Utilização de modelos digitais de terrenos agrícolas obtidos através

Utilização de modelos digitais de terrenos agrícolas obtidos através de
imagens obtidas por VANTs
Luiz Pedro Petroski, Maria Salete Marcon Gomes Vaz
Departamento de Informática, Universidade Estadual de Ponta Grossa, Ponta Grossa, Paraná,
Brasil, [email protected], [email protected]
RESUMO
Neste artigo será apresentado um estudo de caso com imagens aéreas obtidas por meio de
Veículos Aéreos Não Tripulados (VANT), e a construção de mosaicos para modelos digitais
de terrenos e mapas ortográficos. A justificativa deste trabalho se apresenta na aplicabilidade
dos modelos e mapeamentos obtidos para o aumento de produtividade, gestão de propriedades
e análise de terrenos dentro da agricultura de precisão. Também, possibilita a extração de
dados geomorfológicos presentes na imagem.
PALAVRAS-CHAVE: Veículos Aéreos Não Tripulados, Agricultura de precisão,
Mosaicos.
ABSTRACT
This paper presents a case study of aerial images obtained through Unmanned Aerial Vehicles
(UAV), and building mosaics for digital terrain models and spelling maps. The justification of
this work is presented in the applicability of the models and mappings obtained for increasing
productivity, property management and analysis of land within the precision farm. Also
enables the extraction of geomorphological data present in the image.
KEYWORDS: Unmanned Aerial Vehicles, Precision farm, Mosaic.
INTRODUÇÃO
O processo para obtenção de imagens aéreas é fundamental para o processo de extração de
informações biofísicas de campos agrícolas. Este processo será realizado por Veículos Aéreos
Não Tripulados (VANTs) ou UAV (abreviação em inglês para Unmanned Aerial Vehicle).
De acordo com (EISENBEISS, 2009) VANTs são veículos aéreos não tripulados,
reutilizáveis e controlados, sendo que estes veículos podem voar de forma autônoma,
semiautônoma ou manualmente, guiados por controle remoto.
Uma das vantagens da utilização de VANTs, é a capacidade de adquirir imagens ou
filmagens em tempo real e envia-las para uma estação de controle, onde pode-se aplicar
métodos para melhorar a qualidade das imagens capturadas, seja por sobreposição de
imagens, reposicionamento, repetição do procedimento, entre outros.
Outra vantagem de VANTs é a redução dos custos operacionais (trajetória de voo e
aquisição de imagem) e custos de aquisição da plataforma de voo (WATTS, 2010). O
processamento das imagens é independente da plataforma de voo.
Algumas desvantagens da utilização de VANTs são encontradas devido a algumas
limitações de peso, cobertura estreita, condições de clima para captura (chuva e vento) e
grande quantidade de dados para o pré-processamento (LIN, 2010).
Apesar das desvantagens, o resultado do voo corresponde a várias imagens, que
podem ser processadas em uma única imagem ortográfica. Segundo (WOLF; DEWITT,
2000), uma imagem ortográfica é de extrema importância para SIGs (Sistema de Informações
Geográficas), por ser facilmente manuseada e analisada visualmente. Um plano ortográfico
contém várias informações que podem ser extraídas, constituindo uma base de dados
geográfica.
A partir das imagens aéreas capturadas por um VANT, em um determinado campo
agrícola, são extraídas características geomorfológicas da área. Estas imagens serão
processadas por um conjunto de ferramentas que realizam a junção de vários arquivos em
uma imagem ortográfica da área. Estes panoramas ortográficos construídos podem ser
chamados de Modelos Digitais de Terrenos.
As imagens aéreas são classificadas em verticais ou oblíquas (Figura 1). As verticais
possuem um ângulo de 90º em relação ao solo. Enquanto que as imagens que possuem alguma
inclinação diferente da anterior, são classificadas como obliquas, podendo ser alto e baixo
obliquas. Sendo a primeira mostrando o horizonte, e a segunda não o mostrando.
Figura 1- Geometria das fotografias:
(a) Vertical; (b) baixo-obliqua; (c) alto-obliqua; e (d) par convergente. (TOMMASELLI, 2009)
Por meio das imagens verticais do terreno como visto na figura 1-a é possível extrair
informações geométricas do terreno pelas características da câmera e distância do solo, as
quais são utilizadas para a construção do modelo digital do terreno.
A utilização de VANTs tem se apresentado como uma ferramenta promissora na
agricultura de precisão (Zhang e Kovacs 2012). Permitindo o gerenciamento eficiente dos
recursos com aplicações em locais específicos, evitando o desperdício.
A proposta é apresentar um estudo de caso sobre o mapeamento aéreo com imagens de
VANTs, visando a obtenção de um mosaico de mapeamento e processamento para a extração
de informações geomorfológicas relevantes do cultivo na área sobrevoada.
MATERIAL E MÉTODOS
Para a verificação do estudo de caso foi utilizado uma base pública de imagens aéreas (Seneca
dataset, 2015) sob a licença Open Data Commons Open Database License (ODbL), a qual
permitiu o uso para análise e processamento das imagens como descrito na figura 2.
Figura 2: Metodologia
Fonte: O autor
A
figura 2 mostra que as imagens foram retiradas de uma base pública, e em seguida
realizado um pré-processamento de aplicação de um filtro, onde para a construção do mapa
foram processadas todas as imagens, e selecionado uma região para a classificação por cor.
A área total de cobertura das imagens é de aproximadamente 45 ha (Seneca dataset,
2015), onde gerou-se o mosaico (ortofoto). Para a extração de dados geoespaciais utilizou-se
um retângulo de aproximadamente 110 m de largura por 91 m de altura (aproximadamente 1
ha), selecionado de acordo com características interessantes para a análise da cobertura
vegetal.
Para o processamento, foi utilizado um ambiente com sistema operacional Windows:
Notebook Asus, core i5 4210U, 1,7 GHz, 8 GB de RAM e 1 TB de HD, Windows 8.1. E
outro ambiente Linux: Notebook Asus, core i5 4210U, 1,7 GHz, 8 GB de RAM e 1 TB de
HD, Debian 8.
As imagens passaram por um pré-processamento de aplicação do filtro passa-alta de
maneira a ressaltar os detalhes espaciais e se obter um melhor resultado.
Para a criação dos modelos digitais de terrenos foram utilizadas as seguintes
ferramentas: Open Drone Maps (ODM, 2015) e Siscob (Sicob, 2015). As duas ferramentas
possuem licenças gratuitas, sendo a primeira de código aberto. Para a visualização das
imagens ortográficas foi utilizado o Software MeshLab, com licença GNU General Public
License version 2.0 (GPLv2). As escolhas foram baseadas em softwares de licença livre e
preferencialmente de código aberto, no caso do ODM (Open Drone Maps), possibilitando a
personalização e adequação em futuros projetos.
ODM é um conjunto de ferramentas e scripts, que são utilizados para o pósprocessamento das imagens e formação do mosaico ortográfico da área. Foram processadas as
imagens do Seneca dataset como entrada para o ODM. A instalação da ferramenta foi
realizada em ambiente Linux, sendo executada pelo script que realiza verificações e instalação
de dependências. O processamento é realizado por linha de comando no diretório das
imagens, do script run.pl.
A Ferramenta SisCob, é uma ferramenta para ambiente Windows, utilizada para a
segmentação por cor, para distinguir as diferentes características geográficas da imagem.
Após a instalação e configuração da ferramenta, carrega-se a imagem a ser segmentada,
adicionando-se às classes desejadas como na (Figura 3).
Figura 3: Segmentação por cor
Fonte: o autor
Na figura 3 tem-se as classes de solo exposto (áreas brancas), plantação com menor
desenvolvimento (áreas mais claras) e com melhor desenvolvimento (áreas mais escuras).
A ferramenta utiliza a técnica de rede neural para o processamento das classes de
segmentação por cor. A imagem será classificada de acordo com os padrões definidos
anteriormente.
RESULTADOS E DISCUSSÃO
A Ferramenta ODM permitiu a criação de um modelo digital do terreno. Um mapa atualizado
que pode ser visualizado e manipulado como apresentado na Figura 4.
Figura 4: Ortofoto gerado pelo ODM
Fonte: O autor
Pela figura 4 pode-se notar o resultado do processamento, uma vez que as imagens
foram sobrepostas e combinadas. Também, se nota algumas falhas, ocasionadas por pouca
sobreposição, onde o software não “costurou” de forma adequada a ortofoto.
A análise de cobertura do solo foi realizada em uma região da plantação selecionada
(figura 5) com características de níveis diferenciados do desenvolvimento.
Figura 5- Imagem original
Fonte: (Seneca dataset, 2015)
A Ferramenta Siscob permitiu a análise de cobertura do solo visto na figura 5, que
utiliza uma rede neural composta pelas classes de solo exposto, maior desenvolvimento e
menor desenvolvimento. Pode ser observado o resultado do processamento na Figura 6.
Figura 6 – Imagem classificada no software Siscob
Fonte: O autor
Com a análise das classes de classificação por cor da área selecionada, resultou como
visto na figura 6, que 1,43% da imagem é de solo exposto, uma área com 32, 29% da região
com um menor desenvolvimento, e os demais 66,28% da plantação com o melhor
desenvolvimento.
CONCLUSÕES
VANTs de pequeno porte possuem um ótimo custo benefício, levando em consideração o
baixo custo de aquisição, e o mapeamento realizado em tempo real e atualizado de áreas
agrícolas.
Com a utilização das ferramentas estudadas, concluiu-se que estas podem dar suporte
a agricultura de precisão, oferecendo a possibilidade da criação de modelos digitais dos
terrenos e a extração de informações geoespaciais.
O mapa digital do terreno possui alta resolução da imagem, e alta resolução temporal.
As informações geoespaciais retiradas das imagens permitem a aplicação da
agricultura de precisão, ou seja, o gerenciamento de recursos de forma eficiente, evitando
desperdícios, e atendendo as necessidades específicas de cada local.
Um pequeno impasse encontrado para a utilização desta tecnologia seriam grandes
áreas, onde o VANT não tem autonomia para cobertura total, sendo necessária a subdivisão
da captura de imagens em etapas por subáreas.
AGRADECIMENTOS
À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pelo apoio
financeiro.
REFERÊNCIAS
EISENBEISS, H. VANT Photogrammetry. Zurich, University of Technology. Dresden.
Doctor of Sciences: 237, 2009.
LIN, J., et al. Practical Application of Unmanned aerial Vehicles for MountainHazards
Survey. 18th International Conference of Geoinformatics. IEEE, 2010.
MESHLAB.
MeshLab
documentarion.
2015.
Disponível
<http://sourceforge.net/p/meshlab/wiki/Home/> Acesso em 15 jun. 2015.
em:
OPEN DRONE MAP. Open Drone Map ODM. 2015. Disponível
<https://github.com/OpenDroneMap/OpenDroneMap> Acesso em 15 jun. 2015.
em:
Seneca dataset. Seneca dataset - from Ohio Department of Transportation. 2015. Disponível
em: <https://github.com/OpenDroneMap/odm_data_seneca> Acesso em 15 jun. 2015.
SISCOB.
SisCob
Manual
de
utilização.
2015.
Disponível
<http://www.cnpdia.embrapa.br/publicacoes/LI04_2009.pdf> Acesso em 15 jun. 2015.
em:
TOMMASELLI, A. M. G. Fotogrametria Básica. [S.l.]: UNESP - Universidade Estadual
Paulista, 2009.
WATTS, A., C. et al. Small Unmanned Aircraft Systems for Low-Altitude Aerial Surveys.
Journal of Wildlife Management vol. 74(7):1614–1619, 2010.
WOLF, P. R. AND B. A. DEWITT. Elements of Photogrammetry: With Applications in Gis.
McGraw-Hill Companies, 2000.
Zhang, C., & Kovacs, J. M. The application of small unmanned aerial systems for precision
agriculture: A review. Precision Agriculture, 13, 693–712, 2012.