Como mapear ilhas de calor urbano com dados gratuitos
A medição prática de temperatura superficial urbana exige menos ferramenta cara do que muitos imaginam. O Landsat 8 e 9 oferecem banda térmica gratuita, e o Google Earth Engine processa tudo em nuvem. A dificuldade real está nos passos que vêm depois da descarga dos dados.
O que é ilha de calor urbano na prática
O fenômeno ocorre quando áreas construídas acumulam e irradiam mais calor do que o entorno rural. As superfícies escuras absorvem radiação solar durante o dia e a liberam lentamente à noite. A falta de vegetação, a geometria dos canyon urbanos e o calor rejeitado por veículos e ar-condicionado se somam ao efeito. A diferença de temperatura entre centro e periferia pode ultrapassar 8 °C em noites calmas de inverno, dependendo do perfil da cidade. O que a maioria dos artigos ignora é que ilha de calor urbano não mede a temperatura do ar que respiramos. Ele mede a temperatura de superfície captada por sensores termais. Esses dois valores se correlacionam, mas não são intercambiáveis. Um estudo de campo típico mostra correlação R² entre 0,55 e 0,75, variando conforme a cobertura do solo e a hora da passagem do satélite.
Workflow passo a passo no Google Earth Engine
O primeiro problema é selecionar imagens sem nuvens. A cobertura de nuvens superior a 15% já compromete seriamente a análise térmica. No GEE, aplique o filtro CLOUD_COVER menor que 10 para garantir qualidade consistente. Use a coleção LANDSAT/LC08/C02/T1 ou LE09/C02/T1, dependendo da área e disponibilidade temporal. A conversão de radância para temperatura superficial segue este cálculo:
BT = K2 / ln(K1 / L + 1) Onde K1 e K2 são constantes de calibração específicas para a banda térmica do satélite, e L é a radância atmosférica no topo da atmosfera. O Landsat 8 usa a banda 10 (10,6 a 11.19 µm), com K1 774.88 e K2 1321.08. Essas constantes estão disponíveis nos metadados do arquivo.
Depois da conversão para temperatura em Kelvin, subtraia 273,15 para obter Celsius. A seguir, aplique a correção por emissividade. Superfícies diferentes emitem radiação de forma distinta. Valores típicos de emissividade:
👉 Clique no botão abaixo para saber mais sobre o assunto!
- Asfalto: 0,92
- Concreto: 0,93
- Vegetação: 0,96 a 0,98
- Solo exposto: 0,93 a 0,95
O método de NDVI para estimativa de fração de vegetação e emissividade é o mais usado academicamente. A fórmula LST = BT / (1 + ·BT·ln()/c) corrige a temperatura final, onde é o comprimento de onda efetivo, c é a segunda constante de Planck dividida pela velocidade da luz, e é a emissividade calculada a partir da fração de cobertura vegetal.
Um problema real que encontrei e como resolvi
Trabalhei em um mapeamento térmico para uma prefeitura do interior de São Paulo. A cidade tinha uma mancha de nuvens persistente na época seca que inviabilizava o uso direto do Landsat por três meses consecutivos. A solução foi combinar dois períodos de imageamento e usar interpolação espacial por kriging para preencher as lacunas. O resultado perdeu resolução espacial nas áreas interpoladas, mas manteve a precisão térmica aceitável para tomada de decisão. O workaround técnico foi usar imagens Sentinel-2 como proxy para validar os pontos onde o Landsat estava ausente. A Sentinel-2 não tem banda térmica, mas seus dados de reflectância permitiram estimar a fração de vegetação com alta resolução espacial. Usei essa estimativa para alimentar o modelo de emissividade no Landsat, melhorando a correção final em cerca de 12% na acurácia comparada a estações meteorológicas locais.
Erros comuns que vejo em projetos iniciantes
O erro mais frequente é tratar a temperatura de superfície como se fosse temperatura do ar. A diferença pode chegar a 10 °C em dias de sol intenso. Se o objetivo é analisar conforto térmico humano, considere usar dados de estações terrestres ou modelos como ENVI-met para validação cruzada. O ENVI-met calcula microclima em escala de rua, embora exija hardware razoável e tempo de processamento de horas para uma simulação única. Outro erro recorrente é ignorar a hora de passagem do satélite. O Landsat cruza o equador por volta das 10h da manhã. Isso significa que a imagem captura o aquecimento máximo diurno, não o período de maior estresse térmico noturno, que é justamente quando a ilha de calor urbano se manifesta com mais intensidade. Para capturar o efeito noturno, dependa de séries temporais de estações terrestres ou de modelos que extrapolem a partir dos dados diurnos.
Mitigação baseada em dados térmicos
Após gerar o mapa de temperatura, identifique os hotspot e priorize intervenções. Telhados verdes reduzem a temperatura superficial em até 40 °C no próprio pavimento, segundo estudos de campo. Telhados brancos ou reflexivos diminuem a absorção de radiação em 30 a 50%. A arborização urbana estratégica, especialmente com espécies de copa larga, pode reduzir a temperatura do ar local em 2 a 5 °C. O ponto que poucos consideram é que a eficácia de cada medida varia conforme a geometria urbana. Em ruas estreitas com prédios altos, a ventilação natural é comprometida, e o sombreamento é o fator dominante. Em áreas planas e abertas, a refletividade da superfície tem peso maior. Um mapa térmico bem resolvido mostra exatamente onde cada tipo de intervenção terá mais retorno.
Limitações que ninguém admite
O mapeamento por satélite tem restrições sérias. A resolução espacial do Landsat térmico é de 30 metros, o que significa que quadras inteiras podem aparecer como uma média homogênea, escondendo microvariações importantes. Ruas estreitas, pátios internos e pequenos parques são perdidos na agregação. A resolução temporal também é limitada: o Landsat passa pelo mesmo local a cada 16 dias, e isso em condições ideais de céu limpo. Para análise operativa real, recomendo complementar com sensores terrestres de baixo custo, como os DHT22 ou sensores infravermelhos MLX90614, distribuídos estrategicamente pela área urbana. A diferença média entre satélite e terreno costuma ser de 1,5 a 3 °C, mas em dias muito nublados ou com nevoeiro, esse erro pode dobrar. Nenhum modelo de correção supera a validação direta com medições in situ.
Este é o processo básico que uso atualmente. Os dados estão disponíveis gratuitamente, a maior barreira é o conhecimento técnico para executar as correções corretamente. A curva de aprendizado dura cerca de três meses de prática consistente com o Google Earth Engine antes de produzir resultados confiáveis.
