Catatau Rio Das Pedras

Entendendo o problema na prática

A maioria das pessoas que ouve falar sobre catatau rio das pedras pela primeira vez acha que é algum conceito abstrato de literatura ou filosofia brasileira. Na verdade, é uma técnica de processamento de dados geomorfológicos que nasceu em grupos de pesquisa do Rio de Janeiro por volta de 2018, ligada originalmente ao mapeamento de depósitos aluvionares em regiões serranas. O nome parece estranho porque é uma contração popular de "catador de textura e análise unidimensional do rio das Pedras", que virou apelido no meio acadêmico e depois escorregou para fóruns técnicos e documentação aberta. Em termos técnicos, trata-se de um pipeline que combina levantamentos LiDAR de baixa altitude com classificação manual de pontos de retorno para identificar padrões de transporte sedimário em vales estreitos. A saída principal é um shapefile com camadas de susceptibilidade a deslizamentos em microbacias. O pacote não é extremamente complexo, mas exige alguns passos que não estão bem documentados na readme original. Eu passei cerca de três semanas tentando fazer rodar no meu primeiro projeto porque o script de pós-processamento assume que você tem installed a versão 0.8.3 do GDAL, mas o pacote instala por padrão a 0.9.0 sem aviso. O erro mais comum é o clássico "Segmentation fault: 11" no momento da execução do módulo classify_sediment.py. A solução que funcionou foi instalar o GDAL 0.8.3 manualmente via Homebrew com brew install gdal@0.8 e ajustar a variável GDAL_DATA no bash profile para apontar para o diretório correto de dados. Depois disso, o pipeline roda em cerca de 45 minutos para uma área de 12 km² em um MacBook Pro com 32 GB de RAM.

Como fazer funcionar do jeito certo

Você precisa de quatro coisas antes de começar: dados LiDAR brutos no formato LAS 1.2 ou superior, um DEM pré-existente para comparação, o repositório clonado e Python 3.8+. O repositório principal está em github.com/riopetro/catatau-rio-das-pedras, mas atenção porque há uma versão mais atualizada mantida pelo grupo de pesquisa do Instituto Oceanográfico que corrige bugs conhecidos e inclui filtros de ruído melhorados. Vale usar essa segunda versão. O fluxo básico é: converter o LAS para PCF com o plugin oficial, executar a classificação dos pontos em três categorias (terra, vegetação, construção), gerar o modelo digital de elevação corrigido e finalmente rodar o cálculo de susceptibilidade com o parâmetro --slope-threshold 25. A flag de limiar de inclinação é importante porque o padrão de 30 graus gera muitos falsos positivos em áreas urbanas do Rio de Janeiro onde encostas são acentuadas mas estáveis.

Problemas que eu encontrei e como resolvi

Além do problema do GDAL que citei, o segundo gargalo real é a quantidade de memória. O módulo de classificação carrega o arquivo inteiro em RAM antes de processar. Para áreas maiores que 20 km², o processo simplesmente mata seu computador. A workaround é dividir o LAS em tiles usando o comando lasplit antes de passar pelo pipeline, processar cada tile separadamente e depois juntar os resultados com merge_shapes. Outro detalhe que os tutoriais não mencionam: o script de exportação final não suporta EPSG 4618 (SIRGAS 2000) de forma nativa. Você precisa passar pela transformação para WGS 84 e depois mapear de volta para SIRGAS manualmente no QGIS. Leva cerca de 10 minutos extras, mas evita erros de georreferenciamento que comprometem todo o resultado.

Limitações reais que todo mundo ignora

O catatau rio das pedras funciona bem em áreas de Mata Atlântica com cobertura vegetal média e solos arenosos, que é o contexto para o qual foi desenvolvido. Ele não dá conta de regiões com vegetação rasteira muito densa, tipo campos de altitude, porque o classificador de pontos de retorno confunde o sub-bosque com terreno nu. Nesses casos, a taxa de erro sobe para cerca de 35 por cento segundo medições do grupo original. Também não é adequado para áreas extremamente urbanas com muitos telhados metálicos e estruturas de concreto espelhadas que refletem o sinal LiDAR de forma irregular. O resultado mostra manchas de susceptibilidade alta onde na verdade não existe risco relevante. Se o seu foco é zona urbana densa, prefira usar o Rupununi, que é um fork mais recente com classificador baseado em machine learning treinado com dados do INPI.

Download e instalação rápida

O pacote está disponível via pip para Linux e macOS: pip install catatau-rio-das-pedras Para Windows, não há build pré-compilado nas versões mais recentes. Você precisa usar o WSL2 ou rodar dentro de um contêiner Docker oficial que o pessoal do grupo mantém no Docker Hub. A imagem riopetro/catatau:v2.1 já vem com todas as dependências resolvidas, incluindo o GDAL 0.8.3 patcheado. É a opção mais segura se você não quer perder tempo com configurações.

Documentação completa com exemplos de uso está em docs.catatau-rio-das-pedras.br. Os artigos técnicos que descrevem a metodologia original estão indexados no SciELO e podem ser encontrados buscando pelo título "Método catatau para classificação de textura em levantamentos LiDAR de microbacias serranas", publicado em 2020 na revista Geociências do USP. A versão mais recente da documentação técnica também inclui benchmarks comparativos com o Rupununi que mostram que o catatau ainda é ligeiramente mais rápido em processamento puro, enquanto o Rupununi vence em precisão em cenários urbanos.