Application of high resolution 3D data for change detection on mass movements at Perus, São Paulo, SP, Brazil

Há um aumento da intensidade e frequência de desastres naturais em todo o mundo, especialmente os relacionados aos movimentos de massa (p. ex., deslizamentos), inclusive no Brasil onde vários ocorreram nos últimos anos. O desenvolvimento recente de plataformas e sensores remotos aéreos de coleta de dados, como aeronaves não tripuladas equipados com sensores fotográficos comuns (drones), pode, com um certo nível de planejamento fotogramétrico e processamento de dados, ser usado para entender melhor esses cenários, com resultados positivos na identificação, análise e monitoramento de áreas suscetíveis aos movimentos de massa. O objetivo foi (1) produzir uma extensa e ampla revisão bibliográfica de temas relacionados; (2) o emprego de drones e pontos de controle (GCPs), pela técnica dGNSS, em área suscetível de geodinâmica conhecida (como o Morro Doce, a NW da cidade de São Paulo); (3) uma comparação, por meio de algoritmo apropriado, de dois conjuntos de dados 3D registrados (nuvens de pontos) e gerados a partir de processamento fotogramétrico (SfM-MVS) para detectar alterações topográficas (p. ex., um deslizamento). O primeiro conjunto de imagens, adquirido em 2017, contém um total de 155 imagens e 7 GCPs de <1 cm em precisão XYZ. O segundo, de 2019, compreende 484 imagens e 8 GCPs de <2cm em XY e <4cm em Z. Diante de diferentes arranjos de aquisição de dados (linhas de vôo, altura acima do solo, GCPs) e equipamentos, o processamento de dados e o registro obtiveram a melhor qualidade possível por meio de uma análise da configuração inicial, observações de modelos de câmera, filtragem e otimização (ajustamento por feixe de raios) automatizados via script Python. A seguir, as nuvens densas, resultantes da etapa MVS, foram filtradas de ruídos e pontos acima do solo e depois segmentadas por uma área comum (cobrindo as feições de instabilidade identificadas na encosta). Após, uma filtragem multi-etapas utilizou um algoritmo especializado (Cloth Simulation Filter), as distâncias calculadas para uma superfície/nuvem de referência conhecida (dados LiDAR-ALS) e a remoção manual de pontos resultando em nuvens de pontos comparáveis, livres de objetos (apenas pontos de solo) e com erro de registro de 5cm medido em feições estáveis da encosta (p. ex., afloramentos rochosos). Uma comparação 3D nuvem a nuvem (método M3C2) detectou pequenas mudanças significativas em duas cicatrizes de deslizamento, sugerindo que estas áreas mudaram no intervalo de tempo do estudo, ou, que pontos não-solo ainda estavam presentes apesar da filtragem criteriosa (M3C2 considera a rugosidade das nuvens). Para considerar a origem dos dados (fotogramétrica) e melhorar os resultados, foram incorporados estimativas de precisão dos pontos (M3C2-Precision Maps), resultando em nenhuma alteração significativa detectada e correspondendo ao registro histórico da Defesa Civil local no período. O resultado representa um modelo histórico de mudança mais detalhado do que o monitoramento visual atualmente empregado. A prevenção é um dos principais pilares da gestão de desastres naturais, portanto, os resultados destacam um novo método de prevenção, de última geração e baixo custo, para monitorar movimentos de massa antes que eles ocorram e causem perdas e danos.There is an increase of intensity and frequency of natural disasters around the world, especially in regards to mass movements (e.g., landslides), including in Brazil where several events occurred in recent years. Recent development of airborne remote data collection platforms and sensors such as unmanned aircrafts equipped with over-thecounter photographic sensors (drones) can, with a certain level of photogrammetric planning and data processing, be used to better understand these scenarios, with positive results in the identification, analysis and monitoring of areas susceptible to mass movement (e.g., landslide prone regions). The aim was (1) to produce an extensive and broad bibliographic review of related themes; (2) the usage of drones and ground control points (GCPs), by dGNSS technique, on a known geodynamic susceptible area (such as the Morro Doce slope, NW of São Paulo city); (3) a comparison by means of an appropriate algorithm of two registered 3D datasets (point clouds) generated from photogrammetric processing (SfM-MVS) in order to detect topographic change (e.g., a landslide). The first image set, acquired in 2017, contains 155 total images and 7 GCPs of <1 cm in XYZ precision. The second set, from 2019, comprises 484 images and 8 GCPs of <2cm in XY and