Detecção de Mudanças e Análise Espaço-Temporal
Propósito: separar a mudança real da superfície dos quatro grandes impostores — erro de registro, deriva radiométrica, fenologia e erro de classificação. Cada método abaixo existe para controlar um deles; pular os controles produz mapas confiantes de nada.
Pré-condições (onde a detecção de mudanças é ganha ou perdida)
- Co-registro: alinhamento sub-pixel entre as datas (AROSICS ou pontos de amarração manuais). Meio pixel de deslocamento cria mudança fantasma em forma de borda em todos os lugares. Verifique: flicker-compare crisp features.
- Consistência radiométrica: mesmo nível de processamento (reflectância de superfície), mesmo sensor se possível; se misturar sensores, harmonize (ex.: Landsat↔Sentinel-2 HLS) ou use normalização relativa (PIFs).
- Mesma estação / estágio fenológico para trabalho bitemporal — um par Maio vs Setembro "detecta" verão. Se a estação não puder ser igualada, use métodos de composição ou série temporal.
- Máscaras de nuvem/sombra interseccionadas entre as datas; analise apenas pixels mutuamente válidos e reporte essa cobertura %.
Seleção de método
| Situação | Método |
|---|---|
| Duas datas, contínuo "quanto" | Diferenciação de índice (ΔNDVI, ΔNBR...) com limiarização estatística |
| Duas datas, categórico "de-que-para-que" | Comparação pós-classificação (apenas com classificadores fortes) |
| Duas datas, multivariado robusto | Análise de vetor de mudança (CVA); MAD/iMAD para detecção robusta a sensor |
| Pilha densa, gradual + abrupto | Análise de tendência + ruptura (família BFAST/LandTrendr/CCDC; em escala de arquivo → google-earth-engine) |
| Mudança de estrutura (edifícios) | Segmentação bi-temporal DL (U-Net siamesa) → geo-deep-learning |
| Pares SAR (nuvens, desastres) | Log-razão da retroespalhamento calibrado + tratamento de speckle |
| Safras de vetores (parcelas, edifícios) | Diferença de geometria+atributo com tolerância (abaixo) |
Limiarização — nunca olhe e decida
Imagens de diferença precisam de um limiar defensável: μ ± k·σ no histograma de diferença (reporte k), Otsu quando bimodal, ou limiares supervisionados calibrados em amostras rotuladas de mudança/não-mudança. Entregue o histograma com o corte escolhido marcado. Sensibilidade: reporte área de mudança em k-0.5 e k+0.5; se a história inverter, a detecção é frágil — diga isso.
Comparação pós-classificação (PCC) — manuseie com cuidado
O erro da PCC se compõe: dois mapas com 90% de acurácia geram ≤ ~81% de acurácia de mudança, e erros enviesados criam transições falsas sistemáticas. Regras:
- Use UM classificador treinado nas imagens de AMBAS as datas (mesma legenda, mesmas características) em vez de dois mapas legados independentes.
- Construa a matriz de transição completa (da-classe → para-classe áreas), não apenas um binário mudança/não-mudança — transições impossíveis (água→floresta em 1 ano) são seu detector de erro.
- Aplique uma unidade mínima de mapeamento consistente entre as datas antes de diferençar.
Análise de série temporal (pilha densa)
- Construa uma pilha de índice preenchida de lacunas e mascarada de nuvens (xarray, dimensão tempo).
- Decomponha tendência + sazonalidade + rupturas; tendências lineares por pixel precisam de teste de significância (Mann-Kendall + inclinação de Sen para tendências monotônicas — e correção FDR em milhões de pixels, ou seu "mapa de esverdeamento" é ruído).
- Rotule as DATAS de ruptura, não apenas a presença — o momento é geralmente a carga analítica (quando o desmatamento começou?).
- Valide as rupturas detectadas contra eventos conhecidos (incêndios, licenças de construção, datas de desastres) sempre que existirem registros.
Auditoria de mudança em vetores (duas safras da mesma camada)
- Corresponda feições por ID estável se existir; senão, correspondência espacial com limiar IoU (reporte-o).
- Classifique: adicionada / removida / geometria-mudou (delta de área > tolerância) / atributo-mudou. Tolerâncias absorvem jitter de digitalização — 1-2 m para cadastro, mais para digitalizado-de-imagem.
- Some deltas de área por classe e reconcilie totais; residual inexplicado = bugs de correspondência.
Avaliação de acurácia (a espinha dorsal da entrega)
Mudança é rara, então amostragem aleatória desperdiça esforço em pixels estáveis — use amostragem estratificada (estratos: mudança/não-mudança ou por-transição) com estimativa de área de boas práticas (protocolo Olofsson et al.): reporte acurácia do usuário/produtor por estrato E estimativas de área com intervalos de confiança ajustados pelo erro do mapa. Uma contagem bruta de pixels do mapa de mudança é uma estimativa de área enviesada — sempre diga o número ajustado.
Modelo de relatório
## Mudança: <fenômeno>, <T1> → <T2 ou período>
- Dados: <sensor/nível>, RMSE de co-registro: <px>, sobreposição válida: <%>
- Método: <...> limiar/parâmetros: <...> (sensibilidade: <estável/frágil>)
- Transições: <matriz ou lista top-5 com áreas ± IC>
- Acurácia: estratificada n=<>, UA/PA por classe, áreas ajustadas ± IC
- Controles de impostores: estação <correspondida?>, radiometria <harmonizada?>
Lista de verificação de armadilhas
- Mudança fantasma de borda por erro de registro.
- Diferença sazonal vendida como mudança de cobertura do solo.
- PCC com dois mapas legados produzidos independentemente.
- Limiar escolhido "porque parecia certo", sem sensibilidade.
- Contagens brutas de pixels de mudança reportadas como área (sem estimativa corrigida por erro).
- Mapas de tendência sem controle de testes múltiplos.
- Mudança SAR em imagens de potência linear não filtradas.
Contrato de execução
- Fluxo de trabalho: defina a questão de mudança; harmonize extensão, estação, radiometria, resolução e registro; selecione método; estime mudança; valide; reporte incerteza.
- Regras de decisão: use diferenciação direta apenas para sinais contínuos comparáveis, comparação pós-classificação para legendas de classe estáveis e métodos de série temporal quando uma pilha temporal densa existir.
- Protocolo de verificação: quantifique co-registro, sobreposição válida, sensibilidade do limiar, contabilização de transições e área ajustada por acurácia com intervalos de confiança.
- Modos de falha: rejeite alegações causais de mudança quando estação, sensor, nuvens, registro ou erros de mapas independentes puderem explicar o sinal.
- Entregáveis: mapa de mudança, tabela de transição ou tendência, registro de parâmetros, amostra de validação e métricas, estimativa de área ajustada e limitações.
- Atualização das fontes: consulte o registro de fontes autoritativas antes de usar produtos ou APIs sensíveis à versão e registre a data da consulta.