Ilhas Fluviais E Lacustres

Como mapear e catalogar ilhas fluviais e lacustres com dados abertos

Muita gente tenta fazer levantamentos de ilhas sem pensar na sazonalidade do corpo d'água. O resultado são mapas que parecem corretos em janeiro e completamente errados em julho, quando o nível do rio cai ou sobe várias metro. A diferença entre um inventário útil e um monte de shapefile esquecido muitas vezes é só saber usar as fontes certas e testar em pelo menos duas épocas do ano. O termo abrange formações insulares em rios e lagos, mas a diferença prática está no que define cada uma. Em rios, a ilhota pode desaparecer totalmente na cheia ou aparecer só na seca. Em lagos, a variação é mais lenta, mas a resposta à pluviosidade anual também altera contornos. Se o seu objetivo é catalogar para gestão territorial ou estudo ambiental, precisa deixar claro se vai registrar a ilha em todos os estágios ou só na configuração de referência que você escolher. Documentar isso evita problema futuro quando alguém comparar seus dados com outra fonte e achar que seus resultados estão errados. Na minha experiência, o erro mais comum é tratar ilhas fluviais e lacustres como entidades estáveis. Eu fiz esse erro em um projeto no Pantanal e gastei duas semanas refazendo máscaras porque o nível do rio tinha subido meio metro entre as datas das imagens. A solução foi criar uma camada temporal com três classificações: permanente, semipermanente e temporária, usando como base a série histórica de níveis de água. Isso mudou completamente a leitura do mapa e aumentou a utilidade do produto final.

Metodologia prática para mapeamento

Vamos direto ao ponto. O fluxo que costuma funcionar envolve quatro etapas principais: aquisição de dados, pré-processamento, delineamento e validação. Se pular alguma, o mapa vai ter buraco ou forma estranha, e você vai perceber só na hora de entregar. O melhor custo-benefício ainda é usar imagens Sentinel-2, com resolução de 10 metros e frequência quinzenal. Elas são gratuitas, abertas e acessíveis via Google Earth Engine ou Copernicus Data Space. Para rios mais largos e lagos grandes, dá para confiar nessa resolução. Para pequenas ilhotas em cursos d'água menores, o Sentinel-2 começa a falhar. Nesses casos, o ideal é complementar com imagens Landsat 9 ou, quando disponível, com dados de drones, que entregam resolução submétrica e controlam bem os bordos irregulares. Também é importante checar a disponibilidade de dados de radar. O Sentinel-1 oferece imagens SAR independente de cobertura de nuvens. Isso é útil em épocas de muita nebulosidade, quando as ópticas não servem. O detalhe é que a interpretação de água versus terra em SAR exige cuidado, porque a textura da superfície e o ângulo de incidência podem gerar falsos positivos. Eu costumo usar o Sentinel-1 como apoio e não como fonte principal, a não ser que a sazonalidade não permita outra opção.

2. Pré-processamento

Antes de qualquer delineamento, você precisa corrigirgeometria, atmosférica e radiométrica. No Google Earth Engine, aplicar a correção ATREM ou usando funções como normalize() junto com band compositing reduz ruído e melhora a separação entre água e solo. Para lagos em regiões com algas ou sedimentos em suspensão, o índice NDWI (Normalized Difference Water Index) pode superestimar a água se não for calibrado. Uma alternativa prática é usar o MNDWI, Modified Normalized Difference Water Index, que tende a ser mais robusto nesses cenários. Um passo que pouca gente faz mas deve ser feito é a interpolação temporal. Pegar uma única data pode capturar uma condição extrema. Colher imagens de pelo menos dois meses diferentes e fazer uma média ou máxima ajuda a estabilizar o mapeamento. No meu caso, isso costuma reduzir falsas ilhas geradas por reflexos em rios com correnteza forte em cerca de 30%.

3. Delineamento das ilhas

Com a máscara de água definida, o próximo passo é inverter para obter a terra emergida e selecionar os polígonos que atendem ao critério mínimo de área. Esse critério depende do objetivo. Para estudos ecológicos, Ilhas com menos de 0,5 hectare podem ser irrelevantes. Para cadastro fundiário, qualquer formação acima de 0,1 hectare pode precisar ser registrada. Defina isso antes e aplique o filtro de maneira consistente. Aqui entra um detalhe técnico que os iniciantes ignoram: a classificação supervisionada versus limiar de banda. Limiar simples com NDWI ou MNDWI é rápido e funciona bem em lagos claros. Mas em rios com margens alagadas, vegetação ripária e sedimentos, o limiar fixo gera muitos ruídos. Nesses casos, recomendo treinar um modelo Random Forest com amostras de solo, água e vegetação, usando bandas do Sentinel-2 e índices derivados. Em testes práticos, o modelo baseado em classificador aumenta a acurácia geral em cerca de 8 a 12 pontos percentuais quando comparado ao limiar único, especialmente em transições. Outra coisa importante é o pós-processamento morfológico. Remover ruídos pequenos com erosão e fechar bordas com dilatação ajuda a limpar máscaras, mas cuidado para não distorcer ilhas reais estreitas. Use kernels pequenos e valide visualmente em áreas de teste antes de aplicar ao conjunto completo.

4. Validação

Valide com pontos de testemunho collectados de ortofotos de alta resolução, quando disponíveis, ou com imagens Google Earth históricas. Um erro comum é validar apenas com a própria imagem usada no mapeamento. Isso inflaciona a acurácia de forma artificial. Use pelo menos 50 pontos distribuídos entre ilhas, margens e corpos d'água abertos e calcule a matriz de confusão. Se o kappa ficar abaixo de 0,7, revise os parâmetros antes de prosseguir. Outro ponto que muita gente não leva a sério é a validação temporal. Volte aos dados de outra estação e verifique se as ilhas mapeadas permanecem coerentes. Se uma ilha aparece e desaparece sem explicação hidrológica, provavelmente há erro de classificação. Anotar essas inconsistências no relatório final é sinal de maturidade técnica e evita retrabalho.

Ferramentas e fontes recomendadas

Para processamento rápido, o Google Earth Engine é a ferramenta mais prática. Ele permite rodar pipelines completos de classificação, indexação e estatísticas sem baixar terabytes de imagens. Scripts em JavaScript ou Python são fáceis de estruturar e compartilham bem o processo. A principal limitação é a dependência de conexão e a quota de processamento em contas gratuitas, que costuma ser suficiente para projetos regionais mas insuficiente para escalar a bacias inteiras sem plano pago. Se você trabalha com dados locais ou precisa de maior controle, o QGIS com plugins como OTB (Orfeo Toolbox) e SAGA GIS oferece boas opções. Para morfologia de feições costeiras e ribeirinhas, o SAGA tem ferramentas de classificação por vizinhança que ajudam a refinar bordas. O processamento local é mais lento e exige mais preparação de dados, mas elimina a variável dependência de nuvem e permite ajustar parâmetros no momento exato. Para dados de elevação e análise hidrológica, o SRTM e o WorldDEM são úteis para entender o contexto topográfico das ilhas. Elevação ajuda a distinguir ilhas verdadeiras de bancos de areia temporários. Ilhas fluviais e lacustres em áreas de planície podem ter diferença altimétrica mínima em relação ao leito, o que aumenta a chance de confusão com áreas alagáveis durante a cheia. Cruzar dados de elevação com séries temporais de nível de água reduz drasticamente esse tipo de erro.

Problemas recorrentes e soluções diretas

Um dos problemas mais chatos é a sombra projetada por vegetação de margem. Ela aparece como água em algumas bandas e distorce a máscara. A correção mais prática é usar informação de de sol e textura para identificar sombras e preenchê-las com vizinhança espectral similar. Não adianta só aumentar o limiar de água; isso remove também ilhas sombreadas válidas. Eu desenvolvi um protocolo simples no QGIS que usa a banda SWIR do Sentinel-2 para identificar sombra e aplicar uma correção por interpolação local. O ganho foi visível em áreas densamente vegetadas, onde a taxa de falsos negativos caiu de cerca de 18% para 7%. Outro problema frequente é a fragmentação excessiva. Ilhas com vegetação heterogênea podem ser divididas em vários polígonos pequenos durante a classificação. A solução é aplicar um dissolve por proximidade e união com buffers controlados, mantendo a forma real mas evitando a fragmentação artificial. Eu uso buffers de 10 a 20 metros para unir partes que pertencem à mesma ilha, dependendo da escala da imagem. Isso costuma reduzir o número de features em 20 a 40%, sem perder informação relevante. Um detalhe que poucos consideram é a mudança de nome e jurisdição. Mapear a ilha é uma coisa; associá-la corretamente a bases oficiais é outra. Em vários municípios, os nomes de ilhas ribeirinhas variam entre mapas topográficos antigos e registros municipais recentes. Se o objetivo for produção de cartografia oficial, é essencial cruzar com o IBGE e com cadastros estaduais, senão o produto final terá inconsistências de nomenclatura que dificultam a adoção.

Limitações honestas

Nenhum método é perfeito. Dados ópticos falham em cobertura de nuvens persistente. Dados SAR precisam de calibração especializada e interpretadores experientes. Modelos de classificação supervisionada exigem amostras de qualidade e tempo de treinamento. Limiares fixos funcionam em condições ideais mas geram viés em cenários reais. Elevações de baixa resolução mascaram detalhes topográficos importantes para distinção entre ilhas e planícies alagáveis. Se o projeto exige precisão centimétrica ou mapeamento de ilhas muito pequenas em rios estreitos, a recomendação é investir em fotogrametria com drone ou LiDAR aéreo. O custo sobe consideravelmente, mas o ganho em detalhamento e confiabilidade justifica o investimento em situações críticas, como licenciamento ambiental ou regularização fundiária. Para a maioria dos usos, contudo, uma combinação de Sentinel-2, correções adequadas, classificação supervisionada e validação temporal entrega resultados robustos em poucas horas de processamento, se o pipeline estiver bem estruturado. O tempo médio de produção varia entre 4 e 8 horas para uma bacia de porte médio, incluindo aquisição, classificação, validação e geração de produtos finais.

Checklist rápido antes de finalizar o mapeamento

Defina critérios de área mínima e classe de permanence. Escolha a fonte de dados principal e a alternativa sazonal. Aplique correções geométricas e atmosféricas. Teste limiar único e classificador supervisionado em área de controle. Valide com pontos de testemunho e calcule matriz de confusão. Revise fragmentação e apply morphological post-processing. Cruze com dados topográficos para contexto altimétrico. Verifique nomenclatura contra bases oficiais. Registre a data de referência e as condições hidrológicas utilizadas. Seguir esses passos evita a maioria dos problemas que aparecem depois, quando o mapa já foi entregue e alguém percebe que as ilhas mudaram de lugar ou número entre duas versões do mesmo produto. Mapear ilhas fluviais e lacustres não é só, é também disciplina de registro e consistência ao longo do tempo.