Inventários de cobertura do solo com drones: das classes à verificação de campo

Separar a cobertura visível do uso da terra

A cobertura do solo descreve o que cobre uma superfície; o uso da terra diz respeito à sua função ou atividade. As imagens podem mostrar telhados, vegetação, solo descoberto ou água sem provar a função ou o estado de gestão de um edifício. Mantenha esses conceitos separados em um inventário. Se forem necessários atributos de uso, planeie fontes adicionais, como verificações de campo ou registos de gestão. Não deduza a função apenas da cor e da forma. Defina a escala de trabalho e as decisões pretendidas para que as categorias reflitam as necessidades reais de informação. Isto evita que um mapa visual seja tratado como evidência sobre características que o levantamento nunca observou diretamente.

Defina categorias distinguíveis

As classes devem refletir as necessidades do utilizador e as evidências disponíveis. Muitas categorias visualmente semelhantes podem aumentar a incerteza, enquanto grupos excessivamente amplos podem esconder diferenças importantes. Forneça descrições, exemplos e regras de limite. Explique o tratamento de áreas mistas, vegetação esparsa, sombras e objetos temporários. Quando for usada uma hierarquia, mantenha ligações entre categorias detalhadas e resumidas. Ensaie as regras antes da digitalização ou classificação de todo o projeto. Exemplos partilhados ajudam vários operadores a trabalhar de forma consistente, em vez de confiar no juízo pessoal sempre que encontram um local ambíguo. Registe como a incerteza é tratada, em vez de forçar um rótulo preciso com base em evidências insuficientes.

Escolha observações para características relevantes

As imagens RGB fornecem contexto de textura, cor e forma. Observações multiespectrais podem adicionar informações espectrais relevantes quando a aquisição e o processamento são apropriados. LiDAR pode suportar altura estrutural ou distinções de superfície quando necessário. Nenhum sensor fornece automaticamente todas as rótulos de cobertura sem regras e avaliação. Identifique atributos que realmente ajudam a separar categorias e, em seguida, ensaie condições representativas. Sob as copas ou ao redor de edifícios altos, indique se as classes descrevem a superfície superior visível. Informações ocultas não devem ser adicionadas apenas porque um algoritmo fornece um rótulo de aparência confiável. A escolha do sensor deve estar ligada ao que realmente pode ser observado e verificado.

Definir unidades cartográficas e regras para elementos mínimos

A resolução da imagem não é necessariamente o detalhe pretendido do polígono. Defina áreas ou objetos mínimos e regras de generalização. Caso contrário, um operador pode mapear cada pequena lacuna enquanto outro a atribui a uma classe dominante, alterando os totais de área e a contagem de objetos. Ensaie exemplos mistos, como pátios contendo árvores, trilhas e pequenos edifícios. Para produtos raster, especifique o tamanho da célula e o tratamento do limite de classe. Para vetores, reveja a geometria e a topologia. Unidades de mapeamento consistentes tornam os blocos e períodos repetidos comparáveis sem confundir mudanças reais com diferenças na prática de desenho ou exibição de detalhes.

Separar exemplos de treino e amostras de avaliação

Para classificação assistida por algoritmo, os exemplos usados para construir o modelo devem ser distintos das amostras que avaliam o respetivo resultado. Testar exemplos de treino pode exagerar o desempenho. Escolha amostras independentes que representem categorias e condições, com rótulos de referência confiáveis. Documente a seleção, o momento da observação e a incerteza dos rótulos. A interpretação manual também se beneficia de outro revisor ou de amostras de campo. Não avalie apenas categorias dominantes e fáceis. Pequenas classes importantes para a decisão do utilizador precisam de atenção, caso contrário, um valor de desempenho geral pode ocultar erros que afetam materialmente a utilidade do mapa. Explique como as referências difíceis foram tratadas na avaliação.

Reveja sombras e diferenças sazonais

As sombras podem fazer com que a mesma superfície pareça diferente, enquanto a humidade e as estações alteram a vegetação e a aparência do solo. Para inventários repetidos, registe as condições de captura antes de tratar uma diferença de categoria como mudança física. Reveja as áreas obscurecidas com evidências adicionais apropriadas quando necessário. Uma categoria desconhecida definida pode ser mais honesta e útil do que forçar uma classe específica. Marque locais que requerem reinspeção. As imagens registram as condições em um determinado momento, e a classificação ainda precisa de contexto indisponível em um voo. Esta distinção evita que os destinatários confundam cada rótulo mapeado com evidências igualmente diretas e inequívocas.

Calcule a área com referências apropriadas

Os cálculos de área requerem uma referência adequada ou método de medição e unidades explícitas. Verifique limites completos, sobreposições não intencionais e lacunas. Para resultados raster, certifique-se de que NoData não se torne silenciosamente uma categoria de cobertura. Distinga a área mapeada de toda a área administrativa quando a cobertura for diferente. Preserve os nomes dos códigos de classe para que os resumos permaneçam compreensíveis sem o estilo da aplicação. Arredonde os números proporcionalmente à qualidade dos dados e às unidades de mapeamento. Números de área muito precisos não eliminam a incerteza em limites ou rótulos não verificados. A tabela de áreas deve permanecer vinculada às definições das categorias e à versão do conjunto de dados que a produziu.

Descrever qualidade por categoria

Explique quais classes são facilmente distinguíveis e quais são comumente confundidas. Use amostras de ensaio e exemplos de localização para mostrar padrões de erro. Estabeleça limites onde a avaliação cobre apenas algumas condições. Inclua definições, fontes, data, método, unidades de mapeamento e verificações de geometria. Uma percentagem global não garante qualidade igual para todas as categorias. As informações em nível de categoria ajudam os utilizadores a escolher análises razoáveis ou verificações adicionais. Um mapa que explique as suas limitações é mais útil do que uma legenda detalhada sem provas sobre como os rótulos foram atribuídos ou testados, especialmente quando uma categoria rara conduz a uma importante decisão de gestão.

Um exemplo de inventário de paisagem mista

Para plantações, edifícios, estradas e terreno descoberto, defina classes de acordo com as necessidades de gestão e distinções observáveis. Acorde o tratamento de quintais cobertos de árvores e pequenas trilhas e, em seguida, ensaie vários terrenos antes de mapear tudo. Verifique locais ambíguos com fotografias adequadas ou observações de campo. Depois de calcular as áreas, avalie se as categorias devem ser combinadas para o relatório. Discuta as opções NiVO RGB ou multiespectrais usando os requisitos testados. A tecnologia apoia as observações, enquanto as definições, as amostras independentes e o mapeamento consistente mantêm os inventários comparáveis entre os períodos. As alterações no método devem permanecer distinguíveis das alterações na paisagem que o utilizador está a acompanhar.

Cenário hipotético: definir cobertura num pátio arborizado

Considere um inventário hipotético de instalações onde um pátio contém árvores espalhadas, pequenos armazéns, trechos descobertos e acesso pavimentado. Dois intérpretes produzem mapas diferentes a partir do mesmo ortomosaico. Um desenha todas as aberturas visíveis, enquanto o outro atribui áreas mistas à cobertura dominante. Antes de comparar os totais de área, o coordenador verifica se as definições de classe e unidades mínimas de mapeamento foram acordadas. A diferença não é rotulada como erro de software. Uma folha de exemplo partilhada é preparada para quintais cobertos de árvores, pequenas estruturas, sombras ambíguas e objetos temporários. A equipa também distingue a cobertura visível do solo da utilização das instalações, o que requer outra fonte de informação.

Os intérpretes aplicam regras revistas à mesma área representativa e analisam as divergências antes de continuar. Se a classificação algorítmica for usada, os exemplos que se ajustam ao método permanecem separados das amostras de ensaio independentes. Categorias raras importantes para a decisão do utilizador recebem atenção em vez de desaparecerem dentro de um resumo geral dominado por classes fáceis. Quando as imagens não conseguem resolver um limite ou rótulo, um estado desconhecido ou uma verificação de campo adequada é considerada. A equipa não infere o que está abaixo de cada lacuna da copa a partir de uma cor de classe de aparência confiável ou do detalhe aparente da imagem de origem.

A transferência preserva o dicionário de categorias, as regras da unidade de mapeamento, as datas de origem, as condições testadas e a versão real do conjunto de dados por trás da tabela de área. As verificações de geometria identificam sobreposições e lacunas não intencionais, enquanto o NoData é mantido distinto da cobertura mapeada. Os destinatários podem compreender se uma diferença posterior reflete uma alteração da cobertura do solo ou uma regra de mapeamento revista. Este exemplo hipotético mostra por que a consistência do inventário não é alcançada simplesmente pedindo a todos que usem as mesmas imagens. Requer uma definição partilhada do que está a ser mapeado, que nível de detalhe é significativo e como as observações incertas são representadas e avaliadas.