O dado de ilhas de calor urbanas de superfície (SUHI) é produzido a partir da temperatura da superfície terrestre (LST) derivada dos produtos Landsat Collection 2 Level-2, utilizando as imagens Landsat 8 e 9 no período de 2020 a 2024.
As imagens passam por filtros de qualidade para remover pixels afetados por nuvens, sombras, neve/gelo e observações com elevada incerteza térmica. Para cada ano, são produzidos dois compostos temporais independentes: 20 de março a 22 de setembro e 1º de janeiro a 19 de março e 23 de setembro a 31 de dezembro. São mantidos apenas pixels com pelo menos duas observações válidas, e a temperatura média da superfície é calculada para cada pixel. Em seguida, para cada área urbanizada identificada pelo MapBiomas, é definida uma Área de Referência de Fundo (BRA) em um raio de 5 km, composta exclusivamente por classes não urbanizadas selecionadas. A intensidade da ilha de calor é então calculada, em cada pixel urbano, como a diferença entre sua temperatura média e a temperatura média da respectiva BRA: valores positivos indicam superfícies urbanas mais quentes que seu entorno, enquanto valores negativos indicam superfícies mais frias.
O dado é organizado em diferentes níveis de agregação espacial e temporal. Inicialmente, são gerados mapas de intensidade de SUHI em escala de pixel, para cada ano e para os dois períodos sazonais; posteriormente, os valores anuais são agregados pela média dos valores disponíveis para produzir uma superfície média para o período 2020–2024. A partir desses mapas, são calculadas estatísticas para os municípios e para os setores censitários de 2022, considerando a média dos pixels válidos de SUHI que intersectam cada unidade espacial. Para os setores censitários, o dado também pode ser classificado de forma relativa à distribuição de SUHI do respectivo município, utilizando a média e o desvio-padrão municipais ponderados pela área válida de cada setor e calculando-se um z-score. Essa classificação resulta nas categorias “Mais frio/Muito mais frio”, “Próximo à média” e “Mais quente/Muito mais quente”, além da categoria “Sem dados”.
Como usar:
1. Copie e cole o script no Code Editor do GEE: https://code.earthengine.google.com
2. Ajuste as seções marcadas com ">>> EDITE AQUI" conforme sua necessidade.
3. Clique em "Run".
É necessária uma conta para usar o Google Earth Engine. Crie a sua gratuitamente em https://earthengine.google.com/noncommercial/
// ============================================================
// Ilhas de Calor Urbanas de Superfície (SUHI) — média 2020–2024
// Asset : projects/ee-mburb-land-c10-st/assets/Temperature_NT_month/SUHI_mean_2020_2024
// Bandas: ST_w_5y (inverno) | ST_s_5y (verão)
// Dado : CONTÍNUO (intensidade da ilha de calor, °C) — não é série temporal
// ============================================================
// 1. Carrega o asset
var suhi = ee.Image(
'projects/ee-mburb-land-c10-st/assets/Temperature_NT_month/SUHI_mean_2020_2024'
);
// 2. Inspeciona bandas e metadados
print('Bandas disponíveis:', suhi.bandNames());
print('Informações do asset:', suhi);
// 3. Seleciona as duas bandas
var inverno = suhi.select('ST_w_5y'); // winter
var verao = suhi.select('ST_s_5y'); // summer
// 4. Estatísticas para calibrar a visualização (percentis 2 / 50 / 98)
// Rode uma vez, olhe o console e ajuste VIS_MIN / VIS_MAX abaixo.
var stats = suhi.reduceRegion({
reducer : ee.Reducer.percentile([2, 50, 98]),
geometry : suhi.geometry(),
scale : 1000, // ajuste para a resolução nativa do asset (ex.: 30 se Landsat)
maxPixels: 1e13,
bestEffort: true
});
print('Percentis 2/50/98 (inverno e verão):', stats);
// 5. Parâmetros de visualização (escala COMPARTILHADA para comparar as estações)
var VIS_MIN = -2; // ajuste conforme os percentis impressos
var VIS_MAX = 8;
// Paleta divergente frio -> quente (RdYlBu invertida)
var PALETA = [
'#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8',
'#ffffbf', '#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026'
];
var visParams = { min: VIS_MIN, max: VIS_MAX, palette: PALETA };
// 6. Adiciona as camadas (verão visível; inverno oculto — ative no seletor de camadas)
Map.addLayer(verao, visParams, 'SUHI Verão (ST_s_5y) — 2020–2024', true);
Map.addLayer(inverno, visParams, 'SUHI Inverno (ST_w_5y) — 2020–2024', false);
// 7. Centraliza no Brasil
Map.setCenter(-52, -14, 5);
// 8. Legenda em GRADIENTE (color bar) — apropriada para dado contínuo
var barraCor = ui.Thumbnail({
image : ee.Image.pixelLonLat().select(0),
params: {
bbox : [0, 0, 100, 8],
dimensions: '220x18',
format : 'png',
min: 0, max: 100,
palette: PALETA
},
style: { stretch: 'horizontal', margin: '4px 8px', maxHeight: '18px' }
});
function painelRotulos(min, max) {
return ui.Panel({
widgets: [
ui.Label(String(min), { margin: '2px 8px', fontSize: '11px', color: '#444' }),
ui.Label(((min + max) / 2).toFixed(1),
{ margin: '2px 8px', fontSize: '11px', color: '#444',
textAlign: 'center', stretch: 'horizontal' }),
ui.Label(String(max), { margin: '2px 8px', fontSize: '11px', color: '#444' })
],
layout: ui.Panel.Layout.flow('horizontal')
});
}
var legend = ui.Panel({
style: { position: 'top-right', padding: '8px 12px', backgroundColor: 'white' }
});
legend.add(ui.Label({
value: 'Intensidade SUHI (°C) — 2020–2024',
style: { fontWeight: 'bold', fontSize: '13px', margin: '0 0 4px 0', color: '#333' }
}));
legend.add(barraCor);
legend.add(painelRotulos(VIS_MIN, VIS_MAX));
Map.add(legend);
ArtigoMatos et al – Accounting for alternation in temporal quality analysis in MapBiomas BrazilLer artigo
ArtigoRocha et al – Mapping Burned Area in the Caatinga Biome: Employing Deep Learning TechniquesLer artigo
ArtigoFerreira Neto et al – Uncontrolled Illegal Mining and Garimpo in the Brazilian AmazonLer artigo
ArtigoRocha et al – Towards Uncovering Three Decades of LULC in the Brazilian Drylands: Caatinga Biome Dynamics (1985–2019)Ler artigo
ArtigoArruda et al – Assessing four decades of fire behavior dynamics in the Cerrado biome (1985 to 2022)Ler artigo
ArtigoBaeza et al – Two decades of land cover mapping in the Río de la Plata grassland region: The MapBiomas Pampa initiativeLer artigo
ArtigoAlencar et al – Long-Term Landsat-Based Monthly Burned Area Dataset for the Brazilian Biomes Using Deep LearningLer artigo
ArtigoCoelho-Junior et al – Unmasking the impunity of illegal deforestation in the Brazilian AmazonLer artigo
ArtigoSantos et al – Assessing the Wall-to-Wall Spatial and Qualitative Dynamics of the Brazilian Pasturelands 2010–2018Ler artigo
ArtigoSouza et al – Reconstructing Three Decades of Land Use and Land Cover Changes in Brazilian Biomes with Landsat Archive and Earth EngineLer artigo
ArtigoFendrich et al – Disclosing contrasting scenarios for future land cover in BrazilLer artigo
ArtigoNunes et al – Unmasking secondary vegetation dynamics in the Brazilian AmazonLer artigo
ArtigoSaraiva et al – Automatic Mapping of Center Pivot Irrigation Systems from Satellite Images Using Deep LearningLer artigo
ArtigoParente et al – Assessing the pasturelands and livestock dynamics in Brazil, from 1985 to 2017Ler artigo
ArtigoSouza Jr et al – Long-Term Annual Surface Water Change in the Brazilian Amazon BiomeLer artigo
ArtigoMas et al – Analysis of High Temporal Resolution Land Use/Land Cover TrajectoriesLer artigo
ArtigoParente & Ferreira – Assessing the Spatial and Occupation Dynamics of the Brazilian PasturelandsLer artigo
ArtigoParente et al – Monitoring the Brazilian pasturelands: A new mapping approach based on the Landsat 8 spectral and temporal domainsLer artigo
ArtigoRosa, Marcos R – Comparação e análise de diferentes metodologias de mapeamento da cobertura florestal da Mata AtlânticaLer artigo
DestaqueDestaques da Cobertura e Uso da Terra nos Sítios Arqueológicos do BrasilVer destaque
DestaqueDestaques do Mapeamento Anual de Cobertura – Áreas UrbanizadasVer destaque
DestaqueDestaques do Mapeamento Anual de Cobertura e Uso da Terra – Agricultura e IrrigaçãoVer destaque
DestaqueDestaques do Monitor da MineraçãoVer destaque
DestaqueDestaques do Mapeamento Anual de Cobertura e Uso da Terra – Bioma PantanalVer destaque
DestaqueDestaques do Mapeamento Anual de Cobertura – PastagemVer destaque
DestaqueDestaques do Mapeamento Anual de Cobertura e Uso da Terra – Bioma CerradoVer destaque
DestaqueDestaques do Mapeamento Anual de Cobertura e Uso da Terra – Bioma Mata AtlânticaVer destaque
DestaqueDestaques do Mapeamento Anual de Cobertura e Uso da Terra – Bioma PampaVer destaque
DestaqueDestaques do Mapeamento Anual de Cobertura e Uso da Terra – Bioma CaatingaVer destaque
DestaqueDestaques do Mapeamento Anual de Cobertura e Uso da Terra – Bioma AmazôniaVer destaque
DestaqueDestaques do Mapeamento Anual de Cobertura e Uso da Terra no Brasil – Coleção 10Ver destaque
DestaqueDestaques da Coleção 4 do MapBiomas Fogo (1985 a 2024)Ver destaque
DestaqueDestaques do Mapeamento das Pistas de Pouso e Garimpo na AmazôniaVer destaque
RelatórioRelatório Anual do Desmatamento no Brasil – RAD2025Baixar PDF
RelatórioRelatório Anual do MapBiomas | 2025Baixar PDF
RelatórioRelatório Anual do MapBiomas | 2024Baixar PDF
RelatórioRelatório de Avaliação Independente do Projeto MapBiomas (2019-2022)Baixar PDF
RelatórioRelatório de Avaliação Independente da Fase 1 do Projeto MapBiomas (2015-2018)Baixar PDF
InfográficoBrasilVer infográfico
InfográficoAmazôniaVer infográfico
InfográficoCaatingaVer infográfico
InfográficoCerradoVer infográfico
InfográficoMata AtlânticaVer infográfico
InfográficoPampaVer infográfico
InfográficoPantanalVer infográfico
InfográficoBosque Atlântico ParanaenseVer infográfico
InfográficoLitoral e Encostas da IbiapabaVer infográfico
InfográficoMineração — Coleção 9Ver infográfico