Como funciona o mapeamento infravermelho de Catanduva na prática
Quem trabalha com sensores remotos em regiões do interior paulista já notou que os dados de refletância no infravermelho próximo e termal de Catanduva têm particularidades que não aparecem em manuais genéricos. A cidade fica numa zona de transição entre cerrado e agricultura intensiva, o que cria assinaturas espectrais confusas quando você não ajusta os parâmetros corretamente. O primeiro passo é decidir qual plataforma vai usar. Imagens Sentinel-2 custam zero e têm resolução de 10 metros nos banda visível e infravermelho de onda curta, mas a cobertura temporal de cinco dias às vezes não captura o momento certo da safra. Para agricultura em Catanduva, onde o milho e a cana alternam no mesmo lote, perder a janela de dez dias pode significar interpretar uma área de soqueira como plantio novo. O Landsat 9 resolve parcialmente isso com 16 dias de revisita, mas a resolução de 30 metros dilui talhões pequenos de menos de dois hectares.
infrared catanduva: obtenção e pré-processamento
Para quem quer resultados reais, o processo começa no Google Earth Engine ou na API da ESA. A banda B5 (infravermelho próximo) e B6 (SWIR) do Sentinel-2 são as mais usadas para NDVI e NDWI respectivamente. A correção atmosférica com Sen2Cor ou LaSRC é obrigatória — dados TOA sem correção dão índices de vegetação inflacionados em cerca de 15% durante a seca, que é quando a maior parte do monitoreo de pragas e estresse hídrico em Catanduva acontece. Aqui entra um problema que ninguém comenta nos tutoriais: a névoa seca. Catanduva no período de julho a setembro tem partículas de poeira e material orgânico em suspensão que afetam fortemente as bandas curtas do infravermelho. Eu passei três semanas tentando explicar padrões espaciais que pareciam estresse hídrico em uma propriedade perto do distrito de Taquaral, quando na verdade eram artefatos de espessura óptica variável nos pixels. A solução foi cruzar com dados de visibilidade do station meteorológica municipal e aplicar um mask de QA60 com threshold mais restrito, rejeitando pixels com probabilidade de nuvem alta acima de 30%, o que reduziu a área útil em 18% mas eliminate o ruído completamente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O processamento em si roda em Python com rasterio e xarray. Um pipeline típico leva cerca de 20 minutos para uma cena de 100x100 km com correção atmosférica, enquanto no QGIS com processamento manual o tempo sobe para 45 minutos por causa da sobrecarga de coordenadas e conversões de projeção repetidas. Recomendo manter o EPSG 32723 (UTM zona 23S) durante todo o fluxo para evitar distorções de área que comprometem cálculos de índice de saúde vegetal em propriedades rurais. A faixa termal do Landsat 9 (banda 10, 10 micrômetros) merece atenção separada. Ela não serve para diagnose precisa de temperatura de folha — o erro padrão em campo costuma ser de ±3°C sem calibração in situ — mas é útil para detectar ilhas de calor urbano em áreas como o centro de Catanduva e corredores de aquecimento em estradas vicinais. O problema é que a resolução de 100 metros torna inútil para mapeamento de estresse em lavouras individuais. Para isso, você precisa de dados como os do sensor TIRS embarcado em satélites anteriores ou fazer medições com pirômetros de campo.
O que a maioria dos guias omite é que índices compostos como o CIG (Chlorophyll Index Green) e o SIPI (Structural Independent Pigment Index) performam melhor que NDVI puro em cana-de-açúcar em Catanduva durante o enchimento de colmo. O NDVI satura em valores de reflectância acima de 0.85, o que acontece em lavouras com mais de 60 dias de crescimento. Nesse regime, o SIPI consegue discrimininar diferenças de conteúdo de pigmento que o NDVI trata como equivalente. Se você está começando agora, o acesso mais prático é pela interface do Google Earth Engine com o repositório COPERNICUS/S2_SR_HARMONIZED. Não tente baixar e processar as imagens manualmente no início — o overhead de gestão de arquivos e metadados consome mais tempo do que o processamento em si. Um fluxo básico com exportação de NDVI e NDWI para uma região de interesse de 50 mil hectares leva em média 8 minutos de computação na nuvem.
A desvantagem óbvia da nuvem é a dependência de conexão e a impossibilidade de processar dados em áreas com restrição de soberania digital. Para operações fora da grade do GEE, o SNAP Toolbox da ESA é gratuito e rodando localmente em uma máquina com 16 GB de RAM e SSD. O Sen2Cor dentro dele demora cerca de 12 minutos por cena completa de 6000x6000 pixels, comparado aos 90 segundos no GEE. Para aplicações de monitoramento contínuo em Catanduva, o ideal é combinar Sentinel-2 com medições de campo pontuais. Sem pontos de calibração no solo, qualquer conclusao sobre estresse hídrico ou sanidade vegetal é especulativa. Eu recomendo no mínimo cinco pontos de verificação por propriedade de 100 hectares, medindo com um espectrorradiômetro portátil nas mesmas bandas do satélite.
