Começando direto
Eu passei os últimos anos trabalhando com análise de uso do solo em Portugal, e o primeiro erro que vejo as pessoas cometendo é achar que paisagens rural e urbana são categorias que se separam de forma limpa. Elas não se separam. O que existe na realidade é uma zona de transição — o que os cartógrafos chamam de periurbano — onde vinhedos viram condomínios e olivais tradicionais somem debaixo de construções dispersas. Entender isso muda completamente a abordagem.
Entendendo paisagens rural e urbana na prática
O termo paisagens rural e urbana se refere basicamente à divisão entre áreas dominadas por atividades agrícolas, florestais ou pastoris e aquelas onde a infraestrutura construída predomina. Mas a teoria é simples, a execução não é. Num projeto que fiz perto do Vale do Tejo, tentei classificar automaticamente manchas periurbanas usando apenas índices espectrais padrão. O resultado foi um caos — áreas de sequeiro no outono apareciam como urbano porque a vegetação estava seca. Gastamos três semanas corrigindo isso manualmente. O truque que funcionou foi cruzar dados multitemporais com classificação supervisionada. Em vez de confiar numa única imagem, pegamos seis cenas ao longo do ano e observamos como cada pixel comportava-se sazonalmente. Vegetação saudável tem um ciclo bem definido: cresce na primavera, amadurece no verão, entra em dormência no inverno. Construção não tem esse comportamento. Ela permanece estável spectralemente o ano todo. Essa estabilidade é o sinal mais confiável para diferenciar telhados de campos secos.
Ferramentas e dados acessíveis
Não precisa de software pago para começar. O Google Earth Engine oferece acesso gratuito a décadas de imagens Landsat e Sentinel-2, com processamento paralelo na nuvem. Para quem quer algo mais mão-na-massa, o QGIS com o plugin Semi-Automatic Classification Plugin permite baixar dados Sentinel-2 diretamente e rodar classificadores de Random Forest sem escrever uma linha de código. Dados oficiais portugueses como a Carta de Uso e Ocupação do Solo (COS) do Instituto do Ambiente e das Mudanças Climáticas servem como referência para treinamento. A versão COS2018 tem resolução de 25 metros e cobre todo o território continental. Ela não é perfeita — áreas rurais muito fragmentadas frequentemente ficam como "outros tipos de cultura" ou "áreas industriais" por ambiguidade — mas é um ponto de partida sólido para validar suas próprias classificações.
Workflow prático passo a passo
Eu costumo seguir este fluxo, que leva cerca de 4 horas para uma área de 500 quilômetros quadrados com boa configuração: Passo 1: Selecione a área de interesse no GEE e filtre por data. Para Portugal, as melhores imagens de Sentinel-2 são de maio a setembro, quando a cobertura de nuvens é menor e a vegetação está ativa. Pegue pelo menos três datas separadas por pelo menos dois meses para capturar variação sazonal.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Passo 2: Calcule os índices espectrais. NDVI para vegetação, NDBI para superfícies construídas, e o índice de umidade do solo (MSI) ajuda a distinguir solo exposto de telhados. No GEE isso é uma linha de código por índice. Passo 3: Crie amostras de treinamento. Aqui é onde a maioria erra. Em vez de fazer polygons grandes e genéricos, coloque pontos de treinamento distribuídos desigualmente — mais pontos nas zonas de transição, menos no centro urbano consolidado e no coração agrícola. A zona de transição é onde o classificador mais erra, então precisa de mais exemplos para aprender.
Passo 4: Rode um Random Forest com 100 árvores. Ele lida bem com a quantidade de bandas e índices que você injetou. Na validação cruzada, espere um acerto geral entre 85% e 92% dependendo da complexidade da área. Se ficar abaixo de 80%, volte ao passo 3 e redistribua os pontos de treinamento. Passo 5: Pós-processamento. Aplique um filtro majoritário de 3x3 para eliminar pixels isolados que são ruído de classificação, e depois um filtro de suavização que preserve bordas. Isso remove cerca de 60% dos pixels de sal e pimenta sem distorcer contornos reais.
O que funciona e o que não funciona
Classificação baseada em imagem funciona muito bem para áreas grandes e homogêneas — grandes planícies agrícolas no Alentejo, por exemplo, rendem acurácias acima de 93%. Mas em regiões como a Margem Sul do Tejo ou o perímetro de Aveiro, onde a malha urbana se entremeia com culturas pequenas e intensas, os resultados caem para 78-82%. Não há muita solução técnica para isso além de aumentar a resolução espectral ou spatial, o que significa mais tempo de processamento e mais memória. Outro problema real: mudanças de uso do solo entre o momento do treinamento e o momento da classificação. Se você treinar com dados de 2018 e classificar uma imagem de 2023, áreas que tiveram construção nova vão aparecer como rural. Em Portugal, o ritmo de expansão urbana em certas zonas do litoral alterou significativamente a cobertura do solo nesse período. Sempre verifique se suas imagens de treinamento e de classificação estão próximas temporalmente.
Se o seu foco é apenas mapear extensão urbana versus rural para um trabalho acadêmico ou relatório institucional, o método acima é suficiente. Se precisa de detalhe fino — como identificar pequenos aglomerados habitacionais isolados no meio de campos — considere usar dados LiDAR do SNIG (Sistema Nacional de Informação Geográfica) em combinação com óptica. O custo computacional sobe, mas o ganho em precisão é significativo.
Recursos para baixar e consultar
Além da COS disponível no portal do ICNF, o Copernicus Land Monitoring Service oferece mapas anuais de uso do solo com 10 classes para toda a Europa, gerados a partir de Sentinel-2 com resolução de 10 metros. Os dados estão prontos para download em formato GeoTIFF e já passam por validação, o que evita o trabalho de treinar seu próprio classificador do zero. Para dados específicos de Portugal, o geodesia.pt também disponibiliza camadas de ortofotos recentes que servem tanto como referência visual quanto como fonte de amostras de treinamento. O ponto principal que fica depois de tudo isso é que paisagens rural e urbana não são coisas fixas — elas se sobrepõem, se confundem e mudam. Quem tenta enquadrá-las em categorias rígidas gasta tempo e recurso demais. Ajuste a expectativa, trabalhe com probabilidade em vez de certeza absoluta, e valide sempre com dados de campo quando possível.
