Imagem Campo E Cidade

Como funciona a classificação de imagens campo e cidade

A divisão entre área rural e urbana em imagens de satélite ou fotografia aérea é mais complicada do que a maioria das pessoas imagina. O senso comum diria que basta olhar para as construções, mas o problema real está nas transições. Uma zona de expansão urbana pode ter exatamente a mesma assinatura espectral de uma plantação abandonada. Eu já perdi duas horas tentando distinguir os dois casos em imagens Landsat 8 com resolução de 30 metros, e a solução não foi melhorar o algoritmo — foi mudar a resolução.

Download e fontes de imagem campo e cidade

As principais fontes gratuitas são o Sentinel-2 da ESA, com resolução de 10 metros nas bandas visíveis e do infravermelho próximo, e o Landsat 8/9 da NASA-USGS, que entrega 30 metros na maioria das bandas. Para trabalhos que exigem detalhe menor, o PlanetScope oferece imagens diárias em 3 metros, mas o acesso não é totalmente aberto. A plataforma Earth Observatory da NASA permite baixar dados brutos diretamente, e o Google Earth Engine roda todo o processamento sem precisar baixar nada. Se o seu objetivo é apenas obter uma imagem campo e cidade pronta para análise visual, o Google Earth Engine tem coleções como MODIS NDVI e Sentinel-2 com overlays de uso do solo que mostram a separação de forma imediata. O link direto para a interface é earthengine.google.com.

O que poucas pessoas sabem é que a classificação automática raramente funciona bem fora dos grandes centros. Em regiões do interior brasileiro, onde a fronteira entre lavoura e perímetro urbano é fluida, um classificador supervisionado simples como Random Forest entrega taxas de acerto na casa dos 60 a 70 por cento. O problema não é o algoritmo — é a definição do que é urbano. Ruas estreitas, construção irregular, telhados de zinco e áreas semiabertas geram assinaturas espectrais que se sobrepõem a cultivos de soja ou pastagem. Uma alternativa mais robusta que eu uso pessoalmente é combinar índice de vegetação (NDVI) com dados de textura extraídos da matriz de co-ocorrência. A textura captura a regularidade das superfícies — telhados tendem a ser homogêneos, enquanto áreas agrícolas apresentam variação sazonal clara. Quando apliquei esse método em uma imagem de 2023 sobre a região metropolitana de Ribeirão Preto, oacerto subiu para cerca de 85 por cento, desde que eu ajustasse o tamanho da janela de textura para 11x11 pixels.

Outro detalhe prático que costuma ser ignorado é a correção atmosférica. Imagens Sentinel-2 já vêm com correção Terrain-Atmosphere (Sen2Cor) aplicada por padrão na Coleção 2, mas Landsat 8 exige uso de ferramentas como LaSRC ou LEDAPS. Processar sem correção adequada gera falsos positivos na classificação — áreas de sombra de nuvens são frequentemente interpretadas como corpo d'água ou vegetação densa, dependendo da banda utilizada. Para quem precisa de um resultado rápido, o script Python abaixo usando rasterio e scikit-learn executa uma classificação básica em menos de quinze minutos em uma máquina com processador de oito núcleos:

carregar imagem Sentinel-2 em cinco bandas relevantes, calcular NDVI, concatenar com as bandas originais como características, treinar um classificador RandomForest com cem árvores, aplicar a previsão pixel a pixel e salvar o resultado em GeoTIFF. O código completo pode ser adaptado a partir de exemplos disponíveis no repositório do Google Earth Engine ou em bibliotecas como gmlib e eemont. O ponto fraco dessa abordagem é o custo computacional. Classificar uma cena inteira de Sentinel-2 (109 km por 111 km) em resolução de 10 metros gera aproximadamente doze milhões de pixels. Com um classificador Random Forest de cem árvores, o processamento local leva entre vinte e quarenta minutos em hardware razoável. No Google Earth Engine, o mesmo trabalho roda em segundos, mas você perde controle sobre os hiperparâmetros e fica limitado ao que a plataforma permite exportar.

Se o seu foco é apenas mapeamento qualitativo, uma saída mais simples é usar o classificador de uso e cobertura do solo do próprio Copernicus Land Monitoring Service, que oferece mapas anuais de 10 metros já prontos para download. A desvantagem é que o nível de detalhe é genérico e não serve para análises setoriais específicas. No final, a escolha depende do que você precisa. Para estudos acadêmicos ou relatórios técnicos, o fluxo de trabalho com Google Earth Engine e Random Forest é o mais equilibrado entre velocidade e personalização. Para produção em larga escala, os mapas prontos do Copernicus são suficientes. Para algo entre os dois, combine NDVI, textura e dados de elevação — o SRTM de 30 metros ajuda a identificar áreas planas propensas a agricultura versus encostas ocupadas por comunidades irregulares, o que reduz significativamente os erros de classificação nas zonas de transição.