Академический Документы
Профессиональный Документы
Культура Документы
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.
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.
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
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
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
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].
∑ 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.
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
N-n puntos
Comparación con la
muestra aleatoria inicial
(Validación verdadera)
Muestreo aleatorio estratificado para
cada densidad muestral estudiada
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
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].
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
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
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
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
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.
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
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