Ganhos:
- Capacidade de interpretar camadas GIS, NDVI e conceitos de banda/resolução de sensoriamento remoto
- Interpretação de índices, análise de mudanças e elaboração de narrativas de mapas com IA
- Capacidade de verificar a interpretação de satélite/mapa da IA com dados reais e metadados
Você é um engenheiro ambiental que trabalha em um projeto de conservação de áreas úmidas. O conselho quer que você investigue as reclamações de que o canavial à beira do lago encolheu nos últimos cinco anos. Antes de ir a campo, você precisa fazer uma avaliação preliminar em sua mesa: você tem imagens de satélite de dois anos diferentes, um projeto de SIG (Sistema de Informações Geográficas) e um modelo de linguagem. Você pode fazer com que o LLM interprete o resumo do NDVI das imagens e escreva um rascunho da narrativa da mudança. No entanto, um pixel de satélite representa um quadrado de 10 metros, e você só pode entender se há uma sombra de nuvem, um junco secando ou um nível de água sazonal nesse quadrado com a verdade do solo. Nesta unidade, cobrimos os conceitos de sensoriamento remoto e GIS, interpretação de índice/mudança com IA e, o mais importante, os limites dessa interpretação.
Lógica da camada GIS e fundamentos de sensoriamento remoto
O SIG organiza os dados geográficos em camadas sobrepostas: cada camada carrega um tema (uso do solo, corpos d'água, elevação, estradas) e está alinhada em um sistema de coordenadas comum. Uma análise começa com a sobreposição das camadas corretas na projeção correta; o sistema de coordenadas errado distorce sistematicamente áreas e distâncias.
Ao interpretar uma imagem de sensoriamento remoto você deve distinguir três tipos de resolução:
Tipo de resolução
O que isso diz?
exemplo
limitação
espacial
Tamanho de um pixel no chão
10m, 30m
Objetos pequenos permanecem subpixel
espectral
Quantos e qual banda de comprimento de onda?
Vermelho, NIR, SWIR
Menos banda = menos poder de discriminação
temporário
Com que frequência o mesmo lugar é visualizado
5 dias, 16 dias
Perda de dados em dias nublados
Radiométrico
Sensibilidade de luminância (profundidade de bits)
8 bits, 12 bits
Baixa profundidade = má discriminação
NDVI: fórmula e interpretação
O índice mais comum que mede a vitalidade da vegetação é o NDVI (Índice de Vegetação por Diferença Normalizada). Uma planta saudável reflete fortemente o infravermelho próximo (NIR) e absorve o vermelho (VERMELHO):
NDVI = (NIR - RED) / (NIR + RED) Faixa de valores: -1 ... +1 < 0: água, neve, nuvem 0,0 - 0,2: solo descoberto, rocha, área construída 0,2 - 0,5: vegetação esparsa/herbácea, cobertura estressada 0,5 - 0,9: cobertura verde densa e saudável
# NDVI de um pequeno bloco de amostra de pixels importa numpy como npnir = np.array([[0,42, 0,38], [0,11, 0,45]]) # refletância infravermelha próxima = np.array([[0,06, 0,09], [0,10, 0,05]]) # red reflectancendvi = (nir - red) / (nir + vermelho)print(np.round(ndvi, 2))# [[0,75 0,62]# [0,05 0,80]]# Pixel inferior esquerdo (0,05): não é uma planta - pode ser solo descoberto ou água/sombra
Dica: O NDVI não é uma medida absoluta de “saúde”, mas um indicador dependente da condição. Ao comparar dois NDVIs datados da mesma área, certifique-se de que as imagens foram tiradas em estações semelhantes, ângulos solares semelhantes e condições sem nuvens. Comparar a aparência do final do verão com a primavera produz uma “perda de plantas” irreal.
Análise de alterações (detecção de alterações)
A maneira simples de encontrar a diferença entre duas datas é calcular a diferença do NDVI, mas essa diferença só será significativa se as imagens puderem ser comparadas.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : possível perda de cobertura (secagem, corte, construção) ΔNDVI ≈ 0 : sem alteração ΔNDVI >> 0 : possível aumento de cobertura (ecologização, restauração) ATENÇÃO: A diferença pode refletir a mudança real, bem como diferenças de estação/nuvem/ângulo do sol/calibração. Diferença = mudança real + ruído.
Cuidado: Nuvem, sombra de nuvem e sazonalidade são os maiores detratores da análise de mudanças. A área sob a sombra de uma nuvem apresenta baixo NDVI e parece “perda de vegetação”. Quando o LLM realiza a interpretação da imagem, o modelo pode confundir esses artefatos com o evento real. Certifique-se de verificar os metadados da imagem (data, porcentagem de nuvens, ângulo do sol).
Interpretação de índice e narrativa de mapa com IA
O LLM é útil na tradução de resumos de índices numéricos em narrativa simples e na produção de rascunhos de relatórios. Forneça a ele as estatísticas e os metadados brutos do NDVI e peça para gerar o comentário para você verificar.
PROMPT FRACO: "A zona úmida ficou menor nesta imagem de satélite?" PROMPT FORTE: "Eu forneço duas estatísticas NDVI datadas (mesma área, mesmo sensor): 2020-07-15 NDVI médio = 0,61 nuvem = 3% ângulo do sol = 58 ° 2025-07-12 NDVI médio = 0,42 nuvem = 22% ângulo do sol = 55 ° Área de interesse: canavial à beira do lago, ~ 40 hectares. Sua tarefa: 1) Calcular ΔNDVI e liste possíveis interpretações.2) Liste quais razões (nuvem, sombra, nível de água, estação, calibração) esse declínio pode ser devido (nuvem, sombra, nível de água, estação, calibração) ALÉM da perda de cobertura REAL.3) Para cada causa possível, sugira uma etapa de VERIFICAÇÃO para distingui-la (por exemplo, seleção de imagem sem nuvens, visita de campo, registro do nível de água). a verdade fundamental confirma isso.
A forte orientação direciona o modelo não para uma única conclusão definitiva, mas para um plano de explicações e verificações alternativas. O facto de a imagem de 2025 conter 22% de nuvens torna o declínio por si só suspeito.
Verificação da verdade fundamental
O padrão ouro da interpretação do sensoriamento remoto são os pontos de verificação com observações e medições feitas em campo. Você registra a cobertura real da terra com GPS em vários pontos de referência e compara-a com a classificação da imagem. Se o campo indicar “juncos secos” no pixel onde a IA ou algoritmo diz “água”, a classificação não é confiável.
mini case
No monitoramento do impacto ambiental de um local de mineração, a equipe elaborou “15 hectares de perda florestal devido à atividade de mineração” com base na redução do NDVI calculada a partir da imagem de satélite e expandiu a interpretação para um LLM; o modelo produziu uma narrativa fluida e persuasiva. No entanto, quando o relatório foi verificado pela equipa no terreno, constatou-se que parte da área com baixo NDVI era na verdade uma parcela agrícola colhida e parte dela era uma sombra de nuvem que coincidiu com o dia da captação da imagem. A perda real de floresta foi de cerca de 4 hectares, e não de 15. Se os metadados (máscara de nuvem) e a camada de uso da terra tivessem sido verificados antecipadamente, o erro teria sido evitado em primeiro lugar. As frases elegantes do LLM não transformaram informações erradas em corretas.
Erros comuns
- Comparar diferentes imagens de ângulos de estação/sol e confundir a diferença sazonal com "mudança".
- Interpretar nuvens e sombras de nuvens como perda real de cobertura; contornando a máscara de nuvem.
- Fazer julgamentos precisos a partir de dados de pixel sobre pequenos objetos que excedem a resolução espacial.
- Cálculo incorreto de áreas e distâncias devido à incompatibilidade entre sistema de coordenadas/projeção.
- Pensar que o NDVI é uma medida absoluta de saúde e tratar os pixels de água e sombra como se fossem plantas.
- Colocar a narrativa do mapa fluido do LLM no relatório como uma descoberta final sem verdade fundamental.
- Relatar resultados sem documentar metadados (data, sensor,% de nuvem, nível de processamento).
Em resumo
- As análises GIS são construídas em camadas alinhadas em um sistema de coordenadas comum; Erro de projeção distorce o resultado.
- A resolução espacial, espectral, temporal e radiométrica limita o que uma imagem pode mostrar.
- NDVI = (NIR−RED)/(NIR+RED) é um indicador condicional do vigor da planta, não uma medida absoluta de saúde.
- Na análise de mudança, diferença = mudança verdadeira + ruído; Nuvem, sombra e estação são os maiores enganadores.
- O LLM produz a interpretação do índice e o esboço narrativo do mapa, mas não “vê” a imagem de satélite; Comentários de acordo com o número que você der.
- A interpretação e a classificação automática da IA não podem ser traduzidas em resultados ambientais finais sem verificação com dados reais e metadados.
Tarefa de aplicativo
Criar ou assumir dois resumos NDVI datados para um campo (de sua escolha ou uma amostra); Observe os metadados (data, porcentagem de nuvens, ângulo do sol, sensor) para cada data. Calcule ΔNDVI. Escreva um prompt forte e peça ao LLM que pergunte não apenas pela mudança real de cobertura, mas por explicações alternativas (nuvem, sombra, estação do ano, nível de água, calibração) e uma etapa de verificação para cada uma. Em seguida, elabore um “plano de verificação da verdade do terreno”: pelo menos três pontos de referência, o que será medido no campo e como será comparado com a interpretação da imagem. Por fim, marque qual afirmação na narrativa produzida pelo LLM é “não pode ser incluída no relatório sem verificação” e escreva o motivo.