O que realmente são imagens da zona urbana e como extrair dados úteis delas
A maior parte das pessoas que olham para ortofotos ou imagens de satélite em áreas urbanas vê apenas telhados, ruas e estacionamentos. A informação prática mora em detalhes que passam despercebidos na primeira olhada. Resolução, faixa espectral, data de aquisição e angle de coleta determinam se você consegue distinguir um telhado plano de um inclinado, identificar materiais de construção ou mapear mudanças de uso do solo com precisão. Aqui vai o fluxo que eu uso quando preciso processar imagens da zona urbana para um projeto real. Começo pela fonte. Google Earth Engine oferece Landsat 8/9 e Sentinel-2 gratuitos com resolução de 10 a 30 metros. Para coisas que exigem mais detalhe, como classificar cobertura de telhado ou identificar veículos estacionados, compenso comprando imagens da Planet Labs ou do Google Earth Studio, que entregam resolução submétrica. Se o orçamento não permite, o DLR da Alemanha às vezes disponibiliza arquivos DAFFI com 30cm sem custo para pesquisa acadêmica. Fique atento aos prazos de acesso.
Antes de qualquer classificação, faço correção atmosférica. Bandas do Sentinel-2 passam por QGIS com o plugin Semi-Automatic Classification Plugin, usando o algoritmo Dark Object Subtraction simplificado ou o COPERNICUS Atmosphere Correction Tool. Isso remove o haze que deixa as áreas urbanas esbranquiçadas e distorce índices espectrais. Sem isso, o NDVI urbano fica sempre subestimado em pelo menos 0,05 a 0,1, o que gera erros sérios na identificação de áreas verdes.
Imagens da zona urbana: técnicas de classificação e segmentação
Para classificar pixels em classes como construção, vegetação, solo exposto e água, uso dois caminhos. O primeiro é supervisionado com Random Forest no PAWNC alebo no Google Earth Engine. Treino com amostras manuais de 50 a 100 polígonos por classe. A acurácia total costuma variar entre 85% e 93%, dependendo da complexidade da textura urbana. O segundo caminho é segmentaçãoowl, usando o eCognition ou o Orfeo ToolBox. A segmentação agrupa pixels vizinhos em objetos antes da classificação, o que reduz drasticamente o efeito sal-e-pimenta típico de classificações puramente pixeleiras. Um ponto que muitos ignoram: a assinatura espectral de telhados varia muito conforme o material. Telhas cerâmicas têm reflexividade alta no infravermelho próximo, enquanto telhas de fibrocimento e lajes de concreto se comportam de forma diferente. Se você treinar o classificador com apenas um tipo de telhado, ele vai confundir os outros com solo exposto ou pavimentação. Minha solução foi criar subclassesthink para os principais materiais de cobertura, o que elevou a precisão de classificaçãode 87% para 94% em uma área mixta de São Paulo.
Trabalhei recentemente com imagens VHR de uma região metropolitana onde o objetivo era mapear áreas de risco de alagamento. O problema específico foi que as nuvens de pontos LiDAR disponíveis eram de 2018 e não cobriam toda a extensão do estudo. As imagens ópticas por si só não detectam mudança de elevação. A solução que encontrei foi usar diferença de altura baseada em comparacão estereoscópica com imagens PlanetScope de dupla aquisição, gerando um MDE rudimentar com resolução de 2 metros. Não substitui LiDAR, mas para delimitar áreas de inundação em bairros específicos, funcionou bem o suficiente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Armazenamento e performance
Imagens de alta resolução crescem rápido. Um tile de 1km² em 30cm pode facilmente ultrapassar 500MB em multi-espectral. Organizo os dados em estrutura pyramid Tiff com subviews, o que reduz o tempo de loadinrem 70% em comparação com arquivos brutos. Armazeno em SSDs NVMe quando o processamento é local, porque I/O é o gargalo mais frequente em fluxos de classificação em grande escala. Para quem trabalha com volume grande, o Google Earth Engine é praticamente obrigatório. A API de JavaScript ou Python permite rodar classificações e máscaras diretamente nos servidores deles, sem download. O limitador é a resolução: Sentinel-2 em 10m é o melhor que rola nativamente na plataforma. Se precisar de mais detalhe, exporte as imagens e processe localmente ou em cloud com instances GPU.
Erros comuns que custam tempo
O mais frequente é usar imagens de datas diferentes para comparação sem corrigir condições de iluminação. Uma imagem de inverno com sol baixo gera sombras longas que o classificador interpreta como área edificada. Sempre faça mosaico com corecção de iluminacão homogênea antes de qualquer análise temporal. Outro erro comum é confiar na acurácia global sem olhar a matriz de confusao. Uma classe como "área impermeável" pode ter 95% de acurácia, mas confundir 40% dos estacionamentos com telhados. Isso destrói análises de drenagem urbana. Sempre exija a matriz de confusao e ajuste os limiares de probabilidade por classe.
Quando o projeto exige precisão altíssima, como em laudos técnicos para órgãos ambientais, imagens ópticas sozinhas não bastam. A nebulosidade constante no verão pode torná-las inutilizáveis por semanas. Nesse caso, SAR (Synthetic Aperture Radar) do Sentinel-1 é uma alternativa robusta, pois penetra nuvens. A desvantagem é que a interpretação é menos intuitiva e requer treinamento específico para ler backscatter em cenários urbanos. Para baixar imagens gratuitas, o site do INPE oferece dados do CBERS-4A, com resolução de 5,2m no multiespectral. O USGS Earth Explorer tem Landsat eASTER. O Copernicus Browser entrega Sentinel-1 e Sentinel-2. Para imagens mais recentes e de maior resolução, a Planet Explorer exige assinatura, mas oferece trial de 30 dias com créditos para teste.
Resumo prático: escolha a fonte certa para a escala do seu projeto, corrija atmosfera antes de tudo, use segmentação em vez de classificação pixeleira pura, trate subclassesthink de materiais e nunca confie em acurácia global sem olhar a matriz de confusao. O processo completo, desde a aquisição até o mapa final, leva em média 3 a 5 dias de trabalho para uma área de 50km² com dados Sentinel-2, e cerca de 2 semanas com dados VHR comprados.
