O que é sensoriamento remoto? Sensores e QGIS
Publicado em
Sensoriamento remoto é medir a superfície da Terra a distância, com sensores em satélites, aviões e drones, e transformar as medições em mapas. O sensor registra a luz ou as ondas de rádio que o solo devolve, então ninguém precisa estar lá. No QGIS, o resultado é um raster que você abre, compõe, calcula e classifica como qualquer outra camada.
, o resultado é um raster que você abre, compõe, calcula e classifica como qualquer outra camada.Uma imagem de satélite não é uma fotografia. É um conjunto de medições, uma banda para cada tipo de luz, e as cores na sua tela são uma escolha sua: a de decidir qual banda vai no vermelho, no verde e no azul. Essa escolha é boa parte da habilidade.
Por que isso importa
O sensoriamento remoto responde a perguntas grandes, remotas ou lentas demais para levantar a pé: este campo está mais verde que no ano passado, até onde a enchente chegou, quanta floresta foi derrubada, onde a cidade cresceu. Um satélite gratuito volta ao mesmo lugar a cada poucos dias, então a resposta vem com data e pode ser repetida.
Para que as pessoas usam
| Pergunta | O que se mede | Um sensor que serve |
|---|---|---|
| Esta lavoura ou floresta está saudável? | Verdor, pelo NDVI | Sentinel-2, Landsat 8 e 9 |
| Onde está a água, até onde foi a enchente? | Extensão da água, por um índice de água ou por radar | Sentinel-2, radar Sentinel-1 |
| Como mudou a cobertura do solo em 40 anos? | Classes comparadas entre datas | Landsat, cujo arquivo remonta a 1972 |
| Onde estão os prédios, as árvores, as piscinas? | Objetos individuais | Ortofotos e drones a 50 cm ou mais finos |
| Qual a altura do dossel, onde está o chão? | Elevação a partir de pulsos de laser | LiDAR |
Como funciona
Um sensor passivo registra a luz do sol refletida pelo solo, em várias bandas ao mesmo tempo. Um sensor ativo emite o próprio pulso e mede o tempo do eco: radar, como o Sentinel-1, e LiDAR. O radar enxerga através das nuvens e funciona à noite, e por isso os mapas de enchente dependem dele.
Cada material responde de um jeito em cada banda. Folhas saudáveis refletem muito o infravermelho próximo e absorvem o vermelho. A água absorve o infravermelho próximo e fica quase preta nele. O solo exposto sobe devagar do azul ao infravermelho. Todo índice de vegetação e todo classificador lê essas diferenças.
Quatro tipos de resolução descrevem qualquer sensor, e um se troca pelo outro:
- Espacial: o tamanho de um pixel no terreno. O Sentinel-2 dá 10 m para quatro bandas, 20 m para seis e 60 m para três.
- Espectral: quantas bandas, e quão estreitas. O Sentinel-2 registra 13, de 443 a 2190 nm.
- Temporal: com que frequência volta. O Sentinel-2 revisita a cada 5 dias no equador, e a cada 2 a 3 dias em latitudes médias.
- Radiométrica: com que finura o brilho é registrado, o que decide se você consegue distinguir dois campos escuros.
Os sensores gratuitos que vale conhecer
| Fonte | Pixel | Revisita | Custo | Melhor para |
|---|---|---|---|---|
| Sentinel-2 (ESA) | 10 m, 20 m, 60 m conforme a banda | 5 dias | Gratuito | Campos, florestas, bordas de cidades, desde 2015 |
| Landsat 8 e 9 (USGS) | 30 m, 15 m pancromática | 8 dias com os dois | Gratuito | Séries longas, banda térmica |
| Radar Sentinel-1 (ESA) | Pixels de 10 m no produto padrão | 12 dias por satélite | Gratuito | Enchentes, regiões nubladas, noite |
| IGN BD ORTHO, França | 20 cm | Nova cobertura a cada 3 a 4 anos | Gratuito, licença aberta | Prédios, árvores, piscinas |
| IGN LiDAR HD, França | Pelo menos 10 pontos por m² | Voado uma vez, cobrindo a França até 2026 | Gratuito, licença aberta | Terreno e altura do dossel |
As especificações vêm da página do Sentinel-2 da ESA, da página do Sentinel-1 da NASA e dos conjuntos de dados do IGN no data.gouv.fr (BD ORTHO, LiDAR HD), lidos em 27 de outubro de 2026. As famílias Sentinel-2 e Landsat são comparadas banda a banda em Sentinel-2 vs Landsat, e a comparação de resolução de imagens de satélite mostra o que cada tamanho de pixel consegue e não consegue ver.
A primeira pergunta é sempre a mesma: quantos pixels meu objeto cobre? Um pixel de 10 m não comporta uma casa. Comporta um campo.
Um fluxo de sensoriamento remoto no QGIS
Executei os passos abaixo no QGIS em uma cena Sentinel-2 da Camargue, o delta do Ródano no sul da França, de 12 de outubro de 2026, com menos de 1% de nuvens. O delta reúne água aberta, salinas, pântano, arroz e terra seca em um só quadro, e por isso é um bom teste.
Adicione a cena
Abra Layer > Data Source Manager, escolha a aba STAC e conecte-se ao Earth Search em https://earth-search.aws.element84.com/v1. Filtre por extensão, data e pela coleção Sentinel-2 Level-2A, e adicione a cena. Baixar imagens Sentinel-2 no QGIS testa quatro formas de fazer isso e traz os tempos.
Escolha as bandas para a pergunta
Em Layer Properties > Symbology, escolha Multiband color. Vermelho, verde e azul como B4, B3, B2 dão o que o olho veria. B8, B4, B3 põe o infravermelho próximo no vermelho, então toda planta saudável fica vermelha e a água fica preta.
Transforme as bandas em um número
Raster > Raster Calculator, com o NDVI como (B8 − B4) / (B8 + B4). Antes, clique em um pixel de água com a ferramenta Identify. Um valor perto de 0 significa que o deslocamento já foi removido, como nos arquivos do Earth Search que usei. Um valor perto de 1.000 significa que você deve subtrair 1.000 de todas as bandas, que é o caso dos produtos Sentinel-2 baixados do Copernicus desde 25 de janeiro de 2022. O que é NDVI mostra o 0,82 que vira 0,56 quando você esquece.
Corte o número em classes
Defina um limiar, por exemplo NDVI acima de 0,6 para vegetação densa, com Raster > Raster Calculator ou o algoritmo Reclassify by table. Para várias classes de cobertura do solo, treine um classificador com polígonos que você desenha, usando os plugins gratuitos SCP ou dzetsaka.
Transforme classes em medidas
Raster > Conversion > Polygonize, depois a calculadora de campo ou Zonal statistics para as áreas por classe. Os números valem na escala do pixel e não mais fino que isso.
Onde a IA ajuda, e onde não
O sensoriamento remoto se divide em dois pela escala, e as ferramentas se dividem com ele.
A 10 ou 30 m, você classifica pixels: este é água, aquele é lavoura. Os classificadores gratuitos acima fazem isso bem, e um modelo acrescenta pouco, porque não há detalhe suficiente em um pixel para reconhecer um objeto.
A 50 cm ou mais fino, você extrai objetos: isto é um prédio, aquilo é uma árvore. É aí que um modelo de segmentação se justifica. Nós fazemos um dos plugins desta área, o AI Segmentation, então este parágrafo fala de uma ferramenta nossa. Você desenha uma zona sobre uma ortofoto ou uma ortofoto de drone, digita o objeto, building, tree ou swimming pool, e os modelos próprios do plugin devolvem os contornos como polígonos, com uma pontuação de confiança e uma área. Não vale enviar imagens mais grosseiras que o objeto: nosso próprio ajuste mira cerca de 0,18 m por pixel para um prédio e 0,09 m para um carro. O guia de GeoAI explica as cinco coisas que ele extrai e quanto cada uma custa.
A parte lenta de um trabalho de sensoriamento remoto não é um passo isolado. É uma dúzia deles em sequência: achar a cena, checar as nuvens, remover o deslocamento, calcular, estilizar, medir. Nosso outro plugin, o AI Agent, executa essa cadeia a partir de uma frase. Pedi a ele o NDVI dos campos ao redor de Harike, em Punjab, a partir da imagem Sentinel-2 mais recente sem nuvens. Ele pulou duas datas nubladas, removeu o deslocamento, estilizou o resultado e informou que 75% da área de 17 km² estava acima de 0,6, em cerca de 3 minutos e 30 segundos. Deixou camadas de trabalho para trás e errou o tamanho da área, então confira os números que você citar.
Experimente o AI Agent grátis no QGIS, sem cartão
O que lembrar
Sensoriamento remoto é medir o solo a distância, e uma imagem de satélite é um conjunto de bandas, não uma fotografia.
O Sentinel-2 é a fonte gratuita padrão para campos, florestas e bordas de cidades: 13 bandas, pixels de 10 m em quatro delas, uma nova imagem a cada 5 dias no equador.
Escolha a combinação de bandas pela pergunta: B4, B3, B2 para ver, B8, B4, B3 para vegetação e o NDVI para dar um número a ela.
Confira o deslocamento do Sentinel-2 antes de qualquer índice: um pixel de água perto de 1.000 significa subtrair 1.000 de todas as bandas.
Pixels se classificam, objetos pedem imagens mais finas: abaixo de cerca de 50 cm, um modelo de segmentação extrai prédios e árvores, e acima de 10 m ele não tem o que reconhecer.
Perguntas frequentes
O que é sensoriamento remoto, em palavras simples?
É aprender sobre o solo sem tocá-lo. Um satélite, avião ou drone registra a luz ou as ondas de rádio que voltam da superfície, e um software transforma o registro em um mapa ou em um número.
Qual é a diferença entre sensoriamento remoto e SIG?
O sensoriamento remoto coleta e interpreta medições feitas a distância. O SIG armazena, edita e analisa dados espaciais de qualquer origem. Na prática eles se sobrepõem: você faz sensoriamento remoto dentro de um SIG como o QGIS, e os resultados viram camadas nele.
Os dados de sensoriamento remoto são gratuitos?
Muitos são. O Sentinel-1 e o Sentinel-2 da ESA, o Landsat do USGS e, na França, as ortofotos e o LiDAR HD do IGN podem ser baixados e reutilizados de graça. Os satélites comerciais vendem imagens mais nítidas, a partir de cerca de 30 cm, por cena ou por quilômetro quadrado.
O QGIS faz sensoriamento remoto?
Faz. As ferramentas raster, a Raster Calculator, a composição de bandas e os plugins gratuitos SCP e dzetsaka cobrem a exibição de imagens, os índices e a classificação. O fluxo acima usa só o que já vem com o QGIS.
Qual é o melhor satélite para imagens gratuitas?
O Sentinel-2 para a maior parte do trabalho em terra depois de 2015, por causa dos pixels de 10 m e da revisita de 5 dias. O Landsat quando você precisa de séries desde 1972 ou de uma banda térmica. O radar Sentinel-1 quando as nuvens não deixam ver o solo.
GeoAI é a mesma coisa que sensoriamento remoto?
Não. O sensoriamento remoto é como os dados são captados. O GeoAI é o aprendizado de máquina aplicado a esses dados, para extrair deles objetos, classes ou mudanças.
Para os termos vizinhos, NDVI e os outros índices de vegetação, multiespectral versus hiperespectral e o mapeamento de dossel arbóreo aprofundam os temas acima, e o hub de IA para QGIS lista o que cada plugin de IA precisa antes de rodar.
