AVISO: GUEST POST — Artigo de convidado. O autor, Yvann, é colaborador da TerraLab, desenvolvedora do plugin AI Agent. Opiniões, métodos e resultados são de responsabilidade do autor.
Mapeando perda florestal no sul do Pará com três prompts no QGIS: um teste prático do AI Agent
Quem trabalha com monitoramento florestal usando Sentinel-2 conhece o ritual de cor. Definir o polígono de interesse, caçar cenas limpas de nuvens nas duas datas, recortar as bandas, rodar o NDVI na calculadora raster, subtrair os anos, testar limiares, poligonizar o resultado, calcular a área em hectares e, por fim, brigar com o compositor de impressão para fechar o layout.
Nenhuma dessas etapas é complexa para um analista de geoprocessamento. O problema é o atrito operacional: quase todo o esforço vai para cliques mecânicos antes mesmo de você começar a analisar a paisagem de verdade.
Na TerraLab, nós desenvolvemos o AI Agent, um plugin para o QGIS que recebe instruções em português e executa o fluxo de trabalho direto dentro do seu projeto. Em 11 de novembro de 2026, coloquei o plugin à prova em um cenário clássico da Amazônia: mapear a perda florestal entre as estações secas de 2024 e de 2026 numa área de 20 x 20 km ao sul de Novo Progresso (PA), no eixo da BR-163.
Abaixo estão os três prompts exatos que usei, as camadas que o agente gerou, a auditoria que fiz à mão nos rasters e os tropeços da ferramenta pelo caminho.
O recorte no arco do desmatamento
Novo Progresso é um ponto crítico e bem conhecido de quem monitora a BR-163. O recorte do teste vai de 55,49° O a 55,31° O e de 7,14° S a 7,32° S. São 39.742 hectares logo ao sul da mancha urbana, misturando blocos de floresta nativa, pastagens antigas consolidadas e alguns ramais abertos dentro da mata.
Para o teste, usei exclusivamente imagens abertas do Sentinel-2 (programa Copernicus). Não carreguei nenhum shapefile de apoio, camada pronta de desmatamento ou base comercial.
Rodei tudo numa instalação limpa do QGIS, usando uma conta Pro configurada no nível de esforço Low, que é o mesmo disponível no plano gratuito.
Prompt 1: do zero ao layout em 75 segundos
Abri o painel do plugin no QGIS e digitei o comando como se estivesse passando a demanda para um analista júnior da equipe:
Mapeie a perda de floresta entre a estação seca de 2024 e a de 2026 numa área de uns 20 x 20 km ao sul de Novo Progresso (PA), ao longo da BR-163. Use imagens Sentinel-2 com poucas nuvens de cada ano, calcule o NDVI das duas datas e a diferença entre elas, separe as áreas onde o NDVI caiu forte (floresta virou solo exposto ou pasto) e me diga quantos hectares foram perdidos. Monte um mapa claro com o resultado.
O agente processou o pedido em 75 segundos, executando 22 etapas que ficaram registradas passo a passo no painel:
- Buscou a localização de Novo Progresso no OpenStreetMap e gerou a caixa de 20 km ao sul da sede municipal.
- Processou duas composições medianas do Sentinel-2 para a janela de julho a setembro (uma para 2024, outra para 2026), aplicando máscara de nuvens e resolução espacial de 20 m. Ambas saíram com 100% de pixels válidos.
- Calculou o NDVI de cada ano e a diferença simples (2026 menos 2024) usando a calculadora raster do próprio QGIS.
- Leu as estatísticas das bandas e arbitrou uma regra lógica para classificar a perda: NDVI de 2024 maior ou igual a 0,7 (indicando cobertura florestal), NDVI de 2026 menor ou igual a 0,5 (perda do vigor de floresta) e queda de pelo menos 0,2 entre as datas.
- Gerou o raster binário “Possível perda florestal”, aplicou simbologia e montou um layout de impressão completo com título, legenda, barra de escala, fonte dos dados e nota metodológica.
Ao final da fila de processamento, o agente devolveu este resumo no chat:
Mapeei 116,4 ha de possível perda florestal na área de aproximadamente 20 × 20 km ao sul de Novo Progresso. […] A área é uma estimativa de mudança, não desmatamento confirmado: queda de NDVI também pode ter outras causas.
Dois detalhes metodológicos me chamaram a atenção positivamente. Primeiro, os limiares escolhidos ficaram abertos e documentados, o que permite questionar o critério e refazer a conta se necessário. Segundo, o cuidado semântico: o agente batizou a camada de “possível perda” em vez de cravar “desmatamento”, exatamente a cautela que se espera ao analisar apenas uma diferença de NDVI entre duas datas.
Auditando o raster à mão
Em geoprocessamento, número sem auditoria não entra em relatório. Fui conferir a matemática direto nos arquivos TIF que o agente salvou.
- Contei os pixels classificados na camada de perda: 2.929 pixels de 20 m. Reproduzi a expressão condicional manualmente sobre os dois rasters de NDVI e bati nos exatos mesmos 2.929 pixels.
- Vetorizei o raster de perda e calculei a área geodésica usando o elipsoide WGS 84. Resultado: 116,4 ha, idêntico ao reportado pelo agente.
- A vetorização gerou 336 polígonos. A maior mancha isolada concentra 39,7 ha, quase um terço da perda total mapeada. Apenas 18 polígonos têm 1 ha ou mais; outros 36 ha estão pulverizados em fragmentos menores que 1 ha.
- Olhando para a linha de base em 2024, 19.446 ha do recorte apresentavam NDVI igual ou superior a 0,7, o que representa cerca de metade do bloco analisado.
A aritmética raster estava fechada sem desvios. Restava avaliar a qualidade cartográfica e a interpretação visual do fenômeno.
Prompt 2: o atalho na legenda
Quando abri o compositor de impressão gerado no primeiro passo, notei uma falha clássica de simbologia: a legenda exibia apenas um quadrado preto rotulado como “Sem sinal”, omitindo justamente a classe vermelha de perda. Voltei ao chat e pedi o ajuste:
No layout, a legenda mostra só ‘Sem sinal’ em preto e não mostra a perda. Deixe na legenda apenas a classe ‘Possível perda’ em vermelho.
No layout de impressão, o problema sumiu na hora. Porém, inspecionando a árvore de camadas do projeto, descobri a gambiarra que o agente usou: em vez de filtrar os itens de legenda da própria camada raster original, ele criou uma camada vetorial vazia chamada “Possível perda”, aplicou um preenchimento vermelho a ela e apontou a legenda do layout para esse vetor.
Para exportar um PDF rápido, resolve. Mas do ponto de vista de organização de projeto, não é a prática correta, pois deixa uma camada fantasma sem feições poluindo o painel de camadas para quem for abrir o arquivo .qgz depois.
Prompt 3: a prova dos nove em cor verdadeira
Eu não assino um número de supressão vegetal olhando só para um índice espectral: antes, sempre inspeciono a composição RGB. Passei essa tarefa para o agente no terceiro prompt:
Quero conferir antes de publicar. Carregue as imagens Sentinel-2 em cor verdadeira da estação seca de 2024 e de 2026 e dê zoom na maior mancha de possível perda. O que aparece nas duas imagens nesse lugar?
O agente puxou os mosaicos RGB das duas estações secas para a tela, centralizou o enquadramento no polígono de 39,7 ha e analisou a cena. Na descrição dele, a imagem de 2024 mostrava cobertura escura e esverdeada compatível com vegetação; já em 2026, o mesmo local exibia uma feição escura e acinzentada, “sem aspecto claro de solo exposto ou pasto”. Ele reforçou que a alteração espectral era nítida, mas que não era possível confirmar a causa nem rotular a área como desmatamento.
A leitura dele foi precisa. Inspecionando o par de imagens na tela do QGIS, minha hipótese é que essa mancha maior de 39,7 ha seja uma cicatriz de fogo e não um corte raso, embora essa seja apenas uma interpretação visual minha na resolução de 20 m, sem validação de campo. Por outro lado, observando as feições lineares estreitas a oeste da área, o padrão espacial acompanha ramais abertos no interior do maciço florestal, o que lembra mais exploração madeireira ou abertura de acesso do que um corte raso.
O viés oculto na linha de base de 2024
Colocar as duas composições RGB lado a lado revelou um fator ambiental que as estatísticas globais do raster já insinuavam. A cena de 2024 inteira está mais opaca, coberta por um véu azulado característico de fumaça: 2024 teve seca forte e muitas queimadas na Amazônia. As áreas de pasto aparecem em tons rosados, muito secas. Em contraste, a cena de 2026 mostra uma paisagem com muito mais vigor fotossintético.
Os números confirmam. O NDVI médio de todo o quadrado de estudo subiu de 0,57 em 2024 para 0,67 em 2026. Enquanto 333 ha sofreram queda de NDVI de 0,2 ou mais no período, 6.122 ha registraram aumento de 0,2 ou mais.
Isso tem uma implicação direta no mapeamento: usar um ano seco e enfumaçado como referência derruba o NDVI inicial da vegetação. Uma borda de floresta que já estava sob estresse hídrico ou degradada pelo fogo em 2024 pode facilmente ficar abaixo da nota de corte de 0,7. Se ela for derrubada até 2026, a regra do agente não vai capturá-la. Portanto, o filtro adotado pelo agente é conservador, e os 116 ha mapeados devem ser interpretados como um piso mínimo de mudança, não como a perda total real.
Em um fluxo de trabalho de produção para um relatório técnico, essa constatação me faria trocar 2024 por outro ano de referência mais limpo, montar uma série temporal mais longa e cruzar os polígonos gerados com as máscaras oficiais do PRODES e do DETER do INPE.
Os limites práticos que encontrei
Ao longo da sessão, anotei onde o agente esbarrou ou exigiu intervenção humana:
- A legenda do layout saiu quebrada no primeiro comando e exigiu um prompt exclusivo de correção.
- A solução aplicada para consertar a legenda foi criar uma camada vetorial vazia como muleta gráfica, em vez de configurar as propriedades da camada raster.
- O quadro de mapa no compositor de impressão não teve as camadas travadas. Quando o terceiro prompt carregou os mosaicos RGB na tela principal, o layout herdou a mudança e escondeu o mapa de perda. Tive que reativar a visualização das camadas corretas manualmente antes de exportar a imagem final.
- O uso de composições medianas de três meses (julho a setembro) resolve o problema de nuvens, mas dilui a data exata do evento de supressão.
- A resolução espacial de 20 m não oferece detalhe suficiente para distinguir com segurança cicatriz de incêndio, exploração seletiva e corte raso em fragmentos pequenos.
- O agente não tem contexto histórico prévio para saber sozinho que 2024 foi um ano climaticamente anômalo na Amazônia; cabe ao analista que conhece o território fornecer essa premissa.
Nenhuma dessas limitações comprometeu a exatidão matemática do processamento raster, que bateu pixel a pixel na auditoria. O impacto delas está na leitura ecológica e cartográfica do dado, uma etapa que continua sendo responsabilidade intransferível do profissional de GIS.
Onde está o ganho de produtividade
O valor real da ferramenta aparece na velocidade para chegar ao primeiro rascunho analítico. Em 75 segundos, saí de um projeto em branco para duas medianas livres de nuvens, dois índices espectrais calculados, um raster de diferença, uma máscara binária de mudança e um layout estruturado.
É o tempo economizado nessa preparação braçal que libera o analista para a parte que exige experiência: inspecionar o RGB, perceber a fumaça de 2024, questionar o limiar de 0,7, cruzar os dados com as bases do INPE e tomar a decisão técnica sobre o que vai para o laudo.
Outro ponto fundamental para quem trabalha com rigor técnico é que o plugin não opera como uma caixa-preta. Todo o histórico de ferramentas fica exposto no painel, os rasters intermediários ficam salvos na sua árvore de camadas com nomes claros e qualquer etapa pode ser desfeita. Se você achar o corte de 0,7 alto demais para uma floresta estressada pela seca, basta abrir a calculadora raster no seu projeto e rodar a expressão com o seu próprio limiar.
Para quem acompanha métricas de desempenho de ferramentas desse tipo: em outubro de 2026, o Google Research publicou dois benchmarks geoespaciais para agentes, o GeoKTools e o GeoExpertQueries (artigo do Google no arXiv, perguntas públicas no GitHub). A avaliação foi feita por nós, na TerraLab: rodamos o AI Agent e outros agentes de IA no QGIS sobre as perguntas públicas, com o código de correção do próprio Google, sem alterações. O AI Agent fez 43,8 de 100, a maior nota entre os agentes que testamos. Não é um ranking oficial do Google, que mantém as suas perguntas de teste privadas. A metodologia completa e os resultados estão no nosso artigo sobre o benchmark.
Como testar no seu QGIS
Se você quiser reproduzir exatamente este fluxo de trabalho na sua máquina ou adaptá-lo para a sua área de monitoramento:
- No QGIS 3.28 ou versão mais recente, acesse o menu Complementos > Gerenciar e instalar complementos e busque por AI Agent.
- Instale o plugin, abra o painel lateral e faça o login com o seu e-mail.
- Digite o seu comando em português. O plano gratuito oferece 5 tarefas mensais rodando no nível de esforço Low, exatamente a configuração que usei neste teste em Novo Progresso. O plano Pro conta com 7 dias de teste gratuito.
Para replicar o experimento, basta copiar os três prompts deste texto e substituir Novo Progresso pelo município ou coordenada do seu projeto. Mais informações técnicas estão disponíveis na página do AI Agent.
GUEST POST — Artigo de convidado. O autor, Yvann, é colaborador da TerraLab, desenvolvedora do plugin AI Agent. Opiniões, métodos e resultados são de responsabilidade do autor.