Como trabalhar com imagem de recursos naturais no campo e no escritório
Se você precisa usar imagem de recursos naturais para monitoramento de bacias, mapeamento de vegetação ou acompanhamento de mudanças no uso do solo, o processo é mais chato do que parece. A diferença entre um resultado útil e um que você vai ter que refazer inteiro está em três coisas: a resolução correta, o pré-processamento e saber qual índice aplicar em cada caso.
imagens de recursos naturais: o básico que ninguém conta
A primeira escolha é o sensor. Landsat 8/9 tem resolução de 30 metros nas bandas multiespectrais e é suficiente para acompanhar desmatamento, secas e variações sazonais de cultivos. Sentinel-2 oferece 10 metros e substituiu o Landsat na maior parte dos projetos recentes. Para coisas menores — uma mina, um trecho de rio, uma área de extração — você precisa de imagens comerciais como Planet ou WorldView, que custam dinheiro de verdade por quilômetro quadrado. O problema que ninguém avisa é que a maioria das pessoas baixa a imagem e já começa a classificar. Isso raramente funciona bem. O Landsat, por exemplo, tem ruído em fita. Se você não corrigir isso antes de qualquer coisa, vai acabar com faixas horizontais que se confundem com estradas ou cursos d'água na classificação final. A correção atmosférica também é obrigatória. Uma imagem bruta com névoa ou aerossois distorce completamente os índices de vegetação.
fluxo de trabalho que eu uso na prática
Eu baixo os dados pelo Google Earth Engine quando é Landsat ou Sentinel. A API é lenta no início, mas depois de configurada ela processa o que eu preciso em minutos. O QGIS ainda é útil para visualização rápida e exportação, mas para séries temporais ele trava com qualquer coisa acima de vinte cenas. Minha sequência habitual é esta: download com máscara de nuvens aplicada, correção atmosférica com Sen2Cor no Sentinel ou LEDAS no Landsat, cálculo dos índices, e só então classificação supervisionada com Random Forest. O Random Forest funciona bem porque ele lida com bands correlacionadas sem problema e não exige que você normalise os dados como um classificador SVM exigiria.
No Google Earth Engine, o código fica mais ou menos assim para uma série de Sentinel-2: Você define a região de interesse num polígono, filtra por data e por cobertura de nuvens abaixo de quinze por cento, aplica o índice NDVI usando a função de reducers do próprio engine, e exporta o resultado como geotiff. O engine cuida da correçãoTOA e da média de pixels dentro da geometria sem você precisar baixar nada.
O que me levou a mudar minha abordagem foi um projeto de monitoramento de uma área de mineração no interior de Minas Gerais. Eu estava usando a banda roja do Sentinel-2 diretamente para separar solo exposto de vegetação rasteira, e o resultado era inconsistente porque o solo mineral e a vegetação seca têm assinaturas espectrais muito parecidas naquela banda. A solução foi usar o índice NDBI (Normalized Difference Built-up Index), que combina as bandas do infravermelho de onda curta e do vermelho. O NDBI isola áreas urbanas e mineradas com muito mais clareza do que o NDVI faria nesse contexto. Eu testei os dois índices lado a lado e a diferença era de quase vinte pontos percentuais na acurácia do classificador.
👉 Clique no botão abaixo para saber mais sobre o assunto!
índices que valem a pena
O NDVI continua sendo o padrão, mas ele satura em biomassa alta. Quando você tem floresta densa, o índice não consegue mais distinguir diferenças reais de produtividade. Nesse caso, o NDRE (Normalized Difference Red Edge) responde melhor porque usa a banda red-edge, que ainda varia em coberturas florestais fechadas. O EVI corrige a influência do solo e da atmosfera, mas exige que você tenha as três bandas necessárias — azul, vermelho e infravermelho próximo — e algumas versões gratuitas de dados não entregam a banda azul com qualidade suficiente. Para água, o NDWI funciona bem em corpos d'água abertos, mas falha com água turva ou com algas. O MNDWI, que troca o infravermelho próximo pelo infravermelho de onda curta, é mais robusto nesses cenários. Se você está mapeando reservatórios ou áreas alagadas sazonalmente, use o MNDWI desde o início.
armadilhas comuns
O erro mais frequente é usar dados de sensores diferentes no mesmo classificação. Landsat e Sentinel não têm as mesmas respostas espectrais. Misturar bandas TOA de um com bandas reflectância do outro gera ruído que o classificador tenta compensar inventando classes que não existem. Sempre mantenha um sensor por análise. Outro problema é a sazonalidade. Uma imagem de julho mostrando vegetação seca pode ser interpretada como área degradada se você não tiver o contexto da época do ano. Eu já perdi duas semanas recalibrando um modelo porque não havia incluído informações de épocas secas e chuvosas no treinamento. A solução foi juntar pelo menos quatro cenas distribuídas ao longo do ano e usar todas como amostras de treinamento, não apenas uma.
Resolução espacial também importa mais do que as pessoas pensam. Classificar uma imagem de 30 metros com polígonos de proteção ambiental que têm menos de cinco hectares gera resultados distorcidos porque o pixel mistura bordas. Nesse caso, o ideal é usar dados de 10 metros ou fazer uma classificação objetual em vez de baseada em pixel.
limitações que ninguém anuncia
O Google Earth Engine é excelente, mas tem um limite de processamento por conta que você ultrapassa rápido se fizer muitas exportações simultâneas. Eu sempre faço o processamento em lotes de cinquenta cenas no máximo e deixo o engine processar durante a noite. Exportações grandes também precisam ser fracionadas em regiões menores, senão o job cai e você perde horas. A correção atmosférica automática do Sen2Cor no Sentinel-2 às vezes falha em áreas com muita paisagem de nuvens próximas. Já tive casos em que a correção deixou sombras artificiais que pareciam corpos d'água. A saída foi rodar o Sen2Cor localmente no SNAP e ajustar os parâmetros de visibilidade antes de processar.
Se o seu objetivo é mapeamento em pequena escala com necessidade de precisão submétrica, nenhuma imagem de satélite gratuita vai resolver. Aí você entra no campo de drones ou imagens aéreas, e o fluxo muda completamente — aí a questão não é mais classificação espectral, mas ortomosaico, controle de terreno e modelagem 3D. O que funciona na maioria dos projetos de monitoramento de recursos naturais é começar simples. Pegue uma área que você conhece, teste o NDVI, o NDBI e o MNDWI, compare com fotos de campo ou mapas existentes, e só então monte o classificador. O resultado final costuma ganhar entre quinze e vinte por cento de acurácia quando você passa essa etapa de validação inicial do que quando pula direto para a classificação comRandom Forest.
onde baixar os dados
O USGS Earth Explorer entrega Landsat gratuitamente. O Copernicus Browser oferece Sentinel-2. O Google Earth Engine não exige cadastro pago para o uso acadêmico e de pesquisa, mas precisa de uma conta Google. Para dados comerciais, a Planet tem uma plataforma acessível com assinatura mensal, e a Google também oferece acesso via Earth Engine por meio de licenças institucionais. Para quem quer começar sem instalar nada, o Google Earth Engine Code Editor é a opção mais prática. Você cola o script, roda e exporta. Leva cerca de dez a quinze minutos para ter uma série temporal de NDVI de uma área de cem quilômetros quadrados, dependendo da complexidade da geometria e do período desejado. Se você fizer tudo manualmente no QGIS com processamento local, esse mesmo trabalho leva entre duas e três horas, sem contar a correção atmosférica.
