agrícolas têm formas geométricas e padrões repetidos; cidades são mosaicos de tons de cinza e linhas; lugares com solo exposto tendem a ser claros, com textura mais lisa. Aos poucos, você vai percebendo que o território “fala” por pistas. Mesmo quem está começando pode treinar esse olhar e fazer uma classificação básica: água, vegetação natural, agricultura/pasto, urbano, solo exposto.

         Só que, para transformar isso em mapa, precisamos dar um passo além: organizar essas observações como classes. Classes são categorias que agrupam elementos parecidos. Em mapas ambientais, a escolha das classes depende sempre do objetivo. Se o foco é desmatamento, talvez baste separar “vegetação nativa” e “não nativa”. Se o foco é gestão urbana, classes como “área residencial”, “industrial”, “vazia” podem ser mais úteis.

Se o foco é erosão, classes específicas de “solo exposto” e “pastagem degradada” fazem sentido. A mensagem aqui é: não existe uma lista universal perfeita. O mapa precisa responder à pergunta do estudo.

         Uma vez definidas as classes, o mapa de uso e cobertura do solo vira uma ferramenta ambiental muito poderosa. Ele permite medir áreas ocupadas por cada classe, comparar períodos diferentes e enxergar mudanças. Por exemplo: ao comparar dois mapas de anos distintos, você vê quanto de vegetação virou pasto, quanto de pasto virou agricultura, quanto de área rural foi urbanizada. E isso não é só curiosidade. Esse tipo de leitura embasa políticas públicas, fiscalizações, licenciamento, restauração ecológica e planejamento de bacias hidrográficas. Em outras palavras, o mapa transforma paisagem em informação para decisão.

         Um exemplo bem real disso no Brasil são projetos como o MapBiomas, que acompanham o uso do solo ao longo do tempo e mostram padrões claros: avanço de agricultura em certas regiões, regeneração em outras, crescimento urbano contínuo. Mesmo que você não use o projeto diretamente, ele ilustra bem o valor dessa análise temporal. Às vezes uma mudança parece pequena quando você olha para uma imagem isolada; mas quando compara 5, 10, 20 anos, a tendência aparece gritando. E tendência é o que mais interessa em ambiental, porque é ela que aponta risco ou sucesso de manejo.

         Agora, vale um alerta carinhoso de iniciante: mapas de uso e cobertura do solo não são “verdades absolutas”. Eles dependem da qualidade da imagem, da escala e das classes escolhidas. Em escala muito grande (mais detalhada), você enxerga coisas

pequenas, mas também cria classes demais e pode confundir. Em escala muito pequena (mais geral), você simplifica, mas pode esconder detalhes importantes.

O segredo é sempre alinhar escala, resolução e objetivo. Se a pergunta é local, o dado tem que ser local. Se a pergunta é regional, o dado pode ser mais amplo. Isso evita leituras erradas.

         Outra postura importante é sempre lembrar que a paisagem é viva. Uma área agrícola muda de cor ao longo do ano: plantio, desenvolvimento, colheita, pousio. Pastos ficam mais verdes na chuva e mais secos na estiagem. Até a floresta varia no tom dependendo do clima. Por isso, ao mapear uso e cobertura, você precisa considerar a época da imagem e, quando possível, trabalhar com mais de uma data. Isso reduz o risco de confundir uma lavoura recém-colhida com solo exposto permanente, por exemplo.

         No fim, estudar uso e cobertura do solo é como aprender a ler a linguagem do território. Você começa vendo formas e cores soltas, e aos poucos passa a perceber que aquilo conta uma história: onde a natureza está mais forte, onde a ação humana está mais intensa, onde há conflito, onde há equilíbrio. Essa é uma habilidade central para quem trabalha com meio ambiente, porque quase todo impacto — direto ou indireto — deixa uma marca na cobertura do solo e no uso que fazemos dele. E o mapa é o jeito mais claro de enxergar essa marca.

Referências bibliográficas

FLORENZANO, Teresa Gallotti. Iniciação em Sensoriamento Remoto. 3. ed. São Paulo: Oficina de Textos, 2011.

IBGE. Manual Técnico de Uso da Terra. 3. ed. Rio de Janeiro: IBGE, 2013.

JENSEN, John R. Remote Sensing of the Environment: An Earth Resource Perspective. 2. ed. Upper Saddle River: Pearson, 2007.

LILLESAND, Thomas M.; KIEFER, Ralph W.; CHIPMAN, Jonathan W. Remote Sensing and Image Interpretation. 7. ed. Hoboken: Wiley, 2015.

MENEZES, Paulo Márcio Leal de; FERNANDES, Manoel do Couto. Roteiro de cartografia. São Paulo: Oficina de Textos, 2013.

NOVO, Evlyn Márcia Leão de Moraes. Sensoriamento Remoto: Princípios e Aplicações. 4. ed. São Paulo: Blucher, 2010.

Índices ambientais básicos (NDVI sem pânico)

         Quando a gente começa a trabalhar com imagens de satélite, chega um momento em que olhar só para as cores “naturais” não é mais suficiente. É como tentar entender a saúde de uma pessoa apenas olhando para ela de longe. Você percebe algumas coisas, claro, mas não enxerga o que está acontecendo por dentro. É aí que entram os índices

ambientais. Eles são formas de transformar as bandas da imagem em informações mais claras sobre algum fenômeno específico — vegetação, água, solo exposto, queimadas, umidade, e por aí vai. Nesta aula, vamos focar nos índices mais básicos, especialmente o famoso NDVI, que é, sem dúvida, o queridinho de quem trabalha com meio ambiente.

         Primeiro, vamos trazer isso para um jeito simples de entender. Um índice, no sensoriamento remoto, é como um “filtro inteligente”. Ele pega dois ou mais tipos de informação que o satélite captou (as chamadas bandas) e faz uma conta entre elas para destacar um padrão que, a olho nu, não aparece tão bem. É quase como quando você aumenta o contraste de uma foto para enxergar melhor um detalhe escondido. A diferença é que aqui a gente não está “embelezando” a imagem — estamos revelando um comportamento físico do ambiente.

         O NDVI, por exemplo, é o Índice de Vegetação por Diferença Normalizada. O nome é grande, mas a lógica é bem direta. A vegetação saudável tem um comportamento muito característico: ela absorve bastante luz vermelha (porque usa essa energia na fotossíntese) e reflete muito no infravermelho próximo (por causa da estrutura interna das folhas).

Então, quando o satélite mede essas duas bandas — vermelho e infravermelho próximo — dá para comparar uma com a outra. Se o infravermelho está muito alto e o vermelho muito baixo, é sinal de vegetação vigorosa. Se ambos estão baixos ou próximos, provavelmente é solo exposto, área urbana ou vegetação fraca.

         O índice transforma isso num número que vai, em geral, de -1 a +1. Valores perto de +1 indicam vegetação densa e saudável. Valores perto de 0 costumam indicar solo exposto, áreas urbanas ou vegetação muito rala. Valores negativos normalmente correspondem à água ou sombras muito intensas. Na prática, você não precisa ficar decorando números exatos; o essencial é entender a “história” que o NDVI conta. Ele é, basicamente, um termômetro do vigor vegetal.

         Agora, por que isso importa tanto para a área ambiental? Porque muita coisa que queremos monitorar está diretamente ligada à vegetação. Pense numa área de restauração ecológica. No começo, ela tem pouca cobertura e o NDVI é baixo. Conforme a recuperação avança, ele sobe. Isso permite acompanhar o sucesso de um projeto sem depender apenas de visitas de campo. Ou pense em desmatamento: quando a floresta é derrubada, o NDVI cai de forma brusca. E essa queda pode ser detectada rapidamente,

inclusive para fiscalização. Em agricultura, o NDVI ajuda a identificar estresse hídrico ou pragas antes mesmo de a plantação “parecer ruim” na imagem natural. É um olhar mais sensível que o olho humano.

         Outra aplicação interessante é o monitoramento sazonal. Em muitos biomas brasileiros, a vegetação muda naturalmente ao longo do ano: mais verde na chuva, mais seca na estiagem. Quando você monta uma série temporal de NDVI, consegue ver o ritmo natural da paisagem e identificar quando algo foge desse padrão.

Por exemplo: se uma área que sempre mantém valores médios passa a apresentar quedas repetidas, pode haver degradação, sobrepastoreio, fogo recorrente ou mudança de uso. O índice vira uma forma de “ouvir” o pulso da natureza ao longo do tempo.

         Mas é importante lembrar que NDVI não é oráculo. Ele facilita a leitura, mas não resolve tudo sozinho. Existem situações em que ele pode enganar se você usar sem contexto. Um exemplo clássico é a vegetação muito densa, como floresta tropical fechada: o NDVI pode saturar, ou seja, parar de diferenciar bem áreas que já são muito verdes. Outro caso é quando o solo exposto está úmido, escuro: ele pode dar valores um pouco mais altos e parecer vegetação fraca. E áreas com sombra forte também podem alterar os números. Por isso, a regra de ouro é: índice é ferramenta, não conclusão final. Ele sempre precisa conversar com a leitura visual, com o conhecimento do lugar e, quando possível, com checagem de campo.

         Além do NDVI, existem outros índices simples que você vai ouvir bastante, mesmo em estudos básicos. O NDWI, por exemplo, ajuda a destacar água, útil para mapear lagos, rios ampliados, áreas inundadas. O NBR (Normalized Burn Ratio) ajuda a identificar áreas queimadas e severidade do fogo. Não precisamos aprofundar todos agora, mas vale guardar que a lógica é parecida: cada índice combina bandas para deixar um fenômeno mais visível. É como ter diferentes “lentes ambientais” para olhar o mesmo território.

         Pense assim: a imagem de satélite é uma mesa cheia de ingredientes. As bandas são os ingredientes crus. Os índices são receitas que transformam esses ingredientes em pratos específicos: um prato “vegetação”, outro “água”, outro “queimada”. E quanto mais você entende as receitas, mais autonomia você tem para escolher a melhor combinação para o problema que está investigando.

         Então, ao fim desta aula, fica uma ideia central bem prática: índices ambientais são atalhos

inteligentes para enxergar padrões ambientais com mais clareza. O NDVI é o mais básico e mais usado, porque traduz a saúde e a presença da vegetação de forma rápida e comparável ao longo do tempo. Se você aprender a usá-lo com cuidado, já dá um salto enorme na capacidade de monitorar paisagens e impactos ambientais.

Referências bibliográficas

CRÓSTA, Álvaro Penteado. Processamento Digital de Imagens de Sensoriamento Remoto. Campinas: Unicamp, 1992.

FLORENZANO, Teresa Gallotti. Iniciação em Sensoriamento Remoto. 3. ed. São Paulo: Oficina de Textos, 2011.

JENSEN, John R. Remote Sensing of the Environment: An Earth Resource Perspective. 2. ed. Upper Saddle River: Pearson, 2007.

LILLESAND, Thomas M.; KIEFER, Ralph W.; CHIPMAN, Jonathan W. Remote Sensing and Image Interpretation. 7. ed. Hoboken: Wiley, 2015.

NOVO, Evlyn Márcia Leão de Moraes. Sensoriamento Remoto: Princípios e Aplicações. 4. ed. São Paulo: Blucher, 2010.

PONZONI, Flávia S.; SHIMABUKURO, Yosio E.; KUPLICH, Tatiana M. Sensoriamento Remoto da Vegetação. São Paulo: Oficina de Textos, 2012.

Fluxo básico de um projeto ambiental com mapas e imagens

         Quando a gente pensa em um projeto ambiental usando cartografia digital e sensoriamento remoto, é fácil imaginar que tudo se resume a baixar uma imagem de satélite e fazer um mapa bonito. Mas, na realidade, o trabalho é mais parecido com cozinhar do que com apertar botão: tem ordem, tem escolhas, tem cuidado com os ingredientes e, principalmente, tem uma lógica por trás. Um projeto bem-feito não nasce do nada; ele é construído em etapas que garantem que o resultado seja confiável e útil para quem precisa tomar decisões. Nesta aula, a ideia é te mostrar esse “caminho das pedras” de um jeito leve e prático, para você entender como tudo se encaixa.

         A primeira etapa de qualquer projeto é definir o problema e a área de interesse. Parece óbvio, mas é aqui que muita gente se perde. Não basta dizer “quero estudar desmatamento” ou “quero analisar erosão”. Onde exatamente? Em que escala? Em qual período? Um projeto ambiental começa com uma pergunta clara. Por exemplo: “A mata ciliar do Rio Formoso diminuiu nos últimos cinco anos?” ou “Quais áreas da microbacia X são mais vulneráveis a erosão?”. Quanto mais bem formulada a pergunta, mais fácil fica escolher dados certos lá na frente. É como colocar um destino no GPS: se você não sabe para onde quer ir, qualquer caminho serve — e aí o projeto vira confuso.

         Depois disso, vem a

etapa de escolher os dados. Aqui entram mapas-base (limites municipais, rede de rios, relevo) e imagens de satélite adequadas ao objetivo. E lembra do Módulo 2? É nessa hora que você pensa em resolução espacial, temporal e espectral. Se o seu objetivo é mapear uma APP estreita, uma imagem de 30 metros pode não servir. Se você quer acompanhar queimadas, precisa de datas frequentes. Além disso, também entra a checagem de qualidade: nuvens, sombras e datas comparáveis. Escolher dados é metade do trabalho, porque dados ruins geram mapas bonitos e conclusões erradas — o pior cenário possível em ambiental.

         Com dados em mãos, entramos na fase de organizar, preparar e interpretar. É o momento de “arrumar a casa”: garantir que todas as camadas estejam no mesmo sistema de referência, recortar a área de estudo, limpar o que está sobrando, e começar a explorar o material. Aqui você pode fazer leitura visual, calcular índices (como NDVI), criar classes de uso do solo ou qualquer análise que responda sua pergunta. É também a etapa de testar hipóteses. Você olha e pensa: “faz sentido essa mancha aqui?”; “essa área clara é solo exposto ou plantio recém-colhido?”. Esse olhar crítico evita que você aceite o primeiro resultado como verdade absoluta.

         A próxima etapa é produzir o mapa final. E mapa final não é só um arquivo bonito: é um produto de comunicação. Ele precisa ter título claro, legenda inteligível, escala adequada, orientação, fonte, data e sistema de referência. Ou seja, tudo aquilo que vimos no Módulo 1 volta com força total. O mapa final é o momento em que você transforma análise em linguagem visual para outra pessoa entender. E nem sempre essa pessoa é técnica. Pode ser uma comunidade, um gestor público, um promotor, um agricultor. Então o mapa precisa ser honesto e claro, sem exageros e sem “maquiagem” gráfica que distorça a mensagem.

         Só que um projeto ambiental não termina no mapa. Ele termina quando você consegue comunicar o resultado e orientar uma decisão. Isso significa explicar o que foi feito, quais dados foram usados, quais limitações existem e o que aqueles padrões indicam. Em outras palavras: contar a história do território. Imagine que você faz um mapa de desmatamento. Se você entrega só o mapa, quem recebe pode até ver as manchas, mas não entende o que elas significam. Agora, se você diz: “entre 2019 e 2024, a área de vegetação nativa caiu 18% e o avanço ocorreu principalmente ao longo da estrada Y”, aí sim o mapa vira

Isso significa explicar o que foi feito, quais dados foram usados, quais limitações existem e o que aqueles padrões indicam. Em outras palavras: contar a história do território. Imagine que você faz um mapa de desmatamento. Se você entrega só o mapa, quem recebe pode até ver as manchas, mas não entende o que elas significam. Agora, se você diz: “entre 2019 e 2024, a área de vegetação nativa caiu 18% e o avanço ocorreu principalmente ao longo da estrada Y”, aí sim o mapa vira instrumento de ação. Comunicação é parte da ciência ambiental — não é enfeite.

         Nesse fluxo todo, existem algumas boas práticas que valem ouro. A primeira é registrar tudo: data das imagens, fonte dos dados, projeção usada, critérios de classificação. Isso deixa o projeto reproduzível, ou seja, outra pessoa pode refazer e confirmar. A segunda é comparar sempre que possível: ambiental sem comparação no tempo perde sentido. A terceira é não tirar conclusões maiores do que os dados permitem. Se o seu dado tem pouca resolução, você não pode afirmar detalhes finos. Se a área está com nuvem, você precisa ser transparente sobre isso. Essa honestidade técnica aumenta a credibilidade do seu trabalho.

         Um jeito simples de visualizar esse fluxo é pensar como um funil: você começa com uma pergunta ampla, vai filtrando dados e métodos até chegar em um produto claro. E cada etapa protege a seguinte. Se você define mal o problema, escolhe dado ruim. Se escolhe dado ruim, interpreta errado. Se interpreta errado, seu mapa final engana. E se seu mapa engana, alguém pode tomar uma decisão ambiental equivocada. Por isso, o fluxo não é burocrático: ele é segurança metodológica.

         No fim, o mais importante é perceber que cartografia digital e sensoriamento remoto são ferramentas dentro de um processo maior. Elas não substituem pensamento crítico, mas amplificam nossa capacidade de observar o mundo. Quando você aprende esse passo a passo, deixa de depender de “tentativa e erro” e passa a trabalhar com método. E isso te dá autonomia para enfrentar qualquer problema ambiental com clareza: seja monitorar uma nascente, planejar restauração, avaliar impacto, mapear risco ou acompanhar mudanças no uso do solo.

         Se eu pudesse resumir esta aula em uma frase, seria: um bom projeto ambiental é aquele que começa com uma pergunta bem-feita, usa dados adequados, analisa com cuidado e comunica com responsabilidade. A tecnologia ajuda, sim — mas quem dá sentido ao território é você.

Referências bibliográficas

FLORENZANO, Teresa Gallotti. Iniciação em Sensoriamento Remoto. 3. ed. São Paulo: Oficina de Textos, 2011.

IBGE. Manual Técnico de Uso da Terra. 3. ed. Rio de Janeiro: IBGE, 2013.

JENSEN, John R. Remote Sensing of the Environment: An Earth Resource Perspective. 2. ed. Upper Saddle River: Pearson, 2007.

LILLESAND, Thomas M.; KIEFER, Ralph W.; CHIPMAN, Jonathan W. Remote Sensing and Image Interpretation. 7. ed. Hoboken: Wiley, 2015.

LONGLEY, Paul A.; GOODCHILD, Michael F.; MAGUIRE, David J.; RHIND, David W. Geographic Information Systems and Science. 3. ed. Hoboken: Wiley, 2011.

MENEZES, Paulo Márcio Leal de; FERNANDES, Manoel do Couto. Roteiro de cartografia. São Paulo: Oficina de Textos, 2013.

NOVO, Evlyn Márcia Leão de Moraes. Sensoriamento Remoto: Princípios e Aplicações. 4. ed. São Paulo: Blucher, 2010.

Estudo de Caso — “O Corredor Verde que Virou Polêmica”

Contexto

         O município fictício de Ribeirão das Pedras tinha um plano antigo de criar um corredor ecológico ligando dois fragmentos de mata separados por áreas rurais e um bairro em expansão. A proposta era simples e bonita no papel: restaurar a vegetação ao longo de um córrego e conectar habitats para fauna.

         Só que, quando o projeto saiu do papel, começaram os conflitos:

·         produtores rurais disseram que a área não era mata, era pastagem produtiva;

·         moradores do bairro afirmaram que o córrego já estava seco, então o corredor não fazia sentido;

·         uma ONG entrou pressionando, dizendo que havia desmatamento recente dentro da APP.

         A secretaria precisava de um diagnóstico rápido, convincente e tecnicamente sólido para decidir:

1.     onde o corredor realmente deveria passar,

2.     se havia áreas prioritárias para restauração,

3.     se a APP estava sendo respeitada.

A missão foi para a Camila, analista ambiental recém-chegada, que sabia usar QGIS e estava animada com NDVI e mapas de uso do solo.

O plano da Camila

Ela decidiu fazer um estudo assim:

1.     mapear uso e cobertura do solo numa faixa de 500 m ao redor do córrego;

2.     calcular NDVI para identificar vegetação mais saudável e áreas degradadas;

3.     produzir um mapa final com recomendações de traçado do corredor.

Parecia perfeito…, mas a primeira versão deu ruim.

Onde ela errou (e como evitar)

Erro 1 — Confundir cobertura do solo com uso do solo

Camila mapeou tudo que tinha árvore como “floresta” e concluiu:

“Ótimo, já existe um

corredor quase pronto.”

Só que parte daquele “verde” era eucalipto e outra parte eram quintais arborizados do bairro.
Ou seja: a cobertura era parecida (árvores), mas o uso era totalmente diferente.

Na reunião, um produtor retrucou:

“Isso não é mata nativa. Eu planto eucalipto ali há 12 anos.”

✅ Como evitar

·         Sempre separar mentalmente:

o    cobertura = o que está fisicamente ali (árvore, pasto, solo, água);

o    uso = a função humana (plantio comercial, conservação, lazer).

·         Complementar imagem com:

o    histórico local,

o    mapas oficiais,

o    visita rápida de checagem quando possível.

Lição da Aula 7:
Cobertura responde “o que é”; uso responde “pra quê é”.

Erro 2 — Usar NDVI como “detector de floresta” sem contexto

Camila calculou NDVI e viu valores altos em alguns talhões agrícolas irrigados.
Ela interpretou:

“Vegetação saudável, bom para corredor.”

Mas NDVI alto não significa “mato bom para biodiversidade”.
Significa vigor vegetal, e pode ser lavoura, capim irrigado ou plantação homogênea.

Na prática, o NDVI estava destacando capim de gado super verde — que para fauna é quase um “deserto ecológico”.

✅ Como evitar

·         Lembrar que NDVI mede vigor, não “tipo de vegetação”.

·         Cruzar NDVI com classes de uso/cobertura.

·         Usar NDVI como auxílio, não como conclusão final.

Lição da Aula 8:
Índice é lente, não veredito.

Erro 3 — Escolher classes genéricas demais

Para acelerar, Camila usou só 3 classes:

·         vegetação

·         área aberta

·         urbano

O resultado ficou bonito, mas não ajudava a decidir nada.
“Área aberta” misturava:

·         pasto,

·         solo exposto,

·         agricultura,

·         capoeira rala.

Quando a equipe precisava escolher trechos prioritários de restauração, o mapa não diferenciava o que era mais crítico.

✅ Como evitar

·         Definir classes de acordo com a pergunta do projeto.

·         Se o foco é corredor ecológico, classes mínimas úteis seriam:

o    floresta nativa,

o    regeneração/capoeira,

o    agricultura,

o    pastagem,

o    solo exposto,

o    urbano,

o    água.

Lição da Aula 7:
Classe boa é a que responde a decisão, não a que “fica mais rápida”.

Erro 4 — Comparar imagens de épocas diferentes

Camila pegou NDVI de uma imagem da época chuvosa e uso do solo de uma imagem seca.
O córrego parecia sem mata em um mapa e bem verde no outro.

A equipe ficou confusa:

“Afinal, tem vegetação ciliar ou não tem?”

✅ Como evitar

·

         Trabalhar com datas comparáveis (mesma estação do ano).

·         Ou usar série temporal para reduzir efeito sazonal.

Lição da Aula 9 (fluxo):
Dados precisam conversar no tempo, senão a história fica contraditória.

Erro 5 — Mapa final sem deixar claras limitações

Ela apresentou um mapa com recomendações “fechadas”, sem explicar:

·         resolução da imagem,

·         data,

·         áreas com nuvem,

·         margem de incerteza nas classes.

A ONG questionou:

“Como você tem certeza de que isso é capoeira e não mata madura?”

E Camila não tinha como defender tecnicamente, porque o mapa não mostrava os bastidores.

✅ Como evitar

·         No layout final, incluir:

o    data das imagens,

o    fonte,

o    resolução,

o    sistema de referência,

o    observações de limitação.

·         Explicar no texto do relatório o nível de confiança.

Lição da Aula 9:
Mapa final é produto técnico + transparência metodológica.

A correção: como o projeto foi salvo

Depois da reunião tensa, Camila refez o estudo:

1.     Reclassificou cobertura e uso separadamente, distinguindo mata nativa de silvicultura.

2.     Usou NDVI só como apoio, cruzando com a legenda de classes.

3.     Refinou classes para o objetivo do corredor.

4.     Pegou imagens da mesma estação para tudo.

5.     Produziu mapa final com elementos completos + notas de limitação.

Resultado

·         Descobriu-se que:

o    havia três gargalos críticos sem mata ciliar (prioridade de restauração);

o    as áreas de eucalipto poderiam ser tratadas como zona de amortecimento, não corredor principal;

o    o córrego não estava seco — só variava na estiagem.

·         O traçado do corredor foi ajustado para:

o    priorizar capoeiras em regeneração,

o    conectar dois fragmentos reais de mata nativa,

o    evitar conflito direto com áreas agrícolas intensivas.

O projeto voltou a ter apoio político e comunitário, porque agora havia evidência clara e comunicada de forma honesta.

O que esse estudo ensina sobre o Módulo 3

Checklist rápido para evitar os erros mais comuns

1.     Cobertura ≠ uso

o    árvore pode ser mata, eucalipto ou quintal.

2.     NDVI mede vigor, não biodiversidade

o    sempre cruzar com classes.

3.     Classes precisam servir ao objetivo

o    genérico demais = mapa bonito e inútil.

4.     Datas comparáveis

o    mesma estação ou série temporal.

5.     Fluxo completo e transparente

o    método claro, limitações assumidas, mapa comunicável.

Parte superior do

formulário

Parte inferior do formulário