XIV Congreso Internacional de Ingeniería Gráfica

Santander, España – 5-7 junio de 2002

EFECTOS DE LA MORFOLOGÍA DEL TERRENO,

DENSIDAD MUESTRAL Y MÉTODOS DE
INTERPOLACIÓN EN LA CALIDAD DE LOS MODELOS
DIGITALES DE ELEVACIONES
Fernando J. Aguilar Torres, Manuel A. Aguilar Torres, Francisco Agüera Vega
Fernando Carvajal Ramírez y Pedro L. Sánchez Salmerón
Universidad de Almería, España
Departamento de Ingeniería Rural
Correo electrónico:faguilar@ual.es

RESUMEN

El objetivo de este trabajo ha sido la evaluación de la incidencia de algunos de los factores que pueden
afectar a la calidad del modelo digital de elevaciones (MDE) de una superficie topográfica. Entre estos
factores podemos destacar la morfología de la superficie topográfica, el intervalo de muestreo o densidad
muestral de los puntos observados y el método de interpolación empleado para rellenar la malla inicial.
Los puntos muestrales fueron obtenidos mediante fotogrametría digital, correspondiendo a superficies
topográficas con morfología diferenciada y dos escalas de trabajo. Los modelos a pequeña escala abarcan
superficies de unos 3 m2 (fotogrametría de objeto cercano) con intervalos de muestreo que oscilan entre
4x4 cm hasta 2,3x2,3 cm, mientras que los realizados a gran escala comprenden superficies de unas 34
has. (fotogrametría aérea) y mallas muestrales de 2x2 m. El diseño experimental consistió en un esquema
factorial. El análisis de la varianza de los factores estudiados, empleando como variable observada el
error medio cuadrático obtenido mediante la técnica de validación verdadera, nos permitió llegar a la
conclusión de que las tres variables estudiadas, independientemente de la escala de trabajo, afectan
significativamente a la calidad del MDE según el siguiente orden de importancia: morfología > densidad
muestral > método de interpolación. Por otra parte, la función de base radial multicuadrática con soporte
local se mostró como el método de interpolación más adecuado para los MDEs a gran escala, mientras
que en el caso de los MDEs a pequeña escala presentó una eficacia similar a la interpolación mediante
krigeado.

Palabras clave: Modelo Digital de Elevaciones, Interpolación, Fotogrametría Digital.

ABSTRACT

This paper is concerned with the evaluation of several factors involved in Digital Elevation Model (DEM)
accuracy such as topographic surface morphology, interpolation method for scattered sample data and
sampling interval. Sampled data were collected using digital photogrammetric methods from different
morphologies and two working scales: low scale, with a sampling interval about 4x4 cm to 2,3x2,3 cm
into an area of 3 m2 (close-range photogrammetry), and high scale, with a 2x2 m sampling interval into an
area of 34 hectares (aerial photogrammetry). The experimental design was outlined using a factorial
scheme and an analysis of variance was carried out, where observed variable was Root Mean Square
Error (RMES) obtained by true validation method. This analysis yielded the following main conclusions:
DEM accuracy is affected significantly by the variables studied in this paper, independently of working
scale, according to morphology > sampling interval > interpolation method. On the other hand,
multiquadric radial basis function with local support was rated as the best interpolation method working
at high scale, while it performed similar yield than kriging method at low scale.

Key words: Digital Elevation Model, Interpolation, Digital Photogrammetry.

1 Introducción

Los modelos digitales del terreno (MDT) son representaciones de la distribución

espacial que presenta una cualidad, natural o no, en un formato numérico de datos
susceptible de ser tratado mediante ordenador. Esa cualidad o variable debe ser
cuantitativa y continua, pudiendo ser de diversa naturaleza, aunque la más frecuente es
la elevación o cota de los puntos sobre un nivel de referencia, denominándose en este
caso modelos digitales de elevación del terreno (MDE).
Las diversas posibilidades que ofrece la cartografía analítica permite explotar estos
MDEs para obtener información cuantitativa y cualitativa de gran interés, siendo
ampliamente utilizados en análisis hidrológicos, gestión de recursos naturales,
planificación de transportes, determinación del impacto ambiental de una actividad,
cálculo del riesgo de inundaciones en zonas urbanas, aplicaciones militares, análisis de
la erosión potencial del suelo agrícola, etc. (por ejemplo [1] [2] y [3]).
Para conseguir un buen MDE necesitamos tratar con cierta exquisitez dos fases bien
diferenciadas. Por una parte el método de adquisición de puntos muestrales (restitución
fotogramétrica [4], topografía convencional [5], GPS [6]) que, en general, dependerá de
la escala del modelo real y de la densidad muestral requerida.
En segundo lugar debemos ser cuidadosos con la selección del método de
interpolación empleado para rellenar la malla de puntos inicial, pues puede incidir
sensiblemente en la calidad del MDE generado. Aunque se pueden encontrar en
literatura revisiones muy completas sobre los diferentes métodos de interpolación
existentes, por ejemplo [7] [8] y [9], son menos abundantes los trabajos relacionados
con la eficacia de los interpoladores aplicados a un mismo conjunto de datos, pudiendo
destacar [10] [11] [12] [13] [14] y [15].
Por otra parte, tal y como se indica en [16], la morfología de la superficie
modelizada y la densidad muestral empleada pueden influir notablemente en la
precisión del MDE correspondiente. De hecho, algunas variables derivadas de la
morfología como la pendiente media del terreno parecen estar correlacionadas
positivamente con el incremento del EMC de la superficie modelizada [17].
El objetivo de esta comunicación es evaluar, desde un punto de vista
exclusivamente estadístico, la influencia en la calidad del MDE generado de las
siguientes variables: morfología de la superficie topográfica original, método de
interpolación empleado para el relleno de la malla original y densidad de la propia malla
original.

2 Desarrollo del Trabajo

Para la consecución de los objetivos enunciados en el apartado anterior se realizó un
diseño experimental de tipo factorial, lo que nos permitió analizar la influencia sobre la
calidad del MDE generado de factores como la morfología de la superficie topográfica,
el método de interpolación empleado y el número de puntos muestrales de partida o
densidad muestral.
2.1 Materiales y métodos

2.1.1 Obtención de los MDEs originales

En cuanto a la variable morfología de la superficie topográfica, se contemplaron 2
escalas de trabajo muy diferenciadas: microrrelieve (superficie aproximada de 3 m2 ) y
macrorrelieve (superficie aproximada de 34,85 has).

2
 Dentro del microrrelieve distinguimos tres morfologías: una cárcava producida por
erosión hídrica de pequeño tamaño, una porción de terreno agrícola labrado y una
porción de terreno agrícola no labrado (Tabla 1).
A nivel de macrorrelieve también hemos estudiado tres morfologías: un terreno
moderadamente montañoso, una ladera suave y uniforme de pendiente moderada y un
terreno llano en conjunto, aunque con una topografía accidentada a pequeña escala
(Tabla 1).
La obtención de los “modelos reales” correspondientes al microrrelieve se llevó a
cabo mediante la restitución fotogramétrica digital de varios puntos muestrales
uniformemente distribuidos a lo largo de cada una de las superficies topográficas
estudiadas. Se empleó una cámara no métrica de 35 mm tipo “reflex” Canon EOS-500
con objetivo de 35-80 mm situada a unos 2 metros del terreno, lo que arroja una escala
de fotogramas de aproximadamente 1/60 (fotogrametría de objeto cercano). Las
diapositivas obtenidas fueron digitalizadas mediante un escáner fotogramétrico AGFA-
Horizon con una resolución geometríca de 20 micras y una resolución radiométrica de
24 bits (8 bits por canal RGB). La restitución del modelo estereoscópico fue realizada
mediante software propio compuesto de distintos módulos programados en lenguajes
Fortran y Visual Basic [4].
En el caso del macrorrelieve también se empleó la restitución fotogramétrica digital
para la obtención del “modelo real” de cada superficie topográfica estudiada. En este
caso se utilizó la información procedente de un vuelo fotogramétrico a escala
aproximada 1/5000 realizado con una cámara métrica Zeiss RMK TOP 15 con objetivo
granangular de distancia focal 153,33 mm. Los negativos fueron digitalizados mediante
un escáner fotogramétrico Vexcel 5000 con una resolución geométrica de 20 micras y
una resolución radiométrica de 24 bits (8 bits por canal RGB). La explotación de las
imágenes digitales obtenidas se llevó a cabo con una estación fotogramétrica digital LH
Systems SOCET SET NT v.4.3.1., generándose un MDE con estructura de malla
regular (GRID), espaciamiento de 2x2 metros y cotas ortométricas.
Tabla 1: Características generales de las superficies topográficas estudiadas.
montaña llano no ladera cárcava terreno terreno no
Indicadores moderada uniforme suave labrado labrado

nº de puntos 87750 87750 87750 2067 5955 2673

Z media 125,33 m 151,43 m 100.86 m -237 mm -194,4 mm -195 mm
Superficie 34,85 has 34,85 has 34,85 has 3,28 m2 3,01 m2 2,95 m2
Z máxima 149,39 m 155,14 m 113,07 m 4,9 mm -73,2 mm -68,5 mm
Z mínima 97,96 m 145,72 m 88,23 m -646 mm -271,2 mm -295 mm
coef. Var. Z 7,7% 1% 4,92% 45,37% 13,04% 25,64%
pte. Media 12,26% 3,53% 3,60% 41,85% 36,71% 17,02%
pte. Máxima 61,31º 29,25º 18,38º 66,46º 65º 47,04º
pte mínima 0,047º 0º 0,0028º 0,33º 0,23º 0,11º
coef. Var. pte. 109% 136,4% 78,7% 60,81% 51,68% 60,24%
Varianza pte º 58,14 7,63 2,65 190,66 108,57 33,88

2.1.2 Métodos de interpolación evaluados

Krigeado

El krigeado es un método de interpolación exacto y local que pondera, al igual que

los demás contemplados en este estudio, el peso de cada punto muestral Xi en el valor
interpolado en un punto no muestral Xo según una función estocástica de la distancia
entre dichos puntos. Su fundamento conceptual deriva de la teoría de las variables

3
regionalizadas, tratándose, en esencia, de un método geoestadístico consistente en la
búsqueda de unos interpoladores óptimos que producen unos residuos insesgados y con
mínima varianza [18].
El krigeado presenta una ventaja sustancial con respecto a otros interpoladores, pues
permite, una vez seleccionado el semivariograma que mejor explica la variabilidad
espacial de la cota del terreno Z, seleccionar el tipo de malla de muestreo y el número
de puntos muestrales mínimo para obtener un error predeterminado en la estimación de
la cota de cualquier otro punto de la superficie topográfica. De esta forma podemos
disminuir el coste de futuros levantamientos topográficos, si fueran necesarios.
En este trabajo, el cálculo del semivariograma experimental y del modelo ajustado
se realizó mediante el programa SURFER v.7.0 [19]. En la Tabla 2 pueden observarse
los parámetros de los modelos de semivariogramas teóricos ajustados al semivariograma
experimental para cada morfología estudiada.
A continuación se acompaña la descripción de cada uno de los modelos teóricos que
aparecen en la Tabla 2.

2
−h n
h
γ ( h) = Co + C (1 − e γ ( h) = Co + C 
2
r
) (1) (2)
r

  
 sen  h  
  rs  
3

γ ( h ) = Co + C (1,5 - 0,5  ) + Cs 1 -

h h
 (3)
r r 
h

 rs 
 

Figura 1: (1) semivariograma gaussiano; (2) semivariograma potencial; (3)

semivariograma de componentes esférica y senoidal.

Hay que indicar que en el caso de suelo labrado fue necesario introducir una
componente senoidal que complementara a la componente principal esférica, de forma
que se reprodujera aceptablemente el carácter periódico de los pequeños surcos
producidos por la labor.
Tabla 2: Parámetros de los semivariogramas teóricos usados en el krigeado ordinario.
montaña llano no ladera cárcava terreno terreno no
Parámetros moderada uniforme suave labrado labrado

Modelo potencial potencial gaussiano gaussiano esférico + gaussiano

senoidal
Co (cm2 ) 0 0 0 2,5 0,8 0,6
C (cm2 ) 6500 10000 90000 120 5,6 25
r (cm) 750 16500 18500 46 220 72
N 1,35 1,15
Cs (cm2 ) 1,8
rs (cm) 4

Aunque el krigeado es un método de interpolación teóricamente muy recomendable

para su inclusión en los Sistemas de Información Geográfica [18], algunos autores
observan que, en la práctica, su eficacia es comparable a la de otros métodos más
simples y de menor requerimiento computacional [12].

4
 Por otra parte, una deficiente definición del semivariograma teórico que mejor
explica la variabilidad espacial de la cota puede presentar un impacto negativo en la
calidad de los resultados obtenidos [13].

Medias móviles ponderadas por la distancia

El método de interpolación de medias móviles ponderadas por la distancia es

ampliamente usado en la modelización de superficies. Se basa en la idea intuitiva de que
las observaciones más cercanas deben tener más peso en la determinación del valor
interpolado en un punto Xo . Se trata de un método exacto y local que estima el valor de
la variable Z en un punto no muestral Xo a partir de la siguiente expresión:
n

∑ w(d ).z (x )i i
Z(x o ) = i =1
n

∑ w(d ) i
i =1

Donde w(d) denota a la función de peso de los n puntos muestrales que intervienen
en el cálculo y di representa la distancia de cada punto a Xo . Con la restricción de que
w(d) → ∞ si d→ 0 las funciones de ponderación adoptan la forma general w = d-u. Los
valores más usuales del exponente son u = 1 y u = 2 [7], aunque algunos autores
establecen que el exponente 2 suele ofrecer unos resultados empíricos más
satisfactorios, además de requerir un menor esfuerzo computacional [10]. Obviamente
el uso de exponentes elevados implica dar menos peso relativo a puntos más alejados de
Xo y viceversa.
Para este trabajo se ha realizado un estudio previo (datos no presentados) que
determinó el exponente óptimo para cada densidad muestral dentro de cada morfología
analizada, valor que finalmente se ha empleado en los cálculos posteriores. Como
resumen podemos indicar que el exponente que más se repitió como óptimo fue u=2,
aunque también encontramos varios casos donde eran preferibles los exponentes 1 y 3.
De todas formas hay que subrayar que los resultados ofrecidos por este método de
interpolación no fueron muy sensibles al exponente cuando nos movimos en un
intervalo de 1 a 3.
Probablemente el mayor problema que presenta este método es que los valores
interpolados son medias ponderadas que siempre toman valores entre el máximo y el
mínimo de los puntos muestrales [7], lo que reduce su eficacia para modelizar las cotas
más altas o bajas de una superficie topográfica, caso de que estas cotas no pertenezcan
al conjunto de puntos muestrales.

Funciones de base radial multicuadráticas

La funciones de base radial (FBR) comprenden un amplio grupo de interpoladores

exactos que emplean una ecuación de base dependiente de la distancia entre el punto
interpolado y los puntos muestrales vecinos. En general, el valor de la variable Z en un
punto no muestral Xo viene dado por la siguiente expresión:
n
Z(x o ) = ∑ ai .F (d i )
i =1

Donde F(di) denota a las funciones de base radial, di la distancia entre puntos y ai los
coeficientes que deben ser calculados mediante la resolución de un sistema lineal de n

5
ecuaciones, siendo n el número de puntos muestrales vecinos que intervienen en la
obtención de Z(xo ). Aunque dichos interpoladores fueron concebidos para dar soporte
global, por ejemplo en el caso de las superficies splines (“thin plate spline”) [20], el
coste computacional del cáculo de un sistema lineal con miles de ecuaciones suele ser
excesivo, por lo que hemos preferido trabajar con el soporte local de los 8 vecinos más
próximos al punto interpolado.
En este trabajo contemplaremos la función de base radial de tipo multicuadrático,
desarrollada por Roland L. Hardy [21] para su uso en la modelización de superficies
topográficas. Entre las diversas FBRs que podemos encontrar en bibliografía, Richard
Franke [11] recomienda la función multicuadrática (hoja superior de un hiperboloide de
revolución) como la que mejores resultados obtiene en términos de evaluación
estadística y visual de la superficie modelizada. Dicha función presenta la siguiente
formulación:

F(d i ) = d i 2 + r 2

El parámetro r2 es denominado factor de suavizado. No hay un método

universalmente aceptado para introducir el factor de suavizado, por lo que hemos
determinado previamente su valor óptimo para cada densidad muestral y morfología
(datos no presentados). Los valores obtenidos presentan una alta variabilidad en el caso
del microrrelieve, con valores muy altos en no laboreo (valor medio de 2274) y más
bajos en cárcava (563) y suelo labrado (255). En el caso del macrorrelieve los valores de
r2 han sido más homogéneos, predominando los valores nulos o muy cercanos a 0.
Conviene observar que un factor de suavizado elevado producirá una superficie
modelizada muy suavizada que probablemente se alejará sensiblemente de la geometría
de la superficie real.
De todas formas, los resultados ofrecidos por las funciones de base radial
multicuadráticas son poco sensibles a la variación del factor de suavizado [11].
2.1.3 Evaluación estadística de la calidad de los MDEs generados
En la figura 2 puede observarse un diagrama de flujo del procedimiento empleado
para la evaluación de la calidad de los MDEs.

Puntos muestrales totales N

Extracción muestra aleatoria para

validación verdadera del modelo (n)

N-n puntos
Comparación con la
muestra aleatoria inicial
(Validación verdadera)
Muestreo aleatorio estratificado para
cada densidad muestral estudiada

4 repeticiones Cálculo de los residuos en los “n”

puntos de comprobación

Generación del MDE con cada uno de

los métodos de interpolación estudiados
Comprobación de normalidad y
ausencia de sesgo de los residuos
Cálculo del Error
Medio Cuadrático

Figura 2: Procedimiento para la evaluación de la calidad de los MDEs generados

6
 Para cada morfología se extrajo una muestra aleatoria de 313 puntos, en el caso de
microrrelieve, y 557, en el caso de macrorrelieve. Estos puntos se usaron como puntos
de comprobación (check points) del grado de ajuste del MDE generado por
comparación con el modelo real, técnica denominada “validación verdadera” [22]. El
error global fue establecido a partir del índice del error medio cuadrático (EMC),
recomendado por varios autores como la mejor medida de la bondad del ajuste [14].

∑ (Z − Zi real ) 2
estimado
i

EMC = i =1

Según el método propuesto por Zhilin Li en [23], el número de puntos de

comprobación seleccionado ofrece unos errores en la medida del error global de ±4% y
±3% en los casos de microrrelieve y macrorrelieve respectivamente, valores suficientes
para los objetivos de este trabajo.
Una vez separados los puntos de comprobación, se realizó un muestreo aleatorio
estratificado (4 repeticiones por densidad y morfología) para garantizar la distribución
homogénea de los puntos muestrales en el ámbito del modelo real [15], obteniéndose las
densidades muestrales previstas en el diseño experimental (ver Tabla 6). Estas
densidades equivalen a una cantidad de puntos muestrales del 1% al 50% de los totales
en el caso del macrorrelieve, y del 1,38% al 70% de los totales en el caso del
microrrelieve.
La generación de la superficie modelizada a partir de cada densidad muestral y
mediante cada método de interpolación se llevó a cabo mediante el programa SURFER
7.0® [19], que permite almacenar los datos interpolados en un formato tipo GRID
(malla rectangular) cuyo tamaño puede definir el usuario. En nuestro caso empleamos
mallas de 80x80 puntos en el caso del microrrelieve y mallas de 2x2 metros en el caso
del macrorrelieve. Como los tres métodos de interpolación estudiados trabajan con
soporte local, fue necesario indicarle al programa el número de vecinos más próximos
que intervendrían en el cálculo del valor interpolado en cada nodo y el método de
búsqueda de los mismos (simple, cuadrantes u octantes). Atendiendo a [15], se empleó
la búsqueda simple de los 8 vecinos más próximos.
Una vez obtenidos los residuos en cada caso, y antes de hallar el EMC, se comprobó
que su distribución se aproximara a una Normal de media 0 (estimación insesgada).
Para ello se utilizó el test de Smirnov-Kolmogorov y se determinó el intervalo de
confianza de la media de los residuos al nivel del 95%.
El EMC fue la variable observada o dependiente en el análisis general de la varianza
del modelo factorial diseñado [24]. Las fuentes de variación analizadas fueron las
variables morfología, método de interpolación y densidad muestral, así como todas las
interacciones entre ellas. Cuando los resultados del análisis de la varianza fueron
significativos se procedió a la separación de medias mediante el test de rango múltiple
de Duncan.
Todo el procedimiento descrito se programó mediante el módulo SCRIPTER® v. 3.0
(incluido con SURFER ® 7.0), que permite usar la herramienta Active X Automation
para trabajar con el motor de modelización de SURFER en un entorno compatible con
Visual Basic.

7
2.2 Resultados y discusión
En la Tabla 3 se muestran los resultados del análisis de la varianza de los factores
evaluados. Podemos comprobar como todas las variables y sus interacciones,
independientemente de la escala de trabajo, influyen significativamente (p<0,01) en el
EMC del MDE generado, predominando el efecto de la morfología sobre la densidad
muestral y dejando en último lugar al método de interpolación. También observamos
una fuerte interacción entre morfología y densidad muestral, apoyando la conveniencia
de los muestreos adaptativos en la generación automática de MDEs que incrementa el
número de puntos muestrales en las zonas de topografía accidentada.
Dentro del factor morfología encontramos diferencias significativas (p<0,05) entre
las distintas superficies topográficas estudiadas para ambas escalas de trabajo (Tabla 4),
observándose como el EMC, en cada caso, está más correlacionado con la varianza de la
pendiente que con cualquiera de los demás descriptores del relieve recogidos en la
Tabla 1, incluido la pendiente media. Cabe indicar que la varianza de la pendiente puede
ser considerada como un buen índice de medida de la rugosidad del terreno [17].

Tabla 3: Análisis general de la varianza de la variable observada error medio cuadrático.

MICRORRELIEVE
Fuentes de variación Grados de suma de Estadístico F nivel de
libertad cuadrados significación
(1) morfología 2 5240,95 3187,85 P<0,01
(2) interpolador 2 65,46 39,82 P<0,01
(3) densidad muestral 7 1625,41 282,48 P<0,01
interacción 1x2 4 44 13,38 P<0,01
interacción 1x3 14 419,21 36,43 P<0,01
interacción 2x3 14 39,05 3,39 P<0,01
interacción 1x2x3 28 51,34 2,23 P<0,01
residuos 216 177,55
MACRORRELIEVE
Fuentes de variación Grados de suma de Estadístico F nivel de
libertad cuadrados significación
(1) morfología 2 4,04 4527,32 P<0,01
(2) interpolador 2 0,15 176,45 P<0,01
(3) densidad muestral 7 4,58 1467,92 P<0,01
interacción 1x2 4 0,10 58,23 P<0,01
interacción 1x3 14 2,73 437 P<0,01
interacción 2x3 14 0,03 4,78 P<0,01
interacción 1x2x3 28 0,04 3,14 P<0,01
residuos 216 0,09 P<0,01

Tabla 4: Separación de medias para la fuente de variación Morfología. Valores de la

misma columna con letras diferentes indican diferencias significativas al nivel p<0,05.
MICRORRELIEVE MACRORRELIEVE
morfología EMC (cm) Morfología EMC (cm)
cárcava 1,93c Montaña moderada 36,48c
terreno labrado 1,44b llano no uniforme 12,97b
terreno no labrado 0,89a Ladera suave 9,99a

La densidad muestral también influyó significativamente en la precisión de los

MDEs generados (Tabla 5), de forma que el EMC sigue un modelo potencial
decreciente con el incremento de la densidad muestral (Figura 3). Cuando trabajamos
con densidades elevadas (microrrelieve), el aumento de precisión del MDE con la
introducción de nuevos puntos muestrales es milimétrico aunque significativo a esa
escala de trabajo. En el caso del macrorrelieve observamos como la disminución del

8
EMC se sitúa en unos 38 cm cuando disminuímos el tamaño de malla desde 20x20 m
hasta 2,8x2,8 m. Igualmente, y en el caso de las morfologías analizadas, es necesario
reducir el tamaño de malla por debajo de 4x4 m para obtener errores inferiores a 10 cm.
En la Tabla 6 se muestan los parámetros del ajuste potencial decreciente entre el
EMC y la densidad muestral para las dos escalas de trabajo estudiadas. Cabe resaltar la
bondad del ajuste conseguido y la similitud de la morfología de las curvas ajustadas a
cada morfología. A efectos prácticos podemos inferir que, disminuyendo el número de
puntos muestrales en un 80% (densidad muestral 0,05 ptos/m2 ) con respecto a los 87750
originales de la morfología “montaña moderada” y usando como interpolador a la FBR
multicuadrática, el incremento del EMC es del orden de 8,8 cm.
Tabla 5: Separación de medias para la fuente de variación Densidad Muestral. Valores
de igual columna con letras diferentes indican diferencias significativas al nivel p<0,05.
MICRORRELIEVE MACRORRELIEVE
Densidad muestral EMC (cm) densidad muestral EMC (cm)
(ptos/m2 ) (ptos/m2 )
26 1,94 f 0,0025 (20x20 m) 46,58f
53 1,59e 0,005 (14,1x14,1 m) 33,43e
80 1,46d 0,0125 (8,9x8,9 m) 20,76d
107 1,42d 0,025 (6,3x6,3 m) 15,64c
160 1,32c 0,037 (5,2x5,2 m) 12,46b
214 1,25b 0,05 (4,5x4,5 m) 11,56b
268 1,22b 0,075 (3,6x3,6 m) 9,59a
375 1,15a 0,125 (2,8x2,8m) 8,50a
Tabla 6: Ajuste potencial EMC(cm) = a.N-b. N es la densidad muestral (puntos/m2 ).
MICRORRELIEVE MACRORRELIEVE
Morfología a b r2 Morfología a b r2
FBR 4,7057 0,1979 0,91 montaña FBR 2,7362 0,5629 0.98
Cárcava PD 6,9592 0,2576 0,97 moderada PD 4,968 0,5065 0,99
Krigeado 4,0486 0,1644 0,94 Krigeado 4,9883 0,4788 0,99
Terreno FBR 3,7749 0,2064 0,98 ladera FBR 1,0605 0,4658 0,99
labrado PD 3,6622 0,1933 0,99 suave PD 1,7427 0,4318 0,99
Krigeado 3,5237 0,1929 0,99 Krigeado 2,3155 0,4036 0,99
Terreno FBR 1,4252 0,104 0,95 llano no FBR 4,0902 0,2611 0,90
no PD 1,4734 0,1076 0,97 uniforme PD 4,0327 0,2852 0,93
labrado Krigeado 1,7472 0,1369 0,93 Krigeado 3,2957 0,3556 0,95

El patrón de la influencia de los métodos de interpolación evaluados en la precisión

del MDE generado ha sido diferente en función de la escala de trabajo (Tabla 7). En el
caso del microrrelieve observamos como el krigeado y la FBR multicuadrática ofrecen
unos resultados globales significativamente mejores que las medias móviles ponderadas
por la distancia. En el caso del macrorrelieve, la FBR multicuadrática es el método de
interpolación que rinde mayor precisión, mientras que el krigeado y las medias móviles
ponderadas por la distancia no ofrecen resultados significativamente diferentes.
Tabla 7: Separación de medias para la fuente de variación Interpolador. Valores de la
misma columna con letras diferentes indican diferencias significativas al nivel p<0,05.
MICRORRELIEVE MACRORRELIEVE
interpolador EMC (cm) Interpolador EMC (cm)
Inverso de la distancia 1,49b inverso de la distancia 21,22b
elevado a exponente elevado a exponente
Función de base radial 1,39a función de base radial 16,52a
multicuadrática multicuadrática
Krigeado ordinario 1,38a krigeado ordinario 21,71b

9
 función base radial función base radial

Morfología Cárcava ponderación por distancia Morfología labrado ponderación por distancia

krigeado krigeado

3.5

b
2

ab 1.8

b
a

EMC (cm)
2.5
EMC (cm)

1.6
b
a
2
a b 1.4
a
a b b
a
ab ab
1.5 a a
1.2 b
ab
a
1 1
0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400

Densidad muestral (puntos/m2) Densidad muestral (puntos/m2)

función base radial función base radial

Morfología no labrado ponderación por distancia

Morfología montaña moderada ponderación por distancia

krigeado krigeado

1.2 b
100
1.15 b
a
90
1.1 a
80
1.05 a
b
a 70

EMC (cm)
EMC (cm)

1
ab
60
0.95 b a
ab 50
0.9 b
a b
40
0.85 c
a
b 30 b
0.8 b
b
ab a b b
a 20 b b
0.75
a b b
a a
a
0.7 10
0 50 100 150 200 250 300 350 400 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14

Densidad muestral (puntos/m2) Densidad muestral (puntos/m2)

función base radial función base radial

Morfología ladera suave ponderación por distancia Morfología llano no uniforme ponderación por distancia

krigeado krigeado

b 30

b
22
26
b

b
b
22
17
EMC (cm)

a
EMC (cm)

ab
c 18
a a
12
b
c b
c 14
a b b
b c a
7 c
b a ab
a b 10
a c a
a
a b
a
2 6
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14

Densidad muestral (puntos/m2) Densidad muestral (puntos/m2)

Figura 3: Variación del EMC en función de la densidad muestral para cada morfología.
Dentro de cada densidad muestral, valores de EMC con distinta letra indican diferencias
significativas al nivel p<0,05.

Finalmente, en la figura 3 se muestra la relación entre el error del MDE y la

densidad muestral para cada una de las morfologías contempladas. En el caso del
microrrelieve observamos que el EMC menor se produce en el terreno no labrado para
los interpoladores FBR y krigeado, tomando un valor de 7,6 mm. Los errores máximos
se presentan en la cárcava, con valores que llegan a los 31,8 mm en el caso del
interpolador medias móviles ponderadas por la distancia. Destacar como los

10
interpoladores FBR y krigeado se muestran significativamente más eficaces que las
medias móviles cuando modelizan un microrrelieve rugoso como es el de la cárcava.
En el macrorrelieve obtenemos errores que oscilan entre los 105 cm del terreno
montañoso moderado (medias móviles ponderadas por la distancia) hasta los 2,8 cm
registrados en la ladera uniforme (FBR multicuadrática). En todos los casos y para la
mayoría de las densidades muestrales se observa una significativa mejora de la precisión
cuando empleamos como método de interpolación a la FBR multicuadrática. En algunos
casos, especialmente en la ladera uniforme, la interpolación mediante medias móviles
ponderadas por la distancia se ha mostrado superior al krigeado.

3 Conclusiones
Los resultados obtenidos en este trabajo permiten concluir que la morfología de la
superficie topográfica, la densidad muestral o intervalo de muestreo de los puntos
observados y el método de interpolación empleado para rellenar la malla inicial,
independientemente de la escala de trabajo, influyen de forma significativa en el error
global de un MDE. Dicho error global fue estimado a través del error medio cuadrático
(EMC) en una muestra adecuada de puntos de control. El factor que presentó una mayor
incidencia fue la morfología, seguido de la densidad muestral y del método de
interpolación.
Dentro de los descriptores que caracterizan una determinada morfología, se han
observado indicios, por confirmar desde luego, de que la varianza de la pendiente,
relacionada con la rugosidad del terreno, podría servir como estimador a priori del EMC
esperado en el MDE. Esto permitiría obtener relaciones empíricas entre el EMC
esperado en la generación del MDE y variables como densidad muestral, rugosidad del
terreno y método de interpolación empleado, entre otras que se pudieran añadir. Por
ejemplo, parece claro que la relación entre el EMC y la densidad muestral se ajusta a
una función potencial decreciente.
Por otra parte, la función de base radial multicuadrática con soporte local se mostró
como el método de interpolación más adecuado para los MDEs a gran escala, mientras
que en el caso de los MDEs a pequeña escala presentó una eficacia similar a la
interpolación mediante krigeado.

Agradecimientos
Los autores desean expresar su más sincero agradecimiento a los doctores Jorge
Delgado y Javier Cardenal, del Departamento de Ingeniería Cartográfica y Geodésica de
la Universidad de Jaén, y a la Empresa Pública para el Desarrollo Agrario y Pesquero de
Andalucía (D.a.p.) por su colaboración en la elaboración de este trabajo dentro del
proyecto denominado “Cartografía básica para el proyecto de red de riego en el Campo
de Níjar (Almería)”.

Referencias

1) FRANKLIN, Wm Randolph Applications of analytical cartography. Cartography

and Geographic Information Science, pp. 225-237, v. 27, nº 3, 2000.
2) DAVIS, Curt H. & WANG, Xlangyun High-Resolution DEMS for urban
applications from NAPP photography. Photogrammetric Engineering & Remote
Sensing, American Society for Photogrammetry and Remote Sensing, pp. 585-592,
v. 67, nº 5, 2001.

11
3) DESMET, P.J.J. et al. Importance of slope gradient and contributing area for
optimal prediction of the initiation and trajectory of ephemeral gullies. Catena,
Elsevier Science, pp. 377-392, nº 37, 1999.
4) CARVAJAL, Fernando. Estudio de la influencia del microrrelieve del suelo sobre
el flujo de escorrentía superficial mediante fotogrametría digital. Córdoba: Tesis
doctoral de la ETS Ingenieros Agrónomos y Montes, 1999.
5) KEIM, Richard F. et al. Digital terrain modeling of small stream channels with a
total-station theodolite. Advances in Water Resources, Elsevier Science, pp. 41-48,
nº 23, 1999.
6) RUIZ, M.C. et al. Generación de un modelo digital de elevaciones utilizando el
sistema de posicionamiento global (GPS). En: Actas del VIII Congreso
Internacional de Ingeniería Gráfica, v. II, pp. 83-89. Jaén, 1996.
7) LAM, Nina S. Spatial interpolation methods: A review. The American
Cartographer, pp. 129-149, v. 10, nº 2, 1983.
8) BURROUGH, P.A. & McDONNELL, R.A. Principles of geographical information
systems. New York: Oxford University Press, 1998.
9) ROBESON, Scott M. Spherical methods for spatial interpolation: Review and
evaluation. Cartography and Geographic Information Systems, pp. 3-20, v. 24, nº 1,
1997.
10) DECLERCQ, Franky A. N. Interpolation methods for scattered sample data:
accuracy, spatial patterns, processing time. Cartography and Geographic
Information Systems, pp. 128-144, v. 23, nº 3, 1996.
11) FRANKE, Richard Scattered data interpolation: tests of some methods.
Mathematics of computation, pp. 181-200, v. 38, nº 157, 1982.
12) WEBER, Dennis & ENGLUND, Evan Evaluation and comparison of spatial
interpolators. Mathematical Geology, International Association for Mathematical
Geology, pp. 381-391, v. 24, nº 4, 1992.
13) WEBER, Dennis & ENGLUND, Evan Evaluation and comparison of spatial
interpolators II. Mathematical Geology, International Association for Mathematical
Geology, pp. 589-603, v. 26, nº 5, 1994.
14) YANG, Xiaojun & HODLER, Thomas Visual and statistical comparisons of
surface modeling techniques for point-based environmental data. Cartography and
Geographic Information Science, pp. 165-175, v. 27, nº 2, 2000.
15) AGUILAR, Manuel Ángel et al. Evaluación de diferentes técnicas de interpolación
espacial para la generación de modelos digitales de elevación del terreno agrícola.
Mapping, pp. 72-88, nº 74, 2001.
16) LI, Zhilin Variation of the accuracy of digital terrain models with sampling interval.
Photogrammetric Record, pp. 113-128, v. 14, nº 79, 1992.
17) FELICÍSIMO, Ángel M. Modelos digitales del terreno. Introducción y aplicaciones
en las ciencias ambientales. Oviedo: Pentalfa, 1994.
18) OLIVER, M.A. & WEBSTER, R. Kriging: a method of interpolation for
geographic information systems. International Journal of Geographical Information
Systems, pp. 313-332, v. 4, nº 3, 1990.

12
19) GOLDEN SOFTWARE, Inc. Users’ manual of Surfer for Windows 7.0. Golden,
Colorado: Golden Software Inc., 1999.
20) YU, Z. W., Surface interpolation fron irregularly distributed points using surface
splines, with Fortran program. Computers & Geosciences, Elsevier Science, pp.
877-882, nº 27, 2001.
21) HARDY, Roland L. Multivariate equations of topography and other irregular
surfaces. Journal of Geophysical Research, pp. 1905-1915, nº 71, 1971.
22) VOLTZ, m. & WEBSTER, R. A comparison of kriging cubic splines and
classification for predicting soil properties from sample information. Journal of
Soil Science, pp. 473-490, nº 41, 1990.
23) LI, Zhilin Effects of check points on the reliability of DTM accuracy estimates
obtained from experimental tests. Photogrammetric Engineering & Remote Sensing,
American Society for Photogrammetry and Remote Sensing, pp. 1333-1340, v. 57,
nº 10, 1991.
24) SNEDECOR, G. W. & COCHRAN, W. G. Statistical methods. 7th ed. Ames, Iowa:
The Iowa State University Press, 1980.

13