Drones no GeoRural
A Norma de Execução do INCRA para a utilização de Drones no Georreferenciamento já não é novidade. Essa norma libera o uso de aeronaves (tripuladas ou não) para o levantamento de feições fotoidentificáveis para fins de georreferenciamento de imóveis rurais.
Nessa Norma, são estabelecidos critérios para aplicação e avaliação de produtos gerados a partir de aerofotogrametria para determinação de coordenadas de vértices definidores de limites de imóveis rurais.
Neste artigo, serão apresentados detalhadamente quais são esses critérios e como eles podem ser checados utilizando algoritmos Python.
Análise da Norma de uso de Aerofotogrametria no GeoRural
A Norma de Execução (NE nº 02 INCRA, 2018) busca sistematizar os procedimentos técnicos a serem adotados pelos profissionais credenciados junto ao INCRA para certificação de imóveis rurais, onde os seguintes critérios devem ser observados:
- Registrar de Anotação de Responsabilidade Técnica (ART)
- Ter Feições fotoidentificáveis e Groud Sample Distance (GSD) compatíveis
- Respeitar as precisões do item 7.2 do Manual Técnico de Posicionamento
- Obedecer critérios de Acurácia Posicional Absoluta
- Elaborar e manter arquivos, documentos e relatórios
Anotação de Responsabilidade Técnica (ART)
Uma ART específica para o serviço de aerofotogrametria deve ser registrada no sistema do CONFEA/CREA por profissional com habilitação legal e conhecimento técnico para execução do aerolevantamento.
Feições fotoidentificáveis e Groud Sample Distance (GSD) compatíveis
O GSD, também conhecido como resolução espacial ou tamanho do pixel, deve possibilitar a perfeita identificação de feições artificiais e naturais na ortomosaicos.
Logo, é impossível encontrar vértices de uma cerca ou muro em um ortomosaico de, por exemplo, 50 centímetros de resolução espacial. Ou seja, embora a Norma não especifique qual é essa resolução, na prática, ter ortomosaicos com resolução melhor que 10 cm é essencial.
Precisões do Manual Técnico de Posicionamento para Aerofotogrametria
De acordo com Manual Técnico de Posicionamento, os vértices devem ser do tipo “V” virtual, conforme verificado abaixo:
Já os padrões de precisão estabelecidos na Norma Técnica para Georreferenciamento de Imóveis Rurais 3ª Edição (NTGIR 3) para os vértices definidores de limites são:
a) Para vértices situados em limites artificiais: melhor ou igual a 0,50 m;
b) Para vértices situados em limites naturais: melhor ou igual a 3,00 m; e
c) Para vértices situados em limites inacessíveis: melhor ou igual a 7,50 m.
Critérios de Acurácia Posicional Absoluta
a) Mínimo de 20 pontos de checagem/verificação perfeitamente identificáveis em campo.
b) Teste de Shapiro-Wilk, com nível de confiança de 95% para comprovar a normalidade das discrepâncias.
c) Teste de t-student, ao nível de confiança de 90%, para verificar a não tendenciosidade.
d) Todas as discrepâncias posicionais serem menores ou iguais à precisão posicional do tipo de limite.
Elaborar e manter arquivos, documentos e relatórios
a) Relatório de processamento do levantamento aéreo e do processamento dos pontos de controle e checagem utilizados.
b) Relatório de controle de qualidade posicional (avaliação da acurácia posicional absoluta);
c) Imagens aéreas ortorretificadas;
d) Licenças, habilitação e homologação, das agências e órgãos reguladores.
Algumas lacunas na Norma de Execução para o Georreferenciamento com Drones
No Art. 7º da NE nº 02 INCRA, 2018 define apenas que as precisões planimétricas em X e Y das coordenadas devem ser preenchidas com os valores do Root Mean Square (RMS), mas não faz referência a precisão altimétrica que também deve constar na planilha ODS para a certificação do imóvel.
O Art. 8º deixa bem claro que não se deve usar aerofotogrametria para determinar vértices do tipo “M”, sendo permitido determinar vértices em limites por cerca (tipo P) e vértices referentes a mudanças de confrontação. No entanto, de acordo com o item 7.2 do Manual de Posicionamento, os vértices adquiridos de ortomosaicos de Drone se restringem apenas a vértices do tipo “V”.
Como utilizar o Python no controle de Qualidade Posicional para o Georreferenciamento
Para realizar os testes exigidos na Norma de Execução do INCRA pode ser utilizada a biblioteca SciPy, um módulo de open source do Pyhton para atender demandas de matemáticos, cientistas e engenheiros. Junto com essa biblioteca, também será utilizada a biblioteca NumPy para a manipulação de arrays e matrizes.
Teste de Shapiro-Wilk
O teste de Shapiro-Wilk, proposto em 1965, calcula uma estatística W para testar se uma amostra aleatória, x1,x2,…,xn vem (especificamente) de uma distribuição normal.
A função Python scipy.stats.shapiro() retorna o valor W da estatística de teste e o p-valor correspondente.
Para o estudo da normalidade dos dados, podem ser tomadas as seguintes regras de decisão para um determinado nível de confiança 1- α:
Se p-valor ≤ α, então se rejeita a hipótese nula, ou seja, assume-se que a distribuição dos dados não é normal/gaussiana.
Se p-valor > α, então não rejeitamos a hipótese nula, ou seja, assumimos que a distribuição dos dados é normal/gaussiana.
Confira o algoritmo Python para esse teste:
from scipy import stats
import numpy as np
dados = np.array([0.099, -0.056, -0.078, -0.029, -0.065, 0.019, -0.052, -0.049, -0.047, -0.055, -0.026, -0.020, -0.029, -0.029, -0.040, -0.019, 0.000, -0.016, -0.017, -0.015, -0.023, -0.015, -0.018, 0.018, -0.007])
W, pvalor = stats.shapiro(dados)
print("O valor calculado do teste de Shapiro-Wilk é de = {}".format(W))
print("O p-valor calculado para o teste de Shapiro-Wilk é de = {}".format(pvalor))
if pvalor <= 0.05:
print("Com 95% de confianca, rejeitamos a hipótese nula Ho, ou seja, assumimos que a distribuição de nossa variável não é normal/gaussiana, segundo o teste de Shapiro-Wilk")
else:
print("Com 95% de confianca, deixamos de rejeitar a hipótese nula Ho, ou seja, assumimos que a distribuição de nossa variável é normal/gaussiana, segundo o teste de Shapiro-Wilk")
Teste de t-student
Para o teste t-student a função scipy.stats.ttest_1samp(). Este é um teste para a hipótese nula de que o valor esperado (média) de uma amostra de observações independentes a é igual à média populacional dada, popmean.
No caso do Georreferenciamento, os dados não são tendenciosos quando o resultado da estatística t está dentro do intervalo de confiança de 90%, podendo ser verificado pelo código Python abaixo:
calc_t, pvalor = stats.ttest_1samp(a = dados, # amostra
popmean = 0) # média da população
print("T Student Calculado: {}".format(calc_t))
confianca = 0.9 # intervalo de confiança
gl = len(dados)-1 # graus de liberdade
t_student_min, t_student_max = stats.t.interval(confianca, gl) # valores do interavalo
if calc_t < t_student_min or calc_t > t_student_max:
print("Existe tendência nos dados!")
else:
print("Não há tendência nos dados.")
Veja como realizar esses testes estatísticos na Prática utilizando Python no QGIS
Aprenda como Processar Imagens de Drone em Softwares Lives
