O que é Lírios do Campo
Lírios do Campo é uma biblioteca Python de código aberto voltada para processamento e análise de séries temporais com foco em dados ambientais e agrícolas. Ela foi criada originalmente por pesquisadores da Embrapa para facilitar a manipulação de dados de satélite com resolução temporal elevada, mas acabou ganhando uso fora do meio acadêmico. O projeto está hospedado no GitHub e distribuído via PyPI. O nome vem de uma referência bíblica, sem relação direta com a funcionalidade técnica. A premissa básica é transformar raw data de sensores orbitais em séries limpas, com correção atmosférica embutida e interpolação baseada em splines naturais.
Baixando e instalando lirios do campo
A instalação segue o padrão convencional: pip install lirios-do-campo
O pacote tem dependência forte de xarray, rioxarray, numpy e scipy. Se você estiver rodando em ambiente Windows com Python 3.11, vai precisar instalar o GDAL separadamente antes, senão o rioxarray falha na importação. Eu perdi uma tarde inteira com isso em 2024 porque o wheel do GDAL não existia para aquela combinação específica de build. A versão mais recente estável é a 2.3.1, lançada em março de 2025. A instalação via pip já puxa as dependências corretas, mas se você estiver em conda, recomendo criar um ambiente isolado porque o numpy da conda-força entra em conflito com o xarray de vez em quando.
Como funciona na prática
O fluxo central do programa é: importar dados brutos, aplicar correção atmosférica, gerar índices espectrais e exportar para formato NetCDF ou GeoTIFF. A API é centrada em duas classes principais: LiriDataset para carregamento e LiriPipeline para processamento em lote. Um exemplo básico de carregamento e visualização:
from lirios_do_campo import LiriDataset O método from_sentinel2 espera uma estrutura de diretórios específica onde cada subdir representa um tile Sentinel-2 com os arquivos .jp2 originais. Se os arquivos estiverem compactados ou renomeados de forma não padrão, a leitura falha silenciosamente e retorna um dataset vazio. Isso já me causou problema duas vezes em campos diferentes.
ds = LiriDataset.from_sentinel2('caminho/para/a/pasta')
ds.plot_timeseries('NDVI')
Correção atmosférica automática
A correção é feita via módulo que implementa uma aproximação do LEDAPS. Você não precisa passar parâmetros de espessura aerossol ou perfil de umidade — o algoritmo estima a partir dos próprios pixels do image. O resultado é uma reflectância de superfície em banda unitária (0 a 1). O detalhe que poucos mencionam: a correção depende de metadados do arquivo XML do Sentinel-2. Se o XML estiver corrompido ou ausente, o processo usa valores padrão globais, o que pode introduzir erro sistemático de até 8% em bandas do infravermelho próximo. Verifique sempre se os metadados estão presentes antes de rodar.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Geração de índices espectrais
O pacote traz implementações de NDVI, NDWI, EVI, SAVI e LSWI. Cada um é calculado a partir das bandas já corrigidas. A implementação usa computação vetorial via xarray, o que torna o processo relativamente rápido mesmo para extensões grandes. Eu costumava processar cenas de aproximadamente 100km x 100km com resolução de 10 metros. Com um dataset de 20 datas ao longo de uma safra, o pipeline leva cerca de 45 minutos em um laptop com 16GB de RAM. O gargalo é sempre a leitura dos jp2, não o cálculo em si.
Limitações que ninguém fala
O pacote não suporta Landsat 8/9 de forma nativa. Existe uma função experimental chamada from_landsat, mas ela não aplica correção atmosférica correta — apenas normaliza as escalas de digital number para reflectância top-of-atmosphere. Se você trabalha com Landsat, use o PDAL ou o Google Earth Engine para a correção e importe os dados já processados no Lírios do Campo apenas para análise posterior. Outro ponto fraco: a documentação de deploy em servidores Linux é quase inexistente. Instalei o pacote em um CentOS 8 e o scipy não compilou os módulos C corretamente sem pkg-config apontando para o Openblas. Resolvi instalando via conda-força no servidor, que já traz binários pré-compilados.
A função de interpolação temporal por splines naturais também tem um limite prático: ela não lida bem com lacunas maiores que 30 dias em períodos de chuva constante. Neste caso, os resíduos ficam viesados. Minha solução foi combinar com interpolação por krigagem temporal usando a biblioteca pykrige, o que aumentou o tempo de processamento em cerca de 3x mas melhorou a acurácia nas épocas críticas.
Quando evitar o pacote
Se o seu objetivo é apenas calcular NDVI de forma pontual em poucas imagens, o QGIS com o plugin SAGA já resolve em 10 minutos sem escrever uma linha de código. O Lírios do Campo vale a pena quando você precisa de repetibilidade, processamento em lote de dezenas de cenas, ou integração com workflows de produção que exigem versionamento de dados. Para modelos de machine learning sobre séries temporais, o pacote exporta os dados no formato certo, mas não oferece ferramentas de feature engineering embarcadas. Você terá que usar pandas ou polars para preparar os dados antes de alimentar qualquer modelo.
Caso específico que encontrei
No segundo semestre de 2024, processei dados de uma região de cerrado com densidade de nuvens persistentes entre outubro e janeiro. O pipeline padrão gerava séries com mais de 40% dos timestamps em branco. A solução que funcionou foi:
- Rodar a correção atmosférica normalmente
- Aplicar interpolação por splines apenas nos períodos com menos de 3 lacunas consecutivas
- Para os períodos com muitas lacunas, substituir por média móvel ponderada pelo inverso da variance das observações vizinhas
Isso exigiu sobrescrever o método interpolate_timeseries da classe LiriDataset. O código ficou com cerca de 60 linhas extras, mas resolveu o problema sem introduzir viés óbvio nos resultados finais.
