O que você realmente precisa saber sobre sensoriamento remoto aplicado à geografia
A maior parte dos materiais introdutórios sobre geografia sensoriamento remoto trata o assunto como se fosse só escolher uma banda espectral e aplicar um índice. A realidade é muito mais chatinha. Você lida com atmosfera, rugosidade do terreno, resolução espacial que não é a mesma coisa em todo o produto, e dados que chegam com artefatos que ninguém te avisa. O sensoriamento remoto na geografia não serve pra tudo, mas quando serve, é insubstituível. O problema é que muita gente entra achando que baixar uma imagem do Sentinel-2 e rodar o NDVI num software qualquer vai gerar resultado confiável. Não vai. Depende de correção atmosférica, de saber o que está por baixo da nuvem, de entender que pixel não é terreno.
Como funciona na prática a geografia sensoriamento remoto
Vamos direto ao fluxo real. Primeiro você define o objetivo. Mapear desmatamento? Monitorar seca? Classificar uso do solo? A pergunta muda tudo, porque cada uma exige satélite diferente, resolução diferente, época diferente. Se você quer algo em alta resolução temporal pra monitorar vegetação, Sentinel-2 é razoável. Se precisa de detalhe arquitetônico ou de uma estrada de terra isolada, vai precisar do Sentinel-1 ou de imagens comerciais como Planet ou WorldView, e aí o orçamento aparece. O passo seguinte é o download. Plataformas gratuitas como o Google Earth Engine, o DEMETRA no Brasil, ou o Copernicus Open Access Hub entregam dados procesados em diferentes níveis. O Nível 1C do Sentinel-2 já vem calibrado radiometricamente, mas ainda não tem correção atmosférica aplicada. Isso significa que os valores de reflectância estão contaminados por aerossóis e umidade. Se você pula essa correção e vai direto pra classificação, seus resultados vão refletir mais a condição atmosférica do dia da captura do que o que realmente existe no solo.
Para corrigir isso, os métodos mais usados são DOS (Dark Object Subtraction), 6S, e LaSRC. O LaSRC já vem aplicado nos produtos Sentinel-2 Nível 2A, que são os que eu recomendo como ponto de partida. Se estiver trabalhando com Landsat 8 ou 9, use o LEDAPS ou MLAT. Com Modis, o ATBD é o padrão. Cada um tem suas limitações, mas a diferença entre usar e não usar é a diferença entre um mapa que faz sentido e um que não faz. Depois da correção, vem o pré-processamento estrutural. Sensores ópticos sofrem com nuvens e sombras. O Sentinel-2 tem uma máscara de nuvens (QA60) que é aceitável, mas imperfeita. Eu já passei horas tentando classificar áreas que pareciam abertas mas eram sombra de nuvem persistente nos Cantos do pixel. A solução prática que encontrei foi combinar a QA60 com a QA10, que traz informações mais granulares sobre nebulosidade, e aplicar um filtro temporal: se uma pixel esteve nublada em três aquisições consecutivas, eu tratava como missing data e interpolaava com a mediana das janelas adjacentes, não com a média. Média distorce muito em séries temporais de vegetação.
A correção topográfica também é crítica em terrenos acidentados. Em regiões como a Serra da Mantiqueira ou o Planalto Central, a variação de iluminação entre vertentes sol e sol não causa só diferença visual. Ela altera os valores espectrais de forma sistemática, fazendo uma mata de encosta sul parecer diferente de uma mata idêntica na encosta norte. O método Cosine está já é suficiente na maioria dos casos, mas em vales estreitos ele subestima o efeito. Nesses casos, o modelo sky view factor do ArcGIS ou o método de teixeira et al. (2005) funcionam melhor.
Armadilhas que ninguém conta
O maior erro que vejo é tratar resolução espacial como sinônimo de resolução de informação. Um pixel de 10 metros do Sentinel-2 não te mostra um talhão de 10 por 10 metros. Ele te mostra uma mistura de reflectâncias dentro daquela área. Se o talhão é menor que o pixel, o sinal vai ser diluído. Isso é o efeito de pixel misto, e ele destrói classificações supervised em pequenas propriedades. A solução não é só aumentar a resolução. É usar classificação espectral de mistura, como o SMA (Subpixel Mapping Algorithm) ou abordagens baseadas em regressão linear com fractions de endmembers. Outro erro crasso é confiar cegamente em classificações automáticas sem validação de campo. Acuracy de 90% num teste de holdout não significa nada se os 10% de erro estão concentrados nas classes mais importantes pra você. Eu já vi projeto de mapeamento de ocupação do solo que tinha overall accuracy de 92%, mas a classe de área urbana, que era a que interessava, tinha producer's accuracy de 67%. O classificador estava confundindo telhados metálicos com áreas de solo exposto. Sem a matriz de confusão e sem validação estratificada por classe, esse tipo de problema passa despercebido.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Aqui vai um exemplo prático que enfrentei recentemente. Estava fazendo mapeamento de áreas degradadas no Cerrado com sentinel-2 e landsat 9. As imagens de novembro e fevereiro pareciam ótimas. Mas quando cruzei com dados de campo de uma parcela que tinha sido identificada como "vegetação conservada", o espectro batia com "area anthropizada". A causa: o satélite estava capturando a época de cheia, onde a umidade do solo altera fortemente a reflectancia no infravermelho próximo, fazendo vegetação rasteira aparentar ser solo úmido. A correção que usei foi adicionar a banda shortwave infrared (SWIR) do landsat como variável discriminante. A SWIR é sensível ao conteúdo de água vegetal e ao teor de umidade do solo de forma diferente do NIR, então o contraste entre as classes melhorou drasticamente. A accuracy da classe "area degradada" saltou de 58% pra 84% só com essa mudança.
Ferramentas e fluxos de trabalho
Se você tá começando, o caminho mais direto é o Google Earth Engine. Ele roda no navegador, não exige download de terabytes, e já tem as correções atmosféricas embutidas pra Sentinel-2 L2A e Landsat Collection 2. O custo é depender da infraestrutura deles e ter que aprender JavaScript, que é mais flexível que Python pro GEE porque permite operações vectorizadas sobre collections inteiras sem looping explícito. Um script de geração de série temporal do NDVI que no python puro levaria dias pra rodar num computador local, no GEE leva cerca de 30 segundos pra uma região de 5 mil quilômetros quadrados. Para processamento offline, o QGIS com o OTB (Orfeo ToolBox) ou o GRASS GIS são as opções gratuitas mais sólidas. O OTB tem operadores de classificação muito competentes, incluindo random forest e SVM. O GRASS é mais lento na interface, mas o processo de r.cluster e r.classify nele é extremamente configurável. Se você trabalha com muita imagem multitemporal, o SAGA GIS tem ferramentas de análise espectral que são subestimadas, especialmente pra decomposição de componentes principais e classificação por assinatura espectral.
Para quem prefere python, o pipeline padrão envolve rasterio pra ler, xarray pra manipulação multidimensional, numpy pra cálculos matriciais, scikit-learn pra classificação, e rasterstats pra extração de zonas. A bibliotecas específicas como eemont (pra facilitar acesso ao GEE via python), pystac (pra catalogação de produtos), e spectral (pra manipulação de assinaturas espectrais) economizam bastante tempo. Um fluxo típico de pré-processamento de duas cenas Sentinel-2 L2A, incluindo máscaras de nuvem, correção angular e cálculo de índices, leva em média 8 a 12 minutos num notebook com processador Ryzen 7 e 32GB de RAM, dependendo do tamanho da área de interesse.
Onde encontrar os dados
Para o Brasil, o site do INPE (inpe.br) oferece dados do CBERS-4 e do amazonia-1 gratuitamente. O sensor do CBERS-4 com WFI (Wide Field Imager) tem resolução de 26 metros e cobertura mensal, que é uma opção subutilizada pra monitoramento em larga escala. O HAWK, seu sensor de alta resolução, chega a 5,6 metros mas com swath muito estreito, então não compensa pra áreas extensas. Os dados do Sentinel-1 (radares S-band) e Sentinel-2 (óptico-multiespectral) são acessíveis pelo Copernicus Browser. Para Landsat, o USGS Earth Explorer é a fonte primária, mas o Google Earth Engine já indexa toda a Collection 2. Dados de alta resolução como os do PlanetScope (3 metros, daily revisit) exigem conta paga, mas o plano Basic dá acesso a todo o histórico desde 2016 por um preço acessível pro uso acadêmico. O WorldView-3 é outra opção comercial, com resolução de 30 centímetros nas bandas multiespectrais e capacidade hiperespectral, mas o custo por cena é proibitivo pro uso rotineiro.
Limitações reais
O sensoriamento remoto óptico não funciona debaixo de nuvem. Punto. Se sua região tem cobertura nubosa persistente na época de interesse, como a Amazônia em julho-agosto, você vai ter que depender de radar ou esperar a janela de clareza. O Sentinel-1 resolve parcialmente isso, mas a interpretação de backscatter em floresta densa é muito menos intuitiva que reflectância óptica, e a relação entre sigma zero e biomassa não é linear, saturando rápido em florestas maduras. A resolução temporal também é um fator limitante. O Sentinel-2 tem revisitância de 5 dias na prática, mas isso depende da latitude e da cobertura de nuvens. Em regiões equatoriais, o intervalo efetivo pode ser de 10 a 15 dias úteis devido à nebulosidade constante. O VIIRS do satélite Suomi NPP oferece revisitância diária em resolução moderada (375 metros), o que é útil pra acompanhar dinâmica de curto prazo, mas a qualidade espectral é inferior à do Sentinel-2.
E a precisão absoluta? Depende. Para classificação de uso do solo em regiões planas com cobertura homogênea, é possível alcançar acima de 85% de overall accuracy com validação adequada. Para áreas de transição, como bordas de floresta, matrizes agropecuárias complexas, ou regiões montanhosas, a accuracy cai para 65-75% sem técnicas avançadas de correção topográfica emodelagem de mistura espectral. Nenhum produto de sensoriamento remoto substitui o trabalho de campo para validação, não importa o quão sofisticado seja o algoritmo. O que funciona na prática é combinar múltiplas fontes. Usar o Sentinel-1 pra estruturar a paisagem em épocas nubladas, o Sentinel-2 pra refinamento espectral quando há clareza, e dados LiDAR (como o GEDI ou o ICESat-2) pra informação vertical quando disponível. Essa integração multi Fonte é o que separa um mapa decente de um produto geoprocessual confiável, e é o caminho que a área está seguindo, mesmo que a maioria dos cursos introdutórios ainda ensine sensor-óptico sozinho.
