O que é um mapa de zonas térmicas e como construir um de verdade
Um mapa de zonas térmicas é basicamente uma representação cartográfica que agrupa áreas com base em padrões de temperatura, seja ela do ar, do solo ou urbana. No Brasil, o conceito é mais conhecido quando se trata de ilhas de calor urbano ou da classificação climática de Köppen adaptada a escalas regionais. O problema é que muita gente confunde isso com um simples mapa de cores bonitinhas, e na prática isso não funciona quando você precisa tomar decisão com ele. Já passei por diversas prefeituras e escritórios de engenharia tentando vender mapas feitos com dados genéricos do INMET interpolados pra qualquer localidade. O resultado era sempre o mesmo: o mapa parecia bom de longe, mas quando ia validar contra medições pontuais, a coisa desandava. Temperaturas que variavam 4 a 6 graus em relação à realidade só porque o sensor mais próximo ficava a 30 quilômetros de distância.
Como montar um mapa zonas térmicas funcional
O primeiro passo é entender o que você quer mapear. Zona térmica de ilhas de calor urbano é coisa completamente diferente de uma classificação térmica para agricultura. Eu comecei errando isso várias vezes. A diferença entre os dois enfoques define todo o resto do processo: resolução espacial, fonte de dados, método de interpolação e até o software que você vai usar. Se o objetivo é mapear ilhas de calor, os dados de satélite térmico são o ponto de partida. O Landsat 8 e 9 têm o banda 10 (TIRS), que mede radiação térmica na faixa de 10,6 a 11,5 micrômetros, com resolução de 100 metros (refundida para 30 metros). O Sentinel-3 possui o SLSTR com resolução de 1 quilômetro nas bandas térmicas — serve para análise regional, não urbana. O MODIS, por sua vez, dá cobertura diária em 1 quilômetro, útil pra séries temporais mas insuficiente para detalhe de bairro.
Para trabalhos urbanos com precisão aceitável, o Landsat 8/9 é o mínimo que eu recomendo. O custo é zero, basta baixar no USGS EarthExplorer ou no Google Earth Engine. O processamento bruto envolve corrigir a radiação tonal para temperatura de brilho usando a fórmula de conversão do sensor, depois calibrar radiometricamente. No QGIS você consegue fazer isso com a ferramenta Band ou com plugins como SAGA GIS integrado. A interpolação dos dados pontuais em superfície contínua é onde a maioria dos erros acontece. IDW (Inverse Distance Weighting) é rápido mas tende a criar bolhas artificialmente arredondadas ao redor dos pontos de medição. Krigagem é estatisticamente mais rigorosa, mas exige que você ajuste o semivariograma corretamente. Nos meus projetos, o método que funcionou de forma mais consistente foi a interpolacão por splines com suavização controlada, especialmente quando os pontos de medição têm densidade irregular.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Tenhai um caso específico num projeto pra uma cidade do interior de São Paulo. Tinha 12 estações meteorológicas espalhadas pela malha urbana, mas três delas estavam literalmente dentro de parques com sombra permanente, enquanto outras ficavam em estacionamentos de concreto exposto. O mapa resultante com IDW mostrava zonas térmicas completamente invertidas em relação ao que medi no campo. A solução foi pesar os pontos por cobertura de uso do solo — dar peso menor aos sensores em áreas verdes e maior aos que realmente representavam a superfície urbana média. Isso mudou a classificação de 4 para 6 zonas distintas na área central. Depois da interpolação, a classificação das zonas propriamente dita. Aqui entra um erro comum: dividir por intervalos iguais de temperatura. Se sua faixa vai de 22 a 36 graus e você faz classes de 2 em 2 graus, acaba com classes vazias e outras superlotadas. O método que uso agora é classificação natural (Jenks), que maximiza a variância intraclasse e minimiza a variância interclasse. No QGIS, va em Propriedades da Camada > Simbologia > Classificação Natural. O algoritmo encontra os pontos de quebra ideais automaticamente.
Para agregar valor real ao mapa, sobreponha camadas de uso e ocupação do solo. O mapa térmico sozinho diz onde está quente, mas não explica por quê. Combinações típicas que sempre aparecem: concreto impermeabilizado + alta densidade construída = zona de calor extremo; áreas verdes contínuas + corpos d'água = zona de amortecimento térmico; zonas industriais ativas = zona de calor residual. Quando mostro esses cruzamentos em reuniões com gestores públicos, o mapa deixa de ser uma imagem bonita e vira ferramenta de decisão. Uma limitação séria que precisa ser dita claramente: mapas térmicos baseados em satélite só capturam a temperatura da superfície (LST), não a temperatura do ar. A diferença entre elas pode variar de 5 a 15 graus dependendo da hora do dia, umidade e cobertura nuvens. O Landsat passa sobre o mesmo local entre 10h e 11h da manhã, então seu mapa representa essencialmente a temperatura matinal. Se o objetivo é estudar conforto térmico humano ou consumo de ar-condicionado, você precisa complementar com dados de temperatura do ar medidos in situ ou estimados por modelos como o WRF acoplado a dados de uso do solo.
Outro problema prático: nuvens. O Landsat não vê através de cobertura nuvens. Na estação chuvosa, a chance de conseguir uma imagem limpa cai para menos de 30%. Minha workaround foi sobrepor cenas de diferentes datas e usar o pixel melhor disponível (lowest cloud score) de cada célula da grade. No Google Earth Engine isso leva cerca de 5 minutos de processamento para uma área de 500 quilômetros quadrados. No QGIS puro, o mesmo procedimento com várias cenas pode levar de 40 minutos a 2 horas, dependendo da potência da máquina. Se você precisa de algo mais rápido e não tem preocupação com resolução fina, o Google Earth Engine oferece scripts prontos de NDVI e LST que rodam direto no navegador. Para análise acadêmica ou relatório técnico, o output já vem com metadados completos e é aceito em revisões por pares sem questionamentos. Para prefeitura ou empreendimento privado, o ideal é sempre validar com pelo menos três medições de campo em dias diferentes, preferencialmente em horários distintos, porque a distribuição térmica muda drasticamente entre 8h, 14h e 20h.
O arquivo final precisa ser entregue em formato que seja interpretavel por quem vai usá-lo. Shapefile ainda é padrão em órgãos públicos no Brasil, mas GeoTIFF com projeção UTM local e paleta de cores indexada carrega mais rápido em sistemas legados. Evite PNG ou JPEG — perdem a informação geoespacial e não podem ser sobrepostos com precisão em outras camadas depois.
