Modelos Digitales de Terreno CARLOS B. - Unlocked

Modelos Digitales de Terreno TOPOMETRÍA y MICROGEODESIA - Año 2000
A.M.Felicísimo
El curso que presento en estas páginas es un escueto resumen de un original bastante más
extenso impartido en algunas Universidades.
Como bien sabéis, la creación de documentos HTML extensos es trabajosa, por lo que pido
disculpas por los errores y por el escaso tiempo que he dedicado a su revisión.
Poco a poco iré completando los diferentes temas, actualizando las referencias y añadiendo
las imágenes necesarias.
Como es lógico, agradeceré vuestras correcciones y

sugerencias.
http://www.etsimo.uniovi.es/usr/feli/Correo.html
Tema 1 Concepto y construcción del modelo digital de elevaciones

Conceptos
•Introducción
•¿Qué es un modelo?
•Tipos de modelos
Modelos icónicos, análogos y simbólicos
Modelos analógicos y digitales
•Modelos digitales del terreno
•Los MDT y los mapas
•Simulación de procesos con los MDT
El modelo digital de elevaciones
•Introducción
•Origen del MDE
•Definición del MDE
•Estructuras de datos en el MDE
•Modelo vectorial
Contornos
TIN
•Modelo raster
Matrices regulares
Quadtrees
•¿Qué estructura usar?
316
A.M.Felicísimo
La construcción del MDE
•Introducción
•Captura de datos
•Métodos directos
Altímetros
GPS
Estaciones topográficas
•Métodos indirectos, 1
Restitución fotogramétrica
Radargrametría
Digitalización automática
Digitalización manual
•Elementos de la estructura topográfica
•Métodos de interpolación
Método general
La hipótesis de la variable regionalizada
•Métodos basados en triangulaciones
La red irregular de triángulos
La transformación vector-raster
•La continuidad hidrológica
Tema 2 Valoración del error en el MDE

Introducción
Las fuentes del error
•El error de las fuentes primarias

Imágenes de satélite
Radargrametría
•El error de las fuentes secundarias
Error en la digitalización
Análisis del error de la digitalización
Cuantificación del error posicional
El error cartográfico
La calidad de los mapas
La deformación de los mapas
La medida del error atributivo
•Análisis del error aleatorio

Valoración
Los puntos de control
•Análisis de los grandes errores
317
A.M.Felicísimo
La propagación del error
•El análisis de sensibilidad

Métodos de Monte Carlo
El efecto de la autocorrelación
•El error y el relieve
Tema 3 Descripción y análisis del Relieve

Las variables topográficas
•El gradiente
•La pendiente
•La orientación
•La curvatura
•La rugosidad
En estos momentos el curso sólo está disponible hasta aquí. La primera parte
del Tema 3 ha sido añadida el 26/09/97. Espero ir moviendo este aviso hacia
abajo hasta hacerlo desaparecer
Caracterización morfométrica
•Los elementos del relieve

•Los métodos de clasificación
La descripción estadística
•Estadísticos básicos para variables lineales

•Estadísticos básicos para variables circulares
•Otros descriptores
La entropía como medida de la diversidad
La medida de la autocorrelación
La dimensión fractal
Tema 4 Simulación de procesos

Cuencas Hidrológicas
•Autómatas celulares
•La generación de líneas de flujo
•La definición de cuencas hidrológicas
•La estimación de caudales máximos
Cuencas visuales
•Estimación de cotas
•Perfiles topográficos
•Intervisibilidad entre dos puntos
318
A.M.Felicísimo
•Identificación de cuencas visuales
La observación del relieve
•Modelos de reflectancia
•La reducción del efecto topográfico
Modelos climáticos
•La trayectoria solar

•Análisis del ocultamiento topográfico
•Análisis de la insolación potencial
•Análisis de la irradiancia
Tema 5 Modelos de prospección y predicción

Las herramientas
•Métodos lógicos o booleanos

•Métodos bayesianos
•La regresión logística
•La lógica borrosa
Los resultados
•Métodos booleanos: identificación de formas

•Métodos bayesianos: clasificación del relieve
•La regresión logística: análisis de idoneidad de hábitat
•La lógica borrosa: análisis de potencialidad de vegetación
La estructura del índice puede variar según se vaya introduciendo el texto correspondiente. La estructura
del Tema 5 está sometida a revisión y sólo se apuntan los temas que pretendo tocar.
319
A.M.Felicísimo
A
Allam, M.M. (1978): "DTM application in topographic mapping". Photogrammetric Engineering and
Remote Sensing, 44(12): 1513-1520.
Aracil, J. (1986): Máquinas, sistemas y modelos. Un ensayo sobre sistémica. Tecnos, 282 pág.
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.Felicísimo
Chorley, R.J. (Ed.) (1972): Spatial analysis in geomorphology, 393 pág. 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 teledetección espacial. Ediciones Rialp, 453 pág. 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 pág. 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 pág. Virginia.
Connelly, Daniel S. (1972): "Geomorphology and information theory". En Chorley (Ed.) (1972): 91-
108.
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 pág.
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.Felicísimo
Duda, R.D.; Hart, P.E. (1973): Pattern classification and scene analysis. John Wilwy and Sons, 482
pág. 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 pág. Zeiss, Oberkochen.
Ebner, Heinrich; Reinhardt, Wolfgang; Hößler, 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 pág. Atlanta.
Erdas (1991b): Terrain analysis. Erdas Inc., 40 pág. 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
Felicísimo Pérez, A.M.; Fernández Cepedal, G. (1984): "Estimación de la radiación solar incidente en
laderas con pendiente y orientación variables". Studia Oecologica, 3(1/2): 267-283.
Felicísimo, A.M.; García-Manteca, P. (1990): "Corrección del efecto topográfico de las imágenes
Landsat mediante el uso de un modelo digital de elevaciones". III Reunión Científica del Grupo de
Trabajo en Teledetección: 209-216. Asociación Española de Teledetección. Madrid.
Felicísimo, A.M.; García-Manteca, P.; Marquínez, J. (1991): Influencia del relieve en la cartografía de la
vegetación con imágenes de satélite. Universidad de Oviedo, 45 pág. (informe inédito).
Felicísimo, A.M.; García-Manteca, P.; Marquínez, J. (1993): "Efectos de la corrección del efecto
topográfico en las imágenes Landsat sobre la clasificación de la vegetación y usos del suelo".
Teledetección y Medio Ambiente. IV Reunión Científica Asociación Española de Teledetección: 251-
256. Sevilla, 1991.
Felicísimo, A.M. (1992): Aplicaciones de los modelos digitales del terrenoen las ciencias ambientales.
Tesis Doctoral, 235 pág. Instituto de Recursos Naturales y Ordenación del Territorio (indurot),
Universidad de Oviedo.
Felicísimo, Angel Manuel (1994). Modelos digitales del terreno. Introducción y aplicaciones en las
ciencias ambientales. Biblioteca de Historia Natural, 3. 220 p. Pentalfa Ediciones, Oviedo.
Felicísimo, Angel M. (1994): "Parametric estatistical method for error detection in digital elevation
models". ISPRS Journal of Photogrammetry and Remote Sensing, 49(4): 29-33.
Felicísimo, 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.Felicísimo
Fernández Cepedal, G; Felicísimo, A.M. (1987): "Método de cálculo de la radiación solar incidente en
áreas con apantallamiento topográfico". Revista de Biología 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
García Asensio, L.; Lumbreras Crespo, J. Javier (1992): "El modelo digital del terreno MDT200 del
Instituto Geográfico Nacional: descripción 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.
Gonçalves, 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, GE-
24(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 pág. 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.Felicísimo
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 pág. 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 pág. 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 pág. 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.
João, Elsa Maria (1995): "The importance of quantifying the effects of generalization". En Müller et al.
(1995: 183-193).
Joly, F. (1988): La cartografía. Oikos-Tau. Barcelona.
324
A.M.Felicísimo
Jones, A.R.; Settle, J.J.; Wyatt, B.K. (1988): "Use of digital terrain data in the interpretation of SPOT-
1 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, 2ª ed.,
261 pág. 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 términos científicos y técnicos, vol 5. (pág. 2163-
2839). McGraw-Hill-Boixareu Ed. Barcelona-México.
Lebart, Ludovic; Morineau, Alain; Fénelon, Jean-Pierre (1985): Tratamiento estadístico de datos.
Métodos y programas. Marcombo, 520 pág. 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 pág. London.
Maguire, D.J.; Goodchild, M.F.; Rhind, D.W. (Eds.)(1991): Geographical Information Systems.
Principles and applications, 2 vol., 649+447 pág. 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, Benoît (1967): "How long is the coast of Britanin? Statistical self-similarity and fractional
dimension". Science, 156: 636-638.
325
A.M.Felicísimo
Mandelbrot, Benoît (1984): "De los monstruos de Cantor y Peano a la geometría fractal de la
naturaleza". Pensar la Matemática: 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". Geo-
Processing, 1: 27-36.
Menéndez Díaz, Agustín (1992): Caracterización de un sistema gráfico orientado a la ingeniería del
terreno. Tesis Doctoral, 155 pág. Departamento de Explotación y Prospección de Minas, Universidad
de Oviedo (inédita).
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 pág. London.
Miller, C.L.; Laflamme, R.A. (1958): "The digital terrain model-theory and application".
Photogrammetric Engineering, 24(3): 433-442.
Minnaert, M. (1941): "The reciprocity principle in Lunat photometry". Astrophysics Journal, 93: 403-
410. 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.
Müller, 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.Felicísimo
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 Inter-
University 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 à ouverture synthétique pour la

cartographie". Bulletin de la Société Française de Photogrammétrie et Télédétection, (125): 41-49.
Popper, Karl R. (1984): Post Scriptum a La lógica de la investigación científica. Vol. II. El universo
abierto. Un argumento a favor del indeterminismo. Tecnos, 208 pág. 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 pág. 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.
Ríos, Sixto (1995): Modelización. AU 822. Alianza Ediciones. Madrid.
327
A.M.Felicísimo
Parte 1
Copyrigth
Los modelos digitales del terreno son una parte importante de la información integrante de los sistemas de
información geográfica. En la revisión de la literatura sobre ellos destaca, sin embargo, la escasa atención
que se ha dedicado a los aspectos formales y conceptuales. Esta circunstancia ha conducido a que los libros
clásicos sobre SIG traten muy superficialmente el tema de los MDT y a que puedan encontrarse
ocasionalmente definiciones confusas, cuando no claramente erróneas. Este apartado tiene por objeto fijar
la base conceptual de los MDT con el fin de abordar posteriormente los aspectos relativos a su construcción
y manejo con mayor claridad.
¿Qué es un Modelo?
Primera definición: un modelo es "una representación 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 definición: "un modelo es un objeto, concepto o conjunto de relaciones que se utiliza
para representar y estudiar de forma simple y comprensible una porción de la realidad
empírica" (Ríos, 1995:23).
La existencia de la relación simétrica 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 está condicionada principalmente por:
•una buena selección de los factores relevantes para el problema
•una adecuada descripción de sus relaciones funcionales
La calidad de un modelo puede valorarse sometiendo una parte de los resultados a una
verificación experimental.
El contraste experimental sirve:

•para el control de calidad del modelo y sus resultados
328
A.M.Felicísimo
•como mecanismo de realimentación para realizar ajustes
Dado que el modelo representa la realidad con una cantidad menor de información, existe un
error inherente al proceso de modelización que puede ser reducido pero no eliminado.
La reducción del error puede hacerse por dos caminos complementarios:

•mayor precisión en la medida y mejor selección de los componentes: no implica mayor
complejidad del modelo.
•mayor cantidad de componentes -partes e interrelaciones funcionales-: implica una
mayor complejidad del modelo.
La eliminación del error implicaría la identificación 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 categorías estrictamente excluyentes.
Primer ejemplo
Modelos icónicos, análogos y simbólicos
Turner (1970:364) se distingue tres tipos básicos de modelos: icónicos, análogos y
simbólicos.
En los modelos icónicos, la relación de correspondencia se establece a través de las

propiedades morfológicas, habitualmente un cambio de escala con conservación del resto de
las propiedades topológicas.
Ejemplo: una maqueta, donde se ha establecido una reducción de

tamaño conservando las relaciones dimensionales básicas.
En un modelo icónico se conservan las proporciones del objeto real

mediante una reducción de escala y una selección de las
propiedades representadas.
modelo icónico
Los modelos análogos se construyen mediante un conjunto de convenciones que sintetizan

y codifican propiedades del objeto real para facilitar la "lectura" o interpretación de las
mismas.
Ejemplo: un mapa impreso, construido mediante un conjunto de convenciones cartográficas que hacen
legibles propiedades tales como las altitudes, distancias, localización física de objetos geográficos, etc.
329
A.M.Felicísimo
modelo análogo modelo análogo
Arriba: modelo análogo utilizado para resolver el problema del camino más corto entre dos
vértices de un grafo. Los lugares se representan mediante pequeñas anillas y los caminos
entre ellos se modelizan mediante hilos de la misma longitud que el camino real. Para localizar
la ruta más corta entre dos puntos, A y D, se cogen las anillas correspondientes y se tensa la
red. Los hilos tensos definen la ruta mínima: A>F>H>D
Los modelos simbólicos se construyen representando el objeto real mediante una

codificación matemática (geométrica, estadística, etc.)
Ejemplo: la representación de un edificio mediante la

identificación y codificación en una estructura
geométrica de sus elementos básicos.
Reconstrucción virtual de un edificio prerrománico,

un ejemplo de modelo simbólico Parte del edificio ha
sido representado a partir de un levantamiento
simulado basado en restos de cimientos y muros.
modelo simbólico
Segundo ejemplo
Modelos analógicos vs. Modelos digitales
Los modelos digitales están codificados en cifras; son, por tanto, modelos simbólicos.
Los modelos analógicos son modelos físicos, como los ya mencionados de una maqueta como modelo
icónico, o un mapa convencional como modelo análogo.
Los modelos digitales presentan algunas propiedades de interés:
no ambigüedad: cada elemento del modelo tiene unas propiedades y valores
específicos y explícitos
verificabilidad: los resultados se construyen mediante pasos explícitos y concretos que
pueden ser analizados uno a uno y comprobados en todas las fases del proceso
repetibilidad: los resultados no están sometidos, a menos que de diseñe expresamente,
a factores aleatorios o incontrolados y pueden ser comprobados y replicados las veces
que se desee.
330
A.M.Felicísimo
Parte 3
MDT
Un MDT, o modelo digital del terreno es una estructura numérica de datos que representa la
distribución espacial de una variable cuantitativa y continua. Por tanto,
los MDT son modelos simbólicos
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 lógica -en el sentido informático- de almacenar y
vincular las unidades de información datos entre sí, que debe representar de alguna
forma las relaciones espaciales entre los datos
los MDT representan la distribución espacial de una variable cuantitativa y de
distribución continua
Por tanto, los mapas temáticos (variables nominales) no son MDT ni éstos están formados
tampoco por entidades lineales o puntuales como, por ejemplo, una red hidrológica.
MDT y mapas
Los mapas son la versión analógica de los MDT y pueden se denominados, por tanto, modelos
analógicos del terreno, MAT. Ambos tipos de modelos se complementan y no es previsible la
total sustitución de unos por los otros.
Algunas ventajas importantes de los MDT sobre los MAT son:

la posibilidad de tratamiento numérico de los datos
la posibilidad de realizar simulación de procesos, emulando el funcionamiento de un
sistema dinámico real
Su mayor problema es que el manejo de los MDT es complejo:
necesita equipos informáticos que obligan a un entrenamiento especializado

la interpretación de la información es indirecta
la elaboración de modelos derivados requiere el dominio de lenguajes de programación
o la intervención de especialistas
Asimismo, un uso eficaz de los MDT no se concibe fácilmente sin un equipo de trabajo
relativamente amplio, un equipo informático sofisticado y un conjunto de circunstancias que
permita unas condiciones de trabajo con una razonable estabilidad. En la práctica, las
posibilidades de trabajo e investigación que los SIG/MDT permiten se ven limitadas por las
también exigencias económicas y estratégicas que plantean.
331
A.M.Felicísimo
Parte 4
Simulación de procesos
Los MDT no son esencialmente modelos estáticos, su naturaleza digital permite realizar
procesos de simulación dinámica y crear modelos de procesos:
que se realizan mediante el diseño y empleo de algoritmos

y conducen a la construcción de nuevos MDT o modelos digitales derivados.
La simulación de procesos se realiza mediante

algoritmos que utilizan la información de los MDT para
generar otros modelos derivados. La figura muestra el
resultado de la simulación de una erupción volcánica,
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 verificación de los modelos derivados se realiza
mediante métodos de análisis del error

comparando una muestra extraída del modelo derivado con medidas empíricas
Un algoritmo sólidamente construido aplicado sobre un MDT fiable genera resultados

aplicables al objeto real con un error moderado.
Parte 5
El MDE
En la cartografía convencional la descripción de las elevaciones a través del mapa topográfico constituye la
infraestructura básica del resto de los mapas. El papel equivalente en los MDT lo desempeña el modelo
digital de elevaciones (MDE), que describe la altimetría de una zona mediante un conjunto de cotas.
Siguiendo la analogía cartográfica, es posible construir un conjunto de modelos derivados,

elaborados a partir de la información contenida explícita o implícitamente en el MDE. Los
modelos derivados más sencillos pueden construirse exclusivamente con la información del
MDE y reflejan características morfológicas simples (pendiente, orientación, etc.).
Incorporando información auxiliar es posible elaborar otros modelos más complejos, utilizando
conjuntamente la descripción morfológica del terreno y simulaciones numéricas de procesos
físicos.
332
A.M.Felicísimo
Origen del MDE

El término digital terrain model se originó en el Laboratorio de Fotogrametría del Instituto de
Tecnología de Massachussetts en la década de los años 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 tecnológicos, científicos y
militares.
El objeto de su trabajo fue acelerar el diseño de carreteras mediante el tratamiento digital de

datos del terreno adquiridos por fotogrametría, planteando una serie de algoritmos para la
obtención de pendientes, áreas, etc. El problema del número de datos se fue crítico, dada la
escasa capacidad de almacenamiento de los ordenadores en aquella época, y una buena parte
del esfuerzo del proyecto se dedicó a desarrollar métodos de representar los perfiles
topográficos de la forma más sintética posible.
Las aplicaciones informáticas de uso menos aplicado tuvieron que esperar algunos años más
y, habitualmente, surgieron en un contexto SIG que incorporaba la información topográfica
para el manejo de cartografía digital en términos más generales. El Harvard Laboratory for
Computer Graphics and Spatial Analysis marcó un hito cuando presentó SYMAP en 1967.
SYMAP era una aplicación formada por un conjunto de programas de manejo de cartografía
digital que incluía algoritmos de interpolación para generar mapas de isopletas a partir de
puntos acotados distribuidos irregularmente.
En los últimos años han surgido ya multitud de aplicaciones informáticas capaces de manejar
eficazmente los MDT. A pesar de ello, aún queda pendiente, lo mismo que en los SIG en
general, la resolución de problemas básicos como, por ejemplo, conseguir una estructura de
datos idónea, conseguir algoritmos eficientes, o facilitar el uso de los sistemas por parte de
los usuarios.
Parte 6
Definición
Un modelo digital de elevaciones es una estructura numérica de datos que representa la distribución
espacial de la altitud de la superficie del terreno.
Un terreno real puede describirse de forma genérica como una función bivariable continua:
donde z representa la altitud del terreno en el punto de coordenadas (x, y) y z es una función que relaciona
la variable con su localización geográfica..
En un modelo digital de elevaciones se aplica la función anterior sobre un dominio espacial concreto, D.
En consecuencia, un MDE puede describirse genéricamente como MDE=(D,z).
En la práctica, la función no es continua sino que se resuelve a intervalos discretos, por lo que el MDE está
compuesto por un conjunto finito y explícito de elementos. Esta generalización implica una pérdida de
información que incrementa el error del MDE y, en consecuencia, se propaga a los modelos derivados.
Estructuras de datos
De forma general, la unidad básica de información en un MDE es un punto acotado, definido como una
terna compuesta por un valor de altitud z, al que acompañan los valores correspondientes de x e y.
La estructuración de los datos elementales se ha realizado según dos modelos:
el modelo de datos vectorial está basado en entidades u objetos geométricos definidos por las
coordenadas de sus nodos y vértices
333
A.M.Felicísimo
el modelo de datos raster está 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 práctica a las siguientes:

estructuras vectoriales
contornos: polilíneas de altitud constante más puntos acotados
TIN: red de triángulos adosados
estructuras raster
matriz regular: cotas distribuidas sobre una malla cuadrada
quadtrees: matrices jerárquicas imbricadas
Parte 7
Modelo vectorial
El modelo de contornos o isohipsas
Un modelo de contornos está formado por polilíneas:

un vector de n pares de coordenadas (x, y) que describe la trayectoria de las
curvas de nivel
el número de elementos de cada vector es variable
el MDE está constituido por el conjunto de las curvas de nivel (n>1) más un
conjunto de puntos acotados (n=1)
El uso directo del modelo de contornos es poco útil pero casi todos los SIG tienen
herramientas para incorporarlos y transformarlos a otras estructuras (TIN o matrices).
El modelo TIN, de mosaico de triángulos
Un TIN (triangulated irregular network, Peucker et al., 1978) está formado por triángulos
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 función de la
complejidad del relieve.
Los triángulos se construyen ajustándose a una estructura anterior de puntos
334
A.M.Felicísimo
Parte 8
Modelos raster
El modelo matricial regular
Las matrices regulares se construyen superponiendo una retícula sobre el terreno y extrayendo la
altitud media de cada celda. Normalmente,
la retícula es una red regular de malla cuadrada
la localización espacial de cada dato está determinada de forma implícita por su
situación en la matriz, definidos el origen y el valor del intervalo entre filas y
columnas
La matriz regular es la estructura más utilizada para construir los MDE debido a su cómodo
manejo informático y simplicidad estructural.
El modelo matricial jerárquico o quadtrees
En los quadtrees, las celdas de la matriz pueden ser

datos elementales, como en las matrices regulares
nuevas matrices de luz más reducida
La estructura final es un árbol jerárquico de matrices elementales

de profundidad arbitraria (n niveles, si n=1 se trata de una matriz regular simple)
cuya resolución 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 jerárquicas y estructuras TIN.
Otras estructuras
Se han descrito muchas variantes y alternativas para el archivo y tratamiento de los MDE:
perfiles (Yoeli, 1983:21)
codificación de contornos mediante ecuaciones polinómicas (Miller y Laflamme,
1958:437)
id. mediante secuencias de segmentos de Bézier (Walton, 1989)
polígonos 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.Felicísimo
Parte 9
¿vectorial o raster?
La adopción de una estructura de datos concreta:
supone decidir el método de construcción del modelo e, indirectamente, sobre qué tipo
de información va a ser representada y cuál descartada
implica un esquema concreto de almacenamiento y gestión informática 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 informáticas puedan tener para
gestionar la información en el formato elegido
Es decir, la elección de la estructura de datos es importante porque condiciona el futuro

manejo de la información.
Los SIG y algunas aplicaciones dedicadas expresamente al tratamiento de los MDT usan, en la
práctica, sólo 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 información: la de digitalización del mapa topográfico.
Los quadtrees han despertado un mayor interés y existen aplicaciones que los usan como
estructura básica pero, a pesar de tratarse de una estructura teóricamente adecuada para el
tratamiento de la topografía, presentan serios problemas en el diseño de algoritmos.
Entre las dos alternativas restantes, dominan ampliamente las matrices regulares, probablemente por su
simplicidad conceptual y su cómodo tratamiento informático
Parte 10
Construcción del MDE

La captura de la información hipsométrica constituye el paso inicial en el proceso de
construcción del MDE, e incluye la fase de transformación de la realidad geográfica 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, éstos deben ser estructurados para formar el MDE de alguna de las
formas presentadas en el apartado anterior.
captura de datos
Los métodos básicos para la conseguir los datos de altitudes son:
métodos directos: medida directa de los datos de altitud sobre el terreno (fuentes
primarias)
altimetría: altímetros transportados por plataformas aéreas
GPS, global positioning system, localización mediante triangulación vía satélite
336
A.M.Felicísimo
topografía: estaciones topográficas con grabación de datos
métodos indirectos: medida a partir de documentos previamente elaborados (fuentes secundarias)

restitución
fuente digital (SPOT)
fuente analógica (cámaras métricas)
digitalización
automática (escáner)
manual (tablero digitalizador)
Parte 11
métodos directos
altímetros, GPS y estaciones topográficas
Los altímetros transportados por satélites permiten el registro directo de los datos de altitud en formato
digital:
son extremadamente precisos: el error nominal puede ser de unos centímetros (Bruzzi y
Wooding, 1990:13)
esta precisión es relativa, es decir, el altímetro evalúa de forma muy precisa diferencias
entre medidas sucesivas
Otros problemas relacionados con la fuerte dispersión de la señal en zonas rugosas y con una
resolución espacial reducida han limitado prácticamente su uso hasta el presente al análisis de
la topografía de la superficie marina y seguimiento de los hielos polares (Francis et al.,
1991:42-43).
Los sistemas de localización geográfica conocidos como GPS -global positioning system-
utilizan un conjunto de satélites de referencia y, mediante métodos de triangulación, permiten
obtener valores de las tres coordenadas espaciales para un lugar concreto de la superficie
terrestre:
es un método muy preciso en ciertas condiciones (GPS diferencial, con una segunda estación de
apoyo)
entre sus limitaciones:
es necesario acceder físicamente al lugar de medida
es necesario el acceso directo y simultáneo a un mínimo de cuatro satélites
la cubierta vegetal sobre la antena receptora dificulta la medida
Estos problemas han convertido al método GPS en un recurso de apoyo, pero no en un

sistema básico de captura de datos para construir el MDE.
Finalmente, las estaciones topográficas más avanzadas pueden generar y almacenar los
resultados de sus medidas en formato digital. Algunos sistemas de información geográfica
incorporan utilidades que permiten el tratamiento e incorporación de estos datos (ver, por
ejemplo, ESRI, 1991).
337
A.M.Felicísimo
Parte 12
métodos indirectos
Restitución fotogramétrica, radargrametría
La restitución fotogramétrica utiliza pares de imágenes de la zona a estudiar, parcialmente solapados y
tomados desde puntos de vista diferentes, que forman los denominados pares estereoscópicos:
del examen de puntos homólogos y de su paralaje se deducen las cotas de referencia
necesarias para reconstruir la topografía
los restituidores fotogramétricos actuales realizan esta labor grabando los resultados en
un formato digital compatible con sistemas de información geográfica.
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 estereoscópicos han sido hasta hace pocos años exclusivamente fotogramas
aéreos. Actualmente, a estas fotografías se han sumado las imágenes digitales tomadas por
sensores pancromáticos transportados por satélites.
Los radares de apertura sintética mediante técnicas definidas como radargrametría permiten
generar MDE de buena precisión. Aunque probablemente es la técnica del futuro, las
dificultades operacionales son aún significativas. Sin embargo, la magnitud del error del MDE
resultante permite establecer ya una competencia real con los métodos más convencionales.
A la izquierda: aspecto de una

imagen de interferencia del volcán
Kiluaea.
A la derecha: bloque - diagrama

elaborado a partir de la
interferometría radar.
Parte 13
métodos indirectos
la digitalización automática
La digitalización de mapas topográficos preexistentes es la técnica más habitual en la actualidad y puede
realizarse
de forma automática mediante un escáner
de forma manual, mediante un tablero digitalizador
La digitalización automática genera una imagen de valores de reflectancia. El tamaño de la celda o pixel
debe establecerse asegurando
que sea capaz de recoger todas las estructuras presentes en el mapa
338
A.M.Felicísimo
que la dimensión de los ficheros permitan el tratamiento con los medios informáticos
disponibles
Las fases del proceso son:
toma de la imagen mediante el escáner; la imagen puede ser binaria (blanco y negro) pero también
es posible usar el color para separar elementos
filtrado de la misma para separar las estructuras de interés y descartar el resto
vectorización de la imagen contrastada, de forma que los pixeles adyacentes se
estructuren en líneas, generándose una estructura vectorial
reconocimiento de los valores de elevación escritos en el mapa, en un proceso de
varios pasos:
una aplicación OCR -optical character recognition- identifica los dígitos del mapa
se restituyen los rótulos de elevaciones a partir de los dígitos
se asigna la elevación a los contornos a ambos lados del rótulo
se unen ambos extremos de contornos y se eliminan los rótulos
edición manual, para la corrección de los errores topológicos y la asignación de
altitudes a las líneas no etiquetadas
Los mapas originales suelen ser complejos, con mucha más información que la estrictamente
deseable. En consecuencia, la fase de revisión y corrección de los errores topológicos (Peled y
Fradkin, 1994:246) es muy costosa.
Por este motivo, y a pesar del coste cada vez más asumible de los escáneres de gran
formato, la digitalización manual es un método usado muy frecuentemente por los equipos de
pequeña entidad.
Parte 14
métodos indirectos
la digitalización manual
La digitalización 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 línea
los intervalos pueden ser fijos o variables
Los trabajos de digitalización son, en la práctica, 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 precisión mediante puntos de control
debe valorarse el método de digitalización a utilizar, incremental o punto a punto
no es deseable introducir un número excesivamente elevado de puntos en las
curvas de nivel
339
A.M.Felicísimo
Según Flach y Chidley (1988) obtendrán buenos resultados en los procesos de

generación del MDE cuando la distancia entre puntos a lo largo de una línea sea similar
a la distancia entre líneas.
Parte 15
¿qué digitalizar?
los elementos que definen la estructura topográfica

¿Qué digitalizar? Lo más evidente es transferir todas las curvas de nivel del mapa
topográfico. Pero hay más 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
información para construir un MDE es:
curvas de nivel, descompuestos o no en puntos acotados -mass points- previa
generalización o reducción de la densidad de vértices de la línea
puntos acotados singulares o vips -de very important points-: cumbres de picos,
fondos de dolinas, etc.
líneas estructurales, que definen elementos lineales con valores de altitud
asociados a cada vértice
líneas de inflexión o rotura – breaklines -, que definen la posición de elementos
lineales sin valores de altitud explícitos que rompen la continuidad de la
superficie.
zonas de altitud constante: polígonos que encierran una superficie de altitud
única (p. ej. lagos)
zonas de recorte, polígono que define los límites externos del MDE
zonas vacías, 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 información topográfica disponible.
La construcción de un MDE matricial a partir de la información anterior es básicamente

un problema de interpolación: se definen las localizaciones de los puntos problema -
intersecciones de filas y columnas-y se estima la altitud de cada uno de ellos en
función de los datos del entorno existentes en el modelo vectorial. Los algoritmos de
interpolación deben tener en cuenta, asimismo, las diversas estructuras auxiliares para
introducir variantes en los mecanismos de cálculo.
En el caso de la creación de una estructura TIN, en lugar de interpolar, se realiza una

selección de puntos descartando los que no aporten una información relevante para la
descripción de la altitud.
340
A.M.Felicísimo
Parte 16
la interpolación
Método general: IDW (ponderación por distancia)

La interpolación del punto problema se realiza asignando pesos a los datos del entorno
en función inversa de la distancia que los separa -inverse distance weighting, IDW-.
La fórmula general es:
Donde es el valor estimado para el punto j ; n es el número de puntos usados en

la interpolación; zi el valor en el punto i-ésimo y kij el peso asociado al dato i en el
cálculo del nodo j. Los pesos k varían entre 0 y 1 para cada dato y la suma total de
ellos es la unidad
Para establecer una función de proporcionalidad entre el peso y la distancia, la fórmula
general queda como sigue:
donde y b es un exponente de ponderación que controla la

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

El kriging es un método de interpolación con una expresión general similar a la anterior.
La diferencia básica es que asume que la altitud puede definirse como una variable
regionalizada.
Esta hipótesis supone que la variación espacial de la variable a representar puede ser
explicada al menos parcialmente mediante funciones de correlación espacial: la
variación espacial de los valores de z puede deducirse de los valores circundantes de
acuerdo con unas funciones homogéneas en toda el área.
Las funciones pueden deducirse analizando la correlación espacial entre los datos en
función 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.Felicísimo
Ejemplo de semivariograma
donde la varianza real se
ajusta a una distribución
teórica; ésta es la que se
aplica para la estimación de
los pesos en la interpolación.
Aunque el kriging es un método de estimación óptimo desde el punto de vista

estadístico, presenta algunas dificultades a la hora de ser utilizado como método de
construcción de los MDE:
el semivariograma debe ser de validez general para todo el MDE: la
interdependencia entre los datos debe ser función exclusivamente de la
distancia entre ellos -de su posición relativa- y no de su localización espacial
absoluta.
no permite el tratamiento de discontinuidades topográficas que supongan
cambios bruscos, como rupturas de pendiente.
Por los motivos anteriores el kriging no suele dar buen resultado en la construcción de
MDE, generándose modelos muy suavizados donde la rugosidad del terreno se
infravalora fuertemente.
Parte 17
la triangulación
TIN, la red de triángulos irregulares
El modelo TIN tiene varias cualidades de interés:
no presupone ni exige la continuidad estadística 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 vértices
La creación de un TIN se compone de dos partes diferentes:

la triangulación propiamente dicha
la selección de los puntos a usar
La triangulación es un tópico bien conocido utilizado en numerosas aplicaciones como robótica,

análisis de elementos finitos, visión artificial y síntesis de imágenes (Cignoni et al., 1994:2).
En el caso de los SIG el método más habitual es el conocido como triangulación 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.Felicísimo
la región Vi contiene todos y sólo los puntos cuya distancia a Pi es menor que a
Pj y viceversa
el concepto se extiende a múltiples puntos Pn de forma que cada uno de ellos
se asocia a una región Vn
si el concepto se aplica a un dominio cerrado se genera un conjunto de
polígonos convexos que teselan el plano denominados regiones de Voronoi
si se conectan entre sí los puntos que comparten un borde de una región se
obtiene una triangulación de Delaunay
La forma más trivial de construir un TIN es usar todos los vértices y nodos de las
curvas de nivel, así como los puntos singulares como vértices de triángulos. Este
modelo masivo no es deseable:
por la enorme cantidad de elementos que sería necesario construir y manejar
para una zona de cierta extensión
por la redundancia debida a que muchos puntos procedentes de una
digitalización rutinaria no aportan una información significativa.
Formalmente, el problema puede plantearse como sigue:

dado un conjunto H de n puntos acotados, elegir un subconjunto mínimo S de H
constituido por m puntos, a partir del cual pueda reconstruirse H con el menor
error posible.
Los dos enfoques básicos son:

1. Hacer la selección antes de la triangulación y realizar posteriormente un modelo
masivo. La estrategia es suministrar al algoritmo de TD los puntos básicos ya
elegidos mediante la adecuada generalización cartográfica de las curvas de nivel
y una selección de puntos críticos.
2. Utilizar un algoritmo de TD que realice la selección según realiza la construcción
de la red.
Los métodos de construcción de TIN más utilizados pueden agruparse en las siguientes
clases:
inserción incremental, que comienza con una triangulación mínima y a la que se
añaden progresiva y selectivamente nuevos puntos como vértices de la red.
reducción selectiva, por eliminación de puntos a partir de un modelo masivo
mediante criterios de incremento mínimo del error.
La transformación vector- raster

Los modelos basados en triángulos generan una estructura más difícil de manejar que
la matriz regular.
Por este motivo, lo más usual es crear un MDE según 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 generación del MDE por lo que es preferible a la
generación directa de la matriz regular a partir de los datos de entrada.
La interpolación puede realizarse por dos métodos básicos:

343
A.M.Felicísimo
interpolación lineal, donde la altitud del punto problema se estima directamente

a partir la ecuación del plano definido por los tres vértices del triángulo que lo
contiene
interpolación quíntica, que considera la superficie definida por el TIN como un
continuo y, por tanto, suaviza las zonas de los vértices y lados; para esta
interpolación se utiliza una ecuación polinómica bivariable de quinto grado.
Parte 18
Otros métodos
La conservación de la continuidad hidrológica
Un problema característico en la creación de MDE es la aparición de concavidades o pozos a lo

largo de los fondos de valles. Este tipo de artefactos se genera por el uso de funciones de
interpolación de grado superior en zonas conflictivas.
La presencia de concavidades tiene importancia en el caso de simulación de procesos

hidrológicos ya que interrumpen las líneas de flujo.
La corrección de concavidades de los MDE ya existentes es posible mediante

algoritmos que simulan la inundación 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 kársticas, por ejemplo- debe ser aplicado con enorme precaución.
Una forma de evitar el problema es introducir la red hidrológica como líneas de rotura
en la generación del modelo TIN. De esta forma, la triangulación utilizará estas líneas
como lados de los triángulos trazando correctamente las líneas de flujo.
Hutchinson (1989:213) ha propuesto un método específico para la creación de un

MDE libre de pozos que impone restricciones al proceso de interpolación forzando su
ajuste a la red hidrológica. El trazado fluvial debe ser introducido como información
auxiliar.
El mayor problema de este método es que, en su estado actual, no permite la

introducción de todas las estructuras auxiliares mencionadas al comienzo de este
apartado.
344
A.M.Felicísimo
Tema 2
Valoración
del error en el MDE
Introducción
Los ordenadores y programas utilizados para el manejo de la información cartográfica
permiten definir localizaciones con una precisión casi arbitraria. Esta precisión se transmite
aparentemente al resto de las operaciones de forma que unos buenos gráficos, una
leyenda fácilmente legible y otros aspectos formales de la presentación tienen como
resultado una sobrevaloración de la calidad de la información presentada.
Sin embargo, la realidad muestra que los problemas inherentes al manejo de las bases de datos
cartográficas se deben, en una buena parte, a su mala calidad. Muchos documentos digitales han
sido "capturados" de mapas impresos de naturaleza muy heterogénea, generados con unos objetivos
y expectativas que no tienen porqué coincidir con los actuales. La potente maquinaria actual y los
sofisticados programas informáticos permiten obtener un resultado que replica fielmente todos los
defectos del original y añade algunos nuevos. Sin embargo, su naturaleza digital induce a creer
frecuentemente que el contenido de la base de datos es mejor que el original analógico.
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 más necesario incorporar lo que se ha llamado meta-
información en los productos SIG: información sobre la información, 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 topografía. Por este motivo, la utilidad y validez de los
resultados derivados están estrechamente relacionadas con la calidad del modelo
original.
La calidad de un MDE depende del tipo y magnitud de los errores implicados. La

información es necesariamente imprecisa debido a la simplificación inherente al
proceso de modelización. El problema básico consiste en conocer y controlar esta
imprecisión, de forma que sea posible saber la fiabilidad de los resultados.
Los errores en los MDE pueden ser separados en dos categorías:

los errores posicionales implican una deficiente localización geográfica de la
cota o de la trayectoria de la curva de nivel y afectan, por tanto, a la situación
en el plano XY
los errores atributivos suponen una asignación imprecisa de la altitud asociada a
la cota o a la curva e implican a las coordenadas en el eje Z
345
A.M.Felicísimo
Estos dos tipos de errores han sido denominados también, de forma más genérica,
cartográficos —error en la localización de elementos—, y temáticos —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 triángulos, que manejan entidades geométricas. Los
modelos raster, basados en localizaciones definidas implícitamente no se ven afectados
por errores de posición.
Los errores atributivos afectan tanto a modelos vectoriales como raster. En el primer
caso suele tratarse de errores en el sentido más básico de la palabra —blunders—, es
decir, fallos groseros y locales en la asignación de la altitud. En el caso de las matrices
regulares, el origen del error suele estar en las múltiples operaciones geométricas
implicadas en la construcción del MDE. En este caso, el error es de naturaleza
estadística y global, pudiendo considerarse un atributo que define y caracteriza el MDE.
El error de las fuentes primarias
La construcción del MDE con imágenes de satélite
Las imágenes de algunos sensores transportados por satélite 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 imágenes Landsat-TM
para calcular altitudes en la zona de solapamiento entre dos órbitas. Los resultados que
presentan señalan un error cuadrático medio, ECM, de 92 m, lo que supone 3 veces el
tamaño del pixel de la imagen original —30 m—. La zona, de 40x45 km y situada en
los Alpes centrales de Japón, posee un desnivel máximo de 2200 m. Para el cálculo
del ECM se utilizó un total de 60 puntos de control.
El satélite SPOT es claramente más adecuado para el cálculo de altitudes debido a dos
circunstancias. La primera, que el tamaño de pixel de las imágenes es de 10 m en
modo pancromático, lo que supone un incremento muy significativo de la resolución.
La segunda es que el SPOT puede tomar pares de imágenes estereoscópicas de la zona
que se desee girando las cámaras, lo que permite cubrir cualquier zona de la superficie
terrestre.
Mukai et al. (1990), usando técnicas similares a las de su anterior trabajo con Landsat-
TM, consiguen en este caso valores del ECM de 26 m partiendo de las imágenes SPOT
pancromáticas. Sasowsky et al. (1992) realizan pruebas similares en un área 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 imágenes SPOT tiene una tendencia significativa a proponer altitudes
más 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 conclusión es que las imágenes SPOT pancromáticas
permiten generar cartografía con una precisión geométrica elevada y compatible con
los estándares de la escala 1:50.000.
346
A.M.Felicísimo
Finalmente, Kubik y Wu (1995) presentan los resultados del tratamiento de imágenes

SPOT mediante estaciones de trabajo fotogramétricas con un ECM de 6 m en altitud.
La conclusión general es que las imágenes SPOT permiten construir modelos con
valores del ECM variables en función del relieve y de los métodos 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 tamaño de la malla —distancia entre filas y
columnas—.
La construcción del MDE mediante radar

La interferometría radar es una técnica que usa las diferencias de fase entre dos
imágenes para estimar la distancia entre la superficie y el satélite o avión. La fase de
un pixel es la suma de dos componentes: la fase específica —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 imágenes diferentes la fase
específica puede eliminarse. La resultante es el componente debido a la diferencia de
distancia entre los dos pasos del satélite. A partir de esta imagen de interferencia es
posible estimar la altitud absoluta con precisión variable en función de diferentes
parámetros.
La construcción de MDE mediante radar tiene se más 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 imágenes cenitales de la superficie terrestre con una resolución horizontal de
5 m y un error en la determinación de la altitud de 1 a 3 m, en función del tipo de
relieve. El TOPSAR/AIRSAR es transportado por un DC-8 a una altitud típica de 9 km.
El sistema está dotado de un sistema GPS para la localización, lo que permite un
referenciación geográfica 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 satélite topográfico que podría tener un error altitudinal de unos 2
m con una resolución horizontal de 30 m. Sin embargo, en Evans (1995) se indica que
los radares actuales transportados por satélites no pueden ser utilizados de forma
rutinaria para determinar la superficie topográfica. La razón principal reside en la
desconocida influencia de la ionosfera en el retraso de la señal; 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
orígenes. El más frecuente es el derivado de la digitalización de mapas, tanto más
debido a la tendencia a infravalorarlo, probablemente por la dificultad de su corrección.
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
información.
La digitalización manual de mapas sigue siendo el método más usual de incorporar

información topográfica. La razón probablemente estriba en que la digitalización
347
A.M.Felicísimo
automática es dificultosa a partir de los complejos mapas editados, que son los más
fácilmente disponibles.
La digitalización manual ha sido reconocida como una importante fuente de error

cartográfico cuyas causas pueden dividirse en dos categorías, en función de su origen:
las causas externas están relacionadas generalmente con la deformación de los
documentos —mapas antiguos, en mal estado de conservación, referenciación
geográfica deficiente o, simplemente, de mala calidad—
las causas operacionales hacen referencia a los procesos de digitalización y
manipulación posterior de los datos: por ejemplo, el error introducido en el
proceso de digitalización se debe básicamente a la inexacta colocación 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 corrección geométrica. Este proceso
está integrado habitualmente en los propios programas de digitalización y son capaces de
modificar coherentemente la localización de las entidades cartografiadas en función de un
conjunto de puntos de referencia —ver apartado siguiente—.
El error de la digitalización
En el caso de los errores derivados de la digitalización manual, cabe distinguir tres casos
diferentes:
el error topológico, provocado por que el operador sigue una línea equivocada
debido a una mala interpretación del mapa
el error estocástico, generado por la imprecisión en el seguimiento de las líneas
debido a una deficiente colocación del cursor
el error de generalización, debido a la simplificación del trazado de las curvas, que
son digitalizadas como una cadena de segmentos rectilíneos
Los errores topológicos son simples de detectar y corregir mediante un simple análisis
visual debido a los rígidos patrones de distribución de las curvas de nivel —paralelismo,
coherencia topológica—. 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 topológico es mucho más
frecuente en la digitalización automática mediante escáner (Peled y Fradkin, 1994:246),
donde la experiencia y capacidad de interpretación del operador no pueden ser aplicadas.
Los errores estocásticos de digitalización pueden ser debidos esporádicamente a causas

fisiológicas —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 física de replicar

exactamente la trayectoria de las curvas de nivel. En este caso se ha propuesto que los
errores de colocación están 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 línea rebajando o excediendo
la trayectoria según su morfología.
Esta circunstancia está clara en el caso de la digitalización en modo continuo —stream

mode—, donde el cursor está en movimiento y las coordenadas se introducen de forma
automática cada cierta distancia sin control por el operador. En el caso de la digitalización
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.Felicísimo
cual el operador coloca el cursor sobre la línea. Si el tiempo entre puntos sucesivos es
suficiente el error en cada punto será 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
fenómeno de autocorrelación se hace significativo.
La presencia de autocorrelación puede detectarse mediante pruebas de aleatoriedad,

donde la variable independiente es el tiempo o, más exactamente, la secuencia ordenada
de puntos digitalizados. El análisis es básicamente equivalente a una serie temporal donde
se asume que los puntos son digitalizados a intervalos constantes.
Finalmente, el error de generalización se produce por la reducción de la línea curva original

a otra compuesta por pequeños segmentos rectilíneos entre los puntos digitalizados. Cabe
distinguir dos tipos diferentes de generalización:
la generalización cartográfica —graphic-oriented generalization— es utilizada para
representar gráficamente la información a diferentes escalas. Se trata de un
proceso básicamente gráfico donde las líneas son redondeadas, comprimidas,
colapsadas o simplificadas con el objetivo de facilitar su lectura y no de conservar
una extrema fidelidad al original.
la generalización para la modelización —model-oriented generalization—tiene como
objetivo la simplificación controlada de los datos para la conservación de
propiedades relevantes del original. El proceso se realiza para utilizar el modelo en
simulación y análisis por lo que es importante la valoración y el control de la
propagación del error.
El problema de la digitalización es que se realiza para la modelización pero partiendo de

originales sometidos a una generalización cartográfica. La conclusión es que el error
cometido es frecuentemente desconocido y no cuantificable.
En la digitalización, las curvas de nivel originales quedan representadas mediante un

conjunto reducido de vértices. El producto final son polilíneas de menor complejidad
que las originales. La razón de efectuar la generalización es la reducción del volumen
de datos pero a costa de una pérdida de información que supone un incremento del
error.
El error de generalización tiende a reducirse cuando el número de puntos aumenta, y se

incrementa generalmente con la complejidad de la línea original. La forma de reducir el
error manteniendo un volumen de datos moderado es realizar una buena selección de los
puntos críticos de la curva. La experiencia del operador es un factor importante en esta
selección pero probablemente es preferible realizar una digitalización densa y aplicar
posteriormente algoritmos de generalización automática. Estos algoritmos, en términos
generales, conservan la longitud y ángulos satisfactoriamente y, sobre todo, desplazan
mucho menos las líneas que la generalización manual, luego causan mucha menos
distorsión (João, 1995:188).
El análisis del error de digitalización

Como se ha indicado anteriormente, el análisis del error de la digitalización puede ser
asimilado al de las series temporales. En el caso de existir autocorrelación, el error en un
349
A.M.Felicísimo
punto j, ej puede ser representado como una suma ponderada de un número finito n de
errores anteriores más un término aleatorio a propio de cada punto:
Además 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 móvil —MA, movil average— donde la suma ponderada de los
anteriores términos aleatorios a explica una parte de la varianza:
Se ha planteado la hipótesis de que el error puede explicarse mediante el modelo

autorregresivo, el de media móvil o una combinación de ambos —modelo ARMA—(Keefer,
1988:479).
El uso de modelos ARMA puede ser un camino para modificar los ficheros procedentes de
la digitalización y reducir el error posicional global. En efecto, si se demuestra que el
modelo es coherente y puede explicar una fracción significativa del error, puede ser
aplicado a posteriori para realizar una corrección de las coordenadas. Al menos, la parte
del error explicada por autocorrelación podría ser reducida para mejorar la calidad del
proceso. Sin embargo, esta hipótesis debe ser aún comprobada ya que no se han
localizado trabajos en la bibliografía que lo hayan llevado a la práctica.
La cuantificación del error posicional

Cuando una curva de nivel se digitaliza y se define por un número de segmentos, la
incertidumbre debida al error posicional de los vértices afecta a una banda o pasillo
alrededor de la línea.
La banda de probabilidad suele denominarse banda épsilon y representa un entorno de

probabilidad de la localización real de la curva de nivel alrededor de la línea digitalizada. Si
la banda es simétrica normalmente a la línea, se asume que no existe sesgo en la
digitalización, es decir, no ha existido una tendencia significativa a digitalizar a un lado
concreto de la línea.
La banda épsilon fue utilizada originalmente por Perkal (1966) como método de generalizar
objetivamente una línea. El algoritmo más utilizado en la actualidad para generalizar las
líneas (Peuker y Douglas, 1975) es básicamente un procedimiento iterativo que maneja
implícitamente el concepto de banda e al definir una distancia umbral para la "limpieza" de
las líneas —weed tolerance—. El valor de e puede usarse, sin embargo, como un índice de
calidad al valorar el proceso de digitalización.
Interpretada como una banda de probabilidad, la anchura de la banda e crecerá en función

directa de la magnitud del error en la digitalización. La banda épsilon puede representarse,
por tanto, codificada en valores de gris de acuerdo con el valor de probabilidad asignado a
cada zona alrededor de la línea —ver figura—.
350
A.M.Felicísimo
Figura: Representación de la banda épsilon como región

probabilística. Cuanto más oscura es la zona, mayor
probabilidad tiene de contener la línea real. Los vértices
digitalizados se muestran como puntos blancos definiendo el
pentágono.
Es posible realizar una estimación de la magnitud de e en un mapa cuando se dispone de

otro más detallado de la misma zona. Para ello se superponen algunas líneas homólogas y
se miden las distancias entre ellas, perpendicularmente a la línea de referencia y a
intervalos constantes. Los errores medidos, en ausencia de sesgo, se ajustarán a una
distribución normal de media cero y desviación estándar s. Para un valor e = ±1,96 s, la
banda épsilon representa la zona donde, con una probabilidad del 95%, pasa la línea
original.
Cabe considerar que el valor de e puede no ser constante en todo el mapa. El motivo es
que el error de digitalización puede variar en función de la complejidad de las líneas y de
su proximidad.
El manejo de la información en función del valor de e es un tema aún poco desarrollado. El

tema a empezado a preocupar en el contexto de los mapas temáticos vectoriales, donde la
imprecisión de las líneas genera problemas en las operaciones de superposición y, en
general, en el álgebra de mapas (Lowell, 1995). Sin embargo, en el caso de la generación
del MDE a partir de líneas con error conocido aún no se ha hecho avance alguno.
El error cartográfico: 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 precisión altimétrica. 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
España, una gran parte de la cartografía de gran escala ha sido generada por muy diversos
organismos o empresas con parámetros de calidad desconocidos.
Los errores de los mapas originales se suman, por tanto, a los ya estudiados del propio
proceso de digitalización. Pueden diferenciarse los siguientes componentes:
error altimétrico absoluto del mapa o error máximo admitido en los procesos
fotogramétricos
propagación del error planimétrico a la altimetría: el error planimétrico 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 valoración 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 máximo lo triplica.
351
A.M.Felicísimo
El error cartográfico: la deformación de los mapas

La deformación del mapa topográfico 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 análisis y modelización es aconsejable realizar un estricto control de las
dimensiones del problema desde el primer momento.
Cabe destacar que la detección y corrección de este tipo de errores sólo es posible cuando
se trata de deformaciones globales. Esto significa que problemas tan usuales como los
dobleces en los mapas pueden ser muy difíciles de corregir por tratarse de deformaciones
locales.
La medida de este tipo de error puede realizarse con criterios estadísticos a partir de un
conjunto de puntos de control localizados con precisión. El problema se plantea
básicamente como una transformación de coordenadas, desde un sistema original
deformado a otro de referencia, habitualmente un sistema de proyección geográfica.
Los programas de digitalización suelen tener incorporadas utilidades para realizar la

corrección desde el principio pero también es posible realizarlo a posteriori mediante
procesos de ajuste que la mayoría de los SIG poseen.
El método de corrección se ejecuta en tres pasos:

se establece una serie de puntos de control cuya localización se conoce con
exactitud en ambos sistemas de coordenadas
se establecen unas funciones de transformación entre ambos sistemas,
calculadas a partir de los puntos de control
se aplican las funciones de transformación sobre los puntos de control para
conocer la magnitud del error
en caso de que el error sea aceptable, se realiza la transformación global
aplicando las funciones a la totalidad de puntos
Las funciones de transformación suelen estimarse de forma independiente para las

abscisas y para las ordenadas. Definiendo con el subíndice T a las coordenadas originales
—tablero, por ejemplo— y con G a las finales —sistema de proyección—, se tienen las
siguientes expresiones generales:
En la mayoría de los casos, las funciones anteriores se estiman aplicando métodos

estadísticos de los cuales el más utilizado es el de superficies de tendencia, en el que las
funciones z se calculan mediante regresión múltiple o ecuaciones polinómicas estimadas
por el método de mínimos cuadrados. Se han propuesto funciones diferentes (Goshtasby,
1986, 1988) pero el método polinómico es el más utilizado. La expresión general del
mismo es:
352
A.M.Felicísimo
El grado del polinomio de ajuste puede ser variable. Cuando vale 1 es posible efectuar
transformaciones afines, es decir, operaciones de translación, rotación y cambio de
escala. Los grados superiores permiten recuperar distorsiones geométricas más complejas.
En el primer caso, las ecuaciones de transformación se reducen a un plano de regresión:
La estimación del error cometido en la transformación: se realiza comparando las

coordenadas de los puntos de control con las resultantes de aplicar las funciones de
transformación sobre los mismos puntos. El error suele estimarse como error cuadrático
medio, ECM, separable para las componentes x e y:
El límite aceptable para el error cuadrático máximo de los puntos o para el ECM debe
fijarse en función de la aplicación a la que va destinado el MDE, así como de la escala de
partida, primer determinante de la precisión geométrica de un modelo. En la digitalización
manual puede proponerse un límite empírico que sería 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 precisión máxima que un operador
experimentado puede obtener en la digitalización manual.
Esquema del proceso de

corrección geométrica 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 anómalo. Posteriormente, puede variarse el
grado de la transformación para intentar mejores ajustes. De forma general, la
transformación de primer grado sólo permite efectuar ajustes lineales por lo que, si el
mapa está distorsionado, serán necesarias previsiblemente transformaciones de grado
superior. Existe un límite práctico derivado de la precisión de los cálculos implicados en las
operaciones matriciales necesarias.
Finalmente, debe destacarse que los puntos de control del mapa se digitalizan
manualmente por lo que una introducción 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 mayoría 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.Felicísimo
En este caso, la forma más simple de detectar el problema es trazar perfiles paralelos en
diversas direcciones y examinar visualmente los resultados. La corrección se realiza
manualmente actualizando en la base de datos el registro que describe la curva errónea.
También es posible y útil generar un MDE matricial y, a partir de él, modelos derivados.
Algunos de ellos permiten ver fácilmente los errores debido a las irregularidades en la
distribución 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 máximo error permitido.
Son de naturaleza local y deben ser eliminados completamente
errores sistemáticos, que presentan un patrón de distribución 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 eliminación de los anteriores y que
suelen presentar una distribución de Gauss. Este error es global y se origina en
las imprecisiones de los datos originales y en los múltiples procesos de
generalización, interpolación, etc. que se ejecutan en su construcción.
Análisis 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 parámetros que definen la distribución del error pueden deducirse a partir de un
conjunto muestral de puntos—check 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 métodos precisos. El método más 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 aquí
pleno sentido, al permitir establecer un conjunto de puntos de control con precisión
conocida y que, en los casos de usar GPS diferencial, pueden tener una precisión
suficiente para el control de calidad.
Valoración 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 interés para comprobar si
las desviaciones del modelo son aleatorias o no. En el primer caso, EM no será
significativamente diferente de cero. Sin embargo, como las desviaciones positivas y
negativas se anulan, el EM no es una medida válida de la calidad del MDE.
354
A.M.Felicísimo
Lo más habitual es utilizar el error cuadrático medio, ECM, que se calcula mediante la
expresión:
El uso de estos estadísticos permite una evaluación objetiva de la calidad de los MDE si,
del mismo modo que en el caso de la cartografía convencional, se plantean unas reglas de
calidad o baremos para los MDE. Para la aplicación de un baremo se asume que los
grandes errores han sido corregidos, así como los posibles errores sistemáticos y sólo
resta la componente aleatoria.
La influencia de los puntos de control

¿Cuántos 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 éste dependen de la calidad y cantidad de los puntos de control. Utilizar
un gran número de puntos requiere asimismo un esfuerzo importante para conseguir
fijarlos con precisión. Debe, por tanto, fijarse un número mínimo 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 tendrá una desviación estándar del 10%. Li
(1991) presenta un análisis teórico más completo y concluye una ecuación general
donde e es la medida del error en términos de desviación estándar —equivalente al ECM
cuando no hay sesgo, es decir, cuando EM=0—; R(e) es la fiabilidad de la medida del
error, asimismo en términos de desviación estándar —el error del error—; finalmente, n es
el número 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 mínima necesaria para una fiabilidad R(e) será:
Por tanto, si se desea evaluar el error con una fiabilidad del 10%, —R(e)=0.10—serán
necesarios 51 puntos de control. Inversamente, si se ha obtenido un error de R(e)=25 m
con 50 puntos de control, sabemos la desviación estándar del error es de 2,5 m, un 10%
de la medida. En consecuencia, los límites de confianza del 95% para el error estarán en el
rango de 25 ± 1,96 ∙ 2,5 m = 25 ± 4,9 m.
En la selección de los puntos de control debe tenerse en cuenta que el muestreo debe ser
representativo de las estructuras topográficas presentes en la zona. Por este motivo, el
uso de la red geodésica no es aconsejable ya que los puntos tienden a encontrarse en las
cimas y otros lugares destacados. Sí es posible, en cambio, utilizar la red como apoyo
para añadir otros puntos de control en zonas diferentes o utilizar el método GPS para
conseguir una red representativa con una distribución adecuada.
Análisis de los grandes errores

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

decir, se producen errores que sólo afectan a una pequeña fracción del área total. Las
técnicas de detección y medida suelen ser también locales y se basan generalmente en
hipótesis sobre la continuidad en los valores de la pendiente.
El origen de estos errores puede estar en causas diversas, incluso por los métodos
automáticos de estereocorrelación, que pueden tener problemas debido al bajo contraste
de las imágenes, a ambigüedades por la existencia de texturas periódicas 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 interpolación utilizados en zonas problemáticas.
Es posible utilizar métodos puramente visuales para la localización de este tipo de errores
(USGS, 1997). Para ello se realizan representaciones mediante bloques-diagrama,
coloreado de bandas de gradientes hipsométricos, vistas estereoscópicas mediante
anaglifos y simulaciones de iluminación.
Sin embargo, el análisis visual no garantiza un examen exhaustivo y metódico 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 métodos
automáticos donde, normalmente, un punto se comprueba usando los valores de los
puntos más próximos o "vecinos". Los vecinos se definen mediante una "ventana"
superpuesta al modelo, que delimita una fracción del mismo. En general, las ventanas
suelen ser cuadradas —incluyen la misma cantidad de filas y columnas— y simétricas —el
punto problema se sitúa en el centro de la ventana, lo que implica una dimensión impar—.
En el análisis más 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 máximo
predefinido. Llamando e a la condición de error , se tiene:
Analizando el MDE por filas o columnas, si sólo se detecta un valor conflictivo puede
suponerse un punto de ruptura de pendiente. La detección de dos señales de alarma
secuenciales es un indicador de que el punto implicado en ambos cálculos es
probablemente erróneo.
Hannah (1981) propone pruebas más completas, basadas en el conjunto de los vecinos
más próximos de cada punto, y utilizando tanto los valores de pendiente como los de
cambio de pendiente. En ellas se utilizan valores umbral para ambos parámetros con el fin
de detectar puntos conflictivos.
Estas pruebas, sin embargo, no tienen un valor estadístico, en el sentido de que no

ofrecen una medida de verosimilitud o probabilidad para el valor de la cota sometida a
prueba. En Felicísimo (1994) se propone un sencillo método que tiene tres propiedades de
interés con respecto a los anteriores:
es un método objetivo, donde los umbrales de error se determinan mediante
métodos estadísticos
la probabilidad de que un punto sea erróneo puede conocerse.
los valores umbral se deducen de los datos propios del modelo, por lo que se
adaptan a las características del relieve de la zona estudiada —con unos valores
propios de pendiente, rugosidad, etc.—
356
A.M.Felicísimo
La base del test reside en el análisis de las diferencias existentes entre dos valores de
altitud para cada punto: la presente en el MDE —correcta o errónea— y un valor estimado
mediante un proceso de interpolación 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 desviación estándar:
los valores anteriores definen la función de distribución de las diferencias, una distribución
de Gauss,
que permite realizar un test de significación para los valores individuales de las diferencia.
Con este test se puede aceptar o rechazar la hipótesis de que el valor individual de
desviación observado pertenece a la población 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
estadístico mediante la expresión:
El valor anterior se considera una desviación tipificada y se compara su magnitud con el

valor
como el número de datos del modelo digital será habitualmente muy elevado, se usa el
valor infinito para los grados de libertad. El modelo digital constituye la población, por lo
cual los valores que definen la distribución pueden considerarse parámetros poblacionales
y no estadísticos muestrales.
La probabilidad de error de Tipo I puede definirse con el fin de detectar solamente las
diferencias muy significativas. En consecuencia, la condición de error vendrá dada, por
ejemplo, por
La hipótesis nula es
y la alternativa
La localización 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.Felicísimo
La propagación del error

Las operaciones con números inciertos permiten obtener resultados inciertos. Esta
circunstancia aconseja controlar estrictamente el error cuando las medidas van a ser
utilizadas en la determinación de otras magnitudes a través de procesos de simulación. La
influencia del error en la incertidumbre de un resultado se denomina propagación del error
e ignorarlo puede conducir a dar por válidos 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 atención
sobre los efectos de la propagación del error en algunas simulaciones, especialmente las
relacionadas con las pendientes y orientaciones del terreno. Sin embargo, los métodos
prácticos de "vivir con el error" en una base de datos cartográfica y de controlar sus
efectos de forma general no están aún claros.
En el caso de la realización práctica de modelizaciones, se han citado tres formas de tratar

el problema de propagación del error (Hunter y Goodchild, 1994:771):
omitir toda referencia al mismo
proporcionar un descriptor estadístico
proporcionar varios productos finales dentro del posible rango de variación
El primer caso es, sin duda, el más frecuente y la forma más simple de tratar el problema,
pero obviar el problema puede tener consecuencias negativas en función de las decisiones
que se tomen a partir de la información defectuosa.
En el segundo caso se presenta información sintética mediante descriptores como las

bandas épsilon, 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 éste
es el resultado de una modelización compleja.
Con el último planteamiento se presentarían 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 opción que la presentación de los resultados clave para una
decisión asociados a su nivel de incertidumbre y no de forma determinística estricta. Por
ejemplo, si es necesario delimitar las zonas con pendiente menor de 5º, el modelo que se
presente puede tener una frontera difusa entre la clase p<5º y el resto, con un significado
similar a la banda épsilon.
Las normas de propagación del error no son necesariamente simples, por lo que su
solución analítica puede ser inabordable. Asimismo, dependen estrechamente de los
algoritmos utilizados y, ocasionalmente, pueden cambiar en función de las características
del relieve de la zona.
El análisis de sensibilidad
La propagación del error se ha estudiado habitualmente realizando un análisis de
sensibilidad del proceso concreto. El análisis 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 distorsión y
358
A.M.Felicísimo
generar el producto. El análisis de los resultados pueden conducir a comprender el

fenómeno de propagación del error y su influencia en la calidad del resultado final.
Habitualmente se asume que el error añadido al MDE original debe ser gaussiano y con
media nula —es decir, tener una distribución normal y no presentar sesgo—. En muchos
casos este modelo puede ser correcto pero hay autores que han propuesto también que el
error puede presentar diferentes grados de autocorrelación —ver más 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 expresión:
donde zi,j es la altitud en el MDE original y z’i,j es el dato modificado mediante la adición
del componente aleatorio ei,j , el factor de ruido generado de acuerdo con una distribución
N(0,ECM).
Un método de análisis de la sensibilidad de los modelos ante el error es añadir ruido

aleatorio al MDE original y realizar la simulación con los dos modelos. La comparación de
los resultados es indicativa de la robustez del método de trabajo y de la sensibilidad ante
los errores.
Por ejemplo, los trazados de la red hidrológica 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 generación del MDE. En caso de simular
errores de este tipo debe introducirse un factor de autocorrelación, lo cual suele realizarse
mediante la expresión siguiente (Canters, 1994:171):
donde k1 y k2 controlan el peso relativo de la autocorrelación y del componente aleatorio.

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

Los métodos de Monte Carlo son una potente herramienta de trabajo cuando la solución
analítica del problema es difícil. El método implica:
359
A.M.Felicísimo
la suposición de las distribuciones de probabilidad de las variables influyentes y

el uso de generadores de números aleatorios para muestrear de forma simulada
la población de sucesos.
A partir de los puntos anteriores es posible generar modelizaciones numéricas del proceso
en número suficiente como para construir empíricamente la función de probabilidad de la
variable resultado.
Los métodos de Monte Carlo han comenzado a ser prácticos y útiles cuando los
ordenadores han estado disponibles de forma generalizada. Los generadores de números
aleatorios son rutinas bien conocidas con las cuales es posible generar series de números
cuyas distribuciones pueden ajustarse a múltiples modelos.
En el caso que se trata aquí, podemos asumir un error gaussiano o con cierto grado de
autocorrelación. Los errores serán añadidos a datos simulados y aplicados los algoritmos
que ejecutan la simulación. De los resultados podemos deducir las características de la
propagación del error.
Felicísimo (1995) aplica este método al análisis de la propagación del error altitudinal al
cálculo 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 distribución de
Gauss N(0,ECM)
la altitud de cada punto se altera añadiéndole el valor de error
se calcula la pendiente en cada punto de acuerdo con el algoritmo que se desee
utilizar se construye la distribución de los valores de la pendiente resultantes de
la modelización y se compara con la distribución 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 más notorios son los siguientes:
la distribución del error en la pendiente no es de media nula lo que significa que
la construcción 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 función del ECM es el siguiente:
ECM 5% 10% 20%

Error 1,4º 2,9º 5,8º
el ECM se establece en porcentaje del tamaño 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 análisis de frecuencias de error acumuladas, se deducen los siguientes
resultados: para un MDE con ECM=10%, el 50% de los datos tendrán un error
de al menos 2º; el 25% de 3,5º y el 5% de 5º o más
un MDE con ECM=20%, el 50% de los datos tendrán un error de al menos 5º;
el 25% de 7º y el 5% de 11º o más.
en el caso de un MDE con pendiente superior a 0º, la influencia del error
disminuye proporcionalmente a la misma.
360
A.M.Felicísimo
Diagrama de síntesis con los resultados del

error en tres zonas de diferente relieve (ver
texto)
El efecto de la autocorrelación
Cuando la distribución espacial del error en el MDE no es completamente aleatoria —
aunque pueda serlo su distribución estadística—, interviene un nuevo factor: la intensidad
de la autocorrelación.
Hunter y Goodchild (1994) analizan el efecto de la correlación del error en la estimación

de la radiancia normalizada, L(h). Para ello generan errores de altitud para valores de
correlación r entre 0 —correlación nula— y 0,245. Los MDE resultantes son utilizados
para la estimación de valores de reflectancia mediante el cálculo del ángulo 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 desviación
estándar de la radiancia normalizada aumenta ligeramente en el rango 0 < r < 0,20 para
disminuir rápidamente si la correlación 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 variación de L(h) sea 0-255 como
es habitual, la desviación estándar máxima observada —13 unidades— correspondería a
un 5% en términos relativos.
Canters (1994:176) indica también que cuando el error presenta cierto grado de
autocorrelación, las consecuencias sobre el producto final son menos graves que cuando
el error es estrictamente gaussiano. Canters analiza la influencia del error en el cálculo de
la pendiente en un modelo TIN e indica que existe una alta sensibilidad ante la
autocorrelación. Encuentra que si el error de altitud está correlacionado, los errores en la
pendiente son menores —lo cual no es especialmente sorprendente—. Señala, en
consecuencia, que ignorar la autocorrelación en la propagación del error puede suponer
una seria sobreestimación del error en los resultados. Canters resalta asimismo la
dependencia entre la pendiente del terreno y el error en el mismo sentido que el señalado
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.Felicísimo
Los análisis realizados sobre MDE reales indican, sin embargo, que existe una dependencia
entre el ECM y la morfología del terreno que no debe ser obviada en las modelizaciones.
En Felicísimo (1994:70) se muestran los resultados de analizar en error en 3 zonas de la
serie MDT200 del Instituto Geográfico Nacional. Los modelos de esta serie están
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 topográficamente muy distintas:
Zona Topografía Pendiente media

1 Rasa litoral, antigua plataforma de
abrasión marina 1º
2 Modelado fluvial en zona de media

montaña 10º
3 Modelado glaciar y intensa

actividad kárstica en alta montaña 22º
La estimación del error se ha realizado por comparación con mapas topográficos

1:25.000. Los puntos de control han sido los vértices de la cuadrícula UTM de 1km —
salvo los puntos sobre el mar—.
Los resultados se muestran en la tabla siguiente —EM: error medio; entre paréntesis, el
error estándar de la media—:
Zona Puntos de control EM ECM

1 113 16 (3,1) 37
2 113 -5 (4,2) 47
3 126 2 (5,9) 67
Los estadísticos resultantes muestran dos circunstancias de interés:

el error medio es significativamente diferente de cero en la Zona 1, lo que indica
un sesgo en el sentido de que las altitudes están 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 tamaño de malla
Diagrama con los resultados del análisis

de propagación del error en la creación
del modelo digital de pendientes (ver
texto)
362
A.M.Felicísimo
La consecuencia previsible de este efecto es que, aunque puede darse un valor de ECM
para una zona amplia, la magnitud real del error será previsiblemente diferente si esta zona
contiene regiones con diferentes características topográficas. Los análisis sobre la
propagación del error podrán, por tanto, incorporar esta dependencia entre el error y el
relieve para mejorar los modelos.
El autor autoriza la reproducción del texto de este documento, total o parcialmente, para fines
científicos o educativos con la única condición de citar su procedencia
363

Modelos Digitales de Terreno CARLOS B. - Unlocked

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

Modelos Digitales de Terreno CARLOS B. - Unlocked

Cargado por

Copyright:

Formatos disponibles

Modelos Digitales de Terreno TOPOMETRÍA y MICROGEODESIA - Año 2000

Como es lógico, agradeceré vuestras correcciones y

Tema 1 Concepto y construcción del modelo digital de elevaciones

El modelo digital de elevaciones

La construcción del MDE

Tema 2 Valoración del error en el MDE

•El error de las fuentes primarias

La medida del error atributivo

•Análisis del error aleatorio

La propagación del error

•El análisis de sensibilidad

Tema 3 Descripción y análisis del Relieve

•Los elementos del relieve

•Estadísticos básicos para variables lineales

Tema 4 Simulación de procesos

•Identificación de cuencas visuales

La observación del relieve

•La trayectoria solar

Tema 5 Modelos de prospección y predicción

•Métodos lógicos o booleanos

•Métodos booleanos: identificación de formas

Colwell, Robert N. (Ed.)(1983): Manual of remote sensing. American Society of Photogrammetry, 2

Erdas (1991b): Terrain analysis. Erdas Inc., 40 pág. Atlanta.

Freeman, H. (1961): "On the encoding of arbitrary geomatric configurations". Transactions on

Goshtasby, A. (1988): "Registration of images with geometric distortions". IEEE Transactions on

Jeffery, Tom (1987): "Mimicking mountains". Byte, 12(12): 337-344.

Joly, F. (1988): La cartografía. Oikos-Tau. Barcelona.

Mardia, K.V. (1972): Statistics of directional data. Academic Press. London.

Mike, James (1985): Classification algorithms. Collins, 209 pág. London.

Polidori, Laurent (1992): "Aptitudes et limitations de radar à ouverture synthétique pour la

Ríos, Sixto (1995): Modelización. AU 822. Alianza Ediciones. Madrid.

El contraste experimental sirve:

•como mecanismo de realimentación para realizar ajustes

La reducción del error puede hacerse por dos caminos complementarios:

En los modelos icónicos, la relación de correspondencia se establece a través de las

Ejemplo: una maqueta, donde se ha establecido una reducción de

En un modelo icónico se conservan las proporciones del objeto real

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

modelo análogo modelo análogo

Los modelos simbólicos se construyen representando el objeto real mediante una

Ejemplo: la representación de un edificio mediante la

Reconstrucción virtual de un edificio prerrománico,

Algunas ventajas importantes de los MDT sobre los MAT son:

Su mayor problema es que el manejo de los MDT es complejo:

necesita equipos informáticos que obligan a un entrenamiento especializado

que se realizan mediante el diseño y empleo de algoritmos

La simulación de procesos se realiza mediante

La verificación de los modelos derivados se realiza

mediante métodos de análisis del error

Un algoritmo sólidamente construido aplicado sobre un MDT fiable genera resultados

Siguiendo la analogía cartográfica, es posible construir un conjunto de modelos derivados,

Origen del MDE

El objeto de su trabajo fue acelerar el diseño de carreteras mediante el tratamiento digital de

Las potenciales estructuras se han reducido en la práctica a las siguientes:

El modelo de contornos o isohipsas

Un modelo de contornos está formado por polilíneas:

El modelo TIN, de mosaico de triángulos

Los triángulos se construyen ajustándose a una estructura anterior de puntos

El modelo matricial jerárquico o quadtrees

En los quadtrees, las celdas de la matriz pueden ser

La estructura final es un árbol jerárquico de matrices elementales

Los quadtrees se han utilizado en el tratamiento de variables nominales (Samet et al.,

Es decir, la elección de la estructura de datos es importante porque condiciona el futuro