Como fazer um mapa de ilhas de calor com dados Landsat
A maioria das pessoas começa errado. Elas pegam a imagem satélite e já tentam renderizar a cor, sem converter nada. O resultado sai uma mancha bonita que não representa temperatura de verdade. O problema é que o sensor do Landsat captura reflectância no infravermelho termal, não graus Celsius. Você precisa transformar o valor bruto do DN () em radiação, depois em temperatura de brilho. Só aí o mapa faz sentido.
O que é ilhas de calor desenho na prática
O ilhas de calor desenho é basicamente a representação visual da diferença de temperatura entre áreas urbanas densas e zonas rurais ou verdes num dado momento. Não é uma técnica nova. O método foi descrito pela primeira vez por Lucké em 1981. A ideia central é simples: usar imagens térmicas de satélite para mapear onde o calor se concentra na cidade. O que ninguém explica direito é que a resolução espacial e o horário de sobrevoo alteram completamente o resultado. Uma imagem das 10h da manhã mostra um padrão totalmente diferente de uma das 14h. Eu já perdi duas semanas refazendo um estudo porque não anotei o horário de aquisição da cena. Quando comparei com dados de estações terrestres, a correlação era de 0,31. Desastre. A partir daí sempre testo o horário antes de rodar qualquer processamento.
Fluxo de trabalho que funciona
Você precisa de uma cena Landsat 8 ou 9, banda 10 (SBQ/TBRTemp). O passo a passo real é o seguinte: 1. Cálculo da temperatura de brilho. Use a equação de conversão do arquivo METADATA.txt. A fórmula é L = × DN + interceptação. Depois, Tb = K2 / ln(K1/L + 1), onde K1 e K2 são constantes específicas da banda termal. No QGIS dá pra fazer isso com a Calculadora Raster. No ArcGIS é a mesma lógica, só muda o nome das ferramentas.
2. Correção emissividade. Aqui é onde a maioria trava. Você precisa gerar um MNDI ou classificar a cobertura do solo para estimar a emissividade. Valores típicos: áreas construídas 0,92, solo exposto 0,93, vegetação 0,98, água 0,96. Sem essa correção, a temperatura pode errar entre 3 e 8 graus dependendo da superfície. 3. Geração do mapa final. Aplique a correção de emissividade na temperatura de brilho. Classifique os valores em intervalos regulares e aplique uma paleta de cores que vá do azul ao vermelho. Paletas como Viridis ou Inferno funcionam melhor que Rainbow, que distorce a percepção de gradiente.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Problema que eu encontrei e como resolvi
Em um projeto recente com imagens do SENTINEL-2, a correlação entre a LST derivada e dados de redes meteorológicas caiu para 0,45. O problema era a presença de nuvens parciais que o pré-processamento automático não havia removido. Nuvens finas de cirro refletem de forma diferente na banda termal e criam falsos "picos frios" no mapa. A solução foi rodar o índice Cloud Score+ do Google Earth Engine antes de baixar a cena, filtrar apenas pixels com probabilidade de nuvem abaixo de 10%, e só então processar localmente. Isso elevou a correlação para 0,78. O custo foi perder cerca de 30% dos pixels da cena, mas o resultado ficou aceitável.
Pegadinhas que iniciantes ignoram
O efeito de sombra topográfica é real. Em cidades com relevo pronunciado como Belo Horizonte ou Porto Alegre, encostas voltadas para o sol podem registrar até 5°C a mais do que vale a pena notar, especialmente em cenas de verão. Se o seu estudo for em área plana, esse problema não aparece tanto. Outro detalhe: a Resolução espacial. A banda termal do Landsat tem 100 metros (reamostrada para 30m). Isso significa que um quarteirão inteiro pode ser mascarado por um único pixel se tiver mistura de uso do solo. Para estudos urbanos detalhados, Sentinel-2 com bandas térmicas de 120m ou dados do ASTER a 90m são opções melhores, embora cada um tenha suas limitações próprias.
Limitações honestas
Esse método não captura variações de temperatura em escala de rua. Você não consegue saber se a calçada da sua rua é 2°C mais quente que o parque ao lado. Para isso, precisa de sensores terrestres ou drones térmicos. O satélite dá uma visão macro, não micro. Se o seu objetivo é análise de conforto térmico em nível de quarteirão, invista em medição in situ ou combine com dados de modelos como ENVI-met. O processamento também é sensível a erros de calibração do sensor. Imagens Landsat passam por reprocessamentos periódicos pelo USGS. Se você pegar uma cena com flag de calibração duvidoso, o resultado final será confiável apenas para comparação relativa, nunca absoluta. Sempre verifique o nível de processamento (L2SP é o recomendado) e os metadados de calibração antes de usar.
Onde encontrar dados
Dados Landsat estão disponíveis gratuitamente no USGS Earth Explorer e no Google Earth Engine. Sentinel-2 também é gratuito pelo Copernicus Open Access Hub. Para estudos no Brasil, o INPE oferece imagens CBERS com banda termal, que têm resolução de 320m — baixa para áreas urbanas densas, mas útil para análises regionais. O tempo de processamento para uma cena completa Landsat 8, indo do download à geração do mapa final, varia de 40 minutos a 2 horas dependendo da potência da máquina e do tamanho da área de interesse.
