Como funciona a extração de vegetação em imagens
A coisa mais comum que as pessoas fazem com imagem de extrativismo vegetal é tentar separar plantas e árvores do resto da cena em fotografias aéreas ou satélite. O processo básico envolve segmentação por índice espectral. Você pega bandas do infravermelho próximo e vermelho, calcula um NDVI e aplica uma máscara. Parece simples até o dia em que sua imagem tem nuvens parciais, solo exposto entre folhagem e reflexos de água que confundem o classificador.
O que você precisa antes de começar com imagem de extrativismo vegetal
Você vai precisar de uma imagem multiespectral ou pelo menos RGB com resolução suficiente para distinguir canopi individual. Ferramentas como QGIS, Google Earth Engine ou até mesmo o rasterio com Python funcionam. A escolha depende do volume. Se for uma cena única, o Google Earth Engine resolve em minutos. Se tiver centenas, melhor montar um pipeline com Python. Para calcular o NDVI a partir de uma imagem Sentinel-2, use as bandas B4 (vermelho) e B8 (infravermelho próximo). A fórmula é (B8 - B4) / (B8 + B4). Valores acima de 0,3 geralmente indicam vegetação ativa. Abaixo disso, você provavelmente está olhando solo, rocha ou área urbana.
O problema que eu sempre encontro na prática é que a vegetação rasa e seca no final do seca também cai nessa faixa. Já perdi dias ajustando limiares porque oNDVI sozinho não distinguia vegetação viva de biomassa seca. A solução foi combinar com a banda de infravermelho de onda curta (B11 no Sentinel-2). Vegetação seca reflete diferente nessa banda, e o índice NDWI ajudou a limpar o ruído.
Passo a passo prático
Baixe a imagem no GEE ou diretamente no Copernicus Open Access Hub. Importe para o QGIS e verifique se o recorte espacial está correto. Aplique a correção atmosférica se estiver usando dados ópticos brutos — isso faz diferença real em regiões com aerossol elevado, como o Cerrado seco. Criar a expressão do NDVI no processador raster. Use uma classificador supervisionado com Random Forest se tiver amostras de treinamento. Eu costumo coletar cerca de 200 pontos por classe: vegetação densa, vegetação rasteira, solo nu, água e área construída. Com esses pontos, o classificador tende a acertar mais do que qualquer limiar fixo que você escolher.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A pós-processamento é onde a maioria trava. Filtros morfológicos de opening e closing removem pixels isolados e preenchem buracos dentro do manto vegetal. Um filtro de menor tamanho de 3x3 pixels já limpa bastante ruído sem destruir bordas reais de fragmentos florestais. Exporte o resultado como GeoTIFF com projeção UTM local. Se for mapear área extraída, use zonal statistics no QGIS para somar pixels classificados como vegetação por polígono de interesse.
Onde o método falha e o que fazer no lugar
Em áreas de transição como savana-arbórea ou caatinga, o NDVI puro ignora a estratificação vertical. A vegetação arbustiva pode ter NDVI baixo e ser classificada como não vegetal, mesmo sendo biomassa extraível. Nesse caso, use classificação baseada em objetos (OBIA) em vez de pixel único. O eCognition ou a função `segment` do rasterio permitem agrupar pixels por textura e forma, o que recupera muita vegetação que o índice deixaria passar. Outro ponto cego: sombra de nuvem e sombra de terreno. A sombra cai exatamente na mesma faixa espectral que o solo nu. Se você não corrigir isso, vai subestimar a cobertura vegetal em encostas. A correção topográfica com o modelo de iluminação de Minnaert ou o método de Rezaee ajuda, mas o jeito mais rápido é simplesmente excluir pixels com brilho abaixo de um limiar de reflectância e tratar essa área separadamente depois.
Dicas que economizam tempo
Não tente processar uma imagem inteira de uma vez. Recorte em tiles de 1000x1000 pixels. Assim você controla a memória e pode paralelizar sem problema. Em uma máquina com 16GB de RAM, cada tile leva cerca de 30 segundos para segmentação com Random Forest, comparado a quase 4 minutos no raster completo. Guarde sempre a imagem original junto com o produto final. A extração é reversível, mas só se você tiver o dado bruto. Eu já precisei refazer um classificador inteiro porque oGeoTIFF exportado tinha perdido a correção atmosférica na reprojecão.
Se o seu objetivo é monitoramento temporal, processe as datas na mesma ordem e com os mesmos parâmetros. Mudar o limiar do NDVI entre meses gera variações que parecem mudança de cobertura mas são só inconsistência metodológica.
