Aula 13 e 14 - Interpretação Visual de Imagens de Satélite e Aplicações

Prévia do material em texto

1 
 
Curso: Geografia 
Disciplina: Geografia e Sensoriamento Remoto 
Coordenador da disciplina: Eduardo Negri de Oliveira 
Conteudista: Eduardo Negri de Oliveira 
 
Aulas 13 e 14: Interpretação Visual de Imagens de Satélite e Aplicações 
 
 Elementos de Interpretação Visual de Imagens 
 Aplicações dos Dados de Sensoriamento Remoto 
 Plataformas de Gestão de Informações Espaciais 
 
 
META 
Conhecer os elementos básicos de interpretação visual de imagens de satélites e 
aplicações dos produtos de sensoriamento remoto ambiental. 
 
 
OBJETIVO 
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de: 
1. Lembrar dos elementos básicos de interpretação visual de imagens de 
satélites. 
2. Conhecer áreas de aplicabilidade do sensoriamento remoto 
3. Conhecer e manipular produtos de sensoriamento remoto disponibilizados em 
plataformas de gestão de informações espaciais. 
 
 
PRÉ-REQUISITOS: aulas anteriores. 
 
 
 
 
 
 
 
2 
 
 
 
 
1. INTRODUÇÃO 
 
Antes de tudo, gostaria de informar que a presente aula desviará um pouco do 
padrão das aulas anteriores, pois as atividades de acesso aos dados de 
sensoriamento remoto estão dispostas no texto. O propósito aqui é mostrar os 
diferentes produtos de sensoriamento remoto e como eles são disponibilizados nas 
plataformas digitais (via Web). 
Tivermos a oportunidade de estudar vários temas que compõem a disciplina de 
Geografia e Sensoriamento Remoto. De certa forma, o sensoriamento remoto tem um 
caráter específico e lida com conceitos técnicos e teóricos das ciências exatas. Por 
outro lado, esse especificidade se dissolve no meio da diversidade de aplicações do 
sensoriamento remoto ambiental. 
Há atualmente um significativo empenho, por parte de agentes diversos 
(centros e universidades de pesquisas, órgãos governamentais, empresas privadas 
de gestão de satélites), para que os produtos de sensoriamento remoto possam ser 
disponibilizados em tempo mínimo (após coleta do dado) e níveis de processamentos 
cada vez mais sofisticados. Com isso, pretende-se minimizar o trabalho do usuário 
final e facilitar o acesso às informações por meio de plataformas virtuais (via Web) de 
produtos de sensoriamento remoto. 
Por exemplo, o portal Earthdata da NASA (https://earthdata.nasa.gov/) 
disponibiliza gratuitamente produtos de sensoriamento remoto para finalidades 
diversas (agricultura, atmosfera, oceanografia, aspectos humanos etc). Outro 
exemplo, o projeto Planet Monitoring (https://www.planet.com/products/monitoring/), 
coordenado por um grupo empresarial norte americano, tem como propósito o 
lançamento de micro satélites que coletam imagens com alta resolução espacial 
(metros) e temporal (dias). Os dados com alto nível de processamento (filtragem, 
composição colorida, séries históricas) podem ser solicitados a custos acessíveis. A 
Astra Digital (https://fetch.astrodigital.com/#/map/1) também participa desse tipo de 
empreendedorismo que visa facilitar o processo de acesso aos produtos de 
https://earthdata.nasa.gov/
https://www.planet.com/products/monitoring/
https://fetch.astrodigital.com/#/map/1
3 
 
sensoriamento remoto, de tal forma que o processamento e a criação de produtos 
pode agora ser realizada com alguns cliques do mouse, como veremos na presente 
aula. 
Mas é sempre bom lembrar que, independentemente da crescente facilidade 
de acesso aos produtos de sensoriamento remoto, o conhecimento das técnicas 
aplicadas é de fundamental importância para profissionais com formação em cursos 
superiores vinculados à Ciência da Terra. Além do que, para fazer escolhas nos 
portais de disponibilização de dados de sensoriamento remoto é necessário, no 
mínimo, conhecer os conceitos básicos de sensoriamento remoto. 
Nesse contexto, vimos que as técnicas de manipulação de histogramas, 
filtragens e a composição colorida de imagens de satélites podem realçar feições de 
interesse nas imagens de satélites, facilitando o processo de identificação dos alvos. 
Com isso, o processamento digital pode ser usado para melhorar os dados como um 
prelúdio para a interpretação visual das imagens de satélites. 
A interpretação visual de imagens de sensoriamento remoto envolve a 
identificação de alvos numa imagem, a fim de se extrair informações úteis sobre eles. 
Os alvos podem ser qualquer feição e/ou objeto que possam ser observados em uma 
imagem e que possuam as seguintes características: 
 Os alvos podem ser um ponto, uma linha ou uma área. Isso significa que 
eles podem ter qualquer forma, de um ônibus em um estacionamento a uma 
ponte ou estrada, ou mesmo uma grande extensão de água ou uma área 
agrícola. 
 O alvo deve ser distinguível, ele deve contrastar com outras feições ao redor 
dele na imagem. 
 
Muitas vezes, o processo de interpretação/identificação de alvos em uma 
imagem de sensoriamento remoto é realizada visualmente, isto é, por uma pessoa 
que interpreta a imagem a partir de conhecimentos adquiridos à priori a respeito da 
área de estudo e das características dos alvos. 
Mas o processo também pode ser realizado de maneira automática, sem a 
intervenção de um analista humano. Nesse caso, algorítmos específicos são 
utilizados para classificar os níveis digitais da imagem de satélite, levando em 
4 
 
consideração critérios espaciais e estatísticos. Esse procedimento é denominado de 
classificação automática (ou digital) de imagens de satélites. 
A classificação automática gera classes de pixels: solo exposto, vegetação, 
água, neve, pastagem, área desmatada etc, que podem ser utilizadas para produzir 
uma mapa temático da região, como apresentado na Figura 1. 
 
 
Figura 1 – a) imagem Landsat-8 composição colorida falsa-cor, b) mapa temático com as classes 
água, vegetação e mancha urbano ou solo exposto. 
 
 
No entanto, raramente a identificação ou classificação automática dos alvos é 
realizada como uma substituição completa à interpretação visual. Muitas vezes, o 
processo de classificação automática é realizado para complementar e auxiliar o 
analista humano. 
A interpretação visual das imagens de satélites tem a desvantagem de ser uma 
análise subjetiva, ou seja, pode variar dependento do analista humano, enquanto a 
classificação automática é objetiva, produzindo resultados mais consistentes. 
Entrentanto, determinar a validade e a precisão dos resultados do processamento 
digital automático pode não ser trivial. 
É importante reiterar que as análises visual e automática de imagens de 
sensoriamento remoto não são mutuamente excludentes. Na maioria das vezes, 
utiliza-se uma mistura de ambos os métodos para a análise das imagens. Entretanto, 
a decisão final da utilidade e relevância da informação extraída no final do processo 
5 
 
de análise, ainda deve ser feita por pessoas com uma certa experiência em 
sensoriamento remoto e na área de estudo. 
Iniciaremos essa aula apresentando os elementos de interpretação visual de 
imagens de satélites. Posteriormente, e na medida do possível, as áreas de aplicação 
do sensoriamento remoto serão apontadas juntamente com exercícios de acesso a 
plataformas virtuais de produtos de sensoriamento remoto. 
Não temos a ambição de exaurir as potencialidades de aplicação do 
sensoriamento remoto, mas optamos por temas que são frequentemente explorados 
pela comunidade de sensoriamento remoto. 
 
 
1.1 Elementos de Interpretação Visual de Imagens de Satélites 
 
A interpretação das informações contidas em uma imagem de satélite passa, 
inevitavelmente, pelo reconhecimento dos alvos. Observar as diferenças entre os 
alvos e seu entorno envolve comparar diferentes alvos levando em consideração os 
elementos visuais de tom/cor, forma, tamanho, padrão, textura, sombra e 
associação. 
Fazemos uso desses elementos visuais em nossa vida diária, quer tenhamos 
consciência ou não. A natureza de cada um desses elementos de interpretaçãoé 
descrita abaixo, juntamente com um exemplo de imagem para cada situação. 
 
Tom/Cor: refere-se ao brilho ou cor dos objetos em uma imagem. Geralmente, 
o tom é o elemento fundamental para distinguir entre diferentes alvos ou recursos. 
Variações no tom também permite que os elementos de forma, textura e padrão dos 
objetos sejam distinguidos. A tom/cor está associada à intensidade da energia 
radiante registrada pelo sensor remoto. Por exemplo, na imagem abaixo podemos 
observar tons de verde escuro (floresta densa) e tons de verde claro (pastagem, áreas 
agrícolas, áreas desmatadas), assim como tons magenta, caracterizando áreas de 
solo exposto. 
 
6 
 
 
Cena de uma Imagem Landsat-8 
 
 
 Forma: refere-se à forma geral, estrutura ou esboço de objetos individuais. A 
forma pode ser um indicativo bastante útil para a interpretação. Geralmente, as formas 
de borda reta representam alvos urbanos ou agrícolas (de campo), enquanto as 
características naturais, como bordas de floresta, possuem formas mais irregulares. 
Por exemplo, as terras agrícolas ou de cultivo irrigados por sistemas rotativos de 
aspersão geralmente aparecem com formatos circulares; ou o plano piloto da cidade 
de Brasília, cuja forma se assemelha a asa de um avião. 
 
 
Fonte: Google Earth. 
 
 
7 
 
 Tamanho: é importante avaliar o tamanho de um alvo em relação a outros 
objetos em uma cena, bem como o tamanho absoluto, para auxiliar na interpretação 
desse alvo. Uma aproximação rápida do tamanho do alvo pode direcionar a 
interpretação para um resultado apropriado mais rapidamente. Por exemplo, se um 
intérprete tivesse de distinguir zonas de uso da terra e tivesse identificado uma área 
com vários edifícios, grandes edifícios como fábricas ou armazéns sugeririam 
propriedades comerciais, enquanto que pequenos edifícios indicariam uso residencial. 
 
 
Fonte: Google Earth. 
 
 
Padrão: define o arranjo espacial dos objetos ou alvos na cena. Tipicamente, 
uma repetição ordenada de tons e texturas semelhantes produzirá um padrão 
distintivo e, em última instância, reconhecível. Pomares com árvores uniformemente 
espaçadas, e ruas urbanas com casas regularmente espaçadas são bons exemplos 
de padrão. 
 
8 
 
 
Fonte: Google Earth. 
 
 
Textura: refere-se à disposição e frequência da variação tonal em áreas 
particulares de uma imagem. As texturas ásperas consistem em um tom “manchado” 
onde os níveis digitais mudam abruptamente em uma área pequena, enquanto as 
texturas lisas possuem pouca variação tonal. Texturas lisas ou suaves são 
frequentemente associadas às superfícies lisas e uniformes, tais como pastagens, 
asfaltos ou gramados extensos. Avos com superfícies rugosas e estruturas 
irregulares, tais como dossel de florestas ou terrenos irregulares, geram aparências 
de texturas rugosas nas imagens de satélites. A textura é um dos elementos mais 
importantes para distinguir feições em imagens de radar. 
9 
 
 
Fonte: Florenzano (2007). 
 
 
Sombra: a sombra também pode ser útil na interpretação das imagens de 
satélites. Ela pode dar uma ideia do perfil e da altura relativa do alvo (ou alvos), 
facilitando a identificação deste. Entretanto, a sombra pode também reduzir ou 
eliminar a possibilidade de interpretação da imagem na área de influência da sombra. 
 
 
Cenas de uma imagem Landsat-8 
10 
 
 
 
Associação: leva em consideração as relações estabelecidas entre outros 
objetos ou feições reconhecíveis e que estão próximas do alvo de interesse. A 
identificação de feições que possam estar associadas a outras feições podem auxiliar 
na identificação dos alvos. Por exemplo, regiões estuarinas e costeiras podem estar 
associadas a embarcações, portos, piers e áreas de recreação. 
 
 
 
 
1.2 Aplicações 
 
 No decorrer desse curso, vimos que o sensoriamento remoto ambiental da 
superfície terrestre faz uso de sensores que operam em faixas espectrais 
estrategicamente posicionadas. Sensores ópticos, termais e de micro-ondas 
produzem imagens de resoluções espacial, temporal e espectral variadas que podem 
ser utilizadas para finalidades diversas. 
11 
 
 Particularmente, a observação da Terra por sensores ópticos a bordo de 
satélites permite identificar o tipo de cobertura da terra. Florestas, culturas agrícolas, 
corpos aquáticos, cobertura de gelo entre outros são monitorados com periodicidade 
regular. Ao longo dos anos, séries históricos de imagens de satélites evidenciam 
tendências (https://remotesensing.usgs.gov/gallery/) e alimentam modelos numéricos 
de previsão climática. 
 A seguir, trataremos de casos onde o sensoriamento remoto ambiental tem sido 
determinante para a gestão dos recursos terrestre e das condições climáticas do 
planeta Terra. Não daremos ênfase às técnicas de extração de informações a partir 
das medidas radiométricas coletadas pelos sensores, mas sim aos produtos de 
sensoriamento remoto disponibilizados pelos órgãos e agências nacionais e 
internacionais. Geralmente esses produtos são disponibilizados sem custo financeiro 
e podem ser utilizados para finalidades educacionais, científicas, comerciais ou de 
gestão dos recursos terrestres. 
 
 
Desmatamento Florestal 
 
 A habilidade de coletar imagens sobre uma mesma região geográfica durante 
um longo período de tempo é um dos principais benefícios do sensoriamento remoto 
orbital. No Brasil, uma das maiores aplicações do sensoriamento remoto tem sido o 
monitoramento das áreas desmatadas, particularmente na região da Amazônia 
Brasileira. O programa PRODES (Projeto de Estimativa do Deflorestamento da 
Amazônia - http://www.obt.inpe.br/prodes/index.php) conduzido pela INPE monitora o 
desmatamento na região Amazônica e faz uso de imagens Landsat ou similares com 
resolução espacial de 30 metros. 
 Observe as taxas anuais de desmatamento da região amazônica nesse link: 
http://www.obt.inpe.br/prodes/prodes_1988_2015n.htm. Note que no ano de 1995 foi 
observada a taxa máxima de desmatamento: 29.059 km2. No ano de 2015 a área 
desmatada foi de: 6.207 km2. 
O projeto Global Forest Watch (GFW - http://www.globalforestwatch.org/) 
processa imagens Landsat dos últimos 30 anos para produzir mapas globais de 
https://remotesensing.usgs.gov/gallery/
http://www.obt.inpe.br/prodes/index.php
http://www.obt.inpe.br/prodes/prodes_1988_2015n.htm
http://www.globalforestwatch.org/
12 
 
perdas de cobertura arbórea, desmatamento, reflorestamento entre outros. Cada pixel 
do mapa digital possue resolução espacial de 30 metros. O interessante do projeto 
GFW é que os mapas podem ser elaborados de acordo com a conveniência do usuário 
final. 
 Vamos lá. Acesse o portal: www.globalforestwatch.org/ 
 Mude o idioma para Português (Brasil): na parte superior da página. 
 Selecione: Explorar e depois: Mapa Interativo da GFW 
 Selecione na parte superior da página: Mudança Florestal e depois: Perda de 
Cobertura Arbórea. 
 IMPORTANTE: segundo o site do projeto, “a perda de cobertura arbórea pode 
ocorrer por várias razões, incluindo desmatamento, fogo e registro no decurso de 
operações florestais sustentáveis. Em florestas gerenciadas de forma sustentável, a 
‘perda’ acabará por se mostrar como ‘ganho’, já que árvores jovens chegam a crescer 
o suficiente para alcançar o fechamento de copa das árvores”. 
 
 Os resultados do projeto PRODES também podem ser acessados pela página 
do projeto Global Forest Watch (GFW). 
 Selecione na parte superior da página do projeto GFW: Mudança Florestal e 
depois Desmatamento PRODES. 
 Observe que clicando na letra i (de informação), conforme figura abaixo, é 
possível ter mais informações sobre o dado e também é possível baixa-lo para abrir 
em outra plataforma. 
 
http://www.globalforestwatch.org/
13 
 
 
 
 Note que é possível mudar a base do mapa (mudança de base), basta 
selecionar o ícone de camadas no lado direito do mapa, conforme figura abaixo.Mude então a base para satélites e veja o resultado. 
 
 
 
 
14 
 
 Vamos ver agora como é o padrão de desmatamento na região de Altamira, no 
Pará. 
Vamos procurar a cidade de Altamira: 
- clicar no ícone de lupa localizado no lado esquerdo inferior do mapa, 
conforme figura abaixo, 
- em segui digitar: Altamira, PA. 
 - dar um zoom para aproximar e observe que o padrão do desmatamento na 
região é do tipo “espinha de peixe”, ou seja, o desmatamento ocorre em linhas 
perpendiculares às rodovias estabelecidas na região. 
 
 
 
 
 No projeto Global Forest Watch temos acesso ao resultado do processamento 
da série temporal de imagens Landsat, e de resultados de outros grupos de pesquisas 
que incorporam seus dados no projeto GFW, como o caso do projeto PRODES, 
desenvolvido pelo Instituto Nacional de Pesquisas Espaciais (INPE). 
Nessa nossa exposição do GFW, buscamos os registros de desmatamento 
florestal, porém há outras possibilidades, por exemplo, ganho de cobertura florestal. 
Explore o site do projeto (www.globalforestwatch.org/) e conheça outras 
funcionalidades do portal. 
http://www.globalforestwatch.org/
15 
 
 
 
Detecção de Queimadas 
 
Os grandes incêndios florestais geralmente emitem grande quantidade de 
fumaça que pode ser detectada pelos sensores ópticos (porção visível do espectro) a 
bordo de plataformas orbitais. Entretanto, para melhor avaliar a intensidade do 
incêndio é necessário uma gama mais ampla de medições, como a temperatura do 
fogo ou a área e a densidade da vegetação que está sendo queimada. Imagens 
coletadas por sensores que operam na região espectral do infravermelho termal (Aula 
7) são utilizadas para estimar a temperatura do fogo, conforme figuras abaixo. 
 
 
Imagens na faixa espectral do visível (esquerda) e do infravermelho termal (direita) coletadas pelo 
satélite Sentinel-3A. O foco de incêndio fica mais notório na imagem termal. 
Fonte: http://www.esa.int/spaceinimages/Images/2016/05/Fort_McMurray_wildfires 
 
 
 
A imagem com coloração verde foi criada usando as bandas do infravermelho próximo do sensor óptico 
a bordo do satélite Sentinel-2, permite ver os focos de incêndio (no interior dos círculos vermelhos) e 
http://www.esa.int/spaceinimages/Images/2016/05/Fort_McMurray_wildfires
16 
 
também permite ver através da fumaça, mas não das nuvens (brancas). A imagem com a coloração 
azul e vermelho foi criada usando as bandas do visível e do infravermelho próximo, e evidencia a 
fumaça (em azul claro). 
Fonte: http://www.esa.int/spaceinimages/Images/2016/05/Fort_McMurray_fires 
 
 
Os incêndios convertem o combustível (biomassa da vegetação) em gases 
atmosféricos, particularmente o monóxido de carbono (CO) e o gás carbônico (CO2), 
bem como outros gases e partículas de fuligem. Medir a perda de dossel devido às 
queimadas pode nos informar sobre a liberação desses gases para a atmosfera, assim 
como o dano potencial que podem ocasionar. 
Após o incêndio, a área da superfície afetada pelo fogo pode ser mapeada 
utilizando sensores ópticos a bordo de satélites, conforme figura abaixo. A área 
queimada é apenas uma parte da história do fogo, e não revela o quanto de vegetação 
foi queimada. Para isso é necessário conhecer a intensidade dos incêndios e a 
proporção de vegetação que foi queimada. 
 
 
Áreas devastadas pelo fogo (regiões escuras) e floresta preservada ou parcialmente preservada (tons 
avermelhados na imagem). Incêndio ocorrido no ano de 2011 no estado do Arizona (USA). Imagem 
adquirida pelo sensor ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) a 
bordo do satélite Terra. 
Fonte: https://earthobservatory.nasa.gov/NaturalHazards/view.php?id=51204 
http://www.esa.int/spaceinimages/Images/2016/05/Fort_McMurray_fires
https://earthobservatory.nasa.gov/NaturalHazards/view.php?id=51204
17 
 
 
Novamente, vamos acessar a plataforma do Global Forest Watch (GFW). A 
plataforma GFW é bastante dinâmica e possui uma gama considerável de informações 
extraída de dados coletados por sensoriamento remoto. 
Acesse a plataforma FIRES do GFW: http://fires.globalforestwatch.org/home/ 
Selecione a opção MAP no topo da página e posicione o Brasil no centro do 
monitor do seu computador. 
Observe que os sensores MODIS, um a bordo do satélite Terra 
(http://terra.nasa.gov/) e outro a bordo do satélite Aqua (http://aqua.nasa.gov/), são 
utilizados para a identificação dos focos de incêndios nas últimas 24 horas, figura 
abaixo. Deixe ativo somente os dados do sensor MODIS e confira os focos de 
incêndios detectados nas últimas 24 horas. 
Há outras opções, tente explorá-las. 
 
 
 
 
Estudo e Monitoramento da Hidrosfera – Global Forest Watch (GFW) 
 
 Os recursos hídricos também são considerados no projeto GFW. Embora o uso 
de satélite não seja explícito, os dados que compõem a base de informação do projeto 
http://fires.globalforestwatch.org/home/
http://terra.nasa.gov/
http://aqua.nasa.gov/
18 
 
GFW são interessantíssimos e podem ser utilizados para educação, pesquisa e 
gestão dos recursos hídricos. 
 Por exemplo, entre no site do projeto GFW que trata dos recursos hídricos: 
http://water.globalforestwatch.org/ 
 Selecione MAP (ou MAPA) e certifique que o idioma escolhido é o português. 
 Selecione o Layer (camada): represas grandes, conforme figura abaixo, e 
observe o resultado. 
 O interessante é que os mapas gerados on-line passam a ser uma excelente 
ferramenta de estudo para explorar as bacias hidrográficas (basta clicar sobre o mapa 
para tornar visível as delimitações das bacias) e os impactos estabelecidos na região, 
como por exemplo: perda de cobertura vegetal. 
 
 
 
Estudo e Monitoramento da Hidrosfera – Águas Continentais 
 
As águas continentais (rios, lagos e reservatórios) perfazem uma parte 
importante dos recursos naturais imprescindíveis para a sociedade humana, 
fornecendo água potável e suprindo as necessidades agrícolas. Além disso, as águas 
continentais são elementos singulares presentes na paisagem, são bonitos e atraem 
as pessoas para o turismo, recreação e pesca. 
http://water.globalforestwatch.org/
19 
 
Como um recurso natural importante, crucial para o acesso à água limpa, é 
essencial o monitoramento da qualidade das águas continentais. Desde o início da 
era da observação da Terra por satélites, o monitoramento das águas interiores (ou 
continentais) tem se tornado cada vez mais viável. Atualmente, podemos monitorar e 
medir uma série de parâmetros (ex., concentração de material em suspensão na 
coluna d´água, concentração de clorofila-a, turbidez da água) que nos permitem 
avaliar o estado de um corpo de água em detalhe e com alta resolução temporal. 
Ao longo das últimas décadas, uma grande parte dos corpos aquáticos 
continentais sofreram com o aporte considerável de nutrientes oriundos de atividades 
antrópicas. Com isso, as águas que eram relativamente claras, tornaram-se sistemas 
dominados por florações fitoplanctônicas (processo denominado de eutrofização, ou 
seja, grande proliferação de fitoplanctôn) em detrimento das plantas submersas, que 
crescem a partir do fundo. A alta produtividade fitoplanctônica compete por luz e torna 
mais acentuada a turbidez da água. 
E em águas interiores podemos realmente encontrar algumas situações 
extremas em que o fitoplâncton domina completamente, conferindo à água a 
característica de “sopa verde”. 
Na imagem composição cor natural abaixo, adquirida pelo satélite Landsat-8, é 
possível observar a intensa cor verde das lagoas costeiras da região norte do estado 
do Rio de Janeiro, caracterizadas pelo alto grau de eutrofização. Observe também o 
contraste das águas oceânicas (azul escuras) com as águas verdes (eutrofizadas) das 
lagoas costeiras. 
Note que o dado de sensoriamento remoto não precisa de muitos 
processamentos para revelarem perspectivas interessantes. Nesse último exemplo, 
umasimples composição de bandas, no caso cor natural (visto na Aula 12), já é 
suficiente para constatar o processo de eutrofização acentuado. 
 
20 
 
 
Imagem Landsat-8, composição cor natural, revelando o alto grau de eutrofização das lagoas costeiras 
localizada na região norte do Rio de Janeiro. Observe o contraste das águas verdes das lagoas 
costeiras (alto grau de eutrofização) com a água azul escuro (relativamente baixa concentração de 
fitoplâncton) da região oceânica. 
 
 
 Na imagem a seguir, podemos observar imagens composição cor natural e os 
produtos concentração de clorofila-a derivado das imagens coletadas pelo sensor 
MODIS na região do Lago Taihu (China). O Lago Taihu é um dos maiores lagos da 
China e tem sofrido com a intensa pressão antrópica 
(http://onlinelibrary.wiley.com/doi/10.1029/2008EO220001/pdf). 
 
http://onlinelibrary.wiley.com/doi/10.1029/2008EO220001/pdf
21 
 
 
Fonte: http://onlinelibrary.wiley.com/doi/10.1029/2008EO220001/pdf 
 
 
 Com dimensão bem inferior, quando comparada com o lago Taihu/China, 
porém de importância relevante do ponto de vista paisagístico e turístico, a Lagoa 
Rodrigo de Freitas, localizada em uma importante área urbana da cidade do Rio de 
Janeiro, tem sido monitorada semanalmente através coletas pontuais realizadas in-
situ (ou seja, técnicos coletam amostras de água na lagoa e levam para o laboratório 
para realizar as análises de qualidade da água). Os boletins de monitoramento são 
disponibilizados pela Secretaria Municipal de Meio Ambiente do Rio de Janeiro (SMAC 
- http://www.rio.rj.gov.br/web/smac/gestao-da-lagoa-rodrigo-de-freitas). 
http://onlinelibrary.wiley.com/doi/10.1029/2008EO220001/pdf
http://www.rio.rj.gov.br/web/smac/gestao-da-lagoa-rodrigo-de-freitas
22 
 
 
Lagoa Rodrigo de Freitas, Rio de Janeiro 
(Fonte: http://www.rio.rj.gov.br/web/smac/gestao-da-lagoa-rodrigo-de-freitas ) 
 
 
 No intuito de complementar o monitoramento pontual in-situ, imagens do 
satélite Landsat-8 são utilizadas para monitor a turbidez da água, ou seja, o grau de 
visibilidade da água. Na figura abaixo é possível observar a turbidez da água na Lagoa 
Rodrigo de Freitas estimada a partir de uma imagem coletada pelo sensor OLI a bordo 
do satélite Landsat-8. Cores magenta e vermelho caracterizam maior turbidez. 
O exemplo da Lagoa Rodrigo de Freitas evidencia bem como o sensoriamento 
remoto orbital pode auxiliar no monitoramento de corpos aquáticos de dimensões 
relativamente pequenas. 
 
http://www.rio.rj.gov.br/web/smac/gestao-da-lagoa-rodrigo-de-freitas
23 
 
 
 Outro caso interessante, são os lagos gerados pela extração de areia na região 
do Distrito Areeiro de Seropédica-Itaguaí (RJ). O Distrito Areeiro é considerado um 
dos maiores do Brasil, abastece cerca de 90% da areia para a construção civil da 
Região Metropolitana do Rio de Janeiro (http://www.accamtas.com.br/p/degradacao-
ambiental-seropedica.html). 
 Na Figura (a) abaixo, é possível ver uma foto da área onde são produzidos as 
lagos. À medida que a areia vai sendo retirada por dragas flutuantes, os lençóis 
freáticos são expostos e formam lagos com coloração azul turquesa, resultado dos 
processos geoquímicos que ocorrem durante a extração da areia, especialmente pela 
contaminação com sulfato de alumínio 
(http://www.cprm.gov.br/publique/media/dou_marques.pdf). O processo de extração 
de areia leva a debates calorosos sobre o impacto no meio ambiente da região. 
 Novamente, uma simples composição de bandas (cor natural) da imagem 
Landsat-8 revela a presença dos lagos na região, figura (b) abaixo, viabilizando a 
estimativa da área impactada pela extração de areia e agestão do espaço impactado 
pela extração de areia. 
 
 
(a) Fotografia dos lagos formados devido ao processo de extração de areia (localizados na região 
metropolitana do Rio de Janeiro, município de Seropédica); (b) composição cor natural de uma cena 
da imagem Landsat-8. A medida que a área vai sendo retirada por dragas flutuantes, os lençóis 
http://www.accamtas.com.br/p/degradacao-ambiental-seropedica.html
http://www.accamtas.com.br/p/degradacao-ambiental-seropedica.html
http://www.cprm.gov.br/publique/media/dou_marques.pdf
24 
 
freáticos são expostos e formam lagos com coloração azul turquesa, resultado dos processos 
geoquímicos que ocorrem durante a extração da areia, especialmente pela contaminação com sulfato 
de alumínio. Fonte: http://www.cprm.gov.br/publique/media/dou_marques.pdf 
 
 
Estudo e Monitoramento da Hidrosfera – Regiões Oceânicas 
 
O tema Ocean Color (tradução literal: Cor do Oceano) mede a luz refletida que 
foi retro-espalhada pela superfície do mar e pelas substâncias presentes na coluna 
d´água. As observações de Ocean Color permitem que possamos determinar a 
concentração e o tipo de material presente na coluna de água, geralmente através de 
algum tipo de modelo de dispersão que correlaciona o material presente na coluna 
d´água com os valores de radiância medidos pelo sensor a bordo do satélite. 
Mudanças da cor da água ocorrem predominantemente devido à presença das 
principais substâncias opticamente ativas presentes na água do mar: matéria orgânica 
dissolvida em suspensão, material particulado inorgânico em suspensão e 
fitoplâncton. 
Dessa forma, os satélites revelam as condições do oceano em lugares remotos, 
como os mares polares, e evidenciam as relações entre terra e oceano. Observações 
opticas podem mostrar a extensão e a dinâmica da liberação de sedimentos para o 
oceano e os padrões de proliferação dos fitoplânctons nos oceanos. Isso permite que 
possamos estudar os processos hidrológicos de larga escala, os processos de erosão 
e lixiviação continental que confluem para regiões oceânicas e a qualidade dos habitat 
marinhos. 
O exercício a seguir fará uso da plataforma World View da NASA, presente no 
portal Earthdata da NASA (https://earthdata.nasa.gov/), que permite explorar dados 
de diversas áreas de estudo. 
Siga os passos abaixo para acessar os dados globais de concentração de 
clorofila-a nos oceanos. 
 
1) Vá para a ferramenta World View: https://worldview.earthdata.nasa.gov/ 
(Quando você visitar o World View pela primeira vez, será oferecido um 
“passeio” pelas suas características, você pode fazer esse passeio se quiser, 
mas não é necessário para este exercício). 
http://www.cprm.gov.br/publique/media/dou_marques.pdf
https://earthdata.nasa.gov/
https://worldview.earthdata.nasa.gov/
25 
 
 
2) No lado esquerdo da tela, certifique-se de que em ' BASE LAYERS ’, os layers 
(as camadas) “Corrected Reflectance (True Color) Aqua / MODIS” e “Corrected 
Reflectance (True Color) Terra / MODIS” são selecionadas. Em ‘OVERLAYS’, 
certifique-se de que o layer (camada) “Coastlines” está selecionada. (Você 
pode ocultar ou mostrar um layer (camada) clicando no símbolo do olho ao lado 
de seu nome ou removê-lo completamente clicando no X). 
 
 
3) Agora clique no botão “Add Layer”. Uma caixa de menu pop-up será exibida. 
Selecione no cabeçalho dessa caixa a opção “Science Disciplines”. 
 
 
 
4) Agora, mais para baixo na caixa, selecione a opção “Oceans” e na caixa do 
Oceans a opção “Chlorophyll a”. 
 
26 
 
 
 
5) Na próximo caixa que aparecer, selecione o satélite desejado, no caso, 
Terra/MODIS, e o produto “Chlorophyll a”. Pode-se ler mais sobre estes dados 
na caixa de texto abaixo da lista, intitulada “MODIS (Terra / Aqua) Chlorophyll 
a”. Habilite também o produto Chlorophyll a do satélite Aqua/MODIS. Depois 
de ter feito isso, feche essa caixa pop-up clicando no X no canto superior direito 
dessa caixa pop-up. 
 
 
6) No controle deslizante de tempo na parte inferior da tela (figura abaixo), 
selecione 18 de dezembro de 2016. Observe o padrão global de clorofila-a. 
Agora selecione outras datas igualmente espaçadas no mesmo ano (por 
exemplo, 18 de abril, 18 de julho e 18 de outubro). Tente identificar se vocêpode ver quaisquer padrões de mudança em qualquer parte do mundo ao longo 
do ano. Você também pode comparar com outros anos. 
27 
 
 
 
7) Você pode tirar um instantâneo de qualquer região do mapa usando o símbolo 
da câmera no canto superior direito. Isso pode ser útil para comparar dados em 
diferentes datas, mas não é essencial. Para fazer isso, clique no ícone da 
câmera e uma ferramenta de seleção de área aparecerá no mapa. Ajuste a 
área e altere a resolução no menu suspenso (selecionando '1 km' ou '5 km' ou 
'10km' permite ter maior ou menor resolução na figura). Clique em “Download”. 
A imagem aparecerá em uma nova guia. Você poderá salvar esta imagem em 
seu computador. 
 
Agora repita as etapas acima para outros dois tipos de dados, por exemplo, para 
a Temperatura da Superfície da Terra (“Land Surface Temperature”). 
Observe que a gama de informações é variada e ampla! Conforme evidencia a 
figura abaixo. 
 
28 
 
 
 
 
 
Monitoramento de Impactos Severos Resultantes das Mudanças do Clima e do 
Tempo. 
 
 Enquanto os rios e as geleiras glaciais despejam sedimento no mar, as 
tempestades e o tráfego marítmo, cada vez mais acentuado, revolvem o sedimento 
do ambiente marinho. Nas imagens de sensoriamento remoto coletadas por sensores 
ópticos é possível observar os sedimentos em suspensão devido à coloração que os 
mesmos conferem à água, diferenciando-a das demais massas d´águas circundantes. 
A erosão, deposição e ressuspensão dos sedimentos são típicas nas regiões 
costeiras, onde as ondas transportam o material ao longo da costa. O monitoramento 
da erosão costeira é importante para proteger habitações, fazendas, estradas e outras 
infra-estruturas. As mudanças nas linhas costeiras também são monitoradas em 
relação ao aumento do nível médio do mar causado pelas mudanças climáticas. 
Imagens de satélites podem mostrar taxas de mudança ao longo de anos ou 
décadas, dependendo da disponibilidade. A deposição cria certas estruturas, tais 
como barras e ilhas de barreira, que podem alterar a forma como o mar atinge a costa 
29 
 
e proteger algumas áreas da erosão. No entanto, grandes tempestades podem 
destruir essas estruturas de areia. 
 As imagens a seguir evidenciam as progressões da região costeira de Cape 
Cod (USA), agitada região do Atlântico Norte. As imagens foram coletadas pelos 
satélites Landsat-5 (12/Jun/1984) e Landsat-8 (23/Ago/2016). 
 
 
Progressões da região costeira de Cape Cod (USA), agitada região do Atlântico Norte. As imagens 
foram coletadas pelos satélites Landsat-5 (12/Jun/1984) e Landsat-8 (23/Ago/2016). 
Fonte: http://earthobservatory.nasa.gov/Features/WorldOfChange/cape_cod.php 
 
 
 O deslizamento de morro que ocorreu ao sul do Quirguistão (país da Ásia 
Central) em 2017 pode ser observado nas imagens a seguir. As imagens foram 
coletadas pelo sensor OLI/Landsat-8. O deslizamento foi provocado pelo excesso de 
neve e de precipitação na região. 
 Deslizamento de morros e encostas geralmente ocorrem devido à intensa 
precipitação e à vulnerabilidade do terreno (terreno acidentado, com pouca vegetação 
ou excesso de cobertura de gelo e neve). 
 O Serviço Geológico do Brasil (CPRM - http://www.cprm.gov.br/ ) desenvolve 
projeto de mapeamento de áreas de riscos no Brasil. Conhecendo essas regiões de 
risco e a taxa de precipitação na região, é possível minimizar os danos ocasionados 
pelos deslizamentos. 
 Os dados de precipitação podem ser obtidos do potral Precipitation 
Measurements Mission da Nasa (https://pmm.nasa.gov/precipitation-measurement-
missions ). Nesse portal, é possível ter acesso aos dados de precipitação global em 
tempo real (a cada meia hora!). Com o mapeamento das áreas sujeitas a 
http://earthobservatory.nasa.gov/Features/WorldOfChange/cape_cod.php
http://www.cprm.gov.br/
https://pmm.nasa.gov/precipitation-measurement-missions
https://pmm.nasa.gov/precipitation-measurement-missions
30 
 
deslizamentos e os dados de precipitação, os gestores podem tomar iniciativas que 
vizam à proteção dos indivíduos, como por exemplo, removendo as pessoas da área 
de risco. 
 
 
 
Deslizamento de encosta ao sul do Quirguistão provado pelo excesso de neve e precipitação no topo 
do morro. Imagens coletadas pelo sensor OLI/Landsat-8. 
Fonte: https://earthobservatory.nasa.gov/IOTD/view.php?id=90255&eocn=home&eoci=iotd_readmore 
 
 
 
Expansão Urbana 
 
O mundo está cada vez mais urbanizado. Se atualmente isso já é um desafio, 
provavelmente será inda maior no futuro. Ou seja, compreender a dinâmica urbana, 
fazer avaliações de risco urbano, e planejar a expansão é extremamente importante. 
Mudanças repentinas nas paisagens urbanas podem ser vistas através do 
mapeamento usando imagens de satélite. Isso inclui a evolução das favelas, o que 
pode acrescentar risco às cidades, já que muitas vezes são mal construídas e podem 
estar em lugares propensos a deslizamentos de terras ou outros perigos naturais. 
https://earthobservatory.nasa.gov/IOTD/view.php?id=90255&eocn=home&eoci=iotd_readmore
31 
 
Mapear a mudança urbana ao longo do tempo pode ajudar os gestores e 
planejadores a desenvolver estratégias de longo prazo para as comunidades que 
servem. 
Por exemplo, abaixo podemos observar duas cenas da cidade de São Paulo 
registradas pelos satélites Landsat-5 (1986) e Landsat-8 (2013). Observem a 
alteração da mancha urbana: expansão das regiões suburbanas e adensamento da 
região central. 
 
 
32 
 
 
Mancha urbana da cidade de São Paulo nos anos de 1986 (acima) e 2013 (abaixo). Imagem 
composição falsa cor, Landsat. Fonte: https://earthobservatory.nasa.gov/IOTD/view.php?id=83987 
 
 
 Na imagem infravermelha a seguir, podemos observar a região metropolitana 
do Rio de Janeiro (tons vermelhos caracterizam vegetação, tons cinza ou branco 
caracterizam área construída, tons escuros caracterizam corpos d´água). Imagem em 
composição colorida utilizando as bandas do sensor OLI/Landsat-8: OLI-3 (banda 
verde), OLI-4 (banda vermelho) e OLI-5 (banda infravermelho próximo), composição 
colorida vista na Aula 12. 
 
https://earthobservatory.nasa.gov/IOTD/view.php?id=83987
33 
 
 
Imagem Infravermelho. Imagem em composição colorida utilizando as bandas do sensor OLI/Landsat-
8: OLI-3 (banda verde), OLI-4 (banda vermelho) e OLI-5 (banda infravermelho próximo). Tons 
vermelhos caracterizam vegetação, tons cinza ou branco caracterizam área construída, tons escuros 
caracterizam corpos d´água 
 
 
As variações de temperatura da superfície terrestre têm correspondência direta 
com a abundância da vegetação. Geralmente as áreas com vegetação mais densa 
apresentam temperaturas menores do que as regiões com menor densidade de 
vegetação. Estas variações espaciais de densidade de vegetação nas áreas urbanas 
influenciam a absorção e a reflexão da radiação solar e da evapotranspiração, 
influenciando o microclima e a qualidade do ar. 
As ilhas de calor são fenômenos característicos das grandes cidades ou 
regiões metropolitanas. Para abrir espaço para prédios e estradas, as cidades 
suprimem a vegetação que de outra forma esfriaria o ambiente evaporando água. Para 
piorar, motores de automóveis, ar quente de condicionadores de ar, secadoras de 
34 
 
roupas, máquinas de terraplanagem, chaminés de fábricas e residências etc, todas 
estas fontes de calor trabalham juntas para aumentar a temperatura. Uma área urbana 
pode ter temperaturas do ar de até 6 graus Celsius mais quente do que as áreas rurais 
nas proximidades! 
Imagens de satélites viabilizam a produção de mapas de fração de vegetação 
(por exemplo, o NDVI, visto na Aula 5) e temperatura de superfície do terreno (Aula 7) 
para as grandes cidades ou metrópoles. Esses mapas podem ser utilizados para 
modelagem do clima em escala regional, subsidiando estratégias de planejamento 
urbano. 
Por exemplo, as imagens abaixo evidenciam as diferenças de temperatura(figura da esquerda) em relação à densidade da vegetação (figura da direita). Observe 
que onde há mais vegetação a temperatura tende a ser menos elevada do que onde 
há pouca ou nenhuma vegetação. 
 
 
Correspondência entre a temperatura (esquerda) e a densidade da vegetação (direita). 
Fonte: alterado de https://earthobservatory.nasa.gov/Features/GreenRoof/greenroof2.php 
 
 
 
 Pois bem, vamos agora acessar o portal da empresa Astra Digital 
(https://fetch.astrodigital.com/#/map/1) para criar um produto de sensoriamento 
https://fetch.astrodigital.com/#/map/1
35 
 
remoto que nos permita observar a mancha urbana e a vegetação na região 
metropolitana do Rio de Janeiro, tal como a penúltima figura mostrada acima. 
 Acesse o portal da Astra Digital: https://astrodigital.com/ 
 Inicialmente será necessário fazer um cadastro (é rápido). É importante você 
entrar com o seu e-mail para que você possa, posteriormente, receber um aletar 
quandos os produtos solicitados por você estiverem prontos. 
 Em seguida selecione, ADD TASK. 
 Digite o nome da sua atividade/projeto (ADD TASK NAME), por exemplo, 
digite RIO DE JANEIRO, e pressione ADD. 
 Ao entrar no mapa interativo, localize a região do Rio de Janeiro e aumente o 
zoom para focalizar a Baia de Guanabara, como mostra a figura abaixo. 
 Selecione a ferramenta de edição de polígono, como mostra a figura abaixo. 
 
 
 
Uma vez selecionado a ferramenta de edição de polígono (formato de lápis 
abaixo), clique sobre a imagem e desenho o polígono (aproximadamente como o 
polígono desenhado abaixo, não necessariamente igual). Dois cliques finaliza a 
edição do polígono. 
 
https://astrodigital.com/
36 
 
 
 
Selecione o intervalo de data desejado, no nosso caso, vamos selecionar um 
dia específico, o dia 18/Fev/2017, como mostra a figura abaixo. 
 
 
Agora, habilite a visualização da imagem que aparece no Preview Scenes, 
conforme mostra figura abaixo (habilite somente a imagem que mostra a baia de 
guanabara inteira, como figura abaixo), em seguida pressione NEXT. 
37 
 
 
 
 
 Agora selecione o produto do seu interesse. Podemos selecionar Urban False 
Color (composição falsa cor da região urbana), como mostra a figura abaixo. Em 
seguida pressione SUBMIT. 
 
 
 A seguinte mensagem aparecerá: 
38 
 
 
 
Quando o processamento terminar, você poderá ativar a imagem como 
mostrado abaixo. 
 
 
 
Ou, de maneira alternativa, você receberá uma mensagem por e-mail (obs. às 
vezes essa mensagem demora mais de 1 dia) sinalizando a disponibilidade do produto 
escolhido. Você poderá baixar as imagens composição falsa cor geradas, ou pedir 
para gerar um mapa on-line com o produto desejado. 
 Agora você tem uma imagem totalmente desenvolvida em composição de 
cores infravermelho. Tudo é feito na web. É essa a direção atual do sensoriamento 
remoto! 
Abaixo, como a imagem aparecerá no navegador da Astro Digital. 
 
39 
 
 
 
 
 Para finalizar, as imagens noturna da superfície terrestre são um outro tipo de 
produto do sensoriamento remoto. Imagens noturnas, como a que segue abaixo, têm 
sido uma curiosidade para o público e uma ferramenta de pesquisa. Fornecem um 
retrato amplo e mostram como os seres humanos moldam o planeta Terra e iluminam 
a escuridão, além de subsidiar dezenas de projetos de pesquisa econômica, de 
ciências sociais e ambientais 
(https://earthobservatory.nasa.gov/NaturalHazards/view.php?id=90008). 
 
https://earthobservatory.nasa.gov/NaturalHazards/view.php?id=90008
40 
 
 
Fonte: https://earthobservatory.nasa.gov/NaturalHazards/view.php?id=90008 
 
 
 
Agricultura 
 
A base do nosso abastecimento alimentar vem da agricultura. No entanto, a 
agricultura está sujeita a vários desafios, tais como desgaste dos solos, 
disponibilidade de água, oscilações do clima e práticas agrícolas insustentáveis. 
Aplicação de fertilizantes e defensivos agrícolas além possuírem custos elevados, 
também podem ter impacto negativo sobre o meio ambiente. Ferramentas que ajudem 
a identificar as áreas que necessitam de mais irrigação ou defensivos, tornam mais 
eficiente e menos oneroso, do ponto de vista financeiro e ambiental, o gerenciamento 
da produção agrícola. 
Imagens de satélites podem ser úteis para localizar áreas problemáticas, assim 
como para subsidiar pesquisas relacionadas à atividade agrícola. Além disso, elas 
podem destacar anomalias de tendência ao comparar diferentes anos. Quando esses 
dados são integrados em modelos agronômicos, os rendimentos das culturas podem 
https://earthobservatory.nasa.gov/NaturalHazards/view.php?id=90008
41 
 
ser previstos. Nos níveis regional e global, a capacidade de antecipar as variações no 
rendimento das culturas é fundamental para antecipar oscilações nos mercados e, 
portanto, melhorar a governação das crises de preços e alimentos. 
Em essência, a combinação de observações por satélites, dados 
meteorológicos, modelagem agrometeorológica/biofísica e análises estatísticas dá 
suporte ao monitoramento agrícola. Sensores ópticos multiespectrais de média 
(Landsat-8/OLI, Sentinel-2/MSI) e baixa (NOAA/AVHRR, Aqua/MODIS) resolução 
espacial permitem o monitoramento de varios parâmetros relacionados à cultura e à 
saúde da vegetação. Como, por exemplo, o tipo e a área da cultura, o índice de área 
foliar (IAF, ou LAI, Leaf Area Index) ou o índice de vegetação por diferença 
normalizada (NDVI, visto na Aula 5). 
Basicamente, o IAF (Figura abaixo) quantifica a área de folhas e indica a 
quantidade de área foliar disponível para fotossíntese e para a troca de água e gás 
carbônico com o meio. Ao assimilar esses parâmetros em modelos 
agrometeorológicos, taxas de evapotranspiração podem ser obtidas, ajudando a 
otimizar a irrigação e o uso de fertilizantes. 
 
Índice de Área Foliar (IAF) estimado a partir das medidas do satélite Sentinel-2. Quanto maior o índice, 
maior a densidade de área foliar. 
Fonte: http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinels_in_the_fields 
 
 
http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinels_in_the_fields
42 
 
O programa Copernicus (http://www.copernicus.eu/main/overview) 
disponibilizada vários tipos de produtos para o gerenciamento agrícola 
(http://land.copernicus.eu/global/products/ ). O acesso aos produtos pode ser feito por 
meio dessa página digital: 
http://land.copernicus.vgt.vito.be/PDF/portal/Application.html#Home . Porém, primeiro 
é necessário fazer uma cadastro. 
Entre a gama de parâmetros estimados a partir de medidas adquiridas por 
plataformas de sensoriamento remoto e que podem ser utilizados para o 
monitoramento das áreas agrícolas, podemos citar: umidade do solo, taxa de 
precipitação, radiação solar, temperatura do solo, cobertura de neve e gelo, índices 
de vegetação etc. Esses parâmetros podem ser utilizados para modelagem do 
crescimento das culturas e para modelagem dos processos de evapotranspiração, 
que, em última instância, tem implicações nos modelos climáticos das regiões 
consideradas. 
 Na figura abaixo podemos observar mapas de alguns desses parâmetros 
citados. 
 
http://www.copernicus.eu/main/overview
http://land.copernicus.eu/global/products/
http://land.copernicus.vgt.vito.be/PDF/portal/Application.html#Home
43 
 
 
Produtos derivados de medidas de sensoriamento remote. 
 
 
 A classificação das culturas agrícolas também tem alta relevância no 
gerenciamento agrícola. Conhecer a área e o tipo de cultura permite melhor gerenciar 
o espaço geográfico e a produtividade das safras. A imagem abaixo mostra o grande 
potencial dos dados adquiridos pelo satélite Sentinela-2 para esse tipo de atividade. 
 Nessa imagem podemos ver o mapa temático de classificação das culturas 
agrícolas em uma região do continente Europeu. A imagem original pode ser 
encontrada em: 
http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinels_in_the_fields 
 
http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinels_in_the_fields
http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinels_in_the_fields
44 
 
 
 
Mapa temático de classificação das áreas agrícolas. 
Fonte: alterado de 
http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinels_in_the_fields 
 
 
O Laboratório de Sensoriamento Remoto Aplicado à Agricultura e Floresta 
(LAF) do INPE desenvolve diversos projetos destinados ao monitoramento agrícola, 
(http://www.dsr.inpe.br/laf/), dentre os quais, citamos o CANASAT E O CAFESAT. 
Vale a pena dar uma conferida. 
 A Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA) também tem 
vários projetos que integram produtos de sensoriamento remoto e a agricultura 
(https://www.embrapa.br/busca-geral/-/busca/sat%C3%A9lites?buscaPortal=sat%C3%A9lites ). 
 
http://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Sentinels_in_the_fields
http://www.dsr.inpe.br/laf/
https://www.embrapa.br/busca-geral/-/busca/sat%C3%A9lites?buscaPortal=sat%C3%A9lites
45 
 
 
2. CONCLUSÃO 
 
 O sensoriamento remoto ambiental passa, atualmente, por uma nova fase de 
renovação com o lançamento de novos sensores e plataformas orbitais. A base de 
dado alimenta diversas instituições espalhadas pelo mundo, que disponibilizam para 
a comunidade científica e civil diversos produtos de utilidade prática. 
 Há diversas opções para visualização das imagens e dos produtos de 
sensoriamento remoto. Por exemplo, o portal WorldView da NASA 
(https://worldview.earthdata.nasa.gov/) é atualizado diariamente com novas imagens 
e produtos. Outras fontes de interesse, além das já disponibilizadas nos textos acima, 
incluem o Earth Observatory da NASA (http://earthobservatory.nasa.gov/) e os 
vídeos da ESA Earth from Space 
(http://www.esa.int/spaceinvideos/Sets/Earth_from_Space_programme) que explicam 
características específicas usando imagens do espaço. 
O futuro da observação da Terra e dos dados de satélites está acontecendo 
agora! Estamos no advento de um grande desenvolvimento no sentido de que todos 
os provedores de dados de satélites estão se mobilizando para disponibilizar os dados 
a custos bastante reduzidos, ou mesmo sem custo financeiro. 
Organizações como a Agência Espacial Européia (http://www.esa.int/ESA) 
adotaram a política de fornecer produtos de sensoriamento remoto de alta qualidade, 
disponibilizando-os rapidamente após a aquisição para quem quiser usá-los em 
qualquer finalidade, sem restrições. Para maiores informações, acesse: 
https://scihub.copernicus.eu/ 
O futuro do sensoriamento remoto ambiental está voltado para a facilidade de 
acesso ao dado e para elaboração de ferramentas, via Web, que permitam com que 
os usuários novatos, ou qualquer outra pessoa, possa se envolver com a pesquisa 
de informações para finalidades diversas. 
 
 
 
 
https://worldview.earthdata.nasa.gov/
http://earthobservatory.nasa.gov/
http://www.esa.int/spaceinvideos/Sets/Earth_from_Space_programme
http://www.esa.int/ESA
https://scihub.copernicus.eu/
46 
 
 
 
 
3. ATIVIDADE FINAL 
 
1) A interpretação das informações contidas em uma imagem de satélite passa, 
inevitavelmente, pelo reconhecimento dos alvos. Observar as diferenças entre 
os alvos e seu entorno envolve comparar diferentes alvos levando em 
consideração quais elementos de interpretação visual ? 
 
RESPOSTA COMENTADA 
tom/cor, forma, tamanho, padrão, textura, sombra e associação. 
 
 
4. RESUMO 
 
 As plataformas virtuais (via Web) facilitam o acesso aos dados e produtos de 
sensoriamento remoto. Portais como o da Astra Digital (https://astrodigital.com/) 
permitem que o usuário escolha o produto desejado, nesse caso o processamento é 
realizado on-line e o produto é então disponibilizado para donwload. 
 A interpretação visual de imagens de sensoriamento remoto envolve a 
identificação de alvos numa imagem, a fim de se extrair informações úteis sobre eles. 
O processo de interpretação/identificação de alvos em uma imagem de sensoriamento 
remoto pode ser realizado por uma pessoa ou de maneira automática, nesse caso, 
sem a intervenção de um analista humano. Na maioria das vezes, utiliza-se uma 
mistura de ambos os métodos para a análise das imagens. 
 A interpretação das informações contidas em uma imagem de satélite passa 
pelo reconhecimento dos alvos. Para tanto, faz necessário considerar os elementos 
visuais de tom/cor, forma, tamanho, padrão, textura, sombra e associação. 
 Os produtos e dados de sensoriamento remoto são utilizados para finalidade 
diversas, dentre as quais, destacam-se: monitoramento e quantificação do 
desmatamento florestal, detecção de queimadas, estudo e monitoramento da 
https://astrodigital.com/
47 
 
hidrosfera (águas continentais e regiões oceânicas), monitoramento de impactos 
severos resultantes das mudanças do clima, expansão urbana e agricultura. 
 Os principais portais de sensoriamento remoto vistos nessa aula estão 
relacionados abaixo. 
 
Earthdata da NASA 
https://earthdata.nasa.gov/ 
World View da Nasa (component do Earthdata) 
https://worldview.earthdata.nasa.gov/ 
Earth Observatory Nasa 
https://earthobservatory.nasa.gov/ 
Planet Monitoring 
https://www.planet.com/products/monitoring/ 
Astra Digital 
https://astrodigital.com/ 
Global Forest Watch 
http://www.globalforestwatch.org/ 
Global Forest Watch - Queimadas 
http://fires.globalforestwatch.org/home/ 
Global Forest Watch – Recursos Hídricos 
http://water.globalforestwatch.org/ 
Programa Copernicus – ESA 
http://www.copernicus.eu/main/overview 
Precipitation Measurements Mission da Nasa 
https://pmm.nasa.gov/precipitation-measurement-missions 
Laboratório de Sens. Remoto Aplicado à Agricultura e Floresta (LAF) - INPE 
http://www.dsr.inpe.br/laf/ 
EMBRAPA satélites 
https://www.embrapa.br/busca-geral/-/busca/sat%C3%A9lites?buscaPortal=sat%C3%A9lites 
 
 
 
https://earthdata.nasa.gov/
https://worldview.earthdata.nasa.gov/
https://earthobservatory.nasa.gov/
https://www.planet.com/products/monitoring/
https://astrodigital.com/
http://www.globalforestwatch.org/
http://fires.globalforestwatch.org/home/
http://water.globalforestwatch.org/
http://www.copernicus.eu/main/overview
https://pmm.nasa.gov/precipitation-measurement-missions
http://www.dsr.inpe.br/laf/
https://www.embrapa.br/busca-geral/-/busca/sat%C3%A9lites?buscaPortal=sat%C3%A9lites