Fotogrametria

Modelos digitales de elevacin:
Teora, mtodos de interpolacin y aplicaciones
Jorge Fallas
Jfallas@racsa.co.cr
2007
INTRODUCCIN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
MODELADO DE SUPERFICIES Y MTODOS DE INTERPOLACIN . . . . . . . . . . . . . . . . . . 3
El concepto de modelo digital del terreno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
MTODOS DE INTERPOLACIN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Mtodos basados en unidades discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Mtodos basados en el concepto de continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Interpolacin a partir de puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Mtodos de interpolacin local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Interpolacin a partir de isolneas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
EVALUACIN DE LA EXACTITUD DEL MODELO DIGITAL DE ELEVACIN . . . . . . . .
Exactitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Error aritmtico medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Error absoluto medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Raz cuadrada del error medio cuadrtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Desviacin estndar o tpica (DT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Exactitud de los valores de elevacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
30
30
30
31
31
32
ESTNDARES O NORMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Estndares para modelos digitales de elevacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Errores para un MDE derivado de elevaciones obtenidos por mtodos fotogramtricos . . . . 37
INSUMOS PARA ELABORAR UN MDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Densidad y distribucin de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Esquemas de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Curvas de nivel en mapas 1:50.000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
38
39
42
SELECCIN DEL MEJOR MTODOS PARA CREAR UN MDE . . . . . . . . . . . . . . . . . . . . . . 43

EDICIN Y DEPURACIN DEL MDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
APLICACIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Pendiente del terreno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Aspecto u orientacin de la pendiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Iluminacin/sombreado del terreno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Delimitacin de cuencas hidrogrficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Perfiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Anlisis de Inter visibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Lnea de visibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Visualizacinen perspectiva o tridimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Visualizacin en 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Visualizacin en 2.5D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
45
46
46
47
48
49
50
50
50
51
Modelos Digitales de Elevacin

Visualizacin en 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Animacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Creacin de orto imgenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Clculo de rea y volumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Determinacin de relleno y excavacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Creacin de isolneas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Creacin de elementos en 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Anlisis de escorrenta superficial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Exportacin de vistas en 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
53
53
53
54
54
54
54
54
EVALUACIN DE LOS MTODOS DE INTERPOLACIN . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Sitios de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
METODOLOGA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ISLA CHIRA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1. Escaneo de mapa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2. Georeferenciacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3. Digitar curvas de nivel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4. Convertir curvas de nivel a puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5. Crear polgonos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6. Crear modelos digitales de elevacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7. Evaluacin de la exactitud de los MDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8. Evaluacin del efecto del filtrado en la exactitud del MDE . . . . . . . . . . . . . . . . . . . . . . . .
9. Elaboracin de mapas de pendiente y aspecto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10. Efecto del tamao del pixel en la exactitud del MDE . . . . . . . . . . . . . . . . . . . . . . . . . . .
11. Funciones analticas del software utilizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
57
57
57
57
59
60
60
62
72
73
74
77
77
CURVAS DE NIVEL A ESCALA 200.000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

REFERENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Jfallas@racsa.co.cr
INTRODUCCIN
El mundo en que vivimos y trabajamos se caracteriza por ser tridimensional. Por ejemplo,
tenemos valles, montaas, caadas y riscos. Los programas de computacin en el rea de los
Sistemas de Informacin Geogrfica (SIG) permiten recrear visual y numricamente el valor Z
asociado a elementos del paisaje (natural y antrpico); esto los convierte en una poderosa
herramienta para cualquier usuario(a) en las reas de gestin ambiental y de recursos naturales. El
software le permite al usuario(a) no solo visualizar elementos en tres dimensiones sino que tambin
realizar anlisis cuantitativos a partir de dichos elementos.
El presente documento tiene como objetivo introducir al lector al tema de la interpolacin
espacial y a una de sus reas de aplicacin: los modelos digitales de elevacin. En la primer seccin
se introduce al lector al tema de los modelos digitales de elevacin, en la segunda se tratan los
diferentes mtodos de interpolacin; en la tercera se presente el tema de normas y estndares
utilizados para evaluar la calidad de los modelos y en la cuarta y ltima se describen los resultados
de dos estudios de caso. El primero corresponde a un MDE derivado a partir de un mapa 1:50.000
y el segundo de un mapa 1:200.000; dos de las fuentes cartogrficas mas comunes en Costa Rica.
El material se ha escrito con el fin de que cumpla una funcin didctica y por lo tanto se provee una
copia de los archivos utilizados para realizar los estudios de caso. Se han seleccionado los
programas ArcView (ESRI, 1996; 1997a; 1997 b) IDRISI (Eastman, 1998) y Surfer (Golden
Software, 1999) para realizar el anlisis de los datos; sin embargo, esto no representa una
recomendacin implcita ni explcita por parte de la Universidad ni del autor sobre el software que
debe utilizarse en este tipo de anlisis.
A travs del documento el lector se familiarizar con las estructuras de los archivos utilizados por
los diferentes programas; con las tcnicas y mtodos disponibles para la creacin de superficies; para
su visualizacin y finalmente con las herramientas analticas que provee cada programa. En general,
el software seleccionado le permite:
< Crear superficies que simulan la realidad a partir de diversas fuentes de datos (Ej. Puntos, lneas,
polgonos).
< Determinar la elevacin o altura de cualquier punto u objeto en una superficie.
< Realizar un anlisis de inter visibilidad ()Qu puedo observar desde un punto determinado del
paisaje dado una serie de obstrucciones visuales?).
< Determinar volmenes y diferencias entre el volumen de dos superficies.
< Modelar ambientes en tres dimensiones utilizando archivos vectoriales y raster.
< Visualizar sus datos en perspectiva (2.5D)
Jfallas@racsa.co.cr
Para ilustrar el potencial de anlisis visual de una imagen en perspectiva se presenta a

continuacin una seccin de la ciudad de Heredia y sus alrededores (vista hacia el norte). Los
edificios corresponden a estructuras digitadas del mapa 1:10.000 del Instituto Geogrfico Nacional
(1991).El modelo de elevacin digital fue elaborado a partir de curvas de nivel cada 20 metros
obtenidas del mapa 1:50.000 del IGN.
Fig. 1: Vista en perspectiva creada a partir de un modelo de

elevacin digital del terreno y de un mapa vectorial.
Los usos de los MDE son muy variados; algunos de ellos son (Burroughs, 1986; ESRI, 1996;
1997b; Golden Software, 1999; McCullagh, 1990; Weibel y Heller, 1991):
<
<
<
<
<
<
<
<
<
<
Estimaciones de volmenes a remover o rellenar en trabajos de ingeniera

Cartografa topogrfica
Mapeo y estudios batimtricos e hidrolgicos
Mapeo geolgico y geofsico
Simulacin y anlisis del paisaje
Estimar rea a inundar en proyectos hidroelctricos
Estudios de intervisibilidad para definir ubicacin de antenas para telecomunicaciones
Anlisis estadstico del terreno
Determinacin de pendiente, aspecto y sombreado del terreno
Visualizacin en 2.5D
Jfallas@racsa.co.cr
MODELADO DE SUPERFICIES Y MTODOS DE INTERPOLACIN

En la presente seccin se describe el origen del trmino modelo digital de elevacin as como los
mtodos de interpolacin disponibles para crearlos.
El concepto de modelo digital del terreno
El trmino Modelo Digital del Terreno (MDT) fue acuado, segn Petrie y Kennie (1990) por
Miller y La Flamme, dos ingenieros del Instituto Tecnolgico de Massachusetts, a finales de los aos
50. Segn estos investigadores un modelo digital del terreno es una representacin estadstica de una
superficie continua del terreno mediante un conjunto infinito de puntos cuyos valores en X, Y y Z
son conocidos y estn definidos en un sistema de coordenadas arbitrario.
A continuacin se definen algunos trminos asociados a los modelos digitales de elevacin
(Burrough, 1986; Petrie y Kennie, 1990):
Modelo digital de elevacin (MDE)
En este caso la palabra elevacin enfatiza el concepto de medicin de altura con respecto a un
datum y la generacin por parte del modelo de valores absolutos de altura. Este trmino se utiliza
con frecuencia en los Estados Unidos para describir un arreglo rectangular o exagonal de puntos
con valores de elevacin obtenidos por mtodos fotogramtricos o cartogrficos.
Modelo digital de altura (MDA)
Este trminos aparentemente se origin en Alemania y su significado es similar al anterior; ya que
las palabras altura y elevacin pueden utilizarse como sinnimos.
Modelo digital de la tierra (MDT)
En este caso se enfatiza el hecho de que la superficie terrestre es un continuo y que por lo tanto
se pueden utilizar mtodos de interpolacin para obtener estimaciones de Z para aquellos sitios
para los cuales no se posea informacin. El trmino se utiliza en Inglaterra; sin embargo con el
tiempo se ha ido reemplazando por (modelo digital del terreno(.
Modelo digital del terreno
Este concepto es un tanto ms generalista; ya que el eje Z incluye tanto el uso de elevaciones (Ej.
metros sobre el nivel del mar) como de alturas (Ej. levantamiento topogrfico); as como los
accidentes tpicos del paisaje (Ej. ros, riscos, caadas, etc). Para muchos usuarios el trmino
incluye tanto los elementos planimtricos como hipsomtricos propios del paisaje; as como la
informacin derivada a partir del modelo (Ej pendiente, intervisibilidad y orientacin, entre otros).
La capacidad de elaborar modelos digitales de elevacin (MDE) a partir de curvas de nivel o
valores puntuales (X,Y,Z) es una de las operaciones de mayor inters para los usuarios de los
Sistemas de Informacin Geogrfica. Existe una gran diversidad de programas (Thoen,1997) que
Jfallas@racsa.co.cr
permiten crear modelos digitales de elevacin sin embargo, en el ambiente nacional, la mayora de
los usuarios utilizan Surfer (1999), IDRISI (Eastman, 1998) y las extensiones Spatial Analyst y 3D
Analyst de ArcView (ESRI, 1996; 1997b) para crear sus modelos de elevacin digital.
MTODOS DE INTERPOLACIN
La interpolacin tiene como objetivo estimar, a partir de una muestra, valores de Z para un set
de puntos (X,Y). La interpolacin puede utilizarse para cumplir tres funciones: (a) estimar valores
de Z para ubicaciones particulares (X,Y); (b) estimar valores de Z para una cuadrcula rectangular;
(c) cambiar la resolucin de la cuadrcula en un archivo raster (mtodo conocido como remuestreo).
Los interpoladores que operan a partir de puntos pueden clasificarse como:
Exactos: Cuando preservan los valores originales de los puntos de muestreo.
No exactos: No mantienen los valores originales de los puntos de muestreo.
Globales: La interpolacin est basada en todos los puntos de muestreo.
Locales: La interpolacin est basada en un subset de los puntos de muestreo.
Desde el punto de vista de la superficie asumida por el interpolador, Burrough (1986) los clasifica
en dos grandes categoras: los que asumen que la superficie es discreta y los que asumen una
superficie continua.
Mtodos basados en unidades discretas
Entre estos mtodos tenemos:
Uso de elementos externos del paisaje para delinear (unidades homogneas (
En este caso el analista establece los lmites entre unidades previamente definidas y por lo tanto
el resultado no es replicable ni es posible evaluar estadsticamente los errores asociados a la
definicin de los lmites de las entidades. Algunos ejemplos prcticos de dicho mtodo son:
<
<
<
<
Mapas coroplticos
Mapas de unidades de suelos
Mapas de formaciones geolgicas y geomorfolgicas
Mapas de uso-cobertura del suelo
Uso de algoritmos para determinar el lmite entre unidades homogneas

Esta tcnica es utilizada en el rea de procesamiento digital de imgenes o en el anlisis de
conjuntos de datos multi variados y se fundamenta en la premisa de que existen unidades
homogneas en el set de datos. La funcin del algoritmo es tratar de definir los lmites entre dichas
Jfallas@racsa.co.cr
unidades. Esta tcnica es apropiada cuando la variacin en la superficie es abrupta o discontinua (Ej.
mapas de uso-cobertura de la tierra). Los polgonos de Thiessen (Fig. 2) forman parte de este grupo
de interpoladores; el mtodo de anlisis consiste en delimitar reas de influencia (unidades discretas)
a partir de un set de puntos. Cuando la distribucin de los puntos es equidistante (Ej. grilla regular)
los polgonos coinciden con el rea de cada celda. El tamao y la configuracin de los polgonos
depende de la distribucin de los puntos originales. Una limitante del mtodo es que el valor para
cada polgono se obtiene a partir de un solo punto y por lo tanto no es posible estimar el error
asociado a dicha estimacin.
Fig. 2: Polgonos de Thiessen. Cuenca del ro Grande de

Trcoles, Costa Rica. Software: ArcView V3.2.
Mtodos basados en el concepto de continuidad
Estos mtodos parten del supuesto de que la superficie es un continuo que puede describirse
utilizando una funcin matemtica y un set de puntos de muestreo. Los mtodos pueden dividirse
en globales y locales (Oliver, 1990). Los primeros utilizan todos los puntos de muestreo para crear
la superficie; en tanto que los segundos utilizan solo un subconjunto de los mismos (concepto de
vecino ms cercano). A continuacin se describen los interpoladores ms comunes que operan a
partir de puntos.
Interpolacin a partir de puntos
Una de las fuentes de datos para elaborar modelos digitales de elevacin son ubicaciones (X,Y)
con sus respectivos atributos (Ej. Elevacin, precipitacin, temperatura, presin, etc). Los puntos
pueden muestrearse en forma aleatoria o utilizando un patrn regular (sistemtico). A partir de estos
valores las rutinas de interpolacin crean una superficie en la cual cada punto tiene un valor
Jfallas@racsa.co.cr
estimado. Tanto IDRISI, Surfer como 3D Analyst y Spatial Analyst de ArcView proveen rutinas para
la interpolacin basados en puntos. Independientemente del interpolador utilizado la calidad del
MDE depender del nmero y la distribucin de puntos de muestreo; as como de las caractersticas
del terreno. Cuanto mayor sea el nmero de puntos y mejor distribuidos se encuentren mejores sern
los resultados.
Mtodos de interpolacin global
Entre los mtodos de interpolacin global tenemos (Golden Software, 1999; Petrie, 1990):
< Anlisis de tendencia de superficies (Modelos polinomiales): Esta tcnica de anlisis trata de
definir la tendencia general observada en el set de datos mediante una ecuacin polinomial de
grado (n(. El objetivo del ajuste polinomial es reducir la varianza residual en el set de datos a un
mnimo. En realidad, el mtodo no se considera como un interpolador de superficies sino ms
bien como una tcnica para detectar aquellas reas que muestran una variabilidad superior a la
tendencia general del set de datos. La estimacin del error asociado al modelo de regresin asume
que los residuos son independientes. Este supuesto no se cumple en la mayora de los casos y por
lo tanto el valor calculado no representa realmente la variacin error asociado a la estimacin
(Oliver, 1990). Al igual que en cualquier otra aplicacin de regresin, la superficie generada, en
la mayora de los casos, no pasar por los puntos originales y por lo tanto el interpolador es
considerado como no exacto.
< Series de Fourier: Este mtodo asume que existen variaciones peridicas en el set de datos y que
su tendencia puede modelarse como una funcin lineal de senos y cosenos. En general, el mtodo
ha sido utilizado ms para anlisis estructurales que para la cartografa de caractersticas del
paisaje.
Global Aproximado: Interpolacin a partir de isolneas en formato raster
El mtodo de interpolacin utilizado por Intercon de IDRISI (Eastman, 1992) pertenece a la
categora global-aproximado (Heywood, Price y Petch; 1995). El programa crea el MDE a partir
de un archivo de curvas de nivel en formato raster y utilizando un mtodo de interpolacin lineal que
consiste en crear una serie de perfiles en diferentes direcciones (Ej. Norte-Sur, diagonal; E-O). Para
cada uno de estos perfiles el programa registra la elevacin y la pendiente de cada celda. La
elevacin final asignada a la celda corresponde a la del perfil con la mxima pendiente. El algoritmo
utilizado es una modificacin del algoritmo CONSURF creado por David Douglas de la
Universidad de Ottawa, Canad. El manual de IDRISI (Eastman, 1992) reporta que un MDE creado
con dicho algoritmo para un mapa a escala 1:24.000 (curvas de nivel cada 3m) cumpli con las
normas de exactitud utilizadas para la cartografa analgica de los Estados Unidos de Amrica. El
error medio reportado fue de -0.7m con una desviacin estndar de 0.56m. La probabilidad de
obtener un valor de elevacin superior a 0.5 el intervalo de la curva de nivel fue inferior a 1%. El
Jfallas@racsa.co.cr
mtodo de interpolacin hace un fuerte uso de la memoria RAM y virtual (disco duro) y por tanto
el usuario debe poseer suficiente espacio libre en su disco antes de iniciar el proceso de
interpolacin. Una de las limitaciones del interpolador es que crea superficies con fuertes
irregularidades; las cuales deben eliminarse mediante la aplicacin de un filtro promedio.
Mtodos de interpolacin local
Entre los mtodos de interpolacin local tenemos (ESRI, 1997b; Golden Software, 1999; Petrie,
1990):
Distancia inversa ponderada (DIP)
Este interpolador asume que cada punto en el set de datos tiene una influencia local que disminuye
con la distancia y que por lo tanto los valores de los puntos cercanos al nodo que se procesa tienen
mayor importancia o peso en el valor que ser asignado al mismo. Normalmente, la bsqueda se hace
considerando un nmero de puntos o un radio (crculo alrededor de la celda de inters) (Fig. 3). Un
caso donde este supuesto es vlido es la reduccin en la intensidad de un terremoto a partir de su
epicentro o la reduccin en la temperatura del aire a partir de puntos focales de incendios. El peso
asignado a cada valor de Z ' est dado por:
P = 1/ (d) m
(1)
en donde:
P = peso o ponderacin que se aplicar a Z;
m: exponente seleccionado por el usuario(a). Este valor define la influencia local de cada uno de los
puntos en el set de datos (ver cuadro 1).
d: distancia entre el punto que se interpola y los vecinos ms cercanos utilizados en la interpolacin.
Fig. 3: Concepto de distancia de

bsqueda.
Jfallas@racsa.co.cr
El valor de cada punto interpolado Z ' es igual a:
3 Z i *1/ (d) m
Z ' = ----- ------------3 1/ (d) m
(2)
El valor de m controla el aporte relativo de cada observacin (Z) a la estimacin de Z ' como
puede apreciarse en la figura 4 y el cuadro 1. Dado que no existe un criterio nico para recomendar
la seleccin del dicho valor, usted puede utilizar el cuadro 2 como una gua. Observe que no existe
una diferencia marcada en los resultados para un valor de m=2 y para otro de m=3. Tampoco el valor
de Z ' es diferente (25.312 Vs 25.30, respectivamente). La diferencia importante est entre m=1 y
m=2 m=3 (ver cuadro 2). Por esta razn, el manual del programa Surfer (Golden Software, 1999)
recomienda valores de (m( entre 1 y 3. Si usted utiliza un valor de m inferior a 1, por ejemplo 0.5,
su ponderacin ser igual a 1/d 0.5 y obtendr una superficie con valores de Z ' ms influenciados por
los valores ms lejanos de Z como puede observarse en el cuadro 2. Observe en este caso el valor
de Z tambin sera muy diferente (48.96).
Cuadro 1: Relacin entre el valor del exponente m y el aporte relativo de cada valor de Z
observado al valor de Z ' estimado.
Z
d (m)
1/d
1/d 2
1/d 3
Z*(1/d)
Z*1/d 3
25
10
25
25
30
50
0.00001
24
35
100
35
0.0004
45
500
58
750
134
0.00178
773333
0.0001
55
1000
55
Z'
2734
2530
d (m): distancia lineal en metros entre el punto para el cual se desea estimar el valor de Z ' y los
puntos de observacin ms cercanos (Z).
Jfallas@racsa.co.cr
Cuadro 2: Aporte relativo de cada observacin (Z) al valor estimado de Z ' segn su distancia al
punto de inters y el valor utilizado de m.
Z
d (m)
Aporte (%), m= 0.5
Aporte (%), m= 1
Aporte (%), m= 2
Aporte (%), m= 3
25
10
16
7446
9524
9911
30
50
426
1489
381
79
35
100
703
745
95
45
500
2023
149
58
750
3193
99
55
100
3496
74
0.99108
Z'
4896
2734
2531
2530
Los valores de m >= 1 indican un alto grado de influencia local y una superficie con mayor detalle
(menos suavizada). Por el contrario valores de m inferiores a 1 indican un menor grado de
influencia local y una superficie con menos detalle.
Fig.4: Relacin entre valor del exponente m, la distancia de los vecinos

ms cercanos y el valor de la ponderacin.
Jfallas@racsa.co.cr
10
Este mtodo de interpolacin se comporta como un interpolador exacto cuando no se utiliza ningn
factor de suavizado. Uno de los defectos del interpolador es que genera una superficie con una
apariencia de 'ojos de buey ' alrededor de los puntos de muestreo (Fig. 5). El programa Surfer
(Golden Software, 1999) provee un filtro que suaviza la superficie y por lo tanto tiende a eliminar
este problema. El programa tambin le permite definir el tipo de bsqueda a utilizar (todos los datos,
simple, 4 sectores, 8 sectores); as como el nmero de puntos a utilizar y las dimensiones del crculo
o elipse como se muestra en las figuras 6 y 7. El programa Analista Espacial de ArcView tambin
permite definir el nmero de vecinos ms cercanos o un radio de bsqueda a utilizar en el proceso
de interpolacin; adems usted puede utilizar barreras (Ej. lnea de acantilado, cauce de un ro).
Fig. 4: Interpolador Distancia Inversa Ponderada: Efecto de ojos de

buey. Isoyetas cada 100mm. Software: Analista Espacial, ArcView.
Jfallas@racsa.co.cr
11
Fig. 6: Tipo de bsqueda. En este caso se ha

elegido una bsqueda utilizando 4 cuadrantes y 2
observaciones por cuadrante. Basado en Golden
Software, 1999
Curvatura mnima (Spline)

Este interpolador tiene su origen en los antiguos moldes curvos que utilizaban los dibujantes para
ajustar un curva a una serie de puntos. Este interpolador es realmente un conjunto de polinomios
cbicos que describen tanto la tendencia como la magnitud de una lnea. La forma de la curva es
definida localmente a partir de un subset de los datos. Algunos programas utilizan (B-splines(, los
cuales son a su vez la suma de otros (splines( utilizados para suavizar lneas. El interpolador ajusta
una lnea de curvatura mnima a partir de los puntos de muestreo (X,Y,Z) y por lo tanto se comporta
como un interpolador exacto (la superficie creada mantendr los valores de Z de los datos
originales). Este mtodo de interpolacin es apropiado para superficies que varan en forma gradual
tales como elevacin, precipitacin, temperatura, concentraciones de contaminantes y profundidad
de la tabla de agua; sin embargo no es apropiado para extrapolar valores como puede apreciarse en
la figura 8. Cuando los cambios son muy abruptos no se recomienda utilizar este interpolador. El
interpolador es muy utilizado en las ciencias de la Tierra (Ej. geologa, edafologa, geomorfologa,
climatologa). El usuario(o) debe seleccionar el nmero de puntos a utilizar por regin o vecindad
as como un factor de ponderacin (ESI, 1996b; Golden Software, 1999).
Jfallas@racsa.co.cr
Fig. 8: Interpolador de Curvatura Mnima. En la esquina superior

derecha puede observarse el efecto de extrapolar los valores de Z.
Isoyetas cada 200mm. Software: Analista Espacial, ArcView.
Fig. 7: Tipo de reas de bsqueda. A. Circular. B.

Elptica; los valores 1 y 2 indican el radio mayor y
menor que define el rea de la elipse. El usuario
tambin puede definir la inclinacin de la elipse.
Basado en Golden Software, 1999.
Jfallas@racsa.co.cr
12
13
Funciones radiales
Este es un interpolador muy flexible y que provee resultados similares al mtodo Kriging. El
interpolador se comporta como exacto cuando no se especifica el valor R 2 (parmetro de forma o
suavizado). No existe una valor universal para R 2; sin embargo el manual del programa Surfer
(Golden Software, 1999) sugiere utilizar un valor igual al espaciamiento medio a la mitad del
espaciamiento medio de las puntos de muestreo. La opcin multi cuadrtica es considerada como
la que genera las mejores superficies, seguida por Thin Plate Spline (Plano de curvatura mnima
delgado). Las funciones que el usuario especifica son anlogas a los variogramas utilizados en el
mtodo Kriging. La ecuacin de la funcin multi cuadrtica es la siguiente:
B (h) = ( h 2 + R2 ) 0.5
(3)
en donde h: distancia relativa del punto al nodo anisotrpicamente reescalao y R 2 el parmetro de

suavizado indicado por el usuario.
< Mtodo de Shepard: Este mtodo de interpolacin es similar al mtodo de inverso de la

distancia, sin embargo la superficie generada no muestra el efecto de (ojos de buey (. El
interpolador se comporta como exacto cuando no se especifica un factor de generalizacin
(Golden Software, 1999).
< Triangulacin con interpolacin lineal: Mtodo de interpolacin basado en una red de
tringulos irregulares (TIN). Para mayor detalle sobre este mtodo se remite al lector a la
seccin sobre interpolacin a partir de isolneas . El interpolador se comporta como exacto.
Utiliza todos los puntos de control para crear la superficie.
Kriging
El mtodo de interpolacin Kriging asume que la distancia y/o la direccin entre puntos de muestreo
es una expresin de la correlacin espacial entre los puntos y que por tanto dicha informacin puede
utilizarse para explicar la variabilidad encontrada en la superficie muestreada. El algoritmo ajusta una
funcin matemtica a un determinado nmero de puntos o a aquellos que se encuentren en un radio
de bsqueda. Este interpolador es ms complejo que los anteriores y normalmente requiere de cierto
conocimiento estadstico por parte del usuario(a). El anlisis incluye los siguientes pasos: anlisis
estadstico exploratorio del set de datos, modelado del variograma, interpolacin de la superficie y
anlisis de la superficie de varianza. Este interpolador se utiliza con mucha frecuencia en estudios
geolgicos y edafolgicos.
El mtodo de interpolacin Kriging puede utilizarse prcticamente con cualquier tipo de datos ya
que es muy flexible. Cuando no se especifica la varianza pepita o (nugget( el interpolador se
comporta como exacto. En general, Kriging es considerado como uno de los mejores mtodos de
interpolacin ya que provee estimaciones insesgadas y de varianza mnima (Oliver, 1990). Este
Jfallas@racsa.co.cr
14
interpolador considera tanto la direccin como la magnitud de la correlacin espacial en el set de

datos. Dado que este es un interpolador ms complejo, a continuacin se describe con mayor grado
de detalle tanto los supuestos del mtodo como su terminologa.
El mtodo de interpolacin Kriging se basa en los siguientes supuestos:
1. Los datos muestran un patrn de variabilidad espacial que puede definirse a travs de:
< Un componente estructural asociado a un promedio constante o a una tendencia constante.
< Un componente aleatorio con cierto grado de asociacin espacial.
< Un componente de error o variabilidad no explicada asociada a errores en las mediciones y a
micro variaciones en la superficie no detectadas por el modelo.
Los conceptos anteriores pueden expresarse matemticamente como (Burrough, 1986):
Z (x) = m(x) + ,' (x) + ,''
(4)
en donde:
Z(x):
Valor de la variable Z en la posicin x.
m(x): Funcin determinstica que describe el componente estructural asociado al set de datos.
,' (x): Variacin estocstica local que permanece en el set de datos despus de remover la variacin
estructural dada por m(x).
,'':
Residuos que representan variabilidad (ruido) sin una tendencia espacial en el set de datos,
con promedio igual a 0 y varianza F 2.
En ausencia de una tendencia en los datos ((drift(), el valor de m(x) es igual a:

E [Z(x) - Z (x+h)] = 0
(5)
En este caso tambin se asume que la variacin entre Z(x) y Z(x+h) depende exclusivamente de
la distancia entre sitios o sea del valor de (h(, tambin conocido como resago. Matemticamente lo
anterior se expresa como (Oliver, 1990):
Var [{Z(x) - Z x+h)] = E [{Z(x) - Z x+h)}2] = 2 ((h)
en donde ((h) se conoce como el semivariograma.
Jfallas@racsa.co.cr
(6)
15
Dado que los supuestos anteriores se cumplan en el set de datos, la semivarianza puede estimarse
a partir del set de datos utilizando el siguiente estimador (Issaks and Srivastava, 1989; Oliver, 1990):
((h) = 1/2n E{Z(xi) - Z (xi +h)}2
(7)
en donde (n( es el nmero de pares de observaciones separados por un resago (h(. Observe que el
valor de ((h) debe ser 0 cuando h es 0. El valor de ((h) cuando h tiende a 0 es una estimacin de ,''
(error asociado al set de datos y a la micro variacin local sin una dependencia espacial).El variograma
debe estimarse al menos en tres direcciones para detectar cualquier presencia de anisotropia en el set
de datos (Oliver, 1990). EL estimador anterior es vlido cuando se cumple con todos los supuestos del
modelo; sin embargo en presencia de violaciones no severas al modelo central (Ej. presencia de
valores extremos), se recomienda utilizar los siguientes estimadores robustos (Cressie,1993):
2((h) / {1/ *N (h)* * E*Z(xi) - Z (xi +h)0.5}4 / (0.457 + 0.494) / *N (h)*
(8)
2((h) /{Mediana * *Z(xi) - Z xi +h*0.5}4 / (B(h)
(9)
B(h) corrige por el sesgo y su valor asinttico es 0.457. La transformacin de potencia tiene la
virtud de generar datos con una distribucin cercana a la normal.
Semivariograma
El semivariograma es la representacin grfica de la semivarianza espacial con respecto a una
distancia (h(. Este valor es la mitad del promedio de la diferencia entre cada par de datos y la lnea de
45o en la grfica; y su valor incrementa conforme el coeficiente de correlacin y la covarianza
decrecen. A continuacin se ilustran los conceptos bsicos asociados al semivariograma utilizando un
set de 100 observaciones de elevacin sobre el nivel medio del mar obtenidas de un mapa 1:50.000
del Instituto Geogrfico Nacional. Los datos se muestran en el cuadro 3 y su distribucin espacial
puede visualizarse en las figuras 9 y10. Las figuras 11, 12, 13 y 14 muestran 4 curvas de Z (x) versus
Z (x+h) para el set de datos. La separacin entre puntos de muestreo fue de1000m y los valores de Z
estn dados en metros.
Jfallas@racsa.co.cr
16
Cuadro3: Valores de elevacin (m) obtenidos de un mapa escala 1:50.000 del Instituto Geogrfico
Nacional. Muestreo cada 1000 metros.
1
10
223
228
238
226
245
212
113
114
115
110
224
217
231
244
249
250
113
110
114
116
221
211
227
233
235
210
113
109
110
112
219
210
205
208
203
207
105
110
115
130
217
206
203
204
201
105
109
110
122
133
111
109
102
105
109
102
106
109
120
130
115
105
99
98
97
103
109
110
120
135
110
108
98
95
97
106
105
120
130
155
97
99
97
96
90
107
104
125
156
160
10
96
97
95
90
92
95
90
89
110
120
280
240
200
Z (m)
160
0
120
4000
6000
80
0
8000
2000
4000
6000
X (m)
8000
Y (m)
2000
10000
10000
Fig. 9: Distribucin de 100 valores de elevacin (m)

para puntos muestreados con un espaciamiento de
1000 metros en X y Y de una hoja cartogrfica
1:50.000 del IGN.
Jfallas@racsa.co.cr
17
200
Leyenda
Media filas
180
Media de Z (m)
Media columnas
160
140
120
100
80
0
10
Distancia (m)
Fig. 10: Promedios para columnas (Eje X) y filas (Eje Y) de 100

valores de elevacin (m) obtenidos de un mapa 1:50.000 del IGN.
280
240
200
Z(t)
La figura 11 ilustra el hecho de que el

valor de ((h) debe ser 0 cuando h es 0. Esto
se desprende de la ecuacin utilizada para
determinar la semivarianza. Obviamente
esta grfica no nos proporciona ninguna
informacin sobre la tendencia espacial en
el set de datos y se incluye slo con fines
didcticos.
160
120
80
80
120
160
200
240
280
Z (t)
Fig. 11: Diagrama de dispersin h para h= (0,0)

La figura 12 ilustra la relacin entre Z(x) y Z(x+h) o sea aquellos pares de valores definidos por
un resago de 1000 metros en el sentido Sur-Norte en el set de datos. Observe que el set de datos se ha
dividido en 2 grupos y existen otras observaciones distribuidas con un patrn menos definido.
Jfallas@racsa.co.cr
18
280
h = (0,1)
240
Z (t+h)
200
160
120
80
80
120
160
200
240
280
Z(t)
Fig. 12: Diagrama de dispersin h para h= (0,1)

La grfica 12 ilustra la relacin entre Z(x) y Z(x+2h) o sea aquellos pares de valores definidos por
un resago de 2000 metros en el sentido Sur-Norte en el set de datos. Observe que el set de datos se ha
dividido en 3 grupos y existen algunas pocas observaciones distribuidas con un patrn menos definido.
240
h(0,2)
210
Z (t+h)
180
150
120
90
80
120
160
200
240
280
Z (t)
Fig.13: Diagrama de dispersin h para h= (0,2)

La grfica 13 ilustra la relacin entre Z(x) y Z(x+3h) o sea aquellos pares de valores definidos por
un resago de 3000 metros en el sentido Sur-Norte en el set de datos. Observe que permanecen los 3
grupos sin embargo su posicin ha cambiado con respecto a la lnea de 450.
Jfallas@racsa.co.cr
19
240
h = (0,3)
210
Z (t+h)
180
150
120
90
60
80
120
160
200
240
Z (t)
Fig.14: Diagrama de dispersin h para h= (0,3)
Fig.15: Simivariograma para 100 datos de elevacin

obtenidos de un mapa 1:50.000 y con una separacin de 1000
metros entre puntos de muestreo.
Jfallas@racsa.co.cr
280
20
Observe que efectivamente el valor de ( (h) es 0 cuando h es 0 y que los valores del coeficiente
de correlacin de Pearson decrecen conforme se incrementa la separacin entre los valores de (h) y
el valor de la semi varianza (Cuadro 4). Es de esperarse que para un set de datos mayor su valor tienda
a estabilizarse conforme aumenta el valor de (h(. L a figura 15 corresponde al semi variograma para
los datos utilizados en el presente ejemplo. Observe que la grfica tiene una forma cncava ascendente
por cuanto puede asumirse que los datos presentan una tendencia local o global. En este caso los
valores mayores tienden a concentrarse en la esquina noroeste del rea. Esta grfica debe permitirle
escoger el valor de h para el set de datos. Dicho valor corresponde a aquel valor de h para el cual la
tendencia de la curva se estabiliza.
Cuadro 4: Estadsticos para los diagramas de dispersin de Z t Vs Z (t+h)

h
Coeficiente de correlacin
lineal de Pearson D(h)
Semivarianza
( (h)
No. pares (n)
100
0.86
408.96
90
0.72
903.91
80
0.49
1717.85
70
0.18
2838
60
A continuacin se definen los trminos asociados al variograma (ver figura 16).

Meseta o (sill(: Es igual a la suma de C y el efecto Nugget o pepita. En la mayora de los casos
es igual a la varianza del set de datos; o sea expresa la variabilidad total (S2) de Z
para los puntos de muestreo; as como la covarianza para *h* = 0.
A:
Este parmetro indica una separacin relativa en distancia (h); tambin se le conoce como
alcance e indica la distancia a partir de la cual se estabiliza la varianza del set de datos. Para una
superficie isotrpica (no existe un patrn direccional en los valores de Z) se calcula como:
h = (x 2 + y 2) 0.5 / A
en donde:
[ x y]:
representan el vector de separacin en unidades del mapa.
Jfallas@racsa.co.cr
(10)
21
B:
Parmetro que define la tasa de cambio de los componentes del variograma al incrementar
la separacin entre puntos. Este parmetro es utilizado para escalar la separacin de la
distancia fsica. Para los variogramas cuadrticos y esfricos este parmetro se conoce
como ambito o rango del variograma.
C:
Parmetro de escala que define, en ausencia del efecto pepita, el valor de la meseta o
(sill(.
Fig. 16: Componentes tpicos de un variograma. La letra h

representa un vector con magnitud y direccin. Fuente:
Golden Software, 1999.
El usuario puede elegir entre diversos modelos de variogramas (Cressie, 1993, Isaaks and
Srivastava, 1989; Golden Software, 1999). Los modelos con una meseta ((sill() y un alcance bien
definidos se conocen como transicionales porque la naturaleza estadstica de la variacin espacial
cambia cuando el resago (h) sobrepasa el rango (A).
Variogramas
A continuacin se describen las funciones utilizados con mayor frecuencia para describir los
variogramas (Cressie, 1993, ESRI, 1996; Golden Software, 1999):
< Esfrico o circular: Este es posiblemente el modelo ms utilizado. Su comportamiento es lineal

para separaciones pequeas cercanas al origen y tiende a aplanarse conforme aumenta la distancia;
Jfallas@racsa.co.cr
22
alcanzando el valor de la meseta (sill) cuando la distancia es igual al rango (A). En muy utilizado
en las ciencias de la tierra.
< Exponencial: Este es otro modelo utilizado con gran frecuencia en las ciencias de la tierra. El
modelo alcanza el umbral en forma asinttica y por lo tanto el alcance (A) se define como la
distancia a la cual se ha alcanzado el 95% del valor del umbral.
< Lineal: Este modelo incrementa linealmente con h y por lo tanto no posee un valor de meseta.
< Gausiano: Este modelo se utiliza para crear superficies a partir de datos que representan fenmenos
extremadamente continuos. El modelo alcanza el umbral en forma asinttica y por lo tanto el rango
(A) se define como la distancia a la cual se ha alcanzado el 95% del valor del umbral.
Jfallas@racsa.co.cr
< Logartmico:
Este variograma no tienen un valor de meseta.
< Wave (Efecto de hueco)
< Racional cuadrtico
Jfallas@racsa.co.cr
23
24
< Cuadrtico
Algunas observaciones generales que aplican a todos los variogramas son las siguientes (Oliver,
1990):
< Los modelos matemticos son ajustados a una muestra discreta de simivarianzas ya que el
variograma verdadero es continuo y las estimaciones estn sujetas a error; especialmente si la
muestra es pequea. Cuando el error asociado a los datos es muy grande comparado con la
variacin natural de la regin, el variograma se mostrar errtico y sin ninguna capacidad
predictiva.
< Los modelos que pueden ajustarse a los datos pueden clasificarse en 2 grandes categoras:
Ilimitados o infinitos
En este caso el modelo no asume que existe una varianza a priori finita y por lo tanto la hiptesis
de variacin espacial estocstica de los datos slo puede asumirse como correcta en forma
intrnseca. Los modelos basados en una funcin de potencia se ajustan a esta condicin y por lo
tanto puede utilizarse un modelo lineal, cncavo o convexo. Un variograma que tiende a
incrementar en una forma cncava hacia arriba desde el origen puede indicar la existencia de una
tendencia (drift) local o global en el set de datos. Es este caso se debe sustraer la variacin no
estocstica o estructural del set de datos y luego ajustar nuevamente el variograma utilizando los
residuos.
Limitados o finitos
En este caso se asume que existe un lmite a la variacin que caracteriza el proceso aleatorio; a
dicho lmite se le denomina meseta o (sill(. Los modelos exponenciales y esfricos se utilizan
con frecuencia para describir los semivariogramas de set de datos provenientes de las ciencias
de la tierra.
Jfallas@racsa.co.cr
25
Mtodos de interpolacin en Kriging

Kriging ordinario ( Sin tendencia)
Este mtodo de interpolacin es apropiado para datos con una distribucin regular de los datos
(isotrpica). Un proceso es isotrpico cuando es estrictamente estacionario y su variacin no est
asociada a una direccin particular en el set de datos. Una variable es estrictamente estacionaria si su
componente estocstico (Xi ) satisface la siguiente condicin (Haggett, Cliff and Frey, 1977):
La distribucin conjunta de las 7Xi ? depende solamente de la posicin relativa
de las observaciones; o sea no existe ningn efecto estructural en los datos.
Kriging Universal
El Kriging universal no tiene un variograma y adems el mtodo de interpolacin se sustenta en el
hecho de que puede existir tanto u patrn local como uno estructural. Este mtodo de interpolacin
debe utilizarse cuando los datos no tienen una distribucin homognea y por lo tanto se debe interpolar
la superficie a partir de espacios sin informacin; tambin puede utilizarse cuando se desea extrapolar
la superficie ms all de los lmites de los datos de insumo. La interpolacin se realiza va dos
mtodos:
< Kriging Universal con tendencia lineal: Este mtodo de interpolacin es apropiado cuando los datos
exhiben un patrn o tendencia lineal. En caso de duda este es el mtodo recomendado.
< Kriging Universal con tendencia cuadrtica: Este mtodo de interpolacin es apropiado cuando
los datos exhiben un patrn o tendencia cuadrtica (forma de parbola con depresiones).
El Kriging universal es apropiado para aquellos casos en donde la variacin espacial del set de datos
puede segregarse en un componente aleatorio y otro de tendencia o (drift(. Otras extensiones del
mtodo Kriging son co-Kriging y Kriging disyuntivo ( Cressie, 1993; Oliver,1990)
Efecto o varianza pepita (Nugget)
Este parmetro integra el error asociado a los datos (errores de medicin); la microvarianza no
contabilizada por la distancia de muestreo ((h() y la variacin espacial no correlacionada en el set de
datos (Cressie, 1993; Oliver, 1990). Sus unidades son cuadrticas y corresponden a las de Z. Cuando
mayor sea dicho valor menor confianza se asigna a cada observacin en el set de datos y por lo tanto
el interpolador se comporta como no exacto. Este parmetro se utilizar cuando existen errores
potenciales en el set de datos. Cuando este factor domina la variacin del semivariograma, no es
posible utilizar el mtodo Kriging para la interpolacin y por lo tanto debe utilizarse un mtodo de
interpolacin no estadstico.
Jfallas@racsa.co.cr
26
Efecto o varianza Nugget = Varianza de los errores de medicin + micro varianza

El primer trmino se refiere al error generado como efecto de la no repetitividad de las mediciones
(errores en los datos) y el segundo expresa la variabilidad a nivel micro no evaluada por la distancia
de muestreo (h(. Este valor es un indicador de la varianza residual o sea de la variabilidad no
correlacionado espacialmente en el set de datos.
Interpolacin a partir de isolneas
Las isolneas representan lneas continuas de igual valor a lo largo del rea de estudio y
normalmente su fuente son los mapas topogrficos o los planos ingenieriles (Ej. Levantamientos
topogrficos). Dependiendo del software utilizado, se pueden utilizar dichos datos tanto en formato
raster (Ej. Intercon de IDRISI) como en formato vectorial (Ej. 3D Analyst de Arc View, TIN de Arc
Info, MGE Terrain Analyst de Intergraph).
Interpolacin a partir de tringulos irregulares (TIN)
El modelo de datos TIN (por sus siglas en ingls) como un medio para almacenar, recuperar y
analizar datos topogrficos fue inventado en forma independiente en Amrica del Norte al menos tres
veces en los primeros aos de 1970 (Mark, 1977). El modelo TIN surgi como una respuesta a la
necesidad de buscar una estructura de datos alterna a la raster utilizada hasta aquel momento para
representar Modelos Digitales del Elevacin (MDE) y a la insatisfaccin por parte de los usuarios(as)
con el software existente para crear isolneas. A continuacin se ofrece un breve resumen de la historia
de los modelos de tringulos irregulares (Mark, 1977):
1964: Los tringulos elaborados a partir de una distribucin de puntos irregulares fueron utilizados
como base para dibujar curvas o isolneas en un espacio bidimensional.
1965: La compaa IBM implement un proceso basado en tringulos para elaborar curvas de nivel.
1966: El geomorflogo Alemn K. Hormann propuso el uso de tringulos para representar la
superficie del terreno y luego realizar anlisis geomorfolgicos. Sin embargo, los tringulos
propuestos por Hormann carecan de topologa y eran analizados en forma individual.
1967: Se desarrolla un programa de cmputo para la creacin de curvas de nivel basado en tringulos
para la industria petrolera.
1968: Thomas K. Poiker, profesor de cartografa en Canad, describe la primera estructura de
tringulos irregulares con topologa integrada, como parte de la superficie externa de un slido
de tres dimensiones.
1973: Las estructuras triangulares fueron inventadas en forma independiente por ingenieros de la firma
consultora Engineering-Science, Virginia, USA como un medio para representar elevaciones
Jfallas@racsa.co.cr
27
y otros atributos mientras trabajaban en un proyecto sobre tuberas de aguas negras. La idea se
materializ como ADAPT (Areal Design and Planning Tool), un SIG que utilizaba los vrtices
de los tringulos para designar elevaciones y sus caras para representar otros atributos.
1975: El modelo TIN propuesto por Poiker se haba establecido como una estructura topolgica en
el mundo cientfico.
1975-76: Las estructuras triangulares fueron inventadas en forma independiente por el gelogo
Christopher Gold mientras trabajaba en su disertacin de doctorado entre 1975 y 1976 como
un medio para representar superficies geolgicas subterrneas.
Para finales de 1970 se haba aceptado al modelo TIN como la forma estndar de representar la
topografa en un SIG y en otros programas de cmputo.
Las superficies pueden representarse mediante un conjunto de puntos con un espaciamiento regular
(en ingls, lattice) utilizando una red de tringulos irregulares (Triangulated Irregular Network, TIN,
por sus siglas en ingls). El modelo TIN (Fig.17) est formado por un conjunto de tringulos
adyacentes que no se traslapan, los cuales se derivan a partir de un set de puntos con un espaciamiento
irregular. La estructura de datos est basada en una mezcla de puntos (Masa de puntos), lneas (lneas
de cambio o inflexin en la topografa) y polgonos (reas). El modelo TIN almacena la informacin
topolgica que define las relaciones espaciales entre cada uno de los tringulos y sus vecinos (Ej.
informacin sobre los vrtices y los lados de cada tringulo). El modelo TIN es apropiado para
representar las irregularidades del terreno y para derivar mtricas del paisaje tales como pendiente,
aspecto y sombreado del terreno. Sin embargo cuando se requiere utilizar la superficie con fines de
modelado (Ej. simulacin de escorrenta superficial), la estructura de datos raster es ms apropiada.
Los puntos equidistantes derivados del TIN (grilla) son el insumo a partir del cual se estima el valor
de Z (Ej. elevacin) que posteriormente permitir crear un archivo de tipo raster. El cuadro 5 resume
las principales caractersticas de las estructuras de datos TIN y raster.
Jfallas@racsa.co.cr
28
Fig. 17: Modelo de puntos regulares (lattice) y red de tringulos

irregulares (TIN).
Cuadro 5: Comparacin entre las estructuras de datos raster y TIN para representar modelos digitales
de elevacin.
Modelo raster: cuadrcula
regular
Modelo Vectorial: tringulos irregulares
La cuadrcula es un modelo de datos

simple formado por una matriz de
columnas e hileras.
La red de tringulos irregulares es una estructura ms compleja que

representa la superficie mediante un conjunto de caras de tringulos
contiguos que no se traslapan.
Los procesos computacionales son muy

eficientes ya que se trabaja con una
matriz de valores (columnas e hileras).
Procesos computacionales menos eficientes ya que se debe estimar el

valor promedio para el conjunto de nodos que rodean el punto de
inters.
Existen algoritmos bien establecidos

para el procesamiento de los datos.
Dichos algoritmos se originaron en la
comunidad de usuarios de
procesamiento de imgenes digitales.
Los algoritmos para procesar TINs son ms complejos y costosos de

programar. Por lo tanto el software tambin es ms caro.
Datos en formato raster son abundantes

y menos costosos que los vectoriales.
Existen pocos datos en formato TIN y normalmente son ms caros y

difciles de utilizar.
El modelo de celdas regulares es rgido,

ineficiente y no expresa con fidelidad
los cambios abruptos del terreno.
El tamao de los tringulos se adapta a las irregularidades del rea que

se modela. Las coordenadas de los valores originales se mantienen como
parte de la informacin asociada a los vrtices de los tringulos y por lo
tanto no existe prdida de detalle ni de informacin.
Basado en: ESRI, 1997; Maune, 1994; Shearer, 1990 y Weibel y Heller, 1991.
Jfallas@racsa.co.cr
29
A continuacin se brinda una gua en cuanto al mtodo de interpolacin a utilizar basados en el

nmero de puntos de muestreo (Golden Software, 1999):
Cuadro 6: Criterios para elegir el mtodo de interpolacin.
Nmero de
puntos de
muestreo
(X,Y,Z)
Mtodo de interpolacin
sugerido
Observaciones
#10
Kriging con variograma lineal

Kriging con variograma lineal.
Tringulos irregulares con
interpolacin lineal.
Funciones radiales
Regresiones polinomiales
Slo es posible generar una tendencia general

de los datos. Se recomienda crear diferentes
superficies y optar por la que mejor represente
el set de datos.
#250

Funciones radiales con funcin
multicuadrtica.
Ambos mtodos de interpolacin brindarn

resultados aceptables y muy similares. Se
recomienda utilizar todos los puntos de
muestreo para crear la superficie.
250 a 1000

Curvatura mnima
Funciones radiales
Todos los mtodos de interpolacin brindarn

resultados aceptables y muy similares. Para
(Kriging( y (funciones radiales( se
recomienda una funcin de bsqueda basada
en cuadrantes.
>1000
Curvatura mnima
Kriging con variograma lineal.
Funciones radiales
Kriging y funciones radiales requieren de

mayor tiempo de clculo pero ofrecen mejores
resultados. Segn el manual de Surfer (Golden
Software, 1999) el incremento en tiempo no es
proporcional al nmero de puntos en el set de
datos.
Jfallas@racsa.co.cr
30
EVALUACIN DE LA EXACTITUD DEL MODELO DIGITAL DE ELEVACIN

Todo modelo digital de elevacin est sujeto a dos fuentes de error. El primer tipo se denomina
aleatorio y representan una sobre o sub estimacin de los valores reales de elevacin como resultado
del azar. Estos errores no muestra un patrn determinado, en promedio su valor es igual a cero y los
errores positivos y negativos tienen una frecuencia similar. El segundo tipo se denomina sistemtico
y tambin representan una sub sobre estimacin de los datos de elevacin; sin embargo, a diferencia
de los primeros, tienen un patrn determinado y su promedio no es igual a cero (Maling, 1989). A
continuacin se describen los estadsticos disponibles para evaluar los errores asociados a un modelo
digital de elevacin.
Exactitud
Desde un punto de vista estadstico, la exactitud mide la magnitud y direccin del error o sesgo en
el set de datos. Cuando no existe sesgo, el promedio de la variable es igual su valor verdadero. Para
aplicar este concepto a un MDE es necesario comparar las elevaciones derivadas del mismo con otra
fuente de informacin con un mayor grado de exactitud; por ejemplo, un mapa con valores mas exactos,
valores de campo o elevaciones obtenidas por medios fotogramtricos (Cressie, 1993; Maling, 1989;
Weibel y Heller,1991 ). La comparacin resulta en una serie de diferencias denominadas (residuos(,
cuyos valores pueden ser positivos o negativos. Estas diferencias se expresan estadsticamente como
error promedio, error absoluto promedio y raz cuadrada del error medio cuadrtico (Shearer, 1990):
Error aritmtico medio
El promedio indica la tendencia central de los errores y por lo tanto no indica la magnitud ni la
direccin del error para puntos individuales. Cuando los errores son aleatorios la media tiende a cero
y cuando existe un sesgo en los datos su valor ser diferente de cero. El promedio aritmtico no es un
buen indicador del error del MDE pues un valor muy grande puede ser compensado por otro grupo de
valores pequeos. Por ejemplo, un error de -100 metros puede ser compensado por diez errores de 10
metros y en promedio el error ser igual a cero (0). El error promedio es igual a:
0r = 3 ri / n
(11)
en donde: ri = residuos obtenidos en n puntos diferentes (tamao de la muestra).

Error absoluto medio
El error absoluto promedio indica la tendencia central de la distribucin de errores sin considerar
su signo y su valor es mayor o igual a cero. Este valor representa mejor el error esperado del MDE. Por
ejemplo, para el caso mencionado en el prrafo anterior el error sera 18.2m. El error absoluto promedio
es igual a:
EAP = 3 *ri* / n
en donde: ri = residuos
(12)
Jfallas@racsa.co.cr
31
* * = valor absoluto
n = nmero de observaciones (tamao de la muestra)
Raz cuadrada del error medio cuadrtico
La raz cuadrada del error medio cuadrtico (RCEMC) es una expresin matemtica que captura
tanto la magnitud como la variabilidad de las desviaciones de una serie de puntos de muestreo. Su
frmula es:
EMC = ( 3 (ri) 2 / n) 0.5
(13)
Desviacin estndar o tpica (DT)

La desviacin estndar, tambin conocida como error estndar en el ambiente cartogrfco, expresa
la desviacin de los errores (ri) con respecto al promedio 0 r y su expresin matemtica es la siguiente:
DT = ( 3 (ri - 0 r ) 2 / n-1) 0.5
(14)
Cuando 0 r = 0 el RCEMC es igual a la desviacin estndar de los errores; sin embargo si 0 r 0

el valor del RCEMC ser mayor que DT. En la literatura cartografa se le denomina con frecuencia a
ambos trminos error estndar.
Cuando los residuos tienen una distribucin normal, el 95% de los mismos se encontrarn entre -2DT
y +2DT. Otros valores de uso comn son los siguientes:
Mltiplo de DT
0.6745
1.01
1.5
1.645
2.0
3.0
40. 0
% de puntos incluidos
50
68.3
86.6
90
95.5
99.7
99.9
Denominacin
Error medio
Error estndar
q=1-P
0.5
0.333
0.143
0.1
0.05
Error mximo* 0.003
0.0001
%
50
33.3
14.3
10
5
0.3
0.01
k
1/2
1/3
1/7
1/10
1/20
1/333
1/10000
1-P: Probabilidad de que las observaciones exceden dichos lmites por factores de azar.
%: Porcentaje de 1as observaciones que exceden dichos lmites por factores de azar.
*: Conocido como criterio de Chauvenet (Maling, 1989). Cualquier residuo que exceda 3
desviaciones estndares es considerado como un valor extremo y es candidato a ser
eliminado.
Del anlisis de la presente seccin se desprende que existen varias expresiones matemticas para
cuantificar el error asociado al MDE y que no todas indican lo mismo. Esto puede crear confusin e
Jfallas@racsa.co.cr
32
incertidumbre en el usuario del MDE; para evitar esta inconveniente se recomienda describir cada
trmino utilizado y especificar su respectiva frmula.
Exactitud de los valores de elevacin
En el ambiente cartogrfico convencional se pueden utilizar tanto puntos con elevaciones conocidas
como isolneas (Ej. curvas de nivel) para crear los modelos digitales de elevacin terreno. En ambos
casos se debe determinar la exactitud planimtrica y altimtrica de los datos. Por ejemplo, el valor de
un hito de posicin fija en un mapa 1:50.000 puede tener un error en posicin de 15m pero su valor de
elevacin puede ser correcto; poseer un error tanto en ubicacin como en elevacin (lo ms probable).
El error asociado a puntos particulares de elevacin puede determinarse con facilidad; sin embargo es
ms difcil evaluar la exactitud de las curvas de nivel. En el caso de curvas de nivel es frecuente
establecer una tolerancia mxima aceptable y luego utilizar valores puntuales para evaluar el grado de
error asociado a la estimacin. Por ejemplo, si asumimos que el 90% de los puntos muestreados deben
estar a no ms de 0.5 el intervalo de las curvas de nivel (Norma utilizada en la cartografa de los
Estados Unidos de Amrica); entonces para un mapa 1:50.000 de Costa Rica con curvas de nivel cada
20m, dichos puntos deberan poseer un error inferior o igual 10m. Este mtodo asume que la forma
y detalle de las curvas es correcta dada la escala del mapa; sin embargo no somete a prueba dicho
supuesto.
ESTNDARES O NORMAS
La investigacin en cartografa hipsomtrica ha demostrado que el error asociado a los valores de
elevacin est fuertemente influenciado por la pendiente del terreno (Fig. 18). A continuacin se
brindan dos ecuaciones conocidas como ecuaciones de Kopp (Maling,1987) que permiten determinar
el error esperado en un MDE tanto en elevacin como en planimetra:
EMC en elevacin
REMC Z = (A+B * tan % )
EMC en posicin
REMC P = (B+A * cot % ) Para % 0
en donde % representa la gradiente de la pendiente en grados.
(15)
(16)
Fig.18: Relacin entre desplazamiento planimtrico y error en elevacin. A: posicin correcta de la

curva de nivel. A' : Posicin en el mapa. )P: error en planimetra. )Z: error en elevacin.
Jfallas@racsa.co.cr
33
El desplazamiento planimtrico y el error altimtrico ser el mismo para aquellas reas con una
pendiente de 45 (100%) y por lo tanto puede asumirse que el error altimtrico siempre ser menor que
el planimtrico (cuadro 8). Los valores de A y B de las ecuaciones 15 y 16 son constantes establecidas
por cada pas considerando la escala del mapa y los requisitos de exactitud deseados. A continuacin
se brindan los valores para A y B citados por Maling (1987) para escalas entre 1:1000 y 1:50.000.
Cuadro 7: Valores de A y B sugeridos por Maling (1987) para cartografa con escalas entre 1:1000 y
1:50000.
Escala
Intervalo entre curvas

de nivel (m)
EMCZ (m)
EMCP (m)
1: 1000
(0.1 + 0.3 * tan %)
(0.3 + 0.1 * cot %)
1: 5000
(0.4 + 3 * tan %)
(3 + 0.4 * cot %)
1:10000
10
(1 + 5 * tan %)
(5 + cot %)
1:25000
10
(1 + 7 * tan %)
(7 + cot %)
1:50000
20
(1.5 + 10 * tan %)
(10 + 1.5 * cot %)
Para la cartografa 1:50.000 de Costa Rica, los valores anteriores brindaran los siguientes errores
permisibles:
Cuadro 8: Errores permisibles para la cartografa 1:50.000 de Costa Rica, basado en Maling (1987)
Pendiente %
(grados)
Pendiente %
(%)
2.5
4.4
Categora de pendiente
RCEMC Z
(m)
RCEMC P
(m)
Ligeramente ondulado(2-6%)
1.94
44.35
875
Ondulado (6-15%)
237
2714
10
176
Fuertemente ondulado (15-30%)
326
1851
20
364
Escarpado (30-50%)
514
1412
30
577
Fuertemente Escarpado(50-75%)
727
1259
40
839
Montaoso (>75%)
989
1179
45
100
Montaoso (>75%)
1150
1150
Jfallas@racsa.co.cr
34
A continuacin se brindan los estndares altimtricos en uso en Alemania, Suiza, Inglaterra, y los
Estados Unidos para mapas con escalas entre 1:5.000 y 1:50.000 (Shearer,1990):
Cuadro 9: Errores aceptables en la estimacin de valores de elevacin (REMC Z) en Europa y los
Estados Unidos de Amrica. Normas para cartografa analgica.
Escala
Pas
REMC Z (m)
Para % = 30 (57.7%)
1:5000
Alemania
(0.4 + 5 * tan %)
3.29 m
1:10000
Suiza
(1 + 3 * tan %)
2.73 m
1:10000
Inglaterra
((1.8)2 + (3)2 * tan %) 0.5
2.49 m
1:25000
Alemania
(0.5 + 5 * tan %)
3.39 m
1:25000
Suiza
(1 + 7 * tan %)
5.04 m
1:25000
Inglaterra
((1.8)2 + (7.8)2 * tan %) 0.5
4.85 m
1:50000
Suiza
(1.5 +10 * tan %)
7.27 m
USA
(1.8 + 15 * tan %)
10.46 m
1:50000
%: Pendiente en grados
En general, los valores anteriores coinciden con la norma utilizada en la cartografa de los Estados
Unidos de Amrica, la cual indica que un 90% de los puntos muestreados debe tener un error inferior
a media curva ( Maling, 1989). Para la cartografa 1:50.000 de Costa Rica con curvas de nivel cada
20 metros y auxiliares cada 5 metros (en lugares planos) dicha norma corresponde a 10 y 5 metros,
respectivamente. Para la cartografa 1:200.000 con curvas de nivel cada 100m, el error aceptable sera
50m.
A partir de la norma anterior y considerando que toda curva de nivel tiene un error planimtrico y
otro altimtrico (Fig. 19) se puede utilizar la siguiente ecuacin para determinar el error esperado en
elevacin para la cartografa 1:200.000 (Maling, 1989):
Z = 0.5 IC + 0.5mm* tan %
(17 )
en donde:
% : representa la gradiente de la pendiente en grados.
IC: intervalo de la curva de nivel
Jfallas@racsa.co.cr
35
0.5mm: Este valor corresponde a la norma utilizada en los Estados Unidos de Amrica para evaluar la
exactitud planimtrica de los mapas con escalas inferiores a 1:24.000. Dicha norma establece que 90%
de los puntos muestreados deben encontrarse a no mas de 0.5mm de su posicin verdadera.
Fig. 19: Desplazamiento esperado en el valor de elevacin como consecuencia del desplazamiento en
planimetra. A y B: curvas de nivel. M: error aceptable en elevacin (0.5IC). EPp: error total
considerando el error en planimetra.
El cuadro 10 ilustra la aplicacin de la ecuacin 7 a la cartografa 1:200.000 de Costa Rica. El error
mximo esperado en elevacin para la cartografa a escala 1:200.000 es igual al 1.5 veces el intervalo
entre curvas de nivel, lo cual excede el estndar utilizado en los Estados Unidos de Amrica para
evaluar la exactitud en altimetra de la cartografa con escalas inferiores 1:24.000. Dicha norma
establece que ningn punto de muestreo debe exceder el valor de una curva de nivel.
Jfallas@racsa.co.cr
36
Cuadro 10: Errores esperados para la cartografa 1:200.000 de Costa Rica con curvas de nivel cada
100m, basado en Maling (1989).
Pendiente (grados)
Pendiente (%)
Categora de pendiente
RCEMC Z (m)
2.5
4.4
Ligeramente ondulado (2-6%)
54.4
875
Ondulado (6-15%)
58.8
10
176
Fuertemente ondulado (15-30%)
67.6
20
364
Escarpado (30-50%)
86.4
30
577
Fuertemente Escarpado (50-75%)
107.7
40
839
Montaoso (>75%)
133.9
45
100
Montaoso (>75%)
150
Estndares para modelos digitales de elevacin

Los estndares propuestos para la cartografa analgica (Ej. ecuaciones de Kopp y Normas de la
Agencia Cartogrfica de los Estados Unidos de Amrica) se basan en la gradiente de la topografa y la
escala del producto cartogrfico. En los modelos digitales de elevacin no existe la escala como tal y
por tanto se consideran independientes de la misma; sin embargo para los archivos raster puede
utilizarse la separacin entre los nodos de la cuadrcula como un equivalente de la escala. Ley (1986)
citado por Shearer (1990), sugiere utilizar la siguiente equivalencia entre escala y tamao de la celda:
Separacin entre nodos
30 m
100 m
Equivalente a escala
1:50.000
1:250.000
Error planimtrico (RCEMC)

90% de los errores +25 m
90% de los errores +125 m
Utilizando esta equivalencia puede establecerse la exactitud de un MDE a partir de las normas
utilizadas para la cartografa convencional. Un Modelo Digital del Terreno (DEM, por su siglas en
ingls) en los Estados Unidos de Amrica es un archivo digital con puntos equidistantes en sentido
norte-sur (X,Y) y con un valor de elevacin en el eje Z (Maune, 1994). A partir de los mapas 1:24.000
se trazan perfiles en sentido Norte-Sur con una separacin de 30 m entre s. Cada perfil a su vez
contiene puntos con una separacin de 30m; por cuanto el producto final es una matriz regular de
30*30m. Para los mapas 1:250.000, la separacin entre los perfiles y los puntos est basado en
coordenadas geogrficas (latitud, longitud). La separacin entre perfiles y puntos es de 3 segundos de
arco, lo cual corresponde a aproximadamente 90m en el sentido norte-sur y a una distancia variable en
el sentido este-oeste. Esta ltima distancia depende de la ubicacin del lugar ya que los meridianos
convergen conforme aumenta la latitud. A continuacin se describen las especificaciones de los MDT
Jfallas@racsa.co.cr
37
de nivel I, II y III utilizados en los Estados Unidos de Amrica (Brown, 1994; Maune, 1994;Veregin,
1997). En todos los casos el error es calculado a partir de una muestra de al menos 28 puntos.
Nivel I:
Los valores de elevacin son estimados a partir de mtodos fotogramtricos. El MDT debe tener un
error mximo (RCEMC z) de 15m y ningn error puede exceder 50M (aproximadamente 3 veces la
RCEMC). Este MDT cumple con los requisitos para elaborar ortofotos a escala 1:12.000.
Nivel II:
EL MDT es creado a partir de curvas de nivel y el error (RCEMC z) permisible es 0.5 veces el
intervalo entre curvas de nivel del mapa fuente; adems ningn error puede superar el intervalo de una
curva de nivel. Las especificaciones de este nivel estn diseadas para que el usuario obtenga resultados
similares a los que obtendra con mtodos manuales y utilizando mapas impresos a la misma escala.
Nivel III
Este MDT es derivado de curvas de nivel y otra informacin auxiliar. El error permisible en elevacin
(RCEMC Z) es de 7 m y ningn error puede superar el intervalo de una curva de nivel.
Debido a que los estndares anteriores estn basados en normas para cartografa analgica, el Comit
Federal para Datos Geogrficos de los Estados Unidos de Amrica aprob en junio de 1998 los
Estndares Nacionales de Exactitud para Datos Espaciales (NSSDA, por su siglas en ingls)
(http://mcmcweb.er.usgs.gov/sdts/, http://www.fgdc.gov/standards/status/sub1_3.html). Dichos
estndares definen la metodologa y los estadsticos a utilizar para evaluar la exactitud tanto de mapas
digitales como analgicos. Estos nuevos estndares recomiendan calcular un intervalo de confianza al
95% para el error (1.96*RCEMC z). A los interesados en hojas electrnicas diseadas para implementar
dicho estndar se les remite al subdirectorio NSSD del CD que acompaa al presente documento.
Errores para un MDE derivado de elevaciones obtenidos por mtodos fotogramtricos
A continuacin se brinda un resumen de los resultados reportados por Torlegard et. al. (1987) y
citados por Shearer (1990). El estudio consisti en la obtencin de mediciones de elevacin a partir de
fotos con escalas entre 1:1000 y 1:30.000 para 6 sitios con diferentes condiciones de terreno por parte
de 15 instituciones independientes y su posterior uso para derivar el MDE. Finalmente, cada institucin
seleccion 2500 puntos de control para los cuales obtuvo su valor de elevacin. El error se estim como
la diferencia entre dichos valores y los derivados por mtodos fotogramtricos con especificaciones de
exactitud en el orden de 0.3% a 0.7% por cada 1000 metros de altura de vuelo (esto se hizo para
normalizar los errores y por lo tanto poder compararlos).
T Los resultados menos satisfactorios se obtuvieron tanto para reas ubicadas en terreno empinado y
con montaas escabrosas (Ej.configuracin de terreno en Monte Verde de Puntarenas); como en
Jfallas@racsa.co.cr
38
reas planas y con cobertura de bosques. En ambos casos los MDE no cumplieron con las normas
establecidas por el estudio.
T El error estndar en el MDE obtenido por tcnicas fotogramtricas se encontraba entre 0.2% y
0.4% de la altura de vuelo. Esto representa una exactitud entre 0.2 a 0.4m para alturas de vuelo
de 1000m y 3.0 a 6.0m para alturas de vuelo de 15000m.
T En reas muy empinadas la exactitud alcanz entre 1.0% y 2.0% de la altura de vuelo; lo que
representa un error desde 1.0 a 2.0m hasta 15.0 a 30.0m, respectivamente.
T Los errores mximos pueden ser desde 4 hasta 8 veces el valor del error estndar.
T La exactitud media del MDE se incrementa al aumentar el nmero de puntos de muestreo.
T Valores estticos de elevacin (elevaciones de puntos fijos) brindan mejores resultados que perfiles
o curvas de nivel. Esto se debe posiblemente a que los puntos poseen un menor error tanto en
planimetra como en altimetra.
INSUMOS PARA ELABORAR UN MDE

En general, los insumos para elaborar un MDE pueden obtenerse a travs de levantamientos de
campo, mtodos fotogramtricos y digitando elevaciones a partir de hojas topogrficas. El trabajo de
campo es el mtodo mas costoso pero tambin el que genera los datos de mejor calidad. Las hojas
topogrficas, son la fuente de menor costo, pero tambin las de menor calidad. El levantamiento de
campo es factible para reas pequeas y que requieran de gran exactitud. Acherman (1978) reporta que
se requiri de 13 das para levantar 6000 puntos de campo en tanto que en 5.5 horas se levantaron 8500
puntos por medios fotogramtricos. La exactitud de ambos mtodos no es la misma (0.25m y 0.4m,
respectivamente); sin embargo en ambos casos se puede elaborar cartografa con curvas de nivel de 1m;
lo cual es apropiado para un sinnmero de aplicaciones. Cuando se utilicen medios fotogramtricos
deben considerarse los siguientes aspectos (Shearer, 1990):
T
T
T
T
Escala de la foto y altura de vuelo

Razn de base-elevacin
Exactitud del equipo utilizado
Mtodo utilizado para levantar los datos
< Esttico o puntual: Este mtodo brinda mayor exactitud
< Dinmico, perfiles o curvas de nivel: Este mtodo brinda una exactitud de
aproximadamente 1/3 del anterior.
Jfallas@racsa.co.cr
39
En el caso de las hojas topogrficas, la exactitud depender de la escala del mapa y del intervalo
entre curvas de nivel. Otro aspecto que influir en el producto es el mtodo utilizado para digitar las
curvas. Los mtodos manuales (mesa digitalizadora) pueden incluir un error planimtrico de 0.5mm,
en tanto que los mtodos semiautomticos (uso de escner) pueden generar errores menores. Sin
embargo, en todo caso esta fuente de datos es el que genera los MDE de menor exactitud.
Densidad y distribucin de los datos
La densidad y distribucin de los insumos influyen en la exactitud del modelo de elevacin digital.
Una distribucin regular y densa de puntos (Ej. cuadrcula) el uso de perfiles paralelos brindan una
excelente cobertura del rea y por lo tanto generan MDE realistas. Sin embargo, cuando el terreno es
muy escarpado y con inflexiones frecuentes se tiende a perder los detalles menores del paisaje (Ej.
acantilados, cimas de la montaa, crcavas y pequeas caadas). Una solucin a esta limitante es
complementar los datos anteriores con puntos particulares o lneas que indiquen inflexiones en el
terreno.
Los mapas de curvas de nivel son una fuente aceptable de datos para crear MDE; sin embargo la
densidad de los datos estar directamente relacionada con la pendiente del terreno. Sitios con fuerte
pendiente tendrn una mayor cantidad de puntos comparados con sitios ubicados en reas planas. En
este caso tambin es aconsejable suplementar la informacin de curvas de nivel con valores puntuales
y lneas que indican cambios bruscos en el terreno.
Esquemas de muestreo
El modelo digital de elevacin puede elaborarse a partir de una variedad de insumos, entre los que
tenemos (Weibel y Heller, 1991):
< Perfiles
< Puntos equidistantes (cuadrcula)
Muestreo selectivo: Lneas que indican cambios bruscos en el terreno
<
Curvas de nivel
<
Puntos aleatorios con elevaciones conocidas
<
Muestreo progresivo: Lo intensidad de muestreo est en funcin de la complejidad del
terreno; se muestrea con un patrn jerrquico.
<
Muestreo compuesto: combinacin de muestreo selectivo y muestreo progresivo.
Jfallas@racsa.co.cr
Perfiles
40
Cuadriculado
Muestreo progresivo
Muestreo compuesto
A continuacin se resumen los resultados reportados por Ebner y Reiss (1984) en cuanto a la
eficiencia de las diferentes estrategias de muestreo.
Jfallas@racsa.co.cr
41
Cuadro 11: Eficiencia de diferentes estrategias de muestreo utilizadas para recabar datos para elaborar
un MDE. Fuente: Ebner y Reiss,1984.
Tipo de insumo
Exactitud del
insumo
Resultados
Cuadrcula con una

separacin entre nodos de
10m
0.25m
El MDE elaborado a partir de la cuadrcula

brind los mejores resultados (menor
RCEMC z).
Perfiles con una separacin

original de 10m
0.5m
La raz cuadrada del error medio cuadrtico

(RCEMC Z) vari entre 0.47m para perfiles
con una separacin de 20m y 0.52m para
perfiles con una separacin de 60m. El
tamao de celda utilizado fue 20m. El
RCEMC Z para celdas con tamaos entre 20m
y 60m vari entre 0.47m y 0.61m,
respectivamente.
Curvas de nivel cada 2.5m
0.5m
La raz cuadrada del error medio cuadrtico

(RCEMC Z) vari entre 0.51m para celdas de
20m y 0.57m para celdas de 60m.
Las implicaciones prcticas de estos resultados son las siguientes:
Las cuadrculas con un espaciamiento regular proveen un mejor insumo para elaborar
modelos digitales del terreno que los perfiles.
Las cuadrculas con un espaciamiento de hasta 60m entre nodos provee una mejor fuente de
datos para elaborar MDE que perfiles o curvas de nivel con una densidad equivalente. Esto
es muy importante pues reduce el tiempo y dinero requerido para levantar puntos en el campo
o en las fotos areas.
Grassie (1982) citado por Shearer (1990) compar la exactitud de los MDE generados con
diferentes programas comerciales utilizados en cartografa general o temtica. Los insumos
consistieron en aproximadamente 300 puntos para los siguientes tipos de datos:
<
<
<
Puntos de muestreo sobre curvas de nivel

Puntos sobre lneas que indican cambios bruscos en el terreno
Puntos sobre ros
Jfallas@racsa.co.cr
<
<
42
Puntos en una cuadrcula con nodos cada 85m

Puntos de elevacin conocida distribuidos en forma irregular
Los resultados se compararon con puntos de control derivados fotogramtricamente de una grilla
con una separacin de 30m y de curvas de nivel con un intervalo entre curvas de 10m. Las
conclusiones fueron las siguientes:
T Todos los programas presentaron problemas en diferentes reas y en general no capturaron las
irregularidades menores del paisaje obtenidas a partir de las curvas de nivel utilizadas como control.
T Los mtodos que derivan valores para la cuadrcula basados en puntos al azar mostraron variaciones
muy marcadas en la calidad del producto generado; seguidos por los mtodos basados en curvas de
nivel.
T Los mtodos globales de interpolacin mostraron los mayores errores seguidos por los mtodos
locales y sus resultados son comparables con los mtodos basados en una bsqueda de puntos.
T Los mtodos basados en la bsqueda de puntos alrededor de cada nodo de la cuadrcula tienden a
generar curvas de nivel angulares en reas planas o de poca elevacin. Esto se debe a que el mtodo
selecciona puntos con igual valor de elevacin alrededor de cada punto de la cuadrcula y por lo
tanto los nodos de la cuadrcula tienden a tener el mismo valor que las curvas de nivel.
T La distribucin espacial de los puntos de elevacin es crtica para lograr una adecuada
representacin del paisaje en el MDE. Los mtodos basados en una cuadrcula regular mostraron
mejores resultados que los basados en una distribucin irregular.
T El error medio cuadrtico menor se obtuvo con los puntos distribuidos regularmente (3.31m a
6.54m), seguido por las curvas de nivel (3.49m a 6.27m) y finalmente por los puntos
distribuidos en forma irregular (4.09m a 6.80m).
Curvas de nivel en mapas 1:50.000
Lowthian (1986) citado por Shearer (1990) evalu la exactitud de modelos digitales del terreno
elaborados a partir de curvas de nivel con un intervalo de 10 m, impresas en mapas a escala 1:50000
y digitadas manualmente. Los resultados se compararon con los valores de elevacin derivados para
2500 puntos derivados por mtodos fotogramtricos. Los resultados obtenidos fueron los siguientes:
Error Absoluto Medio
+6.75m
Error Promedio
-2.21m
Jfallas@racsa.co.cr
Error estndar (RCEMC)

6.44m
43
La diferencia en el promedio (indicador de error sistemtico) puede explicarse en parte, segn

Shearer (1990), por diferencias en el sistema de referencia utilizado para generar los puntos de control
y datos utilizados para crear el MDE. El error obtenido es aceptable para crear cartografa a escala
1:50.000. Observe, sin embargo que el intervalo entre curvas de nivel era de 10m y por lo tanto podra
argumentarse que el error no debera exceder 5m (media curva).
SELECCIN DEL MEJOR MTODOS PARA CREAR UN MDE
El modelo digital de elevacin puede crearse utilizando una estructura de datos raster una
vectorial (TIN). Los mtodos basados en una bsqueda selectiva de puntos brindan mejores resultados
que los mtodos globales o locales (Shearer, 1990). Sin embargo, no es posible afirmar en forma
categrica que siempre un mtodo dar mejores resultados que otro. Por esta razn el usuario de un
determinado programa de software debe evaluar los resultados de su modelo, documentar el grado de
error y decidir s la calidad del mismo es apropiada para sus necesidades. Para algunos investigadores
el mtodo de interpolacin basado en el modelo TIN es superior al raster; sin embargo esto no puede
tomarse como una afirmacin absoluta (Carrara, Bitelliy y Carla, 1997; Carvacho y Snchez, 1997).
EDICIN Y DEPURACIN DEL MDE
Una vez creado el modelo digital de elevacin es necesario depurarlo para eliminar las
inconsistencias generadas en el proceso de interpolacin. Entre las operaciones que pueden aplicarse
a un MDE tenemos (Weibel y Heller, 1991):
1. Edicin: Esta operacin puede realizarse tanto a nivel vectorial (TIN) como raster y consiste en
modificar valores para puntos o celdas particulares. El SIG provee las herramientas para realizar
dichas operaciones.
2. Filtrado: Esta operacin se aplica a un modelo de datos raster y tiene como objetivo eliminar
valores inconsistentes en el MDE (Fig.20 ). Normalmente, se utiliza una filtro promedio en el dominio
espacial (ventana mvil). Esta operacin tambin puede utilizarse para reducir la resolucin del MDE
y por ende reducir el tamao del archivo.
3. Creacin de mosaicos: Con frecuencia los MDE son creados para espacios geogrficos definidos
(Ej. una hoja 1:50.000) y por tanto es necesario su posterior fusin en unidades mayores denominadas
mosaicos. La fusin de mapas puede hacerse tanto con archivos en formato raster como vectorial.
Jfallas@racsa.co.cr
44
Fig.20 : Proceso de eliminar sumideros y picos ficticios en el MDE.

4. Cambio de formato: El MDE puede crearse como un archivo vectorial (TIN) o como uno raster;
sin embargo con frecuencia es necesario pasar de un formato al otro. Esta transformacin es realizada
por el SIG mediante diferentes mtodos de interpolacin. Es frecuente, por ejemplo, crear un modelo
raster a partir de un TIN o crear isolneas (curvas de igual valor) a partir de un modelo raster.
5. Clasificacin y manipulacin: Las operaciones de clasificacin y manipulacin del MDE son parte
de las herramientas que provee un Sistemas de Informacin Geogrfica. Por ejemplo, el MDE puede
clasificarse en categoras de elevacin; tambin es posible crear elementos en 3D y derivar pendiente,
orientacin y aspecto del terreno.
APLICACIONES
Por muchos aos, las aplicaciones en el rea de los Sistemas de Informacin Geogrfica se
restringieron a un mundo en dos dimensiones. La dimensin vertical (Z), tpica de ambientes
terrestres, ocenicos y antrpicos era representada mediante isolneas reas de igual elevacin o
profundidad. Sin embargo, gracias a los avances en el rea del diseo grfico y en especial, en la
capacidad de procesamiento del equipo de cmputo logrado en la dcada del 90, en la actualidad es
posible visualizar y realizar anlisis en 2.5 dimensiones utilizando una computadora personal y
software de bajo costo. Sin embargo, a pesar de dicho avance todava no es posible, para fines
prcticos, representar visualmente una superficie en 3D.
Los productos de un MDE son mltiples; sin embargo entre los principales tenemos:
T Mapa de gradiente del terreno
T Mapa de aspecto u orientacin del terreno
T Mapa de curvatura/convexidad del terreno
T Mapa de longitud de la pendiente
T Perfiles longitudinales y transversales del terreno
T Mapa de intervisibilidad
T Perfil de visibilidad
Entre las diversas aplicaciones de un MDE tenemos:
Jfallas@racsa.oc.cr
T
T
T
T
T
T
T
T
T
T
T
T
T
45
Estimacin de reas y volumen de relleno y excavacin

Visualizacin en perspectiva (2.5D)
Creacin de isolneas
Delimitacin de cuencas hidrogrficas y de cauces
Anlisis hidrolgico superficial
Elaboracin de perfiles del terreno
Determinacin de la longitud del flujo superficial
Ortorectificacin de fotos areas e imgenes satelitales
Anlisis de inestabilidad de laderas
Curva hipsomtrica/integral hipsomtrica
Anlisis de relieve local
Anlisis topolgico de cauces: orden, magnitud
Iluminacin o sombreado del terreno
Pendiente del terreno

La pendiente representa el cambio en elevacin (H) con respecto al cambio en distancia (D),
y puede expresarse tanto en grados como en porcentaje. A partir de un MDE el usuario puede
determinar la pendiente mxima del terreno como se ilustra en la figura 21.
Fig.21 : Concepto de pendiente mxima.
Jfallas@racsa.oc.cr
46
Aspecto u orientacin de la pendiente

A partir del mapa de pendiente mxima se puede determinar la orientacin de la pendiente (Fig.
22). El resultado se expresa en grados (0-3600 ) y en el sentido que giran las agujas del reloj; el norte
corresponde a 0/; 90.0/ corresponde al este, 180.0/ al sur y 270.0/ al oeste. A las reas planas se les
asigna el valor -1.
Fig. 22: Concepto de pendiente o gradiente y aspecto u orientacin de

la pendiente.
Iluminacin/sombreado del terreno
A partir de un MDE es posible crear un mapa de iluminacin relativa del terreno. Este mapa se
utiliza con fines de visualizacin; ya que no posee unidades con sentido fsico. El mtodo de
sombreado del terreno fue desarrollado inicialmente por especialistas de las escuelas de cartografa
de Suiza y Austria basados en los conceptos de claro-oscuro utilizados por los pintores del
Renacimiento para crear objetos en tres dimensiones a partir de iluminacin y sombreados en sus
pinturas (Burrough, 1986). El sombreado del terreno creado a partir de un MDE muestra cmo lucira
el terreno si estuviese formado por un material ideal y fuese iluminado desde un ngulo particular
(Fig. 23). Normalmente, el ngulo de la fuente de luz se establece a 450 sobre el horizonte en el
sentido noroeste (315/) como se muestra en la figura 23. Sin embargo, el usuario puede modificar
dicho valor en la mayora de los programas que permiten crear un mapa de sombreado del terreno.
Algunos autores consideran que el modelo TIN brinda una representacin menos realista del terreno;
aunque desde luego esto depender de la densidad de puntos utilizados para crearlo. En el caso de
los modelos raster (celdas equidistantes) el mapa de sombreado tiene una apariencia ms suavizada
y por lo tanto crea una mejor impresin visual en el observador (ver fig. 24).
Jfallas@racsa.oc.cr
47
Actualmente se cuenta con una gran cantidad de programas que permiten crear mapas de
sombreado del terreno; sin embargo, el primer programa de cmputo para elaborar dichos mapas fue
elaborado por Dennis White del Laboratorio de Grficos Asistidos por Computadoras de la
Universidad de Harvard, USA y se llam Imago Mundi (Burrough,1986). Los mapas poli cromticos
permiten apreciar mejor las caractersticas del paisaje que aquellos creados en tonos de grises.
Fig. 23: Efecto de la iluminacin (ngulo

de elevacin y direccin) sobre el
sombreado del terreno.
Fig. 24: Isla Chira, sombreado del terreno.

Software: IDRISI V2.O.
Delimitacin de cuencas hidrogrficas
Esta funcin permite delimitar cuencas hidrogrficas (Fig. 25) a partir de un mapa de orientacin
de la pendiente y un mapa de la red de drenaje. El usuario puede definir el ngulo de bsqueda
(equivalente al radio de visibilidad); con frecuencia se utiliza por omisin el valor 900. Este ngulo
define las celdas que aportarn agua a otra celda en el sentido de la pendiente. El mtodo es
susceptible al efecto de los mnimos y mximos locales y por lo tanto el MDE debe filtrarse antes de
utilizar esta funcin.
Jfallas@racsa.oc.cr
48
Fig. 25: Delimitacin de una cuenca

hidrogrfica en un MDE.
150
100
50
Elevacin (Metros)
Exageracin Vertical 14 X
200
Perfiles
El perfil es una representacin grfica de las coordenadas X,Y,Z de un elemento lineal en un
sistema de coordenadas cartesianas (Fig. 26). El usuario debe trazar o indicar la ubicacin del
transecto o lnea que define la ubicacin del perfil. Si se desea, los datos pueden guardarse como un
archivo ASCII para su posterior uso en cualquier otro programa de diseo grfico. Tambin es posible
exporta el grfico como un meta archivo de Windows (*.wmf).
1000
2000
3000
Distancia (Metros)
X,Y Distancia a lo largo del perfil
Fig. 26: Perfil longitudinal. Isla Chira.

Jfallas@racsa.oc.cr
4000
5000
49
Anlisis de Inter visibilidad

El anlisis de intervisibilidad permite determinar, a partir del MDE y de un segundo mapa que
muestre puntos/lneas de observacin
todos aquellos sitios visibles desde
dichos puntos/lneas. La figura 24
ilustra la terminologa utilizada en el
anlisis de inter visibilidad.
Los diferentes programas de
software disponibles en el mercado
ofrecen opciones para definir los
parmetros que se muestran en la
figura 27 y generar un producto como
el que se muestra en la figura 28. El
usuario puede utilizar la funcin de
sobre posicin de mapas para crear
superficies que reflejen las
obstrucciones reales del terreno (Ej.
elevacin del terreno+altura de Fig. 27: Definicin de trminos utilizados en el anlisis de
inter visibilidad.
arboles+altura de edificios).
Fig.28: reas visibles. Software Spatial Analyst, ArcView.
Jfallas@racsa.oc.cr
50
Lnea de visibilidad
Esta funcin permite determinar la lnea de visibilidad de un observador ubicado en un determinado
punto o lnea. Si el rea de inters no es visible el programa le proveer la ubicacin de la primera
obstruccin. El producto es un perfil del terreno que indica tanto la seccin visible como la no visible
como se muestra en la figura 29.
Fig. 29: Perfil de visibilidad. Software: Spatial Analyst, ArcView.

Visualizacinen perspectiva o tridimensional
La visualizacin de un MDE puede realizarse tanto en forma esttica (Ej. mapa impreso) como de
manera interactiva (Ej. monitor). En ambos casos, el objetivo del anlisis visual es permitirle al
usuario(a) explorar el modelo para formular o re formular sus hiptesis o mtodos de estudio. La
utilidad de los productos visuales depender de la naturaleza de los datos y del equipo-software
utilizado por el investigador (a). A continuacin se describen tres formas de visualizar un MDE (Raper
y Kelk, 1991).
Visualizacin en 2D
La visualizacin en 2D se logra a travs de un grfico o imagen raster en la cual el valor Z es
proyectado en un plano de 2D, el cual permite visualizar elementos con dimensiones 0-D, 1-D y 2D
(Ej. isolneas, ver fig. 30). Dado que la variable Z es continua en una escala de medicin de razn,
para representarla es necesario agrupar los datos en categoras y visualizar los lmites de las clases.
Esta tcnica no permite representar valores mltiples de Z para una misma ubicacin X,Y (Ej.
contenido de hierro a diferentes profundidades).
Jfallas@racsa.oc.cr
51
Simbologa
Curvas de nivel cada 20m
N ica ragu a
M ar C ar ibe
Panam
Ocen oP acf ico
50
3000
0
5
Kilo m ete rs
3000 Meters
Fig. 30: Curvas de nivel para la isla Chira. Golfo de

Nicoya, Costa Rica. Fuente: IGNCR,1989.
Visualizacin en 2.5D
La visualizacin en 2.5D es un modelo de proyeccin isomtrico en el cual los valores de Z
asociados con cada par de coordenadas X,Y son proyectados y visualizados simultneamente en un
sistema de coordenadas con tres dimensiones (X,Y,Z) (Ej. modelo de lneas isomtricas). Esto crea
la percepcin de profundidad y relieve en la mente humana (fig. 31). Sin embargo, la vista solo
brinda informacin sobre la superficie graficada y no es una representacin verdadera del volumen
representado. En otras palabras, aun cuando se percibe la vista con un eje Z, la misma est limitada
por la representacin en 2D.
Desde un punto de vista prctico, esta funcin permite visualizar el MDE, ya sea solo o como una
sobrepuesta de un mapa de atributos (Ej. uso/cobertura de la tierra, imagen de satlite, etc.)(fig. 32).
El usuario define la resolucin de la imagen, el ngulo de visin y la orientacin de la panormica;
as como el factor de exageracin vertical. Utilizando esta tcnica de visualizacin es posible crear
escenas de gran realismo como la que se muestra en la figura 33.
Jfallas@racsa.oc.cr
Fig. 31: Vista en perspectiva de una porcin del mapa de la isla

Chira. Software: IDRISI V2.0.
Volcn Pos
Alajuela
Fig. 32: Vista en perspectiva de una imagen SPOT sobrepuesta a

un MDE. Software: 3D Analyst de ArcView.
Jfallas@racsa.oc.cr
52
53
Fig. 33: Creacin de realidad virtual en perspectiva.

Visualizacin en 3D
La visualizacin en 3D es la representacin digital de un slido en la cual mltiples valores de
X,Y,Z son estructurados para formar dicho slido y de esta forma poder visualizarlo como una tres
dimensiones. Esta estructura de datos permite la presencia de mltiples valores de Z para un mismo
valor de X,Y y por lo tanto es una representacin fiel del espacio fsico que percibe el ser humano.
Animacin
La animacin permite definir lneas de vuelo y simular vistas en 3D a partir de un MDE. Estas
vistas pueden utilizarse para crear un video digital compatible con los visualizadores de video para
Windows (Ej. *.avi, Quick Time Movie y Active Movie, etc.).
Creacin de orto imgenes
Las ortoimgenes son creadas a partir de un proceso digital conocido como rectificacin diferencial
el cual permite eliminar las distorsiones geomtricas causadas por el relieve y la inclinacin de la
cmara area. Una ortofoto es una imagen del terreno, en la cual la proyeccin central de la foto ha
sido transformada a una proyeccin ortogonal. Estas fotos tienen una calidad geomtrica equivalente
a la de un mapa topogrfico.
Clculo de rea y volumen
Cuando se utiliza un MDE el rea ser medida considerando el factor elevacin o altura y por lo
tanto su valor ser mayor que el equivalente para una superficie plana. La funcin volumen determina
el espacio entre un TIN y un plano horizontal definido por el usuario. El programa puede determinar
el volumen sobre o bajo el plano de referencia. Algunas aplicaciones prcticas de esta funcin son
determinar el volumen de suelo a excavar durante el proceso de nivelacin de explotacin en minera
a cielo abierto y cuantificar volumen de agua en un embalse.
Jfallas@racsa.oc.cr
54
Determinacin de relleno y excavacin

Esta funcin permite determinar, para dos superficies, la cantidad de material a ser removido
depositado. La operacin se realiza en el dominio raster y por lo tanto cuando se utiliza un TIN el
programa deber rasterizarlo primero para luego realizar la operacin.
Creacin de isolneas
El programa es capaz de trazar isolneas (Ej. curvas de nivel, isotermas, etc.) a partir de archivos
en formato de raster o TIN. En el primer caso, el software interpola los valores entre celdas y de esta
manera genera un mapa con curvas suavizadas y ms cercanas a la realidad; ya que en muy pocas
ocasiones las lneas pasarn por el centro de las celdas. Cuando las isolneas se elaboran a partir del
modelo TIN, el programa interpola las lineas a travs de la red de tringulos irregulares. La ubicacin
de la lnea en el borde de cada tringulo es determinada mediante interpolacin lineal.
Creacin de elementos en 3D
Esta funcin permite crear elementos (puntos, lneas o polgonos) con un componente de elevacin
o altura. El usuario puede visualizar estas formas (shapes) en una vista en 3D.
Anlisis de escorrenta superficial
Esta funcin permite evaluar los patrones de escorrenta superficial derivados
a partir del MDE. El programa determina primero las rutas de mxima pendiente
en el MDE. El producto es una serie de lneas que terminan al encontrar el borde
del MDE o un mnimo local (caada, fondo de valle). Estas lneas representan el
sistema hidrogrfico de la cuenca. A partir de estos datos usted puede determinar
la longitud de flujo superficial y asignar ordenes y magnitudes a la cauces. La
figura de la derecha ilustra las posibles rutas que podra tomar el agua de la celda
central.
Exportacin de vistas en 3D
El funcin le permite al usuario(a) guardar las composiciones en 3D como un archivo JPEG o
exportar la vista como un archivo VRML (Virtual Reality Modeling Languaje). El formato VRML
puede ser ledo por los programas Netscape o Explorer y por lo tanto es un medio fcil de publicar
electrnicamente sus composiciones cartogrficas en tres dimensiones.
Jfallas@racsa.oc.cr
55
EVALUACIN DE LOS MTODOS DE INTERPOLACIN

Las fuentes ms comunes de datos para derivar un MDE son levantamientos topogrficos, datos
obtenidos por mtodos foto gramtricos y curvas/puntos obtenidos de mapas topogrficos. Dado que
el pas cuenta con cartografa 1:50.000 y 1:200.000, se eligieron curvas de nivel a dichas escalas para
evaluar la exactitud de los mtodos de interpolacin provedos por los programas Surfer (Golden
Software, 1999); IDRISI para Windows V2.0 (Eastman, 1997) y las extensiones Spatial Analyst V1.1
(ESRI, 1998) y 3D Analyst V1.0a (ESRI, 1997) de ArcView GIS V3.2.
Programa
IDRISI
3D Analyst para ArcView
Spatial Analyst para ArcView
Surfer
Mtodo de interpolacin evaluado

Intercon (raster)
Interpolacin mediante tringulos irregulares (TIN)
Curvatura mnima, Kriging, distancia inversa
ponderada.
Kriging, distancia inversa ponderada, curvatura mnima,
Shepard, Vecino ms cercano, funciones radiales, tringulos
irregulares (TIN).
En la presente seccin usted encontrar una descripcin de la metodologa utilizada en el estudio;

as como una breve resea de los mtodos de interpolacin que provee cada uno de los programas
utilizados. Al evaluar los resultados, el lector debe estar consciente de que los mismos no implican una
evaluacin exhaustiva de las bondades/exactitud de cada uno de los interpoladores y/o programas
utilizados y que por tanto los mismos no tienen una aplicacin universal.
Objetivo
El objetivo de la presente seccin es comparar los modelos digitales de elevacin creados por
diferentes programas y mtodos de interpolacin y responder a las siguientes preguntas:
<
<
<
<
<
Cul es el exactitud de los diferentes mtodos de interpolacin?

Cul es el efecto de aplicar filtros sucesivos en la exactitud del MDE?
Cul es efecto de la resolucin de la celda en la exactitud del MDE?
Cul es el efecto de filtrar los valores de pendientes derivados a partir del MDE?
Cmo se compara la pendiente derivada por mtodos manuales con respecto a la pendiente
derivada por mtodos digitales?
Sitios de estudio
El estudio se realiz con datos a escalas 1:50.000 y 1:200.000. Para el primer caso se eligi a la
isla Chira, ubicada en el Golfo de Nicoya, Costa Rica (Ver fig. 34 y 35) y para el segundo la seccin
sur de las faldas del Volcn Pos, cordillera Volcnica Central, Costa Rica (Ver fig. 34 y 36). Como
un producto adicional se incluye un modelo digital de elevacin para Costa Rica elaborado a partir de
curvas de nivel con una separacin de 100 m y 7474 puntos con elevaciones auxiliares (ver anexo 1).
jfallas@racsa.co.cr
56
Nicaragua
Mar Caribe
Panam
Oceno Pacfico
50
50 Kilmeteros
N
Fig. 34: reas de estudio. 1. Isla Chira, Golfo de Nicoya. 2. Faldas del
Volcn Pos, Cordillera Volcnica Central.
Simbologa
Volcn Pos
Curv as de niv el ca da 2 0m
Ubicacin del rea de estudio

N
Nic a r a g
ua
Ma r Ca r ib e
Oc e n o Pa c
fi c o
50
3000
Pa n a
m
5 0 K il o
me t e
r s
10 Kilometers
3000 Meters
Fig. 35: Isla Chira. Golfo de Nicoya. Fuente

Hoja Berrugate, IGNCR, 1989. Curvas de
nivel cada 20m,
Fig. 36: Ubicacin de la segunda rea de

estudio. Faldas del Volcn Pos, Costa Rica.
Curvas de nivel cada 100m.
jfallas@racsa.co.cr
57
METODOLOGA
ISLA CHIRA
1. Escaneo de mapa
El primer paso consisti en escanear, a una resolucin de 300dpi (puntos por pulgada), el mapa
de la isla Chira, Golfo de Nicoya, Costa Rica; Escala 1:50.000 (IGN,1989) (Fig. 37). Para esto se
utiliz un escner Epson. Al lector interesado en cmo seleccionar la resolucin apropiada para
escanear material cartogrfico o fotos areas se le remite a documento Escaneo, georeferenciacin
y vectorizacin de material cartogrfico y fotos reas utilizando ArcView GIS (Fallas, 2001).
Fig. 37: Isla Chira, Costa Rica. Fuente: Instituto Geogrfico Nacional. Hoja
3146II, Berrugate. Edicin 3-INGCR. 1989.
2. Georeferenciacin
Una vez escaneado el mapa se convirti de seudocolor(256 valores) a blanco y negro utilizando
Corel Photo-Paint (WWW.corel.com). Posteriormente el mapa exportado en formato TIFF fue
georeferenciado a la proyeccin Lambert Norte en Analista Espacial de ArcView utilizando la
extensin Image Warp v2.0 (McVay, 1999).
2.1. Evaluacin de la exactitud planimtrica
Para evaluar la exactitud del registro de la imagen se seleccionaron 65 puntos de posicin
conocida (interseccin de cuadrcula en el mapa escaneado) y se compar el valor de X y Y de cada
punto con su respectivo valor real. Para esto se utiliz el programa en Avenue AddXYCoordToFTab
(www.esri.com). El error medio cuadrtico total fue de 11.9m; con un mximo de 30.5m y una
jfallas@racsa.co.cr
58
desviacin estndar de 8.9m (Cuadro 12). Estos datos indican que el intervalo de confianza al 95%
para la estimacin del error medio de registro del mapa es de 9.74m a 11.06m.
Cuadro 12: Estadsticos descriptivos para 62 puntos de muestreo utilizados para evaluar el error de
georeferenciacin de la imagen de la isla Chira utilizada para vectorizar las curvas de nivel. Valores
en metros.
Estadstico
Eje X (m)
Eje Y (m)
65
65
Error Medio
-10.73
-0.82
Desviacin Estndar
10
2.26
Error medio absoluto
11.28
1.86
Desviacin Estndar
9.36
1.52
Raz Error Medio cuadrtico
14.61
2.39
Raz Error medio cuadrtico total
14.8 (S=8.9)
El error planimtrico medio estimado para la imagen georeferenciada permite cumplir con el
estndar sugerido por Maling (1989) para reas con una topografa escarpada (pendiente de hasta
un 50%) (ver cuadro 8). Es importante hacer notar que los errores superiores a 11.8m se encuentran
asociados al eje X y que se ubican en el extremo sur de la isla como puede apreciarse en las figura
38. Por esta razn, considero que las curvas de nivel digitadas de dicho archivo representan
fielmente la informacin registrada en la hoja topogrfica escala 1:50.000 del IGN. Si comparamos
los resultados con los estndares establecidos para mapas analgicos con escalas inferiores a
1:24000 de los Estados Unidos (Maling, 1989) tambin se cumple con la norma de que un mximo
de un 10% de los puntos pueden tener un error superior a 25.08m.
jfallas@racsa.co.cr
59
Fig. 38: Error medio cuadrtico (m) asociado al registro del archivo escaneado y
georeferenciado con ImageWarp. La barras representan error total, error en el eje X y
error en el eje Y, respectivamente. Valores en metros.
3. Digitar curvas de nivel
Las curvas de nivel fueron digitadas desde la pantalla del monitor utilizando la extensin Screen
DigitizeV2.0 creada por Howie Sternberg (howard.sternbertg@po.state.ct.us) del Centro de
Ambiente y Sistemas de Informacin Geogrfica del Departamento Ambiental del Estado de
Connecticut, USA. En el anexo tres se incluye un tutorial que explica cmo utilizar dicha extensin.
La figura 39 muestra cmo luce el archivo una vez que ha sido convertido de seudocolor a blanco
y negro Corel Photo-Paint (WWW.corel.com). La figura 40 muestra las curvas de nivel trazadas
sobre el archivo en blanco y negro georeferenciado. Una vez trazadas las curvas se etiquetaron
utilizando el mdulo de tablas de ArcView GIS.
jfallas@racsa.co.cr
Fig. 39: Apariencia de la imagen a partir de la

cual se digitaron la curvas de nivel.
60
Fig. 40: Curvas de nivel vectorizadas. El

crculo ilustra una tolerancia de engarce
automtico de 10m de dimetro.
4. Convertir curvas de nivel a puntos

Una vez creadas las curvas de nivel se convirtieron a puntos (X,Y,Z) utilizando el programa en
Avenue MakeElevation Pts de David Dow (1999) (www.esri.com). El archivo de puntos fue
utilizado como insumo por los interpoladores distancia inversa ponderada, curvatura mnima y
Kriging. La figura 41 muestra el archivo de puntos para el rea de estudio ubicada en las faldas del
Volcn Pos.
5. Crear polgonos
Una vez digitadas las curvas de nivel se utiliz el programa ConvertPolyLineToPolygon
(www.esri.com) para crear un tema de polgonos correspondiente al rea entre cada curva de nivel.
Este archivo fue importado posteriormente a IDRISI utilizando la opcin SHAPEIDR del comando
de importar archivos. La figura 42 muestra un segmento del archivo de polgonos para la isla Chira.
jfallas@racsa.co.cr

#
##
# #
# # # ### # #
#
# ## # # #
##
#
##
#
#
#
# # # ###
# ## #
#
# # #
# # ## # ### ## # # # ## # #
# # ##
#
#
## # #
#
## # ### # # # ## # # # # ##
# ## ## #
#
# # # ## #
###
#
# # #
##
#
# #
##
## # # ### #
# #
# ## # # # ## #
# # ##
#
# # ## #
# #
# # ##
#
# ### #
##
# #
##
##
# #
#
#
#
#
## # # #####
# # #
# ##
## #
#
#
#
##
# ##
## ## # #
# ## ## #
## ##
# # ##
#
##
#
#
#
##
# ##
# #
#
## #
####
#
#
#### ## ###
#
##
#
#
# #
## ### ## #
# # ## # # # #
# ##
# ###
# # ##
# # ### ## # ## # ###
##
#
## # # #
#
#
#
## #
#
# #
# ##
#
# # ## # ## ## # ## # # #
#
#
#
#
## # # # # # ## # #
#
# #
### #
#
# ##
##
#
# # ## # # ##
#
#
#
#
# # #### # ## # ## # #
#
## # # # ## #### #
# #
## ## # # ##
# ## # # # # #
# # ##
# #
#
#
##
#
#
# #
#
#
#
#
#
#
#
#
##
#
#
#
##
# ##
#
#
##
# ##
#
### #
# # ##
#
# # ## # # # ## # ###
##
#
##
##
#
#
##
#
#
#
#
##
#
#
## # ## # # # #
#
#
# # ### #
#
# #
#
#
## #
### # ##
#
## # # #
#
## ### ##
# ###
## #
#
# ## #
## #
##
# ### #
## ##
# ##
#
#
## ## ###
## # # ## #
# ## # # ##
## #
## ##
#
#
#
#
## # #
## #
## #
#
# ## #
##
## #
#
# ## ## # #
######
#
##
# # # ###
#
#
##
#
## # #
# # ## # # #
#
#
# # # ## ##
# ## ###
#
#
## # ## ## #
# # ##
#
# ## #
#
## # # # ### # # ## ## # # # ## # #
##
# ## ## ## # #
##
#
# #
#
# #
#
## # # #
#
#
#
# # # # # # ##
#
# #
#
#
##
#
#
#
# # # ## ## ##
# #
##
# # # ###
# ### # ## ## # # # # # # #
##
## # ## ## # # # ## # ###
# ##
# ##
# ## #
##
## #
#
#
#
## # ####
#
# # #
##
# ##
##
###
#
#
# ## # ## # #
## ## #
# # #
##
#
#
# # ####
##
# # ###
#
#
# # # # #
# # # ### ###
# # # #### ## # #
# ## # #
# #
#
###
#
# ##
# # # ##
#
## #
# ### # # # # #
#
#
#
#
# ## ##
# # # ## ## #### # ## # # # #
##
# # # #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
## ## # ##
#
#
#
# ##
#
#
# # #
# ##
#
### #### ##
#
# # # # ##
#
# # #
##
##
# ##
## #
#
# ## ###
## ## # ## #
#
#
# # ##
#
#
#
#
#
## ## ##
#
# #
#
#
##
# # # ##
# #
#
# # #
##
## #### #
#
## ## #
# # ## # # # #
## # #
#
## #
# #
# # # # # # ## ## # # # #
# # ###
# ## #
#
# #
#
#
## ###
##
# ## # ###
#
#
#
# ##
##
#
#
#
#
# #### ## # # #
## ##
## ## ## #
# ##
# # ##
# # # ##### # # ## # # # ##
## #
#
##
#
# ##
##
# #
# # # # ### ##### #
#
#
## # ## ## #
#
# ##
## # # #
#
# ## ##
#
## # #
####
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
# # ##
##
# # #
#
# # ### #
# # # #
#
#
#
#
#
## #
###
#
#
#
##
# # ## ### #
#
#
#
# # ## # # # ## ##
#
##
# # ###
## #
## ##
### ##
#
#
##
### # #
#
#
# ## # #
# ## # ###
## #
##
#
## #
# ##
# # ##
#
#
#
#
#
## ###
#
# ## #
#
## ##
## # ## ## ## # #
## ## # #
#
# ##
##
#
# ## # ## # ##
#
#
#
# #
#
#
# ##
# # # ###
##
#
# # ##
#
# # ## ##
##
## ### ## ###
#
# ##
# # ##
# # #
# # #
####
## #
# # ##
#
#
# #
###
### ## ##
##
# #
#
# # ## #
# #
#
#
#
# #
#
#
# # # #
#
#
#
# #
#
###
##
#
#
#
## ##
##
#
#
#
##
# #
# #
# ###
# ## #
# # # # # # # # ## # ##
#
# ##
#
# ##
#
## #
# #
####
#
#
## # #
#
# ## #
# ## # ## ## ## # # ## ##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
# # # ##
#
# ####
#
#
#
# ## ##
# ##
#
#
#
#
#
#
#
##
### #
##
#
# #
##
# # ## ##
# ##
## # ## # ###
# # ## #
#
###
# # ## ##
#
#
#
##
##
## # ## #
# # ###
#
### # # #
##
##
# ##
#
##
#
# #
##
## ###
#
## # # ## #
##
##
###
#
# ### ##
# #
#
## #
#
# ### # #
#
##
##
## ## #
#
#
###
#
##
##
# ###
#
#
## # ##
##
# ### ##
# ##
# # # ## ### # # ##
## #
##
# #
#
## # # #
# ## ##
## # # # # # # #
# #
# #
##
#
# ## # # #
# # # # ## ## # # #
#
# # # # # # # # ## #
##
##
# # # # # ## # #
#
# ##
##
## ## # ##
#
#
# # # #
# # # ### # #
##
#
#
#
#
#
#
#
#
##
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
# #
# #
#
#
##
# ##
## # ## # # ##
#
#
#
#
#
##
####
#
# ##
#
#
# #
# # # ##
# ##
###
# ## #
#
# #
##
# ###
# ## #
# ##
## #
## # ##
#
# # ###
#
## #
# ## ##
#
#
# #
##
# # ### #### # ###
#
#
### ## #
# # # ##
#
#
# # ##
#
###
#
# # # # # # ###
# # # # # # # ## ###
# ##
# ## #
#
#
#
#
#
## ##
#
# # #
#
# # ##
#
#
# # #
#
# ## # #
##
#
# #
#
#
#
# ##
#
##
#
# #
# # #
#
#
#
#
# # ###
##
#
# ## #
# # # # # # # # # ## ##
#
#
#
##
#
#
#
# # ## # ### ### ## ##
## #
# ## ## # # #
# #
##
## # # # ### #
## ## # ## # #
#
#
# # # # ## ## # #
##
# #
##
## ##
# #
# #
# ##
#
# ##
#
###
##
#
#
#
## #
##
## #
#
## #
#
### #
#
#
##
##
# # # #### #
## # # #
##
# ##
# #
# # # # ## ##
# #
# ## # # # # ##
#
##
# # # # ## # # # # # # ## ## # # #
#
## ###
#
## # ##
#
# #
## ##
# ## #
# # # ###
# # # # # ### ##
# # ##
##
# ## ##
#
## # # ## #
## ##
#
# #
# ####
#
# ## # ## #
### ### #
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
## #
##
#
##
#
##
# # ## #
# #
#
#
# #
# ##
# ##
##
###
#
# #
# #
## #
# #
# #
# #
# ## ## #
## ## # #
### # #
## #
# # # ## #
###
## ### #
# ### # # # # ## # ##
### ##
## # # ### ## #
# ## ###
# ##
#
#
#
#
#
#
##
###
#
#
#
#
#
#
##
#
## #
#
##
# ## # #
##
#
##
#
#
# # #
#
#
# # # ##
## ##
##
###
## # #
# # ###
# #
# #
## ## ## ###
# # # # ## #
# #
# #
#
## # ## # ## # # # #
#
# # ### # ## #####
## #
# # # # ##
##
# #
#
#
#
##
# ##
#
#
##
# #
# #
#
#
#
##
## #
#
#
#
## # #
# ##
#### # ## # ###
# # ## # #
## #
# ## # # ### ##
#
# ##
# #
##
##
# # #
# #
# #
##
#
##
# # # ##
##
###
# ### #
# #
####
# ##
# #
##
# #
# # # # ## ##
## # #
#
# # ## # # ## ## # #### ##
#
### #
#
# ## #
## # # # # #
## ####### # #####
# # # ##
#
## ## ## #
# # #
##
#
# # #
##
#
# # ### ## #
# #
## # #
## # ## # #
# # # # # # ## ## #
#
#
##
# ## ## # #
##
#
# ## # # ### # #
# ##
## ##
#
##
# ##
## #
# # ##
#### #### #
# ##
# # ###
##
## # ## #
#
#
## # #
# # ##
# ## #
## ##
# #
#
##
# #
##
# #
##
## #
##
## # ##
## #
##
#
#
# ## #
# # #
### # ## ## # #
## ###
#
#
# # # ### ##
### # # ##
## #
## ##
# ##
# ## ### ### # # # #
#
#
#
###
# #
## #
#
# # ##
## #
# # ## # #
#
#
# # #
## ## # # ## ##
#
#
##
# ## # ## #
##
#
# ##
# # ## ##
# # ## # #
#
# ## ## #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
# #
#
#
##
#
##
# ## # ### # ##
## #
#
##
# # ##
##
##
# ## # ###
# #
#
# ##
#
# ### ### ## # # # ## ##
# ##
#
## # #
#
# ## # #
#
#
#
#
## # # # #
##
# # ##
# # # ####
#
# ###
## ## # #
## ## #
# ##
# # # ## ## #
#
# ### # # # # # # # #
#
# ##
# #
## # # #
# # # ### # ##
#
# ## #
# ## ##
##
#
#
#
##
## # # #
#
##
# # ## ## ## #
#
## #
# ## ## # # #
# ## #
#
# ### ## #
#
##
##
#
#
#
### # # ##
# # ## #
#
#
##
# ##
## ### ## # #
#
# #
# ##
# #
# ##
# # ##
##
###
#
#
#
# ##
# # #
# ## ###
#
#
#
# # #
#
#
# # ## ## ##
# ### # ## ## # #
##
## #
#
# # ##
# # #
# #####
##
#
#
#
#
# # # ##
##
#
# ##
# #
# ##
# ## ####
# #
## #
# ##
#
## #
## # #
# #
#
# ## ## #
###
## ### # # ## # ##
# # # # # # # #
#
#
#
#
# #
#
# ##
#
# #
#
# # #
## ##
#
# # # ## ##
##
##
# #
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
##
# #
# #
# #
#
#
#
# #
#
#
## # ##
#
# ###
#
##
#
# #
#
# # #
#
##
# ##
# ## #
#
##
#
# ##
# #
## #
### # ##
##
# # #
#
#
# ##
# # ## #
# # # #
#
#
##
#
#
# ## #####
# ##
# # # ## ## ###
## #
###
#
#
#
#
##
#
#
#
#
#
#
#
#
#
#
#
#
# #
#
#
##
##### ### ##
# # ##
# #
# # ## #
#
# ##
#
#
#
##
# #
#
##
## ## #
# #
##
#
#
##
#
# # #
##
##
### # ## #
#
# ## #
#
#
#
#
#
##
# # # # # # # ##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
##
##
#
##
#
# #
#
#
#
# #
#
##
#
### # # #
# ##
#
##
# ## #
#
#
## ##
# #
#
#
#
#
# #
## # #
#
#
# ## ## #
###
##
##
###
# # ### # ##
##
#
### ##
#
#
# # ## #
##
#
###
#
# ## # #
##
#
#
# ## ##
##
#
##
#
#
##
###
#
# #
#
#
# #
#
#
## #
## ## ## #
#
# ### #
#
# ## #
#
# # ### ##
#
# # ## #
# #
##
#
## ###
# ## #
## # #
#
#
##
#
# #
#
## ## ##
#
#
#
##
## # #
# #
#
# ## ##
## #
## #
## # #
# ##
##
# # ## #
##
# # ## # #
##
# # ## # # #
##
# #
# #
#
## #
# ##
# # ## # #
#
# ##
#
##
#
#### ## # #
# ## # # ##
# #
#
##
#
# # ## #
#
#
###
## ##
#
# ###
## #
#
#
#
## # # ###
# ##
#
### # # ##
#
##
#
## # # # # #
## ## ## # # ## #
##
# ##
#
# #
##
#
# #
#
## # #
# ## #
#
## ##
# # ##
## ##
#
# #
## ## # ## #### ### # # # # ### # #
##
#
# ## # # #
# # ##
# ###
#
#
#
# # #
#
## #
### ## # #
# #
##
# #
# #
#
##
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
#
#
#
#
#
#
#
# ##
##
#
# # # ## # # # ### # # # #
##
# #
#
##
# #
# # ## ##
##
#
## # #
##
#
# #
#
#
#
##
#
##
#
##
#
#
##
#
#
##
## # ## # # #
#
# # # ## # #
##
# ## # # #
##
#
#
#
# #
#
# # #
# ## # #
## #
# ##
##
#
#
#
# ### #
##
##
# #
###
## #
#
#
#
##
##
## #
# # ##
#
##
# # ####
###
#
# ## # # ##
## #
##
# #
#
### ## # #
#### # ### # #
##
#
# #
##
#
#
#
# # ## #
#
#
## # # # # ### ### # ##
# #
#
# ###
#
## ##
## #
# #
# ##
#
## #
#
#
# # ##
#
# ## ## ### #### #
# # ## ##
## ##
#
##
# ##
#
### # ## ##
## # # ###
#
##
#
# ## # #
#
#
# # ### #
# # ## #### ### # ## #
##
## # #
# #
##
# # ###
###
##
# #
#
## # ## # ## #
# ### ##
#
# ## ## ## ##
#
# #
# ##
## #
#
#
## # ## # ##
# # ###
# #
# ##
#
#
## # ##
# #
# #
##
#
#
##
##
## ### ## #
#
### #
## # # # #
##
# ###
## ## # ###
# # # ## ## # # # # ## # #
#
# # ##
#
## ## # # ## ##
##
## #
# #
# # # ## #
#
#
## #
## ## # #
#
#
#
#
#
#
#
#
#
#
##
##
#
#
##
#
#
#
#
#
#
#
#
#
#
# ##
# ## # #
##
# # # ##
#
#
# # #
#
### ##
## # # # #
## #
# #
#
### ## # # ##
#
## ## #
# ## #
###
## # #
### ## # # ###
##
###
#
##
#
## # ## ## # # ## #
#
### ## ##
#
#
#
#
#
#
#
#
##
#
#
##
#
#
#
#
#
# ## ###
###
### ##
##
## #
#
#
# #
## # #
##
# # # # # ## ## # ### # # # # # #
#
#
#
##
#
## # #
#
### # ## #
#
###
#
#
# ### # ##
# # #
# # ##
#
#
# #
#
# ##
## #
### # # ##### ##
### #
## #
#
##
#
# #
## #
## #
##
#
##
## ## #
#
## # #
#
#
##
#
# #
#
#
# # ##
#
##
#
# # # ####
## ## # # ## # #
# # # ####
# ##
# ##
# #
##
# ## ##
##
###
#
#
# ##
#
##
## ## #
## ##
##
#
# # ##
##
##
## ##
#
#
# #
##
##
## #
## ##
# ## ##
#
##
#
##
##
###
## # #
#
# #
## # ### # # # ## # ## ## # ## ##
##
#
##
### #
# # # #
#
##
# #
#
#
##
# # #
## ## #
##
###
###
#
## # #
#
#
#
### ## ## #
#
#
## ##
#
#
### #
###
#
#
## ## #
#
## ###
##
# # #
# #
#
## # ##
#
#
#
## #
#
# ## ## #
###
#
#
# #
#
##
#
#
## #
#
## ##
# ###
# #
###
#
##
#
# ## #
#
#
#
#
# # ##
##
# #
#
# #
#
###
# #
#
#
##
#
#
#
#
#
#
##
##
#
##
## # #
#
#
## #
## ## #
#
#
# # #
#
#
# ##
## #
#
# ## ##
##
# ###
## # ##
#
# ## ### ## ##
#
#
##
#
#
# ##
# # ##
#
## ## #
# #
##
# #### ### # #
#
#
#
# ###
##
# ### #
#
##
## #
# #
#
#
###
#
# #
# ##
# ###
#
#
#
##
##
#
# #
#
## #
# # # # ###
# # #
##
#
#
## #
##
##
#
# # ##
#
# #
# #
## #
#
##
#
#
#
##
# #### ##
##
##
### ## #
###
###
#
#
##
## #
#
#
##
#
## #
# ## # #
#
#
#
#
## #
#
#
#
# ## ###
## ###
#
##
##
#
### # ##
# #
#
##
### # # # # #
#
##
###
#
#
#
###
#
##
#
## ## # #
#
# ##
# #
## ### #
## #
# #
# ### #### #
###
#
# #
## #
# # # ##
##
#
# #
##
##
# ##
#
##
# # ## #
# #
##
## # # #
#
### ##
# ## ##
#
#
#
#
#
#
# #
##
## #
#
#
#
# ##
# ##
##
# # #
# ##
#
# ##
#
# #
#
#
#
#
#
#
####
#
#
####
#
#
##
##
#
##
# ## ###
## ## ###
##
##
##
##
#
#
# #
#
## #
#
#
#
##
#
#
##
#
##
# ## #
# ##
##
#
##
# # ##
#
#
#
#
#
##
#
#
##
#
#
#
###
#
#
# ###
#
#
## #
#
##
###
#### ##
#
# ## #
## #
# #
# # # # # ##
###
#
## ### ###
#
# ##
## ## #
#
##
#
##
# # # # ##
#
##
##
###
# # ##
#
##
#
###
##
##
#
#
##
#
##
# # #
# #
#
##
#
#
#
#
#
##
#
#
###
##
#
##
#
#
#
#
#
##
#
#
#
#
## # ##
#
## #
#
# #
#
#
##
#
#
#
#
##
#
## ## #
#
####
#### # # #
##
#
# ##
#
# #
#
##
##
#
#
#
#
#
#
#
## ## # #
## #
##
##
#
##
## # ## ## ## ### # ## ## # # # #
#
##
##
##
### ###
##
#
###
#
## # #
## # ###
#
## #
# ##
##
##
##
##
# # ##
#
## ## #
#
##
### #
#
## #
#
#
#
#
# ###
# ##
###
### # ## ##
#
## #
###
# #
#### #
## #
## ##
#
#
# #
#
# ##
# #
##
#
#
#
###
###
#
##
## #
# #
###
## # ## # #
##
###
## ###
### # #
##
#
#
# #
######
# # ##
#### #
## # #
# ##
#
## # ###
##
##
#
##
#
## ### #
##
##
#
#
# ##
# ##
#
# # ## # # # # # # #
### #
# #
# # ##
##
##
##
#
# ###
#
#
#
#
#
#
#
#
#
#
#
#
#
##
#
#
##
# #
##
## #
# #
## #
##
# # ##
# ##
#
## ##
#
# #
# #
##
## ##
## #
#
#
##
###
##
#
##
#
# #
## #
#
##
# #
#
# ###
## #
#
##
#
##
## ##
#
##
# #
#
## # #
##
#
#
## #
## # # #
#
#
##
#
##
##
#
# # ##
#### # #
# #
#
#
# ##
##
##
#
#
## # #
###
#
#
# ##
#
###
#
#
#
#
#
##
##
# #
#
##
# # # ##
# ### ##
## #
#
##
#
#
#
#
# #
#
#
#
#
#
#
#
#
#
#
#
#
#
#
#
##
##
#
#
#
# #
#
#
##
#
#
# #
# #
##
#
#
##
## #
## #
## # # # # #
##
#
#### ###
#
##
#
##
# ##
## ### #
#
##
# # #
#
# ## #
#
##
##
##
## ## ## #
# ## ## #
# # #
#
##
#
# #
#
##
#
#
##
##
## ###
# ##
## #
###
#
#
#
#
#
#
#
#
#
# ##
#### #
#
# # # ##
#
#
#
##
# #
##
## #
#
##
##
#
##
##
#
#
#
#
#
#
#
#
#
#
#
##
#
##
#
### #
#
#
#
# #
#
#
## # #
#
##
###
## # # # #
#
##
##
#
#
#
#
###
# ##
#
#
#
#
#
#
#
###
###
## # ##
#
#
## #
##
## #
##
##
#
##
##
#
##
#
#
#
#
##
# ## #
#
## #### # #
#
#
##
#
#
#
###
## # ## ## # # #
##
#
#
#
##
### # ##
# # ### # #
##
# # ##
##
# #
#
#
#
#
###
#
###
##
#
#
#
#
# # ##
###
#
#
#
#
# ## # # ### # ##
#
# # #
#
## #
##
# # # # ## # ##
## # #
### # #
# #
#
# ##
#
## ##
# # #
#
# #
#
#
#
#
# ##
## # # ## # #
#
#
## #
#
#
#
##
###
#
##
# ##
#
##
# # ##
#
#
#
#
# ####
#
#
#
#
#
#
#
#
#
#
##
# #
###
##
# #
# # ###
#
#
## #
#
#
# ##
#
## # # #
#
#
# #
##
#
# ## #
#
#
##
#
##
#
#
#
#
#
#
#
#
#
#
#
#
###
#
#
#
##
##
## #
#
##
##
#
#
#
#
#
#
#
# #
#
###
#
### #
#
#
#
##
#
## #
## # # #
##
#
#
##
#
# #
#
##
# ##
## #
# ##
## # ##
#
#
#
## ## ##
## ### ##
#
#
## ####
#
#
#
#
#
## # #
# ##
#
# #
#
#
## # #
#
#
#
#
#
# ##
## ## #
#
##
##
## #
#
#
# # #
##
#
#
##
## #
#
### # # # #
# ## #
#
#
# #
## ##
##
#
#
##
#
###
#
#
# ##
# #
#
##
###
# ## ### # # ##
#
#
##
# # #
# # #### #
#
###
#
#
# ## ##
####
#
#
#
##
##
#
# ###
##
#
#
## ####
#
#
#
## #
# #
#
#
# #
#
#
# # ## #
## #
#
#
#
#
#
#
##
#
#
#
#
#
#
#
##
# # ##
## #
#
#
#
##
## ##
##
#
##
#
# #
##
#
##
## # #
#
#
#
##
##
## #
#
##
## # #
# ## #
##
#
#
#
#
##
#
#
#
#
#
#
# ##
#
#
#
##
## #
##
# #
#
#
# # # #
#
#
#### ## #
# ##
##
#
###
#
#
####
#
#
#
#
#
#
#
#
## # # ## ## #
#
#
#
##
##
##
#
# # # #
#
#
# # #
# ## ## #
#
#
####
##
#
## # # # #
#
#
#
#
#
#
##
#
#
#
# #
#
#
##
#
#
##
#
# ##
#
# #
##
##
#
## #
# ### # ## # #
##
#
# ## #
# ##
# #
##
##
# ##
#######
#
# # #
#
#
#
##
#
#
## #
##
#
##
### #
##
#
##
##
#
#
#
#
# ##
#
##
#
#
#
## # ##
## # #
###
### # #
#### ##
#
#
#
#
## # ##
#
# #
#
# ##
#
#
#
###
##
#
#
# #
# #
#
#
##
###
#
#
# #
#
#
# #
#
#
#
#
#
##
#
### #
# # #
##
#
##
#
#
#
#
#
#
#
#
# ##
##
#
## #
#
#
# ##
#
# #
#
#
# ####
#
#
#
#
#
##
# #
## #
#
# #
#
## #
## ##
##
#
# ##
## ##
# ##
##
## ##
#
### #
##
#
#
##
#
##
#
### # #
#
# # #
#
##
#
## # # #
#
##
### ### #
# ##
# #
##
# ## ## #
#
##
##
#
# ###
#
# # #
##
##
#
####
###
##
##
## # ###
##
# # #
# #
#
## ##
##
##
## # # ## # #
#
#
#
##
## #
##
#
#
#
##
### ##
##
# # #
#
## #
#
###
# # #
#
##
###
# #
### #
# ## # #
#
#
#
##
##
#
##
#
#
##
#
#
#
#
#
#
##
##
#
# #
#
##
#
# #
##
## #
#
## #
##
##
# #
#
#
#
#
#
# # # ## #
#
# ## # ##
##
#
# ##
# #
#
## # #
#
### ##
#
#
##
#
## #
##
#
# #
# #
#
#
# ##
#
#
##
# #
#
# #
# # #
#
#
Fig. 41: Curvas de nivel convertidas a puntos. Escala

1:200.000.
Fig. 42: Isla Chira, rea entre curvas de nivel (cada 20m).
jfallas@racsa.co.cr
61
62
6. Crear modelos digitales de elevacin

6.1 Modelos digitales de elevacin en IDRISI
El programa IDRISI V2.0 provee dos mdulos para la interpolacin de superficies (Eastman,
1997). Tambin provee un mdulo para el anlisis de tendencias de superficie y otro para el clculo
de polgonos de Thiessen o Teselacin de Voronoi. El mdulo Allocate brindar resultados
idnticos a Thiessen cuando se utilizan puntos (Ej. estaciones meteorolgicas con registros de
precipitacin).
Intercon de IDRISI
El mdulo intercon es el interpolador que provee IDRISI versin 2.0 para crear modelos digitales
de elevacin (MDE). El algoritmo original creado por David Douglas de la Universidad de Ottawa,
Canad (Eastman, 1992). El usuario debe proveer al programa la siguiente informacin:
T Un archivo de curvas de nivel en formato raster. Normalmente dicho archivo es creado con
el comando lineras a partir de curvas de nivel en formato vectorial. Para asegurar la calidad
de la interpolacin en el rea de estudio, asegrese de que las curvas excedan ligeramente los
bordes de la misma. El valor de fondo del archivo debe ser diferente a los valores de las
curvas de nivel (Ej. Se puede asignar -1). Las curvas fueron rasterizadas utilizando celdas con
una resolucin de 10m.
T La elevacin de las cuatro esquinas del rea de trabajo. Estos valores pueden estimarse del
mapa fuente.
El mdulo trabaja de la siguiente manera (Eastman, 1992):
< Primero construye un perfil a lo largo de los cuatro bordes que definen el rea de estudio.
Observe que intercon asume que su rea de trabajo es rectangular o cuadrangular. Los valores
de elevacin que usted suministra para las cuatro esquinas as como todas aquellas curvas de
nivel que crucen el borde del rea de estudio son utilizadas para crear este primer perfil.
< En el segundo paso construye una serie de perfiles horizontales (en el sentido de las hileras o sea
E-O) utilizando los valores de las curvas de nivel y los perfiles previamente creados (bordes).
Para cada celda de valor desconocido se interpola un valor de altura y se registra su pendiente.
< El tercer paso consiste en crear perfiles similares a los anteriores pero en sentido vertical (o sea
N-S).
< El cuarto paso consiste en crear perfiles diagonales de izquierda a derecha.

< En el quinto paso calcula perfiles diagonales de derecha a izquierda.
jfallas@racsa.co.cr
63
< En el sexto y ltimo paso selecciona la elevacin del pixel basado en el perfil de mxima
pendiente.
6.2 Modelos digitales de elevacin en ArcView
El programa ArcView GIS posee dos extensiones que permiten crear modelos digitales de
elevacin; la primera se denomina 3D Analista y la segunda Analista Espacial.
3D Analista
Esta es una de las extensiones comerciales de ESRI. El programa provee una opcin de men
que permite crear un MDE utilizando una red de tringulos irregulares (TIN); una vez creado este
archivo es posible derivar mapas de pendiente y aspecto en forma directa o a partir de un archivo
en formato raster creado a partir del TIN (ESRI, 1997).
EL programa 3D Analista permite utilizar los siguientes datos como insumos:
< Archivo de puntos o lneas con valores de elevacin (o cualquier otro atributo vlido). Este es
un archivo en formato Shape (Ej. Elev.shp).
< Archivo con elementos lineales que muestran un cambio abrupto en el terreno y que se desea
preservar en el modelo final. (Ej. Curso de agua, riscos, fallas geolgicas, etc.). Este archivo
puede o no contener valores de elevacin.
< Polgono de reemplazo (replace). Polgono (s) que representan reas para las cuales las alturas
sern reemplazadas por la altura del polgono. Este polgono debe contener un valor de altura.
< Polgono de borrado (erase): Archivo con polgono(s) que indica(n) el rea que debe excluirse
en el proceso de interpolacin. Por ejemplo, rea cubierta de nubes para la cual no existen
valores de elevacin. Este polgono puede o no tener valores de elevacin.
< Polgono de recorte (clip): Archivo de polgonos que indica el rea de inters sobre la cual debe
hacerse la interpolacin. Por ejemplo, en el presente trabajo el borde de la isla Chira se utiliz
para este fin. Este polgono puede o no tener valores de elevacin.
< Polgono de relleno (fill): Archivo con uno o ms polgonos los cuales pasarn sus cdigos (valor
entero) a todos aquellos tringulos contenidos por ellos (Tringulos contenidos por polgonos).
El valor de elevacin de los tringulos no es afectado.
Tanto las lneas como los polgonos pueden definirse como rgidos o flexibles. La primer
categora corresponde a elementos que indican un cambio brusco en pendiente (Ej. Carreteras, ros,
lnea de costa y borde de un lago); en tanto que la segunda indica elementos con cambios graduales
(Ej. Cima de las montaas). Una vez creado el archivo TIN, este puede editarse o convertirse a un
jfallas@racsa.co.cr
64
archivo raster de ArcInfo (formato GRID). Tambin es posible crear un TIN a partir de una
cuadrcula con valores de elevacin.
Kriging
La extensin "Kriging Interpolator 3.2_3D" escrita por Marco Boeinga (Amsterdam Water
Supply, The Netherlands\n'poect8@gw.amsterdam.n) permite crear un MDE utilizando el mtodo
de interpolacin Kriging. Para mayor detalle sobre el mtodo de interpolacin Kriging ver pag.66.
Analista Espacial
La extensin Analista Espacial para ArcView GIS puede crear un MDE a partir de puntos con
elevaciones conocidas (X,Y,Z). EL usuario debe crear un tema de puntos a partir de una tabla en
formato Dbase o ASCII. Tambin es posible convertir curvas de nivel a puntos utilizando el
programa en Avenue MakeElevation Pts (Dow, 1999). La versin 1.1 de Analista Espacial ofrece
los siguientes mtodos de interpolacin:
Distancia inversa ponderada (IDW)
El usuario(a) puede elegir entre dos mtodos de bsqueda para seleccionar los puntos de
muestreo a utilizar en el proceso de interpolacin: radio fijo y vecinos mas cercanos.
Mtodo de bsqueda de radio fijo.
Mtodo de bsqueda de vecinos mas cercanos.

Mtodo de bsqueda:
< Vecinos mas cercanos:

Dada una celda, utiliza los N puntos ms cercanos en el proceso de interpolacin.
< Radio de bsqueda fijo:

jfallas@racsa.co.cr
65
Dada una celda, utiliza todos los puntos de muestreo que se encuentren en el radio definido
por el usuario (a). El radio tiene las mismas unidades de distancia que la vista y en caso de
no existir, utilizar las unidades del mapa.
< No. de vecinos

Este es el nmero de puntos que utilizar el programa para estimar el valor de cada uno de los
pixeles y corresponde al valor N citado previamente.
< Exponente
Este es valor del exponente que se aplicar a la distancia en el calculo de los valores de Z ' (ver
ecuaciones 1 y 2). Cuanto mayor sea el valor del exponente menor ser la influencia ejercida por
los puntos ms distantes en la estimacin de Z '.
< Barreras
Esta opcin le permite al usuario un mayor grado de control sobre los puntos que desea utilizar
en el proceso de interpolacin. Por ejemplo, usted puede utilizar una lnea para indicar la presencia
de una discontinuidad en el paisaje. Esto har que el programa no utilice los puntos que se
encuentran al otro lado de la lnea en el proceso de interpolacin; aun cuando los mismos se
encuentren en el rea de bsqueda especificado por el usuario(a). El utilizar barreras aumenta
considerablemente el tiempo de proceso del programa.
El producto es un archivo en formato GRID de ArcInfo.
Curvatura mnima (Spline)
El programa Analista espacial de ArcView
provee dos mtodos de interpolacin. El primero se
denominado Regularized y realiza un ajuste ms
riguroso al set de datos (equivale a cubrir el rea de
estudio con un plstico delgado). El segundo se
denomina Tension y realiza un ajuste menos
riguroso al set de datos (equivale a cubrir el rea de
estudio con un plstico grueso). El usuario(a) pude
definir tanto el factor de ponderacin (Weight)
como el nmero de puntos a utilizar en el proceso de
interpolacin. Ambos valores controlan el grado de
suavizado que se aplicar la superficie.
Mtodo de interpolacin Curvatura
mnima. Ventana de dilogo.
jfallas@racsa.co.cr
66
< Ponderacin:
Este valor controla el grado de suavizado de la superficie a crear. Cuando se utiliza el mtodo
regularizado, al incrementar el valor del peso la superficie creada lucir mas suavizada. Cuando
se utiliza el mtodo de tension, al incrementar el valor del peso la superficie creada lucir menos
suavizada y eventualmente se comportar como un interpolador exacto.
< No. de puntos:

Este es el nmero de puntos que utilizar el programa para estimar el valor de cada uno de los
pixeles.
< Tipo:
Regularized: Crea una superficie ms suavizada, el interpolador tiende a comportarse como no
exacto.
Tension: Crea una superficie menos suavizada que tiende a mantener el valor de los puntos de
insumo.
Kriging
El mtodo de interpolacin Kriging no forma parte de la interfase grfica de Analista Espacial.
En el presente trabajo se utiliz la extensin Kriging Interpolator 3.2 SA creada por Marco
Boeringa (boeringa@nieuwland.nl) para el departamento de Hidrologa de la Autoridad de
Suministro de Agua de Amsterdam, Holanda. La extensin implementa los siguientes tipos de
Kriging:
T Kriging Ordinario
Variogramas: esfrico, circular, exponencial, Gausiano y Lineal con meseta. El semi
variograma es ajustado a la varianza de cada una de las muestra de puntos (mnimo de 3 puntos)
utilizando el mtodo de Levenberg-Marquardt (Press et al., 1986) basado en una aproximacin no
lineal de mnimos cuadrados.
T Kriging Universal
< Con tendencia lineal (Universal 1)
< Con tendencia cuadrtica (UNIVERSAL2)
El radio bsqueda puede ser fijo o variable.
Radio fijo: El programa utiliza la distancia indicada por el usuario como el radio de bsqueda
siempre y cuando dicho radio contenga el nmero de puntos de muestreo indicados por el usurario.
En caso de no encontrar el nmero de puntos requeridos, el programa aumenta automticamente
la distancia del radio de bsqueda.
jfallas@racsa.co.cr
67
Radio variable: En este caso el usuario debe definir tanto el nmero de puntos de muestreo que
desea como la distancia mxima de bsqueda. Basados en estos criterios, el programa selecciona
para cada pixel a interpolar los puntos de muestreo mas cercanos hasta completar el nmero
deseado, siempre y cuando dichos puntos no sobrepasen la distancia mxima de bsqueda. En este
caso el criterio restrictivo es la distancia de bsqueda y por lo tanto el programa solo utilizar los
puntos que se encuentren en la distancia mxima de bsqueda an cuando no se cumpla con el
tamao de muestra solicitado por el usuario(a).
Al definir su tamao de muestra recuerde que se requiere de un mnimo de 3 puntos para poder
estimar el semi variograma y crear una superficie. La investigacin realizada en este campo indica
que 12 es un tamao apropiado. En caso de que el programa no pueda estimar el semi variograma,
aumente el radio de bsqueda y/o reduzca el tamao de la muestra y trate nuevamente.
Interfase grfica de la extensin Kriging de Marco Boeringa, Holanda.

Evaluacin de los estadsticos de bondad de ajuste del semi variograma
La extensin Kriging Interpolator 3.2 SA le brinda los siguientes indicadores de la bondad de
ajuste del semivariograma:
T AIC = Criterio de Informacin de Aikaike (AIC)
T BIC = Criterio de Informacin Bayesiano (BIC)
Los estadsticos anteriores son calculados de la siguiente manera:
AIC = n*ln(SSE)+2 * (# de parmetros)
jfallas@racsa.co.cr
(18)
68
BIC = n*ln(SSE)+ [# de parmetros*ln (n)]
(19)
SSE = Sum1..n [(Actual - semivarianza ajustada)^2]

(sumatoria del error cuadrtico)
(20)
RMSE = Sqrt [SSE/(n-1- # de parmeteros)]

(raz cuadrada del error medio cuadrtico)
(21)
n = nmero de registros / Intervalo del resago para el semi variograma actual en la tabla y en los
grficos del semi variograma.
El nmero de parmetros fue definido como 3; ya que todos los semi variogramas creados por
ArcView tienen tres parmetros.
Cuadrcula de variacin
Este es un tema temporal en formato GRID que muestra la semi-varianza estimada para cada
celda de la superficie creada.
Kriging Universal
El Kriging Universal se utiliza cuando los valores de Z exhiben una tendencia local. Un semi
variograma que inicia con una curva en forma de parbola cncava ascendente indica la presencia
de una tendencia local de tipo lineal en los datos.
Los mtodos de interpolacin basados en Kriging Universal (1 y 2) asumen que la variacin
espacial en los datos tambin se caracteriza por un componente estructural denominado "tendencia
o deriva". Este es un cambio sistemtico en los valores de las celdas que se refleja a una escala
determinada. A su vez, esta escala est relacionada con el radio de bsqueda definida en los
prrafos anteriores. El usuario(a) debe modificar el radio de bsqueda hasta que pueda encontrar
la escala a la cual puede detectar la tendencia y la varianza es mnima. Por esta razn no es
recomendable utilizar un radio de bsqueda variable con el Kriging Universal. Una vez que se ha
cuantificado el efecto estructural, la varianza remanente es espacialmente homognea y por tanto
la diferencia en valores de Z entre los puntos de muestreo es una funcin de la distancia que los
separa (como en Kriging Ordinario).
El Kriging Universal 1 utiliza una ecuacin lineal para aproximar la tendencia en los datos, en
tanto que el Kriging 2 utiliza un polinomio de segundo orden. Sin embargo, ambos mtodos
utilizan el mtodo de interpolacin lineal para modelar la semi-varianza remanente debido a que
la mayora de los semivariogramas tienden a ser lineales en su origen.
El nmero de puntos de muestreo en el radio de bsqueda debe ser lo suficientemente grande
como para que la tendencia en los datos pueda estimarse. Cuando utilice un radio fijo, seleccione
jfallas@racsa.co.cr
69
una distancia para la cual crea que los datos estn correlacionados. Cuando seleccione un radio
variable utilice entre 12 y 15 puntos de muestreo.
Kriging es un mtodo de interpolacin muy intensivo en cuanto al uso de recursos y tiempo de
su computadora. La velocidad de ejecucin depender del nmero de puntos totales as como de
la distancia del radio de bsqueda.
6.3 Modelos digitales de elevacin en Surfer
El programa Surfer (Golden Software, 1999) provee los siguientes mtodos de interpolacin:
Distancia inversa ponderada
El programa le permite especificar un factor de suavizado para eliminar el problema de los
ojos de buey tpicos de este interpolador. El usuario(a) debe definir un radio de bsqueda y el
nmero de puntos a utilizar por sector. Este mtodo de interpolacin acepta barreras o fallas y lneas
de inflexin (breaklines). Una barrera es un elemento de dos dimensiones (X,Y) que no permite el
flujo de informacin durante el proceso de interpolacin; en tanto que la lnea de inflexin es un
elemento de tres dimensiones (X,Y,Z) que s permite el flujo de informacin. Al igual que en
ArcView, las barreras utilizan memoria extra y el proceso de interpolacin requiere de mayor
tiempo. El tiempo requerido para crear el archivo raster es proporcional al cuadrado del nmero de
segmentos en la barrera.
Fig.43:Surfer: Barreras (A) y lneas de inflexin (B). La funcin de la barrera es forzar al

interpolador a utilizar solo los puntos de muestreo ubicados a la derecha a la izquierda de la
barrera en el proceso de interpolacin. Cuando se utiliza un lnea el programa puede borderarla y
utilizar los puntos de muestreo ubicados al otro lado de la barrera. La lnea de inflexin posee
valores de elevacin que son utilizados por el programa como valores adicional en el proceso de
interpolacin.
jfallas@racsa.co.cr
70
Kriging
La versin 7 de Surfer incluye dos mtodos de interpolacin: Kriging puntual y Kriging de
bloque. En el primer mtodo se utilizan todos los puntos de muestreo para estimar el valor de cada
uno de los nodos en la nueva cuadrcula. En tanto que en el segundo mtodo, la estimacin de cada
nodo corresponde al promedio de un bloque rectangular centrado en el nodo. El usuario(a) debe
definir un radio de bsqueda y el nmero de puntos a utilizar en el proceso de interpolacin; sin
embargo el mtodo por omisin es utilizar todos los puntos de muestreo. Este mtodo de
interpolacin acepta barreras o fallas y lneas de inflexin (breaklines). Al igual que en ArcView,
las barreras utilizan memoria extra y el proceso de interpolacin requiere de mayor tiempo. El
tiempo requerido para crear el archivo raster es proporcional al cuadrado del nmero de segmentos
en la barrera. Cuando existen matrices singulares el uso de barreras hace que el proceso de
interpolacin no pueda completarse. El proceso de interpolacin puede implementarse utilizando
Kriging ordinario (sin tendencia) y Kriging Universal (tendencia lineal cuadrtica).
Fig.44 : En el Kriging puntual el valor del nodo central es estimado utilizando todos los puntos en
el radio de bsqueda; en tanto que en el Kriging de bloque el valor es estimado utilizando el
promedio de los puntos de muestreo.
jfallas@racsa.co.cr
71
Curvatura mnima
El interpolador de curvatura mnima es muy
utilizado en diferentes disciplinas de las ciencias
de la Tierra. El usuario(a) puede controlar el nivel
de curvatura entre puntos de muestreo utilizando el
parmetro de tensin interna y la velocidad de
convergencia mediante el factor de relajacin (el
valor por omisin es 1). Este mtodo de
interpolacin acepta barreras o fallas y lneas de
inflexin (breaklines). Al igual que en ArcView,
las barreras utilizan memoria extra y el proceso de
interpolacin requiere de mayor tiempo. El tiempo
requerido para crear el archivo raster es
proporcional al cuadrado del nmero de segmentos en la barrera. El uso de barreras hace que el
proceso de interpolacin no pueda completarse cuando no se puede lograr la convergencia
establecida por el usuario(a).
Vecino natural
Este mtodo de interpolacin est basado en el
concepto de los polgonos de Thiessen (gemelo de los
tringulos de Delaunay). El interpolador utiliza un
promedio ponderado de las observaciones vecinas, en
donde la ponderacin es proporcional al rea obtenida
al crear un nuevo polgono de Thiessen como resultado
de incluir un nuevo punto en el set de datos.
jfallas@racsa.co.cr

Vecino ms cercano
Este mtodo de interpolacin asigna el valor del
punto de muestreo ms cercano a cada uno de los nodos
de la nueva cuadrcula. Utiliza una elipsis como rea de
bsqueda. El usuario(a) debe definir los radios de
bsqueda, el ngulo del eje 1 (asociado al eje X) y el
nmero de puntos a utilizar por sector. Este mtodo de
interpolacin acepta barreras o fallas y lneas de
inflexin (breaklines). El mtodo de interpolacin no es
apropiado para estimar valores cuando los puntos de
muestreo tienen una distribucin irregular.
Funciones radiales
Este es un conjunto de funciones que permiten
interpolar valores a partir de un set de puntos de
muestreo; todos los mtodos se compartan como
interpoladores exactos. El mtodo basado en una
ecuacin multi cuadrtica es considerado como el
mejor interpolador. El mtodo de interpolacin acepta
barreras o fallas y lneas de inflexin (breaklines). Al
igual que en ArcView, las barreras utilizan memoria
extra y el proceso de interpolacin requiere de mayor
tiempo. El tiempo requerido para crear el archivo raster
es proporcional al cuadrado del nmero de segmentos
en la barrera. Cuando existen matrices singulares el uso
de barreras hace que el proceso de interpolacin no
pueda completarse.
Mtodo modificado de Shepard

Este mtodo de interpolacin es similar al mtodo
de inverso de la distancia, con la diferencia de que la
interpolacin es realizada utilizando mnimos
cuadrados locales; lo que elimina o reduce
sustancialmente el efecto de ojo de buey del primer
interpolador. El usuario(a) puede asumir una superficie
isotrpica anisotrpica. El interpolador puede
comportarse tanto como exacto como aproximado.
jfallas@racsa.co.cr
72
73
Triangulacin con interpolacin lineal

Este mtodo de interpolacin utiliza la triangulacin
ptima de Delaunay. A partir de los puntos de muestreo
se crean tringulos cuyas caras no se traslapan. El
interpolador se comportar como exacto y es apropiado
para set de datos cuyos puntos de muestreo se
distribuyen en forma regular sobre el rea de estudio.
Regresin polinomial
Este no es realmente un mtodo de interpolacin ya
que no est diseado para estimar valores en reas sin
datos. El mtodo se utiliza para definir el patrn general
de variacin espacial del set de datos.
7. Evaluacin de la exactitud de los MDE

El MDE creado con cada uno de los mtodos de interpolacin fue reclasificado en 13 clases
de elevacin utilizando un intervalo de 20m. Se seleccion 20m por ser la elevacin entre las curvas
de nivel del mapa original del IGN (escala 1:50.000). Los MDE creados en ArcView con Analista
Espacial y 3D Analista fueron exportados al formato raster de IDRISI V2.0 utilizando el programa
GRID2IDR. Posteriormente en IDRISI se utiliz el comando Crosstab (opcin tabla e ndice
Kappa) para comparar la concordancia espacial de las reas entre curvas de nivel del mapa original
y del mapa creado a partir del MDE. Adems se calcul el error para cada clase de elevacin
utilizando las siguientes frmulas:
Error (has) = rea derivada del mapa (has) - rea derivada del MDE (has)
(22)
Error Relativo ( %) = ((rea del mapa - rea derivada del MDE) / rea del mapa ) * 100
(23)
RC Error Medio Cuadrtico (has) = ( 3 (error)2 / n)0.5
(24)
8. Evaluacin del efecto del filtrado en la exactitud del MDE

Para determinar el efecto del filtrado en la exactitud del MDE se aplicaron tres filtros
sucesivos tipo promedio con una matriz de filtrado de 3*3 celdas a los tres mejores modelos
jfallas@racsa.co.cr
74
digitales de elevacin seleccionados en la seccin anterior. Posteriormente, los MDE se

reclasificaron cada 20m y se utiliz el comando Crosstab(opcin tabla e ndice Kappa) para
determinar la concordancia espacial entre las diferentes clases de elevacin. Finalmente, se calcul
el rea para cada uno de los MDE reclasificados y se determin el error utilizando las frmulas
descritas en la seccin anterior.
9. Elaboracin de mapas de pendiente y aspecto
Los mapas de pendiente y aspecto fueron derivados para cada uno de los tres mejores MDE
seleccionados en la seccin 8. Para evaluar el efecto del filtrado previo del MDE en la estimacin
de pendiente (%) y aspecto se deriv un mapa de pendiente/aspecto tanto para el archivo filtrado
como para el archivo sin filtrar. En el caso de ArcView se utiliz la extensin DEMAT - DEM
Analysis Tool (thorsten.behrens@agrar.uni-giessen.de) para realizar el clculo de pendiente y
aspecto.
9 .1 Evaluacin del error en la estimacin de pendiente
Para evaluar el error en la estimacin de pendiente se creo un set de 1006 puntos con una
separacin de 200 m entre s (Fig. 45), de dicho set se eligieron al azar 183 puntos utilizando el
programa en Avenue RandomSelection (www.esri.com/arcscripts) y luego se calcul un rea bfer
de 200 metros para cada uno de ellos (Fig. 46) utilizando la extensin Xtools (DeLaune, 1999).
Dicha rea equivale a dibujar crculos de 4mm de dimetro en un mapa a escala 1:50.000.
Fig. 45: Puntos de muestreo con una separacin de 200m entre

s (equivalente a 4mm en un mapa a escala 1:50.0000).
jfallas@racsa.co.cr
75
Fig. 46 : Muestra de 183 puntos aleatorios seleccionados para

evaluar el error en la estimacin de pendiente. Cada crculo
tiene un dimetro de 200m.
Para cada uno de los crculos se determin la pendiente utilizando el mtodo de conteo de
curvas de nivel como se muestra a continuacin:
< Primero se cont el nmero de curvas nicas que atraviesa cada crculo
220
180
160
120
140
80
100
200
240
200
160
220
180
jfallas@racsa.co.cr
76
< Luego se utiliz la siguiente relacin entre nmero de curvas y cambio en elevacin para
determinar la pendiente en porcentaje:
#curvas
0
1
2
3
4
5
6
7
)H (m)
)D (m)
200
200
200
200
200
200
200
200
0
20
40
60
80
100
120
140
Pendiente % = ()H/)D)*100
0/200 = 0
20/200 = 10
40/200 = 20
60/200 = 30
80/200 = 40
100/200 = 50
120/200 = 60
140/200 = 70
< Una vez determinado el nmero de curvas por crculo, se
30
asign su respectivo valor de pendiente como se muestra a

la derecha.
30
30
50
60
60
60
El mapa creado utilizando este mtodo se muestra en la figura 47.
Simbologa
Pendiente %
0- 5
6 - 10
11 - 15
16 - 20
21 - 25
26 - 35
35 - 45
46 - 55
56 - 75
> 76
Ni car agua
Ma r Car i be
Ocen oP ac fi co
50
3000
P anam
50 Ki lomet ers
3000 Meters
Fig.47 : Determinacin de pendiente (%) mediante mtodo

manual.
jfallas@racsa.co.cr
77
Una vez determinada la pendiente para cada una de los crculos se compar con la pendiente
media estimada utilizando los MDE con y sin filtrar creados en el paso 9. Los resultados se
resumieron en una tabla de 8 categoras de pendiente.
9.2. Evaluacin del efecto del filtrado en el mapa de pendientes
Para evaluar el efecto del filtrado en la estimacin de la pendiente (%), el mapa de pendiente
creado en el paso anterior se filtr a su vez tres veces sucesivas (filtro promedio, ventana de
3*3celdas) y cada mapa producto se reclasific en 8 categoras de pendiente (clases de 10%). Para
cada clase de pendiente se determin el rea y la concordancia espacial como se describe en la
seccin 8.
10. Efecto del tamao del pixel en la exactitud del MDE
La resolucin de la celda en el modelo de datos raster influye en la calidad del producto final;
sin embargo una reduccin de 0.5 veces en el tamao original de la celda implica aumentar en 4
veces el tamao del archivo original. Para analizar el efecto del tamao de la celda en la
distribucin de elevaciones en la isla Chira se compar el MDE creados con resoluciones de 10,
20 y 40m, respectivamente. Posteriormente se aplic el anlisis descrito en el paso 6.
11. Funciones analticas del software utilizado
Funcin/operacin
3D Analista
Analista Espacial
IDRISI
Surfer
Pendiente y aspecto del terreno
Iluminacin del terreno
Anlisis de Intervisibilidad
Lnea de visibilidad
Perfiles
Visualizacin en 2.5D o en
perspectiva
Clculo de rea y volumen
Determinacin de relleno y
excavacin
Creacin de isolneas
Creacin de elementos en 3D
X
X
jfallas@racsa.co.cr

Anlisis de escorrenta
superficial
Exportacin de vistas en
VRWL
78
X
X
CURVAS DE NIVEL A ESCALA 200.000

En este caso se utiliz un archivo existente con curvas de nivel cada 100m y por tanto solo se
verific el valor asignado a cada una de las curvas de nivel. El procedimiento seguido para elaborar
y evaluar la exactitud de los MDE y sus productos fue el mismo ya descrito para la isla Chira.
jfallas@racsa.co.cr
79
REFERENCIAS
Able Software Company.1998. R2V for Windows (Raster to Vector). Release 3.2.15. USA.
Ackerman, F. 1978. Experimental investigation into the accuracy of contouring through DTM.
Proceedings of Digital Terrain Modelling Symposium, St. Louis, Missuri, USA. pp.165-192.
Ayeni, O.O. 1982. Optimum sampling for digital terrain models: a trend towards automation.
Photogrammetric Engineering and Remote Sensing. 48(11):1687-1694.
Behrens, Thorsten M. DEMAT. Justus-Liebig-University Giessen, Germany. Institut for Soil
Science and Soil Conservation thorsten.behrens@agrar.uni-giessen.de
Boeringa Marco. Kriging Interpolator 3.2 3D. Nieuwland Automatisering. P.O.Box 522 6700 AM
Wageningen The Netherlands. Tel: 31- (0)317-421711 Fax: 31-(0)317-425046. www.nieuwland.nl
boeringa@nieuwland.nl
Brown, Daniel G. 1994. Anisotrophy in derivative surfaces as an indication of systematic errors in
DEMs. International Symposium on the Spatial Accuracy of Natural Resources Data Bases. 16-20
May 1994. Williamsburg, Virginia.USA. American Society for Photogrammety and Remote
Sensing. Pp.98-107.
Burges, T. M. and Webster, R.1980. Optimal intepolation and isarithmic mapping. I. The
semivariogram and punctual kriging. J. Soil Science. 31:315-332.
Burges, T. M. and Webster, R.1980. Optimal intepolation and isarithmic mapping. II. Block
kriging. J. Soil Science. 31:333-342.
Burrough, P.A. 1986. Principles of Geographical Information Systems for land resources
assessment. Monographs on Soil and Resources Survey. No.12. Oxford University Press. 193p.
Canters, Frank. 1994. Simulating error in triangulated irregular network models. EGIS Foundation.
Pp.169-178. Centre for Cartography and Geographical Information Systems Department of
Geography - Vrije Universiteit Brussel Pleinlaan 2 - B-1050 Brussel e-mail:
fcanters@vnet3.vub.ac.be
Carrara, A; Bitelli, G. y Carla R. 1997. Comparison of techniques for generating digital terrain
models for contour lines. Int. J. Geographical Information Science. Vol.11(5): 451-473.
jfallas@racsa.co.cr
80
Carvacho Bart, Luis y Marcela Snchez Martnez. 1997. Modelos digitales del terreno:
comparacin entre el modelo TIN y el INTERCON.Trabajo del Curso de Doctorado sobre Modelos
Digitales del Terreno (Departamento de Geografa, Universidad de Alcal de Henares, Espaa.
Cressie, N.A.C. 1993. Statistics for spatial data. Revised Edition. Wiley Series in probability and
Mathematical Statistics. New York, USA. 900p.
DeLaune, Mike. 1999. Xtools. Oregon State University, Department of Forest. USA.
(www.esri.com/arcripts). http://www.odf.state.or.us/gis/tools.html
Dow, 1999. MakeElevation Pts. www.esri.com/arcscripts
Eastman, J.R. 1992. IDRISI. Version 4.0. User's Guide. The Clark Labs.Clark University. USA.
Pp.87-88.
Eastman, J.R. 1997. IDRISI for Windows Version 2. User's Guide. Clark Labs for Cartographic
Technology and Geographic Analysis.Clark University. USA.
Ebnier, H. and Reiss, P. 1984. Experience with height interpolation by finite elements.
Photogrammetric Engineering and Remote Sensing 50(2):177-182.
ESRI. 1999. Using ArcView. Arc View GIS, Versin 3.2. USA.
ESRI. 1998. Using ArcView Spatial Analyst. Arc View Spatial Analyst, version 1.1. USA.
ESRI. 1997. Using ArcView 3D Analyst. Arc View 3D Analyst, versin 1.0a. USA.118p.
Giltrap, D. J. 1983. Computer production of soil mas. I. Production of grid maps by interpolation.
Geoderma 29:295-311.
GIS History Project. http://www.geog.buffalo.edu/ ncgia/gishist.
Golden Softwre.1999. Sufer 7. User's Guide.Contouring and 3D Surface Mapping for Scientist and
Engineers. Golden Software, Inc.Colorado, USA.619p. www.goldensoftware.com
Grassie, D.N.D. 1982. Contouring by computer: some observations. British Cartographic Society
Special Publication 2:93-116.
GRID2IDRI. Grid to IDRISI image. ttp://www.pierssen.com/idrisi/grid.htm
jfallas@racsa.co.cr
81
Haggett, P. ; Cliff, A.D. and Frey, A. 1977. Locational methods. Second Edition. Edward Arnold.
London, U.K. Volume II. pp:260-605.
IDR2GRID. IDRISI image to Grid ttp://www.pierssen.com/idrisi/grid.htm
IGN. 1989. Hoja Berrugate, Edicin 3-IGNCR. Escala 1:50.000
Imhof, E. 1982. Cartographic relief presentation. Walter de Gruyter, Berlin.
Intergraph Corporation. 1994. MGE Terrain Analyst. User's Guide for Windows NT Operating
System.Hunstville, Alabama, USA.
Isaacks, E. H. and Srivastava, R. M.1989. An Introduction to Applied Geostatistics. New York,
Oxford University Press. 561p.
Lan, N. S. 1983. Spatial interpolation methods a review. American Cartograher 10:129-149.
Ley, R. G. 1986. Accuracy assessment of digital terrain models. Autocarto London 1:455-464.
Lowthian, B. 1986. The accuracy of DTM derived from O.S. 1:50000 scale mapping. Unpublished
diploma project. University of Glasgow, Dept. of Geography and Topographic Science.
Maling, D.H. 1989. Measurements from maps. Principles and methods of cartometry. Pergamon
Press. Oxford. Pp.153-177.
Mark. D.M.1997. The history of geographic information systems: invention and re-invention of
triangulated irregular networks (tins) Proceedings, GIS/LIS'97. NCGIA, Department of Geography
University at Buffalo Buffalo, NY 14261-0023. http://www.geog.buffalo.edu/~dmark/
Maune, Chris J. 1994. Introduction to digital elevation models (DEM). Proceedings: Mapping and
Remote Sensing Tools for the 21st Century. Conference and Exposition. August 26-29, 1994.
Washington, D.C. USA. American Society for Photogrammety and Remote Sensing. Pp.128-133.
McCullagh, M.J. 1990. Digital terrain modelling and visualization. In. Petri, G. and Kennie, T.J.M
(Ed.) 1990. Terrain modelling in surveying and civil engineering. Whittles Publishing. pp. 128-151.
McVay Kenneth R. 1999. ImageWarp An Extension For Geo-Registering Images.V2.0
rcreed@earthlink.net. Www.Esri.com
Miller, C. and La Flamme. R. A. 1958. The digital terrain model-theory and applications.
Photogrammetric Engineering 24(3):433-442.
jfallas@racsa.co.cr
82
Minnesota Department of Natural Resources. 1998. Arc View 3.0 Extensions. Arc View Tools
Extension. www.dnr.state.mn.us/gis/tools/arcview/extensions/
Oliver, M.A. 1990. Kriging: a method of interpolations for geographical information systems. Int.
J. Geographical Information Systems. Vol. 4(3): 313-332.
Petri, G. and Kennie, T.J.M (Ed). 1990. Introduction to terrain modelling-application fields and
terminology. In. Petri, G. and Kennie, T.J.M (Ed.) 1990. Terrain modelling in surveying and civil
engineering. Whittles Publishing. pp. 1-3.
Petrie, G. 1990. Modelling, interpolation and contouring procedures. In. Petri, G. and Kennie,
T.J.M (Ed.) 1990. Terrain modelling in surveying and civil engineering. Whittles Publishing. pp.
113-127.
Raper, J. F. y Kelk, B. 1991. Three-dimensional GIS. In Maguire, D.J.; Goodchild, M.F. y Rhind,
D.W. (Eds.). Geographical Information Systems. Longman, Scientific & Technical. Vol. 1. Pp.299317.
Shearer, J.W. 1990. The accuracy of digital terrain models. In. Petri, G. and Kennie, T.J.M (Ed.)
1990. Terrain modelling in surveying and civil engineering. Whittles Publishing. pp. 315-336.
StatMost Corporation. 1995. StatMost statistical Analysis and Graphics. User's Guide. USA.
Pp.269-271. USA.
Sternberg, Howie. 1999. Screen DigitizeV2.0. howard.sternbertg@po.state.ct.us. Centro de
Ambiente y Sistemas de Informacin Geogrfica. Departamento Ambiental, Estado de Connecticut,
USA.
Thoen, Bill. 1997. Explore the third dimension. A comparative review of contouring products for
window 95. GIS World Vol. 9 (12): 51-62.
Torlegard, K. Ostman, A., and Lindgreen, R.1987. A comparative test of photogrammetrically
sampled digital elevation models. Transactions of the Royal Institute of Technology , Sweden.
Photogrammetric Reports No.53.
University of South Carolina. USC-CLA. Grid Utilities. College of Liberal Arts. Computing Lab.
Veregin, 1997.
Webster, R. and Burges, T. M. 1980. Optimal intepolation and isarithmic mapping. III. Changind
drift and universal kriging. J. Soil Science. 31:505-524.
jfallas@racsa.co.cr
83
Weibel, R y Heller, M. 1991. Digital terrain modelling. In Maguire, D.J.; Goodchild, M.F. y Rhind,
D.W. (Eds.). Geographical Information Systems. Longman, Scientific & Technical. Vol.1. Pp.269297.
jfallas@racsa.co.cr

Fotogrametria

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Fotogrametria

Cargado por

Copyright:

Formatos disponibles

Modelos digitales de elevacin:

Teora, mtodos de interpolacin y aplicaciones

SELECCIN DEL MEJOR MTODOS PARA CREAR UN MDE . . . . . . . . . . . . . . . . . . . . . . 43

Modelos Digitales de Elevacin

EVALUACIN DE LOS MTODOS DE INTERPOLACIN . . . . . . . . . . . . . . . . . . . . . . . . . . 55

CURVAS DE NIVEL A ESCALA 200.000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

Modelos Digitales de Elevacin

Modelos Digitales de Elevacin

Para ilustrar el potencial de anlisis visual de una imagen en perspectiva se presenta a

Fig. 1: Vista en perspectiva creada a partir de un modelo de

Estimaciones de volmenes a remover o rellenar en trabajos de ingeniera

Modelos Digitales de Elevacin

MODELADO DE SUPERFICIES Y MTODOS DE INTERPOLACIN

Modelos Digitales de Elevacin

Uso de algoritmos para determinar el lmite entre unidades homogneas

Modelos Digitales de Elevacin

Fig. 2: Polgonos de Thiessen. Cuenca del ro Grande de

Modelos Digitales de Elevacin

Modelos Digitales de Elevacin

Fig. 3: Concepto de distancia de

Modelos Digitales de Elevacin

El valor de cada punto interpolado Z ' es igual a:

Modelos Digitales de Elevacin

Aporte (%), m= 0.5

Fig.4: Relacin entre valor del exponente m, la distancia de los vecinos

Modelos Digitales de Elevacin

Fig. 4: Interpolador Distancia Inversa Ponderada: Efecto de ojos de

Modelos Digitales de Elevacin

Fig. 6: Tipo de bsqueda. En este caso se ha

Curvatura mnima (Spline)

Modelos Digitales de Elevacin

Fig. 8: Interpolador de Curvatura Mnima. En la esquina superior

Fig. 7: Tipo de reas de bsqueda. A. Circular. B.

Modelos Digitales de Elevacin

en donde h: distancia relativa del punto al nodo anisotrpicamente reescalao y R 2 el parmetro de

< Mtodo de Shepard: Este mtodo de interpolacin es similar al mtodo de inverso de la

Modelos Digitales de Elevacin

interpolador considera tanto la direccin como la magnitud de la correlacin espacial en el set de

Valor de la variable Z en la posicin x.

En ausencia de una tendencia en los datos ((drift(), el valor de m(x) es igual a:

Modelos Digitales de Elevacin

((h) = 1/2n E{Z(xi) - Z (xi +h)}2

2((h) /{Mediana * *Z(xi) - Z xi +h*0.5}4 / (B(h)

Modelos Digitales de Elevacin

Fig. 9: Distribucin de 100 valores de elevacin (m)

Modelos Digitales de Elevacin

Fig. 10: Promedios para columnas (Eje X) y filas (Eje Y) de 100

La figura 11 ilustra el hecho de que el

Fig. 11: Diagrama de dispersin h para h= (0,0)

Modelos Digitales de Elevacin

Fig. 12: Diagrama de dispersin h para h= (0,1)

Fig.13: Diagrama de dispersin h para h= (0,2)

Modelos Digitales de Elevacin

Fig.14: Diagrama de dispersin h para h= (0,3)

Fig.15: Simivariograma para 100 datos de elevacin

Modelos Digitales de Elevacin

Cuadro 4: Estadsticos para los diagramas de dispersin de Z t Vs Z (t+h)

No. pares (n)

A continuacin se definen los trminos asociados al variograma (ver figura 16).

representan el vector de separacin en unidades del mapa.

Modelos Digitales de Elevacin

Fig. 16: Componentes tpicos de un variograma. La letra h

< Esfrico o circular: Este es posiblemente el modelo ms utilizado. Su comportamiento es lineal

Modelos Digitales de Elevacin

2((h) /{Mediana * Z(xi) - Z xi +h0.5}4 / (B(h)