Princípio-chave
Quanto maior a energia da fonte → maior a frequência → menor o comprimento de onda. Por isso o Sol (quente) emite ondas curtas e a Terra (fria) emite ondas longas.
Solo, vento, ar e água — como satélites e geoprocessamento transformam dados do planeta em decisões que salvam safras.
A ciência de enxergar a Terra sem tocá-la — usando a luz como mensageira.
Sensoriamento remoto é o conjunto de técnicas que permite obter informações sobre alvos na superfície terrestre sem contato físico. O mensageiro é a Radiação Eletromagnética (REM) — a luz, em todas as suas formas, que viaja pelo espaço a ~300.000 km/s.
Extremamente quente, emite radiação concentrada no visível e infravermelho próximo. É a fonte primária que ilumina as lavouras para os sensores passivos captarem o reflexo.
Absorve a energia solar e a reemite como calor (infravermelho termal). Satélites com sensor TIR captam essa emissão para medir a temperatura da superfície.
Quanto maior a energia da fonte → maior a frequência → menor o comprimento de onda. Por isso o Sol (quente) emite ondas curtas e a Terra (fria) emite ondas longas.
Cada faixa do espectro revela um segredo diferente sobre a lavoura.
Quando a luz atinge uma folha, três coisas acontecem: parte é transmitida, parte é absorvida (para fotossíntese) e parte é refletida de volta ao céu. A fração refletida ao longo do espectro forma a assinatura espectral — a identidade do alvo.
Quando lagartas ou fungos atacam, a estrutura celular colapsa antes de qualquer sintoma visual. O resultado: a reflectância no NIR cai drasticamente e o vermelho sobe — o satélite detecta isso dias ou semanas antes do amarelecimento visível.
Conheça os "olhos no espaço" que vigiam as lavouras do planeta — cada um com forças e limitações distintas.
Resolução espacial: 10 m (bandas visíveis e NIR), 20 m (red-edge e SWIR), 60 m (atmosféricas).
Bandas: 13 bandas multiespectrais — inclui 3 bandas de red-edge exclusivas, fundamentais para detecção precoce de estresse foliar.
Revisita: 5 dias (com os dois satélites combinados).
Destaque: Melhor relação custo-benefício para agricultura. Dados 100% gratuitos no Copernicus Open Access Hub.
Resolução espacial: 30 m (multiespectral), 15 m (pancromática), 100 m (termal — reamostrável para 30 m).
Bandas: 11 bandas — inclui 2 bandas termais (TIRS) que o Sentinel-2 não possui. Essencial para cálculo de LST e evapotranspiração.
Revisita: 16 dias (8 dias combinando Landsat 8+9).
Destaque: Acervo histórico desde 1972. Permite análise temporal de décadas de mudanças no uso do solo.
Resolução espacial: 5 × 20 m (modo IW — Interferometric Wide).
Bandas: Banda C (micro-ondas 5,4 GHz). Polarizações VV e VH.
Revisita: 6-12 dias.
Destaque: Enxerga através de nuvens e chuva, 24h por dia. Indispensável para monitorar acamamento por vento e umidade do solo na safra de verão chuvoso.
Resolução: 3-5 m. Revisita: diária (constelação de +200 nanosatélites). Ideal para monitoramento fenológico de culturas de ciclo curto.
Resolução: 0,3 m (pancromática) — consegue enxergar plantas individuais. Uso: inventário florestal, contagem de árvores, mapeamento de falhas de plantio.
Resolução: 2 m (câmera WPM). Destaque: satélite sino-brasileiro gratuito. Útil para fiscalização ambiental e monitoramento do Cerrado e Amazônia.
Resolução: 60 m. Revisita: 5 dias. Destaque: primeiro satélite de observação da Terra inteiramente projetado, integrado e testado no Brasil.
| Portal | Satélites Disponíveis | Endereço |
|---|---|---|
| Copernicus Browser | Sentinel-1, 2, 3, 5P | browser.dataspace.copernicus.eu |
| USGS EarthExplorer | Landsat, MODIS, ASTER | earthexplorer.usgs.gov |
| Google Earth Engine | +900 datasets (Sentinel, Landsat, MODIS, ERA5, etc.) | earthengine.google.com |
| INPE (DGI) | CBERS-4/4A, Amazonia-1 | www.dgi.inpe.br/catalogo |
| Planet Explorer | PlanetScope, SkySat | planet.com (plano gratuito limitado para educação) |
Na agricultura de precisão, o ideal é combinar fontes: use o Sentinel-2 para monitoramento frequente de NDVI/EVI, o Landsat 8 quando precisar de temperatura (LST), e o Sentinel-1 SAR em períodos chuvosos, quando nuvens bloqueiam sensores ópticos. Essa fusão multisensor é chamada de data fusion.
Os satélites de observação da Terra operam em órbitas heliossíncronas — passando sobre o mesmo ponto sempre no mesmo horário local (geralmente por volta das 10h-10h30 da manhã, quando a iluminação solar é ideal e a formação de nuvens convectivas ainda é baixa). A altitude típica gira em torno de 690-786 km. A cada passagem, o sensor varre uma faixa do terreno chamada swath (290 km para o Sentinel-2, 185 km para o Landsat). A soma de todas essas passagens em N dias constitui o tempo de revisita.
O solo é o reservatório vivo; a água é o motor que faz tudo funcionar.
Mede a força (kPa) com que o solo retém a água. Quanto maior o valor, mais difícil é para a raiz extrair hidratação.
Calcula o teor de água volumétrica no perfil do solo e monitora oscilações térmicas no subsolo ao longo do dia.
Espacializa a informação: solos úmidos esfriam devagar (alto calor específico). Quando a planta fecha os estômatos e para de transpirar, sua temperatura sobe — o satélite vê esse "hotspot".
O solo não surge do nada — ele é produto de milhares de anos de transformação da rocha-mãe sob ação simultânea de cinco fatores que a pedologia clássica identifica como os "fatores de formação" de Jenny:
A rocha-mãe define a composição mineral base. Basaltos originam solos ricos em ferro (Latossolos vermelhos do Paraná). Arenitos produzem solos mais arenosos e menos férteis.
Chuva e temperatura aceleram o intemperismo químico. No Brasil tropical, o calor e a água abundante produzem solos profundos e muito intemperizados (Latossolos), diferentes dos solos rasos de regiões semiáridas.
Raízes, minhocas, cupins, fungos e bactérias desagregam a rocha e incorporam matéria orgânica. Um hectare de solo saudável pode conter mais de 5 toneladas de organismos vivos.
Em encostas íngremes, a erosão remove solo mais rápido do que se forma. Em várzeas planas, água acumula e gera solos hidromórficos (Gleissolos). O satélite usa modelos digitais de elevação (DEM) para prever essa variabilidade.
A formação de 1 cm de solo pode levar de 100 a 1.000 anos. Um Latossolo profundo do Cerrado, com 10-20 metros de espessura, representa milhões de anos de pedogênese. Erosão descontrolada destrói em meses o que a natureza construiu em milênios.
Nem toda água presente no solo está disponível para a planta. A classificação hídrica do perfil é dividida em três faixas críticas que determinam a sobrevivência da cultura:
A água na propriedade não é um recurso estático. Ela circula continuamente entre atmosfera, solo, planta e corpos hídricos. Compreender esse ciclo é essencial para interpretar os índices de umidade captados por satélite:
Chuva chega ao solo. Parte infiltra, parte escoa superficialmente (runoff), parte é interceptada pelo dossel foliar. Pluviômetros medem; satélites como o GPM da NASA estimam precipitação em áreas sem estações.
A água penetra no perfil. A taxa depende da textura (argiloso infiltra devagar, arenoso rápido), da compactação e da cobertura vegetal. Plantio direto mantém palhada que eleva a infiltração.
Raízes extraem água da zona entre PMP e CC. A soja concentra ~80% das raízes nos primeiros 40 cm de solo. Sensores proximais e sondas de perfil monitoram a depleção hídrica em cada profundidade.
Soma da evaporação do solo + transpiração das folhas. É o processo que resfria a planta. Quando a ET cessa (falta d'água), a temperatura foliar sobe e o satélite TIR detecta. O balanço entre precipitação e ET determina se a lavoura está em superávit ou déficit hídrico.
Da brisa benéfica à ventania destrutiva — e como o radar SAR enxerga através das nuvens.
Brisas suaves são indispensáveis: polinização do milho (anemófila), secagem natural de folhas após o orvalho e prevenção de fungos que prosperam em ambientes estagnados e úmidos.
Ventanias extremas + chuva torrencial em solos saturados = plantas tombam. Ocorre nas fases reprodutivas (florescimento → maturação). Consequências: perda de luz solar, grãos não enchem, doenças proliferam no microclima úmido e as colheitadeiras não operam.
Velocidade, força e direção do vento com alta precisão vetorial.
Umidade relativa do ar — essencial para modelos de evapotranspiração.
Pressão atmosférica — antecipa frentes de chuva e tempestades.
Volume de precipitação acumulada por período.
A evapotranspiração (ET) integra solo, água, ar e planta num único indicador — o consumo hídrico real da cultura.
A evapotranspiração é a soma de dois processos simultâneos: a evaporação da água do solo e a transpiração das folhas através dos estômatos. Ela representa o volume total de água que sai do sistema solo-planta para a atmosfera. É a variável que conecta todos os quatro elementos (solo, água, ar, vento) num único número acionável para irrigação.
Evapotranspiração de uma grama hipotética (12 cm de altura, bem irrigada). Calculada pela equação de Penman-Monteith usando dados de estações meteorológicas: radiação solar, temperatura, umidade relativa e velocidade do vento. Serve como "linha de base" universal.
A demanda hídrica real da cultura. Calculada como: ETc = ETo × Kc, onde Kc é o coeficiente de cultura, que varia de 0,3 (plântula recém-emergida) a 1,2 (dossel totalmente fechado). A soja no pico vegetativo chega a consumir 7-8 mm de água por dia.
O que a planta efetivamente evapotranspirou, levando em conta restrições hídricas reais. Calculada pelo modelo SEBAL ou METRIC usando dados de temperatura de superfície (LST) do Landsat. Quando ETr < ETc, há déficit hídrico confirmado.
Rn = radiação líquida (energia que entra). G = fluxo de calor para o solo. H = calor sensível (aquece o ar). λET = calor latente (evapora água). O satélite mede Rn e estima G e H via LST/NDVI, obtendo a ET como resíduo. Onde LST é alta e NDVI baixo, quase toda energia vira H (calor) — sinal de que a planta não está transpirando.
Um coleta, o outro analisa. Juntos, formam a inteligência espacial da fazenda.
Determina o nível de detalhe visível no terreno. Satélites como o Planet oferecem pixels submétricos — capazes de diferenciar árvores individuais e estradas dentro da propriedade.
Quantas "fatias" do espectro o sensor captura. O olho humano = 3 bandas (RGB). Sensores hiperespectrais = centenas de bandas estreitas, identificando composições minerais e proteicas.
Dias entre uma foto e outra do mesmo ponto. Essencial para culturas de ciclo curto como a soja, cujas fases fenológicas mudam em poucas semanas.
A álgebra de mapas que transforma radiação em diagnóstico universal.
| Índice | Fórmula | O Que Ele Mede |
|---|---|---|
| NDVI | (NIR − Verm) / (NIR + Verm) | Biomassa verde, vigor, detecção de pragas. Varia de −1 (água) a +1 (floresta densa). |
| EVI | Constantes corretivas atm. + solo | Superior ao NDVI no ápice vegetativo, quando o dossel está fechado e o NDVI satura. |
| SAVI | NDVI + fator L (≈ 0,5) | Corrige ruído de solo exposto. Indispensável na emergência, quando a terra nua domina. |
| NDWI / NDMI | (NIR − SWIR) / (NIR + SWIR) | Grau de turgescência (conteúdo de água) da planta. Orienta manejos de irrigação por zona. |
Quando o satélite não tem resolução suficiente, os drones voam a 120 metros e enxergam cada planta.
Os Veículos Aéreos Não Tripulados (VANTs), popularmente conhecidos como drones, complementam os satélites ao oferecer resolução centimétrica (1-5 cm/pixel) sob demanda, sem depender de órbitas ou condições de nebulosidade. No Brasil, a regulamentação da ANAC (RBAC-E nº 94) e da ANATEL exige homologação e registro para operação comercial.
Autonomia: 45-90 min (cobre 200-1000 ha por voo). Mais eficiente em grandes áreas. Utiliza câmeras multiespectrais para mapeamento. Precisa de pista para pouso. Exemplo: eBee SQ da senseFly.
Autonomia: 20-40 min (cobre 30-100 ha por voo). Decolagem e pouso verticais. Ideal para inspeções pontuais, mapeamento de talhões menores e pulverização localizada. Exemplo: DJI Agras T40.
Autonomia: 60-120 min. Combina decolagem vertical do multirrotor com a eficiência aerodinâmica da asa fixa. Tendência crescente para propriedades de 500-5000 ha.
| Sensor | O Que Captura | Aplicação |
|---|---|---|
| RGB (câmera comum) | Visível (3 bandas) | Ortomosaicos, contagem de plantas, falhas de plantio, estimativa de stand |
| Multiespectral (5 bandas) | R, G, B, Red-Edge, NIR | NDVI/NDRE com resolução centimétrica, detecção precoce de pragas por talhão |
| Hiperespectral (50-300 bandas) | Espectro contínuo 400-1000 nm | Identificação de deficiências nutricionais específicas (N, P, K), composição proteica |
| Termal (LWIR) | Infravermelho termal 7,5-13,5 μm | Estresse hídrico em nível de planta individual, eficiência de pivôs, detecção de vazamentos |
| LiDAR | Pulsos laser (retorno 3D) | Modelo digital de elevação (MDE) com precisão centimétrica, altura do dossel, volume de biomassa |
No aplicativo (DJI GS Pro, Pix4Dcapture ou DroneDeploy), defina o polígono do talhão, a altitude de voo (80-120 m), a sobreposição frontal (80%) e lateral (70%). A sobreposição é essencial para a fotogrametria reconstruir o ortomosaico 3D.
O drone executa o voo autônomo seguindo rotas paralelas (lawnmower pattern). A câmera multiespectral dispara centenas de fotos georreferenciadas com GPS RTK (precisão de 2-3 cm).
Softwares como Pix4Dmapper, Agisoft Metashape ou OpenDroneMap (gratuito) alinham as fotos, geram nuvem de pontos 3D, e produzem ortomosaicos georreferenciados e Modelos Digitais de Superfície (MDS).
Os ortomosaicos multiespectrais alimentam o cálculo pixel-a-pixel de NDVI, NDRE e outros índices. O resultado é um mapa centimétrico de vigor, falhas de plantio, e variabilidade — importável diretamente no SIG e nos controladores das máquinas para aplicação de taxa variável.
Drones como o DJI Agras T40 carregam até 40 litros de calda e pulverizam 20 ha/hora com precisão GPS de centímetros. Combinados com mapas de índices, aplicam defensivo apenas nas manchas onde a praga foi detectada — reduzindo em até 90% o volume de agroquímico comparado à aplicação uniforme.
Passo-a-passo para classificar floresta, água, solo e cultura usando Sentinel-2 e o plugin SCP.
No QGIS, abra o plugin SCP → Download images → Sentinel-2. Cadastre-se no portal Copernicus (gratuito). Insira as coordenadas da propriedade e filtre as datas da safra desejada (ex: nov a mar).
Em Preprocessing, ative "Apply DOS1 atmospheric correction". Isso remove o espalhamento causado por aerossóis e converte os números digitais brutos em valores reais de Reflectância de Superfície (BoA).
Use Clip multiple rasters com os vértices da propriedade. Isso reduz o processamento em mais de 90% e foca a computação na fronteira produtiva.
Agrupe as bandas recortadas na ferramenta Band set em ordem numérica ascendente. Configure as propriedades de comprimento de onda para Sentinel-2, unificando os arquivos em uma estrutura matricial multidimensional.
Crie um Training Input vetorial. Em composições RGB (ex: Falsa-Cor 3-7-10), desenhe polígonos de amostra para cada classe: Água (ID 1), Construções (ID 2), Vegetação (ID 3), Solo Exposto (ID 4).
No painel Spectral Signature Plot, verifique se as curvas de cada classe estão bem separadas, especialmente no NIR. Use o coeficiente de Jeffries-Matusita para confirmar distância estatística suficiente.
Em Classification output, selecione o algoritmo Máxima Verossimilhança. O software analisa milhões de pixels e aloca cada um na classe mais provável. Resultado: mapa colorido com acurácia Kappa geralmente acima de 86%.
Usando o "termômetro orbital" do Landsat para mapear estresse hídrico.
O sensor TIRS do Landsat 8 mede a radiação termal emitida pela superfície. O cálculo converte isso em temperatura real, levando em conta a emissividade (ε) — a capacidade de cada material irradiar calor.
Superfície vegetal emite e dissipa calor com eficiência pela transpiração.
Solo seco retém mais calor e apresenta temperatura de superfície mais alta.
Repita o processo do tutorial anterior para baixar e corrigir as bandas Landsat 8. A Banda 10 (faixa termal) é convertida para uma unidade intermediária: Temperatura de Brilho no Satélite (TB).
No SCP → Reclassification, use o mapa de cobertura previamente gerado para substituir cada classe por seu valor de ε (0,98 para vegetação, 0,93 para solo exposto, etc.).
Na Band Calc do QGIS, aplique a fórmula que combina TB + ε + λ (10,8 μm para Banda 10). Resultado em Kelvin.
Subtraia 273,15 para obter graus Celsius. Na simbologia, aplique um gradiente de cores: azul/verde = evapotranspiração OK e vermelho/laranja = estresse térmico (prioridade para irrigação).
Quando sua fazenda tem 50.000 hectares e 10 anos de dados, processar no computador local não escala. O Google Earth Engine resolve isso.
O Google Earth Engine (GEE) é uma plataforma de processamento geoespacial em nuvem que hospeda mais de 70 petabytes de dados de satélite — incluindo o acervo completo de Sentinel-2, Landsat, MODIS, ERA5 e centenas de outros datasets. Todo o processamento roda nos servidores do Google, eliminando a necessidade de baixar e armazenar imagens localmente.
Processar 10 anos de NDVI de uma fazenda de 10.000 ha leva segundos no GEE. No QGIS local, levaria horas ou dias de download + processamento.
As imagens já estão na nuvem. Você escreve o código, o servidor processa e retorna apenas o resultado (mapa, gráfico, CSV). Economia brutal de banda e disco.
Análise multitemporal nativa: gere a curva de NDVI de cada talhão ao longo de 5 safras consecutivas para detectar tendências de degradação ou melhoria.
Algoritmos de classificação (Random Forest, SVM, CART) rodam direto na plataforma. Treine classificadores de uso do solo com milhões de pixels sem instalar nada.
O GEE usa JavaScript (ou Python via API). O fluxo básico é: definir a geometria da fazenda → filtrar a coleção de imagens por data e nuvens → calcular o índice → reduzir por média da região → plotar o gráfico temporal.
| Dataset | Resolução | Uso Agrícola |
|---|---|---|
| Sentinel-2 SR Harmonized | 10 m / 5 dias | NDVI, EVI, NDWI, classificação de uso do solo |
| Landsat 8/9 Level-2 | 30 m / 8 dias | LST, evapotranspiração, análise histórica desde 1972 |
| MODIS (MOD13Q1) | 250 m / 16 dias | Monitoramento continental de safra, índices de vegetação em larga escala |
| ERA5-Land (ECMWF) | 9 km / horário | Temperatura, precipitação, radiação, vento — dados climáticos reanalisados globais |
| SRTM / ALOS DEM | 30 m / estático | Modelo Digital de Elevação: declividade, escoamento, zonas de alagamento |
| CHIRPS (Precipitação) | 5 km / diário | Estimativa de chuva por satélite para áreas sem estações pluviométricas |
| SoilGrids 2.0 | 250 m / estático | Mapas globais de propriedades do solo: textura, pH, carbono orgânico, CTC |
O Google Earth Engine é gratuito para uso acadêmico, pesquisa e educação. Para uso comercial, existe o Earth Engine for Commercial (pago). Cadastre-se em earthengine.google.com com uma conta Google.
O pior inimigo da soja brasileira — e como satélites transformaram o combate de reativo para preditivo.
No manejo convencional, fungicidas eram aplicados em datas fixas, independente de haver esporos em campo. Resultado: desperdício financeiro, resistência genética do fungo acelerada e eliminação de insetos benéficos que faziam controle biológico natural.
Em vez de pulverizar a fazenda inteira, as aeronaves são engajadas exclusivamente sobre as microrregiões onde a análise de satélite apontou o foco latente da doença. Resultado: menos químico, menos custo, menos resistência do fungo, mais biodiversidade.
ROI, logística e a guerra invisível do armazenamento de grãos.
Estudos em propriedades de ~500 hectares no Mato Grosso do Sul comprovaram: a agricultura de precisão gera redução significativa nos custos com insumos químicos combinada com incrementos de produtividade por hectare. O investimento total (drones, sensores, software de mapeamento hiperespectral) atinge o payback integral em aproximadamente 6 anos. Em propriedades maiores, esse prazo se comprime ainda mais.
Manejo localizado otimiza insumos exatamente onde a planta precisa, elevando o rendimento da lavoura.
Pulverização direcionada, irrigação por zona e manejo variável reduzem drasticamente os dispêndios operacionais.
Otimizar micro-parcelas com baixa aptidão natural permite escalar produção sem avançar sobre fronteiras florestais.
Em Mato Grosso, a infraestrutura de armazenagem comporta apenas cerca de 50% do volume colhido. Sem poder estocar, o produtor é forçado a vender na baixa — e as tradings aproveitam o estrangulamento para desvalorizar a tonelagem.
Plataformas como o Sentinel-1 (SAR) modelam os fluxos de maturação e secagem das culturas com meses de antecedência. O agricultor sabe exatamente em qual semana a colheita se deflagrará em cada talhão — e pode orquestrar logística, contratar frota, negociar no mercado futuro e garantir espaço em cooperativas armazenadoras antes que o gargalo aconteça.