Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
Variaccedilotildees de MDTs gerados a partir de dados LiDAR Estudo comparativo entre
diferentes classificadores
Carlos Alberto Silva1
Veraldo Liesenberg2
Carine Klauberg1
Andrew Hudak3
Robert Liebermann3
Luiz Carlos Estraviz Rodrigues1
1 Universidade de Satildeo Paulo - USPESALQ
Caixa Postal 96 - 13416-000 - Piracicaba - SP Brasil
carlos_engflorestalyahoocombr
carine_klauberghotmailcom
lceruspbr 2 Freiberg University of Mining and Technology - TUBAF
Bernhard-von-Cotta-Str 2 - 09599 ndash Freiberg (Sachsen) Germany
veraldogmailcom 3 Rocky Mountain Research Station- USDA Forest Service
1221 South Main Street ndash 83843 Moscow - Idaho USA
ahudakfsfedus
rjlmailru
Abstract Automatic cloud point classification of airborne LiDAR (Light Detection and Ranging) data into
ground and non-ground points is an important step for both ecological and forest management analysis We
evaluated three freeware filtering algorithms for ground classification Our study area is located in western
Washington State (USA) The area contains different land use classes ranging from bare soil to shrubland log
forest and dense forest We compare the different ground classification results each other and faced it with a
topographic map The high point density of the LiDAR dataset (gt4 pointsm2) brought us good classification
results based on RSME CV and MAE Elevation profiles encompassing different land use types did not show
significant contribution of vegetation Since the forest is managed less contribution were found from the
understory stratum and the ground floor level However some outliers were found in abrupt topographic
changes requiring therefore manual edition Further investigation should take into account the relief changes at
different land use types and evaluate the impact of the topography on the extraction of individual trees
Palavras-chave ALS LiDAR remote sensing MDT MDE forest management ground classification
1 Introduccedilatildeo
O LiDAR (Light Detection and Ranging) eacute um sistema ativo que nos uacuteltimos anos tem
sido umas das priacutencipais tecnologias do sensoriamento remoto aplicadas na representaccedilatildeo de
superfiacutecies (Hodgson et al 2004 Hudak et al 2009 Pacheco et al 2011) O princiacutepio de
funcionamento desta tecnologia consiste na emissatildeo de um pulso laser que apoacutes interagir com
um objeto na superfiacutecie terrestre retorna para o sensor em um dado intervalo de tempo A
diferenccedila de tempo entre a emissatildeo e recepccedilatildeo permite reproduzir feiccedilotildees da superfiacutecie do
terreno e das estruturas verticais presentes na superfiacutecie terrestre (NOAA 2008)
O modelo digital de terreno (MDT do inglecircs Digital terrain model (DTM)) eacute uma
representaccedilatildeo da superfiacutecie livre de objetos ou seja solo nu Dentre as suas principais
aplicaccedilotildees nas geociecircncias destacam-se a delimitaccedilatildeo de bacias hidrograacuteficas e extraccedilatildeo de
hidrografia anaacutelises geoloacutegicas determinaccedilatildeo do comprimento e inclinaccedilatildeo de rampa na
modelagem do potencial erosivo dos solos planejamento de estradas terraplenagem e entre
outros usos (Reutebuch et al 2005) A geraccedilatildeo automaacutetica de MDTs tecircm sido foco de
inuacutemeros estudos utilizando a tecnologia LiDAR (Tinkham et al 2011) No entanto o
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6113
principal desafio a ser atingido para uma fiel representaccedilatildeo do terreno corresponde a uma
eficiente filtragem da nuvem de pontos correspondentes ao solo nu No entanto a distinccedilatildeo
entre o solo e as demais feiccedilotildees eacute um enorme desafio dependendo das caraceriacutesticas naturais
da aacuterea (Meng et al 2010) Alguns dos principais meacutetodos de filtragem da nuvem de pontos
referente ao solo nu podem serem encontrados em Briese et al 2001 Kraus e Pfeifer 1998
2001 Evans e Hudak 2007 e Tinkham et al 2011
Diante desta temaacutetica o principal objetivo deste trabalho foi o de comparar a geraccedilatildeo de
MDTs provenientes de diferentes filtros de classificaccedilatildeo do solo de acesso livre Aleacutem da
comparaccedilatildeo entre si procedeu-se uma comparaccedilatildeo dos resultados com cartas topograacuteficas
2 Descriccedilatildeo da aacuterea de estudo
O presente trabalho foi realizado com dados LiDAR disponibilizados no portal do Remote
Sensing Applications Center (RSAC) pertencente ao Serviccedilo Florestal Americano (US Forest
Service) A aacuterea em estudo (Figura 1) citado por McGaughey (2012) e Andersen et al (2005)
estaacute localizada em Capitol State Forest no oeste do estado de Washington (EUA) A floresta eacute
composta por espeacutecies de coniacuteferas incluindo douglas-fir (Pseudotsuga menziessi) hemlock
ocidental (Tsuga heterophylla) cedro-vermelho ocidental (Thuja plicata) incluindo tambeacutem
espeacutecies de madeira resistentes tais como amieiro (Alnus rubra) e plaacutetano (Acer
macrophyllum) A aacuterea de estudo eacute um ambiente aonde pesquisas silviculturais satildeo
desenvolvidas tais como a investigaccedilatildeo dos efeitos causados por diferentes tipos e manejo de
colheita florestal Na aacuterea encontram-se solo exposto campos arbustivos florestas manejadas
com corte seletivo e florestas com vegetaccedilatildeo densa
Figura 1 Detalhe da aacuterea de estudo no contexto nacional (A) fotografia aeacuterea ortoretificada
da Capitol Forest com detalhe a seleccedilatildeo de dois perfis para futura anaacutelise da elevaccedilatildeo (B) e
visualizaccedilatildeo 3D de uma aacuterea selecionada (retacircngulo amarelo) da aacuterea de estudo com dados
aerotransportados LiDAR (C) Fonte Washington State Department of Natural Resources
Segundo Andersen et al (2005) o sobrevocirco LiDAR foi realizado na primavera de 1999
utilizando sensor de retorno discreto com um estreito campo de visada O sistema ldquoSaab
TopEyerdquo foi embarcado em um helicoacuteptero que sobrevoou toda a aacuterea de estudo (Figura 1)
Complementarmente a aquisiccedilatildeo LiDAR fotografias ortoretificadas foram adquiridas com
uma resoluccedilatildeo espacial de 30cm (Figura 1) Os dados foram gentilmente cedidos para fins
educacionais pela Washington State Department of Natural Resources (McGaughey
comunicaccedilatildeo pessoal) A Tabela 1 apresenta os paracircmetros de vocirco e as configuraccedilotildees dos
equipamentos utilizados para a aquisiccedilatildeo dos dados LIDAR Para cada retorno foram
incluiacutedos o nuacutemero de pulsos nuacutemero de retorno por pulsos a correspondente localizaccedilatildeo em
X e Y elevaccedilatildeo acircngulo de aquisiccedilatildeo e a intensidade de retorno
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6114
Tabela 1 Especificaccedilotildees dos dados aerotransportados LiDAR e dados gerados
3 Material e Meacutetodos
Os aplicativos usados para a classificaccedilatildeo dos dados LiDAR foram 1) Multiscale
Curvature Classification um aplicativo para classificaccedilatildeo de nuvem de pontos LiDAR
(MCC httpsourceforgenetprojectmccLiDAR Evans e Hudak 2007) 2) GroundFilter
um aplicativo do Fusion (GF httpforsyscfrwashingtonedufusion McGaughey 2012) e
3) LASground um aplicativo do LAStools (LG httpwwwcsuncedu~isenburglastools
Isenburg et al 2006) O pacote MCC foi desenvolvido pela US Forestry Science Rocky
Mountain Research Station enquanto o FusionLDV pelo US Forestry Science Pacific
Northwest Research Station e o LAStools atualmente de forma independente Os dois
primeiros satildeo de livre acesso enquanto que o terceiro eacute limitado para uso gratuito (cerca de 2
milhotildees de pontos)
Os dois uacuteltimos aplicativos fazem parte de um coletacircnea de aplicativos para
processamento de dados LiDAR Os trecircs aplicativos possuem diferente dados de entrada e se
baseiam no princiacutepio de interpolaccedilatildeo da nuvem de pontos do topo para a base Em funccedilatildeo da
alta densidade de pontos por m2 dos dados (Tabela 1) sempre optou-se por selecionar os
criteacuterios mais rigorosos para a extraccedilatildeo dos pontos de solo Apoacutes a determinaccedilatildeo dos pontos
de superfiacutecie para cada meacutetodo de classificaccedilatildeo os dados foram convertidos para uma grade
regular contendo uma resoluccedilatildeo espacial de 1m O meacutetodo de interpolaccedilatildeo usado foi o de
krigagem linear Uma carta topograacutefica gerada a partir de restituiccedilatildeo aerofotogrameacutetrica foi
usada para afericcedilatildeo dos dados LiDAR (Whashington 2012) A mesma possui uma resoluccedilatildeo
espacial de 10m
Os resultados obtidos pela superfiacutecie interpolada de cada um dos trecircs classificadores foi
comparada com os dados da carta topograacutefica Apesar da carta topograacutefica estar mais
relacionada a um modelo digital de elevaccedilatildeo (MDE) a comparaccedilatildeo ainda eacute vaacutelida em funccedilatildeo
da indisponibilidade de mediccedilotildees mais precisas de campo baseadas em GPS diferencial A
comparaccedilatildeo entre os dados obtidos pelos classificadores foi entatildeo comparada estatiacutesticamente
baseados no erro meacutedio quadraacutetico (RMSE Equaccedilatildeo 1) seu coeficiente de variacircncia do erro
meacutedio quadraacutetico (CV Equaccedilatildeo 2) e o erro absoluto meacutedio (MAE Equaccedilatildeo 3)
O yi eacute o valor calculado (dado LiDAR classificado como solo) e xi eacute o valor observado (valor
correspondente da carta topograacutefica) eacute a meacutedia do valor observado e eacute a meacutedia do valor
calculado A Figura 2 mostra o fluxograma de atividades realizado nesse trabalho
Atributos Valores
Altitude de vocirco 200 m
Velocidade de vocirco 25 ms
Largura da faixa imageada 70 m
Campo de imageamento plusmn8 graus
Densidade de pontos 4 pontos msup2
Taxa dos pulsos 7000 pontoss
Maacuteximo retorno por pulso 4
Diacircmetro do feixe 40 cm
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6115
Figura 2 Fluxograma do processamento de dados LiDAR
4 Resultados e Discussotildees
Os trecircs classificadores mostraram resultados similares para a classificaccedilatildeo do solo (Figura
3) Para uma dada classificaccedilatildeo a densidade de pontos que atingiu o solo foi proporcional a
densidade do nuacutemero de aacutervores por hectare (ha) e cobertura de copas Em aacutereas de solo
exposto a densidade foi de 4 pontosm-2
enquanto que em aacutereas de floresta densa inferior a 1
pontom-2
A maior densidade de aacutervores bem como uma maior cobertura de copas faz com
que a maioridade dos pontos LiDAR fique no topo das copas Os resultados corroboram com
a literatura disponiacutevel sobre o tema em ambientes diversos (Ribas 2010 Pacheco et al
2011)
A) B) C) N
Figura 3 Representaccedilatildeo tridimensional das classificaccedilotildees gerados pelo Fusion (A) Lastools
(B) e MCC (C)
A geraccedilatildeo dos MDTs por meio do interpolador krigagem foram similares para os
diferentes classificadores (Figura 4) Isso foi devido a relativa similaridade da densidade dos
pontos em cada grupo vegetational (Figura 3) Uma anaacutelise dos perfis de elevaccedilatildeo (Figura 1B)
natildeo mostraram maiores efeitos resiacuteduais da vegetaccedilatildeo apoacutes as classificaccedilotildees (Figura 5) A
adequada filtragem dos pontos de solo estaacute certamente relacionada ao fato dos algoritmos
terem sido desenvolvidos para ambientes similares ao usado nesta investigaccedilatildeo Ainda pela
alta densidade de pontos LiDAR Uma maior densidade de pontos LiDAR em aacutereas vegetadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6116
favorece a maior probabilidade de um ponto atingir a superfiacutecie do solo Por se tratarem de
aacutereas manejadas o sub-dosel da floresta eacute em geral menos denso do que observado em aacutereas
sem manejo bem como em florestas tropicais Esse aspecto favorece a menor probabilidade
dos pontos terem atingido a vegetaccedilatildeo arbustiva ou mesmo sobre troncos caiacutedos no interior da
floresta (Figura 5)
A) B)
C)
N
Figura 4 Representaccedilatildeo tridimensional dos MTDs gerados pelas classificaccedilotildees em Fusion
(A) Lastools (B) e MCC (C) Exagero vertical 375 cm
A1)
B1)
C1)
A2)
B2)
C2)
Elev
accedilatildeo
(m
)
Distacircncia (m) Figura 5 Perfis topograacuteficos gerados pelo DTMs Fusion (A) lastools (B) e MCC (C) Os
nuacutemeros apoacutes as letras indicam a posiccedilatildeo das transeccedilotildees em projeccedilatildeo UTM (Figura 1B) a
saber 1) Leste-Oeste (p1=48732501 518951050 p2=48863065 518951050 e 2) Norte-Sul
(p3=48799574 519004402 p4= 48799574 518912030)
A comparaccedilatildeo do desempenho entre classificadores pelo meacutetodo da diferenccedila simples
(Figura 6) revelou uma dissimilaridade entre os resultados da classificaccedilatildeo obtidos pelo MCC
(Figuras 6A 6B) aos obtidos pelos meacutetodos Lastools e Fusion (Figura 6C) Os dois uacuteltimos
revelaram diferenccedilas miacutenimas entre si indicando uma similaridade no desempenho
classificatoacuterio (Figuras 6D 6E 6F) As diferenccedilas negativas observadas pelo MCC quando
comparado seja pelo meacutetodo Lastools ou Fusion estiveram restritos a pontos individuais
Uma interpretaccedilatildeo visual sobre a fotografia aeacuterea ortoretificada (Figura 1B) MDTs (Figuras
6D 6E 6F) e MDE (restituiccedilatildeo aerofotogrameacutetrica) mostram que os pontos negativos estatildeo
relacionados a mudanccedilas abruptas de relevo e de transiccedilatildeo entre classes de uso do solo Um
aspecto interessante tambeacutem estaacute relacionado na variaccedilatildeo do intervalo das diferenccedilas
observadas entre os classificadores Enquando a variaccedilatildeo de 20m eacute observada para o MCC o
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6117
valor eacute reduzido para 2m para os demais meacutetodos Entretando a distribuiccedilatildeo espacial dos
pontos espuacuterios eacute quase que idecircntica Uma ediccedilatildeo manual sobre os pontos individuais se faz
entatildeo necessaacuteria
A)
B)
D)
E)
C) F)
Figura 6 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
A Tabela 2 mostra os resultados dos testes estatiacutesticos empregados O trecircs meacutetodos de
classificaccedilatildeo apresentaram resultados similares de RMSE CV-RMSE e MAE com maiores
valores entretando atribuiacutedos ao classificador MCC Embora com estatiacutesticas similares uma
anaacutelise dos histogramas obtidos pelos diferentes classificadores (Figura 7) Uma anaacutelise mais
detalhada referente aos diferentes tipos de uso do solo eacute portanto recomendada
Tabela 2 Resultados dos testes estatiacutesticos
DTM Testes Estatiacutesticos
RMSE CV-RMSE () MAE ()
Fusion 79011 23391 19554
Lastools 78603 23484 19696
MCC 78928 23501 19693 Obs Foram pareados 1048575 pontos para execuccedilatildeo dos testes estatiacutesticos
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6118
Figura 7 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
5 Conclusotildees e Recomendaccedilotildees
As classificaccedilotildees descritas na presente investigaccedilatildeo embora similares representam uma
sugestatildeo acessiacutevel e satisfatoacuteria para obtenccedilatildeo automaacutetica de MDTs Os mesmos podem ser
aplicados em regiotildees planas e moderamente onduladas com diferentes tipos de vegetaccedilatildeo
requerendo uma miacutenima intervaccedilatildeo manual de ediccedilatildeo dos pontos A qualidade dos MDTs
gerados devem ser constadas preferencialmente em campo com mediccedilotildees de GPS diferencial
Futuros estudos devem envolver uma anaacutelise mais detalhada dos resultados em diferentes
classes de uso do solo Os efeitos de uma adequada classificaccedilatildeo podem entatildeo ser avaliadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6119
para a determinaccedilatildeo de aacutervores individuais de maneira similar ao proposto por Oliveira et al
(2012)
6 Agradecimentos
Agrave Washington State Department of Natural Resources pela cessatildeo dos dados
aerotransportados LiDAR e imagens para a realizaccedilatildeo desse estudo A FAPESP e ao CNPq
pelas bolsas concedidas
7 Referecircncias Bibliograacuteficas
Andersen H-E McGaughey RJ Reutebuch SE Forest Measurement and Monitoring using high-resolution
airborne LiDAR Productivity of Western Forests A Forest Products Focus 2005
Briese C Pfeifer N Airborne Laser Scanning and Derivation of Digital Terrain Models Fifth Conference on
Optical 3-D Measurement Techniques Vienna Austria 2001
Evans JS Hudak AT A multiscale curvature algorithm for classifying discrete return lidar in forested
environments IEEE Transactions on Geoscience and Remote Sensing v 45 p 1029-1038 2007
Hodgson ME Bresnahan P Accuracy of Airborne Lidar-Derived Elevation Empirical Assessment and Error
Budget Photogrammetric Engineering amp Remote Sensing v 70 n 3 p 331-339 2004
Hudak AT Evans JS Stuart Smith AM LiDAR Utility for Natural Resource Managers Remote sensing
1(4) (2009) 934ndash951
Isenburg M Liu Y Shewchuk J Snoeyink J Thirion T Generating raster DEM from Mass Points via TIN
Streaming In GISciencersquo06 Proceedings hellip Articles p 186 - 198 2006
Kraus K Pfeifer N Determination of terrain models in wooded areas with airborne laser scanner data ISPRS
Journal of Photogrammetry and Remote Sensing v 53 p 193-203 1998
Kraus K Pfeifer N Advanced DTM Generation from LiDAR data International Archives of
Photogrammetry Remote Sensing and Spatial Information Sciences v 34 n 3W4 p 23-30 2001
McGaughey RJ FUSIONLDV Software for LIDAR Data Analysis and Visualization V310 Washington
DC USDAForest Service p 170 2012
Meng X Currit N Zhao K Ground Filtering Algorithms for Airborne LiDAR Data A Review of Critical
Issues Remote Sensing v 2 n 3 p 833-860 2010
National Oceanic and Atmospheric Administration (NOAA) Coastal Services Center LiDAR 101 An
Introduction LiDAR Technology Data and Applications Charleston SC NOAA Coastal Services Center
2008 Disponivel em httpwwwcscnoaagovdigitalcoast_pdfWhat_is_Lidarpdf Acesso em 10 nov 2012
Oliveira LT Carvalho LMT Ferreira MZ Oliveira TCA Acerbi Junior FW Application of LiDAR to
Forest Inventory for tree count in stands of Eucalyptus sp Cerne v 18 n 2 2012
Pacheco AP Centeno JAS Assunccedilatildeo MGT Botelho MF Classificaccedilatildeo de pontos LiDAR para a
geraccedilatildeo do MDT Boletim de Ciecircncias Geodeacutesicas v 17 n 3 p 417-438 2011
Reutebuch SE Andersen H-E McGaughey RJ Light detection and ranging (LIDAR) an emerging tool for
multiple resource inventory Journal of Forestry v 103 n 6 p 286-292 2005
Ribas RP Mapeamento de coacuterregos de cabeceira sob dosseacuteis florestais utilizando dados LiDAR Revista
Brasileira de Cartografia v 63 p 123-129 2010
Tinkham WT Huang H Smith AMS Shrestha R Falkowski MJ Hudak AT Link TE Glenn NF
Marks DG Comparison of Two Open Source LiDAR Surface Classification Algorithms Remote Sensing v3
p 638-649 2011
Washington Disponiacutevel em httpgisesswashingtonedudatarastertenmeterbyquadindexhtml Acesso em
10 nov 2012
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6120
principal desafio a ser atingido para uma fiel representaccedilatildeo do terreno corresponde a uma
eficiente filtragem da nuvem de pontos correspondentes ao solo nu No entanto a distinccedilatildeo
entre o solo e as demais feiccedilotildees eacute um enorme desafio dependendo das caraceriacutesticas naturais
da aacuterea (Meng et al 2010) Alguns dos principais meacutetodos de filtragem da nuvem de pontos
referente ao solo nu podem serem encontrados em Briese et al 2001 Kraus e Pfeifer 1998
2001 Evans e Hudak 2007 e Tinkham et al 2011
Diante desta temaacutetica o principal objetivo deste trabalho foi o de comparar a geraccedilatildeo de
MDTs provenientes de diferentes filtros de classificaccedilatildeo do solo de acesso livre Aleacutem da
comparaccedilatildeo entre si procedeu-se uma comparaccedilatildeo dos resultados com cartas topograacuteficas
2 Descriccedilatildeo da aacuterea de estudo
O presente trabalho foi realizado com dados LiDAR disponibilizados no portal do Remote
Sensing Applications Center (RSAC) pertencente ao Serviccedilo Florestal Americano (US Forest
Service) A aacuterea em estudo (Figura 1) citado por McGaughey (2012) e Andersen et al (2005)
estaacute localizada em Capitol State Forest no oeste do estado de Washington (EUA) A floresta eacute
composta por espeacutecies de coniacuteferas incluindo douglas-fir (Pseudotsuga menziessi) hemlock
ocidental (Tsuga heterophylla) cedro-vermelho ocidental (Thuja plicata) incluindo tambeacutem
espeacutecies de madeira resistentes tais como amieiro (Alnus rubra) e plaacutetano (Acer
macrophyllum) A aacuterea de estudo eacute um ambiente aonde pesquisas silviculturais satildeo
desenvolvidas tais como a investigaccedilatildeo dos efeitos causados por diferentes tipos e manejo de
colheita florestal Na aacuterea encontram-se solo exposto campos arbustivos florestas manejadas
com corte seletivo e florestas com vegetaccedilatildeo densa
Figura 1 Detalhe da aacuterea de estudo no contexto nacional (A) fotografia aeacuterea ortoretificada
da Capitol Forest com detalhe a seleccedilatildeo de dois perfis para futura anaacutelise da elevaccedilatildeo (B) e
visualizaccedilatildeo 3D de uma aacuterea selecionada (retacircngulo amarelo) da aacuterea de estudo com dados
aerotransportados LiDAR (C) Fonte Washington State Department of Natural Resources
Segundo Andersen et al (2005) o sobrevocirco LiDAR foi realizado na primavera de 1999
utilizando sensor de retorno discreto com um estreito campo de visada O sistema ldquoSaab
TopEyerdquo foi embarcado em um helicoacuteptero que sobrevoou toda a aacuterea de estudo (Figura 1)
Complementarmente a aquisiccedilatildeo LiDAR fotografias ortoretificadas foram adquiridas com
uma resoluccedilatildeo espacial de 30cm (Figura 1) Os dados foram gentilmente cedidos para fins
educacionais pela Washington State Department of Natural Resources (McGaughey
comunicaccedilatildeo pessoal) A Tabela 1 apresenta os paracircmetros de vocirco e as configuraccedilotildees dos
equipamentos utilizados para a aquisiccedilatildeo dos dados LIDAR Para cada retorno foram
incluiacutedos o nuacutemero de pulsos nuacutemero de retorno por pulsos a correspondente localizaccedilatildeo em
X e Y elevaccedilatildeo acircngulo de aquisiccedilatildeo e a intensidade de retorno
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6114
Tabela 1 Especificaccedilotildees dos dados aerotransportados LiDAR e dados gerados
3 Material e Meacutetodos
Os aplicativos usados para a classificaccedilatildeo dos dados LiDAR foram 1) Multiscale
Curvature Classification um aplicativo para classificaccedilatildeo de nuvem de pontos LiDAR
(MCC httpsourceforgenetprojectmccLiDAR Evans e Hudak 2007) 2) GroundFilter
um aplicativo do Fusion (GF httpforsyscfrwashingtonedufusion McGaughey 2012) e
3) LASground um aplicativo do LAStools (LG httpwwwcsuncedu~isenburglastools
Isenburg et al 2006) O pacote MCC foi desenvolvido pela US Forestry Science Rocky
Mountain Research Station enquanto o FusionLDV pelo US Forestry Science Pacific
Northwest Research Station e o LAStools atualmente de forma independente Os dois
primeiros satildeo de livre acesso enquanto que o terceiro eacute limitado para uso gratuito (cerca de 2
milhotildees de pontos)
Os dois uacuteltimos aplicativos fazem parte de um coletacircnea de aplicativos para
processamento de dados LiDAR Os trecircs aplicativos possuem diferente dados de entrada e se
baseiam no princiacutepio de interpolaccedilatildeo da nuvem de pontos do topo para a base Em funccedilatildeo da
alta densidade de pontos por m2 dos dados (Tabela 1) sempre optou-se por selecionar os
criteacuterios mais rigorosos para a extraccedilatildeo dos pontos de solo Apoacutes a determinaccedilatildeo dos pontos
de superfiacutecie para cada meacutetodo de classificaccedilatildeo os dados foram convertidos para uma grade
regular contendo uma resoluccedilatildeo espacial de 1m O meacutetodo de interpolaccedilatildeo usado foi o de
krigagem linear Uma carta topograacutefica gerada a partir de restituiccedilatildeo aerofotogrameacutetrica foi
usada para afericcedilatildeo dos dados LiDAR (Whashington 2012) A mesma possui uma resoluccedilatildeo
espacial de 10m
Os resultados obtidos pela superfiacutecie interpolada de cada um dos trecircs classificadores foi
comparada com os dados da carta topograacutefica Apesar da carta topograacutefica estar mais
relacionada a um modelo digital de elevaccedilatildeo (MDE) a comparaccedilatildeo ainda eacute vaacutelida em funccedilatildeo
da indisponibilidade de mediccedilotildees mais precisas de campo baseadas em GPS diferencial A
comparaccedilatildeo entre os dados obtidos pelos classificadores foi entatildeo comparada estatiacutesticamente
baseados no erro meacutedio quadraacutetico (RMSE Equaccedilatildeo 1) seu coeficiente de variacircncia do erro
meacutedio quadraacutetico (CV Equaccedilatildeo 2) e o erro absoluto meacutedio (MAE Equaccedilatildeo 3)
O yi eacute o valor calculado (dado LiDAR classificado como solo) e xi eacute o valor observado (valor
correspondente da carta topograacutefica) eacute a meacutedia do valor observado e eacute a meacutedia do valor
calculado A Figura 2 mostra o fluxograma de atividades realizado nesse trabalho
Atributos Valores
Altitude de vocirco 200 m
Velocidade de vocirco 25 ms
Largura da faixa imageada 70 m
Campo de imageamento plusmn8 graus
Densidade de pontos 4 pontos msup2
Taxa dos pulsos 7000 pontoss
Maacuteximo retorno por pulso 4
Diacircmetro do feixe 40 cm
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6115
Figura 2 Fluxograma do processamento de dados LiDAR
4 Resultados e Discussotildees
Os trecircs classificadores mostraram resultados similares para a classificaccedilatildeo do solo (Figura
3) Para uma dada classificaccedilatildeo a densidade de pontos que atingiu o solo foi proporcional a
densidade do nuacutemero de aacutervores por hectare (ha) e cobertura de copas Em aacutereas de solo
exposto a densidade foi de 4 pontosm-2
enquanto que em aacutereas de floresta densa inferior a 1
pontom-2
A maior densidade de aacutervores bem como uma maior cobertura de copas faz com
que a maioridade dos pontos LiDAR fique no topo das copas Os resultados corroboram com
a literatura disponiacutevel sobre o tema em ambientes diversos (Ribas 2010 Pacheco et al
2011)
A) B) C) N
Figura 3 Representaccedilatildeo tridimensional das classificaccedilotildees gerados pelo Fusion (A) Lastools
(B) e MCC (C)
A geraccedilatildeo dos MDTs por meio do interpolador krigagem foram similares para os
diferentes classificadores (Figura 4) Isso foi devido a relativa similaridade da densidade dos
pontos em cada grupo vegetational (Figura 3) Uma anaacutelise dos perfis de elevaccedilatildeo (Figura 1B)
natildeo mostraram maiores efeitos resiacuteduais da vegetaccedilatildeo apoacutes as classificaccedilotildees (Figura 5) A
adequada filtragem dos pontos de solo estaacute certamente relacionada ao fato dos algoritmos
terem sido desenvolvidos para ambientes similares ao usado nesta investigaccedilatildeo Ainda pela
alta densidade de pontos LiDAR Uma maior densidade de pontos LiDAR em aacutereas vegetadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6116
favorece a maior probabilidade de um ponto atingir a superfiacutecie do solo Por se tratarem de
aacutereas manejadas o sub-dosel da floresta eacute em geral menos denso do que observado em aacutereas
sem manejo bem como em florestas tropicais Esse aspecto favorece a menor probabilidade
dos pontos terem atingido a vegetaccedilatildeo arbustiva ou mesmo sobre troncos caiacutedos no interior da
floresta (Figura 5)
A) B)
C)
N
Figura 4 Representaccedilatildeo tridimensional dos MTDs gerados pelas classificaccedilotildees em Fusion
(A) Lastools (B) e MCC (C) Exagero vertical 375 cm
A1)
B1)
C1)
A2)
B2)
C2)
Elev
accedilatildeo
(m
)
Distacircncia (m) Figura 5 Perfis topograacuteficos gerados pelo DTMs Fusion (A) lastools (B) e MCC (C) Os
nuacutemeros apoacutes as letras indicam a posiccedilatildeo das transeccedilotildees em projeccedilatildeo UTM (Figura 1B) a
saber 1) Leste-Oeste (p1=48732501 518951050 p2=48863065 518951050 e 2) Norte-Sul
(p3=48799574 519004402 p4= 48799574 518912030)
A comparaccedilatildeo do desempenho entre classificadores pelo meacutetodo da diferenccedila simples
(Figura 6) revelou uma dissimilaridade entre os resultados da classificaccedilatildeo obtidos pelo MCC
(Figuras 6A 6B) aos obtidos pelos meacutetodos Lastools e Fusion (Figura 6C) Os dois uacuteltimos
revelaram diferenccedilas miacutenimas entre si indicando uma similaridade no desempenho
classificatoacuterio (Figuras 6D 6E 6F) As diferenccedilas negativas observadas pelo MCC quando
comparado seja pelo meacutetodo Lastools ou Fusion estiveram restritos a pontos individuais
Uma interpretaccedilatildeo visual sobre a fotografia aeacuterea ortoretificada (Figura 1B) MDTs (Figuras
6D 6E 6F) e MDE (restituiccedilatildeo aerofotogrameacutetrica) mostram que os pontos negativos estatildeo
relacionados a mudanccedilas abruptas de relevo e de transiccedilatildeo entre classes de uso do solo Um
aspecto interessante tambeacutem estaacute relacionado na variaccedilatildeo do intervalo das diferenccedilas
observadas entre os classificadores Enquando a variaccedilatildeo de 20m eacute observada para o MCC o
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6117
valor eacute reduzido para 2m para os demais meacutetodos Entretando a distribuiccedilatildeo espacial dos
pontos espuacuterios eacute quase que idecircntica Uma ediccedilatildeo manual sobre os pontos individuais se faz
entatildeo necessaacuteria
A)
B)
D)
E)
C) F)
Figura 6 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
A Tabela 2 mostra os resultados dos testes estatiacutesticos empregados O trecircs meacutetodos de
classificaccedilatildeo apresentaram resultados similares de RMSE CV-RMSE e MAE com maiores
valores entretando atribuiacutedos ao classificador MCC Embora com estatiacutesticas similares uma
anaacutelise dos histogramas obtidos pelos diferentes classificadores (Figura 7) Uma anaacutelise mais
detalhada referente aos diferentes tipos de uso do solo eacute portanto recomendada
Tabela 2 Resultados dos testes estatiacutesticos
DTM Testes Estatiacutesticos
RMSE CV-RMSE () MAE ()
Fusion 79011 23391 19554
Lastools 78603 23484 19696
MCC 78928 23501 19693 Obs Foram pareados 1048575 pontos para execuccedilatildeo dos testes estatiacutesticos
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6118
Figura 7 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
5 Conclusotildees e Recomendaccedilotildees
As classificaccedilotildees descritas na presente investigaccedilatildeo embora similares representam uma
sugestatildeo acessiacutevel e satisfatoacuteria para obtenccedilatildeo automaacutetica de MDTs Os mesmos podem ser
aplicados em regiotildees planas e moderamente onduladas com diferentes tipos de vegetaccedilatildeo
requerendo uma miacutenima intervaccedilatildeo manual de ediccedilatildeo dos pontos A qualidade dos MDTs
gerados devem ser constadas preferencialmente em campo com mediccedilotildees de GPS diferencial
Futuros estudos devem envolver uma anaacutelise mais detalhada dos resultados em diferentes
classes de uso do solo Os efeitos de uma adequada classificaccedilatildeo podem entatildeo ser avaliadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6119
para a determinaccedilatildeo de aacutervores individuais de maneira similar ao proposto por Oliveira et al
(2012)
6 Agradecimentos
Agrave Washington State Department of Natural Resources pela cessatildeo dos dados
aerotransportados LiDAR e imagens para a realizaccedilatildeo desse estudo A FAPESP e ao CNPq
pelas bolsas concedidas
7 Referecircncias Bibliograacuteficas
Andersen H-E McGaughey RJ Reutebuch SE Forest Measurement and Monitoring using high-resolution
airborne LiDAR Productivity of Western Forests A Forest Products Focus 2005
Briese C Pfeifer N Airborne Laser Scanning and Derivation of Digital Terrain Models Fifth Conference on
Optical 3-D Measurement Techniques Vienna Austria 2001
Evans JS Hudak AT A multiscale curvature algorithm for classifying discrete return lidar in forested
environments IEEE Transactions on Geoscience and Remote Sensing v 45 p 1029-1038 2007
Hodgson ME Bresnahan P Accuracy of Airborne Lidar-Derived Elevation Empirical Assessment and Error
Budget Photogrammetric Engineering amp Remote Sensing v 70 n 3 p 331-339 2004
Hudak AT Evans JS Stuart Smith AM LiDAR Utility for Natural Resource Managers Remote sensing
1(4) (2009) 934ndash951
Isenburg M Liu Y Shewchuk J Snoeyink J Thirion T Generating raster DEM from Mass Points via TIN
Streaming In GISciencersquo06 Proceedings hellip Articles p 186 - 198 2006
Kraus K Pfeifer N Determination of terrain models in wooded areas with airborne laser scanner data ISPRS
Journal of Photogrammetry and Remote Sensing v 53 p 193-203 1998
Kraus K Pfeifer N Advanced DTM Generation from LiDAR data International Archives of
Photogrammetry Remote Sensing and Spatial Information Sciences v 34 n 3W4 p 23-30 2001
McGaughey RJ FUSIONLDV Software for LIDAR Data Analysis and Visualization V310 Washington
DC USDAForest Service p 170 2012
Meng X Currit N Zhao K Ground Filtering Algorithms for Airborne LiDAR Data A Review of Critical
Issues Remote Sensing v 2 n 3 p 833-860 2010
National Oceanic and Atmospheric Administration (NOAA) Coastal Services Center LiDAR 101 An
Introduction LiDAR Technology Data and Applications Charleston SC NOAA Coastal Services Center
2008 Disponivel em httpwwwcscnoaagovdigitalcoast_pdfWhat_is_Lidarpdf Acesso em 10 nov 2012
Oliveira LT Carvalho LMT Ferreira MZ Oliveira TCA Acerbi Junior FW Application of LiDAR to
Forest Inventory for tree count in stands of Eucalyptus sp Cerne v 18 n 2 2012
Pacheco AP Centeno JAS Assunccedilatildeo MGT Botelho MF Classificaccedilatildeo de pontos LiDAR para a
geraccedilatildeo do MDT Boletim de Ciecircncias Geodeacutesicas v 17 n 3 p 417-438 2011
Reutebuch SE Andersen H-E McGaughey RJ Light detection and ranging (LIDAR) an emerging tool for
multiple resource inventory Journal of Forestry v 103 n 6 p 286-292 2005
Ribas RP Mapeamento de coacuterregos de cabeceira sob dosseacuteis florestais utilizando dados LiDAR Revista
Brasileira de Cartografia v 63 p 123-129 2010
Tinkham WT Huang H Smith AMS Shrestha R Falkowski MJ Hudak AT Link TE Glenn NF
Marks DG Comparison of Two Open Source LiDAR Surface Classification Algorithms Remote Sensing v3
p 638-649 2011
Washington Disponiacutevel em httpgisesswashingtonedudatarastertenmeterbyquadindexhtml Acesso em
10 nov 2012
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6120
Tabela 1 Especificaccedilotildees dos dados aerotransportados LiDAR e dados gerados
3 Material e Meacutetodos
Os aplicativos usados para a classificaccedilatildeo dos dados LiDAR foram 1) Multiscale
Curvature Classification um aplicativo para classificaccedilatildeo de nuvem de pontos LiDAR
(MCC httpsourceforgenetprojectmccLiDAR Evans e Hudak 2007) 2) GroundFilter
um aplicativo do Fusion (GF httpforsyscfrwashingtonedufusion McGaughey 2012) e
3) LASground um aplicativo do LAStools (LG httpwwwcsuncedu~isenburglastools
Isenburg et al 2006) O pacote MCC foi desenvolvido pela US Forestry Science Rocky
Mountain Research Station enquanto o FusionLDV pelo US Forestry Science Pacific
Northwest Research Station e o LAStools atualmente de forma independente Os dois
primeiros satildeo de livre acesso enquanto que o terceiro eacute limitado para uso gratuito (cerca de 2
milhotildees de pontos)
Os dois uacuteltimos aplicativos fazem parte de um coletacircnea de aplicativos para
processamento de dados LiDAR Os trecircs aplicativos possuem diferente dados de entrada e se
baseiam no princiacutepio de interpolaccedilatildeo da nuvem de pontos do topo para a base Em funccedilatildeo da
alta densidade de pontos por m2 dos dados (Tabela 1) sempre optou-se por selecionar os
criteacuterios mais rigorosos para a extraccedilatildeo dos pontos de solo Apoacutes a determinaccedilatildeo dos pontos
de superfiacutecie para cada meacutetodo de classificaccedilatildeo os dados foram convertidos para uma grade
regular contendo uma resoluccedilatildeo espacial de 1m O meacutetodo de interpolaccedilatildeo usado foi o de
krigagem linear Uma carta topograacutefica gerada a partir de restituiccedilatildeo aerofotogrameacutetrica foi
usada para afericcedilatildeo dos dados LiDAR (Whashington 2012) A mesma possui uma resoluccedilatildeo
espacial de 10m
Os resultados obtidos pela superfiacutecie interpolada de cada um dos trecircs classificadores foi
comparada com os dados da carta topograacutefica Apesar da carta topograacutefica estar mais
relacionada a um modelo digital de elevaccedilatildeo (MDE) a comparaccedilatildeo ainda eacute vaacutelida em funccedilatildeo
da indisponibilidade de mediccedilotildees mais precisas de campo baseadas em GPS diferencial A
comparaccedilatildeo entre os dados obtidos pelos classificadores foi entatildeo comparada estatiacutesticamente
baseados no erro meacutedio quadraacutetico (RMSE Equaccedilatildeo 1) seu coeficiente de variacircncia do erro
meacutedio quadraacutetico (CV Equaccedilatildeo 2) e o erro absoluto meacutedio (MAE Equaccedilatildeo 3)
O yi eacute o valor calculado (dado LiDAR classificado como solo) e xi eacute o valor observado (valor
correspondente da carta topograacutefica) eacute a meacutedia do valor observado e eacute a meacutedia do valor
calculado A Figura 2 mostra o fluxograma de atividades realizado nesse trabalho
Atributos Valores
Altitude de vocirco 200 m
Velocidade de vocirco 25 ms
Largura da faixa imageada 70 m
Campo de imageamento plusmn8 graus
Densidade de pontos 4 pontos msup2
Taxa dos pulsos 7000 pontoss
Maacuteximo retorno por pulso 4
Diacircmetro do feixe 40 cm
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6115
Figura 2 Fluxograma do processamento de dados LiDAR
4 Resultados e Discussotildees
Os trecircs classificadores mostraram resultados similares para a classificaccedilatildeo do solo (Figura
3) Para uma dada classificaccedilatildeo a densidade de pontos que atingiu o solo foi proporcional a
densidade do nuacutemero de aacutervores por hectare (ha) e cobertura de copas Em aacutereas de solo
exposto a densidade foi de 4 pontosm-2
enquanto que em aacutereas de floresta densa inferior a 1
pontom-2
A maior densidade de aacutervores bem como uma maior cobertura de copas faz com
que a maioridade dos pontos LiDAR fique no topo das copas Os resultados corroboram com
a literatura disponiacutevel sobre o tema em ambientes diversos (Ribas 2010 Pacheco et al
2011)
A) B) C) N
Figura 3 Representaccedilatildeo tridimensional das classificaccedilotildees gerados pelo Fusion (A) Lastools
(B) e MCC (C)
A geraccedilatildeo dos MDTs por meio do interpolador krigagem foram similares para os
diferentes classificadores (Figura 4) Isso foi devido a relativa similaridade da densidade dos
pontos em cada grupo vegetational (Figura 3) Uma anaacutelise dos perfis de elevaccedilatildeo (Figura 1B)
natildeo mostraram maiores efeitos resiacuteduais da vegetaccedilatildeo apoacutes as classificaccedilotildees (Figura 5) A
adequada filtragem dos pontos de solo estaacute certamente relacionada ao fato dos algoritmos
terem sido desenvolvidos para ambientes similares ao usado nesta investigaccedilatildeo Ainda pela
alta densidade de pontos LiDAR Uma maior densidade de pontos LiDAR em aacutereas vegetadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6116
favorece a maior probabilidade de um ponto atingir a superfiacutecie do solo Por se tratarem de
aacutereas manejadas o sub-dosel da floresta eacute em geral menos denso do que observado em aacutereas
sem manejo bem como em florestas tropicais Esse aspecto favorece a menor probabilidade
dos pontos terem atingido a vegetaccedilatildeo arbustiva ou mesmo sobre troncos caiacutedos no interior da
floresta (Figura 5)
A) B)
C)
N
Figura 4 Representaccedilatildeo tridimensional dos MTDs gerados pelas classificaccedilotildees em Fusion
(A) Lastools (B) e MCC (C) Exagero vertical 375 cm
A1)
B1)
C1)
A2)
B2)
C2)
Elev
accedilatildeo
(m
)
Distacircncia (m) Figura 5 Perfis topograacuteficos gerados pelo DTMs Fusion (A) lastools (B) e MCC (C) Os
nuacutemeros apoacutes as letras indicam a posiccedilatildeo das transeccedilotildees em projeccedilatildeo UTM (Figura 1B) a
saber 1) Leste-Oeste (p1=48732501 518951050 p2=48863065 518951050 e 2) Norte-Sul
(p3=48799574 519004402 p4= 48799574 518912030)
A comparaccedilatildeo do desempenho entre classificadores pelo meacutetodo da diferenccedila simples
(Figura 6) revelou uma dissimilaridade entre os resultados da classificaccedilatildeo obtidos pelo MCC
(Figuras 6A 6B) aos obtidos pelos meacutetodos Lastools e Fusion (Figura 6C) Os dois uacuteltimos
revelaram diferenccedilas miacutenimas entre si indicando uma similaridade no desempenho
classificatoacuterio (Figuras 6D 6E 6F) As diferenccedilas negativas observadas pelo MCC quando
comparado seja pelo meacutetodo Lastools ou Fusion estiveram restritos a pontos individuais
Uma interpretaccedilatildeo visual sobre a fotografia aeacuterea ortoretificada (Figura 1B) MDTs (Figuras
6D 6E 6F) e MDE (restituiccedilatildeo aerofotogrameacutetrica) mostram que os pontos negativos estatildeo
relacionados a mudanccedilas abruptas de relevo e de transiccedilatildeo entre classes de uso do solo Um
aspecto interessante tambeacutem estaacute relacionado na variaccedilatildeo do intervalo das diferenccedilas
observadas entre os classificadores Enquando a variaccedilatildeo de 20m eacute observada para o MCC o
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6117
valor eacute reduzido para 2m para os demais meacutetodos Entretando a distribuiccedilatildeo espacial dos
pontos espuacuterios eacute quase que idecircntica Uma ediccedilatildeo manual sobre os pontos individuais se faz
entatildeo necessaacuteria
A)
B)
D)
E)
C) F)
Figura 6 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
A Tabela 2 mostra os resultados dos testes estatiacutesticos empregados O trecircs meacutetodos de
classificaccedilatildeo apresentaram resultados similares de RMSE CV-RMSE e MAE com maiores
valores entretando atribuiacutedos ao classificador MCC Embora com estatiacutesticas similares uma
anaacutelise dos histogramas obtidos pelos diferentes classificadores (Figura 7) Uma anaacutelise mais
detalhada referente aos diferentes tipos de uso do solo eacute portanto recomendada
Tabela 2 Resultados dos testes estatiacutesticos
DTM Testes Estatiacutesticos
RMSE CV-RMSE () MAE ()
Fusion 79011 23391 19554
Lastools 78603 23484 19696
MCC 78928 23501 19693 Obs Foram pareados 1048575 pontos para execuccedilatildeo dos testes estatiacutesticos
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6118
Figura 7 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
5 Conclusotildees e Recomendaccedilotildees
As classificaccedilotildees descritas na presente investigaccedilatildeo embora similares representam uma
sugestatildeo acessiacutevel e satisfatoacuteria para obtenccedilatildeo automaacutetica de MDTs Os mesmos podem ser
aplicados em regiotildees planas e moderamente onduladas com diferentes tipos de vegetaccedilatildeo
requerendo uma miacutenima intervaccedilatildeo manual de ediccedilatildeo dos pontos A qualidade dos MDTs
gerados devem ser constadas preferencialmente em campo com mediccedilotildees de GPS diferencial
Futuros estudos devem envolver uma anaacutelise mais detalhada dos resultados em diferentes
classes de uso do solo Os efeitos de uma adequada classificaccedilatildeo podem entatildeo ser avaliadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6119
para a determinaccedilatildeo de aacutervores individuais de maneira similar ao proposto por Oliveira et al
(2012)
6 Agradecimentos
Agrave Washington State Department of Natural Resources pela cessatildeo dos dados
aerotransportados LiDAR e imagens para a realizaccedilatildeo desse estudo A FAPESP e ao CNPq
pelas bolsas concedidas
7 Referecircncias Bibliograacuteficas
Andersen H-E McGaughey RJ Reutebuch SE Forest Measurement and Monitoring using high-resolution
airborne LiDAR Productivity of Western Forests A Forest Products Focus 2005
Briese C Pfeifer N Airborne Laser Scanning and Derivation of Digital Terrain Models Fifth Conference on
Optical 3-D Measurement Techniques Vienna Austria 2001
Evans JS Hudak AT A multiscale curvature algorithm for classifying discrete return lidar in forested
environments IEEE Transactions on Geoscience and Remote Sensing v 45 p 1029-1038 2007
Hodgson ME Bresnahan P Accuracy of Airborne Lidar-Derived Elevation Empirical Assessment and Error
Budget Photogrammetric Engineering amp Remote Sensing v 70 n 3 p 331-339 2004
Hudak AT Evans JS Stuart Smith AM LiDAR Utility for Natural Resource Managers Remote sensing
1(4) (2009) 934ndash951
Isenburg M Liu Y Shewchuk J Snoeyink J Thirion T Generating raster DEM from Mass Points via TIN
Streaming In GISciencersquo06 Proceedings hellip Articles p 186 - 198 2006
Kraus K Pfeifer N Determination of terrain models in wooded areas with airborne laser scanner data ISPRS
Journal of Photogrammetry and Remote Sensing v 53 p 193-203 1998
Kraus K Pfeifer N Advanced DTM Generation from LiDAR data International Archives of
Photogrammetry Remote Sensing and Spatial Information Sciences v 34 n 3W4 p 23-30 2001
McGaughey RJ FUSIONLDV Software for LIDAR Data Analysis and Visualization V310 Washington
DC USDAForest Service p 170 2012
Meng X Currit N Zhao K Ground Filtering Algorithms for Airborne LiDAR Data A Review of Critical
Issues Remote Sensing v 2 n 3 p 833-860 2010
National Oceanic and Atmospheric Administration (NOAA) Coastal Services Center LiDAR 101 An
Introduction LiDAR Technology Data and Applications Charleston SC NOAA Coastal Services Center
2008 Disponivel em httpwwwcscnoaagovdigitalcoast_pdfWhat_is_Lidarpdf Acesso em 10 nov 2012
Oliveira LT Carvalho LMT Ferreira MZ Oliveira TCA Acerbi Junior FW Application of LiDAR to
Forest Inventory for tree count in stands of Eucalyptus sp Cerne v 18 n 2 2012
Pacheco AP Centeno JAS Assunccedilatildeo MGT Botelho MF Classificaccedilatildeo de pontos LiDAR para a
geraccedilatildeo do MDT Boletim de Ciecircncias Geodeacutesicas v 17 n 3 p 417-438 2011
Reutebuch SE Andersen H-E McGaughey RJ Light detection and ranging (LIDAR) an emerging tool for
multiple resource inventory Journal of Forestry v 103 n 6 p 286-292 2005
Ribas RP Mapeamento de coacuterregos de cabeceira sob dosseacuteis florestais utilizando dados LiDAR Revista
Brasileira de Cartografia v 63 p 123-129 2010
Tinkham WT Huang H Smith AMS Shrestha R Falkowski MJ Hudak AT Link TE Glenn NF
Marks DG Comparison of Two Open Source LiDAR Surface Classification Algorithms Remote Sensing v3
p 638-649 2011
Washington Disponiacutevel em httpgisesswashingtonedudatarastertenmeterbyquadindexhtml Acesso em
10 nov 2012
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6120
Figura 2 Fluxograma do processamento de dados LiDAR
4 Resultados e Discussotildees
Os trecircs classificadores mostraram resultados similares para a classificaccedilatildeo do solo (Figura
3) Para uma dada classificaccedilatildeo a densidade de pontos que atingiu o solo foi proporcional a
densidade do nuacutemero de aacutervores por hectare (ha) e cobertura de copas Em aacutereas de solo
exposto a densidade foi de 4 pontosm-2
enquanto que em aacutereas de floresta densa inferior a 1
pontom-2
A maior densidade de aacutervores bem como uma maior cobertura de copas faz com
que a maioridade dos pontos LiDAR fique no topo das copas Os resultados corroboram com
a literatura disponiacutevel sobre o tema em ambientes diversos (Ribas 2010 Pacheco et al
2011)
A) B) C) N
Figura 3 Representaccedilatildeo tridimensional das classificaccedilotildees gerados pelo Fusion (A) Lastools
(B) e MCC (C)
A geraccedilatildeo dos MDTs por meio do interpolador krigagem foram similares para os
diferentes classificadores (Figura 4) Isso foi devido a relativa similaridade da densidade dos
pontos em cada grupo vegetational (Figura 3) Uma anaacutelise dos perfis de elevaccedilatildeo (Figura 1B)
natildeo mostraram maiores efeitos resiacuteduais da vegetaccedilatildeo apoacutes as classificaccedilotildees (Figura 5) A
adequada filtragem dos pontos de solo estaacute certamente relacionada ao fato dos algoritmos
terem sido desenvolvidos para ambientes similares ao usado nesta investigaccedilatildeo Ainda pela
alta densidade de pontos LiDAR Uma maior densidade de pontos LiDAR em aacutereas vegetadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6116
favorece a maior probabilidade de um ponto atingir a superfiacutecie do solo Por se tratarem de
aacutereas manejadas o sub-dosel da floresta eacute em geral menos denso do que observado em aacutereas
sem manejo bem como em florestas tropicais Esse aspecto favorece a menor probabilidade
dos pontos terem atingido a vegetaccedilatildeo arbustiva ou mesmo sobre troncos caiacutedos no interior da
floresta (Figura 5)
A) B)
C)
N
Figura 4 Representaccedilatildeo tridimensional dos MTDs gerados pelas classificaccedilotildees em Fusion
(A) Lastools (B) e MCC (C) Exagero vertical 375 cm
A1)
B1)
C1)
A2)
B2)
C2)
Elev
accedilatildeo
(m
)
Distacircncia (m) Figura 5 Perfis topograacuteficos gerados pelo DTMs Fusion (A) lastools (B) e MCC (C) Os
nuacutemeros apoacutes as letras indicam a posiccedilatildeo das transeccedilotildees em projeccedilatildeo UTM (Figura 1B) a
saber 1) Leste-Oeste (p1=48732501 518951050 p2=48863065 518951050 e 2) Norte-Sul
(p3=48799574 519004402 p4= 48799574 518912030)
A comparaccedilatildeo do desempenho entre classificadores pelo meacutetodo da diferenccedila simples
(Figura 6) revelou uma dissimilaridade entre os resultados da classificaccedilatildeo obtidos pelo MCC
(Figuras 6A 6B) aos obtidos pelos meacutetodos Lastools e Fusion (Figura 6C) Os dois uacuteltimos
revelaram diferenccedilas miacutenimas entre si indicando uma similaridade no desempenho
classificatoacuterio (Figuras 6D 6E 6F) As diferenccedilas negativas observadas pelo MCC quando
comparado seja pelo meacutetodo Lastools ou Fusion estiveram restritos a pontos individuais
Uma interpretaccedilatildeo visual sobre a fotografia aeacuterea ortoretificada (Figura 1B) MDTs (Figuras
6D 6E 6F) e MDE (restituiccedilatildeo aerofotogrameacutetrica) mostram que os pontos negativos estatildeo
relacionados a mudanccedilas abruptas de relevo e de transiccedilatildeo entre classes de uso do solo Um
aspecto interessante tambeacutem estaacute relacionado na variaccedilatildeo do intervalo das diferenccedilas
observadas entre os classificadores Enquando a variaccedilatildeo de 20m eacute observada para o MCC o
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6117
valor eacute reduzido para 2m para os demais meacutetodos Entretando a distribuiccedilatildeo espacial dos
pontos espuacuterios eacute quase que idecircntica Uma ediccedilatildeo manual sobre os pontos individuais se faz
entatildeo necessaacuteria
A)
B)
D)
E)
C) F)
Figura 6 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
A Tabela 2 mostra os resultados dos testes estatiacutesticos empregados O trecircs meacutetodos de
classificaccedilatildeo apresentaram resultados similares de RMSE CV-RMSE e MAE com maiores
valores entretando atribuiacutedos ao classificador MCC Embora com estatiacutesticas similares uma
anaacutelise dos histogramas obtidos pelos diferentes classificadores (Figura 7) Uma anaacutelise mais
detalhada referente aos diferentes tipos de uso do solo eacute portanto recomendada
Tabela 2 Resultados dos testes estatiacutesticos
DTM Testes Estatiacutesticos
RMSE CV-RMSE () MAE ()
Fusion 79011 23391 19554
Lastools 78603 23484 19696
MCC 78928 23501 19693 Obs Foram pareados 1048575 pontos para execuccedilatildeo dos testes estatiacutesticos
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6118
Figura 7 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
5 Conclusotildees e Recomendaccedilotildees
As classificaccedilotildees descritas na presente investigaccedilatildeo embora similares representam uma
sugestatildeo acessiacutevel e satisfatoacuteria para obtenccedilatildeo automaacutetica de MDTs Os mesmos podem ser
aplicados em regiotildees planas e moderamente onduladas com diferentes tipos de vegetaccedilatildeo
requerendo uma miacutenima intervaccedilatildeo manual de ediccedilatildeo dos pontos A qualidade dos MDTs
gerados devem ser constadas preferencialmente em campo com mediccedilotildees de GPS diferencial
Futuros estudos devem envolver uma anaacutelise mais detalhada dos resultados em diferentes
classes de uso do solo Os efeitos de uma adequada classificaccedilatildeo podem entatildeo ser avaliadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6119
para a determinaccedilatildeo de aacutervores individuais de maneira similar ao proposto por Oliveira et al
(2012)
6 Agradecimentos
Agrave Washington State Department of Natural Resources pela cessatildeo dos dados
aerotransportados LiDAR e imagens para a realizaccedilatildeo desse estudo A FAPESP e ao CNPq
pelas bolsas concedidas
7 Referecircncias Bibliograacuteficas
Andersen H-E McGaughey RJ Reutebuch SE Forest Measurement and Monitoring using high-resolution
airborne LiDAR Productivity of Western Forests A Forest Products Focus 2005
Briese C Pfeifer N Airborne Laser Scanning and Derivation of Digital Terrain Models Fifth Conference on
Optical 3-D Measurement Techniques Vienna Austria 2001
Evans JS Hudak AT A multiscale curvature algorithm for classifying discrete return lidar in forested
environments IEEE Transactions on Geoscience and Remote Sensing v 45 p 1029-1038 2007
Hodgson ME Bresnahan P Accuracy of Airborne Lidar-Derived Elevation Empirical Assessment and Error
Budget Photogrammetric Engineering amp Remote Sensing v 70 n 3 p 331-339 2004
Hudak AT Evans JS Stuart Smith AM LiDAR Utility for Natural Resource Managers Remote sensing
1(4) (2009) 934ndash951
Isenburg M Liu Y Shewchuk J Snoeyink J Thirion T Generating raster DEM from Mass Points via TIN
Streaming In GISciencersquo06 Proceedings hellip Articles p 186 - 198 2006
Kraus K Pfeifer N Determination of terrain models in wooded areas with airborne laser scanner data ISPRS
Journal of Photogrammetry and Remote Sensing v 53 p 193-203 1998
Kraus K Pfeifer N Advanced DTM Generation from LiDAR data International Archives of
Photogrammetry Remote Sensing and Spatial Information Sciences v 34 n 3W4 p 23-30 2001
McGaughey RJ FUSIONLDV Software for LIDAR Data Analysis and Visualization V310 Washington
DC USDAForest Service p 170 2012
Meng X Currit N Zhao K Ground Filtering Algorithms for Airborne LiDAR Data A Review of Critical
Issues Remote Sensing v 2 n 3 p 833-860 2010
National Oceanic and Atmospheric Administration (NOAA) Coastal Services Center LiDAR 101 An
Introduction LiDAR Technology Data and Applications Charleston SC NOAA Coastal Services Center
2008 Disponivel em httpwwwcscnoaagovdigitalcoast_pdfWhat_is_Lidarpdf Acesso em 10 nov 2012
Oliveira LT Carvalho LMT Ferreira MZ Oliveira TCA Acerbi Junior FW Application of LiDAR to
Forest Inventory for tree count in stands of Eucalyptus sp Cerne v 18 n 2 2012
Pacheco AP Centeno JAS Assunccedilatildeo MGT Botelho MF Classificaccedilatildeo de pontos LiDAR para a
geraccedilatildeo do MDT Boletim de Ciecircncias Geodeacutesicas v 17 n 3 p 417-438 2011
Reutebuch SE Andersen H-E McGaughey RJ Light detection and ranging (LIDAR) an emerging tool for
multiple resource inventory Journal of Forestry v 103 n 6 p 286-292 2005
Ribas RP Mapeamento de coacuterregos de cabeceira sob dosseacuteis florestais utilizando dados LiDAR Revista
Brasileira de Cartografia v 63 p 123-129 2010
Tinkham WT Huang H Smith AMS Shrestha R Falkowski MJ Hudak AT Link TE Glenn NF
Marks DG Comparison of Two Open Source LiDAR Surface Classification Algorithms Remote Sensing v3
p 638-649 2011
Washington Disponiacutevel em httpgisesswashingtonedudatarastertenmeterbyquadindexhtml Acesso em
10 nov 2012
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6120
favorece a maior probabilidade de um ponto atingir a superfiacutecie do solo Por se tratarem de
aacutereas manejadas o sub-dosel da floresta eacute em geral menos denso do que observado em aacutereas
sem manejo bem como em florestas tropicais Esse aspecto favorece a menor probabilidade
dos pontos terem atingido a vegetaccedilatildeo arbustiva ou mesmo sobre troncos caiacutedos no interior da
floresta (Figura 5)
A) B)
C)
N
Figura 4 Representaccedilatildeo tridimensional dos MTDs gerados pelas classificaccedilotildees em Fusion
(A) Lastools (B) e MCC (C) Exagero vertical 375 cm
A1)
B1)
C1)
A2)
B2)
C2)
Elev
accedilatildeo
(m
)
Distacircncia (m) Figura 5 Perfis topograacuteficos gerados pelo DTMs Fusion (A) lastools (B) e MCC (C) Os
nuacutemeros apoacutes as letras indicam a posiccedilatildeo das transeccedilotildees em projeccedilatildeo UTM (Figura 1B) a
saber 1) Leste-Oeste (p1=48732501 518951050 p2=48863065 518951050 e 2) Norte-Sul
(p3=48799574 519004402 p4= 48799574 518912030)
A comparaccedilatildeo do desempenho entre classificadores pelo meacutetodo da diferenccedila simples
(Figura 6) revelou uma dissimilaridade entre os resultados da classificaccedilatildeo obtidos pelo MCC
(Figuras 6A 6B) aos obtidos pelos meacutetodos Lastools e Fusion (Figura 6C) Os dois uacuteltimos
revelaram diferenccedilas miacutenimas entre si indicando uma similaridade no desempenho
classificatoacuterio (Figuras 6D 6E 6F) As diferenccedilas negativas observadas pelo MCC quando
comparado seja pelo meacutetodo Lastools ou Fusion estiveram restritos a pontos individuais
Uma interpretaccedilatildeo visual sobre a fotografia aeacuterea ortoretificada (Figura 1B) MDTs (Figuras
6D 6E 6F) e MDE (restituiccedilatildeo aerofotogrameacutetrica) mostram que os pontos negativos estatildeo
relacionados a mudanccedilas abruptas de relevo e de transiccedilatildeo entre classes de uso do solo Um
aspecto interessante tambeacutem estaacute relacionado na variaccedilatildeo do intervalo das diferenccedilas
observadas entre os classificadores Enquando a variaccedilatildeo de 20m eacute observada para o MCC o
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6117
valor eacute reduzido para 2m para os demais meacutetodos Entretando a distribuiccedilatildeo espacial dos
pontos espuacuterios eacute quase que idecircntica Uma ediccedilatildeo manual sobre os pontos individuais se faz
entatildeo necessaacuteria
A)
B)
D)
E)
C) F)
Figura 6 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
A Tabela 2 mostra os resultados dos testes estatiacutesticos empregados O trecircs meacutetodos de
classificaccedilatildeo apresentaram resultados similares de RMSE CV-RMSE e MAE com maiores
valores entretando atribuiacutedos ao classificador MCC Embora com estatiacutesticas similares uma
anaacutelise dos histogramas obtidos pelos diferentes classificadores (Figura 7) Uma anaacutelise mais
detalhada referente aos diferentes tipos de uso do solo eacute portanto recomendada
Tabela 2 Resultados dos testes estatiacutesticos
DTM Testes Estatiacutesticos
RMSE CV-RMSE () MAE ()
Fusion 79011 23391 19554
Lastools 78603 23484 19696
MCC 78928 23501 19693 Obs Foram pareados 1048575 pontos para execuccedilatildeo dos testes estatiacutesticos
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6118
Figura 7 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
5 Conclusotildees e Recomendaccedilotildees
As classificaccedilotildees descritas na presente investigaccedilatildeo embora similares representam uma
sugestatildeo acessiacutevel e satisfatoacuteria para obtenccedilatildeo automaacutetica de MDTs Os mesmos podem ser
aplicados em regiotildees planas e moderamente onduladas com diferentes tipos de vegetaccedilatildeo
requerendo uma miacutenima intervaccedilatildeo manual de ediccedilatildeo dos pontos A qualidade dos MDTs
gerados devem ser constadas preferencialmente em campo com mediccedilotildees de GPS diferencial
Futuros estudos devem envolver uma anaacutelise mais detalhada dos resultados em diferentes
classes de uso do solo Os efeitos de uma adequada classificaccedilatildeo podem entatildeo ser avaliadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6119
para a determinaccedilatildeo de aacutervores individuais de maneira similar ao proposto por Oliveira et al
(2012)
6 Agradecimentos
Agrave Washington State Department of Natural Resources pela cessatildeo dos dados
aerotransportados LiDAR e imagens para a realizaccedilatildeo desse estudo A FAPESP e ao CNPq
pelas bolsas concedidas
7 Referecircncias Bibliograacuteficas
Andersen H-E McGaughey RJ Reutebuch SE Forest Measurement and Monitoring using high-resolution
airborne LiDAR Productivity of Western Forests A Forest Products Focus 2005
Briese C Pfeifer N Airborne Laser Scanning and Derivation of Digital Terrain Models Fifth Conference on
Optical 3-D Measurement Techniques Vienna Austria 2001
Evans JS Hudak AT A multiscale curvature algorithm for classifying discrete return lidar in forested
environments IEEE Transactions on Geoscience and Remote Sensing v 45 p 1029-1038 2007
Hodgson ME Bresnahan P Accuracy of Airborne Lidar-Derived Elevation Empirical Assessment and Error
Budget Photogrammetric Engineering amp Remote Sensing v 70 n 3 p 331-339 2004
Hudak AT Evans JS Stuart Smith AM LiDAR Utility for Natural Resource Managers Remote sensing
1(4) (2009) 934ndash951
Isenburg M Liu Y Shewchuk J Snoeyink J Thirion T Generating raster DEM from Mass Points via TIN
Streaming In GISciencersquo06 Proceedings hellip Articles p 186 - 198 2006
Kraus K Pfeifer N Determination of terrain models in wooded areas with airborne laser scanner data ISPRS
Journal of Photogrammetry and Remote Sensing v 53 p 193-203 1998
Kraus K Pfeifer N Advanced DTM Generation from LiDAR data International Archives of
Photogrammetry Remote Sensing and Spatial Information Sciences v 34 n 3W4 p 23-30 2001
McGaughey RJ FUSIONLDV Software for LIDAR Data Analysis and Visualization V310 Washington
DC USDAForest Service p 170 2012
Meng X Currit N Zhao K Ground Filtering Algorithms for Airborne LiDAR Data A Review of Critical
Issues Remote Sensing v 2 n 3 p 833-860 2010
National Oceanic and Atmospheric Administration (NOAA) Coastal Services Center LiDAR 101 An
Introduction LiDAR Technology Data and Applications Charleston SC NOAA Coastal Services Center
2008 Disponivel em httpwwwcscnoaagovdigitalcoast_pdfWhat_is_Lidarpdf Acesso em 10 nov 2012
Oliveira LT Carvalho LMT Ferreira MZ Oliveira TCA Acerbi Junior FW Application of LiDAR to
Forest Inventory for tree count in stands of Eucalyptus sp Cerne v 18 n 2 2012
Pacheco AP Centeno JAS Assunccedilatildeo MGT Botelho MF Classificaccedilatildeo de pontos LiDAR para a
geraccedilatildeo do MDT Boletim de Ciecircncias Geodeacutesicas v 17 n 3 p 417-438 2011
Reutebuch SE Andersen H-E McGaughey RJ Light detection and ranging (LIDAR) an emerging tool for
multiple resource inventory Journal of Forestry v 103 n 6 p 286-292 2005
Ribas RP Mapeamento de coacuterregos de cabeceira sob dosseacuteis florestais utilizando dados LiDAR Revista
Brasileira de Cartografia v 63 p 123-129 2010
Tinkham WT Huang H Smith AMS Shrestha R Falkowski MJ Hudak AT Link TE Glenn NF
Marks DG Comparison of Two Open Source LiDAR Surface Classification Algorithms Remote Sensing v3
p 638-649 2011
Washington Disponiacutevel em httpgisesswashingtonedudatarastertenmeterbyquadindexhtml Acesso em
10 nov 2012
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6120
valor eacute reduzido para 2m para os demais meacutetodos Entretando a distribuiccedilatildeo espacial dos
pontos espuacuterios eacute quase que idecircntica Uma ediccedilatildeo manual sobre os pontos individuais se faz
entatildeo necessaacuteria
A)
B)
D)
E)
C) F)
Figura 6 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
A Tabela 2 mostra os resultados dos testes estatiacutesticos empregados O trecircs meacutetodos de
classificaccedilatildeo apresentaram resultados similares de RMSE CV-RMSE e MAE com maiores
valores entretando atribuiacutedos ao classificador MCC Embora com estatiacutesticas similares uma
anaacutelise dos histogramas obtidos pelos diferentes classificadores (Figura 7) Uma anaacutelise mais
detalhada referente aos diferentes tipos de uso do solo eacute portanto recomendada
Tabela 2 Resultados dos testes estatiacutesticos
DTM Testes Estatiacutesticos
RMSE CV-RMSE () MAE ()
Fusion 79011 23391 19554
Lastools 78603 23484 19696
MCC 78928 23501 19693 Obs Foram pareados 1048575 pontos para execuccedilatildeo dos testes estatiacutesticos
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6118
Figura 7 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
5 Conclusotildees e Recomendaccedilotildees
As classificaccedilotildees descritas na presente investigaccedilatildeo embora similares representam uma
sugestatildeo acessiacutevel e satisfatoacuteria para obtenccedilatildeo automaacutetica de MDTs Os mesmos podem ser
aplicados em regiotildees planas e moderamente onduladas com diferentes tipos de vegetaccedilatildeo
requerendo uma miacutenima intervaccedilatildeo manual de ediccedilatildeo dos pontos A qualidade dos MDTs
gerados devem ser constadas preferencialmente em campo com mediccedilotildees de GPS diferencial
Futuros estudos devem envolver uma anaacutelise mais detalhada dos resultados em diferentes
classes de uso do solo Os efeitos de uma adequada classificaccedilatildeo podem entatildeo ser avaliadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6119
para a determinaccedilatildeo de aacutervores individuais de maneira similar ao proposto por Oliveira et al
(2012)
6 Agradecimentos
Agrave Washington State Department of Natural Resources pela cessatildeo dos dados
aerotransportados LiDAR e imagens para a realizaccedilatildeo desse estudo A FAPESP e ao CNPq
pelas bolsas concedidas
7 Referecircncias Bibliograacuteficas
Andersen H-E McGaughey RJ Reutebuch SE Forest Measurement and Monitoring using high-resolution
airborne LiDAR Productivity of Western Forests A Forest Products Focus 2005
Briese C Pfeifer N Airborne Laser Scanning and Derivation of Digital Terrain Models Fifth Conference on
Optical 3-D Measurement Techniques Vienna Austria 2001
Evans JS Hudak AT A multiscale curvature algorithm for classifying discrete return lidar in forested
environments IEEE Transactions on Geoscience and Remote Sensing v 45 p 1029-1038 2007
Hodgson ME Bresnahan P Accuracy of Airborne Lidar-Derived Elevation Empirical Assessment and Error
Budget Photogrammetric Engineering amp Remote Sensing v 70 n 3 p 331-339 2004
Hudak AT Evans JS Stuart Smith AM LiDAR Utility for Natural Resource Managers Remote sensing
1(4) (2009) 934ndash951
Isenburg M Liu Y Shewchuk J Snoeyink J Thirion T Generating raster DEM from Mass Points via TIN
Streaming In GISciencersquo06 Proceedings hellip Articles p 186 - 198 2006
Kraus K Pfeifer N Determination of terrain models in wooded areas with airborne laser scanner data ISPRS
Journal of Photogrammetry and Remote Sensing v 53 p 193-203 1998
Kraus K Pfeifer N Advanced DTM Generation from LiDAR data International Archives of
Photogrammetry Remote Sensing and Spatial Information Sciences v 34 n 3W4 p 23-30 2001
McGaughey RJ FUSIONLDV Software for LIDAR Data Analysis and Visualization V310 Washington
DC USDAForest Service p 170 2012
Meng X Currit N Zhao K Ground Filtering Algorithms for Airborne LiDAR Data A Review of Critical
Issues Remote Sensing v 2 n 3 p 833-860 2010
National Oceanic and Atmospheric Administration (NOAA) Coastal Services Center LiDAR 101 An
Introduction LiDAR Technology Data and Applications Charleston SC NOAA Coastal Services Center
2008 Disponivel em httpwwwcscnoaagovdigitalcoast_pdfWhat_is_Lidarpdf Acesso em 10 nov 2012
Oliveira LT Carvalho LMT Ferreira MZ Oliveira TCA Acerbi Junior FW Application of LiDAR to
Forest Inventory for tree count in stands of Eucalyptus sp Cerne v 18 n 2 2012
Pacheco AP Centeno JAS Assunccedilatildeo MGT Botelho MF Classificaccedilatildeo de pontos LiDAR para a
geraccedilatildeo do MDT Boletim de Ciecircncias Geodeacutesicas v 17 n 3 p 417-438 2011
Reutebuch SE Andersen H-E McGaughey RJ Light detection and ranging (LIDAR) an emerging tool for
multiple resource inventory Journal of Forestry v 103 n 6 p 286-292 2005
Ribas RP Mapeamento de coacuterregos de cabeceira sob dosseacuteis florestais utilizando dados LiDAR Revista
Brasileira de Cartografia v 63 p 123-129 2010
Tinkham WT Huang H Smith AMS Shrestha R Falkowski MJ Hudak AT Link TE Glenn NF
Marks DG Comparison of Two Open Source LiDAR Surface Classification Algorithms Remote Sensing v3
p 638-649 2011
Washington Disponiacutevel em httpgisesswashingtonedudatarastertenmeterbyquadindexhtml Acesso em
10 nov 2012
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6120
Figura 7 Diferenccedilas entre as classificaccedilotildees geradas pelo Fusion (A) Lastools (B) e MCC (C)
5 Conclusotildees e Recomendaccedilotildees
As classificaccedilotildees descritas na presente investigaccedilatildeo embora similares representam uma
sugestatildeo acessiacutevel e satisfatoacuteria para obtenccedilatildeo automaacutetica de MDTs Os mesmos podem ser
aplicados em regiotildees planas e moderamente onduladas com diferentes tipos de vegetaccedilatildeo
requerendo uma miacutenima intervaccedilatildeo manual de ediccedilatildeo dos pontos A qualidade dos MDTs
gerados devem ser constadas preferencialmente em campo com mediccedilotildees de GPS diferencial
Futuros estudos devem envolver uma anaacutelise mais detalhada dos resultados em diferentes
classes de uso do solo Os efeitos de uma adequada classificaccedilatildeo podem entatildeo ser avaliadas
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6119
para a determinaccedilatildeo de aacutervores individuais de maneira similar ao proposto por Oliveira et al
(2012)
6 Agradecimentos
Agrave Washington State Department of Natural Resources pela cessatildeo dos dados
aerotransportados LiDAR e imagens para a realizaccedilatildeo desse estudo A FAPESP e ao CNPq
pelas bolsas concedidas
7 Referecircncias Bibliograacuteficas
Andersen H-E McGaughey RJ Reutebuch SE Forest Measurement and Monitoring using high-resolution
airborne LiDAR Productivity of Western Forests A Forest Products Focus 2005
Briese C Pfeifer N Airborne Laser Scanning and Derivation of Digital Terrain Models Fifth Conference on
Optical 3-D Measurement Techniques Vienna Austria 2001
Evans JS Hudak AT A multiscale curvature algorithm for classifying discrete return lidar in forested
environments IEEE Transactions on Geoscience and Remote Sensing v 45 p 1029-1038 2007
Hodgson ME Bresnahan P Accuracy of Airborne Lidar-Derived Elevation Empirical Assessment and Error
Budget Photogrammetric Engineering amp Remote Sensing v 70 n 3 p 331-339 2004
Hudak AT Evans JS Stuart Smith AM LiDAR Utility for Natural Resource Managers Remote sensing
1(4) (2009) 934ndash951
Isenburg M Liu Y Shewchuk J Snoeyink J Thirion T Generating raster DEM from Mass Points via TIN
Streaming In GISciencersquo06 Proceedings hellip Articles p 186 - 198 2006
Kraus K Pfeifer N Determination of terrain models in wooded areas with airborne laser scanner data ISPRS
Journal of Photogrammetry and Remote Sensing v 53 p 193-203 1998
Kraus K Pfeifer N Advanced DTM Generation from LiDAR data International Archives of
Photogrammetry Remote Sensing and Spatial Information Sciences v 34 n 3W4 p 23-30 2001
McGaughey RJ FUSIONLDV Software for LIDAR Data Analysis and Visualization V310 Washington
DC USDAForest Service p 170 2012
Meng X Currit N Zhao K Ground Filtering Algorithms for Airborne LiDAR Data A Review of Critical
Issues Remote Sensing v 2 n 3 p 833-860 2010
National Oceanic and Atmospheric Administration (NOAA) Coastal Services Center LiDAR 101 An
Introduction LiDAR Technology Data and Applications Charleston SC NOAA Coastal Services Center
2008 Disponivel em httpwwwcscnoaagovdigitalcoast_pdfWhat_is_Lidarpdf Acesso em 10 nov 2012
Oliveira LT Carvalho LMT Ferreira MZ Oliveira TCA Acerbi Junior FW Application of LiDAR to
Forest Inventory for tree count in stands of Eucalyptus sp Cerne v 18 n 2 2012
Pacheco AP Centeno JAS Assunccedilatildeo MGT Botelho MF Classificaccedilatildeo de pontos LiDAR para a
geraccedilatildeo do MDT Boletim de Ciecircncias Geodeacutesicas v 17 n 3 p 417-438 2011
Reutebuch SE Andersen H-E McGaughey RJ Light detection and ranging (LIDAR) an emerging tool for
multiple resource inventory Journal of Forestry v 103 n 6 p 286-292 2005
Ribas RP Mapeamento de coacuterregos de cabeceira sob dosseacuteis florestais utilizando dados LiDAR Revista
Brasileira de Cartografia v 63 p 123-129 2010
Tinkham WT Huang H Smith AMS Shrestha R Falkowski MJ Hudak AT Link TE Glenn NF
Marks DG Comparison of Two Open Source LiDAR Surface Classification Algorithms Remote Sensing v3
p 638-649 2011
Washington Disponiacutevel em httpgisesswashingtonedudatarastertenmeterbyquadindexhtml Acesso em
10 nov 2012
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6120
para a determinaccedilatildeo de aacutervores individuais de maneira similar ao proposto por Oliveira et al
(2012)
6 Agradecimentos
Agrave Washington State Department of Natural Resources pela cessatildeo dos dados
aerotransportados LiDAR e imagens para a realizaccedilatildeo desse estudo A FAPESP e ao CNPq
pelas bolsas concedidas
7 Referecircncias Bibliograacuteficas
Andersen H-E McGaughey RJ Reutebuch SE Forest Measurement and Monitoring using high-resolution
airborne LiDAR Productivity of Western Forests A Forest Products Focus 2005
Briese C Pfeifer N Airborne Laser Scanning and Derivation of Digital Terrain Models Fifth Conference on
Optical 3-D Measurement Techniques Vienna Austria 2001
Evans JS Hudak AT A multiscale curvature algorithm for classifying discrete return lidar in forested
environments IEEE Transactions on Geoscience and Remote Sensing v 45 p 1029-1038 2007
Hodgson ME Bresnahan P Accuracy of Airborne Lidar-Derived Elevation Empirical Assessment and Error
Budget Photogrammetric Engineering amp Remote Sensing v 70 n 3 p 331-339 2004
Hudak AT Evans JS Stuart Smith AM LiDAR Utility for Natural Resource Managers Remote sensing
1(4) (2009) 934ndash951
Isenburg M Liu Y Shewchuk J Snoeyink J Thirion T Generating raster DEM from Mass Points via TIN
Streaming In GISciencersquo06 Proceedings hellip Articles p 186 - 198 2006
Kraus K Pfeifer N Determination of terrain models in wooded areas with airborne laser scanner data ISPRS
Journal of Photogrammetry and Remote Sensing v 53 p 193-203 1998
Kraus K Pfeifer N Advanced DTM Generation from LiDAR data International Archives of
Photogrammetry Remote Sensing and Spatial Information Sciences v 34 n 3W4 p 23-30 2001
McGaughey RJ FUSIONLDV Software for LIDAR Data Analysis and Visualization V310 Washington
DC USDAForest Service p 170 2012
Meng X Currit N Zhao K Ground Filtering Algorithms for Airborne LiDAR Data A Review of Critical
Issues Remote Sensing v 2 n 3 p 833-860 2010
National Oceanic and Atmospheric Administration (NOAA) Coastal Services Center LiDAR 101 An
Introduction LiDAR Technology Data and Applications Charleston SC NOAA Coastal Services Center
2008 Disponivel em httpwwwcscnoaagovdigitalcoast_pdfWhat_is_Lidarpdf Acesso em 10 nov 2012
Oliveira LT Carvalho LMT Ferreira MZ Oliveira TCA Acerbi Junior FW Application of LiDAR to
Forest Inventory for tree count in stands of Eucalyptus sp Cerne v 18 n 2 2012
Pacheco AP Centeno JAS Assunccedilatildeo MGT Botelho MF Classificaccedilatildeo de pontos LiDAR para a
geraccedilatildeo do MDT Boletim de Ciecircncias Geodeacutesicas v 17 n 3 p 417-438 2011
Reutebuch SE Andersen H-E McGaughey RJ Light detection and ranging (LIDAR) an emerging tool for
multiple resource inventory Journal of Forestry v 103 n 6 p 286-292 2005
Ribas RP Mapeamento de coacuterregos de cabeceira sob dosseacuteis florestais utilizando dados LiDAR Revista
Brasileira de Cartografia v 63 p 123-129 2010
Tinkham WT Huang H Smith AMS Shrestha R Falkowski MJ Hudak AT Link TE Glenn NF
Marks DG Comparison of Two Open Source LiDAR Surface Classification Algorithms Remote Sensing v3
p 638-649 2011
Washington Disponiacutevel em httpgisesswashingtonedudatarastertenmeterbyquadindexhtml Acesso em
10 nov 2012
Anais XVI Simpoacutesio Brasileiro de Sensoriamento Remoto - SBSR Foz do Iguaccedilu PR Brasil 13 a 18 de abril de 2013 INPE
6120