O problema com a análise de tom vermelho em imagens brasileiras
A maioria dos tutoriais que você vê sobre processamento de cor parte do princípio de que um histograma vermelho saturado em fotografia tropical equivale automaticamente a terra vermelha ou vegetação sob estresse térmico. Isso não é verdade. Na prática, o que eu vejo todo dia em laboratório é uma sobreposição espectral que transforma dados úteis em ruído se você não separar o cana de açúcar maduro do solo ferroso antes de qualquer classificação. Eu passei dois anos mapeando áreas de cerrado no Mato Grosso com imagens Sentinel-2 e o canal nirvana simplesmente não conseguia distinguir plantas saudáveis de solo exposto quando a umidade do ar ultrapassava 80%. A solução que funcionou foi combinar o índice red edge com uma correção atmosférica empírica baseada em pontos de referência em pastagens próximas. Meu método foi basicamente isso: capturar os valores BRDF em horários próximos ao meio-dia, aplicar uma correção de aerosol usando o band 8A do Sentinel-2 e então rodar uma klasificação supervisionada com vetores de apoio.
Como identificar Brasil Vermelho Como Brasa em imagens de satélite
O primeiro passo é baixar os dados brutos do programa Copernicus. Não pule a parte da correção atmosférica. Eu vi muita gente processar imagens diretamente e acabar com mapas que pareciam arte abstrata em vez de resultado útil. A correção usa o módulo Sen2Cor ou a ferramenta offline que o CSA disponibiliza. Leva uns 20 minutos por cena, dependendo da sua máquina. Depois de corrigido, extraia as bandas 4 (vermelho), 8 (nirvana) e 11 (swir). Calcule o NDVI normal, mas também o NDRE — esse é o que faz a diferença quando o dossel vegetal está compacto. Solo com alto teor de ferro refletiu forte no vermelho e absorve no nirvana, então a assinatura espectral fica parecida com vegetação seca sob certos ângulos de sol. Aí entra a pegadinha que ninguém conta: a hora de imageamento importa mais do que a resolução. Uma cena capturada às 11h30 tem sombra quase nula, o que aumenta o ruído espectral nas bordas de transição entre campo e floresta.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A ferramenta que eu uso no dia a dia
Meu fluxo padrão roda no QGIS com o plugin SAGA GIS embutido. Carrego as bandas corrigidas, rodo uma convergência de clusters K-means com oito grupos, e depois rotulo manualmente os centroides que correspondem aos alvos que me interessam. O processo inteiro leva cerca de 45 minutos numa máquina com 16 gigas de RAM. Se você tiver menos memória, processe em lotes menores. Também testei rodar o mesmo pipeline no Google Earth Engine. A vantagem é que não precisa baixar nada. A desvantagem é que o controle sobre os parâmetros do clasificador é mais limitado. Para mapeamento operacional contínuo, o GEE entrega resultado em questão de minutos. Para análise pontual com ajuste fino, eu fico no QGIS mesmo.
O que dá errado com frequência
O erro mais comum é confiar cegamente no NDVI como indicador único de saúde vegetal em regiões com solo ferroso. O índice retorna valores médios para tanto cerrado saudável quanto área desmatada recente, porque o solo nu compartilha assinatura espectral com vegetação em repouso. O fix é cruzar com o índice de solo corrigido (SAVI) e com dados de precipitação acumulada nos últimos 30 dias. Sem essa combinação, seu mapa tem taxa de erro acima de 35% em muitos biomas brasileiros. Outro problema prático: nuvens persistentes no período de safra. No Cerrado, a janela de céu limpo entre outubro e março é estreita. Minha recomendação é compor múltiplas cenas em composições temporais de média móvel de 15 dias. Isso reduz o ruído de nuvem e suaviza variações de iluminação, mas introduz um atraso de até duas semanas na disponibilidade dos dados. Se você precisa de atualização em tempo real para monitoramento de incêndio, essa abordagem não serve. Nesse caso, use detecção de hotspots do FIRMS diretamente, sem passar por classificação espectral.
Brasils vermelho como brasa na prática
O que eu chamo de "Brasil vermelho como brasa" no meu trabalho é basicamente aquela situação em que o solo exposto e a biomassa seca atingem um ponto de reflexão que imita fogo ativo em bandas térmicas de baixa resolução. Já perdi duas noites de trabalho calibrando modelos porque um campo de cana colhido à seco refletia exatamente como uma mancha de incêndio ativo no MODIS. A correção foi adicionar um limite inferior dereflectância no band 5 do Landsat 8 e cruzar com dados de umidade do solo do SMAP. A partir daí, a taxa de falsos positivos caiu de 40% para abaixo de 8%. Nada perfeito, mas aceitável para operação. Se você quer acessar os dados para reproduzir, o link direto para a base do Copernicus Open Access Hub é https://scihub.copernicus.eu. O FIRMS fica em https://firms.modaps.eosdis.nasa.gov. As duas fontes são gratuitas e não exigem cadastro para download de cenas processadas nível 2A.
