Google mapeia telhados de 50 cidades para reduzir o calor

As mortes por calor extremo já passam de 500 mil por ano, e boa parte disso é agravada por um fator que dá para medir e corrigir: a cor do telhado. Em 30 de junho, o Google Research anunciou a expansão de um conjunto de dados sobre reflexividade de telhados para mais de 50 cidades no mundo, incluindo São Paulo e Rio de Janeiro. O albedo é a medida de quanto uma superfície reflete a luz solar em vez de absorvê-la, e é exatamente esse dado, agora disponível em alta resolução, que orienta prefeituras a decidir onde vale a pena investir em telhados reflexivos. Se você pesquisa clima urbano, sensoriamento remoto ou políticas públicas, esse tipo de ferramenta aberta é material de referência direto para o seu trabalho.

O que aconteceu

O efeito de ilha de calor faz áreas metropolitanas esquentarem no dobro da média mundial, e materiais escuros como asfalto e telhados pretos são grande parte do problema. O Google já tinha testado essa abordagem em 2024, com um piloto em 14 cidades: forneceu dados de reflexividade de telhado para que gestores identificassem bairros vulneráveis e decidissem onde telhados frios trariam mais redução de temperatura. Esse piloto já resultou em ações concretas em algumas cidades, como leis específicas sobre telhados frios e planos de adaptação climática.

Agora a equipe publicou o artigo “Estimating high-resolution albedo for urban applications” na Nature Communications, detalhando a metodologia usada para mapear a reflexividade em escala de edifício, não de bairro. E lançou uma expansão do banco de dados, cobrindo mais de 50 cidades em 9 países, incluindo Londres, Barcelona, Los Angeles, Nova York e as duas metrópoles brasileiras.

O ponto técnico é interessante: dados de satélite abertos (Sentinel-2) têm resolução de 10 metros, insuficiente para distinguir um telhado do outro. A equipe combinou esses dados com imagens de satélite comercial de 30 centímetros (Airbus Pléiades Neo), usando modelos de aprendizado de máquina e calibração radiométrica para reconstruir o perfil espectral de cada pixel urbano. A validação contra medições aéreas hiperespectrais em Boulder, no Colorado, mostrou erro médio quadrático de apenas 0,04 em relação ao dado de referência no solo.

Por que isso importa pra você

Se você trabalha com dados geoespaciais, clima urbano ou política pública, esse tipo de release muda o que está ao seu alcance sem precisar de infraestrutura própria de satélite.

1. Se você pesquisa clima urbano ou geografia: o Heat Resilience Earth Engine App é gratuito e público. Dá para explorar a reflexividade de telhados cidade por cidade sem processar imagem de satélite bruta, o que exigiria infraestrutura própria de processamento de imagem de satélite.
2. Se você trabalha com políticas públicas ou planejamento urbano: o dado é granular a ponto de apontar edifícios específicos, não só bairros inteiros. Isso muda o tipo de recomendação que se pode fazer numa dissertação ou num relatório técnico: de “essa região precisa de intervenção” para “esses prédios são prioridade”.
3. Se você está montando metodologia de pesquisa que usa dados de satélite: o próprio artigo na Nature Communications descreve o processo de fusão de imagens de resoluções diferentes, um problema comum em sensoriamento remoto que vai muito além do tema de calor urbano.

O que essa combinação de dados ensina sobre uso de IA na ciência

Uma coisa que me chama atenção nesse tipo de projeto é como ele ilustra bem o que muda quando IA entra numa pesquisa aplicada: o ganho não é substituir o dado de satélite, é combinar fontes que sozinhas não bastavam. O Sentinel-2 sozinho tem cobertura global, mas resolução grosseira. A imagem comercial sozinha tem detalhe, mas cobertura limitada e custo alto. O modelo de aprendizado de máquina entra exatamente na lacuna entre as duas.

Isso é diferente do uso de IA generativa que a gente costuma discutir aqui no blog, aquela que ajuda a escrever ou revisar texto. Aqui a IA está processando sinal, não linguagem, e o resultado é auditável: dá para comparar o mapa gerado contra medição real no solo e calcular o erro, como fizeram em Boulder. Se você está pensando em usar IA em algum ponto do seu método, essa é uma boa régua: quanto mais você consegue validar o resultado contra um dado independente, mais sólido fica o seu argumento metodológico.

Vale registrar também que essa é uma pesquisa desenvolvida pelo Google em colaboração com o World Resources Institute, e publicada como release da própria empresa. Isso não invalida o resultado, que passou por revisão em periódico com peer review, mas vale ler com essa lente: é o Google contando o próprio resultado, com todo o interesse institucional que isso implica em torno da adoção do Google Earth AI.

Próximos passos

Se esse tema toca a sua pesquisa, aqui vão algumas ações concretas:

1. Acesse o Heat Resilience Earth Engine App e explore os dados de albedo da sua cidade, se ela estiver na lista.
2. Leia o artigo “Estimating high-resolution albedo for urban applications” na Nature Communications, se você trabalha com sensoriamento remoto: a metodologia de fusão de imagens é reaproveitável para outros problemas.
3. Se você usa dados de satélite em algum projeto, cheque se existe uma fonte aberta equivalente pro seu tema antes de assumir que precisa coletar dado próprio.
4. Documente, na sua metodologia, como você valida qualquer estimativa gerada por modelo contra um dado de referência independente. É esse tipo de cuidado que separa uma ferramenta de IA usada com rigor de uma usada só porque “todo mundo está usando”.

Para quem quer entender melhor como calibrar o uso de inteligência artificial dentro de um projeto de pesquisa sem perder rigor metodológico, vale a leitura de Gemini Nano acelera 50% no Pixel. O que isso ensina sobre IA.

Fonte: Expanding our heat resilience data to 50 global cities, Google Research