M D T 01 PDF

Modelos Digitales de Terreno
TOPOMETRA y MICROGEODESIA - Ao 2000
A.M.Felicsimo
El curso que presento en estas pginas es un escueto resumen de un original bastante ms

extenso impartido en algunas Universidades.
Como bien sabis, la creacin de documentos HTML extensos es trabajosa, por lo que pido
disculpas por los errores y por el escaso tiempo que he dedicado a su revisin.
Poco a poco ir completando los diferentes temas, actualizando las referencias y aadiendo
las imgenes necesarias.
Como es lgico, agradecer vuestras correcciones y
sugerencias.
http://www.etsimo.uniovi.es/usr/feli/Correo.html
Tema 1 Concepto y construccin del modelo digital de elevaciones

Conceptos
Introduccin
Qu es un modelo?
Tipos de modelos
Modelos icnicos, anlogos y simblicos
Modelos analgicos y digitales
Modelos digitales del terreno

Los MDT y los mapas
Simulacin de procesos con los MDT
El modelo digital de elevaciones
Introduccin
Origen del MDE
Definicin del MDE
Estructuras de datos en el MDE
Modelo vectorial
Contornos
TIN
Modelo raster
Matrices regulares
Quadtrees
Qu estructura usar?
316
A.M.Felicsimo
La construccin del MDE

Introduccin
Captura de datos
Mtodos directos
Altmetros
GPS
Estaciones topogrficas
Mtodos indirectos, 1
Restitucin fotogramtrica
Radargrametra
Digitalizacin automtica
Digitalizacin manual
Elementos de la estructura topogrfica

Mtodos de interpolacin
Mtodo general
La hiptesis de la variable regionalizada
Mtodos basados en triangulaciones

La red irregular de tringulos
La transformacin vector-raster
La continuidad hidrolgica
Tema 2 Valoracin del error en el MDE

Introduccin
Las fuentes del error
El error de las fuentes primarias
Imgenes de satlite
Radargrametra
El error de las fuentes secundarias

Error en la digitalizacin
Anlisis del error de la digitalizacin
Cuantificacin del error posicional
El error cartogrfico
La calidad de los mapas
La deformacin de los mapas
La medida del error atributivo

Anlisis del error aleatorio
Valoracin
Los puntos de control
Anlisis de los grandes errores

317
A.M.Felicsimo
La propagacin del error

El anlisis de sensibilidad
Mtodos de Monte Carlo
El efecto de la autocorrelacin
El error y el relieve
Tema 3 Descripcin y anlisis del Relieve

Las variables topogrficas
El gradiente
La pendiente
La orientacin
La curvatura
La rugosidad
En estos momentos el curso slo est disponible hasta aqu. La primera parte
del Tema 3 ha sido aadida el 26/09/97. Espero ir moviendo este aviso hacia
abajo hasta hacerlo desaparecer
Caracterizacin morfomtrica
Los elementos del relieve
Los mtodos de clasificacin
La descripcin estadstica
Estadsticos bsicos para variables lineales
Estadsticos bsicos para variables circulares
Otros descriptores
La entropa como medida de la diversidad
La medida de la autocorrelacin
La dimensin fractal
Tema 4 Simulacin de procesos

Cuencas Hidrolgicas
Autmatas celulares
La generacin de lneas de flujo
La definicin de cuencas hidrolgicas
La estimacin de caudales mximos
Cuencas visuales
Estimacin de cotas
Perfiles topogrficos
Intervisibilidad entre dos puntos
318
A.M.Felicsimo
Identificacin de cuencas visuales

La observacin del relieve
Modelos de reflectancia
La reduccin del efecto topogrfico
Modelos climticos
La trayectoria solar
Anlisis del ocultamiento topogrfico
Anlisis de la insolacin potencial
Anlisis de la irradiancia
Tema 5 Modelos de prospeccin y prediccin

Las herramientas
Mtodos lgicos o booleanos
Mtodos bayesianos
La regresin logstica
La lgica borrosa
Los resultados
Mtodos booleanos: identificacin de formas
Mtodos bayesianos: clasificacin del relieve
La regresin logstica: anlisis de idoneidad de hbitat
La lgica borrosa: anlisis de potencialidad de vegetacin
La estructura del ndice puede variar segn se vaya introduciendo el texto correspondiente. La estructura
del Tema 5 est sometida a revisin y slo se apuntan los temas que pretendo tocar.
319
A.M.Felicsimo
A
Allam, M.M. (1978): "DTM application in topographic mapping". Photogrammetric Engineering and
Remote Sensing, 44(12): 1513-1520.
Aracil, J. (1986): Mquinas, sistemas y modelos. Un ensayo sobre sistmica. Tecnos, 282 pg.
Madrid.
B
Balce, A.E. (1987): "Determination of optimum sampling interval in grid digital elevation models (DEM)
data adquisition. Photogrammetric Engineering and Remote Sensing, 53(3): 323-330.
Band, Lawrence E. (1986): "Topographic partition of watersheds with digital elevation models". Water
Resources Research, 22(1): 15-24.
Band, Lawrence E. (1989): "Spatial aggregation of complex terrain". Geographical Analysis, 21(4):
279-293.
Bernstein, Ralph (1983): "Image geometry and rectification". En Colwell (Ed.)(1983): 873-922.
Berry, J.K. (1987): "Computer assisted map analysis: potential and pitfalls". Photogrammetric
Engineering and Remote Sensing, 53(10): 1405-1410.
Berry, J.K. (1988): "Maps as data: fundamental considerations in computer-assisted map analysis".
GIS/LIS'88 Proceedings: 273-284. San Antonio, Texas.
Blakemore, Michael (1983): "Generalization and error in spatial databases". Proceedings Auto-Carto, 6:
313-322. Falls Church, Virginia.
Burrough, P.A.; Deursen, W. van; Heuvelink, G. (1988): "Linking spatial process models and GIS: a
marriage of convenience or a blossoming parthership ?". GIS/LIS'88 Proceedings: 598-607. San
Antonio, Texas.
Buttenfield, B.P.; Mackaness, W.A. (1991): "Visualization". En Maguire et al. (1991), vol. 1: 427-443.
C
Canters, Frank (1994): "Simulating error in triangulated irregular network models". EGIS/MARI '94,
Fifth European Conference and Exhibition on Geographical Information Systems: 169-178.
Carrara, A.; Cardinali, M.; Detti, R.; Guzetti, F.; Pasqui, V.; Reichenbach, P. (1991): "GIS techniques
and statistical models in evaluating landslide hazard". Earth Surface Processes and Landforms, 16:
427-445.
Carter, J.R. (1988): "Digital representation of topographic surfaces". Photogrammetric Engineering and
Remote Sensing, 54(11): 1577-1580.
Cayley, A. (1859). On contour and slope lines. The London, Edinburgh, and Dublin Philosophical
Magazine and Journal of Science. XVIII: 264-268. En Wood (1996, Ap. 2.2).
Chapman, C.A. (1952): "A new quantitative method of topographic analysis". American Journal of
Science, 250: 428-452.
320
A.M.Felicsimo
Chorley, R.J. (Ed.) (1972): Spatial analysis in geomorphology, 393 pg. Methuen, London.
Chuvieco, E.; Congalton, R.G. (1989): "Application of remote sensing and Geographic Information
Systems to forest fire hazard mapping". Remote Sensing of the Environnement, 29: 147-159.
Chuvieco, Emilio (1990): Fundamentos de teledeteccin espacial. Ediciones Rialp, 453 pg. Madrid.
Cignoni, P.; Laforenza, D.; Montani, C.; Perego, R.; Scopigno, R. (1994): "Evaluation of parallelization
strategies for an incremental Delaunay triangulator in E3".21 p. [internet, sin referencias]
Clarke, Keith C. (1988): "Scale-based simulation of topographic relief". The American Cartographer,
15(2): 173-181.
Clarke, Keith C. (1990): Analytical and computer cartography. Prentice Hall, 290 pg. Englewood
Cliffs, New Jersey.
Claus, M. (1984): "Digital terrain models through digital stereo correlation". Photogrammetria, 39(4-6):
183-192.
Collins, Stanley H. (1975): "Terrain parameters directly from a digital terrain model". The Canadian
Surveyor, 29(5): 507-518.
Colwell, Robert N. (Ed.)(1983): Manual of remote sensing. American Society of Photogrammetry, 2
vol., 2440 pg. Virginia.
Connelly, Daniel S. (1972): "Geomorphology and information theory". En Chorley (Ed.) (1972): 91108.
Craig, R.G.; Craft, J.L. (Eds.)(1980): Applied Geomorphology. Proceedings of the "Binghamton"
Geomorphology Symposium, 11 th. Kent State University.
Craig, R.G. (1980): "Criteria for constructing optimal digital terrain models". En Craig y Craft
(Eds.)(1980): 108-130.
D
Davis, John C. (1973): Statistics and data analysis in geology. Kansas Geological Survey, 550 pg.
John Wiley & Sons. New York.
Day, T.; Muller, J.P. (1989): "Digital elevation model production by stereo image pairs: a comparison
of algorithms". Image Vision Comput., 7(2): 95-101.
Devereux, B.J. (1985): "The construction of digital terrain models on small computers". Computers &
Geosciences, 11(6): 713-724.
Dolton, L.; Dueker, K.J. (1986): "A comparison of functionality of grid and vector data structures in a
microcomputer environment". En Niemann (Ed.)(1986), vol. 1: 214-231.
Douglas, David H. (1986): "Experiments to locate ridges and channels to create a new type of digital
elevation model". Cartographica, 23(4): 29-61.
Doyle, F.J. (1978): "Digital terrain models: an overview". Photogrammetric Engineering and Remote
Sensing, 44(12): 1481-1485.
Dozier, Jeff; Strahler, Alan H. (1983): Ground investigations in support of remote sensing. En Colwell
(Ed.)(1983): 959-986.
Dubayah, Ralph; Rich, Paul M. (1995): "Topographic solar radiation mdels for GIS". International
Journal of Geographical Information Systems, 9(4): 405-419.
321
A.M.Felicsimo
Duda, R.D.; Hart, P.E. (1973): Pattern classification and scene analysis. John Wilwy and Sons, 482
pg. New York. En Schowengerdt (1983): 145.
E
Eastman, J. Ronald (1992): Idrisi Version 4.0. Technical Reference, 229 p. Clark University.
Massachussetts.
Ebner, Heinrich; Reinhardt, Wolfgang (1984): Progressive sampling and DEM interpolation by finite
elements. Sonderdruck aus BuL 3a, 9 pg. Zeiss, Oberkochen.
Ebner, Heinrich; Reinhardt, Wolfgang; Hler, Rainer (1984): "Generation, management and utilization
of high fidelity digital terrain models". International Archives of Photogrammetry and Remote Sensing,
27(B11): 556-566.
Erdas (1991a): Erdas Field Guide. Version 7.5. Erdas Inc., 394 pg. Atlanta.
Erdas (1991b): Terrain analysis. Erdas Inc., 40 pg. Atlanta.
ESRI (1989): Users Guide. Arc/Info. Volume 2. Command References. Environmental Systems
Research Institute. Redlands, California.
Evans, Ian S. (1972): General geomorphometry, derivatives of altitude, and descriptive statistics. En
Chorley (Ed.) (1972): 17-90.
Evans, D.L. (Ed.) (1995): Spaceborne Synthetic Aperture Radar: current status and future directions.
NASA
Technical
Memorandum
4679,
Committee
on
Earth
Science.
(Acceso:
http://southport.jpl.nasa.gov/nrc/nrcT_of_C.html)
F
Felicsimo Prez, A.M.; Fernndez Cepedal, G. (1984): "Estimacin de la radiacin solar incidente en
laderas con pendiente y orientacin variables". Studia Oecologica, 3(1/2): 267-283.
Felicsimo, A.M.; Garca-Manteca, P. (1990): "Correccin del efecto topogrfico de las imgenes
Landsat mediante el uso de un modelo digital de elevaciones". III Reunin Cientfica del Grupo de
Trabajo en Teledeteccin: 209-216. Asociacin Espaola de Teledeteccin. Madrid.
Felicsimo, A.M.; Garca-Manteca, P.; Marqunez, J. (1991): Influencia del relieve en la cartografa de la
vegetacin con imgenes de satlite. Universidad de Oviedo, 45 pg. (informe indito).
Felicsimo, A.M.; Garca-Manteca, P.; Marqunez, J. (1993): "Efectos de la correccin del efecto
topogrfico en las imgenes Landsat sobre la clasificacin de la vegetacin y usos del suelo".
Teledeteccin y Medio Ambiente. IV Reunin Cientfica Asociacin Espaola de Teledeteccin: 251256. Sevilla, 1991.
Felicsimo, A.M. (1992): Aplicaciones de los modelos digitales del terrenoen las ciencias ambientales.
Tesis Doctoral, 235 pg. Instituto de Recursos Naturales y Ordenacin del Territorio (indurot),
Universidad de Oviedo.
Felicsimo, Angel Manuel (1994). Modelos digitales del terreno. Introduccin y aplicaciones en las
ciencias ambientales. Biblioteca de Historia Natural, 3. 220 p. Pentalfa Ediciones, Oviedo.
Felicsimo, Angel M. (1994): "Parametric estatistical method for error detection in digital elevation
models". ISPRS Journal of Photogrammetry and Remote Sensing, 49(4): 29-33.
Felicsimo, Angel M. (1995): "Error propagation analysis in slope estimation by means of digital
elevation models". 17th International Cartographic Conference Proceddings, 1: 94-98. Barcelona.
322
A.M.Felicsimo
Fernndez Cepedal, G; Felicsimo, A.M. (1987): "Mtodo de clculo de la radiacin solar incidente en
reas con apantallamiento topogrfico". Revista de Biologa de la Universidad de Oviedo, 5: 109-119.
Fisher, N.I. (1993): Statistical analysis of circular data, 277 p. Cambridge University Press. Cambridge.
Flach, J.D.; Chidley, T.R.E. (1988): "Digital elevation models and their application to remote sensing of
water resources". Proceedings of the 1988 International Geoscience and Remote Sensing Symposium
(Igarss), vol. 3: 1545-1546. Aston University.
Franklin, S.E.; LeDrew, E.F. (1983): "An assessment of information from DEM variables and Landsat
MSS data for an area of high relief". 9th Canadian Symposium on Remote Sensing: 451-460.
Franklin, Steven E. (1987a): "Geomorphometric processing of digital elevation models". Computers &
Geosciences, 13(6): 603-609.
Franklin, Steven E. (1987b): "Terrain analysis from digital patterns in geomorphometry and Landsat
MSS spectral response". Photogrammetric Engineering and Remote Sensing, 53(1): 59-65.
Franklin, Steven E.; Peddle, Derek R. (1987): "Texture analysis of digital image data using spatial
coocurrence". Computers & Geosciences, 13(3): 293-311.
Freeman, H. (1961): "On the encoding of arbitrary geomatric configurations". Transactions on
Electronic Computers, EC(10): 260-268.
G
Garca Asensio, L.; Lumbreras Crespo, J. Javier (1992): "El modelo digital del terreno MDT200 del
Instituto Geogrfico Nacional: descripcin general y resultados". Mapping, 1(3): 38-42.
Garland, Michael; Heckbert, Paul S. (1995): "Fast polygonal approximation of terrains and height fiels".
Technical Report CMU-CS-95-181, 37 p. Computer Science Department, Carnegie Mellon University.
(Tech. Rep.: http://www.cs.cmu.edu/garland/scape)
Garnier, B.J.; Ohmura, Atsumu (1968): "A method of calculating the direct shortwave radiation income
of slopes". Journal of Applied Meteorology, 7(10): 796-800.
Geertman, Stan; Ruddijs, Sebastiaan (1994): "Geographical sensitivity analysis: some procedures for
generating meta-information". EGIS/MARI '94, Fifth European Conference and Exhibition on
Geographical Information Systems: 151-158.
Gonalves, P.P.; Diogo, P.M. (1994): "Geographic information systems and cellular automata: a new
approach to forest fire simulation". EGIS/MARI '94, Fifth European Conference and Exhibition on
Geographical Information Systems: 702-712.
Goolchild, Michael F.; Mark, David M. (1987): "The fractal nature of the geographic phenomena".
Annals of the Association of the American Geographers, 77(2): 265-278.
Goshtasby, A.; Stockman, G.C.; Page, C.V. (1986): "A region-based approach to digital image
transformation with subpixel accuracy". IEEE Transactions on Geoscience and Remote Sensing, GE24(3): 390-399.
Goshtasby, A. (1988): "Registration of images with geometric distortions". IEEE Transactions on
Geoscience and Remote Sensing, 26(1): 60-64.
Gregory, K.J.; Walling, D.E. (1973): Drainage basin, form and process. A geomorphological approach.
Edward Arnold, 458 pg. London.
Guindon, B.; Goodenough, D.G.; Teillet, P.M. (1982): "The role of digital terrain models in the remote
sensing of forests". Canadian Journal of Remote Sensing, 8(1): 4-16.
323
A.M.Felicsimo
H
Hannah, M.J. (1981): "Error detection and correction in Digital Terrain Models". Photogrammetric
Harrington, Steven (1987): Computer graphics. A programming approach. Computer Science Series,
466 pg. McGraw-Hill Book Co, Singapore.
Heywood, H. (1964): "Standard date periods with declination limits". Nature, 204: 768.
Hinse, Mario; Gwyn, Q.H.J.; Bonn, F. (1988): "Radiometric correction of C-band imagery for
topographic effects in regions of moderate relief". IEEE Transactions on Geoscience and Remote
Sensing, 26(2): 122-132.
Hobson, R.D. (1967): Fortran IV programs to determine surface roughness in topography for the CDC
3400 computer. Nortwestern University. Evanston, 28 pg. Illinois.
Hobson, R.D. (1972): "Surface roughness in topography: quantitative approach". En Chorley (1972):
221-245.
Holben, Brent N.; Justice, Christopher O. (1980): "The topographic effect on spectral response from
nadir-pointing sensors". Photogrammetric Engineering and Remote Sensing, 46(9): 1191-1200.
Horn, Berthold K.P.; Sjoberg, Robert W. (1979): "Calculating the reflectance map". Applied Optics,
18(11): 1770-1779.
Horn, B.K.P. (1981): "Hill-shading and the reflectance map". Proceedings of the IEEE, 69(1):14-47.
Horton, R.E. (1932): "Drainage basin characteristics". Transactions of the American Geophysical
Union, 13: 350-361.
Horton, R.E. (1945): "Erosional development of streams and their drainage basins: hydrophysical
approach to quantitative geomorphology". Geological Society American Bulletin, 56(3): 275-370.
Hunter, Gary J.; Goodchild, Michael F. (1994): "Design and application of a methodology for reporting
uncertainty in spatial databases". URISA Proceedings, 1994: 771-786. Milwaukee, Washington.
Hutchinson, M.F. (1989): "A new procedure for gridding elevation and stream line data with automatic
removal of spurious pits". Journal of Hydrology, 106: 211-232.
Hutchinson, M.F.; Dowling, T.I. (1991): "A continental hydrological assessment of a new grid-based
digital elevation model of Australia". Hydrological Processes, 5: 45-58.
J
James, Mike (1988): Pattern recognition. John Wiley & Sons, 144 pg. New York.
Jeffery, Tom (1987): "Mimicking mountains". Byte, 12(12): 337-344.
Jenson, S.K.; Domingue, J.O. (1988): "Extracting topographic structure from digital elevation data for
geographic information system analysis". Photogrammetric Engineering and Remote Sensing, 54(11):
1593-1600.
Joo, Elsa Maria (1995): "The importance of quantifying the effects of generalization". En Mller et al.
(1995: 183-193).
Joly, F. (1988): La cartografa. Oikos-Tau. Barcelona.
324
A.M.Felicsimo
Jones, A.R.; Settle, J.J.; Wyatt, B.K. (1988): "Use of digital terrain data in the interpretation of SPOT1 HRV multispectral imagery". International Journal of Remote Sensing, 9(4): 669-682.
K
Kaufmann, D.S.; Haja, S.R. (1988): "Extraction of dense digital elevation models from SPOT stereo
imagery". Proceedings of the 1988 International Geoscience and Remote Sensing Symposium, vol. 1:
477-478. Igarss.
Keates, John S. (1988): Cartographic design and production. Longman Scientific & Technical, 2 ed.,
261 pg. New York.
Keefer, B.J.; Smith, J.L.; Gregoire, T.G. (1988): "Simulating manual digitizing error with statistical
models". GIS/LIS '88 Proceedings, vol. 1: 475-483. San Antonio.
Klein, Dennis H. (1988): "User expectations for selecting a microcomputer-based municipal automated
mapping/land information system (AM/LIS). GIS/LIS'88 Proceedings, vol. 2: 550-560. San Antonio,
Texas.
Kubik, Kurt; Wu, Xiaoliang (1995): "Mapping from SPOT images using digital photogrammetric
workstation". 17th International Cartographic Conference Proceddings, 1: 266-274. Barcelona.
L
Lanter, D.P.; Veregin, H. (1990): "A lineage meta-database program for propagating error in geographic
information systems". GIS/LIS '90 Proceedings: 144-153.
Lapedes, Daniel N. (Red.)(1981): Diccionario de trminos cientficos y tcnicos, vol 5. (pg. 21632839). McGraw-Hill-Boixareu Ed. Barcelona-Mxico.
Lebart, Ludovic; Morineau, Alain; Fnelon, Jean-Pierre (1985): Tratamiento estadstico de datos.
Mtodos y programas. Marcombo, 520 pg. Barcelona.
Lee, Jay; Marion, Louis K. (1994): "Analysis of spatial autocorrelation of U.S.G.S. 1:250,000 Digital
Elevation Models". GIS/LIS '94 Proceedings: 504-513.
Ley, R. (1986): "Accuracy assessment of digital terrain models". Proceedings Auto-Carto London, 1:
455-464. (En Li, 1991:1334).
Li, Zhilin (1991): "Effects of check points on the reliability of DTM accuracy estimates obtanied from
experimental tests". Photogrammetric Engineering and Remote Sensing, 57(10): 1333-1340.
Lowell, Kim (1995): "Manipulating uncertainty-based digital maps to perform like polygon-based
thematic maps". 17th International Cartographic Conference Proceddings, 1: 168-175. Barcelona.
M
Maguire, D.J. (1989): Computers in geography. Longman Scientific & Technical, 239 pg. London.
Maguire, D.J.; Goodchild, M.F.; Rhind, D.W. (Eds.)(1991): Geographical Information Systems.
Principles and applications, 2 vol., 649+447 pg. Longman Scientific & Technical. Methuen, London.
Makarovic, B. (1973): "Progressive sampling for digital terrain models". ITC Journal, xx(xx): 397-416.
Maling, D.H. (1968): "How long is a piece of string?". The Cartographic Journal, 5(2): 147-156.
Mandelbrot, Benot (1967): "How long is the coast of Britanin? Statistical self-similarity and fractional
dimension". Science, 156: 636-638.
325
A.M.Felicsimo
Mandelbrot, Benot (1984): "De los monstruos de Cantor y Peano a la geometra fractal de la
naturaleza". Pensar la Matemtica: 111-138. Cuadernos Infimos, 114. Tusquets Editores. Barcelona.
Mardia, K.V. (1972): Statistics of directional data. Academic Press. London.
Mark, David M. (1975): "Geomorphometric parameters: a review and evaluation". Geografiska Annaler,
57A (3-4): 165-177.
Mark, David M. (1979): "Phenomenon-based data-structuring and digital terrain modelling". GeoProcessing, 1: 27-36.
Menndez Daz, Agustn (1992): Caracterizacin de un sistema grfico orientado a la ingeniera del
terreno. Tesis Doctoral, 155 pg. Departamento de Explotacin y Prospeccin de Minas, Universidad
de Oviedo (indita).
Merchant, D.C. (1987): "Spatial accuracy specification for large scale topographic maps".
Photogrammetric Engineering and Remote Sensing, 53(7): 958-961. En Veregin (1989a).
Mike, James (1985): Classification algorithms. Collins, 209 pg. London.
Miller, C.L.; Laflamme, R.A. (1958): "The
Photogrammetric Engineering, 24(3): 433-442.
digital
terrain
model-theory
and
application".
Minnaert, M. (1941): "The reciprocity principle in Lunat photometry". Astrophysics Journal, 93: 403410. En Woodham y Lee (1985).
Moellering, H. (1983): "Designing interactive cartographic systems using the concepts of real and
virtual maps". En Clarke, K.C. (1990:5).
Moore, I.D.; O'Loughlin, E.M.; Burch, G.J. (1988): "A contour-based topographic model for
hydrological and ecological applications". Earth Surface Processes and Landforms, 13: 305-320.
Mukai, Yukio; Sugimura, Toshiro; Iijima, Tetsuji; Ayabe, Koichi; Tachi, Kazuo; Nakazawa, Takashi
(1989): Automatic computation of elevation data of side-lap area using system corrected Landsat TM
data. Remote Sensing Technology Center of Japan, Tokyo. Original no publicado, 8 p.
Mukai, Yukio; Sugimura, Toshiro; Arai, Kohei (1990): "Automated generation of digital elevation model
using system corrected SPOT data". Twenty-Third International Symposium on Remote Sensing of
Environment: 1107-1115. Bangkok, Thailand.
Mulla, David J. (1988): "Using geostatistics and spectral analysis to study spatial patterns in the
topography of southeastern Washington State, U.S.A.". Earth Surface Processes and Landforms, 13:
389-405.
Mller, Jean-Clude; Lagrange, Jean-Philippe; Weibel, Robert (1995): GIS and generalization. Gisdata
Series 1, 257 p. Taylor & Francis. London.
N
Niemann, B.J. (Ed.)(1986): Papers from Annual Conference of the Urban and Regional Information
Systems Association, 2 vol. Denver.
O
O'Loughlin, E.M. (1986): "Prediction of surface saturation zones in natural catchments by topographic
analysis". Water Resources Research, 22(5): 794-804.
Oliver, M.A.; Webster, R. (1990): "Kriging: a method of interpolation for geographical information
systems". International Journal of Geographic Information Systems, 4(3): 313-332.
326
A.M.Felicsimo
Oswald, H.; Raestzsch, H. (1984): "System for generation and display of digital elevation models". Geo
Processing, 2(2): 197-218.
P
Papo, H.B.; Gelbman, E. (1984): "Digital terrain models for slopes and curvatures". Photogrammetric
Park, S.K.; Schowengerdt, R.A. (1982): "Image reconstruction by parametric cubic convolution". En
Colwell (Ed.)(1983:735).
Peled, Ammatzia; Fradkin, Kiril (1994): "Automatic acquisition of hypsographic maps". ASPRS/ACSM
Proceedings: 245-249.
Perkal, J. (1966): "On the length of empirical curves". Discussion Paper 10 Ann Arbor, Michigan InterUniversity Community of Mathematical Geographers (citado en Blakemore, 1983)
Peucker, T.K.; Fowler, R.J.; Little, J.J.; Mark, D.M. (1978): "The triangulated irregular network".
Proceedings of the ASP Digital Terrain Models (DTM) Symposium: 516-540. American Society of
Photogrammetry. Falls Church, Virginia.
Peuker, T.; Douglas, D.H. (1975): "Detection of surface-specific points by local parallel processing of
discrete terrain-elevation data". Computer Graphics and Image Processing, 4(4): 375-387.
Pike, Richard J. (1988): "The geometric signature: quantifying landslide-terrain types from digital
elevation models". Mathematical Geology, 20(5): 491-510.
Poiker, T.K.; Fowler, J.J.; Mark, D.M. (1978): "The triangulated irregular network". Proceedings of the
Digital Terrain Models Symposium: 516-540. St. Louis, Mississippi.
Polidori, Laurent (1992): "Aptitudes et limitations de radar ouverture synthtique pour la
cartographie". Bulletin de la Socit Franaise de Photogrammtrie et Tldtection, (125): 41-49.
Popper, Karl R. (1984): Post Scriptum a La lgica de la investigacin cientfica. Vol. II. El universo
abierto. Un argumento a favor del indeterminismo. Tecnos, 208 pg. Madrid.
Press, William H.; Flannery, Brian P.; Teukolsky, Saul A.; Vetterling, William T. (1986): Numerical
recipes. The art of scientific computing. Cambridge University Press, 797 pg. Cambridge.
Priebbenow, Russell (1988): "Cartographic applications of SPOT imagery. The Queensland experience".
7th Australasian Cartographic Conference. Sydney.
R
Rich, Paul M.; Hetrick, William A.; Saving, Shawn C; Dubayah, Ralph (1994): "Using viewshed models
to calculate intercepted solar radiation: applications in ecology". ASPRS/ACSM Proceedings: 524-529.
Ros, Sixto (1995): Modelizacin. AU 822. Alianza Ediciones. Madrid.
327
A.M.Felicsimo
Parte 1
Copyrigth
Los modelos digitales del terreno son una parte importante de la informacin integrante de los sistemas de
informacin geogrfica. En la revisin de la literatura sobre ellos destaca, sin embargo, la escasa atencin
que se ha dedicado a los aspectos formales y conceptuales. Esta circunstancia ha conducido a que los libros
clsicos sobre SIG traten muy superficialmente el tema de los MDT y a que puedan encontrarse
ocasionalmente definiciones confusas, cuando no claramente errneas. Este apartado tiene por objeto fijar
la base conceptual de los MDT con el fin de abordar posteriormente los aspectos relativos a su construccin
y manejo con mayor claridad.
Qu es un Modelo?
Primera definicin: un modelo es "una representacin simplificada de la realidad en la que
aparecen algunas de sus propiedades" (Joly, 1988:111).
El modelo reproduce solamente algunas propiedades del objeto o sistema original que queda
representado por otro objeto o sistema de menor complejidad.
Los modelos se construyen para conocer o predecir propiedades del objeto real.
Segunda definicin: "un modelo es un objeto, concepto o conjunto de relaciones que se utiliza
para representar y estudiar de forma simple y comprensible una porcin de la realidad
emprica" (Ros, 1995:23).
La existencia de la relacin simtrica entre modelo y realidad permite que un resultado C'
relativo al modelo pueda traducirse en otro C relativo al objeto real y, de esta forma, que las
respuestas derivadas del modelo sean aplicables a la realidad sin perder sentido.
La utilidad de los modelos para conocer o predecir est condicionada principalmente por:
una buena seleccin de los factores relevantes para el problema
una adecuada descripcin de sus relaciones funcionales
La calidad de un modelo puede valorarse sometiendo una parte de los resultados a una
verificacin experimental.
El contraste experimental sirve:
para el control de calidad del modelo y sus resultados
328
A.M.Felicsimo
como mecanismo de realimentacin para realizar ajustes

Dado que el modelo representa la realidad con una cantidad menor de informacin, existe un
error inherente al proceso de modelizacin que puede ser reducido pero no eliminado.
La reduccin del error puede hacerse por dos caminos complementarios:
mayor precisin en la medida y mejor seleccin de los componentes: no implica mayor
complejidad del modelo.
mayor cantidad de componentes -partes e interrelaciones funcionales-: implica una
mayor complejidad del modelo.
La eliminacin del error implicara la identificacin del modelo con el objeto real; en este
sentido, debe buscarse un compromiso entre la complejidad del modelo y el error aceptable en
los resultados.
Parte 2
Tipos de Modelos
Existen numerosas clasificaciones de los modelos, ninguna de las cuales permite establecer
realmente unas categoras estrictamente excluyentes.
Primer ejemplo
Modelos icnicos, anlogos y simblicos
Turner (1970:364) se distingue tres tipos bsicos de modelos: icnicos, anlogos y
simblicos.
En los modelos icnicos, la relacin de correspondencia se establece a travs de las
propiedades morfolgicas, habitualmente un cambio de escala con conservacin del resto de
las propiedades topolgicas.
Ejemplo: una maqueta, donde se ha establecido una reduccin de
tamao conservando las relaciones dimensionales bsicas.
En un modelo icnico se conservan las proporciones del objeto real
mediante una reduccin de escala y una seleccin de las
propiedades representadas.
modelo icnico
Los modelos anlogos se construyen mediante un conjunto de convenciones que sintetizan

y codifican propiedades del objeto real para facilitar la "lectura" o interpretacin de las
mismas.
Ejemplo: un mapa impreso, construido mediante un conjunto de convenciones cartogrficas que hacen
legibles propiedades tales como las altitudes, distancias, localizacin fsica de objetos geogrficos, etc.
329
A.M.Felicsimo
modelo anlogo
modelo anlogo
Arriba: modelo anlogo utilizado para resolver el problema del camino ms corto entre dos
vrtices de un grafo. Los lugares se representan mediante pequeas anillas y los caminos
entre ellos se modelizan mediante hilos de la misma longitud que el camino real. Para localizar
la ruta ms corta entre dos puntos, A y D, se cogen las anillas correspondientes y se tensa la
red. Los hilos tensos definen la ruta mnima: A>F>H>D
Los modelos simblicos se construyen representando el objeto real mediante una
codificacin matemtica (geomtrica, estadstica, etc.)
Ejemplo: la representacin de un edificio mediante la
identificacin y codificacin en una estructura
geomtrica de sus elementos bsicos.
Reconstruccin virtual de un edificio prerromnico,
un ejemplo de modelo simblico Parte del edificio ha
sido representado a partir de un levantamiento
simulado basado en restos de cimientos y muros.
modelo simblico
Segundo ejemplo
Modelos analgicos vs. Modelos digitales
Los modelos digitales estn codificados en cifras; son, por tanto, modelos simblicos.
Los modelos analgicos son modelos fsicos, como los ya mencionados de una maqueta como modelo
icnico, o un mapa convencional como modelo anlogo.
Los modelos digitales presentan algunas propiedades de inters:
no ambigedad: cada elemento del modelo tiene unas propiedades y valores
especficos y explcitos
verificabilidad: los resultados se construyen mediante pasos explcitos y concretos que
pueden ser analizados uno a uno y comprobados en todas las fases del proceso
repetibilidad: los resultados no estn sometidos, a menos que de disee expresamente,
a factores aleatorios o incontrolados y pueden ser comprobados y replicados las veces
que se desee.
330
A.M.Felicsimo
Parte 3
MDT
Un MDT, o modelo digital del terreno es una estructura numrica de datos que representa la
distribucin espacial de una variable cuantitativa y continua. Por tanto,
los MDT son modelos simblicos
las relaciones de correspondencia con la realidad se establecen mediante algoritmos
los MDT son conjuntos de datos con una estructura interna
esta estructura se refleja en la forma lgica -en el sentido informtico- de almacenar y
vincular las unidades de informacin datos entre s, que debe representar de alguna
forma las relaciones espaciales entre los datos
los MDT representan la distribucin espacial de una variable cuantitativa y de
distribucin continua
Por tanto, los mapas temticos (variables nominales) no son MDT ni stos estn formados
tampoco por entidades lineales o puntuales como, por ejemplo, una red hidrolgica.
MDT y mapas
Los mapas son la versin analgica de los MDT y pueden se denominados, por tanto, modelos
analgicos del terreno, MAT. Ambos tipos de modelos se complementan y no es previsible la
total sustitucin de unos por los otros.
Algunas ventajas importantes de los MDT sobre los MAT son:
la posibilidad de tratamiento numrico de los datos
la posibilidad de realizar simulacin de procesos, emulando el funcionamiento de un
sistema dinmico real
Su mayor problema es que el manejo de los MDT es complejo:
necesita equipos informticos que obligan a un entrenamiento especializado
la interpretacin de la informacin es indirecta
la elaboracin de modelos derivados requiere el dominio de lenguajes de programacin
o la intervencin de especialistas
Asimismo, un uso eficaz de los MDT no se concibe fcilmente sin un equipo de trabajo
relativamente amplio, un equipo informtico sofisticado y un conjunto de circunstancias que
permita unas condiciones de trabajo con una razonable estabilidad. En la prctica, las
posibilidades de trabajo e investigacin que los SIG/MDT permiten se ven limitadas por las
tambin exigencias econmicas y estratgicas que plantean.
331
A.M.Felicsimo
Parte 4
Simulacin de procesos
Los MDT no son esencialmente modelos estticos, su naturaleza digital permite realizar
procesos de simulacin dinmica y crear modelos de procesos:
que se realizan mediante el diseo y empleo de algoritmos
y conducen a la construccin de nuevos MDT o modelos digitales derivados.
La simulacin de procesos se realiza mediante
algoritmos que utilizan la informacin de los MDT para
generar otros modelos derivados. La figura muestra el
resultado de la simulacin de una erupcin volcnica,
donde las zonas en color muestran el riesgo de que el
flujo de lava pase por cada lugar. El trabajo original es
de Young y Wadge (1990)
La verificacin de los modelos derivados se realiza

mediante mtodos de anlisis del error
comparando una muestra extrada del modelo derivado con medidas empricas
Un algoritmo slidamente construido aplicado sobre un MDT fiable genera resultados
aplicables al objeto real con un error moderado.
Parte 5
El MDE
En la cartografa convencional la descripcin de las elevaciones a travs del mapa topogrfico constituye la
infraestructura bsica del resto de los mapas. El papel equivalente en los MDT lo desempea el modelo
digital de elevaciones (MDE), que describe la altimetra de una zona mediante un conjunto de cotas.
Siguiendo la analoga cartogrfica, es posible construir un conjunto de modelos derivados,
elaborados a partir de la informacin contenida explcita o implcitamente en el MDE. Los
modelos derivados ms sencillos pueden construirse exclusivamente con la informacin del
MDE y reflejan caractersticas morfolgicas simples (pendiente, orientacin, etc.).
Incorporando informacin auxiliar es posible elaborar otros modelos ms complejos, utilizando
conjuntamente la descripcin morfolgica del terreno y simulaciones numricas de procesos
fsicos.
332
A.M.Felicsimo
Origen del MDE

El trmino digital terrain model se origin en el Laboratorio de Fotogrametra del Instituto de
Tecnologa de Massachussetts en la dcada de los aos 50.
En el trabajo pionero de Miller y Laflamme (1958) se establecen ya los primeros principios del
uso de los modelos digitales para el tratamiento de problemas tecnolgicos, cientficos y
militares.
El objeto de su trabajo fue acelerar el diseo de carreteras mediante el tratamiento digital de
datos del terreno adquiridos por fotogrametra, planteando una serie de algoritmos para la
obtencin de pendientes, reas, etc. El problema del nmero de datos se fue crtico, dada la
escasa capacidad de almacenamiento de los ordenadores en aquella poca, y una buena parte
del esfuerzo del proyecto se dedic a desarrollar mtodos de representar los perfiles
topogrficos de la forma ms sinttica posible.
Las aplicaciones informticas de uso menos aplicado tuvieron que esperar algunos aos ms
y, habitualmente, surgieron en un contexto SIG que incorporaba la informacin topogrfica
para el manejo de cartografa digital en trminos ms generales. El Harvard Laboratory for
Computer Graphics and Spatial Analysis marc un hito cuando present SYMAP en 1967.
SYMAP era una aplicacin formada por un conjunto de programas de manejo de cartografa
digital que inclua algoritmos de interpolacin para generar mapas de isopletas a partir de
puntos acotados distribuidos irregularmente.
En los ltimos aos han surgido ya multitud de aplicaciones informticas capaces de manejar
eficazmente los MDT. A pesar de ello, an queda pendiente, lo mismo que en los SIG en
general, la resolucin de problemas bsicos como, por ejemplo, conseguir una estructura de
datos idnea, conseguir algoritmos eficientes, o facilitar el uso de los sistemas por parte de
los usuarios.
Parte 6
Definicin
Un modelo digital de elevaciones es una estructura numrica de datos que representa la distribucin
espacial de la altitud de la superficie del terreno.
Un terreno real puede describirse de forma genrica como una funcin bivariable continua:
donde z representa la altitud del terreno en el punto de coordenadas (x, y) y z es una funcin que relaciona
la variable con su localizacin geogrfica..
En un modelo digital de elevaciones se aplica la funcin anterior sobre un dominio espacial concreto, D.
En consecuencia, un MDE puede describirse genricamente como MDE=(D,z).
En la prctica, la funcin no es continua sino que se resuelve a intervalos discretos, por lo que el MDE est
compuesto por un conjunto finito y explcito de elementos. Esta generalizacin implica una prdida de
informacin que incrementa el error del MDE y, en consecuencia, se propaga a los modelos derivados.
Estructuras de datos
De forma general, la unidad bsica de informacin en un MDE es un punto acotado, definido como una
terna compuesta por un valor de altitud z, al que acompaan los valores correspondientes de x e y.
La estructuracin de los datos elementales se ha realizado segn dos modelos:
el modelo de datos vectorial est basado en entidades u objetos geomtricos definidos por las
coordenadas de sus nodos y vrtices
333
A.M.Felicsimo
el modelo de datos raster est basado en localizaciones espaciales, a cada una de las cuales se les
asigna el valor de la variable para la unidad elemental de superficie
Las potenciales estructuras se han reducido en la prctica a las siguientes:
estructuras vectoriales
contornos: polilneas de altitud constante ms puntos acotados
TIN: red de tringulos adosados
estructuras raster
matriz regular: cotas distribuidas sobre una malla cuadrada
quadtrees: matrices jerrquicas imbricadas
Parte 7
Modelo vectorial
El modelo de contornos o isohipsas
Un modelo de contornos est formado por polilneas:
un vector de n pares de coordenadas (x, y) que describe la trayectoria de las
curvas de nivel
el nmero de elementos de cada vector es variable
el MDE est constituido por el conjunto de las curvas de nivel (n>1) ms un
conjunto de puntos acotados (n=1)
El uso directo del modelo de contornos es poco til pero casi todos los SIG tienen
herramientas para incorporarlos y transformarlos a otras estructuras (TIN o matrices).
El modelo TIN, de mosaico de tringulos

Un TIN (triangulated irregular network, Peucker et al., 1978) est formado por tringulos
irregulares:
se construyen ajustando un plano a tres puntos cercanos no colineales
se adosan sobre el terreno formando un mosaico
se adaptan a la superficie con diferente grado de detalle, en funcin de la
complejidad del relieve.
Los tringulos se construyen ajustndose a una estructura anterior de puntos
334
A.M.Felicsimo
Parte 8
Modelos raster
El modelo matricial regular
Las matrices regulares se construyen superponiendo una retcula sobre el terreno y extrayendo la
altitud media de cada celda. Normalmente,
la retcula es una red regular de malla cuadrada
la localizacin espacial de cada dato est determinada de forma implcita por su
situacin en la matriz, definidos el origen y el valor del intervalo entre filas y
columnas
La matriz regular es la estructura ms utilizada para construir los MDE debido a su cmodo
manejo informtico y simplicidad estructural.
El modelo matricial jerrquico o quadtrees

En los quadtrees, las celdas de la matriz pueden ser
datos elementales, como en las matrices regulares
nuevas matrices de luz ms reducida
La estructura final es un rbol jerrquico de matrices elementales
de profundidad arbitraria (n niveles, si n=1 se trata de una matriz regular simple)
cuya resolucin espacial se duplica en cada nivel
Los quadtrees se han utilizado en el tratamiento de variables nominales (Samet et al.,
1984). Los trabajos pioneros en MDE parecen corresponder a Ebner y Reinhardt (1984,
1988),que utilizan un modelo mixto de matrices jerrquicas y estructuras TIN.
Otras estructuras
Se han descrito muchas variantes y alternativas para el archivo y tratamiento de los MDE:
perfiles (Yoeli, 1983:21)
codificacin de contornos mediante ecuaciones polinmicas (Miller y Laflamme,
1958:437)
id. mediante secuencias de segmentos de Bzier (Walton, 1989)
polgonos irregulares adosados (Moore et al., 1988)
redes hexagonales regulares (Roessel, 1988)
Cada uno aduce en cada caso ventajas para aplicaciones concretas pero su uso no se ha generalizado
hasta el momento.
335
A.M.Felicsimo
Parte 9
vectorial o raster?
La adopcin de una estructura de datos concreta:
supone decidir el mtodo de construccin del modelo e, indirectamente, sobre qu tipo
de informacin va a ser representada y cul descartada
implica un esquema concreto de almacenamiento y gestin informtica de los datos
implica la necesidad de traducir los algoritmos a formas compatibles con la estructura
de datos elegida
supone aceptar las limitaciones que aplicaciones informticas puedan tener para
gestionar la informacin en el formato elegido
Es decir, la eleccin de la estructura de datos es importante porque condiciona el futuro
manejo de la informacin.
Los SIG y algunas aplicaciones dedicadas expresamente al tratamiento de los MDT usan, en la
prctica, slo dos de las alternativas anteriores: matrices regulares y TIN.
El papel del modelo de contornos ha quedado reducido a ser una etapa intermedia en la
captura de informacin: la de digitalizacin del mapa topogrfico.
Los quadtrees han despertado un mayor inters y existen aplicaciones que los usan como
estructura bsica pero, a pesar de tratarse de una estructura tericamente adecuada para el
tratamiento de la topografa, presentan serios problemas en el diseo de algoritmos.
Entre las dos alternativas restantes, dominan ampliamente las matrices regulares, probablemente por su
simplicidad conceptual y su cmodo tratamiento informtico
Parte 10
Construccin del MDE

La captura de la informacin hipsomtrica constituye el paso inicial en el proceso de
construccin del MDE, e incluye la fase de transformacin de la realidad geogrfica a la
estructura digital de datos. Se trata de una fase de gran trascendencia porque la calidad de
los datos es el principal factor limitante para los tratamientos que se realicen posteriormente.
Tras obtener los datos, stos deben ser estructurados para formar el MDE de alguna de las
formas presentadas en el apartado anterior.
captura de datos
Los mtodos bsicos para la conseguir los datos de altitudes son:
mtodos directos: medida directa de los datos de altitud sobre el terreno (fuentes
primarias)
altimetra: altmetros transportados por plataformas areas
GPS, global positioning system, localizacin mediante triangulacin va satlite
336
A.M.Felicsimo
topografa: estaciones topogrficas con grabacin de datos

mtodos indirectos: medida a partir de documentos previamente elaborados (fuentes secundarias)
restitucin
fuente digital (SPOT)
fuente analgica (cmaras mtricas)
digitalizacin
automtica (escner)
manual (tablero digitalizador)
Parte 11
mtodos directos
altmetros, GPS y estaciones topogrficas
Los altmetros transportados por satlites permiten el registro directo de los datos de altitud en formato
digital:
son extremadamente precisos: el error nominal puede ser de unos centmetros (Bruzzi y
Wooding, 1990:13)
esta precisin es relativa, es decir, el altmetro evala de forma muy precisa diferencias
entre medidas sucesivas
Otros problemas relacionados con la fuerte dispersin de la seal en zonas rugosas y con una
resolucin espacial reducida han limitado prcticamente su uso hasta el presente al anlisis de
la topografa de la superficie marina y seguimiento de los hielos polares (Francis et al.,
1991:42-43).
Los sistemas de localizacin geogrfica conocidos como GPS -global positioning systemutilizan un conjunto de satlites de referencia y, mediante mtodos de triangulacin, permiten
obtener valores de las tres coordenadas espaciales para un lugar concreto de la superficie
terrestre:
es un mtodo muy preciso en ciertas condiciones (GPS diferencial, con una segunda estacin de
apoyo)
entre sus limitaciones:
es necesario acceder fsicamente al lugar de medida
es necesario el acceso directo y simultneo a un mnimo de cuatro satlites
la cubierta vegetal sobre la antena receptora dificulta la medida
Estos problemas han convertido al mtodo GPS en un recurso de apoyo, pero no en un
sistema bsico de captura de datos para construir el MDE.
Finalmente, las estaciones topogrficas ms avanzadas pueden generar y almacenar los
resultados de sus medidas en formato digital. Algunos sistemas de informacin geogrfica
incorporan utilidades que permiten el tratamiento e incorporacin de estos datos (ver, por
ejemplo, ESRI, 1991).
337
A.M.Felicsimo
Parte 12
mtodos indirectos
Restitucin fotogramtrica, radargrametra
La restitucin fotogramtrica utiliza pares de imgenes de la zona a estudiar, parcialmente solapados y
tomados desde puntos de vista diferentes, que forman los denominados pares estereoscpicos:
del examen de puntos homlogos y de su paralaje se deducen las cotas de referencia
necesarias para reconstruir la topografa
los restituidores fotogramtricos actuales realizan esta labor grabando los resultados en
un formato digital compatible con sistemas de informacin geogrfica.
es necesario el acceso al terreno para establecer un conjunto de puntos de apoyo que
permitan fijar valores de altitud en una escala absoluta
Los pares estereoscpicos han sido hasta hace pocos aos exclusivamente fotogramas
areos. Actualmente, a estas fotografas se han sumado las imgenes digitales tomadas por
sensores pancromticos transportados por satlites.
Los radares de apertura sinttica mediante tcnicas definidas como radargrametra permiten
generar MDE de buena precisin. Aunque probablemente es la tcnica del futuro, las
dificultades operacionales son an significativas. Sin embargo, la magnitud del error del MDE
resultante permite establecer ya una competencia real con los mtodos ms convencionales.
A la izquierda: aspecto de una

imagen de interferencia del volcn
Kiluaea.
A la derecha: bloque - diagrama
elaborado a partir de la
interferometra radar.
Parte 13
mtodos indirectos
la digitalizacin automtica
La digitalizacin de mapas topogrficos preexistentes es la tcnica ms habitual en la actualidad y puede
realizarse
de forma automtica mediante un escner
de forma manual, mediante un tablero digitalizador
La digitalizacin automtica genera una imagen de valores de reflectancia. El tamao de la celda o pixel
debe establecerse asegurando
que sea capaz de recoger todas las estructuras presentes en el mapa
338
A.M.Felicsimo
que la dimensin de los ficheros permitan el tratamiento con los medios informticos
disponibles
Las fases del proceso son:

toma de la imagen mediante el escner; la imagen puede ser binaria (blanco y negro) pero tambin
es posible usar el color para separar elementos
filtrado de la misma para separar las estructuras de inters y descartar el resto
vectorizacin de la imagen contrastada, de forma que los pixeles adyacentes se
estructuren en lneas, generndose una estructura vectorial
reconocimiento de los valores de elevacin escritos en el mapa, en un proceso de
varios pasos:
una aplicacin OCR -optical character recognition- identifica los dgitos del mapa
se restituyen los rtulos de elevaciones a partir de los dgitos
se asigna la elevacin a los contornos a ambos lados del rtulo
se unen ambos extremos de contornos y se eliminan los rtulos
edicin manual, para la correccin de los errores topolgicos y la asignacin de
altitudes a las lneas no etiquetadas
Los mapas originales suelen ser complejos, con mucha ms informacin que la estrictamente
deseable. En consecuencia, la fase de revisin y correccin de los errores topolgicos (Peled y
Fradkin, 1994:246) es muy costosa.
Por este motivo, y a pesar del coste cada vez ms asumible de los escneres de gran
formato, la digitalizacin manual es un mtodo usado muy frecuentemente por los equipos de
pequea entidad.
Parte 14
mtodos indirectos
la digitalizacin manual
La digitalizacin manual se realiza con un tablero digitalizador sobre el que se coloca el
mapa:
las curvas de nivel se siguen manualmente con un cursor
el ordenador recibe a ciertos intervalos las coordenadas que definen la
trayectoria de la lnea
los intervalos pueden ser fijos o variables
Los trabajos de digitalizacin son, en la prctica, de calidad muy irregular. Existen
algunas normas que ayudan a conseguir un trabajo de mayor calidad:
deben usarse mapas en buen estado, evitando los mapas doblados, deformados
o mal conservados
la referencia espacial debe registrarse con precisin mediante puntos de control
debe valorarse el mtodo de digitalizacin a utilizar, incremental o punto a punto
no es deseable introducir un nmero excesivamente elevado de puntos en las
curvas de nivel
339
A.M.Felicsimo
Segn Flach y Chidley (1988) obtendrn buenos resultados en los procesos de

generacin del MDE cuando la distancia entre puntos a lo largo de una lnea sea similar
a la distancia entre lneas.
Parte 15
qu digitalizar?
los elementos que definen la estructura topogrfica
Qu digitalizar? Lo ms evidente es transferir todas las curvas de nivel del mapa
topogrfico. Pero hay ms cuestiones a tener en cuenta.
La calidad de un MDE puede mejorarse significativamente complementando las curvas de nivel con
datos auxiliares de diversos tipos. En general, el listado de elementos que pueden aportar
informacin para construir un MDE es:
curvas de nivel, descompuestos o no en puntos acotados -mass points- previa
generalizacin o reduccin de la densidad de vrtices de la lnea
puntos acotados singulares o vips -de very important points-: cumbres de picos,
fondos de dolinas, etc.
lneas estructurales, que definen elementos lineales con valores de altitud
asociados a cada vrtice
lneas de inflexin o rotura breaklines -, que definen la posicin de elementos
lineales sin valores de altitud explcitos que rompen la continuidad de la
superficie.
zonas de altitud constante: polgonos que encierran una superficie de altitud
nica (p. ej. lagos)
zonas de recorte, polgono que define los lmites externos del MDE
zonas vacas, donde no es deseable asignar altitudes (p. ej. zonas inundadas o
cubiertas de nieve)
Todas las estructuras anteriores pueden y deben usarse para generar un MDE a fin de aprovechar
adecuada y eficazmente la informacin topogrfica disponible.
La construccin de un MDE matricial a partir de la informacin anterior es bsicamente
un problema de interpolacin: se definen las localizaciones de los puntos problema intersecciones de filas y columnas-y se estima la altitud de cada uno de ellos en
funcin de los datos del entorno existentes en el modelo vectorial. Los algoritmos de
interpolacin deben tener en cuenta, asimismo, las diversas estructuras auxiliares para
introducir variantes en los mecanismos de clculo.
En el caso de la creacin de una estructura TIN, en lugar de interpolar, se realiza una
seleccin de puntos descartando los que no aporten una informacin relevante para la
descripcin de la altitud.
340
A.M.Felicsimo
Parte 16
la interpolacin
Mtodo general: IDW (ponderacin por distancia)
La interpolacin del punto problema se realiza asignando pesos a los datos del entorno
en funcin inversa de la distancia que los separa -inverse distance weighting, IDW-.
La frmula general es:
Donde
es el valor estimado para el punto j ; n es el nmero de puntos usados en
la interpolacin; zi el valor en el punto i-simo y kij el peso asociado al dato i en el
clculo del nodo j. Los pesos k varan entre 0 y 1 para cada dato y la suma total de
ellos es la unidad
Para establecer una funcin de proporcionalidad entre el peso y la distancia, la frmula
general queda como sigue:
donde
y b es un exponente de ponderacin que controla la

forma en la que el peso disminuye con la distancia.
Esta familia de mtodos permite la generacin del MDE de una forma rpida y simple.
Sin embargo, se trata esencialmente de una media ponderada y, por tanto, el resultado
se encuentra siempre incluido dentro del rango de variacin de los datos. Por este
motivo, el correcto tratamiento de las formas cncavas y convexas depende
estrechamente de la distribucin de los puntos originales y la presencia de datos
auxiliares se hace muy conveniente.
La hiptesis de la variable regionalizada (kriging)

El kriging es un mtodo de interpolacin con una expresin general similar a la anterior.
La diferencia bsica es que asume que la altitud puede definirse como una variable
regionalizada.
Esta hiptesis supone que la variacin espacial de la variable a representar puede ser
explicada al menos parcialmente mediante funciones de correlacin espacial: la
variacin espacial de los valores de z puede deducirse de los valores circundantes de
acuerdo con unas funciones homogneas en toda el rea.
Las funciones pueden deducirse analizando la correlacin espacial entre los datos en
funcin de la distancia entre ellos midiendo la semivarianza entre datos separados por
distancias diferentes (Oliver y Webster, 1990:315, Royle et al., 1981).
341
A.M.Felicsimo
Ejemplo de semivariograma
donde la varianza real se
ajusta a una distribucin
terica; sta es la que se
aplica para la estimacin de
los pesos en la interpolacin.
Aunque el kriging es un mtodo de estimacin ptimo desde el punto de vista

estadstico, presenta algunas dificultades a la hora de ser utilizado como mtodo de
construccin de los MDE:
el semivariograma debe ser de validez general para todo el MDE: la
interdependencia entre los datos debe ser funcin exclusivamente de la
distancia entre ellos -de su posicin relativa- y no de su localizacin espacial
absoluta.
no permite el tratamiento de discontinuidades topogrficas que supongan
cambios bruscos, como rupturas de pendiente.
Por los motivos anteriores el kriging no suele dar buen resultado en la construccin de
MDE, generndose modelos muy suavizados donde la rugosidad del terreno se
infravalora fuertemente.
Parte 17
la triangulacin
TIN, la red de tringulos irregulares
El modelo TIN tiene varias cualidades de inters:
no presupone ni exige la continuidad estadstica de la superficie a representar
puede generarse incorporando una amplia variedad de estructuras auxiliares
se adapta a la complejidad del terreno, variando la densidad local de la red
respeta los valores de los datos que son usados como vrtices
La creacin de un TIN se compone de dos partes diferentes:
la triangulacin propiamente dicha
la seleccin de los puntos a usar
La triangulacin es un tpico bien conocido utilizado en numerosas aplicaciones como robtica,
anlisis de elementos finitos, visin artificial y sntesis de imgenes (Cignoni et al., 1994:2).
En el caso de los SIG el mtodo ms habitual es el conocido como triangulacin de
Delaunay, TD:
dados 2 puntos Pi y Pj, en un plano T, la perpendicular al segmento Pi Pj en su
punto medio divide el plano en dos regiones Vi y Vj
342
A.M.Felicsimo
la regin Vi contiene todos y slo los puntos cuya distancia a Pi es menor que a
Pj y viceversa
el concepto se extiende a mltiples puntos Pn de forma que cada uno de ellos
se asocia a una regin Vn
si el concepto se aplica a un dominio cerrado se genera un conjunto de
polgonos convexos que teselan el plano denominados regiones de Voronoi
si se conectan entre s los puntos que comparten un borde de una regin se
obtiene una triangulacin de Delaunay
La forma ms trivial de construir un TIN es usar todos los vrtices y nodos de las
curvas de nivel, as como los puntos singulares como vrtices de tringulos. Este
modelo masivo no es deseable:
por la enorme cantidad de elementos que sera necesario construir y manejar
para una zona de cierta extensin
por la redundancia debida a que muchos puntos procedentes de una
digitalizacin rutinaria no aportan una informacin significativa.
Formalmente, el problema puede plantearse como sigue:
dado un conjunto H de n puntos acotados, elegir un subconjunto mnimo S de H
constituido por m puntos, a partir del cual pueda reconstruirse H con el menor
error posible.
Los dos enfoques bsicos son:
1. Hacer la seleccin antes de la triangulacin y realizar posteriormente un modelo
masivo. La estrategia es suministrar al algoritmo de TD los puntos bsicos ya
elegidos mediante la adecuada generalizacin cartogrfica de las curvas de nivel
y una seleccin de puntos crticos.
2. Utilizar un algoritmo de TD que realice la seleccin segn realiza la construccin
de la red.
Los mtodos de construccin de TIN ms utilizados pueden agruparse en las siguientes
clases:
insercin incremental, que comienza con una triangulacin mnima y a la que se
aaden progresiva y selectivamente nuevos puntos como vrtices de la red.
reduccin selectiva, por eliminacin de puntos a partir de un modelo masivo
mediante criterios de incremento mnimo del error.
La transformacin vector- raster

Los modelos basados en tringulos generan una estructura ms difcil de manejar que
la matriz regular.
Por este motivo, lo ms usual es crear un MDE segn el modelo TIN y, posteriormente,
generar un MDE matricial convencional.
Aunque la estructura matricial no puede representar puntos singulares ni estructuras
lineales como el TIN, el proceso aprovecha parcialmente la capacidad del TIN para
integrar discontinuidades en la generacin del MDE por lo que es preferible a la
generacin directa de la matriz regular a partir de los datos de entrada.
La interpolacin puede realizarse por dos mtodos bsicos:
343
A.M.Felicsimo
interpolacin lineal, donde la altitud del punto problema se estima directamente

a partir la ecuacin del plano definido por los tres vrtices del tringulo que lo
contiene
interpolacin quntica, que considera la superficie definida por el TIN como un
continuo y, por tanto, suaviza las zonas de los vrtices y lados; para esta
interpolacin se utiliza una ecuacin polinmica bivariable de quinto grado.
Parte 18
Otros mtodos
La conservacin de la continuidad hidrolgica
Un problema caracterstico en la creacin de MDE es la aparicin de concavidades o pozos a lo
largo de los fondos de valles. Este tipo de artefactos se genera por el uso de funciones de
interpolacin de grado superior en zonas conflictivas.
La presencia de concavidades tiene importancia en el caso de simulacin de procesos
hidrolgicos ya que interrumpen las lneas de flujo.
La correccin de concavidades de los MDE ya existentes es posible mediante
algoritmos que simulan la inundacin y relleno de los pozos (Jenson y Domingue,
1988:1594). Este proceso modifica el modelo de elevaciones original por lo que en
algunos casos -zonas krsticas, por ejemplo- debe ser aplicado con enorme precaucin.
Una forma de evitar el problema es introducir la red hidrolgica como lneas de rotura
en la generacin del modelo TIN. De esta forma, la triangulacin utilizar estas lneas
como lados de los tringulos trazando correctamente las lneas de flujo.
Hutchinson (1989:213) ha propuesto un mtodo especfico para la creacin de un
MDE libre de pozos que impone restricciones al proceso de interpolacin forzando su
ajuste a la red hidrolgica. El trazado fluvial debe ser introducido como informacin
auxiliar.
El mayor problema de este mtodo es que, en su estado actual, no permite la
introduccin de todas las estructuras auxiliares mencionadas al comienzo de este
apartado.
344
A.M.Felicsimo
Tema 2
Valoracin
del error en el MDE
Introduccin
Los ordenadores y programas utilizados para el manejo de la informacin cartogrfica

permiten definir localizaciones con una precisin casi arbitraria. Esta precisin se transmite
aparentemente al resto de las operaciones de forma que unos buenos grficos, una
leyenda fcilmente legible y otros aspectos formales de la presentacin tienen como
resultado una sobrevaloracin de la calidad de la informacin presentada.
Sin embargo, la realidad muestra que los problemas inherentes al manejo de las bases de datos
cartogrficas se deben, en una buena parte, a su mala calidad. Muchos documentos digitales han
sido "capturados" de mapas impresos de naturaleza muy heterognea, generados con unos objetivos
y expectativas que no tienen porqu coincidir con los actuales. La potente maquinaria actual y los
sofisticados programas informticos permiten obtener un resultado que replica fielmente todos los
defectos del original y aade algunos nuevos. Sin embargo, su naturaleza digital induce a creer
frecuentemente que el contenido de la base de datos es mejor que el original analgico.
El problema se incrementa con el tiempo, cuando unos datos originales han sido
usados para diferentes modelizaciones, cuyos resultados son, asimismo, tomados
como ciertos y reutilizados en otros procesos. El proceso sigue hasta el punto de
olvidar el origen de la cadena y perdiendo, por tanto, toda referencia con la realidad.
Por estos motivos es cada vez ms necesario incorporar lo que se ha llamado metainformacin en los productos SIG: informacin sobre la informacin, de la cual la
referente al error es uno de los elementos de mayor importancia (Geertman y Ruddijs,
1994:152).
Las fuentes del error

El modelo digital de elevaciones es el origen de todas las modelizaciones total o
parcialmente dependientes de la topografa. Por este motivo, la utilidad y validez de los
resultados derivados estn estrechamente relacionadas con la calidad del modelo
original.
La calidad de un MDE depende del tipo y magnitud de los errores implicados. La
informacin es necesariamente imprecisa debido a la simplificacin inherente al
proceso de modelizacin. El problema bsico consiste en conocer y controlar esta
imprecisin, de forma que sea posible saber la fiabilidad de los resultados.
Los errores en los MDE pueden ser separados en dos categoras:
los errores posicionales implican una deficiente localizacin geogrfica de la
cota o de la trayectoria de la curva de nivel y afectan, por tanto, a la situacin
en el plano XY
los errores atributivos suponen una asignacin imprecisa de la altitud asociada a
la cota o a la curva e implican a las coordenadas en el eje Z
345
A.M.Felicsimo
Estos dos tipos de errores han sido denominados tambin, de forma ms genrica,
cartogrficos error en la localizacin de elementos, y temticos error en el
atributo cartografiado (Veregin, 1989b:12).
Los errores posicionales afectan a los modelos vectoriales, como los basados en
contornos o en las redes de tringulos, que manejan entidades geomtricas. Los
modelos raster, basados en localizaciones definidas implcitamente no se ven afectados
por errores de posicin.
Los errores atributivos afectan tanto a modelos vectoriales como raster. En el primer
caso suele tratarse de errores en el sentido ms bsico de la palabra blunders, es
decir, fallos groseros y locales en la asignacin de la altitud. En el caso de las matrices
regulares, el origen del error suele estar en las mltiples operaciones geomtricas
implicadas en la construccin del MDE. En este caso, el error es de naturaleza
estadstica y global, pudiendo considerarse un atributo que define y caracteriza el MDE.
El error de las fuentes primarias

La construccin del MDE con imgenes de satlite
Las imgenes de algunos sensores transportados por satlite han sido utilizadas para
generar modelos digitales de elevaciones de forma, hasta ahora, experimental.
En un primer ensayo, Mukai et al. (1989) han utilizado pares de imgenes Landsat-TM
para calcular altitudes en la zona de solapamiento entre dos rbitas. Los resultados que
presentan sealan un error cuadrtico medio, ECM, de 92 m, lo que supone 3 veces el
tamao del pixel de la imagen original 30 m. La zona, de 40x45 km y situada en
los Alpes centrales de Japn, posee un desnivel mximo de 2200 m. Para el clculo
del ECM se utiliz un total de 60 puntos de control.
El satlite SPOT es claramente ms adecuado para el clculo de altitudes debido a dos
circunstancias. La primera, que el tamao de pixel de las imgenes es de 10 m en
modo pancromtico, lo que supone un incremento muy significativo de la resolucin.
La segunda es que el SPOT puede tomar pares de imgenes estereoscpicas de la zona
que se desee girando las cmaras, lo que permite cubrir cualquier zona de la superficie
terrestre.
Mukai et al. (1990), usando tcnicas similares a las de su anterior trabajo con LandsatTM, consiguen en este caso valores del ECM de 26 m partiendo de las imgenes SPOT
pancromticas. Sasowsky et al. (1992) realizan pruebas similares en un rea de 25
km2 de Alaska y proponen una magnitud del ECM de 19 m, con errores entre 13 y
+48 m. En este caso, los errores no tienen media nula, lo que significa que el MDE
derivado de las imgenes SPOT tiene una tendencia significativa a proponer altitudes
ms elevadas que el mapa de referencia escala 1:6.000.
Priebbenow (1988) presenta resultados de una experiencia realizada en Australia con
valores del ECM de 5,4 m. Su conclusin es que las imgenes SPOT pancromticas
permiten generar cartografa con una precisin geomtrica elevada y compatible con
los estndares de la escala 1:50.000.
346
A.M.Felicsimo
Finalmente, Kubik y Wu (1995) presentan los resultados del tratamiento de imgenes

SPOT mediante estaciones de trabajo fotogramtricas con un ECM de 6 m en altitud.
La conclusin general es que las imgenes SPOT permiten construir modelos con
valores del ECM variables en funcin del relieve y de los mtodos utilizados. La
magnitud del error limita sus aplicaciones en grandes escalas pero, como veremos
posteriormente, puede ser razonable si se generan modelos matriciales donde el ECM
sea aproximadamente un 10% del tamao de la malla distancia entre filas y
columnas.
La construccin del MDE mediante radar

La interferometra radar es una tcnica que usa las diferencias de fase entre dos
imgenes para estimar la distancia entre la superficie y el satlite o avin. La fase de
un pixel es la suma de dos componentes: la fase especfica relacionada con la
naturaleza del terreno y un desfase que depende de la distancia entre el terreno y el
radar. Superponiendo y hallando la diferencia entre dos imgenes diferentes la fase
especfica puede eliminarse. La resultante es el componente debido a la diferencia de
distancia entre los dos pasos del satlite. A partir de esta imagen de interferencia es
posible estimar la altitud absoluta con precisin variable en funcin de diferentes
parmetros.
La construccin de MDE mediante radar tiene se ms reciente muestra en el TOPSAR
topographic synthetic aperture radar, desarrollado por el Jet Propulsion Laboratory
de California. El TOPSAR, en funcionamiento conjunto con el JPL Aircraft SAR,
adquiere imgenes cenitales de la superficie terrestre con una resolucin horizontal de
5 m y un error en la determinacin de la altitud de 1 a 3 m, en funcin del tipo de
relieve. El TOPSAR/AIRSAR es transportado por un DC-8 a una altitud tpica de 9 km.
El sistema est dotado de un sistema GPS para la localizacin, lo que permite un
referenciacin geogrfica precisa de la trayectoria del vuelo y, por tanto, del conjunto
de los datos medidos.
Thompson et al. (1995:99) indican que la satisfactoria experiencia del TOPSAR
anuncia un posible satlite topogrfico que podra tener un error altitudinal de unos 2
m con una resolucin horizontal de 30 m. Sin embargo, en Evans (1995) se indica que
los radares actuales transportados por satlites no pueden ser utilizados de forma
rutinaria para determinar la superficie topogrfica. La razn principal reside en la
desconocida influencia de la ionosfera en el retraso de la seal; este problema puede
ser resuelto mediante radares de doble longitud de onda, o reducido tomando los datos
durante la noche lo que limita la cobertura y periodo de las tomas.
El error de las fuentes secundarias

El error posicional, que afecta a las estructuras vectoriales, puede tener varios
orgenes. El ms frecuente es el derivado de la digitalizacin de mapas, tanto ms
debido a la tendencia a infravalorarlo, probablemente por la dificultad de su correccin.
Cabe destacar que una magnitud elevada del error posicional puede obligar a un uso de
los mapas exclusivamente cualitativo, limitando severamente la utilidad de la
informacin.
La digitalizacin manual de mapas sigue siendo el mtodo ms usual de incorporar
informacin topogrfica. La razn probablemente estriba en que la digitalizacin
347
A.M.Felicsimo
automtica es dificultosa a partir de los complejos mapas editados, que son los ms
fcilmente disponibles.
La digitalizacin manual ha sido reconocida como una importante fuente de error
cartogrfico cuyas causas pueden dividirse en dos categoras, en funcin de su origen:
las causas externas estn relacionadas generalmente con la deformacin de los
documentos mapas antiguos, en mal estado de conservacin, referenciacin
geogrfica deficiente o, simplemente, de mala calidad
las causas operacionales hacen referencia a los procesos de digitalizacin y
manipulacin posterior de los datos: por ejemplo, el error introducido en el
proceso de digitalizacin se debe bsicamente a la inexacta colocacin del
cursor sobre la curva de nivel.
Los errores debidos a deformaciones del documento digitalizado pueden rectificarse, al
menos parcialmente, mediante un proceso global de correccin geomtrica. Este proceso
est integrado habitualmente en los propios programas de digitalizacin y son capaces de
modificar coherentemente la localizacin de las entidades cartografiadas en funcin de un
conjunto de puntos de referencia ver apartado siguiente.
El error de la digitalizacin
En el caso de los errores derivados de la digitalizacin manual, cabe distinguir tres casos
diferentes:
el error topolgico, provocado por que el operador sigue una lnea equivocada
debido a una mala interpretacin del mapa
el error estocstico, generado por la imprecisin en el seguimiento de las lneas
debido a una deficiente colocacin del cursor
el error de generalizacin, debido a la simplificacin del trazado de las curvas, que
son digitalizadas como una cadena de segmentos rectilneos
Los errores topolgicos son simples de detectar y corregir mediante un simple anlisis
visual debido a los rgidos patrones de distribucin de las curvas de nivel paralelismo,
coherencia topolgica. Por este motivo, este tipo de errores se elimina en la primera
etapa del control de calidad y no tiene una influencia relevante en la calidad del modelo
final. Como ya se ha indicado en el tema anterior, el error topolgico es mucho ms
frecuente en la digitalizacin automtica mediante escner (Peled y Fradkin, 1994:246),
donde la experiencia y capacidad de interpretacin del operador no pueden ser aplicadas.
Los errores estocsticos de digitalizacin pueden ser debidos espordicamente a causas
fisiolgicas temblores causados por el cansancio y otros movimientos bruscos. En
este caso, el operador suele detectarlos y corregirlos sobre la marcha.
Quedan, sin embargo, las imprecisiones debidas a la imposibilidad fsica de replicar
exactamente la trayectoria de las curvas de nivel. En este caso se ha propuesto que los
errores de colocacin estn autocorrelacionados y son, al menos parcialmente, procesos
no aleatorios dependientes de los puntos previamente introducidos (Keefer, 1988:477). El
motivo es que el operador tiende a un trazado inercial de la lnea rebajando o excediendo
la trayectoria segn su morfologa.
Esta circunstancia est clara en el caso de la digitalizacin en modo continuo stream
mode, donde el cursor est en movimiento y las coordenadas se introducen de forma
automtica cada cierta distancia sin control por el operador. En el caso de la digitalizacin
punto a punto point mode, se ha propuesto que el error puede ser aleatorio y no
autocorrelacionado. El motivo es que existe una pausa entre punto y punto, durante la
348
A.M.Felicsimo
cual el operador coloca el cursor sobre la lnea. Si el tiempo entre puntos sucesivos es
suficiente el error en cada punto ser independiente de los anteriores. Sin embargo, existe
la tendencia a mantener el cursor en continuo movimiento, pulsando de forma secuencial
y continua. En este caso, el modo punto a punto se asemeja al modo continuo y el
fenmeno de autocorrelacin se hace significativo.
La presencia de autocorrelacin puede detectarse mediante pruebas de aleatoriedad,
donde la variable independiente es el tiempo o, ms exactamente, la secuencia ordenada
de puntos digitalizados. El anlisis es bsicamente equivalente a una serie temporal donde
se asume que los puntos son digitalizados a intervalos constantes.
Finalmente, el error de generalizacin se produce por la reduccin de la lnea curva original
a otra compuesta por pequeos segmentos rectilneos entre los puntos digitalizados. Cabe
distinguir dos tipos diferentes de generalizacin:
la generalizacin cartogrfica graphic-oriented generalization es utilizada para
representar grficamente la informacin a diferentes escalas. Se trata de un
proceso bsicamente grfico donde las lneas son redondeadas, comprimidas,
colapsadas o simplificadas con el objetivo de facilitar su lectura y no de conservar
una extrema fidelidad al original.
la generalizacin para la modelizacin model-oriented generalizationtiene como
objetivo la simplificacin controlada de los datos para la conservacin de
propiedades relevantes del original. El proceso se realiza para utilizar el modelo en
simulacin y anlisis por lo que es importante la valoracin y el control de la
propagacin del error.
El problema de la digitalizacin es que se realiza para la modelizacin pero partiendo de
originales sometidos a una generalizacin cartogrfica. La conclusin es que el error
cometido es frecuentemente desconocido y no cuantificable.
En la digitalizacin, las curvas de nivel originales quedan representadas mediante un
conjunto reducido de vrtices. El producto final son polilneas de menor complejidad
que las originales. La razn de efectuar la generalizacin es la reduccin del volumen
de datos pero a costa de una prdida de informacin que supone un incremento del
error.
El error de generalizacin tiende a reducirse cuando el nmero de puntos aumenta, y se
incrementa generalmente con la complejidad de la lnea original. La forma de reducir el
error manteniendo un volumen de datos moderado es realizar una buena seleccin de los
puntos crticos de la curva. La experiencia del operador es un factor importante en esta
seleccin pero probablemente es preferible realizar una digitalizacin densa y aplicar
posteriormente algoritmos de generalizacin automtica. Estos algoritmos, en trminos
generales, conservan la longitud y ngulos satisfactoriamente y, sobre todo, desplazan
mucho menos las lneas que la generalizacin manual, luego causan mucha menos
distorsin (Joo, 1995:188).
El anlisis del error de digitalizacin

Como se ha indicado anteriormente, el anlisis del error de la digitalizacin puede ser
asimilado al de las series temporales. En el caso de existir autocorrelacin, el error en un
349
A.M.Felicsimo
punto j, ej puede ser representado como una suma ponderada de un nmero finito n de
errores anteriores ms un trmino aleatorio a propio de cada punto:
Adems del proceso autorregresivo puro AR, autoregression, es posible la existencia

de otros que expliquen la secuencia temporal. Si el operador se da cuenta de la tendencia
de sus errores puede introducir sesgos voluntarios para corregirlos. En este caso aparece
un proceso de media mvil MA, movil average donde la suma ponderada de los
anteriores trminos aleatorios a explica una parte de la varianza:
Se ha planteado la hiptesis de que el error puede explicarse mediante el modelo

autorregresivo, el de media mvil o una combinacin de ambos modelo ARMA(Keefer,
1988:479).
El uso de modelos ARMA puede ser un camino para modificar los ficheros procedentes de
la digitalizacin y reducir el error posicional global. En efecto, si se demuestra que el
modelo es coherente y puede explicar una fraccin significativa del error, puede ser
aplicado a posteriori para realizar una correccin de las coordenadas. Al menos, la parte
del error explicada por autocorrelacin podra ser reducida para mejorar la calidad del
proceso. Sin embargo, esta hiptesis debe ser an comprobada ya que no se han
localizado trabajos en la bibliografa que lo hayan llevado a la prctica.
La cuantificacin del error posicional

Cuando una curva de nivel se digitaliza y se define por un nmero de segmentos, la
incertidumbre debida al error posicional de los vrtices afecta a una banda o pasillo
alrededor de la lnea.
La banda de probabilidad suele denominarse banda psilon y representa un entorno de
probabilidad de la localizacin real de la curva de nivel alrededor de la lnea digitalizada. Si
la banda es simtrica normalmente a la lnea, se asume que no existe sesgo en la
digitalizacin, es decir, no ha existido una tendencia significativa a digitalizar a un lado
concreto de la lnea.
La banda psilon fue utilizada originalmente por Perkal (1966) como mtodo de generalizar
objetivamente una lnea. El algoritmo ms utilizado en la actualidad para generalizar las
lneas (Peuker y Douglas, 1975) es bsicamente un procedimiento iterativo que maneja
implcitamente el concepto de banda e al definir una distancia umbral para la "limpieza" de
las lneas weed tolerance. El valor de e puede usarse, sin embargo, como un ndice de
calidad al valorar el proceso de digitalizacin.
Interpretada como una banda de probabilidad, la anchura de la banda e crecer en funcin
directa de la magnitud del error en la digitalizacin. La banda psilon puede representarse,
por tanto, codificada en valores de gris de acuerdo con el valor de probabilidad asignado a
cada zona alrededor de la lnea ver figura.
350
A.M.Felicsimo
Figura: Representacin de la banda psilon como regin

probabilstica. Cuanto ms oscura es la zona, mayor
probabilidad tiene de contener la lnea real. Los vrtices
digitalizados se muestran como puntos blancos definiendo el
pentgono.
Es posible realizar una estimacin de la magnitud de e en un mapa cuando se dispone de

otro ms detallado de la misma zona. Para ello se superponen algunas lneas homlogas y
se miden las distancias entre ellas, perpendicularmente a la lnea de referencia y a
intervalos constantes. Los errores medidos, en ausencia de sesgo, se ajustarn a una
distribucin normal de media cero y desviacin estndar s. Para un valor e = 1,96 s, la
banda psilon representa la zona donde, con una probabilidad del 95%, pasa la lnea
original.
Cabe considerar que el valor de e puede no ser constante en todo el mapa. El motivo es
que el error de digitalizacin puede variar en funcin de la complejidad de las lneas y de
su proximidad.
El manejo de la informacin en funcin del valor de e es un tema an poco desarrollado. El
tema a empezado a preocupar en el contexto de los mapas temticos vectoriales, donde la
imprecisin de las lneas genera problemas en las operaciones de superposicin y, en
general, en el lgebra de mapas (Lowell, 1995). Sin embargo, en el caso de la generacin
del MDE a partir de lneas con error conocido an no se ha hecho avance alguno.
El error cartogrfico: la calidad de los mapas

La calidad de los mapas originales puede ser un problema importante cuando no ha
existido un control de calidad suficiente, especialmente en la precisin altimtrica. En
Estados Unidos se sigue la regla del 90%: en las pruebas con puntos de control, el 90%
de ellos deben tener un error menor a la mitad del intervalo entre curvas de nivel. En
Espaa, una gran parte de la cartografa de gran escala ha sido generada por muy diversos
organismos o empresas con parmetros de calidad desconocidos.
Los errores de los mapas originales se suman, por tanto, a los ya estudiados del propio
proceso de digitalizacin. Pueden diferenciarse los siguientes componentes:
error altimtrico absoluto del mapa o error mximo admitido en los procesos
fotogramtricos
propagacin del error planimtrico a la altimetra: el error planimtrico se
establece habitualmente en 0,2 mm de la escala del mapa. Su efecto en la
altitud es proporcional a la tangente de la pendiente del terreno
deformaciones dimensionales del mapa, debidas a alteraciones en la
temperatura y humedad
En cuanto a la magnitud de la suma de errores, Tahiri y Donnai (1995) presentan un
modelo de valoracin del error entre cuyos resultados cabe destacar la presencia de ECMs
de 5 a 10 m para mapas 1:50.000 con 10 m de intervalo entre curvas de nivel. Estos
datos pueden prevenir sobre los errores iniciales del mapa que va a ser digitalizado ya que
en el peor de los casos una zona con fuerte relieve el ECM iguala al intervalo entre
curvas y el error mximo lo triplica.
351
A.M.Felicsimo
El error cartogrfico: la deformacin de los mapas

La deformacin del mapa topogrfico debido a cambios dimensionales provoca errores
globales que afectan a la totalidad de los datos del modelo. Cuando los datos van a usarse
en procesos de anlisis y modelizacin es aconsejable realizar un estricto control de las
dimensiones del problema desde el primer momento.
Cabe destacar que la deteccin y correccin de este tipo de errores slo es posible cuando
se trata de deformaciones globales. Esto significa que problemas tan usuales como los
dobleces en los mapas pueden ser muy difciles de corregir por tratarse de deformaciones
locales.
La medida de este tipo de error puede realizarse con criterios estadsticos a partir de un
conjunto de puntos de control localizados con precisin. El problema se plantea
bsicamente como una transformacin de coordenadas, desde un sistema original
deformado a otro de referencia, habitualmente un sistema de proyeccin geogrfica.
Los programas de digitalizacin suelen tener incorporadas utilidades para realizar la
correccin desde el principio pero tambin es posible realizarlo a posteriori mediante
procesos de ajuste que la mayora de los SIG poseen.
El mtodo de correccin se ejecuta en tres pasos:
se establece una serie de puntos de control cuya localizacin se conoce con
exactitud en ambos sistemas de coordenadas
se establecen unas funciones de transformacin entre ambos sistemas,
calculadas a partir de los puntos de control
se aplican las funciones de transformacin sobre los puntos de control para
conocer la magnitud del error
en caso de que el error sea aceptable, se realiza la transformacin global
aplicando las funciones a la totalidad de puntos
Las funciones de transformacin suelen estimarse de forma independiente para las
abscisas y para las ordenadas. Definiendo con el subndice T a las coordenadas originales
tablero, por ejemplo y con G a las finales sistema de proyeccin, se tienen las
siguientes expresiones generales:
En la mayora de los casos, las funciones anteriores se estiman aplicando mtodos

estadsticos de los cuales el ms utilizado es el de superficies de tendencia, en el que las
funciones z se calculan mediante regresin mltiple o ecuaciones polinmicas estimadas
por el mtodo de mnimos cuadrados. Se han propuesto funciones diferentes (Goshtasby,
1986, 1988) pero el mtodo polinmico es el ms utilizado. La expresin general del
mismo es:
352
A.M.Felicsimo
El grado del polinomio de ajuste puede ser variable. Cuando vale 1 es posible efectuar
transformaciones afines, es decir, operaciones de translacin, rotacin y cambio de
escala. Los grados superiores permiten recuperar distorsiones geomtricas ms complejas.
En el primer caso, las ecuaciones de transformacin se reducen a un plano de regresin:
La estimacin del error cometido en la transformacin: se realiza comparando las

coordenadas de los puntos de control con las resultantes de aplicar las funciones de
transformacin sobre los mismos puntos. El error suele estimarse como error cuadrtico
medio, ECM, separable para las componentes x e y:
El lmite aceptable para el error cuadrtico mximo de los puntos o para el ECM debe
fijarse en funcin de la aplicacin a la que va destinado el MDE, as como de la escala de
partida, primer determinante de la precisin geomtrica de un modelo. En la digitalizacin
manual puede proponerse un lmite emprico que sera la distancia que corresponde a 0,25
mm del mapa a la escala de trabajo. Con un original a escala 1:50.000 este valor es de
12,5 m y corresponde aproximadamente a la precisin mxima que un operador
experimentado puede obtener en la digitalizacin manual.
Esquema del proceso de
correccin geomtrica de
los
documentos
digitalizados a partir de
originales deformados
En caso de errores excesivos deben examinarse individualmente los puntos de control para
comprobar si existe alguno especialmente anmalo. Posteriormente, puede variarse el
grado de la transformacin para intentar mejores ajustes. De forma general, la
transformacin de primer grado slo permite efectuar ajustes lineales por lo que, si el
mapa est distorsionado, sern necesarias previsiblemente transformaciones de grado
superior. Existe un lmite prctico derivado de la precisin de los clculos implicados en las
operaciones matriciales necesarias.
Finalmente, debe destacarse que los puntos de control del mapa se digitalizan
manualmente por lo que una introduccin descuidada puede una causa complementaria de
error muy significativa.
La medida del error atributivo

Como ya se ha indicado, en el error atributivo puede afectar tanto a los modelos
vectoriales como a los matriciales. En el primer caso, la mayora de las veces se trata de
errores locales, equivocaciones al asignar la altitud a las curvas de nivel o a los puntos
acotados.
353
A.M.Felicsimo
En este caso, la forma ms simple de detectar el problema es trazar perfiles paralelos en

diversas direcciones y examinar visualmente los resultados. La correccin se realiza
manualmente actualizando en la base de datos el registro que describe la curva errnea.
Tambin es posible y til generar un MDE matricial y, a partir de l, modelos derivados.
Algunos de ellos permiten ver fcilmente los errores debido a las irregularidades en la
distribucin de las variables especialmente, pendientes y sombreado.
En el caso de los modelos matriciales, el error puede considerarse de tres tipos posibles:
grandes errores blunders; su magnitud excede el mximo error permitido.
Son de naturaleza local y deben ser eliminados completamente
errores sistemticos, que presentan un patrn de distribucin concreto e
introducen un sesgo en el MDE. En caso de existir, son predecibles y pueden
ser eliminados o, al menos, reducidos
errores aleatorios, que permanecen tras la eliminacin de los anteriores y que
suelen presentar una distribucin de Gauss. Este error es global y se origina en
las imprecisiones de los datos originales y en los mltiples procesos de
generalizacin, interpolacin, etc. que se ejecutan en su construccin.
Anlisis del error aleatorio

En un MDE matricial, las elevaciones
pueden interpretarse como la suma de la altitud real, z, y un factor de error:
Los parmetros que definen la distribucin del error pueden deducirse a partir de un
conjunto muestral de puntoscheck points para los que se conoce la altitud real.
Los puntos de control se consideran "verdaderos", es decir, medidos sin error, por lo que
deben ser definidos mediante mtodos precisos. El mtodo ms utilizado es extraer las
altitudes de mapas preexistentes de la mayor escala posible, con la confianza de manejar
errores desconocidos pero moderados. Probablemente el uso de los GPS adquiera aqu
pleno sentido, al permitir establecer un conjunto de puntos de control con precisin
conocida y que, en los casos de usar GPS diferencial, pueden tener una precisin
suficiente para el control de calidad.
Valoracin del error

El error local en un punto i, ei se define como la diferencia entre la altitud en el MDE y la
del punto de control:
Dado un conjunto de n puntos de control, el error medio, EM, para este conjunto de datos
se define como:
El error medio para un conjunto dado de puntos de control tiene inters para comprobar si
las desviaciones del modelo son aleatorias o no. En el primer caso, EM no ser
significativamente diferente de cero. Sin embargo, como las desviaciones positivas y
negativas se anulan, el EM no es una medida vlida de la calidad del MDE.
354
A.M.Felicsimo
Lo ms habitual es utilizar el error cuadrtico medio, ECM, que se calcula mediante la

expresin:
El uso de estos estadsticos permite una evaluacin objetiva de la calidad de los MDE si,
del mismo modo que en el caso de la cartografa convencional, se plantean unas reglas de
calidad o baremos para los MDE. Para la aplicacin de un baremo se asume que los
grandes errores han sido corregidos, as como los posibles errores sistemticos y slo
resta la componente aleatoria.
La influencia de los puntos de control

Cuntos puntos de control son necesarios para conocer el error de un MDE? Li (1991)
plantea el concepto de fiabilidad reliability del control de calidad, en el sentido de que
los resultados de ste dependen de la calidad y cantidad de los puntos de control. Utilizar
un gran nmero de puntos requiere asimismo un esfuerzo importante para conseguir
fijarlos con precisin. Debe, por tanto, fijarse un nmero mnimo de puntos para conseguir
una meta de fiabilidad concreta en el control de calidad. Ley (1986) plantea el uso de 150
puntos para garantizar que la medida del error tendr una desviacin estndar del 10%. Li
(1991) presenta un anlisis terico ms completo y concluye una ecuacin general
donde e es la medida del error en trminos de desviacin estndar equivalente al ECM
cuando no hay sesgo, es decir, cuando EM=0; R(e) es la fiabilidad de la medida del
error, asimismo en trminos de desviacin estndar el error del error; finalmente, n es
el nmero de puntos de control. Para 150 puntos de control, el valor de R(e) es del 6%,
similar al propuesto por Ley (1986).
La muestra mnima necesaria para una fiabilidad R(e) ser:
Por tanto, si se desea evaluar el error con una fiabilidad del 10%, R(e)=0.10sern
necesarios 51 puntos de control. Inversamente, si se ha obtenido un error de R(e)=25 m
con 50 puntos de control, sabemos la desviacin estndar del error es de 2,5 m, un 10%
de la medida. En consecuencia, los lmites de confianza del 95% para el error estarn en el
rango de 25 1,96 2,5 m = 25 4,9 m.
En la seleccin de los puntos de control debe tenerse en cuenta que el muestreo debe ser
representativo de las estructuras topogrficas presentes en la zona. Por este motivo, el
uso de la red geodsica no es aconsejable ya que los puntos tienden a encontrarse en las
cimas y otros lugares destacados. S es posible, en cambio, utilizar la red como apoyo
para aadir otros puntos de control en zonas diferentes o utilizar el mtodo GPS para
conseguir una red representativa con una distribucin adecuada.
Anlisis de los grandes errores

En ausencia de sesgo, los grandes errores se definen como aqullos cuya magnitud
excede el triple del ECM.
355
A.M.Felicsimo
Como ya se ha indicado, este tipo de errores son espordicos y de naturaleza local es

decir, se producen errores que slo afectan a una pequea fraccin del rea total. Las
tcnicas de deteccin y medida suelen ser tambin locales y se basan generalmente en
hiptesis sobre la continuidad en los valores de la pendiente.
El origen de estos errores puede estar en causas diversas, incluso por los mtodos
automticos de estereocorrelacin, que pueden tener problemas debido al bajo contraste
de las imgenes, a ambigedades por la existencia de texturas peridicas sobre el terreno
o a reflejos (Hannah, 1981:63). Cuando los modelos se construyen por transformaciones
de archivos vectoriales previos, los conflictos pueden originarse en errores preexistentes o
en el comportamiento de los algoritmos de interpolacin utilizados en zonas problemticas.
Es posible utilizar mtodos puramente visuales para la localizacin de este tipo de errores
(USGS, 1997). Para ello se realizan representaciones mediante bloques-diagrama,
coloreado de bandas de gradientes hipsomtricos, vistas estereoscpicas mediante
anaglifos y simulaciones de iluminacin.
Sin embargo, el anlisis visual no garantiza un examen exhaustivo y metdico ni puede
definirse claramente un umbral de error, sino que la presencia o ausencia de error queda al
criterio subjetivo del operador. Por este motivo es recomendable usar mtodos
automticos donde, normalmente, un punto se comprueba usando los valores de los
puntos ms prximos o "vecinos". Los vecinos se definen mediante una "ventana"
superpuesta al modelo, que delimita una fraccin del mismo. En general, las ventanas
suelen ser cuadradas incluyen la misma cantidad de filas y columnas y simtricas el
punto problema se sita en el centro de la ventana, lo que implica una dimensin impar.
En el anlisis ms simple se calculan las diferencias de altitud entre el punto problema y
sus vecinos. El punto se etiqueta si alguna de estas diferencias exceden un valor mximo
predefinido. Llamando e a la condicin de error , se tiene:
Analizando el MDE por filas o columnas, si slo se detecta un valor conflictivo puede
suponerse un punto de ruptura de pendiente. La deteccin de dos seales de alarma
secuenciales es un indicador de que el punto implicado en ambos clculos es
probablemente errneo.
Hannah (1981) propone pruebas ms completas, basadas en el conjunto de los vecinos
ms prximos de cada punto, y utilizando tanto los valores de pendiente como los de
cambio de pendiente. En ellas se utilizan valores umbral para ambos parmetros con el fin
de detectar puntos conflictivos.
Estas pruebas, sin embargo, no tienen un valor estadstico, en el sentido de que no
ofrecen una medida de verosimilitud o probabilidad para el valor de la cota sometida a
prueba. En Felicsimo (1994) se propone un sencillo mtodo que tiene tres propiedades de
inters con respecto a los anteriores:
es un mtodo objetivo, donde los umbrales de error se determinan mediante
mtodos estadsticos
la probabilidad de que un punto sea errneo puede conocerse.
los valores umbral se deducen de los datos propios del modelo, por lo que se
adaptan a las caractersticas del relieve de la zona estudiada con unos valores
propios de pendiente, rugosidad, etc.
356
A.M.Felicsimo
La base del test reside en el anlisis de las diferencias existentes entre dos valores de
altitud para cada punto: la presente en el MDE correcta o errnea y un valor estimado
mediante un proceso de interpolacin a partir de las cotas vecinas. Para un punto situado
en la fila i, columna j, el valor interpolado es:
La diferencia entre la cota del modelo y la cota estimada es:
El proceso se realiza para el total de los n puntos del MDE y se obtiene la diferencia media
y su desviacin estndar:
los valores anteriores definen la funcin de distribucin de las diferencias, una distribucin
de Gauss,
que permite realizar un test de significacin para los valores individuales de las diferencia.
Con este test se puede aceptar o rechazar la hiptesis de que el valor individual de
desviacin observado pertenece a la poblacin de desviaciones. Para ello se utiliza un test
de la t de Student, que debe realizarse para cada punto del modelo calculando el valor del
estadstico mediante la expresin:
El valor anterior se considera una desviacin tipificada y se compara su magnitud con el

valor
como el nmero de datos del modelo digital ser habitualmente muy elevado, se usa el
valor infinito para los grados de libertad. El modelo digital constituye la poblacin, por lo
cual los valores que definen la distribucin pueden considerarse parmetros poblacionales
y no estadsticos muestrales.
La probabilidad de error de Tipo I puede definirse con el fin de detectar solamente las
diferencias muy significativas. En consecuencia, la condicin de error vendr dada, por
ejemplo, por
La hiptesis nula es
y la alternativa
La localizacin de puntos con un valor de t significativamente elevado no implica
necesariamente un error de cota pero es un buen indicador de alarma.
357
A.M.Felicsimo
La propagacin del error

Las operaciones con nmeros inciertos permiten obtener resultados inciertos. Esta
circunstancia aconseja controlar estrictamente el error cuando las medidas van a ser
utilizadas en la determinacin de otras magnitudes a travs de procesos de simulacin. La
influencia del error en la incertidumbre de un resultado se denomina propagacin del error
e ignorarlo puede conducir a dar por vlidos resultados que no lo son en absoluto.La
influencia del error en los procesos derivados del MDE ha sido mucho menos estudiada
que el error de las fuentes. Los trabajos existentes tienen por objeto llamar la atencin
sobre los efectos de la propagacin del error en algunas simulaciones, especialmente las
relacionadas con las pendientes y orientaciones del terreno. Sin embargo, los mtodos
prcticos de "vivir con el error" en una base de datos cartogrfica y de controlar sus
efectos de forma general no estn an claros.
En el caso de la realizacin prctica de modelizaciones, se han citado tres formas de tratar
el problema de propagacin del error (Hunter y Goodchild, 1994:771):
omitir toda referencia al mismo
proporcionar un descriptor estadstico
proporcionar varios productos finales dentro del posible rango de variacin
El primer caso es, sin duda, el ms frecuente y la forma ms simple de tratar el problema,
pero obviar el problema puede tener consecuencias negativas en funcin de las decisiones
que se tomen a partir de la informacin defectuosa.
En el segundo caso se presenta informacin sinttica mediante descriptores como las
bandas psilon, los valores de ECM, etc. Estas medidas pueden poner sobre aviso de la
calidad de los datos por lo que suponen un avance notable sobre la primera actitud. Sin
embargo, no dan cuenta de los posibles efectos del error en el producto final cuando ste
es el resultado de una modelizacin compleja.
Con el ltimo planteamiento se presentaran diferentes resultados generados dentro del
rango de error real con el fin de ilustrar las variaciones permitidas por la incertidumbre de
los datos originales.
Queda, finalmente, una cuarta opcin que la presentacin de los resultados clave para una
decisin asociados a su nivel de incertidumbre y no de forma determinstica estricta. Por
ejemplo, si es necesario delimitar las zonas con pendiente menor de 5, el modelo que se
presente puede tener una frontera difusa entre la clase p<5 y el resto, con un significado
similar a la banda psilon.
Las normas de propagacin del error no son necesariamente simples, por lo que su
solucin analtica puede ser inabordable. Asimismo, dependen estrechamente de los
algoritmos utilizados y, ocasionalmente, pueden cambiar en funcin de las caractersticas
del relieve de la zona.
El anlisis de sensibilidad
La propagacin del error se ha estudiado habitualmente realizando un anlisis de
sensibilidad del proceso concreto. El anlisis se realiza generando diferentes modelos de
error para los datos originales y estudiando los resultados producidos. Se trata, por tanto,
de producir a partir de un MDE original, otros MDE con diversos grados de distorsin y
358
A.M.Felicsimo
generar el producto. El anlisis de los resultados pueden conducir a comprender el

fenmeno de propagacin del error y su influencia en la calidad del resultado final.
Habitualmente se asume que el error aadido al MDE original debe ser gaussiano y con
media nula es decir, tener una distribucin normal y no presentar sesgo. En muchos
casos este modelo puede ser correcto pero hay autores que han propuesto tambin que el
error puede presentar diferentes grados de autocorrelacin ver ms adelante.
En el primer caso el error se asigna a cada punto del MDE mediante un algoritmo
generador de ruido aleatorio. La magnitud del error depende del ECM, para el cual deben
ensayarse varios valores. La altitud en un punto se modifica de acuerdo con la expresin:
donde zi,j es la altitud en el MDE original y zi,j es el dato modificado mediante la adicin
del componente aleatorio ei,j , el factor de ruido generado de acuerdo con una distribucin
N(0,ECM).
Un mtodo de anlisis de la sensibilidad de los modelos ante el error es aadir ruido

aleatorio al MDE original y realizar la simulacin con los dos modelos. La comparacin de
los resultados es indicativa de la robustez del mtodo de trabajo y de la sensibilidad ante
los errores.
Por ejemplo, los trazados de la red hidrolgica difieren notablemente entre ambos
modelos, sin y con error (arriba y a la derecha respectivamente)
En el segundo caso se asume que los errores de puntos adyacentes tienden a ser
similares. La presencia de errores correlacionados sugiere la existencia de alguna otra
variable que afecta al modelo. Esta variable puede estar relacionada, por ejemplo, con el
comportamiento del interpolador utilizado en la generacin del MDE. En caso de simular
errores de este tipo debe introducirse un factor de autocorrelacin, lo cual suele realizarse
mediante la expresin siguiente (Canters, 1994:171):
donde k1 y k2 controlan el peso relativo de la autocorrelacin y del componente aleatorio.

Hunter y Goodchild (1994) indican que aunque es posible introducir un error aleatorio con
autocorrelacin nula, este proceso no simula el error real ya que permite la existencia de
grandes desviaciones espordicas que no se presentan en los MDE reales. Sin embargo,
exagerar la autocorrelacin no permite analizar correctamente los efectos del error por lo
que este factor debe ser mantenido dentro de lmites razonables.
El mtodo de Monte Carlo

Los mtodos de Monte Carlo son una potente herramienta de trabajo cuando la solucin
analtica del problema es difcil. El mtodo implica:
359
A.M.Felicsimo
la suposicin de las distribuciones de probabilidad de las variables influyentes y

el uso de generadores de nmeros aleatorios para muestrear de forma simulada
la poblacin de sucesos.
A partir de los puntos anteriores es posible generar modelizaciones numricas del proceso
en nmero suficiente como para construir empricamente la funcin de probabilidad de la
variable resultado.
Los mtodos de Monte Carlo han comenzado a ser prcticos y tiles cuando los
ordenadores han estado disponibles de forma generalizada. Los generadores de nmeros
aleatorios son rutinas bien conocidas con las cuales es posible generar series de nmeros
cuyas distribuciones pueden ajustarse a mltiples modelos.
En el caso que se trata aqu, podemos asumir un error gaussiano o con cierto grado de
autocorrelacin. Los errores sern aadidos a datos simulados y aplicados los algoritmos
que ejecutan la simulacin. De los resultados podemos deducir las caractersticas de la
propagacin del error.
Felicsimo (1995) aplica este mtodo al anlisis de la propagacin del error altitudinal al
clculo de la pendiente. Los pasos seguidos son los siguientes:
se genera un MDE con valores de altitud iguales, simulando un terreno plano
se genera un valor de error para cada punto de acuerdo con un distribucin de
Gauss N(0,ECM)
la altitud de cada punto se altera aadindole el valor de error
se calcula la pendiente en cada punto de acuerdo con el algoritmo que se desee
utilizar se construye la distribucin de los valores de la pendiente resultantes de
la modelizacin y se compara con la distribucin del MDE "real"
Obviamente, la pendiente esperada en ausencia de error es nula ya que el MDE de partida
muestra un terreno plano. Los resultados ms notorios son los siguientes:
la distribucin del error en la pendiente no es de media nula lo que significa que
la construccin de un modelo digital de pendientes a partir de un MDE
infravalora las pendientes bajas proporcionalmente a la magnitud del error en el
MDE
el error medio de la pendiente en funcin del ECM es el siguiente:
ECM
5%
10%
20%
Error
1,4
2,9
5,8
el ECM se establece en porcentaje del tamao de la malla del MDE; por ejemplo, para un
MDE de 30 m de intervalo entre datos, un ECM del 10% corresponde a 3 m
del anlisis de frecuencias de error acumuladas, se deducen los siguientes
resultados: para un MDE con ECM=10%, el 50% de los datos tendrn un error
de al menos 2; el 25% de 3,5 y el 5% de 5 o ms
un MDE con ECM=20%, el 50% de los datos tendrn un error de al menos 5;
el 25% de 7 y el 5% de 11 o ms.
en el caso de un MDE con pendiente superior a 0, la influencia del error
disminuye proporcionalmente a la misma.
360
A.M.Felicsimo
Diagrama de sntesis con los resultados del

error en tres zonas de diferente relieve (ver
texto)
El efecto de la autocorrelacin
Cuando la distribucin espacial del error en el MDE no es completamente aleatoria
aunque pueda serlo su distribucin estadstica, interviene un nuevo factor: la intensidad
de la autocorrelacin.
Hunter y Goodchild (1994) analizan el efecto de la correlacin del error en la estimacin
de la radiancia normalizada, L(h). Para ello generan errores de altitud para valores de
correlacin r entre 0 correlacin nula y 0,245. Los MDE resultantes son utilizados
para la estimacin de valores de reflectancia mediante el clculo del ngulo de incidencia
de un vector solar dado sobre la superficie. El MDE original tiene 30 m de luz y se le ha
estimado un ECM real de 10 m.
Manteniendo el ECM constante, se muestra que tanto el error medio como la desviacin
estndar de la radiancia normalizada aumenta ligeramente en el rango 0 < r < 0,20 para
disminuir rpidamente si la correlacin aumenta.
Dado que el rango de L(h) no se aporta en el trabajo, es imposible establecer
comparaciones relativas. En el caso de que el rango de variacin de L(h) sea 0-255 como
es habitual, la desviacin estndar mxima observada 13 unidades correspondera a
un 5% en trminos relativos.
Canters (1994:176) indica tambin que cuando el error presenta cierto grado de
autocorrelacin, las consecuencias sobre el producto final son menos graves que cuando
el error es estrictamente gaussiano. Canters analiza la influencia del error en el clculo de
la pendiente en un modelo TIN e indica que existe una alta sensibilidad ante la
autocorrelacin. Encuentra que si el error de altitud est correlacionado, los errores en la
pendiente son menores lo cual no es especialmente sorprendente. Seala, en
consecuencia, que ignorar la autocorrelacin en la propagacin del error puede suponer
una seria sobreestimacin del error en los resultados. Canters resalta asimismo la
dependencia entre la pendiente del terreno y el error en el mismo sentido que el sealado
anteriormente: el error aleatorio influye en menor grado en zonas de fuerte pendiente que
en zonas llanas.
El error y el relieve
En las simulaciones anteriores se han supuesto unos valores de ECM constantes para todo
el modelo de elevaciones, a partir de la cuales se han realizado las simulaciones en todos
los casos.
361
A.M.Felicsimo
Los anlisis realizados sobre MDE reales indican, sin embargo, que existe una dependencia
entre el ECM y la morfologa del terreno que no debe ser obviada en las modelizaciones.
En Felicsimo (1994:70) se muestran los resultados de analizar en error en 3 zonas de la
serie MDT200 del Instituto Geogrfico Nacional. Los modelos de esta serie estn
generados a partir de mapas de isohipsas con 100 m entre curvas de nivel y presentan
una luz de 200 m.
Las zonas seleccionadas presentan valores de pendiente diferentes y corresponden a
zonas topogrficamente muy distintas:
Zona
Topografa
Rasa litoral, antigua plataforma de
abrasin marina
Pendiente media
Modelado fluvial en zona de media

montaa
10
Modelado glaciar y intensa

actividad krstica en alta montaa
22
La estimacin del error se ha realizado por comparacin con mapas topogrficos

1:25.000. Los puntos de control han sido los vrtices de la cuadrcula UTM de 1km
salvo los puntos sobre el mar.
Los resultados se muestran en la tabla siguiente EM: error medio; entre parntesis, el
error estndar de la media:
Zona
1
2
3
Puntos de control
113
EM
16 (3,1)
ECM
37
113
-5 (4,2)
47
126
2 (5,9)
67
Los estadsticos resultantes muestran dos circunstancias de inters:

el error medio es significativamente diferente de cero en la Zona 1, lo que indica
un sesgo en el sentido de que las altitudes estn sobrevaloradas en el MDE con
respecto a la realidad
el ECM aumenta perceptiblemente con la pendiente media de la zona,
circunstancia ya descrita por otros autores (Hutchinson, 1991:47); en la Zona 3
alcanza el 33% del tamao de malla
Diagrama con los resultados del anlisis
de propagacin del error en la creacin
del modelo digital de pendientes (ver
texto)
362
A.M.Felicsimo
La consecuencia previsible de este efecto es que, aunque puede darse un valor de ECM
para una zona amplia, la magnitud real del error ser previsiblemente diferente si esta zona
contiene regiones con diferentes caractersticas topogrficas. Los anlisis sobre la
propagacin del error podrn, por tanto, incorporar esta dependencia entre el error y el
relieve para mejorar los modelos.
El autor autoriza la reproduccin del texto de este documento, total o parcialmente, para fines
cientficos o educativos con la nica condicin de citar su procedencia
363

M D T 01 PDF

Cargado por

Información del documento

Título original

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

M D T 01 PDF

Cargado por

Copyright:

Formatos disponibles

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

El curso que presento en estas pginas es un escueto resumen de un original bastante ms

Tema 1 Concepto y construccin del modelo digital de elevaciones

Modelos digitales del terreno

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

La construccin del MDE

Elementos de la estructura topogrfica

Mtodos basados en triangulaciones

Tema 2 Valoracin del error en el MDE

El error de las fuentes secundarias

La medida del error atributivo

Anlisis de los grandes errores

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

La propagacin del error

Tema 3 Descripcin y anlisis del Relieve

Tema 4 Simulacin de procesos

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Identificacin de cuencas visuales

Tema 5 Modelos de prospeccin y prediccin

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

como mecanismo de realimentacin para realizar ajustes

Los modelos anlogos se construyen mediante un conjunto de convenciones que sintetizan

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

La verificacin de los modelos derivados se realiza

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

Origen del MDE

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

El modelo TIN, de mosaico de tringulos

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000

El modelo matricial jerrquico o quadtrees

Modelos Digitales de Terreno

TOPOMETRA y MICROGEODESIA - Ao 2000