Printer Friendly

QUALITY ASSESSMENT IN ORTHOMOSAICS PRODUCED FROM IMAGES OBTAINED WITH UNMANNED AERIAL VEHICLE WITHOUT THE USE OF SUPPORT POINTS/VERIFICACAO DA QUALIDADE DE ORTOMOSAICOS PRODUZIDOS A PARTIR DE IMAGENS OBTIDAS COM AERONAVE REMOTAMENTE PILOTADA SEM O USO DE PONTOS DE APOIO.

INTRODUCAO

Aeronaves Remotamente Pilotadas, conhecidas tambem como Veiculo Aereo Nao-Tripulado (VANT), UAV em ingles (Unmanned aerial vehicle) ou, popularmente, "Drones" no Brasil, tem permitido a obtencao de dados para estudos e pesquisas em diferentes areas (HARDIN; JENSEN, 2011). RPA e termo adotado pela Agencia Nacional de Aviacao Civil (ANAC, 2015) para designar os VANTs e resulta da juncao das iniciais do termo Remotely Piloted aircraft RPA (EVERAERTS, 2008).

Existem diferencas conceituais e tecnicas entre as RPAs, sendo a principal delas o sistema aerodinamico, que divide as mesmas em asa fixa e multirotor (SOUSA; SOUSA; COSTA, 2016). Diferentes classificacoes ainda podem ser utilizadas quanto ao peso e uso das mesmas (DECEA, 2017).

Quanto ao sistema de navegacao embarcado, dois tipos sao encontrados no mercado: RPAs com RTK (Real Time Kinematic) e sem RTK, denominadas RPA-SPS (Standard Positioning Service). Enquanto o primeiro permite a correcao da posicao em tempo real e o processamento das posicoes observadas, o segundo realiza a navegacao utilizando somente os sinais abertos de uma ou mais constelacoes de satelites de navegacao (GPS, GLONASS, Galileu, etc.) e nao possibilita a correcao e o reprocessamento das coordenadas (DEPARTMENT OF DEFENSE, 2008).

Dos produtos que podem ser obtidos com o uso de RPAs, dois se destacam nas analises geoespaciais: o ortomosaico e o modelo digital de elevacao (MDE). O ortomosaico corresponde ao mosaico das ortofotos (MARCHETTI; GARCIA, 1989; TORRADO, 2016) e, o MDE, a imagem na qual cada pixel apresenta um valor relativo a altitude da superficie modelada (SOPCHAKI, 2016).

Estes materiais servem de base para obtencao de medidas planimetricas e altimetricas que subsidiam as analises geoespaciais. Assim, sao utilizados na delimitacao de areas de risco (SOLOMON et al., 2002), quantificacao de cicatrizes de movimentos de massa (LUCIEER; JONG; TURNER, 2014), definicao de areas de protecao permanente (APP) (CANDIDO; DA SILVA; FILHO, 2015), classificacao e quantificacao da vegetacao (PRIMICERIO et al., 2012; BRAZ et al., 2015), delimitacao e quantificacao de areas de inundacao (SUMALAN; POPESCU; ICHIM, 2015; BUFFON; PAZ; SAMPAIO, 2017), etc.

A partir de 2015, houve um aumento no numero de pesquisas que utilizam dados obtidos com uso de RPAs (LONGHITANO, 2010; SOUSA, 2017). Isto se deu em funcao de diferentes fatores como: facilidade de uso, resolucao das imagens, custo com aquisicao do equipamento e processamento das imagens e, a possibilidade de adequar a data da coleta e repeticao dos levantamentos a dinamica dos eventos pesquisados.

A facilidade de uso pode ser caracterizada a partir de dois aspectos:

1. planejamento dos voos: podem ser feitos previamente em escritorio ou diretamente em campo utilizando smartphones (ou tablets) com uso de softwares gratuitos (ex.: Pix4D Capture, Precision Hawk, DroneDeploy, etc.). Tratase de um procedimento em tres etapas: desenho do poligono (ou linha ou circunferencia) que recobre a area de interesse, definicao dos recobrimentos do voo (lateral e longitudinal) e, da altura do voo (responsavel pela resolucao espacial final dos produtos). Cabe observar que nestes casos, da decolagem ao pouso o controle da aeronave e feito pelo aplicativo que gerencia o plano de voo e a RPA.

2. processamento das imagens: os produtos finais podem ser processados via web ou diretamente pelo usuario. No processamento pela web, o usuario envia as imagens capturadas e recebe os produtos possiveis de serem elaborados com as mesmas (MDT, MDS, ortomosaico, indice de vegetacao, etc.). No processamento desktop, o usuario pode utilizar programas de Sistemas de Informacoes Geograficas--SIG/ Processamento Digital de Imagens--PDI (como: ArcGIS, ENVI, QGIS, SPRING, etc.), ou programas especializados na manipulacao deste tipo de dado (como a exemplo: Agisoft Photoscan, Pix4Dmapper e Correlator3D). Estes ultimos acessam diretamente os metadados das imagens e, atraves de rotinas preestabelecidas, ou por manipulacao do usuario, realizam a geracao dos produtos.

O custo pode ser dividido em custo com equipamentos e custo final dos produtos gerados. O custo dos produtos possui relacao com o tipo e a qualidade que deseja e, com a dimensao da area a ser mapeada. Neste caso sao considerados os gastos com deslocamento, aquisicao de pontos de controle, aluguel ou compra de equipamentos e softwares, contratacao de mao-de-obra, etc. O custo dos equipamentos depende, dentre outros, do sistema de posicionamento da RPA (RTK ou SPS) e do tipo, quantidade e qualidade dos sensores embarcados.

Os trabalhos de Perin et al. (2016) e Zanetti (2017) demonstram que, com auxilio de pontos de apoio (pontos com coordenadas conhecidas), mesmo RPAs-SPS com sistema fotografico de uso recreativo, podem ser empregados na geracao de ortomosaicos e MDEs permitindo a obtencao de produtos com escala de 1:1000 ou melhores.

O nivel de simplificacao operacional, que tem permitido a usuarios sem conhecimento tecnico na area de mapeamento gerar ortomosaicos e MDEs, tem explicacao na ampla gama de aplicacao das RPAs, o que tem levado as empresas que comercializam produtos, principalmente, para agricultura, mineracao e arquitetura, a desenvolver e aprimorar tais rotinas (NEX; REMONDINO, 2014).

Apesar de conhecidos os padroes de acuracia das coordenadas obtidas com o uso dos equipamentos de navegacao embarcados nas RPAs-SPS (GPS, GLONASS, etc.), ainda nao sao perfeitamente conhecidos os reflexos da propagacao e acumulacao de erros sobre os produtos cartograficos gerados com o uso destes equipamentos (ortomosaico e MDE), sem o uso de pontos de apoio.

Considerando que o levantamento de dados em campo por vezes demanda a realizacao de trabalhos rapidos (como o imageamento de um movimento de massa) e/ou a obtencao de dados em areas de dificil acesso (sendo inviavel a aquisicao de pontos de apoio e controle) e, principalmente, considerando o custo e a facilidade de geracao de ortomosaicos e MDEs com RPAs-SPS, cabe verificar qual seria a qualidade posicional esperada para os produtos cartograficos gerados empregando somente estes equipamentos associados a rotinas padronizadas de programas especializados.

O conhecimento dos padroes de acuracia esperados permitiria aos pesquisadores e tecnicos que demandam estes produtos (ortomosaico e MDE) decidir sobre a adequacao e pertinencia de uso destes equipamentos e produtos em suas pesquisas e analises geoespaciais.

No que se refere a qualidade planimetrica, dois tipos de erros vao estar presentes nos ortomosaicos (DA SILVA et al., 2015): 1. O deslocamento em relacao a sua posicao esperada no espaco (qualidade absoluta erro que interfere diretamente no enquadramento do produto cartografico em relacao a escala (PEC-PCD) (DSG--DIRETORIA DO SERVICO GEOGRAFICO, 2016b) e, 2. Deslocamentos internos a imagem (qualidade relativa) que irao afetar diretamente as metricas obtidas a partir destes produtos.

Com base nos padroes estabelecidos pelo Padrao de Exatidao Cartografica dos Produtos Cartograficos Digitais (PEC-PCD) objetiva-se avaliar a qualidade planimetrica dos ortomosaicos produzidos a partir de imagens coletadas com RPAs-SPS e uso de rotinas automatizadas de software especialista, sem o emprego de pontos de apoio.

MATERIAIS E METODOS

A pesquisa foi dividida em quatro fases: 1) planejamento dos voos; 2) realizacao dos levantamentos; 3) processamentos dos dados e geracao dos ortomosaicos e 4) analise de qualidade planimetrica. Foi utilizada uma RPA modelo Phantom 3--Professional, cedida pelo Laboratorio de Analises de Padroes Espaciais e Cartografia Tematica (LAPE-CT) da Universidade Federal do Parana (UFPR).

Este modelo integra dados inerciais e dados GNSS para sua navegacao e determinacao da posicao de cada imagem no instante da aquisicao. As informacoes de posicao sao gravadas instantaneamente nos metadados de cada imagem (GUJJAR et al., 2017; MOHAMMAD et al., 2017). Maiores detalhes sobre o equipamento podem ser obtidos junto ao fabricante (DJI, 2017).

Os levantamentos foram realizados no Centro Politecnico, Campus III da Universidade Federal do Parana (figura 1). A area de voo foi definida em 42,64 ha, em cinco faixas de voo, com recobrimento lateral de 70% e longitudinal de 80% e velocidade de 10 m/s. Foi utilizado o aplicativo livre Pix4D Capture para o planejamento dos voos.

Os voos foram feitos entre os meses de outubro de 2016 e fevereiro de 2017. Foram executados 20 levantamentos em diferentes datas, horarios e, consequentemente, numeros de satelites observaveis e condicoes meteorologicas (quadro 1).

O processamento dos dados foi executado no Software Agisoft PhotoScan. Foi aplicada a rotina de processamento sugerida pelo software (figura 2), o que envolve a orientacao das fotos (align photos), identificacao e densificacao de pontos homologos (Build dense cloud), geracao dos modelos (Build mesh, texture, tiled model e DEM) e geracao de ortomosaicos (Build orthomosaic) (Figura 2). As ortofotos foram geradas na resolucao de 0,1 metros.

Para o processamento assumiu-se como desconhecidos os Parametros de Orientacao Interior--POI da camera (distancia focal, coordenadas de ponto principal e coeficientes de distorcao de lentes), sendo todos determinados em uma autocalibracao. Conforme argumentado por Colomina e Molina (2014), testes realizados em softwares proprietarios atestam a eficiencia do procedimento.

Os ortomosaicos tiveram sua qualidade planimetrica avaliada a partir de coordenadas de pontos de verificacao levantados no terreno com GNSS ATX 900 Leica, que apresenta receptor de dupla frequencia e permite o rastreio continuo em 12 canais nas bandas L1 e L2. Estes pontos nao foram utilizados para geracao dos ortomosaicos. Demais especificacoes tecnicas do equipamento estao disponiveis em Leica (2017). Os pontos foram levantados e processados na disciplina de Cartografia Geral, do Programa de Pos-Graduacao em Ciencias Geodesicas (UFPR), ministrada pela Prof- Dr- Luciene Stamato Delazari.

Foram selecionados 10 pontos (fig. 03) que pudessem ter sua posicao identificada perfeitamente no terreno e nos ortomosaicos, a fim de calcular os erros. Cabe destacar que, conforme preconizam as normas e a literatura nacional e internacional (FGDC, 1998; MINNESOTA PLANNING, 1999; DSG, 2016a; DSG, 2016b) os pontos tem precisao pelo menos tres vezes superior ao produto a ser avaliado e estao bem distribuidos por todos os quadrantes.

Conforme recomendacao tecnica da DSG (2016b) "o tamanho da amostra e determinado pelo processo de avaliacao", sendo assim, a Teoria Exata da Amostragem (SPIEGEL, 1994) permite a adocao desta quantidade de pontos (10 pontos amostrais), assim como a quantidade de voos para validacao (20 voos) (MERCHANT, 1982; GALO; CAMARGO, 1994; VIEIRA; GENRO; 2013).

As validacoes foram efetuadas a partir da analise de tendencia por t-Student, e da precisao a partir do Erro Medio Quadratico (EMQ), conforme metodologia proposta por FGDC (1998), MINNESOTA PLANNING (1999) e DSG (2016b). Foi calculado tambem o valor da acuracia absoluta para graus de confianca 90% e para 95% a partir do EMQ (SOPCHAKI, 2016). A partir do calculo de acuracia para 90% e do EMQ, cada ortomosaico teve seu enquadramento efetuado junto ao PEC-PCD (DSG, 2016a) na maior escala possivel para a Classe A.

A analise de tendencia atraves da distribuicao de t-Student, proposta por Merchant (1982) objetiva verificar se a media dos residuos e estatisticamente nula, atraves do seguinte teste de hipotese:

[H.sub.0] : [DELTA][bar.xy] = 0 (1)

[H.sub.1] : [DELTA][bar.xy] [not equal to] (2)

Onde: [DELTA][bar.xy] equivale a media das discrepancias das coordenadas das amostras.

O t de Student amostral e calculado atraves da seguinte equacao:

[t.sub.calc] = [[DELTA][bar.xy]/[sigma]] [square root of n] (3)

Onde: [sigma] equivale ao desvio padrao das discrepancias das coordenadas das amostras e n equivale ao tamanho da amostra validada.

O Desvio Padrao da amostra equivale a raiz quadrada positiva da variancia, conforme a equacao a seguir:

[S.sub.y] = [square root of [S.sup.2.sub.y]] (4)

Onde [S.sup.2.sub.y] equivale a variancia, a qual e calculada a partir da seguinte equacao:

[S.sup.2.sub.y] = [[summation].sup.n.sub.i=1] [[[([DELTA][x.sub.i] - [DELTA][bar.x]).sup.2]]/[n - 1]] (5)

Onde [DELTA][x.sub.i] refere-se a discrepancia calculada em cada ponto e [DELTA][[bar.x].sup.-] refere-se as medias das discrepancias, obtidos, respectivamente, pelas seguintes equacoes:

[DELTA][x.sub.i] = [x.sub.ref i] - [x.sub.test i] (6)

[DELTA][bar.x] = [[[summation].sup.n.sub.i=1][DELTA][x.sub.i]]/n] (7)

[DELTA][y.sub.i] = [y.sub.ref i] - [y.sub.test i] (7)

[DELTA][bar.y] = [[[summation].sup.n.sub.i=1][DELTA][y.sub.i]]/n] (8)

Onde: [x.sub.ref i] e [y.sub.ref i] referem-se-se as coordenadas tidas como referencia para o teste (pontos de controle GNSS), [x.sub.test i] e [y.sub.test i] referem-se as coordenadas obtidas nos pontos homologos identificados no ortomosaico

Se -[t.sub.tab] [less than or equal to] [t.sub.calc] [less than or equal to] + [t.sub.tab], entao aceita-se [H.sub.0]. Caso contrario, rejeita-se [H.sub.0] e aceita-se [H.sub.1]. [t.sub.tab] refere-se ao t-Student estatistico, de acordo com a probabilidade (90% para o PEC-PCD) e o grau de liberdade (dado por n - 1). O t-Student estatistico pode ser obtido em tabelas de t de Student ou diretamente em softwares de planilha eletronica.

O Erro Medio Quadratico e calculado a partir da seguinte equacao:

[EMQ.sub.xy] = [square root of [[[summation].sup.n.sub.i=1][(xy).sup.2]]/n]] (9)

O calculo da acuracia, a partir do EMQ, de acordo com a NSSDA (FGDC, 1998), para probabilidade de 95%, e dado por:

Acuracia (95%) = 1,9600 x EMQ (10)

O calculo da acuracia, a partir do EMQ, com probabilidade de 90%, para fins de enquadramento junto ao PEC-PCD (DSG, 2016a) e dado por:

Acuracia (90%) = 1,6449 x EMQ (11)

Alem dos testes de acuracia posicional planimetrica absoluta, foram efetuadas tambem analises objetivando verificar a qualidade interna do modelo gerado. Para isto foram calculados os valores das distancias cartograficas (UTM) entre as coordenadas de sete pares de pontos (Fig. 04) obtidos junto ao levantamento GNSS e as distancias foram comparadas com as distancias obtidas entre os pontos homologos nos ortomosaicos, a partir das seguintes equacoes:

[DELTA][x.sub.A-B] = [x.sub.A] - [x.sub.B] (12)

[DELTA][y.sub.A-B] = [y.sub.A] - [y.sub.B] (13)

[DELTA][xy.sub.A-B] = [square root of [([DELTA][x.sub.A-B]).sup.2] + [([DELTA][y.sub.A-B]).sup.2] (14)

Erro [xy.sub.A-B] = [DELTA][xy.sub.A-B ref i] - [DELTA][xy.sub.A-B test i] (15)

Onde: [DELTA][x.sub.A-B] refere-se a distancia cartografica entre os pontos A e B no eixo X; AJa-b refere-se a distancia cartografica entre os pontos A e B no eixo Y; [DELTA][xy.sub.A-B] refere-se a distancia cartografica resultante entre os pontos A e B; [DELTA][xy.sub.A-B ref i] refere-se a distancia cartografica entre os pontos A e B, tidas como referencia para o teste (pontos de controle GNSS); [DELTA][xy.sub.A-B test i] refere-se a distancia cartografica entre os pontos A e B obtidas a partir do calculo efetuado entre os pontos homologos identificadas no ortomosaico; e Erro [xy.sub.A-B] refere-se ao erro (em metros--distancia cartografica) calculado no ortomosaico entre os pontos A e B.

RESULTADOS E DISCUSSOES

A figura 05, exposta a seguir, demonstra o resultado do calculo do Root Mean Square Error--RMSE (Erro Medio Quadratico), os valores de acuracia absoluta para 95% e 90% dos pontos, o enquadramento junto ao PEC-PCD Classe A, na maior escala permitida para cada voo (com base nos valores de EMQ e acuracia), bem como os testes de t-Student efetuados, buscando averiguar se ha alguma tendencia de deslocamento.

A analise de tendencia apresentou resultados compativeis com o esperado para o tipo de produto gerado. Isto porque, ha uma contribuicao de erros intrinsecos ao posicionamento por GNSS. Conforme Li et al. (2015), Santerre et al. (2017) e Seeber (2003) ha uma natural Diluicao de Precisao--DOP em funcao da constelacao de satelites rastreada.

Considerando que os voos foram realizados em uma janela de tempo inferior a 20min, e em datas e horarios distintos, era esperado que a geometria das constelacoes satelitais observadas pudessem promover a ocorrencia de tendencia nas posicoes registradas para cada voo, quando analisado de forma isolada. Isto porque a geometria dos satelites, em periodos curto de tempo, provoca a introducao de erro sistematico.

Convem lembrar que a posicao de cada imagem e derivada de uma trajetoria calculada em tempo real (instantanea) a partir de dados inerciais e efemerides transmitidas. Portanto, nao e possivel afirmar que a tendencia observada nos ortomosaicos e resultante exclusivamente da posicao registrada nos metadados.

Infere-se, com base nos resultados explicitados na figura 05, que o voo 15 apresentou menor valor de EMQ (0,7 m) e o voo 20 o maior valor (5,6 m). Assim, a acuracia absoluta para grau de confianca de 90% foi de 1,2 m para o voo 15 e 9,2 m para o voo 20, o que permitiria que os ortomosaicos fossem enquadrados, respectivamente, nas escalas 1:5.000 e 1:50.000 do PEC-PCD Classe A (DSG, 2016a).

No tocante a acuracia absoluta para 95% dos pontos, o melhor resultado foi de 1,4 m (voo 15) e o pior resultado foi de 11,0 m (voo 20). O valor medio do RMSE dos 20 ortomosaicos foi de 4,0 m, a media da acuracia absoluta para 95% de confianca foi de 7,8 m e a media da acuracia absoluta para 90% de confianca foi de 6,5 m.

Portanto, com base nessa amostragem de 20 voos realizados na mesma area, infere-se que os ortomosaicos produzidos com uso de RPAs-SPS (como o Phantom 3 Professional), associados ao uso de rotinas automazidadas (Agisoft Photoscan) e, sem uso de pontos de apoio apresentem enquadramento na escala 1:50.000 (podendo chegar a 1:5.000) conforme padroes do PEC-PCD Classe A (DSG, 2016a). Pode-se ainda inferir que, o voo devera apresentar EMQ planimetrico medio de 4,0 m, estando, na melhor das hipoteses, com EMQ proximo a 0,7 m e, na pior das hipoteses, com EMQ proximo a 5,6 m.

Quanto a analise de tendencia, 65% dos voos apresentaram deslocamento sistematico, conforme resultados obtidos a partir dos testes de t-Student. Quatro ortomosaicos apresentaram tendencia de deslocamento em somente um eixo (voos 2, 4, 15 e 20) e os demais (voos 6, 7, 8, 9, 10, 16, 18 e 19) apresentaram tendencia de deslocamento em ambos os eixos. Neste caso, seria pertinente avaliar a possibilidade de corrigir a tendencia e, se a remocao da mesma pode resultar em melhoria na qualidade posicional.

A Figura 06 apresenta os resultados da analise da qualidade interna do modelo. Buscouse, a partir desta analise, verificar se havia um padrao predominante de propagacao de erros (radial, perimetral, longitudinal, latitudinal).

Com o apoio da figura 05, que apresenta a distribuicao dos pontos, e possivel concluir que nao ha um padrao de distribuicao dos erros, mas que os mesmos se distribuem uniformemente nos ortomosaicos, conforme pode se observar nos resultados dos erros apresentados em percentagem.

Tomando como exemplo o voo 1, podese inferir que os erros variam de 4,3 m (distancia cartografica entre os pontos A - I) ate 8,2 m (distancia cartografica entre os pontos E - J). Vistos em percentagem, os valores dos erros sao de aproximadamente 1,3% do valor da dimensao medida, independente do padrao geometrico e da localizacao dos pontos no ortomosaico, ou seja, no geral, serao maiores os erros, quanto maiores forem as distancias.

Alguns voos apresentaram padrao de acuracia posicional interna (no que se refere a planimetria) superior ao padrao de posicionamento planimetrico calculado anteriormente. Embora os resultados de acuracia planimetrica tenham demonstrado que o melhor voo foi o de no 15 e o pior voo foi o de no 20, o mesmo nao se repetiu com os resultados da qualidade interna.

Os voos que obtiveram os menores percentuais de erros nas distancias cartograficas medidas diretamente nos ortomosaicos foram os voos 8 e 9, ambos com media dos erros de 0,06%. Tais voos obtiveram EMQ de 3,9m, portanto, embora enquadrados na escala 1:25.000 do PEC-PCD, no que diz respeito ao processo de obtencao de distancias planimetricas, os erros observados sao inferiores aos esperados para esta escala.

Os voos que apresentaram os maiores percentuais de erros de distancia cartografica planimetrica entre os pontos foram os voos 5, 4 e 17, com valores medios dos erros respectivamente de, 1,58%, 1,60% e 1,69%.

Conclui-se, portanto, com base na analise dos resultados dos 20 voos realizados, que, ao utilizar uma RPA (Drone Phantom 3 Professional), atuando no modo de processamento sem controle de campo, apoiando-se tao somente nos dados de posicao registrados nos metadados de cada imagem e com uma autocalibracao da camera, espera-se que o EMQ esteja abaixo de 5,6 m e que o valor em percentagem dos erros entre as distancias internas seja inferior a 1,69% da distancia cartografica de referencia (verdade de campo).

O objetivo da pesquisa foi o de informar aos pesquisadores que demandam dados e, que desejam utilizar RPA sem pontos de apoio, qual a estimativa de erro associada ao posicionamento do ortomosaico e, as medidas obtidas diretamente sobre estes produtos, como exemplo, a mensuracao de uma vocoroca.

Neste caso, e possivel afirmar que no pior cenario observado, o enquadramento do ortomosaico em relacao a sua qualidade posicional sera 1:50.000 conforme PEC-PCD Classe A, 1:25.000 (Classes B e C) e 1:10.000 (Classe D), ainda que, as dimensoes obtidas sobre este tipo de produto apresentam erro nao superior a 1,69% da dimensao medida.

CONSIDERACOES FINAIS

A pesquisa aborda a qualidade dos ortomosaicos produzidos com RPAs-SPS, uso de rotinas automatizadas e sem pontos de apoio. O uso de pontos de apoio, alteracao de rotinas e softwares e, do equipamento podem produzir valores diferentes dos daqui observados.

Os valores demonstram que o uso de rotinas automatizadas de softwares especialistas possibilita a geracao de ortomosaicos na escala 1:50.000 ou melhores (Classe A do PEC-PCD), sem o emprego de pontos de apoio. Demonstram tambem que as dimensoes obtidas sobre os ortomosaicos nao apresentaram erros superiores a 1,69%, podendo chegar a 0,06%.

Cabe destacar ainda que a pesquisa demonstrou que nao ha um padrao predominante de propagacao de erros (radial, perimetral, longitudinal, latitudinal), pois os erros independem do padrao geometrico e da localizacao dos pontos no ortomosaico, ou seja, serao maiores os erros, quanto maiores forem as distancias.

A pesquisa utilizou ortomosaicos construidos a partir de um unico voo, ou seja, os valores observados nao se aplicam a ortomosaicos construidos a partir do uso de dados de multiplos voos.

AGRADECIMENTOS

Aos discentes da disciplina de Cartografia Geral, do Programa de Pos-Graduacao em Ciencias Geodesicas (UFPR) e a Prof- Dr- Luciene Stamato Delazari, por terem, gentilmente, cedido os dados do levantamento elaborado com GNSS no campus Centro Politecnico.

REFERENCIAS

ANAC--AGENCIA NACIONAL DE AVIACAO CIVIL. RPAS--Sistemas de Aeronaves Remotamente Pilotadas. ANAC, 2015. Disponivel em <https://goo.gl/MTjt67>. Acesso em 08 out 2017.

BRAZ, A. M.; BORGES, J. P. dos S.; BERNARDES, D. C. da S.; TEREZAN, L. H. Analise da aplicacao de VANT na atualizacao de cadastro florestal com uso de pontos de controle. In: XVII Simposio Brasileiro de Sensoriamento Remoto--SBSR, Joao Pessoa-PB, Brasil, INPE, 1, Anais ... 2015.

BUFFON, E. A. M.; PAZ, O. L. de S. da; SAMPAIO, T. V. M. Uso de Veiculo Aereo Nao Tripulado (Vant) Para Mapeamento das Vulnerabilidades a Inundacao Urbana: Referenciais e Bases de Aplicacao. Revista do Departamento de Geografia, n. spe, p. 180, 2017.

CAI, C.; GAO, Y. Precise Point Positioning Using Combined GPS and GLONASS Observations. Journal of Global Positioning Systems, v. 6, n. 1, p. 13-22, 2007.

CANDIDO, A. K. A. A.; DA SILVA, N. M.; FILHO, A. C. P. Imagens de alta resolucao espacial de Veiculos Aereos Nao Tripulados (VANT) no planejamento do uso e ocupacao do solo. Anuario do Instituto de Geociencias, v. 38, n. 1, p. 147-156, 2015.

COLOMINA, I.; MOLINA, P. Unmanned aerial systems for photogrammetry and remote sensing: A review. Journal of Photogrammetry and Remote Sensing, 2014.

DA SILVA, C. A.; DUARTE, C. R.; SOUTO, M. V. S.; SABADIA, J. A. B. Utilizacao de VANT para geracao de ortomosaicos e aplicacao do Padrao de Exatidao Cartografica (PEC). XVII Simposio Brasileiro de Sensoriamento Remoto--SBSR, Jo{a}o Pessoa-PB, Brasil, INPE, n. 1, p. 6381-6388, 2015.

DECEA--DEPARTAMENTO DE CONTROLE DO ESPACO AEREO. Portaria DECEA No 282/DGCEA, de 22 de dezembro de 2016. Aprova a reedicao da ICA 100-40, que trata dos "Sistemas de Aeronaves Remotamente Pilotadas e o Acesso ao Espaco Aereo Brasileiro". Publicado no BCA, Brasilia, DF, 02 fev 2017.

DEPARTMENT OF DEFENSE, U. Global Positioning System Standard Positioning Service. Department Of Defense, U.S.A Washington Department Of Defense, USA, 2008.

DJI. Phantom 3 Professional Downloads. Disponivel em < https://goo.gl/PAuP91>. Acesso em 08 ago 2017.

DSG--DIRETORIA DO SERVICO GEOGRAFICO. Especificacao tecnica para a aquisicao de dados geoespaciais vetoriais (ET-ADGV). 2- ed., Versao 1.1, 2016a.

DSG--DIRETORIA DO SERVICO GEOGRAFICO. Especificacao tecnica para controle de qualidade de dados geoespaciais (ET-CQDG). 1- ed., 2016b.

EVERAERTS, J. The use of unmanned aerial vehicles (UAVs) for remote sensing and mapping. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. 37, n. 2008, p. 1187-1192, 2008.

FGDC. National Standard for Spatial Data Accuracy. Federal Geographic Data Committee, 1998. Disponivel em: <http://goo.gl/SLX7i6> Acesso em 20 ago 2014.

GALO, M.; CAMARGO, P. de O.; O uso do GPS no controle de qualidade de cartas. In.: COBRAC 1994, 1o Congresso Brasileiro de Cadastro Tecnico Multifinalitario. Tomo II, p. 41-48, Florianopolis--SC, 1994.

GUJJAR, P.; RAO, P.; RAO, P. S.; DEVI, G. L. The MIR Flickr Retrieval Evaluation Proposal Based on User Tags and Textual Passwords. International Journal of Advanced Engineering, Management and Science, n. 4, p. 343-349, 2017.

HARDIN, P. J.; JENSEN, R. R. Small-scale unmanned aerial vehicles in environmental remote sensing: Challenges and opportunities. GIScience & Remote Sensing, v. 48, n. 1, p. 99-111, 2011.

LEICA. Leica GPS900 Especificaciones Tecnicas. Disponivel em: <https://goo.gl/o4k8Mk>. Acesso em: 13 Nov 2017.

LI, X.; ZHANG, X.; REN, X.; FRITSCHE, M.; WICKERT, J.; SCHUH, H. Precise positioning with current multi-constellation Global Navigation Satellite Systems: GPS, GLONASS, Galileo and BeiDou. Scientific Reports, v. 5, p. 8328, fev. 2015.

LONGHITANO, G. A. VANTS para sensoriamento remoto: aplicabilidade na avaliacao e monitoramento de impactos ambientais causados por acidentes com cargas perigosas. 2010. Tese de Doutorado. Universidade de Sao Paulo, 2010.

LUCIEER, A.; JONG, S. M. de; TURNER, D. Mapping landslide displacements using Structure from Motion (SfM) and image correlation of multitemporal UAV photography. Progress in Physical Geography, v. 38, n. 1, p. 97-116, 2014.

MARCHETTI, D. A. B.; GARCIA, G. J. Principios de fotogrametria e fotointerpretacao. [s.l.] Nobel, 1989.

MERCHANT, D.C. Spatial accuracy standards for large scale line maps. AMERICAN CONGRESS ON SURVEYING AND MAPPING. USA--Denver/CO, 1982.

MINNESOTA PLANNING. Positional Accuracy Handbook. Using the National Standard for Spatial data Accuracy to measure and report geographic data quality. Minnesota Planning, St. Paul, MN, 1999.

MOHAMMAD, S.; KHAN, N.; MOHD, J.; QADRI, L. The Understanding of Exchangeable Image File ( Exif) Metadata of Images : Towards Disseminating the Awareness to the Society. In: 3th International Conference on Information Technology & Society, Anais ... 2017.

NEX, F.; REMONDINO, F. UAV for 3D mapping applications: A review. Applied Geomatics, 2014.

PERIN, G.; GERKE, T.; LACERDA, V. S.; ZUBEK DA ROSA, J.; CAIRES, E. F.; GUIMARAES, A. M. Analise de Acuracia de Georrefereciamento de Mosaicos de Imagens Obtidas por RPA. Anais do EATI--Encontro Anual de Tecnologia da Informacao e STIN--Simposio de Tecnologia da Informacao da Regiao Noroeste do RS 193, p. 193-199, 2016.

PRIMICERIO, J.; DI GENNARO, S. F.; FIORILLO, E.; GENESIO, L.; LUGATO, E.; MATESE, A.; VACCARI, F. P. A flexible unmanned aerial vehicle for precision agriculture. Precision Agriculture, v. 13, n. 4, p. 517-523, 2012.

RANGO, A.; LALIBERTE, A.; HERRICK, J. E.; WINTERS, C.; HAVSTAD, K.; STEELE, C.; BROWNING, D. Unmanned aerial vehicle-based remote sensing for rangeland assessment, monitoring, and management. Journal of Applied Remote Sensing, v. 3, n. 1, p. 33542, 2009.

SANTERRE, R.; GEIGER, A.; BANVILLE, S. Geometry of GPS dilution of precision: revisited. GPS Solutions, v. 21, n. 4, p. 1747-1763, 2017.

SEEBER, G. Satellite Geodesy: Foundations, Methods, and Applications. [s.l.] De Gruyter, 2003.

SOLOMON, D.; LEHMANN, J.; MAMO, T.; FRITZSCHE, F.; ZECH, W. Phosphorus forms and dynamics as influenced by land use changes in the sub-humid Ethiopian highlands. Geoderma, v. 105, n. 1-2, p. 21-48, 2002.

SOPCHAKI, C. H. Influencia do N amostral e das caracteristicas do relevo na qualidade de modelos digitais do terreno. Tese (doutorado) Universidade Federal do Parana, Setor de Ciencias da Terra, Programa de Pos-Graduacao em Geografia. 161 f. Curitiba, 2016.

SOUSA, A.; SOUSA, J. J.; COSTA, J. DETECAO DE OBJETOS A PARTIR DE IMAGENS OBTIDAS POR VANT. (U. N. de Lisboa, Ed.) In: SEMINARIO INTERNACIONAL UAV, Lisboa. Anais ... Lisboa: Universidade Nova de Lisboa, 2016.

SOUSA, H. L. de. Sensoriamento Remoto com VANTs: uma nova possibilidade para a aquisicao de geoinformacoes. Revista Brasileira de Geomatica, p. 326-342, 2017.

SPIEGEL, M.R. Estatistica: 383 Problemas Resolvidos, 416 Problemas Suplementares. Traducao e revisao tecnica: Pedro Consentino. 3a edicao. Sao Paulo: Pearson Education do Brasil, 1994.

SUMALAN, A. L.; POPESCU, D. A. N.; ICHIM, L. Flooded areas detection based on LBP from UAV images. Recent Advances on Systems, Signals, Control, Communications and Computers, p. 186-191, 2015.

TORRADO, J. O. E. Ortomosaicos y modelos digitales de elevacion generados a partir de imagenes tomadas con sistemas UAV. Tecnura, v. 20, n. 50, p. 119-140, 2016.

VIEIRA, H. B. G.; GENRO, R. S. Estimativa da acuracia posicional de documentos cartograficos na Petrobras a partir do erro maximo provavel inferido do erro medio quadratico e da respectiva variancia propagada. XVI Simposio Brasileiro de Sensoriamento Remoto--SBSR, Foz do Iguacu, PR, 2013.

ZANETTI, J. Influencia do numero e distribuicao de pontos de controle em ortofotos geradas a partir de um levantamento por VANT. 2017. UFV, 2017

Carlos Henrique Sopchaki (1), Otacilio Lopes de Souza da Paz (2), Niarkios Luiz Santos de Salles Graca (3), Tony Vinicius Moreira Sampaio (4)

(1) Universidade Federal do Parana, Curitiba/PR, e-mail: csopchaki@gmail.com

(2) Universidade Federal do Parana, Curitiba/PR, e-mail: otacilio.paz@gmail.com

(3) Universidade Federal do Parana, Curitiba/PR, e-mail: niarkiosnl@hotmail.com

(4) Universidade Federal do Parana, Curitiba/PR, e-mail: tonysampaio@ufpr.br

Recebido em: 10/11/2017

Aceito em: 09/02/2018

DOI: 10.5380/raega

Caption: Figura 1--Localizacao do Centro Politecnico da UFPR (area de estudo) e faixas de voo da RPA. Fonte: autores (2017).

Caption: Figura 3--Pontos amostrais para validacao dos ortomosaicos. Fonte: autores (2017).

Caption: Figura 4--Distancia entre pontos amostrais. Fonte: autores (2017).
Quadro 1--Relacao e caracteristicas dos 20 voos

No. voo   Altura   Horario voo   Satelites   Condicoes metereologicas

1         220 m       09:34         17       Nublado
2         220 m       10:15         15       Nublado
3         220 m       11:30         17       Sol entre nuvens
4         220 m       14:00         16       Sol entre nuvens
5         220 m       09:30         16       Nublado
6         220 m       10:43         21       Nublado
7         220 m       11:15         20       Nublado
8         220 m       15:25         20       Nublado
9         220 m       15:44         19       Nublado
10        220 m       16:01         18       Nublado
11        220 m       11:56         19       Sol
12        220 m       12:21         16       Sol
13        220 m       14:47         18       Sol
14        220 m       16:36         19       Nublado
15        220 m       08:39         20       Sol entre nuvens
16        220 m       08:56         20       Sol entre nuvens
17        220 m       09:13         19       Sol entre nuvens
18        220 m       09:36         18       Sol entre nuvens
19        220 m       10:34         20       Nublado
20        220 m       10:53         19       Nublado

Fonte: autores (2017).

Figura 2--Rotina de processamento dos dados coletados pela RPA no
software Argisoft Photoscan. Fonte: autores (2017).

Align Photo         General    Accuracy: High
                               Pair preselection: Disabled
                    Advanced   Key point limit: 40,000--Tie point
                                 limit: 4,000
                               Constrain features by mask: No
                               Adaptive camera model fitting: Yes

Build Dense Cloud   General    Quality: Medium
                    Advanced   Depth filtering: Aggressive
                               Reuse depth maps: No

Build Mesh          General    Surface type: Arbitrary--Source data:
                                 Dense cloud
                               Face count: Medium--Custom face count:
                                 200,000
                    Advanced   Interpolation: Enabled (default)
                               Point classes: All

Build Texture       General    Mapping mode: Generic--Texture from:
                                 All Cameras
                               Blending mode: Mosaic
                               Texture size: 4,096--Texture count: 1

                    Advanced   Color correction: No
                               Hole filling: Yes

Build Tiled Model   General    Source data: Dense cloud
                               Pixel size: 0--Tile size: 256

Build DEM           General    Source data: Dense cloud
                               Interpolation: Enabled (default)
                               Point class: All--Projection:
                                 Resolution (m/pix): 0

Build Orthomosaic   General    Resolution (m): 0
                               Surface: Mesh--Blending mode: Mosaic
                               Color Correction: No
                               Projection:--Use custom region: No

Figura 5--Acuracia planimetrica dos 20 voos realizados no Centro
Politecnico da UFPR Fonte: autores (2017).

Ortomosaicos gerados a partir dos 20 voos realizados com Drone Phantom
3 no campus Centro Politecnico da UFPR

Acuracia planimetrica, enquadramento junto ao PEC-PCD e analise de
tendencia

                         Acuracia absoluta
          RMSE (1)                                PEC-PCD
            (m)      95% (2) (m)   90% (3) (m)   (Classe A)

Voo 1       4,1          8,1           6,8        1:25.000
Voo 2       5,3         10,3           8,6        1:50.000
Voo 3       3,8          7,5           6,3        1:25.000
Voo 4       5,5         10,7           8,9        1:50.000
Voo 5       5,3         10,5           8,8        1:50.000
Voo 6       3,0          5,9           4,9        1:25.000
Voo 7       3,0          5,8           4,9        1:25.000
Voo 8       3,9          7,6           6,3        1:25.000
Voo 9       3,9          7,6           6,4        1:25.000
Voo 10      5,2         10,2           8,6        1:50.000
Voo 11      5,2         10,2           8,5        1:50.000
Voo 12      4,3          8,4           7,0        1:25.000
Voo 13      4,2          8,2           6,9        1:25.000
Voo 14      3,9          7,7           6,4        1:25.000
Voo 15      0,7          1,4           1,2        1:5.000
Voo 16      1,1          2,1           1,8        1:10.000
Voo 17      5,2         10,3           8,6        1:50.000
Voo 18      3,2          6,3           5,3        1:25.000
Voo 19      2,7          5,4           4,5        1:25.000
Voo 20      5,6         11,0           9,2        1:50.000
minimo      0,7          1,4           1,2        1:5.000
medio       4,0          7,8           6,5           --
maximo      5,6         11,0           9,2        1:50.000

              t Student (4)

              E           N

Voo 1     0,11 (B)    -0,65 (B)
Voo 2     -0,23 (B)   -2,11 (A)
Voo 3     0,08 (B)     0,01 (B)
Voo 4     -0,17 (B)   -1,71 (A)
Voo 5     -0,16 (B)    0,01 (B)
Voo 6     9,69 (A)    -13,33 (A)
Voo 7     11,38 (A)   -17,09 (A)
Voo 8     8,15 (A)    -53,48 (A)
Voo 9     4,44 (A)    -56,00 (A)
Voo 10    1,86 (A)    -1,69 (A)
Voo 11    -0,95 (B)   -1,69 (A)
Voo 12    0,73 (B)    -0,51 (B)
Voo 13    -0,64 (B)   -0,88 (B)
Voo 14    -0,92 (B)   -0,99 (B)
Voo 15    -1,79 (A)    1,32 (B)
Voo 16    -3,70 (A)   -4,59 (A)
Voo 17    0,46 (B)     0,30 (B)
Voo 18    9,11 (A)    -17,25 (A)
Voo 19    10,24 (A)   -18,06 (A)
Voo 20    -0,37 (B)   -3,31 (A)
minimo
medio
maximo

1--Roof Mean Square Error (Erro Medio Quadratico);
2; 3-95% ou 90% dos pontos apresentam erros
menores do que 'x' metros;
4 -1 Student estatistico (n=10; 90%) = 1,38

(A) Apresenta tendencia

(B) Nao apresenta tendencia

Figura 5--Erros internos dos 20 ortomosaicos. Fonte: autores (2017).

Distancia cartografica entre os pares de pontos GNSS e erros obtidos
nas medidas efetuadas entre os pontos homologos nos Ortomosaicos

                               Erro                        Erro
Pontos   GNSS    Orto                        Orto
         (1)      (2)    (m) (3)   (%) (4)    (2)    (m) (3)   (%) (4)

                          Voo 1                       Voo 2

C-G      513,1   506,2     6,9      1,35%    505,2     7,9      1,54%
E-J      620,0   611,9     6,2      1,31%    610,7     9,3      1,51%
A-I      349,5   345,2     4.3      1,23%    345,0     4.4      1,26%
G-I      333,9   329.4     4.4      1,32%    326,6     5,3      1,58%
D-C      478,6   472,5     6,2      1,29%    471,5     7.1      1,49%
I-F      462,5   456.5     6,0      1,30%    455,4     7.1      1,55%
I-D      612,9   605,0     8,0      1,30%    603,6     9.4      1,53%

                          Voo 5                       Voo 6
C-G      513,1   505.4     7.7      1,50%    514,0    -0,9     -0,18%
E-J      620,0   610,0    10,1      1,62%    621,6    -1.5     -0,25%
A-I      349,5   344.2     5.3      1,50%    350,1    -0.6     -0,18%
G-I      333,9   326,6     5,3      1,59%    335,0    -1.1     -0,33%
D-C      478,6   471.1     7.6      1,58%    479,7    -1,0     -0.22%
I-F      462,5   454,9     7.6      1,64%    463,6    -1.1     -0,24%
I-D      612,9   602,9    10.0      1,63%    613,9    -0,9     -0,15%

                          Voo 9                      Voo 10

C-G      513,1   512,4     0,7      0,14%    506,0     7,0      1,37%
E-J      620,0   620,0     0,0      0.01%    611,8     8.2      1,33%
A-I      349,5   349,2     0,2      0,07%    345,5     3,9      1,13%
G-I      333,9   333,8     0,1      0.02%    329,1     4,8      1.44%
D-C      478,6   476,5     0,2      0,04%    472,3     6,3      1,32%
I-F      462,5   462,3     0,2      0,05%    456.2     6,3      1,37%
I-D      612,9   612,2     0,6      0,12%    604,6     6,3      1,36%

                         Voo 13                      Voo 14

C-G      513,1   506,0     7.1      1,38%    506,9     6,2      1,20%
E-J      620,0   612,5     7.5      1,22%    612,9     7,2      1,15%
A-I      349,5   345,5     4.0      1,14%    345,6     3,8      1,09%
G-I      333,9   329,2     4.7      1,39%    329,9     4,0      1,19%
D-C      478,6   471,9     6,7      1,40%    472,7     5,9      1,24%
I-F      462,5   456,3     6,2      1,35%    457,0     5.6      1,20%
I-D      612,9   604.4     8,5      1,39%    605,4     7,6      1,23%

                         Voo 17                      Voo 16

C-G      513,1   504.3     6,6      1,72%    513,6    -0,5     -0,10%
E-J      620,0   609,3    10,3      1,65%    621,8    -1.7     -0,28%
A-I      349,5   344.0     5.5      1,58%    349,8    -0,3     -0.10%
G-I      333,9   327,9     5,9      1,78%    334,7    -0,3     -0,24%
D-C      478,6   470,3     7.6      1.64%    479,0    -0,3     -0,07%
I-F      462,5   454,5     6,0      1,73%    463,6    -1.1     -0,24%
I-D      612,9   602,5    10,4      1,70%    613,4    -0,5     -0,08%

                               Erro                  Erro
Pontos   GNSS    Orto                        Orto
         (1)      (2)    (m) (3)   (%) (4)    (2)    (m) (3)   (%) (4)

                          Voo 3                       Voo 4

C-G      513,1   506,5     6,6      1,28%    504,6     8.5      1,65%
E-J      620,0   612,3     7,6      1,25%    610,2     9,9      1,59%
A-I      349,5   345,6     3,9      1,12%    344,2     5,3      1,51%
G-I      333,9   329,4     4,5      1,34%    328,4     5,5      1,65%
D-C      478,6   472,7     5,9      1,24%    471,2     7,5      1,56%
I-F      462,5   456,7     5,6      1,26%    454,9     7.6      1,65%
I-D      612,9   605,2     7,6      1,27%    603,0    10,0      1,63%

                          Voo 7                       Voo 8
C-G      513,1   513,8    -0,7     -0,14%    512,4     0.7      0,13%
E-J      620,0   621,4    -1.4     -0,22%    620,3    -0,3     -0,05%
A-I      349,5   349,6    -0.2     -0,04%    349,1     0,3      0,09%
G-I      333,9   335,2    -1,3     -0,40%    333,8     0,0      0,01%
D-C      478,6   479,3    -0.6     -0,13%    478,4     0,3      0,05%
I-F      462,5   463,4    -0,9     -0,19%    462,3     0,2      0,04%
I-D      612,9   613,4    -0.4     -0,07%    612,1     0,9      0,15%

                         Voo 11                      Voo 12

C-G      513,1   505,1     6,0      1,55%    505,9     7,2      1,41%
E-J      620,0   610,8     9,3      1,49%    612,0     8.1      1,30%
A-I      349,5   344,3     5.1      1.47%    344,9     4,6      1,31%
G-I      333,9   328,5     5,3      1,60%    329,1     4,6      1.44%
D-C      478,6   471,5     7.1      1,49%    472,2     6.4      1,35%
I-F      462,5   455.4     7,2      1,55%    456,1     6.4      1,39%
I-D      612,9   603,6     9.4      1,53%    604,6     8,3      1,36%

                         Voo 15                      Voo 16

C-G      513,1   513,8    -0,7     -0,13%    512,0     1.1      0,21%
E-J      620,0   621,7    -1.6     -0,26%    619,6     0,5      0,08%
A-I      349,5   350,3    -0,8     -0,24%    348,9     0,6      0,16%
G-I      333,9   334.4    -0,5     -0.16%    333,5     0,3      0,10%
D-C      478,6   479,6    -0,9     -0,19%    478,0     0.7      0,14%
I-F      462,5   463,4    -0,8     -0.18%    461,9     0.7      0,15%
I-D      612,9   613,7    -0,8     -0,13%    611,7     1,3      0,20%

                         Voo 19                      Voo 20

C-G      513,1   512,2     0,9      0,18%    505,5     7.6      1,49%
E-J      620,0   619,6     0,5      0,07%    611,9     8,2      1,32%
A-I      349,5   349,1     0,3      0,09%    344,7     4,6      1,36%
G-I      333,9   333,6     0,3      0,09%    328,9     4,9      1,48%
D-C      478,6   478,3     0,3      0,07%    472,0     6.7      1,39%
I-F      462,5   462,0     0,6      0,12%    456,0     6,6      1,42%
I-D      612,9   612,0     1,0      0,16%    604,3     8,6      1,41%

Legenda:

(1)--Distancia entre os pontos GNSS [em metros);

(2)--Distancia entre os pontos no Ortomosaico (em metros):

(3)--Diferenca das distancias entre os pontos do GNSS e do
Ortomosaico [em metros);

(4)--Relacao entre o erro (em metros) e a distancia entre
os pontos correspondentes no GNSS.
COPYRIGHT 2018 Editora da UFPR
No portion of this article can be reproduced without the express written permission from the copyright holder.
Copyright 2018 Gale, Cengage Learning. All rights reserved.

Article Details
Printer friendly Cite/link Email Feedback
Title Annotation:texto en portugues
Author:Sopchaki, Carlos Henrique; da Paz, Otacilio Lopes de Souza; Graca, Niarkios Luiz Santos de Salles; S
Publication:Ra'e Ga
Article Type:Ensayo
Date:Feb 1, 2018
Words:7045
Previous Article:ANALYSIS OF SCALE IN ACQUIRING TOPOGRAPHIC ATTRIBUTES DERIVED FROM /ANALISE DA INFLUENCIA DA ESCALA NA OBTENCAO DOS ATRIBUTOS TOPOGRAFICOS DERIVADOS...
Next Article:UNMANNED AERIAL VEHICLE PHOTOGRAMMETRIC SURVEY FOR DIGITAL TERRAIN MODEL GENERATION OF A SPARSE FORESTED CATCHMENT/LEVANTAMENTO COM VEICULO AEREO NAO...
Topics:

Terms of use | Privacy policy | Copyright © 2021 Farlex, Inc. | Feedback | For webmasters