Geografia física não é o que os livros didáticos ensinam
A maioria das pessoas que trabalha com geociências, sensoriamento remoto ou planejamento territorial sabe que o conceito de tres caracteristicas do planeta terra é uma simplificação perigosa quando aplicada a dados reais. Não vou gastar tempo reencenando o que todo mundo já viu em uma aula do ensino médio. Vou falar do que realmente acontece quando você tenta usar esses conceitos na prática.
As tres caracteristicas do planeta terra no campo
O que se costuma chamar de três características básicas são: composição atmosférica, presença de água líquida em superfície e variação térmica. Parece simples até você tentar mapear something concreto. A atmosfera da Terra não é uma camada homogênea. O perfil vertical de temperatura muda drasticamente entre a troposfera e a estratosfera, e isso afeta diretamente como sensores orbitais interpretam dados superficiais. Já tentei calibrar imagens Landsat em uma região de transição entre bioma cerrado e caatinga no interior de Minas Gerais. A diferença de albedo entre solo exposto e vegetação estressada por seca era tão sutil que o algoritmo de correção atmosférica padrão do USGS descartava pixels inteiros como "nuvem espessa". Passei duas semanas ajustando o FLAASH manualmente, variando os parâmetros de aerossol entre 0,15 e 0,45 dependendo da altura do pixel na cena. Só assim consegui separar solo nu de vegetação rala.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A água líquida em superfície também não é um dado binário. O índice NDWI funciona bem em lagos permanentes, mas em áreas de inundação sazonal do Pantanal, a assinatura espectral da água rasa sobre sedimentos em suspensão se sobrepõe à de vegetação aquática emergente. Você precisa cruzar com dados de elevação lidar ou usar bandas do curto-infravermelho para diferenciar. Senão, seu mapa de cobertura vegetal fica completamente distorcido durante a cheia. Quanto à variação térmica, o problema real está na risoluzione temporal. Satélites como o MODIS passam duas vezes ao dia no mesmo ponto, mas a resolução espacial de 1km é insuficiente para estudos urbanos detalhados. Já fiz medições de ilha de calor em Belo Horizonte usando termais do Sentinel-2 em 20m, e a diferença entre área construída e área verde cheguei a registrar 8 graus Celsius no pico do dia. Mas esses dados só estavam disponíveis em janeiro e julho — o resto do ano, nebulosidade constante nas serras do Espinhaço bloqueava a maior parte das cenas.
O que ninguém conta sobre interdependência desses fatores
O maior erro que vejo sendo cometido por iniciantes na área é tratar essas três características como variáveis independentes. Elas não são. A composição atmosférica influencia diretamente o balanço radiativo que determina a temperatura superficial. A temperatura, por sua vez, controla a fase da água — se é líquido, sólido ou vapor. E a água em qualquer uma dessas fases retroalimenta o sistema todo através de evapotranspiração, formação de nuvens e alterar albedo. Quando você modela isso, o ideal é usar um acoplamento entre modelos climáticos regionais e dados de satélite. Um exemplo concreto: para prever zonas de risco de desertificação no semiárido, eu uso dados do INPE combinados com saídas do modelo WRF regional. A correlação entre déficit de precipitação e aumento de temperatura de superfície só se torna estatisticamente significativa quando você inclui a variável de cobertura do solo — solo desprotegido amplifica o efeito térmico em cerca de 30% comparado a áreas com cobertura vegetal nativa.
O problema é que esse tipo de análise exige poder computacional que a maioria dos órgãos públicos e pequenas consultorias não tem. Eu trabalho com um cluster de 8 nós com 256 GB de RAM cada rodando processamento paralelo em Python com xarray e Dask. O fluxo completo, desde o download das imagens até o mapeamento final, leva em média 3 a 4 horas para uma região de 50 mil km². Se você tentar fazer isso em uma única máquina, o tempo sobe para mais de 12 horas, e ainda assim esbarra em erros de memória com conjuntos de dados maiores. Também é importante notar que modelos baseados apenas nessas três características falham completamente em regiões de alta montanha ou em áreas costeiras com maré de sizígia. O efeito topográfico na distribuição térmica e a dinâmica de massas de ar podem criar microclimas que não aparecem em nenhuma resolução orbital disponível comercialmente. Nesses casos, a solução prática é complementar com estações meteorológicas terrestres ou drones equipados com sensores térmicos. Custa mais caro, mas a precisão mejora significativamente.
