Desenvolvimento de uma metodologia para geração de MDT de cursos d’água usando SfM e nuvem de pontos LiDAR a partir de VANT

Por que mapear o leito dos rios é importante

Os rios fazem muito mais do que transportar água. Seus canais, bancos de areia e margens controlam inundações, criam habitat para a vida selvagem e influenciam como a poluição se desloca rio abaixo. Ainda assim, obter um mapa preciso do leito e das áreas adjacentes é surpreendentemente difícil, especialmente em trechos rasos e com vegetação, onde embarcações, sonar e pessoas com jalões têm dificuldade para alcançar. Este estudo mostra como drones de baixa altitude, scanners a laser e filtros computacionais inteligentes podem se combinar para construir mapas detalhados de “solo nu” de um riacho na Coreia, oferecendo uma visão mais segura, rápida e completa da forma oculta dos rios.

Novos olhos sobre um riacho complexo

Os pesquisadores focalizaram um trecho de 2,8 quilômetros do riacho Bokha em Icheon, Coreia do Sul, uma paisagem de canais sinuosos, bancos de areia, planícies de inundação e altas árvores ripárias. Levantamentos tradicionais ali seriam lentos, perigosos e incapazes de capturar cada curvatura e reentrância. Em vez disso, a equipe usou dois tipos de drones. Um transportou um scanner a laser (LiDAR) que emite pulsos de luz e mede o tempo de retorno, produzindo uma densa nuvem de pontos 3D capaz de penetrar a folhagem até o solo. O outro voou com uma câmera multiespectral e utilizou a técnica de structure from motion (SfM), costurando muitas fotos sobrepostas em outra nuvem de pontos 3D. Juntas, essas visões complementares ofereceram cobertura densa tanto das margens vegetadas quanto do canal raso e relativamente claro.

Separando água de terra e solo de entulho

As nuvens de pontos 3D brutas registram tudo: folhas, galhos, construções, ruído no ar e reflexos na água ondulada. Para modelar apenas o terreno verdadeiro, esses pontos extras precisam ser removidos. A equipe primeiro distinguiu água de terra usando um indicador simples baseado em cor chamado Índice de Água de Diferença Normalizada (NDWI), que compara o brilho de cada pixel nas bandas verde e do infravermelho próximo do espectro. Pixels com valores acima de um limite escolhido foram marcados como água. Em áreas terrestres, os pontos LiDAR foram privilegiados porque os pulsos a laser conseguem passar entre as folhas até o solo. Em áreas de água, onde o LiDAR reflete principalmente na superfície e não “vê” profundidade, os pesquisadores confiaram nos dados fotogramétricos do SfM, que às vezes conseguem registrar características do leito através de águas rasas e relativamente claras.

Testando três vassouras digitais

Em seguida veio a etapa mais difícil: eliminar vegetação e outros objetos não-terra preservando a forma real das margens e do leito. A equipe comparou três filtros de solo amplamente usados, ou “vassouras digitais”. O filtro de simulação de tecido imagina um pano flexível drapejado sobre a nuvem de pontos invertida, tratando o pano como o solo. O filtro TIN progressivo constrói gradualmente uma malha a partir dos pontos mais baixos, adicionando mais pontos se atendem a regras de altura e declividade. O filtro morfológico simples (SMRF) erosiona e dilata repetidamente a superfície, aparando objetos altos como arbustos e árvores. Para cada método, os pesquisadores testaram muitos conjuntos de parâmetros, ajustados para LiDAR em terra e SfM na água, e então compararam o terreno resultante com 11 perfis transversais cuidadosamente medidos com instrumentos de topografia tradicionais.

Encontrando o melhor ajuste ao rio real

A precisão foi avaliada usando as diferenças média e a raiz do erro quadrático entre as alturas modeladas e as medidas em campo. Quando LiDAR e SfM foram usados separadamente, o método baseado em fotos teve desempenho melhor no geral porque conseguiu capturar parcialmente o leito submerso que o LiDAR não registrou. Mas a imagem mais clara emergiu quando os dois conjuntos de dados foram combinados: LiDAR para terra, SfM para água, ambos tratados por filtros otimizados. Entre os três algoritmos, o SMRF apresentou o melhor desempenho geral, com erros na ordem de apenas 16 a 21 centímetros em toda a área. Ele se destacou na remoção de arbustos densos e árvores altas preservando feições acentuadas como pequenos terraços e margens íngremes, cruciais para modelos realistas de inundação e habitat, embora algumas vezes tenha subestimado ligeiramente as alturas em zonas aquáticas.

O que isso significa para os rios e seus arredores

Em termos práticos, o estudo entrega uma receita testada para transformar medições desordenadas de drones em mapas precisos de solo nu de riachos pequenos e rasos. Ao separar automaticamente água de terra e mesclar de forma inteligente dados a laser e fotogramétricos, o método supera muitas das limitações de levantamentos antigos feitos por barcos ou em solo. Os autores identificam o SMRF como o filtro de uso geral mais confiável para esse tipo de corredor fluvial misto, observando também que outro método, o filtro de simulação de tecido, é particularmente estável em áreas aquáticas complicadas com pontos ruins. Em conjunto, essas conclusões podem ajudar engenheiros e ecólogos a construir melhores modelos de inundação, planejar projetos de restauração e acompanhar como os rios mudam ao longo do tempo, tudo com menos risco e custo em campo. À medida que sistemas a laser mais eficientes e processamento aprimorado se difundem, essa abordagem pode tornar o mapeamento de alta resolução do leito dos rios uma ferramenta padrão para a gestão de cursos d’água.

Citação: Gou, J., Lee, H., Park, J. et al. Development of a stream DTM generation methodology using UAV-based SfM and LiDAR point cloud. Sci Rep 16, 5178 (2026). https://doi.org/10.1038/s41598-026-35473-x

Palavras-chave: mapeamento de rios, levantamento com drone, LiDAR, modelo digital do terreno, ecologia de cursos d’água