3 Sensoriamento Remoto e Mudanças de Uso e Cobertura

3.1 Interação radiação-matéria

O sensoriamento remoto fundamenta-se na detecção e medição da radiação eletromagnética refletida ou emitida pela superfície terrestre. A assinatura espectral de cada alvo (solo, vegetação, água, rocha, superfície urbana) é determinada por suas propriedades físico-químicas, que condicionam a absorção, reflexão e transmissão da radiação em diferentes comprimentos de onda. A exploração dessas diferenças espectrais é o que permite discriminar alvos na superfície terrestre a partir de imagens orbitais.

Na região do visível (400–700 nm), a vegetação verde absorve intensamente a radiação azul e vermelha (pelos pigmentos fotossintéticos, principalmente clorofilas $a$ e $b$, e carotenoides) e reflete parcialmente o verde, o que confere a coloração característica às folhas. Na transição para o infravermelho próximo (NIR, 700–1300 nm), a reflectância da vegetação sadia aumenta abruptamente (o chamado “red-edge”), atingindo valores de 40–50%, devido ao espalhamento múltiplo da radiação no mesofilo esponjoso da folha, uma estrutura de paredes celulares com interfaces ar-água que funcionam como espelhos microscópicos. No infravermelho de ondas curtas (SWIR, 1300–2500 nm), a reflectância diminui em comprimentos de onda centrados em 1450 e 1940 nm, correspondentes às bandas de absorção da água líquida; quanto maior o conteúdo de água da folha, mais profundas essas feições de absorção.

Caatinga e deciduidade

Na Caatinga, a deciduidade sazonal (perda completa das folhas no período seco) transforma radicalmente a assinatura espectral da paisagem: a vegetação passa de valores altos de reflectância no NIR (período chuvoso) para valores dominados pelo solo exposto e serrapilheira (período seco), com drástica redução do contraste espectral entre vegetação e solo. Essa dinâmica exige cuidado na interpretação de séries temporais de índices de vegetação, pois reduções de NDVI na Caatinga não indicam necessariamente degradação, mas podem refletir o ciclo fenológico natural.

3.2 Índices de vegetação

Os índices de vegetação são combinações matemáticas de bandas espectrais projetadas para realçar propriedades biofísicas da vegetação enquanto minimizam efeitos de fundo (solo, atmosfera, geometria de iluminação). O NDVI (Normalized Difference Vegetation Index), proposto por Rouse et al. (1974), é o índice mais amplamente utilizado:

\[ NDVI = \frac{\rho_{NIR} - \rho_{RED}}{\rho_{NIR} + \rho_{RED}} \]

onde $\rho_{NIR}$ e $\rho_{RED}$ são as reflectâncias nas bandas do infravermelho próximo e do vermelho, respectivamente. O NDVI varia de −1 a +1, com valores negativos indicando água, valores próximos de zero indicando solo exposto ou vegetação rala e valores acima de 0,3 indicando vegetação ativa. A normalização pela soma das bandas confere ao NDVI relativa insensibilidade a variações de iluminação, mas o índice satura em coberturas densas (IAF > 3) e é sensível ao substrato solo em coberturas esparsas.

O EVI (Enhanced Vegetation Index) foi desenvolvido para superar as limitações do NDVI, incorporando uma banda azul para correção atmosférica e um fator de ajuste de solo:

\[ EVI = G \times \frac{\rho_{NIR} - \rho_{RED}}{\rho_{NIR} + C_1 \cdot \rho_{RED} - C_2 \cdot \rho_{BLUE} + L} \]

onde $G = 2,5$ é o fator de ganho, $C_1 = 6$ e $C_2 = 7,5$ são coeficientes de correção de aerossóis e $L = 1$ é o fator de ajuste de dossel. O EVI apresenta menor saturação em vegetação densa e maior sensibilidade em regiões de alta biomassa, sendo preferido para monitoramento de florestas tropicais.

A Tabela 3.1 compara os principais índices de vegetação e suas aplicações.

Tabela 3.1: Índices de vegetação e suas propriedades comparativas.

Índice	Fórmula simplificada	Vantagem	Limitação	Aplicação
NDVI	$(NIR-RED)/(NIR+RED)$	Simplicidade, série histórica longa	Satura em alta biomassa	Monitoramento regional, séries temporais
EVI	$2.5 \times (NIR-RED)/(NIR+6RED-7.5BLUE+1)$	Menor saturação, correção atmosférica	Requer banda azul	Florestas tropicais, áreas úmidas
SAVI	$(NIR-RED)/(NIR+RED+L) \times (1+L)$	Reduz efeito do solo	$L$ fixo ($0,5$) pode não ser ótimo	Vegetação esparsa, semiárido
NDFI	Fração de degradação	Detecta degradação florestal sutil	Complexo (requer Spectral Mixture)	Manejo florestal, REDD+

3.3 Classificadores de imagens

A classificação digital de imagens transforma uma imagem multiespectral (valores de reflectância em cada pixel e banda) em um mapa temático (classes de uso e cobertura do solo). Três famílias de classificadores dominam a prática atual do sensoriamento remoto.

O Random Forest (Breiman, 2001) é um ensemble de árvores de decisão que classifica cada pixel por voto majoritário entre centenas de árvores treinadas em subconjuntos aleatórios das amostras e variáveis. Sua robustez a ruído, capacidade de lidar com variáveis correlacionadas e de estimar a importância relativa de cada banda o tornaram o classificador mais popular em mapeamento de uso e cobertura. Uma configuração típica utiliza 100 a 500 árvores (a acurácia melhora pouco além de 500) e $\sqrt{p}$ variáveis candidatas por divisão (onde $p$ é o número total de bandas e índices).

O SVM (Support Vector Machine) busca o hiperplano de separação ótima entre classes no espaço multiespectral, maximizando a margem (distância entre o hiperplano e os exemplos mais próximos de cada classe). O kernel RBF (Radial Basis Function) permite ao SVM resolver problemas não linearmente separáveis ao projetar os dados em um espaço de dimensionalidade superior. O SVM é particularmente eficaz com amostras de treinamento limitadas e em problemas com muitas bandas espectrais (reduz o risco de “maldição da dimensionalidade”).

A U-Net é uma arquitetura de rede neural convolucional (CNN) com estrutura encoder-decoder e conexões residuais que produz segmentação semântica pixel a pixel. Projetada originalmente para imagens biomédicas, a U-Net foi adaptada com sucesso para classificação de imagens de satélite, onde sua capacidade de capturar contexto espacial (padrões de vizinhança) supera classificadores que tratam cada pixel isoladamente. Entretanto, a U-Net exige volumes significativos de dados de treinamento rotulados e recursos computacionais (GPU), o que limita sua aplicação em contextos com poucos dados de referência.

3.4 Detecção de mudanças

A detecção de mudanças de uso e cobertura do solo ao longo do tempo pode seguir duas abordagens fundamentais. Na detecção pré-classificação (álgebra de mapas), realizam-se operações matemáticas diretamente sobre as imagens de duas datas (diferença, razão, análise de componentes principais de mudança), identificando pixels com variação espectral significativa sem atribuir classes temáticas. Na detecção pós-classificação, classificam-se independentemente as imagens de cada data e compara-se o par de mapas resultantes por tabulação cruzada (matriz de transição), identificando quais classes sofreram conversão.

As matrizes de transição de Markov são frequentemente empregadas para modelar e projetar as trajetórias de mudança. A matriz de probabilidades de transição $P_{ij}$ quantifica a probabilidade de um pixel na classe $i$ no tempo $t_1$ ser convertido para a classe $j$ no tempo $t_2$, e pode ser utilizada para simular cenários futuros de uso do solo sob a premissa (frequentemente violada) de estacionariedade das taxas de transição.

3.5 Séries temporais de imagens

A análise de séries temporais de imagens de satélite permite detectar tendências, sazonalidade e rupturas abruptas na dinâmica da cobertura do solo ao longo de anos ou décadas. Dois algoritmos são amplamente utilizados.

O BFAST (Breaks for Additive Season and Trend), proposto por Verbesselt et al. (2010), decompõe uma série temporal de NDVI (ou EVI) em três componentes aditivas (tendência, sazonalidade e resíduo) e detecta quebras estruturais (breakpoints) na tendência e na sazonalidade. Cada breakpoint corresponde a um evento de mudança (desmatamento, queimada, abandono, regeneração), e a magnitude e a direção da quebra informam sobre o tipo de mudança. O critério BIC (Bayesian Information Criterion) seleciona automaticamente o número ótimo de breakpoints, evitando sobreajuste.

O LandTrendr (Landsat-based Detection of Trends in Disturbance and Recovery), proposto por Kennedy et al. (2010), opera sobre a família de segmentos lineares que melhor se ajusta à série temporal de cada pixel, identificando episódios de distúrbio (segmentos de queda abrupta), recuperação (segmentos de aumento gradual) e estabilidade (segmentos horizontais). O algoritmo é particularmente eficaz para detectar eventos de distúrbio pontual (corte raso, queimada) e quantificar a velocidade de recuperação espectral.

Figura 3.1: Fluxo de processamento de séries temporais de imagens para detecção de mudanças.

3.6 PRODES, DETER e MapBiomas

O Brasil opera três sistemas complementares de monitoramento de mudanças de cobertura florestal que exemplificam a aplicação operacional do sensoriamento remoto.

O PRODES (Programa de Cálculo do Desflorestamento da Amazônia), operado pelo INPE desde 1988, quantifica anualmente o desmatamento por corte raso na Amazônia Legal usando imagens Landsat (30 m). Com acurácia global de 0,89 e Kappa de 0,86, o PRODES é a referência oficial para políticas públicas de combate ao desmatamento e é reconhecido internacionalmente como um dos sistemas de monitoramento florestal mais confiáveis do mundo.

O DETER (Sistema de Detecção de Desmatamento em Tempo Real) utiliza imagens de resolução moderada (MODIS, 250 m, e Sentinel-2, 10 m) para emitir alertas de desmatamento a cada 5 dias, com área mínima de detecção de 6,25 ha. Embora de menor acurácia que o PRODES (em função da resolução e frequência temporal), o DETER é o instrumento que viabiliza a fiscalização em tempo quase real pelo IBAMA.

O MapBiomas é uma iniciativa multi-institucional que produz mapas anuais de uso e cobertura do solo para todo o Brasil desde 1985, utilizando classificação por Random Forest no Google Earth Engine com resolução de 30 m e 27 classes temáticas. A acurácia global do MapBiomas evoluiu de ~0,75 na Collection 1 (2015) para ~0,87 na Collection 8 (2023), refletindo avanços metodológicos e aumento do volume de amostras de treinamento.

Complementaridade dos sistemas

O PRODES (anual, alta precisão), o DETER (quinzenal, fiscalização) e o MapBiomas (anual, reconstrução histórica, todo o país, todas as classes) não são redundantes; cada sistema atende a necessidades distintas de informação. O uso conjunto dos três permite reconstruir a trajetória histórica de mudanças (MapBiomas), quantificar o desmatamento com precisão legal (PRODES) e reagir em tempo quase real a eventos ilegais (DETER).

3.7 Plataformas de processamento em nuvem

O Google Earth Engine (GEE), lançado em 2010, revolucionou o sensoriamento remoto ao oferecer acesso a petabytes de imagens de satélite (Landsat, Sentinel, MODIS, entre outros), algoritmos de processamento escaláveis e infraestrutura de computação em nuvem gratuita para pesquisa (Gorelick et al., 2017). O GEE permite análises que antes exigiam semanas de download, armazenamento e processamento local sejam executadas em minutos sobre servidores do Google, democratizando o acesso a análises de grande escala e tornando viáveis estudos planetários como o Global Forest Change (Hansen et al., 2013) e o MapBiomas.

A programação no GEE utiliza JavaScript (Editor online) ou Python (API earthengine-api), operando sobre coleções de imagens como objetos no servidor (avaliação preguiçosa), de modo que as operações são definidas localmente mas executadas na nuvem apenas quando solicitado. Essa arquitetura elimina o gargalo de transferência de dados e permite iterações rápidas durante a análise exploratória.

# Sensoriamento Remoto e Mudanças de Uso e Cobertura {#sec-sensoriamento-remoto} ## Interação radiação-matéria O sensoriamento remoto fundamenta-se na detecção e medição da radiação eletromagnética refletida ou emitida pela superfície terrestre. A assinatura espectral de cada alvo (solo, vegetação, água, rocha, superfície urbana) é determinada por suas propriedades físico-químicas, que condicionam a absorção, reflexão e transmissão da radiação em diferentes comprimentos de onda. A exploração dessas diferenças espectrais é o que permite discriminar alvos na superfície terrestre a partir de imagens orbitais. Na região do visível (400–700 nm), a vegetação verde absorve intensamente a radiação azul e vermelha (pelos pigmentos fotossintéticos, principalmente clorofilas $a$ e $b$, e carotenoides) e reflete parcialmente o verde, o que confere a coloração característica às folhas. Na transição para o infravermelho próximo (NIR, 700–1300 nm), a reflectância da vegetação sadia aumenta abruptamente (o chamado "red-edge"), atingindo valores de 40–50%, devido ao espalhamento múltiplo da radiação no mesofilo esponjoso da folha, uma estrutura de paredes celulares com interfaces ar-água que funcionam como espelhos microscópicos. No infravermelho de ondas curtas (SWIR, 1300–2500 nm), a reflectância diminui em comprimentos de onda centrados em 1450 e 1940 nm, correspondentes às bandas de absorção da água líquida; quanto maior o conteúdo de água da folha, mais profundas essas feições de absorção. ::: {.callout-note} ## Caatinga e deciduidade Na Caatinga, a deciduidade sazonal (perda completa das folhas no período seco) transforma radicalmente a assinatura espectral da paisagem: a vegetação passa de valores altos de reflectância no NIR (período chuvoso) para valores dominados pelo solo exposto e serrapilheira (período seco), com drástica redução do contraste espectral entre vegetação e solo. Essa dinâmica exige cuidado na interpretação de séries temporais de índices de vegetação, pois reduções de NDVI na Caatinga não indicam necessariamente degradação, mas podem refletir o ciclo fenológico natural. ::: ## Índices de vegetação Os índices de vegetação são combinações matemáticas de bandas espectrais projetadas para realçar propriedades biofísicas da vegetação enquanto minimizam efeitos de fundo (solo, atmosfera, geometria de iluminação). O NDVI (Normalized Difference Vegetation Index), proposto por Rouse et al. [-@rouse1974], é o índice mais amplamente utilizado: $$ NDVI = \frac{\rho_{NIR} - \rho_{RED}}{\rho_{NIR} + \rho_{RED}} $$ onde $\rho_{NIR}$ e $\rho_{RED}$ são as reflectâncias nas bandas do infravermelho próximo e do vermelho, respectivamente. O NDVI varia de −1 a +1, com valores negativos indicando água, valores próximos de zero indicando solo exposto ou vegetação rala e valores acima de 0,3 indicando vegetação ativa. A normalização pela soma das bandas confere ao NDVI relativa insensibilidade a variações de iluminação, mas o índice satura em coberturas densas (IAF > 3) e é sensível ao substrato solo em coberturas esparsas. O EVI (Enhanced Vegetation Index) foi desenvolvido para superar as limitações do NDVI, incorporando uma banda azul para correção atmosférica e um fator de ajuste de solo: $$ EVI = G \times \frac{\rho_{NIR} - \rho_{RED}}{\rho_{NIR} + C_1 \cdot \rho_{RED} - C_2 \cdot \rho_{BLUE} + L} $$ onde $G = 2,5$ é o fator de ganho, $C_1 = 6$ e $C_2 = 7,5$ são coeficientes de correção de aerossóis e $L = 1$ é o fator de ajuste de dossel. O EVI apresenta menor saturação em vegetação densa e maior sensibilidade em regiões de alta biomassa, sendo preferido para monitoramento de florestas tropicais. A @tbl-indices compara os principais índices de vegetação e suas aplicações. | Índice | Fórmula simplificada | Vantagem | Limitação | Aplicação | |:-------|:--------------------|:---------|:----------|:----------| | NDVI | $(NIR-RED)/(NIR+RED)$ | Simplicidade, série histórica longa | Satura em alta biomassa | Monitoramento regional, séries temporais | | EVI | $2.5 \times (NIR-RED)/(NIR+6RED-7.5BLUE+1)$ | Menor saturação, correção atmosférica | Requer banda azul | Florestas tropicais, áreas úmidas | | SAVI | $(NIR-RED)/(NIR+RED+L) \times (1+L)$ | Reduz efeito do solo | $L$ fixo ($0,5$) pode não ser ótimo | Vegetação esparsa, semiárido | | NDFI | Fração de degradação | Detecta degradação florestal sutil | Complexo (requer Spectral Mixture) | Manejo florestal, REDD+ | : Índices de vegetação e suas propriedades comparativas. {#tbl-indices .striped .hover} ## Classificadores de imagens A classificação digital de imagens transforma uma imagem multiespectral (valores de reflectância em cada pixel e banda) em um mapa temático (classes de uso e cobertura do solo). Três famílias de classificadores dominam a prática atual do sensoriamento remoto. O Random Forest [@breiman2001] é um ensemble de árvores de decisão que classifica cada pixel por voto majoritário entre centenas de árvores treinadas em subconjuntos aleatórios das amostras e variáveis. Sua robustez a ruído, capacidade de lidar com variáveis correlacionadas e de estimar a importância relativa de cada banda o tornaram o classificador mais popular em mapeamento de uso e cobertura. Uma configuração típica utiliza 100 a 500 árvores (a acurácia melhora pouco além de 500) e $\sqrt{p}$ variáveis candidatas por divisão (onde $p$ é o número total de bandas e índices). O SVM (Support Vector Machine) busca o hiperplano de separação ótima entre classes no espaço multiespectral, maximizando a margem (distância entre o hiperplano e os exemplos mais próximos de cada classe). O kernel RBF (Radial Basis Function) permite ao SVM resolver problemas não linearmente separáveis ao projetar os dados em um espaço de dimensionalidade superior. O SVM é particularmente eficaz com amostras de treinamento limitadas e em problemas com muitas bandas espectrais (reduz o risco de "maldição da dimensionalidade"). A U-Net é uma arquitetura de rede neural convolucional (CNN) com estrutura encoder-decoder e conexões residuais que produz segmentação semântica pixel a pixel. Projetada originalmente para imagens biomédicas, a U-Net foi adaptada com sucesso para classificação de imagens de satélite, onde sua capacidade de capturar contexto espacial (padrões de vizinhança) supera classificadores que tratam cada pixel isoladamente. Entretanto, a U-Net exige volumes significativos de dados de treinamento rotulados e recursos computacionais (GPU), o que limita sua aplicação em contextos com poucos dados de referência. ## Detecção de mudanças A detecção de mudanças de uso e cobertura do solo ao longo do tempo pode seguir duas abordagens fundamentais. Na detecção pré-classificação (álgebra de mapas), realizam-se operações matemáticas diretamente sobre as imagens de duas datas (diferença, razão, análise de componentes principais de mudança), identificando pixels com variação espectral significativa sem atribuir classes temáticas. Na detecção pós-classificação, classificam-se independentemente as imagens de cada data e compara-se o par de mapas resultantes por tabulação cruzada (matriz de transição), identificando quais classes sofreram conversão. As matrizes de transição de Markov são frequentemente empregadas para modelar e projetar as trajetórias de mudança. A matriz de probabilidades de transição $P_{ij}$ quantifica a probabilidade de um pixel na classe $i$ no tempo $t_1$ ser convertido para a classe $j$ no tempo $t_2$, e pode ser utilizada para simular cenários futuros de uso do solo sob a premissa (frequentemente violada) de estacionariedade das taxas de transição. ## Séries temporais de imagens A análise de séries temporais de imagens de satélite permite detectar tendências, sazonalidade e rupturas abruptas na dinâmica da cobertura do solo ao longo de anos ou décadas. Dois algoritmos são amplamente utilizados. O BFAST (Breaks for Additive Season and Trend), proposto por Verbesselt et al. [-@verbesselt2010], decompõe uma série temporal de NDVI (ou EVI) em três componentes aditivas (tendência, sazonalidade e resíduo) e detecta quebras estruturais (breakpoints) na tendência e na sazonalidade. Cada breakpoint corresponde a um evento de mudança (desmatamento, queimada, abandono, regeneração), e a magnitude e a direção da quebra informam sobre o tipo de mudança. O critério BIC (Bayesian Information Criterion) seleciona automaticamente o número ótimo de breakpoints, evitando sobreajuste. O LandTrendr (Landsat-based Detection of Trends in Disturbance and Recovery), proposto por Kennedy et al. [-@kennedy2010], opera sobre a família de segmentos lineares que melhor se ajusta à série temporal de cada pixel, identificando episódios de distúrbio (segmentos de queda abrupta), recuperação (segmentos de aumento gradual) e estabilidade (segmentos horizontais). O algoritmo é particularmente eficaz para detectar eventos de distúrbio pontual (corte raso, queimada) e quantificar a velocidade de recuperação espectral. ```{dot} //| label: fig-series-temporais //| fig-cap: "Fluxo de processamento de séries temporais de imagens para detecção de mudanças." //| fig-width: 8 digraph { rankdir=TB bgcolor="transparent" node [shape=box, style="rounded,filled", fontname="Helvetica", fontsize=9, margin="0.25,0.12", penwidth=0.8] edge [fontname="Helvetica", fontsize=8, color="#555555"] A [label="Acervo de imagens\n(Landsat, Sentinel-2,\nMODIS)", fillcolor="#E3F2FD", color="#1565C0"] B [label="Pré-processamento\n(correção atmosférica,\nmáscara de nuvens)", fillcolor="#BBDEFB", color="#1565C0"] C [label="Cálculo de índices\n(NDVI, EVI, NBR)", fillcolor="#C8E6C9", color="#2E7D32"] D [label="Série temporal\npixel a pixel", fillcolor="#FFF9C4", color="#F9A825"] E [label="BFAST\n(sazonalidade +\nbreakpoints)", fillcolor="#FFCCBC", color="#E64A19"] F [label="LandTrendr\n(segmentos lineares)", fillcolor="#FFCCBC", color="#E64A19"] G [label="Mapa de mudanças\n(tipo, data, magnitude)", fillcolor="#E1BEE7", color="#7B1FA2"] A -> B -> C -> D D -> E -> G D -> F -> G } ``` ## PRODES, DETER e MapBiomas O Brasil opera três sistemas complementares de monitoramento de mudanças de cobertura florestal que exemplificam a aplicação operacional do sensoriamento remoto. O PRODES (Programa de Cálculo do Desflorestamento da Amazônia), operado pelo INPE desde 1988, quantifica anualmente o desmatamento por corte raso na Amazônia Legal usando imagens Landsat (30 m). Com acurácia global de 0,89 e Kappa de 0,86, o PRODES é a referência oficial para políticas públicas de combate ao desmatamento e é reconhecido internacionalmente como um dos sistemas de monitoramento florestal mais confiáveis do mundo. O DETER (Sistema de Detecção de Desmatamento em Tempo Real) utiliza imagens de resolução moderada (MODIS, 250 m, e Sentinel-2, 10 m) para emitir alertas de desmatamento a cada 5 dias, com área mínima de detecção de 6,25 ha. Embora de menor acurácia que o PRODES (em função da resolução e frequência temporal), o DETER é o instrumento que viabiliza a fiscalização em tempo quase real pelo IBAMA. O MapBiomas é uma iniciativa multi-institucional que produz mapas anuais de uso e cobertura do solo para todo o Brasil desde 1985, utilizando classificação por Random Forest no Google Earth Engine com resolução de 30 m e 27 classes temáticas. A acurácia global do MapBiomas evoluiu de ~0,75 na Collection 1 (2015) para ~0,87 na Collection 8 (2023), refletindo avanços metodológicos e aumento do volume de amostras de treinamento. ::: {.callout-important} ## Complementaridade dos sistemas O PRODES (anual, alta precisão), o DETER (quinzenal, fiscalização) e o MapBiomas (anual, reconstrução histórica, todo o país, todas as classes) não são redundantes; cada sistema atende a necessidades distintas de informação. O uso conjunto dos três permite reconstruir a trajetória histórica de mudanças (MapBiomas), quantificar o desmatamento com precisão legal (PRODES) e reagir em tempo quase real a eventos ilegais (DETER). ::: ## Plataformas de processamento em nuvem O Google Earth Engine (GEE), lançado em 2010, revolucionou o sensoriamento remoto ao oferecer acesso a petabytes de imagens de satélite (Landsat, Sentinel, MODIS, entre outros), algoritmos de processamento escaláveis e infraestrutura de computação em nuvem gratuita para pesquisa [@gorelick2017]. O GEE permite análises que antes exigiam semanas de download, armazenamento e processamento local sejam executadas em minutos sobre servidores do Google, democratizando o acesso a análises de grande escala e tornando viáveis estudos planetários como o Global Forest Change (Hansen et al., 2013) e o MapBiomas. A programação no GEE utiliza JavaScript (Editor online) ou Python (API earthengine-api), operando sobre coleções de imagens como objetos no servidor (avaliação preguiçosa), de modo que as operações são definidas localmente mas executadas na nuvem apenas quando solicitado. Essa arquitetura elimina o gargalo de transferência de dados e permite iterações rápidas durante a análise exploratória.