Google Earth Engine para Monitoramento de Zonas Urbanas: guia técnico completo
Monitorar uma cidade em expansão com dados de campo é caro, lento e, em muitos casos, inviável na escala que as decisões de gestão territorial exigem. O Google Earth Engine (GEE) resolve esse problema com acesso gratuito a décadas de imagens de satélite e capacidade de processamento em escala planetária — tudo via navegador, sem instalar nada.
Este artigo reúne o que há de mais atual na aplicação do GEE ao monitoramento urbano: os índices espectrais mais utilizados, os algoritmos de machine learning que dominam a literatura recente, as limitações reais da plataforma e casos práticos que vão além do tutorial básico.
- O que é o GEE e por que ele mudou o sensoriamento remoto urbano
- Principais índices espectrais usados em cidades: NDVI, NDBI, LST, SUHI e outros
- Algoritmos de classificação: Random Forest, SVM e deep learning no contexto urbano
- Satélites mais usados: Landsat, Sentinel e MODIS — quando usar cada um
- Limitações práticas que ninguém menciona no curso introdutório
- Casos reais de aplicação no Brasil e no mundo
- Erros comuns e como evitá-los
O que é o Google Earth Engine e como ele funciona
O Google Earth Engine combina um catálogo de imagens de satélite e conjuntos de dados geoespaciais em escala de vários petabytes com capacidades de análise em escala planetária, disponibilizando tudo isso para cientistas, pesquisadores e desenvolvedores detectarem mudanças, mapearem tendências e quantificarem diferenças na superfície terrestre.
Na prática, isso significa que você pode analisar 40 anos de imagens Landsat de uma metrópole inteira sem baixar um único arquivo. O processamento roda nos servidores do Google, e o resultado aparece diretamente no navegador. Tudo que é necessário para utilizar o GEE é um navegador Web e uma conexão estável com a internet.
Ao longo dos últimos quinze anos, o GEE se tornou uma ferramenta central para análise geoespacial em larga escala, com aplicações crescentes no monitoramento ambiental urbano. A linguagem principal é JavaScript, mas a API Python (via biblioteca geemap) vem ganhando espaço significativo entre pesquisadores que integram o GEE a workflows de machine learning.
Por que o GEE virou padrão no monitoramento urbano
Antes do GEE, analisar séries temporais de imagens em escala metropolitana exigia servidores dedicados, licenças caras e meses de pré-processamento. A plataforma eliminou essa barreira. A quantidade de publicações científicas relacionadas ao monitoramento urbano cresceu de forma expressiva: em 2015-2017, havia apenas dois, um e três artigos por ano, respectivamente. Uma ascensão notável começa em 2018, com 13 artigos, sinalizando a adoção crescente do monitoramento urbano como foco de pesquisa — e chegou a 217 artigos apenas em 2024.
Essa curva de crescimento não é coincidência: ela reflete a democratização do sensoriamento remoto aplicado às cidades.
Índices espectrais para monitoramento urbano no GEE
Um dos usos mais diretos do GEE em zonas urbanas é o cálculo de índices espectrais derivados de imagens multiespectrais. Cada índice captura uma dimensão diferente do ambiente urbano.
NDVI — cobertura vegetal
O Normalized Difference Vegetation Index (NDVI) quantifica a densidade de vegetação a partir da diferença entre as bandas do infravermelho próximo (NIR) e vermelho (RED). Valores próximos de 1 indicam vegetação densa e saudável; próximos de -1, superfícies impermeáveis ou corpos d'água. No contexto urbano, o NDVI é amplamente usado para mapear praças, parques, arborização viária e fragmentos de vegetação em áreas periféricas em expansão.
NDBI — superfícies construídas
O Normalized Difference Built-up Index (NDBI) identifica superfícies impermeáveis — concreto, asfalto, coberturas metálicas — explorando a alta reflectância dessas superfícies no infravermelho de ondas curtas (SWIR) em contraste com o NIR. O uso combinado de NDVI e NDBI fornece um framework poderoso para análise urbana, permitindo discriminar superfícies vegetadas de superfícies impermeáveis dentro de uma mesma cena urbana.
LST — temperatura de superfície
A Land Surface Temperature (LST) é extraída das bandas termais (principalmente Landsat 8/9 band 10) e é a métrica mais diretamente associada ao efeito de ilha de calor. No GEE, séries temporais de LST permitem comparar décadas de comportamento térmico de uma cidade — e cruzar esse dado com mudanças de uso do solo.
SUHI — ilha de calor urbana de superfície
O Surface Urban Heat Island (SUHI) quantifica a diferença de temperatura entre áreas urbanas e rurais adjacentes. Pesquisas recentes mostram que o GEE permite calcular o SUHI em escala nacional de forma automatizada. Um estudo publicado em 2020 quantificou as intensidades de SUHI em todas as áreas urbanizadas dos Estados Unidos, integrando conjuntos de dados de sensoriamento remoto fundidos via GEE com múltiplos limites urbanos definidos pelo Censo norte-americano — e identificou que populações de baixa renda e não brancas têm maior probabilidade de experimentar os impactos negativos do SUHI no verão.
NDBSI e Urban Index
O Normalized Differential Built-up and Bare Soil Index (NDBSI) combina o Built-up Index (IBI) com o Soil Index (SI) para distinguir áreas construídas de solo exposto — distinção crítica em cidades com muito canteiro de obras ou expansão periurbana. Já o Urban Index (UI) usa a relação SWIR/NIR para mapear a extensão e intensidade de superfícies impermeáveis com simplicidade computacional.
| Índice | Bandas principais | Principal aplicação urbana | Satélites compatíveis |
|---|---|---|---|
| NDVI | NIR, RED | Cobertura vegetal, parques, arborização | Landsat, Sentinel-2 |
| NDBI | SWIR, NIR | Superfícies impermeáveis, expansão urbana | Landsat, Sentinel-2 |
| LST | Termal (Band 10) | Temperatura de superfície, ilhas de calor | Landsat 8/9, MODIS |
| SUHI | LST urbana vs. rural | Intensidade da ilha de calor | Landsat, MODIS |
| NDBSI | SWIR, NIR, RED, Blue | Distinção construído/solo exposto | Landsat, Sentinel-2 |
| UI | SWIR, NIR | Mapeamento de zonas urbanizadas | Landsat, Sentinel-2 |
Qual satélite usar no GEE para monitoramento urbano
A escolha do sensor depende da escala temporal, da resolução espacial necessária e do período de análise.
O Landsat é o mais utilizado nas pesquisas revisadas — presente em 64,58% dos estudos. Esse predomínio se deve ao extenso registro temporal da missão (que remonta aos anos 1970), combinado com resolução espacial de 30 metros e política de acesso aberto. Essas características tornam o Landsat particularmente adequado para análise de padrões de crescimento urbano, mudanças de uso e cobertura do solo e dinâmicas de ilha de calor de superfície. Os dados Sentinel, utilizados em 21,88% dos estudos revisados, representam a segunda fonte mais frequente e ilustram uma tendência de mudança em direção a maior resolução e integração multissensor.
Os dados MODIS, produzidos por um sensor operado pela NASA, aparecem em 13,54% dos estudos. Embora sua baixa resolução espacial (250 a 1.000 m) limite o nível de detalhe urbano, o MODIS oferece observações de longa duração e alta frequência temporal que apoiam análises de padrões climáticos, anomalias térmicas e vegetação em escala regional.
Regra prática: Para mapear expansão urbana intraurbana, use Sentinel-2 (10 m). Para séries históricas longas (pré-2015), recorra ao Landsat. Para análises de cobertura nacional ou continental com frequência diária, o MODIS é o mais adequado.
Machine learning aplicado ao GEE em zonas urbanas
O GEE integra algoritmos de machine learning diretamente na plataforma, sem necessidade de exportar os dados para ambiente local.
A maioria dos estudos emprega principalmente algoritmos convencionais como Random Forests (RFs), Support Vector Machines (SVMs) e árvores de classificação e regressão, que se mostraram eficazes para classificação de uso e cobertura do solo e mapeamento de expansão urbana. Trabalhos mais recentes demonstram uma adoção crescente de métodos avançados, incluindo abordagens de ensemble e arquiteturas de deep learning, que permitem análises mais refinadas — como detecção de assentamentos informais, mapeamento de superfícies impermeáveis e integração de dados de múltiplas fontes.
O Random Forest se destaca pela robustez com amostras de treinamento pequenas e pela tolerância a ruído espectral — característica relevante em ambientes urbanos onde a variabilidade de materiais é enorme (coberturas metálicas, asfalto, concreto, vegetação arbórea, piscinas, estacionamentos).
GEE + IA generativa: a fronteira atual
Uma pesquisa recente explorou o uso de inteligência artificial generativa como assistente de codificação para o GEE. O estudo propôs um protocolo que permite a pesquisadores — particularmente aqueles com limitada expertise em programação — aproveitar o poder da IA para utilizar as extensas capacidades de geoprocessamento do GEE, aplicado ao mapeamento da expansão urbana no Estado de São Paulo de 1985 a 2024. Os resultados confirmaram viabilidade e precisão no produto final.
Aplicações práticas e casos reais
Expansão urbana e LULC
O mapeamento de Land Use and Land Cover (LULC) é a aplicação mais documentada do GEE em zonas urbanas. O período de 2020 a 2024 registrou uma ascensão nos estudos em escala global e regional, refletindo um interesse crescente no uso de plataformas virtuais de sensoriamento remoto, em particular o GEE, para analisar e monitorar dados de urbanização em larga escala. Em 2025, pesquisas destacaram foco significativo na utilização do GEE para análise de expansão urbana e áreas úmidas, indicando uma direção de pesquisa futura voltada para os impactos da urbanização e das mudanças ambientais.
Ilhas de calor e qualidade ambiental
O cruzamento entre LST, NDVI e NDBI permite identificar quais bairros concentram maior estresse térmico — dado diretamente utilizável em planos diretores e estudos de impacto ambiental. Pesquisas em Oslo usaram o GEE para mostrar que infraestrutura verde (cobertura arbórea) reduz a LST extrema em escala de cidade e diminui a morbidade cutânea relacionada ao calor.
Assentamentos informais
Pesquisadores usaram o GEE com imagens Sentinel-2 para mapear a extensão geográfica de assentamentos informais na Área Metropolitana da Cidade do Cabo — produzindo dados que informam políticas habitacionais com custo mínimo de coleta.
Monitoramento de qualidade do ar
Durante a pandemia de COVID-19, o GEE foi amplamente aplicado para analisar variações na poluição do ar em função das restrições de circulação. Estudos cruzaram dados de NO₂ e material particulado derivados do Sentinel-5P com padrões de mobilidade urbana — uma abordagem impossível sem processamento em nuvem.
Limitações reais do GEE no contexto urbano
A plataforma tem virtudes inegáveis, mas também limites que precisam ser compreendidos antes de qualquer projeto.
- Resolução espacial: O Landsat entrega 30 m, o Sentinel-2 chega a 10 m. Para análises em nível de lote ou quadra, essas resoluções são insuficientes. Imagens de alta resolução (Planet, SPOT, WorldView) não estão disponíveis gratuitamente.
- Cobertura de nuvens: Regiões tropicais úmidas — boa parte do Brasil — têm sérios problemas de disponibilidade de imagens ópticas livres de nuvem. Composites sazonais ou o uso de Sentinel-1 (SAR) são estratégias de contorno, mas aumentam a complexidade do fluxo.
- Padronização de índices: Pesquisas futuras devem focar em desafios como a padronização de índices, a consistência das abordagens metodológicas e a expansão da cobertura global por meio de frameworks geoespaciais avançados baseados em nuvem.
- Representatividade geográfica: A distribuição geográfica dos artigos mostra que mais de 44% das publicações têm origem na China, 11% nos Estados Unidos e 9% na Índia, enquanto todos os outros países contribuem com menos de 5% cada — sugerindo uma oportunidade significativa para pesquisas em regiões sub-representadas. Cidades brasileiras ainda são pouco exploradas na literatura internacional.
- Curva de aprendizado: Apesar do acesso gratuito, dominar a API JavaScript do GEE exige familiaridade com programação e com fundamentos de sensoriamento remoto. Erros de escala de análise e de seleção de amostras de treinamento são comuns em usuários iniciantes.
Erros comuns e boas práticas
- Usar composites anuais para detectar mudanças sazonais: mediana anual apaga variações intra-anuais importantes (período de chuvas vs. seca em áreas periurbanas).
- Confundir NDBI alto com área urbanizada consolidada: solo exposto (canteiros de obras, áreas degradadas) também gera NDBI elevado. Sempre cruze com o NDBSI ou com dados vetoriais de uso do solo.
- Ignorar a correção atmosférica: trabalhar com reflectância de superfície (SR) em vez de reflectância no topo da atmosfera (TOA) é obrigatório para cálculos de índices espectrais comparáveis entre datas.
- Amostras de treinamento enviesadas geograficamente: coletar amostras de uma única região da cidade e aplicar o classificador em toda a mancha urbana produz resultados imprecisos. Distribua as amostras por toda a extensão da área de estudo.
- Não validar com dados independentes: accuracy assessment com a mesma base de treinamento não é validação — é circular. Use dados de campo ou imagens de alta resolução como referência independente.
Tendências e o que vem pela frente
Um estudo que sintetizou 72 artigos publicados entre 2016 e fevereiro de 2025 mostrou crescimento exponencial nas publicações sobre GEE e LULC, com imagens Landsat e Sentinel dominando os datasets e Random Forest e SVM permanecendo como os classificadores mais comuns.
As direções mais promissoras para o monitoramento urbano com GEE incluem: integração com dados de LiDAR aerotransportado para análise tridimensional de cidades; fusão com dados socioeconômicos abertos (OpenStreetMap, censos); uso crescente da API Python com geemap para pipelines de machine learning mais sofisticados; e aplicação de redes neurais convolucionais (CNNs) para extração automática de feições urbanas em imagens de alta resolução.
Perguntas frequentes
O Google Earth Engine é gratuito para uso profissional?
Para pesquisa e uso não comercial, o GEE é gratuito mediante cadastro e aprovação da conta. Para uso comercial, a Google disponibiliza planos pagos via Google Cloud. Prefeituras, órgãos ambientais e universidades geralmente se enquadram no acesso gratuito para fins de pesquisa e gestão pública.
Qual a diferença entre GEE e QGIS/ArcGIS para monitoramento urbano?
O GEE processa dados diretamente na nuvem, sem necessidade de baixar imagens. QGIS e ArcGIS são softwares locais que exigem download e armazenamento dos dados. Para análises de séries temporais extensas (décadas, escala regional ou nacional), o GEE é muito mais eficiente. Para análises locais de alta resolução com dados proprietários ou levantamentos de campo integrados, QGIS e ArcGIS ainda têm vantagem. As plataformas são complementares, não excludentes.
Qual índice usar para detectar expansão urbana irregular no Brasil?
A combinação mais eficaz é NDBI + NDVI + LST em análise multitemporal. Para distinguir assentamentos informais de áreas formais, adicionar textura (GLCM) e dados SAR do Sentinel-1 melhora significativamente a classificação. O cruzamento com o CAR e dados do IBGE também ajuda a contextualizar os resultados nas zonas periurbanas.
É possível integrar o GEE com dados de drone no monitoramento urbano?
Sim. O fluxo típico é processar o levantamento de drone em software de fotogrametria (DJI Terra, Agisoft Metashape), exportar ortomosaico e MDS georreferenciados, e depois carregar como asset no GEE. Dessa forma, você combina a alta resolução do drone com a cobertura temporal e espacial das imagens de satélite disponíveis na plataforma. Essa integração é especialmente útil em estudos de validação de classificações urbanas.
Conclusão
O Google Earth Engine não é apenas uma ferramenta de visualização — é uma infraestrutura de análise que mudou o que é possível fazer com dados de sensoriamento remoto em zonas urbanas. A combinação de séries históricas longas, algoritmos de machine learning embarcados e índices espectrais consolidados permite diagnósticos ambientais urbanos com profundidade e escala que nenhuma abordagem de campo consegue replicar sozinha.
A limitação mais honesta da plataforma não é técnica: é de formação. O GEE entrega o que o analista sabe perguntar. Dominar os índices, entender as limitações de cada sensor e saber validar os resultados com dados independentes é o que diferencia um mapa bonito de um produto tecnicamente confiável.
Se você trabalha com licenciamento ambiental, planos diretores, recuperação de áreas degradadas urbanas ou gestão de riscos, o GEE já deveria estar no seu fluxo de trabalho. A curva de aprendizado existe, mas o retorno técnico compensa.
Quer aprofundar o uso de geotecnologias no seu trabalho? Assine a newsletter do blog e receba conteúdo técnico diretamente na sua caixa de entrada.
Comentários