Como Calcular a Pegada de Carbono com Dados de Satélite: Guia Prático para Estudantes de Geotecnologia
Por Eduardo Borges Sousa — Engenheiro Ambiental e especialista em análise geoespacial
O Brasil ocupa uma posição singular no debate global sobre carbono. Somos ao mesmo tempo um dos maiores emissores de gases de efeito estufa — principalmente por desmatamento — e um dos maiores reservatórios de carbono florestal do planeta. A Amazônia, o Cerrado e a Mata Atlântica estocam bilhões de toneladas de carbono na biomassa viva, na serrapilheira e no solo.
Quantificar esse estoque com precisão não é apenas uma questão científica. É uma questão econômica e estratégica: projetos de REDD+, créditos de carbono, inventários florestais e relatórios ESG dependem de estimativas confiáveis de biomassa e emissões — e o sensoriamento remoto é hoje a principal ferramenta para isso em escala.
Neste artigo, vou explicar como funciona o fluxo de trabalho para estimar carbono por satélite, quais são as principais fontes de dados disponíveis no Google Earth Engine, e como você pode começar a trabalhar com esse tema na prática.
O que o satélite realmente mede — e o que ele não mede
Um ponto fundamental que toda iniciante precisa entender: satélites não medem carbono diretamente. O que os sensores captam é a resposta espectral da superfície — a forma como diferentes comprimentos de onda da luz são refletidos ou absorvidos pela vegetação, solo e água.
A partir dessas informações, é possível inferir características da vegetação que se correlacionam com a biomassa — e portanto com o estoque de carbono. A lógica é: mais biomassa = mais carbono armazenado. A relação entre esses dois termos é estabelecida por equações alométricas, desenvolvidas a partir de medições de campo em diferentes tipos de floresta.
Existem três categorias principais de sensores usados para estimar biomassa:
1. Sensores ópticos multiespectrais (Landsat, Sentinel-2)
Captam a reflectância da superfície em múltiplas bandas do espectro visível e infravermelho. A partir dessas bandas, calculam-se índices de vegetação como o NDVI, EVI e NBR, que se correlacionam com a densidade e saúde da vegetação. São úteis para monitoramento de uso do solo e detecção de desmatamento, mas têm limitações para estimar biomassa em florestas densas — onde o dossel satura o sinal espectral.
2. Sensores de radar (Sentinel-1, ALOS PALSAR)
Emitem pulsos de micro-ondas que penetram parcialmente na cobertura vegetal. O radar de banda L (como o ALOS PALSAR) penetra mais fundo no dossel e responde melhor à estrutura tridimensional da biomassa florestal. O radar de banda C (Sentinel-1) é mais sensível à vegetação superficial. Ambos funcionam independentemente de nuvens — uma vantagem enorme na Amazônia, onde o céu frequentemente está coberto.
3. LiDAR orbital — GEDI (o mais preciso de todos)
O GEDI (Global Ecosystem Dynamics Investigation) é um instrumento a laser embarcado na Estação Espacial Internacional, desenvolvido pela NASA. Ao contrário dos sensores passivos, o GEDI emite pulsos de laser que medem diretamente a altura e a estrutura vertical do dossel florestal. Essa informação tridimensional permite estimativas de biomassa muito mais precisas do que qualquer método óptico ou de radar.
O GEDI coleta dados entre 51,6°N e 51,6°S de latitude — cobrindo praticamente toda a América do Sul, incluindo a Amazônia. Os dados estão disponíveis gratuitamente no Google Earth Engine, e pesquisas recentes publicadas em 2025 demonstraram que a combinação de GEDI com Sentinel-2 e algoritmos de machine learning produz estimativas de biomassa com precisão significativamente maior do que métodos baseados apenas em óptico.
As principais variáveis derivadas de satélite para carbono
Para trabalhar com estimativa de carbono por sensoriamento remoto, você vai encontrar algumas variáveis recorrentes. Entender o que cada uma significa é fundamental:
AGB — Biomassa Acima do Solo (Aboveground Biomass)
É a massa seca total da parte aérea da vegetação — troncos, galhos, folhas — expressa em toneladas por hectare (Mg/ha). É a variável mais usada para estimar carbono florestal, porque cerca de 47% da biomassa seca é carbono. Para converter AGB em estoque de carbono, multiplica-se pelo fator 0,47.
Altura do dossel (Canopy Height)
A altura média das árvores de uma floresta é um excelente preditor de biomassa. Florestas mais altas geralmente têm mais biomassa — embora a relação varie entre biomas. O GEDI mede essa variável diretamente com resolução de footprint de 25 metros.
NDVI, EVI e outros índices de vegetação
Indicadores espectrais calculados a partir de bandas de satélite óptico. Embora não meçam biomassa diretamente, são úteis como variáveis preditoras em modelos de machine learning, especialmente em combinação com dados de radar e LiDAR.
Mudança de uso e cobertura do solo
Para estimar emissões de carbono — e não apenas estoques — é fundamental mapear onde a vegetação foi removida. Quando uma floresta é derrubada ou queimada, o carbono estocado na biomassa é liberado para a atmosfera. O MapBiomas é a principal fonte desse dado para o Brasil, com série histórica desde 1985.
O fluxo de trabalho na prática
Estimar o balanço de carbono de uma área envolve, na prática, quatro etapas principais:
Etapa 1 — Mapear o uso e cobertura do solo
Usando MapBiomas ou classificação própria no GEE, identificar quais áreas são floresta nativa, pastagem, lavoura, área urbana, etc. Essa classificação define onde há biomassa e onde houve supressão.
Etapa 2 — Estimar a biomassa atual
Usando o dataset GEDI L4B disponível no GEE, extrair a densidade média de biomassa acima do solo (AGBD) para a área de interesse. Para áreas menores ou análises mais detalhadas, combinar GEDI com Sentinel-2 e Sentinel-1 em modelos de regressão ou random forest.
Etapa 3 — Calcular emissões por desmatamento
Identificar as áreas desmatadas no período analisado (usando a análise de mudança de cobertura do MapBiomas) e multiplicar pela biomassa média que existia nessas áreas antes da supressão. Esse produto, convertido pelo fator 0,47 e depois em CO₂ equivalente (multiplicando por 44/12), dá a estimativa de emissões brutas.
Etapa 4 — Calcular o balanço líquido
Subtrair das emissões o carbono fixado por vegetação em regeneração ou áreas restauradas no mesmo período. O resultado é o balanço líquido — positivo indica fonte de carbono, negativo indica sumidouro.
Código inicial no GEE — acessando o GEDI L4B
O código abaixo mostra como acessar o dataset de biomassa do GEDI no Google Earth Engine e visualizar a densidade de biomassa de uma área:
// ================================================
// BIOMASSA E CARBONO COM GEDI L4B NO GEE
// ================================================
// 1. Definir área de interesse
var area = ee.Geometry.Rectangle([-55.0, -10.0, -54.0, -9.0]); // exemplo: Mato Grosso
// 2. Carregar o dataset GEDI L4B — Biomassa Acima do Solo
// Resolução: 1km x 1km | Período: 2019–2021
var gedi = ee.Image('LARSE/GEDI/GEDI04_B_002')
.select('MU') // MU = mean aboveground biomass density (Mg/ha)
.clip(area);
// 3. Visualizar biomassa
var paletaBiomassa = {
min: 0,
max: 400,
palette: ['ffffcc', 'c2e699', '78c679', '31a354', '006837']
};
Map.centerObject(area, 9);
Map.addLayer(gedi, paletaBiomassa, 'Biomassa GEDI (Mg/ha)');
// 4. Converter biomassa em estoque de carbono
// Carbono = Biomassa × 0.47 (fração de carbono na biomassa seca)
var carbono = gedi.multiply(0.47).rename('carbono_Mg_ha');
Map.addLayer(carbono, {min: 0, max: 200, palette: ['fff7bc', 'fec44f', 'd95f0e']}, 'Estoque de Carbono (Mg C/ha)');
// 5. Calcular estatísticas da área
var stats = gedi.reduceRegion({
reducer: ee.Reducer.mean(),
geometry: area,
scale: 1000,
maxPixels: 1e9
});
print('Biomassa média (Mg/ha):', stats.get('MU'));
// 6. Estimar carbono total da área
// Área em hectares × carbono médio por hectare
var areaHa = area.area().divide(10000); // converter m² para ha
var carbonoMedio = ee.Number(stats.get('MU')).multiply(0.47);
var carbonoTotal = areaHa.multiply(carbonoMedio);
print('Área total (ha):', areaHa);
print('Carbono médio (Mg C/ha):', carbonoMedio);
print('Estoque total estimado (Mg C):', carbonoTotal);
// 7. Exportar para Google Drive
Export.image.toDrive({
image: carbono,
description: 'Estoque_Carbono_GEDI',
folder: 'GEE_Carbono',
region: area,
scale: 1000,
crs: 'EPSG:4326',
maxPixels: 1e9
});
O contexto do mercado de carbono no Brasil em 2025–2026
Esse tema nunca foi tão relevante. O Brasil está estruturando o Sistema Brasileiro de Comércio de Emissões (SBCE), o mercado regulado de carbono nacional. Estados como Pará e Tocantins já firmaram acordos bilionários para venda de créditos de carbono via REDD+ — o Pará negociou até 12 milhões de toneladas com a Coalizão LEAF, e o Tocantins prevê gerar 50 milhões de créditos até 2030.
Toda essa movimentação depende de uma coisa: verificação geoespacial confiável. Alguém precisa monitorar se a floresta continua de pé, se o desmatamento foi evitado, se a regeneração está ocorrendo conforme prometido. Esse trabalho é feito com sensoriamento remoto — e é exatamente o que você está aprendendo a fazer.
O mercado voluntário de carbono também está em expansão, com metodologias baseadas em tecnologias de sensoriamento remoto, inteligência artificial e medições de campo para verificar e certificar créditos. Empresas especializadas estão surgindo para preencher essa lacuna — e profissionais com esse perfil técnico são escassos e bem remunerados.
Limitações importantes que você precisa conhecer
Trabalhar com honestidade técnica significa comunicar as incertezas. Algumas limitações relevantes:
- O GEDI L4B tem resolução de 1 km — adequado para análises de paisagem, mas insuficiente para propriedades rurais pequenas
- As equações alométricas variam por bioma — o fator de conversão de biomassa para carbono pode variar entre Amazônia, Cerrado e Mata Atlântica
- O GEDI teve uma interrupção operacional entre março de 2023 e abril de 2024 — o que cria lacunas na série temporal que precisam ser consideradas em análises longitudinais
- A estimativa de satélite não substitui inventário de campo para fins de certificação formal de créditos de carbono — mas serve como triagem, monitoramento e verificação complementar
Por onde continuar
Se este tema despertou seu interesse, aqui estão os próximos passos práticos:
- Acesse o Code Editor do GEE e rode o script acima para uma área que você conhece
- Explore o catálogo do GEE buscando por "GEDI" — há vários datasets disponíveis com diferentes níveis de detalhe
- Estude as metodologias do MapBiomas para entender como o uso do solo é classificado no Brasil
- Pesquise sobre o padrão ART TREES — a principal metodologia internacional para REDD+ jurisdicional, que descreve exatamente como o monitoramento por satélite deve ser conduzido
Nos próximos artigos, vou continuar explorando aplicações práticas do GEE para a realidade ambiental brasileira. Se você quer ver um tutorial mais aprofundado sobre estimativa de biomassa combinando GEDI + Sentinel-2 + machine learning, me conta nos comentários.
Eduardo Borges Sousa é Engenheiro Ambiental documentando a aplicação prática do Google Earth Engine para análise ambiental e geotecnologia no Brasil.
