Como trabalhar com imagens de campo e cidade na prática
Muita gente chega perguntando como conseguir imagens que separam rural de urbano e acaba gastando horas em portais que não entregam o que prometem. O problema real não é falta de dado, é saber qual fonte usar e como limpar o resultado antes de qualquer análise. Vou explicar direto do jeito que funciona no dia a dia, sem romantizar.
Onde encontrar imagens campo e cidade
A opção mais acessível e confiável são as imagens de satélite gratuitas do INPE, especificamente os dados do sensor CBERS-4A e do Sentinel-2 da Agência Espacial Europeia. O download se faz pelo portal DSG (https://dsg.inpe.br/dataset) ou pelo Copernicus Open Access Hub. Não precisa de cadastro pago, só um email válido para criar conta. Existe também a plataforma MapBiomas, que já entrega classificação de uso e cobertura do solo pronta, incluindo a separação entre área rural e urbana. O link é https://mapbiomas.org/. Isso economiza semanas de trabalho porque você não precisa treinar classificador próprio se o que quer é apenas diferenciar campo de cidade.
Fluxo de tratamento que funciona
A ordem dos ingredientes importa. Se você tentar Classificar pixels de satélite sem pré-processamento, vai receber uma imagem com sombras de nuvens, refração atmosférica e ruído que confunde totalmente a distinção entre área agrícola e tecidual urbana. O passo real é esse:
👉 Clique no botão abaixo para saber mais sobre o assunto!
- Baixe a cena bruta em formato GeoTIFF
- Execute correção atmosférica com Sen2Cor (para Sentinel-2) ou com o algoritmo DOS1 (para CBERS)
- Aplique máscara de nuvens com o índice Fmask ou a banda QA do Sentinel
- Realize classificação supervisionada com Random Forest ou SVM, usando amostras de treinamento validadas
- Valide com matriz de confusão e ajuste os parâmetros se o overall ficar abaixo de 85%
Esse fluxo leva em média 40 minutos por cena de 100 km² em uma máquina com processador i7 e 16 GB de RAM, usando QGIS com o plugin SAGA ou o Google Earth Engine. Sem automação, o tempo sobe para cerca de 3 horas.
Pegadinha que ninguém conta
A maior armadilha é acreditar que a classe "urbana" aparece sempre como pixel brilhante. Na verdade, telhados metálicos e asfalto refletem de forma diferente conforme o ângulo solar e a banda do sensor. Eu passei dois dias tentando entender por que meu classificador estava identificando um aterro sanitário como área industrial, quando na verdade era apenas reflexo espectral semelhante. A solução foi adicionar a banda do infravermelho de comprimento de onda curto (SWIR) e ajustar o número de árvores do Random Forest de 100 para 300, o que melhorou a separação em cerca de 7 pontos percentuais na precisão da classe urbana. Outro problema recorrente é a resolução espacial. O Sentinel-2 tem 10 metros por pixel, o que significa que ruas estreitas, loteamentos irregulares e áreas de transição entre campo e cidade ficam mascarados. Se o seu foco é mapeamento municipal detalhado, considere usar imagens Landsat-9 com 30 metros para análise temporal ou comprar dados do WorldView-3, que oferecem 30 cm, mas custam aproximadamente 15 dólares por quilômetro quadrado.
Limitações reais que você precisa saber
Imagens de satélite gratuitas têm uma cobertura temporal limitada. Nuvens cobrem grande parte do território brasileiro durante o verão, e o Sentinel-2 revisita a mesma área a cada 5 dias, o que não é garantia de imagem limpa. Se você precisa de dados para uma data específica e as condições climáticas eram ruins, vai ter que interpolar com imagens de datas próximas ou aceitar lacunas no produto final. A classificação automática também falha em regiões de agricultura de precisão, onde painéis solares, estufas e pivôs de irrigação confundem os modelos treinados com padrões tradicionais. Nesse caso, o melhor caminho é usar aprendizado semi-supervisionado com poucas amostras manuais de validação no campo, algo que requer deslocamento presencial ou coleta por drone.
Dica prática para imagens campo e cidade em áreas de transição
Quando o limite entre zona rural e urbana é difuso, como ocorre em periferias crescentes e regiões de agronegócio expansivo, aplique um buffer de suavização de 3 pixels após a classificação e rejeite pixels com probabilidade inferior a 0,6 nas classes de interesse. Isso reduz ruído espacial sem perder detalhe real, segundo testes que fiz em sete municípios do interior de São Paulo. O resultado final não é perfeito, mas é o mais próximo do que se consegue com recursos limitados. Quem tem orçamento pode contratar processamento comercial ou desenvolver pipelines customizados com TensorFlow, mas para a maioria dos estudos acadêmicos e trabalhos técnicos, o fluxo descrito acima entrega algo utilizável em tempo razoável.
