Neste artigo, você descobrirá como aplicar dois tipos de interpolação (TLI e IDW) simultaneamente a uma nuvem de pontos LIDAR, tendo segmentado a nuvem em dois tipos de zona.
Tutorial Processamento de dados HD LIDAR com o QGis .
2- Descarregar os dados do IGN HD LIDAR e carregá-los no QGis
3- Ferramentas para dados LIDAR no QGis 3.32
4-colorir a partir de uma imagem
5-colorir a partir de uma imagem com LAStools
6- modelo de superfície digital (MDS) com CloudCompare e LAStools
7- Créer un Modèle Numérique de Terrain avec CloudCompare
8- Criação de um modelo digital de terreno com o LAStools
9- Criação de um modelo de entidades digital com o Open Lidar Toolbox.
10-Papel da interpolação no contexto do modelo digital de elevação (DEM)
A interpolação tem uma influência significativa sobre a precisão e a qualidade visual do modelo digital de elevação (DEM) final. Esse processo envolve o ajuste de uma superfície aos dados de elevação de pontos, sobrepondo-os a uma grade definida por um tamanho de célula específico. É importante observar que os pontos obtidos como resultado desse processo são deduzidos dos dados originais e não correspondem diretamente aos pontos de dados reais.
Interpolação espacial: um grande desafio
Interpoladores disponíveis
Apesar dos inúmeros esforços sobre o assunto, a interpolação continua sendo um grande desafio. Os métodos existentes para gerar DEMs a partir de dados LiDAR aéreos encontram obstáculos significativos, especialmente em contextos de projetos em que as áreas têm características não terrestres densas ou paisagens complexas. A grande quantidade de análises destinadas a avaliar a precisão demonstra a complexidade da escolha do método de interpolação correto, pois cada método tem suas próprias vantagens e desvantagens específicas.
Na prática, sabe-se que os métodos baseados em krigagem geram DEMs com maior precisão, mas isso exige mais recursos computacionais. Abordagens como a inverso da poténcia das dist
O método Spline parece oferecer um compromisso entre o tempo de cálculo e a precisão em alta resolução. Embora seja altamente preciso em alta resolução, sua confiabilidade diminui em baixa resolução.
Os problemas inerentes a cada interpolador
Em contraste com a profusão de artigos dedicados à interpolação de Modelos Digitais de Elevação (DEMs), a interpolação de Modelos Digitais de Feições (DFMs) específicos para a arqueologia foi, até o momento, explorada apenas brevemente em um pequeno número de estudos, levando a conclusões divergentes: TLI, Kriging, Spline Interpolation e o Método do Vizinho Mais Próximo foram todos apontados como os interpoladores mais adequados.
Até o momento, considera-se que, apesar da superioridade da Krigagem em termos de resultados, atualmente é o interpolador Inverse Distance Weighted (IDW) que é especificamente adaptado à arqueologia, principalmente devido à sua facilidade de acesso.
No entanto, isso não significa que a interpolação por distância inversa ponderada (WIDI) esteja livre de falhas. Em áreas onde a amostragem é extremamente inadequada (onde a densidade de pontos de medição é muito menor do que a densidade de células de grade), a IDW gera um padrão relativamente denso de artefatos de interpolação negativos, resultando em erros na forma de valores negativos exagerados. Em áreas moderadamente subamostradas, os resultados serão visualmente mais satisfatórios, pois não haverá artefatos positivos. No entanto, podem ser observados artefatos negativos muito pequenos e um leve efeito de escala (que aparece como artefatos em escala de peixe) em declives. Embora esse efeito não seja particularmente perturbador do ponto de vista visual, ele pode induzir um observador inexperiente (ou até mesmo um observador experiente, na ausência de metadados adequados) a concluir falsamente que a formação é em terraços.
Em áreas com amostragem levemente insuficiente, o IDW tende a mostrar ruído nos dados resultante da configuração dos pontos de medição, que podem ser confundidos com características geológicas ou outras. Em áreas em que a densidade dos pontos de medição é igual ou superior à das células da grade, o IDW leva a uma suavização excessiva, o que não é a solução ideal para a interpolação adaptada ao contexto arqueológico.
A krigagem ordinária se destaca como um interpolador de alta qualidade, mas ainda não está amplamente disponível na maioria dos softwares relevantes. Se sua acessibilidade fosse melhorada, ele poderia rapidamente se tornar a opção preferida para interpolação específica de arqueologia. Por outro lado, a opinião mais difundida destaca o potencial de um interpolador híbrido que mesclaria as características do IDW e do TLI. Esses dois métodos se distinguem por sua alta acessibilidade e custo moderado de implementação. Enquanto o TLI é a melhor opção para áreas com excesso de amostragem, o IDW se destaca em áreas com falta de amostragem.
Configuração de um interpolador híbrido
No passado, faltava um elemento fundamental para a criação de um interpolador híbrido desse tipo. Era a falta de um método de segmentação adequado para dividir os dados em zonas mais adequadas a cada interpolador. Recentemente, esse problema foi resolvido com o uso da análise de árvore de classificação e regressão para gerar um mapa de previsão de incerteza do Modelo Digital de Terreno (DTM). Esse método foi adaptado, no plug-in Open Lidar Toolbox, para criar um mapa de confiança específico de arqueologia para o Digital Feature Model (DEM), atribuindo um nível de confiança que varia de um a seis a cada célula da grade. Essa abordagem possibilita quantificar a qualidade do Digital Feature Model em nível de pixel.
O mapa de confiança
Quando os interpoladores foram avaliados em relação ao mapa de confiança do DEM, verificou-se que o método de triangulação com interpolação linear (TLI) teve o melhor desempenho para áreas com níveis de confiança cinco e seis e apresentou bons resultados para os níveis três e quatro. Depois de resolver o problema de segmentação, um desafio permaneceu na implementação do interpolador híbrido. Por definição, os interpoladores TLI e IDW produzem modelos de grade ligeiramente diferentes.
Se esses dois modelos fossem simplesmente combinados usando a calculadora raster, apareceriam artefatos na forma de degraus nas zonas de transição entre os dois interpoladores. Embora esse fenômeno seja intrínseco a qualquer interpolador híbrido e não possa ser completamente eliminado, ele pode ser atenuado. Três medidas distintas de atenuação foram implementadas no Open Lidar Toolbox.
Soluções para a hibridização de dois interpoladores
Em primeiro lugar, as zonas de transição podem ser reduzidas por uma operação de desfragmentação. Em determinadas condições de paisagem e/ou de coleta de dados, os valores do mapa de confiança aparecem na forma de fragmentos dispersos. Nessas circunstâncias, a zona de transição aumenta exponencialmente, o que reduz os efeitos positivos da interpolação híbrida. Esse problema pode ser resolvido com a imposição de um tamanho mínimo para cada zona de interpolação, que seria muito maior do que o tamanho de uma única célula.
O método estatístico zonal com uma vizinhança de 11 células foi selecionado como o mais eficiente. Essa escolha foi motivada pelo fato de que essa vizinhança garante a ausência de zonas menores que 6 células, assegurando assim a consistência nas análises.
Deve-se observar também que as diferenças entre os interpoladores TLI e IDW não são uniformes. Suas variações são mais acentuadas nas zonas de confiança três e quatro, resultando em diferenças relativamente pequenas entre os dois interpoladores nesses intervalos de confiança. Como resultado, as transições entre os dois interpoladores são mais suaves e menos perceptíveis quando os níveis de confiança estão entre três e quatro.
Além disso, foram tomadas medidas para atenuar o efeito restante das transições entre os interpoladores. Uma estratégia adotada foi a introdução de uma zona de buffer nas zonas de contato, em que a elevação é calculada como a média ponderada entre os resultados dos interpoladores TLI e IDW. Vários experimentos foram realizados com buffers de uma, três e cinco células, com médias ponderadas. Na maioria dos casos, os resultados foram semelhantes, embora, em alguns casos extremos, o uso de buffers maiores tenha produzido artefatos mais significativos. Como resultado, foi tomada a decisão de usar um buffer de célula única para obter um compromisso ideal.
Ficou evidente que os artefatos “rosquinha” poderiam se formar quando as áreas de nível de confiança 1 do mapa DFM fossem diretamente adjacentes às áreas de nível 4 ou superior. Para resolver esse problema, a zona de contato foi ampliada, ou seja, movida mais para dentro das zonas de nível quatro: um movimento de três células provou ser uma solução adequada para essa situação.
Como funciona a interpolação híbrida
Todas as condições necessárias para a interpolação híbrida foram atendidas. O processo é o seguinte:
- Primeiro, a nuvem de pontos inteira é interpolada usando os dois métodos de interpolação.
- Em seguida, a área é dividida em segmentos, reclassificando o mapa de confiança DFM em duas categorias distintas: segmentos “vermelhos” (correspondentes aos níveis de um a três para IDW) e segmentos “azuis” (correspondentes aos níveis de quatro a seis para TLI).
- Em seguida, é executada uma etapa de desfragmentação, seguida de um deslocamento de três células.
- Além disso, é definida uma zona tampão de contato com uma célula de largura. Dentro dessa zona tampão, é usado o valor médio de elevação dos resultados obtidos pelos dois interpoladores.
- A fase final do procedimento envolve a fusão dos segmentos “vermelho” e “azul”, juntamente com a zona tampão. Essa fusão é realizada usando técnicas de álgebra cartográfica.
Algoritmo para criar o mapa de confiança
Esse é o modelo de processamento usado pela Open Lidar Toolbox no QGis para criar o mapa de confiança:
O mapa de confiança é produzido a partir de três arquivos de entrada, duas nuvens de pontos e um raster:
- o raster do modelo digital calculado usando o método de triangulação (TLI)
- a densidade por metro quadrado dos pontos correspondentes à vegetação baixa
- a densidade por metro quadrado dos pontos correspondentes ao solo
Dependendo dos valores de densidade e inclinação calculados a partir do modelo digital, teremos seis classes:
- Classe 1: densidade de pontos de “solo”: <1 , inclinação: <22,5° , densidade de pontos de vegetação baixa: não utilizada.
- Classe 2: densidade de pontos de “solo”: 1-4 , Inclinação: 22,5°-42,5° , Densidade de pontos de vegetação baixa: não utilizada.
- Classe 3: Densidade de pontos no solo: 1-2 , Inclinação: <22,5° , Densidade de pontos de vegetação baixa: não utilizada.
- Classe 4: Densidade de pontos do “solo”: >2 , Inclinação: <22,5° , Densidade de pontos de vegetação baixa: não utilizada, ou densidade de pontos do “solo”: >4 , Inclinação: >12,5° , Densidade de pontos de vegetação baixa: >4.
- Classe 5: densidade de pontos do “solo”: >4 , Inclinação: <12,5° , Densidade de pontos de vegetação rasteira: >4 ou densidade de pontos do “solo”: >4 , Inclinação: >12,5° , Densidade de pontos de vegetação rasteira: <4.
- Classe 6: densidade de pontos de “solo”: >4 , Inclinação: <12,5° , Densidade de pontos de vegetação baixa: <4.
A interpolação IDW é usada para zonas classificadas como 1 a 3 e a interpolação TLI para zonas classificadas como 4 a 6.
Interpolação híbrida de modelos de elevação
Para aplicar a interpolação híbrida para produzir um Modelo Digital de Elevação, como vimos no capítulo anterior, usamos a ferramenta One Step Processing no plug-in Open Lidar Toolbox.
Para criar um modelo digital de terreno (DTM)
Para usar a ferramenta de interpolação híbrida, precisamos de
- um mapa de confiança
- um raster interpolado com IDW
- um raster interpolado com TIN
Os rasters criados pelo plug-in Open Lidar Toolbox usam as classes “solo” e “edifícios” como camadas de terreno. Você pode modificar os parâmetros no código Python do plug-in, mas ainda é mais fácil executar o plug-in para obter o mapa de confiança, interpolar somente a classe “solo” e substituir o raster criado pelo plug-in por esses novos rasters.
Para criar o mapa de confiança, precisamos de uma nuvem de pontos LIDAR classificados. Não basta simplesmente ter os pontos de solo classificados, pois também precisamos da vegetação mais baixa. Você pode começar a partir de uma nuvem de pontos LIDAR IGN classificada ou de uma nuvem de pontos não classificada à qual você pode aplicar o LASclassify do LASTools, o Classify LAS/LAZ do Open Lidar Toolbox ou qualquer outro processo de classificação, dependendo das suas necessidades e do tipo de dados que estiver usando.
No exemplo abaixo, começamos com uma nuvem de pontos LIDAR HD classificada da IGN.
Para criar o mapa de confiança, podemos usar a ferramenta One Step Processing
Certifique-se de que a opção The input Las/Laz file is already classified o esteja marcada e desmarque todas as visualizações que não forem úteis.
O resultado é o seguinte:
Você pode usar as ferramentas de interpolação IDW e TIN de sua preferência, mas aqui manteremos as mesmas ferramentas usadas pelo plug-in:
- WhiteboxTools->Lidar Tools -> LidarIDWInterpolation
- WhiteboxTools->Lidar Tools -> LidarTINGridding
Observe que essas ferramentas não funcionam com arquivos .laz. Você precisará convertê-los para .las antes (Treatments->Point Cloud Conversion -> Convert format).
Insira todas as classes que não sejam a classe “solo” (2) na lista de exclusão e aumente o raio de busca de acordo com os “buracos” sem pontos de solo. Se o raio de busca for muito pequeno, você terá buracos em seu raster IDW.
Agora que temos os dois rasters de que precisamos, podemos executar a ferramenta Hybrid Interpolation (Interpolação híbrida):
Usamos o mapa de confiança do One Step Processing, mas os dois rasters foram interpolados usando apenas os pontos “ground”.
Carregamos o DTM resultante no QGis e, usando a Elevation Profile View, podemos ver os três modelos de elevação, especialmente nas zonas híbridas:
A linha azul corresponde ao DTM híbrido. Você pode ver claramente que os resultados das interpolações IDW e TIN diferem onde os declives são mais acentuados.
Cabe a você decidir qual método é mais adequado aos seus objetivos.