Como dois devs de Cuiabá transformaram imagens do SPHEREx em um time-lapse do céu e mediram o movimento de estrelas próximas contra o Gaia.
Piscar duas fotos
Em 1930, Clyde Tombaugh achou Plutão alternando duas fotos da mesma região do céu, tiradas com dias de diferença. As estrelas ficavam paradas; um pontinho pulava. A técnica tem nome até hoje: blink comparison.
No fim de semana de 14 e 15 de novembro, eu e o Francisco fizemos a mesma coisa, só que com imagens infravermelhas do SPHEREx, telescópio da NASA lançado em 2025. O resultado é o SkyBlink: você escolhe um ponto do céu e ele toca as imagens reais daquela região, temporada por temporada, como um pequeno vídeo.
Na demo, a Estrela de Barnard desliza diante de um fundo parado. O SkyBlink mediu 10,47 ± 0,34 segundos de arco por ano; o catálogo, com dados do Gaia, prevê 10,65 para as mesmas datas. Uma diferença de 1,7%, dentro da barra de erro.
Mas o número não é a parte de que mais me orgulho. A parte difícil foi fazer a ferramenta dizer quando a imagem não merece confiança. É disso que este post trata.
Ferramenta: https://skyblink-swart.vercel.app
Repositório: https://github.com/carvalhocaio/skyblink
O desafio e o dado
O desafio Planet X and SPHEREx, do NASA Space Apps Challenge 2026, pedia uma ferramenta web pública para explorar imagens do SPHEREx e perceber como o céu muda ao longo do tempo. A inspiração declarada era o WiseView, que faz o mesmo com o telescópio WISE.
O SPHEREx mapeia o céu inteiro em 102 faixas de comprimento de onda no infravermelho, a cada seis meses. Isso significa muita imagem, e cada uma chega como um arquivo FITS com várias camadas:
| Extensão | O que guarda | Por que importa |
|---|---|---|
IMAGE | o brilho medido em cada pixel | é a foto em si |
VARIANCE | a incerteza de cada pixel | define o peso de cada exposição no empilhamento |
FLAGS | bits de problema por pixel (quente, saturado, satélite…) | separa defeito do instrumento de sinal real |
ZODI | o brilho estimado da luz zodiacal | uma "névoa" do Sistema Solar que precisa sair antes de comparar |
PSF | o formato de uma estrela pontual | útil para modelar fontes |
Como engenheiro de dados, a primeira coisa que me chamou atenção foi que a imagem sozinha não é o dado. Sem a variância e as flags, um pixel quente vira estrela e uma diferença de filtro vira "variação". É como avaliar a qualidade de um fardo de algodão olhando só a cor: sem o laudo de HVI, você não sabe o que está vendo.
O pipeline, visto por um engenheiro de dados
O backend é FastAPI com Python 3.12, separado em domínio, adaptadores e serviços. São cerca de 3 mil linhas e 117 testes. O caminho de um pedido é este:
- Descoberta: consulta o serviço SIA2 do arquivo IRSA nas duas coleções do SPHEREx e junta os resultados.
- Temporadas: agrupa as exposições onde houver um intervalo de mais de 30 dias.
- Recortes: baixa só um pedaço pequeno em volta do alvo de cada exposição, com retry para os 503 frequentes do arquivo, e guarda em cache compacto (~4 MB viram ~0,19 MB).
- Limpeza: subtrai a luz zodiacal, remove o fundo local e mascara pixels ruins.
- Empilhamento: reprojeta tudo numa grade comum de 6,15" por pixel e combina com média ponderada pela variância.
- Renderização: uma escala de brilho por detector, fixada no primeiro quadro, para os quadros serem comparáveis.
- Alertas e movimento: mede a posição do alvo em cada temporada e compara com o catálogo.
A temporada funciona como a safra: o SPHEREx passa pela mesma região algumas vezes em poucas semanas e depois só volta meses depois. O agrupamento é simples de propósito:
SEASON_GAP_DAYS = 30.0 def group_into_seasons(exposures: Iterable[Exposure], gap_days: float = SEASON_GAP_DAYS) -> list[Season]: ordered = sorted(exposures, key=lambda e: e.mjd) groups: list[list[Exposure]] = [] for exposure in ordered: if groups and exposure.mjd - groups[-1][-1].mjd <= gap_days: groups[-1].append(exposure) else: groups.append([exposure]) return [Season(id=index, exposures=tuple(group)) for index, group in enumerate(groups)] Uma decisão que me poupou horas: não fixar os bits das flags no código. Cada arquivo FITS descreve os próprios bits no cabeçalho, em pares de cartões MSKNnnnn (nome) e MSKMnnnn (máscara). O código lê essa tabela a cada arquivo:
_NAME_CARD = re.compile(r"^MSKN(\d{4})$") def parse_flag_bits(header: Mapping[str, object]) -> dict[str, int]: bits: dict[str, int] = {} for key in header: match = _NAME_CARD.match(key) if match: plane = match.group(1) bits[str(header[key]).strip()] = int(header.get(f"MSKM{plane}", 1 << int(plane))) return bits O empilhamento é onde o ruído cai. Cada exposição pesa pelo inverso da variância, e, com pelo menos 5 exposições, valores a mais de 4 desvios robustos (MAD) são rejeitados antes da média. É isso que apaga raios cósmicos e satélites.
O resto é engenharia de dados de sempre: cache de descobertas com validade de 24 h, resultados persistidos por versão do pipeline, um semáforo global de downloads e um teto de 8 GB no cache de recortes. Isso salvou a demo: com o IRSA fora do ar, os cinco alvos do desafio continuavam abrindo em menos de um segundo.
Conferindo com o Gaia
Uma animação bonita não prova nada. Para cada alvo, o SkyBlink mede o centro da estrela em cada temporada, corrige a posição usando estrelas de referência do fundo e compara com a previsão do catálogo (SIMBAD, com astrometria do Gaia) nas mesmas datas, incluindo a paralaxe anual.
Os cinco alvos do desafio, no detector D6 (4,41-5,01 µm):
| Alvo | Medido (″/ano) | Previsto (″/ano) | Diferença |
|---|---|---|---|
| Estrela de Barnard | 10,47 ± 0,34 | 10,65 | −0,53σ |
| Epsilon Indi B | 4,67 ± 0,38 | 4,10 | +1,52σ |
| RW Aurigae | 0,49 ± 0,62 | 0,03 | +0,75σ |
| WISE 0855−0714 | não reportado (sinal fraco demais) | – | – |
| R Draconis | não reportado (núcleo saturado) | – | – |
Três detalhes fizeram diferença:
- A paralaxe muda a resposta. Para Epsilon Indi B, o movimento próprio sozinho daria 4,68"/ano; nas datas observadas, a previsão correta é 4,10. Comparar com o número "de tabela" faria nosso resultado parecer perfeito (4,67 contra 4,68), por pura coincidência.
- A barra de erro tem duas partes. Um bootstrap com 200 reamostragens das exposições dá o erro estatístico; as estrelas de referência dão o erro de alinhamento. Os dois entram em quadratura.
- O resultado não depende do recorte. Barnard medido com campos de 6', 15' e 30' deu 10,47, 10,53 e 10,45"/ano, todos dentro de 1σ entre si.
E nem tudo saiu certo de primeira. A primeira versão usava o meio do intervalo da temporada como data, em vez da média das datas das exposições empilhadas, o que enviesava a taxa. Epsilon Indi B chegou a sair longe do previsto, porque uma estrela de referência ruim puxava o alinhamento e o erro estava subestimado. A correção foi rejeitar referências discrepantes com um critério robusto e somar o erro de alinhamento. Foram cinco versões de pipeline até aqui.
O que a ferramenta se recusa a afirmar
Esta é a parte de que mais gosto. Uma diferença entre duas imagens não explica a própria causa, então o SkyBlink mostra alertas ao lado do vídeo, sem cobri-lo:
| Alerta | Quando aparece |
|---|---|
NO_COVERAGE | o SPHEREx ainda não tem imagens da região |
SINGLE_SEASON | só há uma temporada, então não há movimento para mostrar |
FEW_EXPOSURES | o quadro combina poucas exposições e pode parecer ruidoso |
SATURATED_CORE | a estrela é brilhante demais: a posição é visível, o brilho não é medido |
ALIGNMENT_DRIFT | as estrelas de fundo se deslocam mais de 0,2 pixel: a mudança pode ser de alinhamento |
O alerta de saturação é um bom exemplo de como uma regra ingênua engana. A primeira versão marcava saturação se qualquer exposição saturasse perto do alvo, e disparava em 8,5% a 12,5% dos quadros sem estrela brilhante nenhuma. Pixels isolados marcados como saturados aparecem em cerca de 1 a cada 2.000 pixels; com dezenas de exposições, algum sempre cai no centro. A regra atual exige repetição:
SATURATED_CORE_MIN_FRACTION = 0.25 SATURATED_CORE_MIN_EXPOSURES = 2 def is_saturated_core(saturated_exposures: int, n_exposures: int) -> bool: return ( saturated_exposures >= SATURATED_CORE_MIN_EXPOSURES and saturated_exposures >= SATURATED_CORE_MIN_FRACTION * n_exposures ) Com ela, os falsos alarmes ficam abaixo de 0,06%, e estrelas realmente saturadas continuam saturando em 100% das exposições.
O movimento também é recusado quando a medida é fraca: sinal/ruído abaixo de 10, poucas exposições, menos de duas temporadas ou menos de três estrelas de referência consistentes. A resposta diz o motivo. Para WISE 0855, a anã marrom mais fria conhecida, o sinal/ruído na primeira temporada foi 3. "Dados insuficientes" é uma resposta legítima.
Três limites ficaram documentados no README:
- Brilho não é variabilidade. O SPHEREx usa filtros lineares variáveis: dentro de uma faixa, cada exposição vê um comprimento de onda um pouco diferente, e cada temporada mistura essas exposições em proporções diferentes. Uma estrela pode "mudar de brilho" só por isso.
- A barra de erro cobre ruído e alinhamento, mas não deslocamentos de centro causados por cor.
- Objetos rápidos somem. Cada quadro empilha semanas de exposições; asteroides e cometas se movem durante o empilhamento e são rejeitados como valores discrepantes.
E o Planet X? Pela mesma razão, um planeta distante não apareceria como um pontinho deslizando. A uma distância d em UA, a paralaxe da órbita da Terra o desloca cerca de 3.550/d segundos de arco por dia, e entre temporadas opostas ele salta cerca de 2/d radianos: uns 14 minutos de arco a 500 UA, bem fora de um recorte de 6′. O SkyBlink foi feito para movimentos lentos, como estrelas próximas e anãs marrons. Dizer isso com clareza também faz parte da ferramenta.
Como trabalhamos
Somos dois, o time Capivaláxias, de Cuiabá. Eu fiquei com o backend e os dados; o Francisco, com a interface em Next.js, incluindo o player, o modo em português e um modelo 3D do telescópio. Em ~54 commits, de sábado de manhã a domingo à noite, o contrato da API foi a fronteira entre nós: ele desenvolveu contra um mock enquanto o pipeline ficava pronto.
Três decisões de escopo seguraram o projeto:
- Escopo em níveis. O nível 1 era um detector, três quadros de Barnard e um link compartilhável. Os demais detectores, o movimento medido e os alertas de alinhamento só vieram depois que o nível 1 estava no ar.
- Dado real antes de código. Nenhum formato foi assumido a partir da documentação: cada decisão sobre cabeçalhos e extensões foi conferida contra respostas reais do IRSA antes de virar código.
- Submissão de segurança. Enviamos uma versão funcional no domingo à tarde e só depois partimos para o vídeo.
Sobre IA, com a mesma transparência do README: o código do backend e da interface foi escrito com o Claude Code, a partir das nossas especificações e com revisão nossa, e a narração do vídeo foi gerada com o ElevenLabs. A IA acelerou muito a escrita de código. Não decidiu o que medir, não escolheu os critérios dos alertas e não aceitou um resultado sem a comparação com o Gaia. Esse papel continuou sendo nosso.
Fechando
Plutão foi achado piscando duas fotos de vidro. Quase cem anos depois, piscar imagens continua sendo uma ótima forma de ver o céu mudar. A diferença é que agora dá para dizer, com números, quando o que o olho vê é movimento e quando é o instrumento.
Se quiser testar, abra a Estrela de Barnard, aperte play e veja ela andar. Depois troque para qualquer coordenada.
- Ferramenta: https://skyblink-swart.vercel.app/
- Código: https://github.com/carvalhocaio/skyblink
- Desafio: https://www.spaceappschallenge.org/2026/challenges/planet-x-and-spherex/
Dados do SPHEREx: NASA/IPAC Infrared Science Archive (IRSA). Astrometria: SIMBAD (CDS) e Gaia (ESA).
