Como Corrigir Pontos LAS de Drone e Gerar um MDS mais Limpo

Em levantamentos com drone, especialmente em voos manuais e muito baixos, é comum ocorrer falha na coleta de pontos em áreas específicas. Em casos típico de voo manual, algumas regiões de edificações podem ficar sem pontos suficientes e ocorre a geração de buracos ou superfícies inconsistentes no LAS Isso impacta diretamente o MDS, criando ruído, deformações e perda de confiabilidade.

Ortoimagem com áreas escuras indicando buracos ocorridos por voo muito baixo. Apesar dos desafios, a imagem pode ser usada para vetorização e planejamento.

Já o MDS (Modelo Digital de Superfície) precisa ser corrigido. Observar a áreas com significativas rugosidades em tons de vermelho.

Outliers

Após o processamento fotogramétrico, o levantamento realizado por drone normalmente resulta em uma nuvem de pontos no formato LAS. Esse arquivo representa, em essência, a geometria tridimensional da superfície levantada, contendo informações de posição (X, Y, Z) e, em muitos casos, atributos adicionais como intensidade e classificação.

Para tratar esse tipo de dado de forma eficiente, uma das ferramentas mais utilizadas é o Global Mapper, que permite não apenas visualizar a nuvem, mas principalmente editar, classificar e refinar os pontos. O primeiro passo dentro do software é entender que o LAS bruto não está pronto para gerar um modelo confiável. Ele precisa ser organizado. Isso começa pela classificação dos pontos, separando o que é terreno, o que é edificação, vegetação e, principalmente, o que é ruído.

A classificação pode ser feita de forma automática inicialmente, mas esse processo talvez não seja suficiente em levantamentos com falhas. Por isso, é necessário validar visualmente e ajustar manualmente conforme o comportamento da nuvem.

Os outliers são pontos da nuvem LAS que não representam a superfície real do terreno ou das feições levantadas, surgindo como valores isolados e incoerentes em relação ao conjunto de dados. Eles podem ser causados por falhas no processamento fotogramétrico, reflexões inadequadas ou limitações do voo, e acabam introduzindo picos, depressões ou distorções artificiais no modelo, comprometendo diretamente a qualidade do MDS.

Visualização 3D dos outliers.

Classificando Pontos LAS

Um recurso fundamental nesse processo é a análise em perfil (Path Profile), disponível no Global Mapper, que permite visualizar a nuvem de pontos em corte vertical, revelando a estrutura real da superfície. Nesse tipo de visualização, os outliers se tornam facilmente identificáveis como pontos isolados, picos abruptos ou valores completamente fora do padrão esperado. A partir dessa leitura, é possível refinar a classificação dos pontos LAS de forma muito mais precisa, reclassificando esses elementos como “high noise” ou “low noise”, eliminando sua influência na geração do modelo e garantindo maior consistência ao MDS.

A partir de uma largura de perfil (seta verde) os outliers (seta vermelha) podem ser selecionados e atribuídos como ruído (seta preta).

Com as feições vetorizadas a partir da ortoimagem, é possível usar essa geometria como referência direta para organizar a nuvem de pontos. Selecione as feições desenhadas e acesse Advanced Selection Options / Select All Point Features within the Selected Areas para capturar todos os pontos LAS contidos nessas regiões.

Pontos LiDAR selecionados a partir das áreas vetorizadas na ortoimagem, evidenciando a correspondência espacial entre feições e nuvem de pontos.

Seleção ativa dos pontos LiDAR dentro das áreas previamente delimitadas, destacando o recorte da nuvem para posterior classificação.

Em seguida, utilize o LiDAR Filter Settings para atribuir manualmente a classe correta aos pontos selecionados. Esse processo permite uma classificação orientada pela realidade observada na ortoimagem, trazendo coerência espacial ao conjunto de dados e melhorando a consistência do modelo final.

Painel LiDAR Filter Settings utilizado para atribuição e ajuste de classes dos pontos selecionados na nuvem LAS, permitindo refinar a classificação conforme a feição analisada.

Após a reclassificação orientada pelas feições, ainda com o uso do Path Profile no Global Mapper pode-se realizar um refinamento final da nuvem, verificando em corte vertical se os pontos classificados estão coerentes com a geometria da superfície. Esse ajuste fino ajuda a eliminar pequenas inconsistências remanescentes e garante continuidade e suavidade ao modelo antes da geração do MDS.

Perfil vertical (Path Profile) refinado, com distribuição de pontos mais contínua e alinhada à superfície real, evidenciando a redução de ruídos e a melhoria na coerência altimétrica após o ajuste.

Após esses ajustes, o conjunto de pontos passa a apresentar uma distribuição muito mais coerente, com redução significativa de ruídos e eliminação de valores inconsistentes. Os pontos ficam melhor organizados, alinhados à geometria real das feições e com continuidade adequada, resultando em uma nuvem muito mais confiável para qualquer modelagem posterior.

Nuvem de pontos mais organizada e alinhada à geometria real das feições, com distribuição contínua e consistente, evidenciando maior confiabilidade para modelagem posterior.

Criação do MDS final

Com a classificação ajustada, o próximo passo é filtrar apenas os pontos associados às feições vetorizadas. Esse processo garante que você está trabalhando exclusivamente com os dados que representam corretamente aquelas áreas, eliminando qualquer interferência do restante da nuvem.

Em seguida, utilize o Create Elevation Grid aplicando esse filtro, de modo que o grid seja gerado apenas a partir dos pontos selecionados. Isso evita que erros externos influenciem o resultado, porém o modelo ainda apresentará certa rugosidade, decorrente da própria distribuição dos pontos. Ainda assim, o produto dessa etapa já apresenta uma base mais consistente, servindo diretamente para o refinamento do MDS nas etapas seguintes.

MDS gerado a partir dos pontos filtrados, ainda com rugosidade evidente, servindo como base para o refinamento do modelo nas etapas seguintes.

O próximo passo é adicionar valores de elevação diretamente às feições vetorizadas que representam as áreas de interesse. Isso permite substituir a dependência exclusiva da nuvem de pontos por informações controladas e ajustadas manualmente. Comece selecionando as feições desejadas e acesse Digitizer / Calculate Elevation/Slope Stats for Selected Features.

Feições vetorizadas selecionadas na ortoimagem, destacando as áreas que receberão atribuição de valores de elevação para refinamento do MDS.

Acesso à ferramenta Digitizer / Calculate Elevation/Slope Stats for Selected Features, utilizada para gerar estatísticas de elevação diretamente nas feições selecionadas.

Esse processo irá criar, além de novos campos na tabela de atributos, pontos associados contendo estatísticas como elevação mínima e máxima, bem como suas localizações dentro da feição. Com essas informações geradas, o refinamento pode ser feito diretamente no Attribute Editor das feições, ajustando os valores conforme necessário para representar corretamente cada elemento.

Pontos gerados automaticamente com estatísticas de elevação (mínima e máxima) distribuídos sobre as feições, indicando suas posições dentro da área analisada.

Tabela de atributos exibindo os novos campos de elevação, permitindo o ajuste manual dos valores diretamente no Attribute Editor para refinamento das feições.

Após isso, selecione novamente as feições e, nas propriedades da camada, acesse Options / Elevations. No campo Get 'Elevations' From Attribute Value, defina qual atributo será utilizado como referência de elevação.

Propriedades da camada abertas em Options / Elevations, com definição do campo em Get 'Elevations' From Attribute Value para atribuição das elevações às feições.

Com as feições agora carregando valores altimétricos consistentes, gere um novo grid a partir desse vetor. Em seguida, refaça o MDS completo combinando esse resultado com o modelo anterior. Ao integrar essas informações e aplicar uma hipsometria adequada, fica evidente o refinamento nas áreas corrigidas, com redução da rugosidade e maior coerência nos dados.

Criação do grid a partir das feições vetorizadas com elevação atribuída, selecionando apenas os elementos com valores altimétricos calculados.

MDS gerado a partir do vetor com elevações ajustadas, apresentando resultado limpo e com distribuição consistente.

MDS bruto gerado a partir da nuvem original, preparado para ser combinado com o modelo refinado.

Área do MDS bruto evidenciando alta rugosidade e inconsistências na distribuição dos pontos.

Mesma área após refinamento, com superfície suavizada e redução significativa da rugosidade.

Outra área do modelo evidenciando forte rugosidade, com variações abruptas decorrentes da distribuição irregular dos pontos.

Mesma área após correção, apresentando suavização significativa e maior coerência nos valores altimétricos.