Brasil
| Dissertation
Utilização de dados 3D de alta resolução para detecção de mudanças em movimentos de massa em Perus, São Paulo (SP)
Registro en:
SANTOS, Luiz Fernando dos. Utilização de dados 3D de alta resolução para detecção de mudanças em movimentos de massa em Perus, São Paulo (SP). Orientador: Carlos Henrique Grohmann de Carvalho. 2020. 220f. Dissertação ( Mestrado em Ciências) - Instituto de Geociências, Universidade de São Paulo, São Paulo, 2020.
Autor
SANTOS, Luiz Fernando dos
Institución
Resumen
Há um aumento da intensidade e frequência de desastres naturais em todo o mundo,
especialmente os relacionados aos movimentos de massa (p. ex., deslizamentos),
inclusive no Brasil onde vários ocorreram nos últimos anos. O desenvolvimento
recente de plataformas e sensores remotos aéreos de coleta de dados, como
aeronaves não tripuladas equipados com sensores fotográficos comuns (drones),
pode, com um certo nível de planejamento fotogramétrico e processamento de dados,
ser usado para entender melhor esses cenários, com resultados positivos na
identificação, análise e monitoramento de áreas suscetíveis aos movimentos de
massa. O objetivo foi (1) produzir uma extensa e ampla revisão bibliográfica de temas
relacionados; (2) o emprego de drones e pontos de controle (GCPs), pela técnica
dGNSS, em área suscetível de geodinâmica conhecida (como o Morro Doce, a NW
da cidade de São Paulo); (3) uma comparação, por meio de algoritmo apropriado, de
dois conjuntos de dados 3D registrados (nuvens de pontos) e gerados a partir de
processamento fotogramétrico (SfM-MVS) para detectar alterações topográficas (p.
ex., um deslizamento). O primeiro conjunto de imagens, adquirido em 2017, contém
um total de 155 imagens e 7 GCPs de <1 cm em precisão XYZ. O segundo, de 2019,
compreende 484 imagens e 8 GCPs de <2cm em XY e <4cm em Z. Diante de
diferentes arranjos de aquisição de dados (linhas de vôo, altura acima do solo, GCPs)
e equipamentos, o processamento de dados e o registro obtiveram a melhor qualidade
possível por meio de uma análise da configuração inicial, observações de modelos de
câmera, filtragem e otimização (ajustamento por feixe de raios) automatizados via
script Python. A seguir, as nuvens densas, resultantes da etapa MVS, foram filtradas
de ruídos e pontos acima do solo e depois segmentadas por uma área comum
(cobrindo as feições de instabilidade identificadas na encosta). Após, uma filtragem
multi-etapas utilizou um algoritmo especializado (Cloth Simulation Filter), as distâncias
calculadas para uma superfície/nuvem de referência conhecida (dados LiDAR-ALS) e
a remoção manual de pontos resultando em nuvens de pontos comparáveis, livres de
objetos (apenas pontos de solo) e com erro de registro de 5cm medido em feições
estáveis da encosta (p. ex., afloramentos rochosos). Uma comparação 3D nuvem a
nuvem (método M3C2) detectou pequenas mudanças significativas em duas cicatrizes
de deslizamento, sugerindo que estas áreas mudaram no intervalo de tempo do
estudo, ou, que pontos não-solo ainda estavam presentes apesar da filtragem
criteriosa (M3C2 considera a rugosidade das nuvens). Para considerar a origem dos
dados (fotogramétrica) e melhorar os resultados, foram incorporados estimativas de
precisão dos pontos (M3C2-Precision Maps), resultando em nenhuma alteração
significativa detectada e correspondendo ao registro histórico da Defesa Civil local no
período. O resultado representa um modelo histórico de mudança mais detalhado do
que o monitoramento visual atualmente empregado. A prevenção é um dos principais
pilares da gestão de desastres naturais, portanto, os resultados destacam um novo
método de prevenção, de última geração e baixo custo, para monitorar movimentos
de massa antes que eles ocorram e causem perdas e danos.