⚡ electrical engineering

Radiometric consistency in UAV thermal photogrammetry for Earth-science surveys: preview artefacts and cross-domain photogrammetric benchmarks

Este estudo apresenta uma ferramenta de GUI de código aberto para converter pré-visualizações R-JPEG térmicas de UAVs da DJI em GeoTIFFs float32, demonstrando que este fluxo de trabalho de pré-processamento melhora significativamente a precisão fotogramétrica ao aumentar as contagens de pontos de ligação e reduzir os erros de reprojeção em diversos locais de levantamentos de geociências.

Autores originais: Yusuf Gedik, Semih Sami Akay, Orkan Özcan

Publicado 2026-09-17

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Yusuf Gedik, Semih Sami Akay, Orkan Özcan

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um drone voando sobre uma paisagem, sua câmera capturando o calor invisível que irradia da terra. Esta tecnologia, conhecida como imagem térmica, permite que cientistas vejam diferenças de temperatura que são invisíveis ao olho nu. Eles usam essas imagens para encontrar rachaduras em pontes, detectar estresse em painéis solares ou mapear o fluxo de calor de um vulcão. No entanto, existe uma armadilha oculta na forma como essas câmeras salvam suas fotos. Quando um drone tira uma foto, ele armazena duas versões dos dados em um único arquivo. Uma versão é uma imagem colorida projetada para os olhos humanos, onde o software da câmera estica as cores para tornar a imagem dramática e fácil de interpretar. A outra versão é um registro bruto e preciso da temperatura real em cada ponto, armazenado como uma longa lista de números. O problema surge quando cientistas tentam construir mapas 3D a partir dessas fotos. O software que costura as imagens juntas é projetado para ler a versão colorida e amigável aos humanos. Se ele usar essa versão, estará trabalhando com uma imagem distorcida onde as cores foram artificialmente ajustadas, perdendo os dados precisos de temperatura necessários para uma medição científica precisa.

Uma equipe de pesquisadores de Istambul partiu para resolver esse problema e para provar que o uso dos dados brutos e precisos faz uma diferença mensurável na qualidade do mapa final. Eles desenvolveram um programa de computador gratuito e fácil de usar que atua como um tradutor. Esta ferramenta pega os números de temperatura brutos escondidos dentro dos arquivos do drone e os converte em um novo formato que preserva cada decimal da leitura de temperatura, mantendo também a informação de localização e tempo intactas. Eles então testaram este método em três locais muito diferentes: uma ponte, uma grande usina solar e um campo geotérmico próximo a um vulcão. Em cada caso, eles construíram modelos 3D duas vezes. Primeiro, usaram as imagens de visualização coloridas padrão que a maioria das pessoas usaria. Depois, usaram os novos arquivos de temperatura precisos criados por seu programa. Os resultados foram claros e consistentes em todos os três locais. Os modelos construídos a partir dos arquivos de temperatura precisos foram significativamente mais precisos. O software foi capaz de combinar as imagens de forma mais justa, encontrando muito mais pontos de conexão entre as fotos e reduzindo os erros na forma como as imagens se alinhavam. Em alguns casos, o erro no alinhamento caiu quase trinta por cento, criando um mapa 3D muito mais nítido e confiável.

Os pesquisadores descobriram que o problema não era simplesmente sobre o número de cores na imagem, mas sobre como a câmera alterava o contraste de uma foto para a próxima. As imagens de visualização padrão são ajustadas automaticamente pela câmera para parecerem boas, o que significa que a escala de brilho e cor muda dependendo do que está na imagem. Esse deslocamento constante confunde o computador que tenta costurar as fotos. Os arquivos de temperatura brutos, no entanto, mantiveram uma escala constante durante todo o voo, permitindo que o software visse as verdadeiras relações físicas entre os objetos. Embora o estudo não tenha medido a temperatura absoluta contra um termômetro físico no solo, ele provou que o método preserva perfeitamente as diferenças relativas de calor. Ao tornar este processo de conversão simples e automatizado, os pesquisadores forneceram uma maneira para que equipes de campo transformem suas filmagens de drones em dados cientificamente rigorosos sem a necessidade de escrever códigos complexos. Isso garante que, quando os cientistas mapeiam o calor da terra, eles estejam trabalhando com a temperatura real, e não apenas com uma foto bonita.

Resumo Técnico: Consistência Radiométrica em Fotogrametria Térmica de UAV

Definição do Problema
A imagem térmica de alta resolução por Veículos Aéreos Não Tripulados (UAV) é cada vez mais utilizada em setores de ciências da Terra, engenharia estrutural e energia para tarefas que variam desde a caracterização de deslizamentos de terra até o monitoramento de fazendas solares. No entanto, existe uma limitação técnica crítica no fluxo de trabalho: as câmeras térmicas da DJI armazenam dados de temperatura radiométrica dentro dos metadados e segmentos de dados proprietários dos arquivos R-JPEG originais, enquanto a imagem de visualização de 8 bits visível (destinada apenas à inspeção visual) é o que os softwares fotogramétricos padrão costumam ler por padrão.

Quando o software de Estrutura a partir do Movimento (SfM) processa esses arquivos R-JPEG brutos, ele frequentemente utiliza o canal de visualização de 8 bits em vez da camada radiométrica subjacente. Isso resulta na perda de valores de temperatura quantitativos, pois a imagem de visualização aplica um estiramento de contraste e mapeamento de tons dependentes da cena que varia de quadro para quadro. Consequentemente, as ortomosaicos e modelos 3D resultantes carecem de uma escala de temperatura fisicamente significativa, prejudicando a natureza quantitativa e reprodutível exigida para o monitoramento geocientífico. Além disso, soluções existentes (como o IRimage-UAV ou ferramentas de fabricantes) geralmente lidam apenas com partes do fluxo de trabalho (por exemplo, conversão em lote ou transferência de metadados) sem fornecer um ambiente unificado para controle de qualidade e preparação fotogramétrica.

Metodologia
Para abordar essas lacunas, os autores desenvolveram o Thermal-Pipeline, uma interface gráfica de usuário (GUI) baseada em PyQt5 de código aberto que automatiza o pré-processamento de dados térmicos da DJI. O fluxo de trabalho consiste em cinco etapas sequenciais:

Extração Radiométrica em Lote: Utilizando o SDK térmico da DJI (dji_irp.exe), a ferramenta extrai os dados radiométricos brutos dos arquivos R-JPEG, gerando uma matriz float32 por pixel.
Conversão de Formato: Uma macro do ImageJ converte essas matrizes brutas em blocos (tiles) GeoTIFF float32 sem compressão, preservando os valores decimais reais de temperatura em vez de códigos de cores de 8 bits.
Transferência de Metadados: O ExifTool é empregado para copiar as etiquetas essenciais de EXIF e GPS dos arquivos R-JPEG de origem para os novos arquivos TIFF, garantindo a compatibilidade de georreferenciamento.
Relatórios: O sistema gera um relatório CSV de nível de voo com estatísticas por imagem.
Benchmarking Fotogramétrico: O estudo reconstruiu três conjuntos de dados de missões distintas (uma ponte, uma fazenda solar e o campo geotérmico do Vulcão Kula) duas vezes no Agisoft Metashape Professional v2.1.0: uma vez usando a importação padrão da visualização R-JPEG de 8 bits e outra vez usando os produtos TIFF float32 convertidos.

Adicionalmente, uma análise de consistência ao nível de pixel foi realizada em 2.488 pares de quadros correspondentes nos três locais. Esta análise comparou a visualização R-JPEG original com o TIFF float32 para avaliar a preservação da faixa de temperatura, estabilidade de contraste e similaridade estrutural (SSIM).

Principais Contribuições

Software Thermal-Pipeline: O lançamento de uma GUI unificada e de código aberto que preenche a lacuna entre a aquisição de dados térmicos brutos e o processamento fotogramétrico, permitindo a conversão em lote de R-JPEG para TIFF float32 com metadados geoespaciais intactos.
Benchmarking Quantitativo: Um estudo comparativo demonstrando que o uso de entradas radiométricas float32 melhora significativamente as métricas de reconstrução fotogramétrica em comparação com as importações padrão de visualização de 8 bits.
Análise de Consistência Radiométrica: Evidência de que a degradação no desempenho fotogramétrico é causada principalmente pelo mapeamento de tons de visualização da DJI, que é dependente da cena e não controlado (estiramento de contraste), e não pela representação de 8 bits em si. O estudo prova que as entradas float32 mantêm um eixo de temperatura comum através de um bloco de voo, enquanto os canais de visualização introduzem variabilidade quadro a quadro.

Resultos
O estudo gerou as seguintes descobertas nos três locais de teste (Ponte, Fazenda Solar, Vulcão Kula):

Qualidade de Reconstrução: O uso de entradas TIFF float32 melhorou consistentemente o alinhamento e a geração de pontos de amarração (tie points).
- Pontos de Amarração: Aumentaram em 29,7% (Ponte), 91,7% (Fazenda Solar) e 12,0% (Vulcão Kula).
- Erro de Reprojeção: Diminuíram em 29,4% (Ponte), 22,7% (Fazenda Solar) e 13,7% (Vulcão Kula).
- Alinhamento de Câmera: As entradas float32 alinharam com sucesso mais câmeras do que as de 8 bits (ex: 810/811 vs. 779/811 para a ponte).
Estabilidade Radiométrica: Os dados float32 mantiveram uma escala de temperatura consistente entre os quadros. Em contraste, o canal de visualização exibiu instabilidade significativa no desvio padrão espacial da temperatura ( $\sigma$ ), onde o $\sigma$ da visualização excedeu o $\sigma$ do float32 por fatores de 3,3x a 18,9x, dependendo do local.
Densidade da Nuvem Densa: Os resultados variaram por local; a ponte e o vulcão viram aumentos nas contagens de pontos densos (+9,2% e +6,9%, respectivamente), enquanto a fazenda solar apresentou uma diminuição (-8,6%). Os autores observam que as contagens de pontos densos são influenciadas pelos processos de reconstrução subsequentes e não refletem exclusivamente a qualidade da imagem de entrada.
Métricas de Consistência: O rebinamento linear dos dados float32 para 8 bits introduziu erro mínimo (0,012–0,060 °C MAE), confirmando que a principal fonte de variação é o estiramento de contraste da visualização, e não a redução da profundidade de bits.

Significância e Alegações
O artigo posiciona o Thermal-Pipeline não como uma ferramenta para calibração de temperatura absoluta (que requer referências de campo externas não presentes neste estudo), mas como uma etapa crucial de pré-processamento para preservar a integridade radiométrica relativa dos dados térmicos para análise quantitativa.

Os autores alegam que o fluxo de trabalho:

Permite Análise Quantitativa: Ao converter as visualizações de 8 bits orientadas à visualização em TIFFs float32, a ferramenta garante que os valores dos pixels representem temperaturas de superfície reais, tornando os dados adequados para análise estatística e monitoramento.
Melhora o Desempenho Fotogramétrico: O estudo fornece evidência empírica de que a preservação dos valores radiométricos leva a reconstruções 3D mais robustas, com menores erros de reprojeção e redes de pontos de amarração mais densas.
Reduz Barreiras de Entrada: A GUI permite que equipes de campo realizem conversões em lote complexas e transferências de metadados sem necessidade de conhecimento em programação, facilitando fluxos de trabalho reprodutíveis em ciências da Terra e engenharia.
Padroniza o Processamento: Aborda a falta de rotinas padronizadas para dados térmicos de UAV, ofereferendo um método reprodutível para evitar o "descarte silencioso" da informação de temperatura durante a etapa de mapeamento.

Os autores concluem que, embora a precisão absoluta da temperatura dependa da calibração do sensor e das suposições de emissividade, a escolha da representação de entrada (float32 vs. visualização de 8 bits) afeta mensuravelmente a consistência geométrica e radiométrica do produto fotogramétrico final.

Mais como este