O que são imagens de satélites e por que elas geralmente decepcionam quem começa
Imagens de satélites são capturas da superfície terrestre feitas por sensores embarcados em satélites artificiais que orbitam a Terra. Esses sensores registram energia refletida ou emitida em diferentes faixas do espectro eletromagnético, desde o visível até o infravermelho térmico. O resultado são arquivos digitais que, dependendo do sensor e da resolução espacial, podem mostrar desde uma árvore individual até padrões climáticos continentais. A maioria das pessoas acha que é só baixar uma foto e pronto. Na prática, o fluxo é bem menos mágico do que parece. Um arquivo bruto de satélite precisa ser corrigido geometricamente, radiometricamente e, às vezes, atmosfericamente, antes de qualquer análise faz sentido. Se você pular essas etapas, vai acabar com cores que não correspondem à realidade e posições deslocadas de quilômetros.
Como funciona na prática o fluxo de aquisição e processamento
Vamos ao funcionamento real. Um satélite como o Sentinel-2 da ESA passa sobre a mesma área a cada cinco dias, com dois satélites operando juntos. O sensor Multispectral Instrument (MSI) captura onze bandas espectrais com resoluções que vão de 10 metros a 60 metros por pixel. Esses dados chegam como Level-1C, o que significa que foram corrigidos geometricamente mas ainda não passaram por correção atmosférica. Para usar de verdade, você precisa processá-los para Level-2A, gerando valores de reflectância de superfície. O processamento pode ser feito com bibliotecas gratuitas. O libsf no R, o GDAL na linha de comando, ou o SNAP da ESA resolvem isso. Eu tenho uma rotina em Python que usa o sentinelhub-py para baixar os dados e depois aplica correção atmosférica com o Sen2Cor. Esse processo leva cerca de quarenta minutos para uma cena de 100 por 100 quilômetros, se você não perder tempo caçando dados errados no início.
Entender o que sao imagens de satelites vai além da definição básica. É saber que cada arquivo carrega metadados críticos: ângulo solar, condições de nuvens, qualidade atmosférica. Ignorar isso é pedir para tomar decisões baseadas em dados ruins.
Problemas reais que você vai encontrar
No final de 2023, eu estava trabalhando em um projeto de monitoramento de desmatamento na fronteira agrícola do Mato Grosso. A cena do Sentinel-2 parecia perfeita nos metadados, com ocupação por nuvens abaixo de cinco por cento. Quando abri a imagem corrigida, percebi que havia uma névoa alta que o algoritmo de deteção de nuvens não capturou. Os valores de reflectância no infravermelho próximo estavam sistematicamente subestimados, o que distorcia completamente os índices de vegetação. Passou duas semanas inteiras até eu identificar o padrão errado. A solução que funcionou foi combinar a imagem do Sentinel-2 com dados do Landsat-9 da mesma época. O Landsat tem um sensor térmico mais sensível a aerossóis e permite estimar a correção atmosférica de forma independente. Sobrepor as duas fontes revelou exatamente onde a névoa estava interferindo. A alternativa mais simples, se você não quer rodar processamentos complexos, é usar serviços como o Google Earth Engine, que já entrega as correções atmosféricas prontas. Economiza horas, mas você perde flexibilidade no controle do pipeline.
Resolução espacial versus resolução espectral versus revisita
Existe uma trade-off triangular que todo mundo esquece na primeira vez. Você malha a ter alta resolução espacial, alta resolução espectral e alta frequência de revisita ao mesmo tempo. Escolha dois. O WorldView-3 oferece trinta centímetros de resolução mas revisita de dezenas de dias e custa fortunas por quilômetro quadrado. O Sentinel-2 oferece dez metros, dezessete bandas e revisita quinzenal, tudo gratuito. O MODIS do NASA tem resolução de trezentos metros mas passa sobre toda a Terra todos os dias. Cada um serve para algo diferente. Para monitoramento agrícola em larga escala, o Sentinel-2 é quase sempre a escolha certa. Para detecção de estruturas urbanas ou infraestruturas críticas, você vai precisar ir para o mundo comercial. E para monitoramento de desastres naturais em tempo quase real, o MODIS ou o VIIRS são insubstituíveis pela cobertura diária, apesar da granularidade grosseira.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Dados gratuitos e onde conseguir
O United States Geological Survey hospeda todo o catálogo do Landsat desde a década de setenta, acessível pelo Earth Explorer ou pela API. O Copernicus Data Space da ESA disponibiliza Sentinel-2, Sentinel-1 e Sentinel-3 sem restrição. O NASA Earthdata Search agrega múltiplos produtos de diversas missões. Se você está começando, o Google Earth Engine é o caminho mais rápido para prototipagem, porque elimina a necessidade de baixar e gerenciar terabytes de dados localmente. Um detalhe que muita gente perde: o Sentinel-2 tem dados desde 2015, o Landsat 8 desde 2013 e o Landsat 9 desde 2021. Se seu estudo requer uma série temporal longa, verifique qual satélite estava operacional em cada período. Dados que não existem simplesmente não estão disponíveis, não adianta insistir.
Erros comuns que estragam análises inteiras
O primeiro erro é tratar pixels como pontos infinitesimais. Um pixel de dez metros do Sentinel-2 cobre cem mil metros quadrados. Qualquer objeto menor que isso vai aparecer distorcido pelo efeito de mistura espectral. Se você precisa detectar culturas individuais em parcelas pequenas, esse sensor não serve. O segundo erro é confiar cegamente em índices empíricos como o NDVI sem verificar a qualidade dos dados de entrada. O NDVI saturado em biomassa alta perde capacidade discriminatória. Em florestas tropicais densas, ele simplesmente trava perto de 0.9 e não consegue mais distinguir entre estágios de crescimento. O LAI ou o EVI são alternativas melhores nesse cenário, mas exigem mais cuidado no processamento.
O terceiro erro, e talvez o mais sutil, é não considerar o ângulo de observação do sensor. Satélites ópticos não olham sempre para baixo. O Sentinel-2 observa com ângulos que chegam a quinze graus fora do zênite, e isso altera a reflectância medida. Para análises temporais rigorosas, você precisa normalizar pelos ângulos de visada, senão variações aparentes na cobertura vegetal podem ser apenas artefatos geométricos.
Quando imagens de satélite não resolvem o problema
Se a sua pergunta é sobre o que está acontecendo sob a copa de uma floresta densa, imagens ópticas não vão ajudar. Você precisa de radar, como o Sentinel-1, que penetra nuvens e vegetação rasa. Mesmo assim, radar tem suas próprias armadilhas, incluindo speckle noise e ambiguidade na interpretação de assinaturas de superfície. Se você precisa de dados diários com resolução submétrica, não existe nada gratuito no momento. As opções comerciais como o Planet SkySat oferecem revisita quase diária mas com custo elevado e resolução variável. Às vezes, uma solução híbrida que combina dados gratuitos para tendências de longo prazo com amostragens comerciais pontuais para validação é mais eficiente do que tentar depender de uma única fonte.
A ferramenta certa depende da pergunta. Começar pela pergunta e depois escolher o sensor é o que separa projetos que funcionam daqueles que geram gráficos bonitos e conclusões erradas.
