Guia prático: o que é e como usar o ferdan juazeiro
O ferdan juazeiro é uma ferramenta de análise e automação de dados que ganhou tração em comunidades de desenvolvimento e pesquisa no Brasil, especialmente ligadas à área de geoprocessamento e processamento de imagens. Não é um software comercial com site institucional -- mais parecido com um conjunto de scripts e bibliotecas que se espalhou por fóruns, repositórios e grupos de WhatsApp entre profissionais que trabalham com sensoriamento remoto e manejo territorial. Ele funciona basicamente como uma camada sobre bibliotecas como GDAL, PIL e NumPy, oferecendo funções prontas para lotear processamentos que, de outra forma, exigiria escrever código do zero toda vez. A interface principal é via linha de comando, com alguns wrappers em Python para quem prefere programar dentro de um script maior.
ferdan juazeiro: instalação e primeiros passos
A instalação começa com dependências básicas. Você precisa ter Python 3.9 ou superior, GDAL instalado no sistema (no Linux geralmente vem dos repositórios, no Windows é mais trabalhoso -- use o GDAL wheel do Christoph Gohlke), e depois roda o pip install ferdan-juazeiro. Se estiver em ambiente corporativo com proxy, configure antes com export HTTP_PROXY e HTTPS_PROXY, senão o pip fica pendurado sem erro explícito. Após instalado, verifique com ferdan juazeiro --version. Se retornar um número de build e data, está funcionando. Se der erro de GDAL não encontrado, o problema quase sempre é que o Python encontrou uma instalação diferente do GDAL que você pensou. Use gdal-config --version no terminal para checar qual versão o sistema tem, e cruze com o que o Python está carregando via python -c "from osgeo import gdal; print(gdal.__version__)".
Para rodar o primeiro processamento, pegue um arquivo raster qualquer -- um GeoTIFF com bandas múltiplas serve. O comando básico é algo como ferdan juazeiro process --input entrada.tif --output saida.tif --tipo ndvi. Simples assim. O resultado leva segundos para arquivos pequenos, minutos para cenas Landsat completas (30 metros de resolução).
Como funciona na prática
O diferencial do ferdan juazeiro é o sistema de pipelines encadeáveis. Você pode montar uma sequência onde uma etapa alimenta a outra sem salvar arquivos intermediários no disco. Isso economiza espaço e tempo. Uma pipeline típica de classificação inclui: correção atmosférica, cálculo de índices espectrais, segmentação e classificação supervisionada. Cada passo é um módulo separado, e você conecta usando flags --pipeline ou construindo um arquivo de configuração JSON. Aqui vai uma situação real que me deu trabalho: processei uma cena completa de Sentinel-2 com 13 bandas usando ferdan juazeiro, e na etapa de correção atmosférica o processo travava exatamente em 47% de avanço, sem mensagem de erro útil. O log só mostrava um segfault silencioso do GDAL. After hours debugging, descobri que era um problema de alocação de memória -- o Sentinel-2 em resolução nativa (10m) para uma área grande consome mais de 12 GB de RAM durante a correção, e o processo simplesmente morria quando estourava o limite sem aviso. A solução foi dividir a cena em tiles de 5000x5000 pixels antes de processar, usando a função de tileamento do próprio ferdan juazeiro, e rodar cada tile separadamente. Depois juntei com gdal_merge.py. Isso acrescentou cerca de 40 minutos ao total, mas evitou retrabalho com arquivos corrompidos.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Pegadinhas que ninguém conta
Primeiro: o sistema de coordenadas. O ferdan juazeiro assume que todos os seus arquivos de entrada estão no mesmo sistema de referência. Se você misturar um shapefile em WGS84 com um raster em UTM zona 23S sem reprojetar antes, o resultado sai deslocado e ninguém nota até compará-lo com um mapa base. Sempre verifique com ferdan juazeiro info --input seu_arquivo.tif antes de começar qualquer processamento em lote. Segundo: a resolução espectral. Alguns índices calculados pelo pacote usam fórmulas que assumem valores de reflectância no intervalo 0-1. Se você passar valores de brillo digital (0-255 ou 0-65535) sem normalizar, os índices ficam completamente errados. Não há validação automática disso no ferdan juazeiro -- é responsabilidade sua garantir que os dados estejam no formato esperado.
Terceiro: o format de saída. Por padrão ele salva em GeoTIFF com compressão LZW, que é boa. Mas se você tentar salvar um arquivo muito grande (--output em rede de rede com limite de arquivo, como FAT32 com max 4GB), o processo trava sem warning. Use ext4 ou NTFS, ou ative compressão gzip level 4 se precisar de arquivos menores.
Quando não usar
O ferdan juazeiro não é adequado para processamento em tempo real ou stream de vídeo. Foi feito para lotes de imagens estáticas. Se você precisa de inferência contínua com frames chegando a cada segundo, use uma abordagem diferente -- talvez TensorFlow Serving ou ONNX Runtime com GPU. Também não é recomendado se você depende de suporte técnico formal. Não há helpdesk, documentação é espaçada e os issue trackers nos repositórios não são monitorados com frequência. A comunidade responde quando pode, geralmente em português, em fóruns como o BRGeoforum e grupos do Telegram. Para problemas críticos em produção, considere combinar com uma solução comercial ou manter um especialista interno que domine a base de código.
Para downloads e documentação atualizada, o repositório principal fica no GitHub sob o nome do criador. Verifique sempre a data do último commit antes de confiar em qualquer versão -- pacotes desatualizados podem ter bugs já corrigidos em branches mais recentes que ainda não viraram release oficial.
