adequado para o desenvolvimento interativo de
sistemas computacionais. Os pesquisadores podem
acrescentar e selecionar dados particulares de sua pesquisa,
bem como coleções de imagens, por meio do uso dos
recursos em nuvem do Google, o qual realiza todo o
processamento (GORELICK et al., 2017).
O Google Earth Engine possibilita aos pesquisadores tanto
os ligados a instituições de ensino quanto os independentes a
investigar a imensa base de dados geoespaciais contida na
plataforma para realizar ações como detecção de mudanças,
mapeamento de tendências e quantificação de recursos na
superfície da Terra. O GEE não precisa de máquinas com
grande poder computacional ou de software complexos, o
que possibilita aos indivíduos com poucos recursos
financeiros terem a oportunidade de realizar suas análises,
assim como cientistas que têm grandes financiamentos
(KUMAR; MUTANGA, 2019).
Sidhu et al. (2018) avaliaram as manipulações de
varredura e vetor em imagens do Landsat, espectrômetro de
imagens com resolução moderada e imagens GlobCover na
plataforma de sensoriamento remoto GEE. Em seu estado
atual, o GEE provou ser uma ferramenta poderosa,
fornecendo acesso a uma ampla variedade de imagens em um
sistema consolidado. Os autores analisaram, como caso de
uso, o uso e a cobertura da terra de Cingapura no GEE.
Kandekar et al. (2021) analisaram as imagens da série
Sentinel-2 de um período de cinco anos (2015 à 2019) da
barragem Jayakwadi por meio da plataforma GEE. O
objetivo deste trabalho é calcular a faixa de distribuição de
água da barragem de Jayakwadi, sendo que a área dos corpos
d'água dessa represa no rio Godavari na vila Jayakwadi do
distrito de Paithan taluka de Aurangabad, no estado indiano
de Maharashtra, foi obtida a partir do método de índice de
corpo d'água comum chamado NDWI.
Hao et al (2019) investigaram os fatores climáticos
afetados pelo LULCC (Land use and land cover change) incluindo
temperatura do ar, precipitação e evapotranspiração com
base nos dados do Global Land Data Assimilation System
(GLDAS), bem como a cobertura vegetal e LST (Land Surface
Temperature) no período de 2000 a 2015. Os autores acreditam
que o estudo pode fornecer sugestões oportunas para a
proteção ambiental e para o desenvolvimento sustentável do
TGRC (Three Gorges Reservoir Catchment).
Tamiminia et al. (2020) fizeram uma revisão sistemática
sobre o GEE com foco em vários recursos, incluindo dados,
tipo de sensor, área de estudo, resolução espacial, aplicação,
estratégia e métodos analíticos. Um total de 349 artigos foram
publicados em 146 periódicos diferentes entre 2010 e
outubro de 2019. As publicações e tendências de distribuição
geográfica mostraram um amplo espectro de aplicações em
análises ambientais em escalas regional e global. Conjuntos
de dados de sensoriamento remoto foram usados em 90%
dos estudos, enquanto 10% dos artigos utilizaram produtos
prontos para uso para análises. Além disso, imagens ópticas
de satélite com resolução espacial média, particularmente
dados Landsat com um arquivo superior a 40 anos, têm sido
amplamente utilizadas.
Tsai et al. (2018) desenvolveram técnicas de classificação
de imagens de satélite que possam mapear a cobertura
florestal e o uso da terra, minimizando os problemas de
nuvem e fornecendo a base para o monitoramento a longo
prazo da Reserva Natural Nacional de Fanjingshan. Os
resultados da avaliação de precisão indicam que uma
classificação geral consistente e eficaz pode ser alcançada por
meio de SVI multitemporais com normalização da
iluminação simples e dados auxiliares de elevação, apesar dos
dados limitados de treinamento.
Assim, acredita-se que o GEE é uma plataforma que
pode auxiliar na análise em larga escala de dados
georreferenciados relacionados aos recursos hídricos, os
quais são o foco deste trabalho.
2.2. Sistemas Multiagente - SMA
Um Sistema Multiagente é composto de diversos agentes
interagindo em um ambiente onde existe o comportamento
autônomo de cada um deles e, também, a interação
(WOOLDRIDGE, 2002).
Os modelos biológicos, assim como as interações sociais,
servem de inspiração para o desenvolvimento de sistemas
onde agentes inteligentes podem ser concebidos por meio de
dispositivos de hardware e/ou software (ARTERO, 2009).
Mota et al.
Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
299
Os agentes representados por estes equipamentos ou
programas devem ter a capacidade de perceber seu ambiente
por meio de sensores e de agir sobre este por meio de
atuadores (RUSSELL; NORVIG, 2013).
Segundo Nwana (1996), os agentes possuem três
características importantes: cooperar, aprender e agir de
maneira autônoma. Bordini et al. (2001) ainda acrescenta
coordenação, competição e negociação como aspectos
relevantes na concepção de agentes.
3. MATERIAL E MÉTODOS
3.1. Escopo do Projeto
O estudo proposto neste trabalho faz parte do projeto
“Gestão participativa dos recursos hídricos utilizando jogos
computacionais e sistemas multiagente”1 que pode ser
observado na Figura 2.
Figura 2. Visão geral do projeto. Adaptado de Melo et al. (2020).
Figure 2. Project overview. Adapted from Melo et al. (2020).
O projeto tem como objetivo a aplicação conjunta da
Simulação Baseada em Multiagente (MABS) e dos Jogos de
Papéis (RPGs) na gestão participativa dos recursos hídricos,
conforme pode ser observado na Figura 2. Em especial, é
utilizada a base de dados do estado do Rio Grande do Sul
com foco na aplicação-piloto do trabalho no Comitê de
Gerenciamento das Bacias Hidrográficas da Lagoa Mirim e
do Canal São Gonçalo, que contornam as cidades de Rio
Grande e Pelotas, entre outras. O projeto está dividido em
três etapas: jogo de mesa, jogo computacional e simulação
baseada em agentes.
Durante a fase da modelagem foram feitas a definição e
formalização das ações e interações dos papéis para o
desenvolvimento das regras e do motor do jogo. Sendo que
o motor do jogo foi desenvolvido na linguagem de
programação Java por dois integrantes do projeto e serve
para computar as ações escolhidas pelos jogadores do RPG
ao final de cada rodada. O trabalho de Martins; Adamatti
(2020) apresenta o detalhamento da modelagem dos papéis e
regras do jogo, bem como sua implementação. O jogo de
mesa serviu para embasar e calibrar as ações do jogo, de
forma a verificar as tomadas de decisão dos jogadores. No
site do projeto, este jogo de mesa pode ser acessado e
utilizado (cartões e regras).
Por fim, a pesquisa proposta neste artigo visa contribuir
com o projeto ao identificar e avaliar como o GEE pode
auxiliar na análise de dados de recursos hídricos. Devido ao
fato do GEE integrar as tecnologias presentes em sistemas
de informação geográficas, este trabalho tem como objetivo
1 http://gprh.c3.furg.br/
desenvolver uma aplicação voltada para os recursos naturais,
por meio da integração do SMA com o GEE, mostrando sua
aplicabilidade.
3.2. Descrição das Funcionalidades da Aplicação
Com o alto poder de processamento necessário para o
tratamento de dados geoespaciais, os recursos fornecidos
pelo GEE para trabalhar com esse tipo de dado são uma
grande ferramenta capaz de auxiliar no estudo e
processamento de tais dados. Possibilitando também, meios
para a criação de aplicações em sua plataforma, capazes de
utilizar todos seus recursos para o tratamento de dados em
contextos específicos.
O Visualizador de Água e Solo contém recursos
disponíveis para análise de cobertura e uso do solo e da
precipitação no estado do Rio Grande do Sul. Para a
construção deste visualizador foram utilizados tanto dados
nativos do GEE (que foram tratados ou obtidos diretamente
de satélites, juntamente), quanto dados específicos ligados à
região da Bacia Lagoa Mirim e Canal São Gonçalo, sendo a
região de foco deste trabalho.
O componente Uso do solo tem como principais funções
a apresentação da cobertura e uso do solo no Rio Grande do
Sul ou em sub-regiões do estado e a análise de cobertura ou
uso do solo limitado por região em uma determinada escala
de tempo. Na apresentação e na análise da cobertura e uso
do solo são utilizados como limites geográficos, arquivos de
localidades que compõem a região da Bacia da Lagoa Mirim
e Canal São Gonçalo e o limite que demarca o estado do Rio
Grande do Sul, os quais são fornecidos pela Secretaria
Estadual do Meio Ambiente -- SEMA. Os limites
geográficos utilizados neste trabalho são: i) área urbana na
região da bacia; ii) áreas de conservação ambiental na bacia;
iii) área total da bacia; iv) área territorial da bacia no
Brasil(região que exclui todos os corpos d'água); v) cidades
na região da bacia tanto no Brasil quanto no Uruguai; vi)
corpos d’água da bacia(rios, lagos e lagoas ligados a bacia);
vii) capacidade do uso do solo na bacia; ix) massa d’água
externa à bacia (Lagoa dos Patos); x) rodovias que cruzam a
bacia; xi) delimitação do estado do rio Grande do Sul; xii)
massa d’água interna à bacia; xiii) escoamento dos Corpos
d’água na bacia; xiv) perímetro ao redor das áreas de
conservação ambiental.
O processamento dos dados que definem cada tipo de
cobertura e uso do solo utiliza coleções fornecidas pelo
Mapbiomas2, que é uma iniciativa do SEEG/OC (Sistema de
Estimativas de Emissões de Gases de Efeito Estufa do
Observatório do Clima) para possibilitar a análise de
diferentes biomas no Brasil. Para a demonstração da
cobertura e uso do solo são utilizadas as imagens referentes
aos dados de integração do ano de 2018, os quais são
pertencentes a coleção 4.0 para o estado do Rio Grande do
Sul. As imagens utilizadas para análise pertencem à mesma
coleção, porém são referentes aos dados transição do período
de 1985 a 2018. Onde são comparadas as imagens em um
determinado intervalo de tempo, analisando a cobertura ou
uso do solo em questão, gerando uma nova imagem que
mostra a região que permaneceu sendo aquela cobertura ou
uso do solo, a região que decaiu ou deixou de ser e a região
que cresceu e passou a ser tal cobertura ou uso do solo. Sendo
2 https://mapbiomas.org/
Visualizador de água e solo: uma ferramenta de suporte ao gerenciamento de recursos naturais ...
Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
300
limitada geograficamente por um dos limites citados ou uma
área circular definida por um raio em ponto do estado.
O componente Índice de chuva tem como principal
função a análise da precipitação em uma determinada região,
utilizando limites geográficos do estado do Rio Grande do
Sul. Podendo ser feita através de dados de satélite ou das
bases de dados de estações pluviométricas do estado do Rio
Grande do Sul. Para indicar um índice de chuvas através de
satélites, são utilizados satélites da Missão de Medição de
Chuva Tropical (TRMM), uma missão conjunta entre a
NASA e a Agência de Exploração Aeroespacial do Japão
(JAXA), projetada para monitorar e estudar as chuvas
tropicais. Tais dados pertencem a classe 3B42 que tem seus
dados coletados a cada três horas no formato
milímetros/hora e a classe 3B43V7 que compõe seus dados
através de estimativas de dados de outros satélites incluindo
a classe 3B42
A análise de dados das bases das estações pluviométricas
utiliza dados de estações dentro e fora da Bacia Lagoa Mirim
e Canal São Gonçalo, os quais são fornecidos pela Agência
Nacional das Águas (ANA) e pelo governo Uruguaio. As
estações se encontram por todo o estado e em algumas
cidades do Uruguai, seus dados são divididos em brutos e
consistidos, dados que passaram por algum método de
classificação, mas contém lacunas nos dados coletados e
brutos consistidos e preenchidos, dados com todas as lacunas
preenchidas através de métodos matemáticos e análise de
estações próximas.
Os dados do tipo brutos e consistidos tem um intervalo
particular para cada estação, já os brutos consistidos e
preenchidos têm o intervalo padrão de 2001 à 2019, sendo o
período definido por convenção.
3.3. Integração com Sistemas Multiagente
O projeto sofreu um aprimoramento ao ser desenvolvida
no GEE uma modelagem inicial do problema do fluxo d'água
nas regiões próximas a Bacia hidrográfica da Lagoa Mirim e
Canal São Gonçalo por meio de sistemas multiagente. Na
Figura 3 pode-se observar no GEE as doze regiões da bacia,
que foram obtidas a partir da base de dados da Secretaria
Estadual de Meio Ambiente do estado do Rio Grande do Sul,
no âmbito do Comitê de Gerenciamento das Bacias
Hidrográficas da Lagoa Mirim e do Canal São Gonçalo, que
envolvem as cidades de Rio Grande e Pelotas/RS.
O modelo foi desenvolvido na plataforma GEE a partir
da biblioteca js-Simulator (Jssim), no qual os agentes são
eventos que podem ser programados para serem executados
em um determinado período. O simulador de eventos
discretos é gerenciado no Jssim por meio da classe Scheduler
que programa e dispara eventos com base em sua
especificação de tempo e classificação, ou seja, de acordo
com ordem do evento.
A lógica principal de um evento é definida em seu método
de atualização (deltaTime), ou seja, os eventos com
classificação maior. Eventos com prioridade alta e tempo de
disparo precedente serão executados primeiro pelo
Scheduler. Um evento também pode ser planejado para
disparar em um momento posterior a partir do horário atual.
Os eventos com a mesma classificação serão embaralhados
antes da execução. Desta forma, é possível criar uma
estrutura de raciocínio para cada uma da sub-bacias, com
fluxos diferentes (demandas) e, também, ordem e tempos de
execução diversos.
Figura 3. Regiões ao redor da bacia hidrográfica da Lagoa Mirim e
Canal São Gonçalo.
Figure 3. Regions around the watershed of Lagoa Mirim and Canal
São Gonçalo.
4. RESULTADOS
Nessa seção são ilustrados os recursos da aplicação, a fim
de apresentar e detalhar sobre seu funcionamento. A partir
dos resultados obtidos no estudo desenvolvido em Born et
al. (2020), foi definida a escolha da plataforma GEE para o
desenvolvimento da ferramenta Visualizador de Água e Solo
(VAS). A pesquisa desenvolvida neste trabalho é uma
continuidade do que foi desenvolvido em Mota et al. (2020).
As métricas para análise e escolha da plataforma GEE foram
anteriormente detalhadas em Born et al. (2020).
No menu inicial há um painel com dois botões
relacionado aos componentes Uso do Solo e Índice de chuva,
juntamente com uma visualização da cobertura e uso do solo
limitada pelo estado do Rio Grande do Sul, conforme pode
ser observado na Figura 4.
No componente Uso do solo (Figura 5) é possível
modificar a região que limita a visualização através do menu
selecionar Limites geográficos - Região bacia Mirim/SG e
visualizar as classes de cobertura e uso do solo da forma que
for mais conveniente para o usuário do sistema, através das
caixas que definem quais classes estão sendo observadas no
momento.
É possível também analisar um tipo de cobertura ou uso
do solo de duas maneiras: raio de consulta e área definida.
Ambas necessitam que seja fornecido, além do tipo de dado,
o intervalo de tempo em questão. O resultado apresentado é
o decaimento, a permanência e o crescimento do tipo de
cobertura ou uso do solo escolhido. O raio de consulta
(Figura 6) é obtido por meio do tamanho do raio (em
quilômetros) e de uma coordenada a qual centralizará esse
raio, ambos fornecidos pelo usuário. O tamanho do raio é
fornecido através de uma caixa de texto e a coordenada
fornecida através de um clique feito sobre o mapa. A área
definida se refere aos limites geográficos citados ao longo do
trabalho, a qual é selecionada por um outro menu seleciona
Limites geográficos - Região bacia Mirim/SG e segue o
mesmo padrão de mostragem do método anterior.
Mota et al.
Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
301
Figura 4. Tela Inicial. Fonte: Os autores.
Figure 4. Home screen. Source: The Authors.
Figura 5. Uso do solo. Fonte: Os autores.
Figure 5. Land use. Source: The Authors.
No componente Índice de chuva (Figura 7) é possível
fazer a análise da precipitação de três formas, onde duas das
análises utilizam dados de satélite e a terceira os dados de
precipitação das estações pluviométricas. A primeira e
segunda forma compartilham dos mesmos métodos para
delimitar uma região utilizada na análise de cobertura e uso
do solo.
As análises são feitas através de um raio de consulta ou
de uma área definida (Figura 8), ambas necessitando de um
período de tempo, o qual é definido por padrão no mês de
dezembro de 2019, tendo como resultado o gráfico de
representação da precipitação nas condições definidas.
A terceira análise utiliza a localização das estações
pluviométricas, representadas por uma circunferência de
cinquenta quilômetros de raio, que define a região de validade
de seus dados. Além disso, é possível analisar os dados de até
três estações de uma única vez. Por fim, pode-se apresentar
um gráfico de representação da precipitação nas condições
definidas para cada uma das estações, conforme pode ser
observado na Figura 9.
Em todas as análises é possível para o usuário a expansão
dos gráficos, para que se obtenha uma melhor análise dos
dados. Também sendo disponibilizados para download nos
formatos CSV, SVG e PNG.
Visualizador de água e solo: uma ferramenta de suporte ao gerenciamento de recursos naturais ...
Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
302
Já na modelagem do fluxo de água, podemos observar na
Figura 10, o modelo multiagente implementado na
plataforma GEE. Neste modelo, cada região representa um
agente que pode enviar água para os vizinhos próximos. A
Tabela 1 demonstra a direção que o fluxo d'água pode seguir
de um agente em direção ao outro. As colunas representam
os agentes e cada linha descreve com quais regiões cada
agente pode se comunicar. Os agentes enviam uma
mensagem avisando a quantia de água que receberam e a
quantia que estão enviando para os vizinhos. Neste trabalho
consideramos que um agente envia 90% da água que recebe
para os outros agentes e mantém 10% em sua região.
Na Figura 11 podemos observar a troca de mensagens
entre as regiões da Bacia hidrográfica da Lagoa Mirim e Canal
São Gonçalo sobre a quantidade de água que receberam e
quanto de água estão enviando e para qual região. O fluxo de
água entre essas regiões foi desenvolvido a partir da Tabela
1.
Figura 6. Uso do solo - Análise por raio de consulta. Fonte: Os autores.
Figure 6. Land use - Analysis by query radius. Source: The Authors.
Figura 7. Índice de chuva. Fonte: Os autores.
Figure 7. Rain index. Source: The Authors.
Mota et al.
Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
303
Tabela 1. Matriz de fluxo da água entre as regiões.
Table 1. Water flow matrix between regions.
Figura 8. Índice de chuva - Análise por área definida. Fonte: Os autores.
Figure 8. Rainfall index - analysis by defined area. Source: The Authors.
5. DISCUSSÕES
A partir deste estudo e da análise dos resultados acredita-
se, que o GEE é uma plataforma que pode facilitar a análise
em larga escala de dados georreferenciados relacionados aos
recursos hídricos, os quais desempenham um papel crucial
no crescimento econômico e na sustentabilidade ambiental.
Além disso, a modelagem do fluxo de água avaliar o fluxo
de água em diferentes regiões bem como o impacto dos rios
e lagos ao longo da bacia, permitindo a análise da direção que
a água pode seguir e sua influência nas demais regiões.
Também é possível analisar quais regiões podem se
comunicar, permitindo a avaliação da quantia de água que
receberam e a quantia que estão enviando para os vizinhos.
6. CONCLUSÕES E PRÓXIMOS PASSOS
A plataforma GEE se mostrou robusta para o tratamento
de diferentes tipos de dados em uma mesma aplicação,
possibilitando a adaptabilidade para mesclar informações de
outras fontes de dados juntamente com seus dados de
satélite. Não havendo nenhum tipo de interferência direta no
processamento dos dados que se encontraram em tal
situação. Em contraponto, ocorreram algumas restrições para
alimentar a plataforma com simples tabelas de dados, dos
quais continham um formato conhecido e aceito pelo GEE.
Contudo ocorreram complicações na maneira como os
recursos disponíveis para tratar tais dados o reconhecessem,
já que simples tabelas e utilizam os mesmos recursos
fornecidos para o tratamento de features, dados com
estruturas mais complexas.
O processamento da plataforma é dividido em cliente e
servidor, consistindo na execução e processamento dos
algoritmos diretamente na aplicação e fazendo requisições a
processamentos feitos no servidor. Nessa aplicação foi
explorado em sua grande maioria o processamento feito na
parte do cliente, o qual se demonstrou completamente viável
para a maior parte das análises e comparações de dados feitas
em tempo real na aplicação. Porém para processar e filtrar
imagens com grande quantidade de pixels, como é feito na
análise de cobertura e uso do solo, utilizando apenas o
processamento feito no lado do cliente, se mostrou com
Visualizador de água e solo: uma ferramenta de suporte ao gerenciamento de recursos naturais ...
Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
304
certas dificuldades para manter o desempenho da aplicação
em determinadas densidades e extensões de pixels tratados
em uma única imagem.
A integração, mesmo que inicial, com SMA, mostra que
é viável a utilização do GEE com outras tecnologias, de
forma a ter-se sistemas dinâmicos e que podem replicar as
realidades encontradas no ambiente. Desta forma, integrar
aspectos comportamentais humanos é uma possibilidade e
pode tornar os sistemas mais próximos a realidade das regiões
a serem analisadas. É importante salientar que os avanços
científicos desta pesquisa não estão restritos ao
desenvolvimento a ferramenta proposta. Esta ferramenta é
um meio de validar os preceitos teóricos da pesquisa, que
envolvem a inclusão de diversos tipos de dados ambientais e
o desenvolvimento de agentes que possam realizar a tomada
de decisão baseada em comportamentos próximos aos dos
stakeholder das regiões de pesquisa. No estudo de caso
proposto, acredita-se que com os experimentos, avanços
neste sentido foram realizados.
Como trabalhos futuros pretende-se incluir dados de
estações meteorológicas pertencentes ao estado do Rio
Grande do Sul, disponibilizando análises de diferentes tipos
de dados como temperatura e umidade relativa do ar,
temperatura do ponto de orvalho, temperatura máxima e
mínima, temperatura máxima e mínima do ponto de orvalho
e umidade relativa máxima e mínima do ar. Também
vislumbra-se tornar os agentes mais “inteligentes”, ou seja,
incorporar mais comportamentos racionais para tomada de
decisão, de forma a ter-se simulações mais próximas a
realidade.
Figura 9. Índice de chuva - Análise dos dados de estações pluviométricas. Fonte: Os autores.
Figure 9. Analysis of data from rainfall stations. Source: The Authors.
Figura 10. Modelo multiagente implementado na plataforma GEE. Fonte: Os autores.
Figure 10. Multiagent model implemented on the GEE Platform. Source: The Authors.
Mota et al.
Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
305
Figura 11. Troca de mensagens entre as regiões da Bacia hidrográfica da Lagoa Mirim e Canal São Gonçalo.
Figure 11. Exchange of messages between the regions of the Lagoa Mirim and Canal São Gonçalo hydrographic basins.
6. REFERÊNCIAS
ADAMATTI, D. F.; SICHMAN, J. S.; BOMMEL, P.;
DUCROT, R.; RABAK, C.; CAMARGO, M. (2005).
Jogoman: A prototype using multi-agent-based
simulation and role-playing games in water management.
In: SMAGET-CABM-HEMA, 2005. Proceedings...
18p. Disponível em:
https://citeseerx.ist.psu.edu/viewdoc/download?doi=1
0.1.1.60.8928&rep=rep1&type=pdf
ALONSO, A.; MUÑOZ-CARPENA, R.; KENNEDY, R.
E.; MURCIA, C. Wetland landscape spatio-temporal
degradation dynamics using the new Google Earth
Engine cloud-based platform: opportunities for non-
specialists in remote sensing. Transactions of the
ASABE, v. 59, n. 5, p. 1331-1342, 2016. DOI:
10.13031/trans.59.11608
AMANI, M.; GHORBANIAN, A.; AHMADI, S. A.;
KAKOOEI, M.; MOGHIMI, A.; MIRMAZLOUMI, S.
M.; MOGHADDAM, S. H. A.; MAHDAVI, S.;
GHAHREMANLOO, M.; PARSIAN, S.; WU, Q.;
BRISCO, B. Google earth engine cloud computing
platform for remote sensing big data applications: A
comprehensive review. IEEE Journal of Selected
Topics in Applied Earth Observations and Remote
Sensing, v. 13, p. 5326-5350, 2020. DOI:
10.1109/JSTARS.2020.3021052.
ARTERO, A. O. Inteligência Artificial: Teoria e Prática.
1 ed. São Paulo: Editora Livraria da Física, 2009. 230p.
BORN, M.; LEITZKE, B. S.; FARIAS, G.; AGUIAR, M.;
ADAMATTI, D. F. Modelagem baseada em agentes para
análise de recursos hídricos. In: Workshop-Escola de
Sistemas de Agentes, seus Ambientes e aplicações
(WESAAC), XIII, 2019. Anais... Florianópolis/SC, p.
107-118. Disponível em:
http://wesaac.c3.furg.br/storage/proceedings/D4bRkn
9DoX2WIrv9jNLopaVtGc4qGk9OkOBV0msJ.pdf
BORDINI, R. H.; VIEIRA, R.; MOREIRA, A. F.
Fundamentos de sistemas multiagentes. In: Congresso da
Sociedade Brasileira de Computação (SBC), XXI, 2001.
Anais... Fortaleza/CE. v. 2, p. 3-41. Disponível em:
www.sol.sbc.org.br.
BORN, M.; MOTA, F. P.; FARIAS, G.; MATEUS, M. G.;
LEITZKE, B.; AGUIAR, M. S.; ADAMATTI, D. F.
Estudo comparativo em gama e google earth engine:
possibilidades para a área de sistemas multiagente. In:
Workshop de Computação Aplicada ao Meio Ambiente
e aos Recursos Naturais (WCAMA), 2020.
BULLOCK, E. L.; WOODCOCK, C. E.; OLOFSSON, P.
Monitoring tropical forest degradation using spectral
unmixing and Landsat time series analysis. Remote
sensing of Environment, v. 238, e110968, 2020.
CARR, G.; BLÖSCHL, G.; LOUCKS, D. P. Evaluating
participation in water resource management: A review.
Water Resources Research, v. 48, n. 11, W11401, 2012.
DANG, T. D.; COCHRANE, T. A.; ARIAS, M. E.
Quantifying suspended sediment dynamics in mega deltas
using remote sensing data: a case study of the Mekong
flood plains. International Journal of Applied Earth
Observation and Geoinformation, v. 68, p. 105-115,
2018.
DARBY, S. Natural resource governance: New frontiers in
transparency and accountability. Transparency
Accountability Initiative. 2010. Disponível em:
https://www.transparency-
initiative.org/blog/613/natural-resource-governance-
new-frontiers-in-transparency-and-accountability/
DEVRIES, B.; HUANG, C.; ARMSTON, J.; HUANG, W.;
JONES, J. W.; LANG, M. W. Rapid and robust
monitoring of flood events using Sentinel-1 and Landsat
data on the Google Earth Engine. Remote Sensing of
Environment, v. 240, p. 111664, 2020. DOI:
https://doi.org/10.1016/j.rse.2020.111664
FEITOSA, F. R.; SOUZA, R. B. B.; SOUZA, R. B.;
ALMEIDA NETO, P. P. de. Uso racional dos recursos
hídricos por meio da tecnologia da inovação no cerrado
brasileiro. Natural Resources, v. 11, n. 3, p. 105-110,
2021. DOI: https://doi.org/10.6008/CBPC2237-
9290.2021.003.0012
FEITOSA, S. P. S.; LUCAS, A. A. T.; GOMES, L. J.
Conflitos socioambientais na perspectiva do comitê da
bacia hidrográfica do rio Japaratuba. Research, Society
and Development, v. 10, n. 3, e8410312932, 2021.
GOLDBLATT, R.; STUHLMACHER, M. F.; TELLMAN,
B.; CLINTON, N.; HANSON, G.; GEORGESCU, M.;
WANG, C.; SERRANO-CANDELA, F.;
KHANDELWAL, A. K.; CHENG, W.-H.; BALLING
Jr, R. C. Using Landsat and nighttime lights for
supervised pixel-based image classification of urban land
cover. Remote Sensing of Environment, v. 205, p. 253-
275, 2018. DOI: 10.1016/j.rse.2017.11.026
Visualizador de água e solo: uma ferramenta de suporte ao gerenciamento de recursos naturais ...
Nativa, Sinop, v. 10, n. 3, p. 296-306, 2022.
306
GORELICK, N.; HANCHER, M.; DIXON, M.;
ILYUSHCHENKO, S.; THAU, D.; MOORE, R. Google
earth engine: Planetary-scale geospatial analysis for
everyone. Remote sensing of Environment, v. 202, p.
18-27, 2017. DOI: 10.1016/j.rse.2017.06.031
HAO, B.; MA, M.; LI, S.; LI, Q.; HAO, D.; HUANG, J.; GE,
Z.; YANG, H.; HAN, X. Land use change and climate
variation in the three gorges reservoir catchment from
2000 to 2015 based on the Google Earth Engine.
Sensors, v. 19, n. 9, p. 2118, 2019. DOI:
https://doi.org/10.3390/s19092118
JACOBI, P. R.; FRANCALANZA, A. P. Comitês de bacias
hidrográficas no Brasil: desafios de fortalecimento da
gestão compartilhada e participativa. Desenvolvimento
e Meio ambiente, n. 11-12, p. 41-49, 2005. DOI:
10.5380/dma.v11i0.7816
KANDEKAR, V. U.; PANDE, C. B.; RAJESH, J.; ATRE,
A. A.; GORANTIWAR, S. D.; KADAM, S. A.; GAVIT,
B. Surface water dynamics analysis based on sentinel
imagery and Google Earth Engine Platform: a case study
of Jayakwadi dam. Sustainable Water Resources
Management, v. 7, n. 3, p. 1-11, 2021. DOI:
https://doi.org/10.1007/s40899-021-00527-7
KUMAR, L.; MUTANGA, O. Google Earth Engine
Applications. Remoting Sensing, v. 11, n. 5, p. 1-4,
2019. DOI: https://doi.org/10.3390/rs10101509
LE PAGE, C.; DRAY, A.; GARCIA, C.; PEREZ, P.
Exploring how knowledge and communication influence
natural resources management with REHAB.
Simulation & Gaming, v. 47, n. 2, p. 257-284, 2016.
DOI: http://dx.doi.org/10.1177/1046878116632900
LE PAGE, C.; BOBO, K. S.; KAMGAING, O. W. T.;
NGAHANE, F. B.; WALTERT, M. Interactive
simulations with a stylized scale model to codesign with
villagers an agent-based model of bushmeat hunting in
the periphery of Korup National Park (Cameroon).
Journal of Artificial Societies and Social Simulation,
v. 18, n. 1, e08, 2015.
MARTINS, V. B.; ADAMATTI, D. F. Natural Resources
Management applied to Multiagent Systems and Role-
Playing Games. In: International Conference on
Distributed Computing and Artificial Intelligence, 17,
2020. Proceedings... L' Aquila/Italia. Disponível em:
https://researchr.org/publication/MartinsA20/authors
MELO, M., ADAMATTI, D. F. Mineração de Dados no
Domínio de Gestão de Recursos Naturais: Descoberta de
estratégias em um RPG. In: Workshop de Computação
Aplicada à Gestão do Meio Ambiente e Recursos
Naturais, XI, Anais... Porto Alegre: SBC, 2020. p. 21-30.
MOTA, F. P.; MATEUS, M. G.; AGUIAR, M. S.;
ADAMATTI, D. F. Google Earth Engine e sua
aplicabilidade na gestão de recursos hídricos. In:
Workshop de Computação Aplicada à Gestão do Meio
Ambiente e Recursos Naturais, XI, Anais... Porto
Alegre: SBC, 2020. p. 161-170.
MUTANGA, O.; KUMAR, L. Google earth engine
applications. Remoting Sensing, v. 11, n. 5, e591, p. 1-
4, 2019. DOI: https://doi.org/10.3390/rs11050591.
NWANA, H. S. Software agents: An overview. The
knowledge engineering review, v. 11, n. 3, p. 205–244,
1996.
NGUYEN, U. N.; PHAM, L. T.; DANG, T. D. An
automatic water detection approach using Zlandsat 8 oli
and google earth engine cloud computing to map lakes
and reservoirs in New Zealand. Environmental
monitoring and assessment, v. 191, n. 4, p. 235, 2019.
DOI: https://doi.org/10.1007/s10661-019-7355-x
PADARIAN, J.; MINASNY, B.; MCBRATNEY, A. B.
Using Google's cloud-based platform for digital soil
mapping. Computers & geosciences, v. 83, p. 80-88,
2015.
PERROTTON, A.; de GARINE, W. M.; VALLS-FOX, H.;
LE PAGE, C. My cattle and your park: Co-designing a
role-playing game with rural communities to promote
multi-stakeholder dialogue at the edge of protected areas.
Ecology and Society, v. 22, n. 1, e35, 2017. DOI:
https://doi.org/10.5751/ES-08962-220135
RUSSELL, S.; NORVIG, P. Inteligência Artificial. 3 ed.
Rio de Janeiro/RJ: Elsevier Ltda, 2013
SIDHU, N.; PEBESMA, E.; MARA, G. C. Using Google
Earth Engine to detect land cover change: Singapore as a
use case. European Journal of Remote Sensing, v. 51,
n. 1, p. 486-500, 2018. DOI:
https://doi.org/10.1080/22797254.2018.1451782
TAMAIO, I.; DAS CHAGAS, G. C. A Educação Ambiental
no contexto da escassez hídrica: o racionamento no
Distrito Federal entre 2017 e 2018. Revista Brasileira de
Educação Ambiental, v. 16, n. 2, p. 409-427, 2021.
TAMIMINIA, H.; SALEHI, B.; MAHDIANPARI, M.;
QUACKENBUSCH, L.; ADELI, S.; BRISCO, B.
Google Earth Engine for geo-big data applications: A
meta-analysis and systematic review. ISPRS Journal of
Photogrammetry and Remote Sensing, v. 164, p. 152-
170, 2020. DOI:
https://doi.org/10.1016/j.isprsjprs.2020.04.001
TSAI, Y. H.; STOW, D.; CHEN, H. L.; LEWISON, R.; AN,
L.; SHI, L. Mapping vegetation and land use types in
Fanjingshan National Nature Reserve using google earth
engine. Remote Sensing, v. 10, n. 6, e927, 2018. DOI:
https://doi.org/10.3390/rs10060927
WANG, C.; JIA, M.; CHEN, N.; WANG, W. Long-term
surface water dynamics analysis based on Landsat
imagery and the google earth engine platform: A case
study in the middle Yangtze river basin. Remote
Sensing, v. 10, n. 10, e1635, 2018. DOI:
https://doi.org/10.3390/rs10101635
WOOLDRIDGE, M. An Introduction to Multi agent
Systems. University of Liverpool, UK: John Wiley &
Sons Ltd., 2002. 488p.
XIONG, J.; THENKABAIL, P. S.; GUMMA, M. K.;
TELUGUNTLA, P.; POEHNELT, J.; CONGALTON,
R. G.; YADAV, K.; THAU, D. Automated cropland
mapping of continental Africa using Google Earth
Engine cloud computing. Journal of Photogrammetry
and Remote Sensing, v. 126, p. 225-244, 2017. DOI:
https://doi.org/10.1016/j.isprsjprs.2017.01.019
ZHAO, Q.; YU, L.; KI, X.; PENG, D.; ZHANG, Y.;
GONG, P. Progress and Trends in the Application of
Google Earth and Google Earth Engine. Remote
Sensing, v. 13, n. 18, p. 3778, 2021. DOI:
https://doi.org/10.3390/rs13183778
ZURQANI, H. A.; POST, C. J.; MIKHAILOVA, E. A.;
ACHLAUTMAN, M. A.; SHARP, J. L. Geospatial
analysis of land use change in the Savannah River Basin
using Google Earth Engine. International journal of
applied earth observation and geoinformation, v. 69,
p. 175-185, 2018. DOI:
https://doi.org/10.1016/j.jag.2017.12.006
