Carátula

UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA

La Universidad Católica de Loja

ÁREA TÉCNICA

MAGÍSTER EN INGENIERÍA CIVIL MENCIÓN EN

CARRETERAS DE MONTAÑA

TRABAJO DE TITULACIÓN

Aplicación de vehículos aéreos no tripulados (UAV) para la

determinación del escurrimiento superficial en carreteras de
pavimento flexible

Autor: Banda Quezada, Segundo Gabriel

Director: Zárate Torres, Belizario Amador

LOJA - ECUADOR
2021
 II

Aprobación del director del trabajo de titulación

Loja, 06, de diciembre, de 2021

Doctor.
Yasmani Damián García Ramírez
Coordinador de programa de posgrados
Ciudad. -

De mi consideración:

El presente trabajo de titulación denominado: Aplicación de vehículos aéreos no tripulados

(UAV) para la determinación del escurrimiento superficial en carreteras de pavimento
flexible, realizado por Segundo Gabriel Banda Quezada, ha sido orientado y revisado
durante su ejecución, por cuanto se aprueba la presentación del mismo. Así mismo, doy fe
que dicho trabajo de titulación ha sido revisado por la herramienta antiplagio institucional.

Particular que comunico para los fines pertinentes.

Atentamente,

f) …………………………………
Belizario Amador Zárate Torres
C.I: 1103367999
 III

Declaración de autoría y cesión de derechos

“Segundo Gabriel Banda Quezada, declaro y acepto en forma expresa lo siguiente:

 Ser autor del Trabajo de Titulación denominado: Aplicación de vehículos aéreos no

tripulados (UAV) para la determinación del escurrimiento superficial en carreteras de

pavimento flexible, del Programa de posgrados Maestría en Ingeniería Civil Mencion en

Carreteras de Montaña, específicamente de los contenidos comprendidos en: Capítulo

1. Introducción, Capítulo 2. Metodología, Capítulo 3. Resultados y discusión, Capítulo 4.

Conclusiones y Recomendaciones, siendo Belizario Amador Zárate Torres, director del

presente trabajo; y, en tal virtud, eximo expresamente a la Universidad Técnica

Particular de Loja y a sus representantes legales de posibles reclamos o acciones

judiciales o administrativas, en relación a la propiedad intelectual. Además, ratifico que

las ideas, conceptos, procedimientos y resultados vertidos en el presente trabajo

investigativo son de mi exclusiva responsabilidad.

 Que mi obra, producto de mis actividades académicas y de investigación, forma parte

del patrimonio de la Universidad Técnica Particular de Loja, de conformidad con el

artículo 20, literal j), de la Ley Orgánica de Educación Superior; y, artículo 91 del

Estatuto Orgánico de la UTPL, que establece: “Forman parte del patrimonio de la

Universidad la propiedad intelectual de investigaciones, trabajos científicos o técnicos y

tesis de grado que se realicen a través, o con el apoyo financiero, académico o

institucional (operativo) de la Universidad”.

 Autorizo a la Universidad Técnica Particular de Loja para que pueda hacer uso de mi

obra con fines netamente académicos, ya sea de forma impresa, digital y/o electrónica o

por cualquier medio conocido o por conocerse, sirviendo el presente instrumento como

la fe de mi completo consentimiento; y, para que sea ingresada al Sistema Nacional de

Información de la Educación Superior del Ecuador para su difusión pública, en

cumplimiento del artículo 144 de la Ley Orgánica de Educación Superior.

 IV

Firma: ..............................................................

Autor: Segundo Gabriel Banda Quezada

C.I.: 1103652085
 V

Dedicatoria

Dedico de manera especial a Dios, a mi madre, esposa e hijos por ser quienes inspiran el
deseo de seguir preparándome por su bienestar. A mis familiares más allegados por
brindarme su afectuoso cariño. A mis grandes amigos, con su ayuda y solidaridad he podido
plasmar un logro más en mi trayecto profesional.

Segundo Gabriel
 VI

Agradecimiento

Mi especial agradecimiento a Dios por brindarme salud, vida, inteligencia y sabiduría para
cumplir con esta nueva meta planteada. A mi querida madre por su apoyo y confianza
incondicional. A mi amada esposa por su cariño y apoyo otorgado para cumplir mis metas.
A mis dos hijos por sus palabras de aliento durante esta etapa de mi vida.

A la Universidad Técnica Particular de Loja, Escuela de Ingeniería Civil y a todo el talento

humano que la conforma, quienes han hecho posible que pueda dar un pequeño paso más
en el lextenso camino del conocimiento.

De manera particular, al Magister Belizario Zárate Torres, quien supo orientarme sin
egoismo con sus conocimientos durante este proyecto de máster.

Segundo Gabriel
 VII

Índice de Contenido

Carátula ................................................................................................................................. I
Aprobación del director del Trabajo de Titulación.................................................................. II
Declaración de autoría y cesión de derechos ....................................................................... III
Dedicatoria............................................................................................................................. I
Agradecimiento .................................................................................................................... VI
Índice de Contenido ............................................................................................................ VII
Resumen .............................................................................................................................. 1
Abstract................................................................................................................................. 2
Introducción ......................................................................................................................... .3
Capítulo uno ........................................................................................................................... 7
Metodología .......................................................................................................................... 7
1.1 Zona de estudio ...................................................................................................... 7
1.2 Materiales ............................................................................................................... 8
1.3 Recopilación de la información .................................................................................... 9
1.3.1 Determinación de puntos de control ................................................................................... 9
1.3.2 Recopilación de las imágenes .......................................................................................... 11
1.3.3 Procesamiento de las imágenes ....................................................................................... 12
1.3.4 Procesamiento dela nube de puntos ................................................................................ 13
1.4 Evaluación de la escorrentía ..................................................................................... 14
Capítulo dos........................................................................................................................ 16
Resultados .......................................................................................................................... 16
2.1 Ajustes de la precisión mediante los puntos de control ......................................... 16
2.2 Análisis de la dirección del flujo sobre el área de estudio...................................... 17
2.3 Productos fotogramétricos .................................................................................... 20
2.4 Dirección del flujo sobre el pavimento flexible ....................................................... 21
2.5 Discusión de resultados ........................................................................................ 24
Conclusiones ...................................................................................................................... 27
Recomendaciones .............................................................................................................. 28
Referencias......................................................................................................................... 29

Índice de Tablas
Tabla 1 Deteminación de la precisión en base a los GCP................................................ .... 17
Tabla 2 Comparación de resultados entre fotogrametría y nivelación
topográfica................................................ ........................................................................... 25

Índice de Figuras
Figura 1 Tramo seleccionado para el estudio, vía antigua Loja-Catamayo............................8
Figura 2 Ubicación de puntos de control terrestre.................................................................10
Figura 3 Sistema GNSS Trimble R6 ubicado sobre estación base.......................................11
 VIII

Figura 4 Sistema UAV empleado para recolección de las imágenes....................................12

Figura 5 Modelo de dirección y acumulación de flujo..........………………………………...…14
Figura 6 Código de direcciones..........……………………………………………………………15
Figura 7 Variación del número de celdas en función al tamño del píxel.…………………….18
Figura 8 MDE para determinar la dirección del flujo……………………...........………………19
Figura 8a Dirección del flujo, tamaño del pixel 10x10..........…………………………………..19
Figura 8b Dirección del flujo, tamaño del pixel 15x15..........…………………………………..19
Figura 8c Dirección del flujo, tamaño del pixel 20x20..........…………………………………..20
Figura 8d Dirección del flujo, tamaño del pixel 50x50..........…………………………………..20
Figura 9 Productos fotogramétricos...................................…………………………………….20
Figura 10 Ubicación de las secciones transversales..........……………………………………21
Figura 10a Perfiles sección-01..........…………………………………………………………….22
Figura 10b Perfiles sección-02..........…………………………………………………………….23
Figura 10c Perfiles sección-03..........…………………………………………………………….23
Figura 10d Perfiles sección-04..........…………………………………………………………….24
 1

Resumen

En esta investigación se determina la aplicación de los vehículos aéreos no tripulados

(UAV) para la determinación del escurrimiento superficial sobre carreteras de montaña con

pavimento flexible. Se analizaron varios tramos de carretera mediante un recorrido virtual

con la herramienta Street View del software Google Earth y se seleccionó el tramo idóneo.

Posteriormente, se recorrió el tramo para analizar si cumple con las condiciones

necesarias para realizar los levantamientos fotogramétricos. En el tramo de carretera

seleccionado, se consideró la escorrentía, tanto en los costados como en la calzada de la

carretera. La información recopilada, fue procesada con el software fotogramétrico Agisoft

en su versión de prueba para obtener el Modelo Digital de Elevaciones (MDE), el cual es la

base para la modelación de la escorrentía. Se empleó el algoritmo D8 para modelar el

flujo, el mismo viene cargado en el software ArcGis en la versión de prueba. Finalmente,

se evalúan los patrones de flujo con el algoritmo D8 y se comparan los resultados de los

productos fotogramétricos con datos obtenidos mediante nivelación geométrica sobre

secciones transversales del tramo de carretera.

Palabras claves: fotogrametría, modelo digital de elevaciones, UAV.

 2

Abstract

This research determines the application of unmanned aerial vehicles (UAV) for the

determination of surface runoff on mountain roads with flexible pavement. Several road

sections were analyzed using a virtual tour with the Google Earth software Street View tool

and the ideal section was selected. Subsequently, the section was traversed to analyze

whether it meets the necessary conditions to carry out the photogrammetric surveys. In the

selected road section, the runoff was considered, both on the sides and on the road

surface. The information collected was processed with Agisoft photogrammetric software in

its test version to obtain the Digital Elevation Model (DEM), which is the basis for modeling

runoff. The D8 algorithm was used to model the flow, it is loaded in the ArcGis software in

the trial version. Finally, the flow patterns are evaluated with the D8 algorithm and the

results of the photogrammetric products are compared with data obtained by geometric

leveling on cross-sections of the road section.

Keywords: photogrammetry, digital elevation model, UAV.

 3

Introducción

La escorrentía superficial es un agente de deterioro de las carreteras con pavimento

flexible. Además, no solo afecta a la capa de rodadura sino también a la estructura del

pavimento (S. Adlinge & K. Gupta, 2013). El deterioro del pavimento y de la capa de

rodadura, perturban en gran medida en la capacidad de servicio, seguridad y la calidad de

conducción sobre la carretera (Magdi & Zumrawi, 2015). Como consecuencia, la

importancia de entender el comportamiento de la escorrentía, tanto durante la etapas de

planificación, construcción y a lo largo de la operación de la infraestructura (Díaz-Vilariño

et al., 2016). Es decir, que permita predecir los posibles daños y efectos durante un

periodo de tormenta. Se ha estudiado que el fenómeno de la escorrentía durante los

periodos de tormenta, afecta a las carreteras de montaña en los tramos que presentan

pendientes y terraplenes considerables (Díaz et al., 2016). Por esta razón, surgen los

movimientos de ladera, hundimientos, y otros daños sobre la carretera y sobre su

infraestructura (Estalrich et al., 1997). De ahí que, se producen los cierres temporales de

las vías y cuantiosas pérdidas económicas. Para mitigar los efectos producidos por la

escorrentía y prolongar la vida útil de una carretera, es necesario analizar los factores

(geológico, hidrológico y topográfico) que intervienen en la generación de este fenómeno,

y, analizar la iteración entre el flujo de agua con la vía y con la infraestructura vial. El factor

topográfico es aquel que potencializa el fenómeno de la escorrentía determinado por la

morfología del terreno. Además, condiciona varios parámetros morfométricos e

hidrológicos relacionados con el escurrimiento superficial tales como: área, perímetro

dirección de flujo, pendientes, velocidad de flujo, arrastre de sedimentos, caudal, tiempo de

concentración, etc. (Pérez et al., 2000).

Para calcular estos parámetros, es necesario una gran cantidad de información topográfica

tanto de la vía como de su área circundante. La información topográfica se la representa a

través de nubes de puntos. Las nubes de puntos son el conjunto de vértices en un sistema

de coordenadas tridimensional (Gonçalves & Henriques, 2015), que se identifican con

coordenadas (X, Y, Z) o (E, N, Z) y son representaciones de la superficie externa de un del

 4

terreno (James et al., 2017). Además, son ampliamente utilizadas en diversas profesiones.

En ingeniería civil, especialmente en topografía, se las emplea para el mapeo y

modelación de la superficie del terreno a través de modelos de elevación digital (MED) o

modelos digitales de superficie (MDS). Por este motivo, las nubes de puntos, se convierten

en la base para el desarrollo, ejecución o evaluación de cualquier proyecto de ingeniería

(Agüera et al., 2018). Particularmente, en la evaluación de la escorrentía y modelación de

flujo, se aplican para generar mapas vectoriales y ráster de superficie, los cuales requieren

de nubes de puntos muy densas (Zulkipli & Khairul Tahar, 2018). Para asegurar que la

calidad de los mapas sea adecuada, las nubes de puntos deberán tener una densidad de

puntos superior a los 50 puntos por metro cuadrado (Lizarazo et al., 2017) y deberán ser

obtenidos con precisiones óptimas, y, con alto nivel de detalle.

La exactitud de las nubes puntos afecta a la evaluación de la escorrentía y el

modelamiento de flujo. Por lo tanto, para que se puedan predecir con certeza, es necesario

que las nubes de puntos sean obtenidas con equipos topográficos de precisión. Existen

variedad de equipos topográficos de precisión que pueden ser convencionales o no

convencionales. Las tecnologías convencionales de levantamientos topográficos (Estación

Total o GPS Diferencial) muestran alta precisión, pero baja productividad, lo que implica

una gran inversión en tiempo y de recursos económicos. Las tecnologías de precisión y de

alta productividad que no son usualmente utilizadas, o llamadas también no

convencionales, como es el caso de los sistemas LiDAR y otros (Poppenga et al., 2010),

su costo de aplicación es elevado y su uso solo se justifica en proyectos relevantes.

Los sistemas UAV combinados con la fotogrametría son otra de las tecnologías no

convencionales de bajo costo, que permiten obtener de forma rápida información

topográfica expresada mediante nubes de puntos densas y de precisión aceptable, útiles

en el mapeo tridimensional (3D) (P. Liu et al., 2014). Además, los UAV son un tipo

relativamente nuevo de plataforma de teledetección que tiene claras ventajas sobre otras

tecnologías de alto rendimiento, especialmente por su bajo costo, flexibilidad operativa y

mejores resoluciones espaciales y temporales.

 5

(Steve Harwin & Lucieer, 2012). También, han demostrado ser precisos y aplicables en

otras ramas de la ingeniería civil (Barreiro et al., 2014). La precisión de las nubes de

puntos generada a partir de imágenes UAV para el mapeo de superficies, está relacionada

con la altura de vuelo, distribución de los puntos de control en tierra (PCG) y resolución de

la cámara (Agüera et al., 2018) (Siebert & Teizer, 2014). Los valores de precisión relativa

de la fotogrametría UAV oscilan entre 0.025–0.040m cuando la superposición de las

imágenes varía entre un 75 – 95% (Agüera et al., 2018). Por tales motivos, se pretende

determinar la influencia de la calidad de datos obtenidos del sistema fotogramétrico UAV

para el cálculo de la escorrentía superficial de una carretera de montaña con pavimento

flexible.

La escorrentía superficial, será evaluada con utilización del software ArcGis en su versión

de prueba, el cual utiliza algoritmos de dirección de flujo. Los algoritmos de diección de

flujo se clasifican en dos tipos: algoritmos de flujo único y algoritmos de flujo de dirección

múltiple, siendo el primero el más utilizado para evaluar la escorrentía en carreteras (Díaz

et al., 2016). Los algoritmos de flujo único se fundamentan en el modelo D8, (O’callaghan

& Mark, 1984), (Wang et al., 2014), que es un modelo que se basa en la evaluación del

gradiente de terreno máximo para cada celda de un DEM para aproximar la dirección del

flujo primario. Además, este algoritmo establece una cuadrícula ampliamente utilizada en

Sistemas de Información Geográfica (SIG) debido a su simplicidad , (O’callaghan & Mark,

1984), (Wang et al., 2014). También, permite simular la geometría del terreno MDS

obtenida con sistemas fotogramétricos UAV y el flujo de la escorrentía sobre los tramos de

carretera que se evalúen.

La presente investigación se encuentra estructurada de la siguiente manera: En el Capítulo

1, se describe la metodología empleada para la recopilación de datos, detallando el

número de tramos estudiados, materiales utilizados, equipos de medición empleados,

calibación de los intrumentos y la ofimática de apoyo. En el Capítulo 2, se realiza el

análisis y discusión de los resultados obtenidos, donde se muestra como es la iteración del
 6

flujo con la su infraestructura del tramo de carretera estudiado. Y finalmente, se presentan

las conclusiones y recomedaciones producto de esta investigación.

 7

Capítulo uno

Metodología

La investigación plantea determinar si la precisión de los vehículos aéreos no

tripulados (UAV) es aplicable para evaluar la escorrentía superficial en carreteras con

pavimento flexible. Se estudia visualmente varios tramos de carretera de la provincia de

Loja para seleccionar el más idóneo. De los tramos estudiados, se escogió al que presenta

mejores características de accesibilidad, cobertura vegetal baja, escasa circulación

vehicular, topografía montañosa y rodadura conformada por hormigón asfáltico. Además,

el tramo de vía seleccionado presenta evidencias de flujo de agua a los costados de la

calzada y en sus respectivos taludes. Para la recopilar la información, se inicia con un

recorrido sobre el tramo de estudio y su área de influencia para definir la colocación

estratégica de los puntos de control terrestre (GCP). Luego, se procede a realizar un

levantamiento RTK estático sobre los GCP, una vez levantados, georeferenciados y

colocadas las marcas sobre los puntos de control se realiza el sobrevuelo del área en

estudio para obtener las imágenes fotogramétricas del terreno. Posteriormente, se procede

a realizar el postproceso de las imágenes y obtención de los productos fotogramétricos

mediante el empleo del software Agisoft Metashape versión de prueba 1.6.5.

Una vez obtenidos los productos fotogramétricos se procede a la determinación de la

escorrentía mediante la aplicación de algoritmos de modelamiento de flujo, tal es el caso

del algoritmo D8 que poseen los softwares GIS. Finalmente, los resultados son analizados

y comparados con métodos topográficos tradicionales sobre secciones transversales

seleccionadas del tramo de carretera en estudio.

1.1 Zona de estudio

El área de estudio corresponde a un tramo de la vía antigua Loja-Catamayo, mismo

que posee una topografía de carácter montañoso, su diseño geométrico es sinuoso y

cuenta con una capa de rodadura de pavimento flexible.

 8

Figura 1

Tramo seleccionado para el estudio, vía antigua Loja-Catamayo.

Nota. Adaptado de Google Earth [Fotografía]

El tramo de carretera analizado se ubica aproximadamente a 4.8 Km del Parque

Eólico de la ciudad de Loja, posee una pendiente longitudinal media del -7.0% en

descenso, un ancho de carril es de 3.60m con ancho de espaldón de 0.80m. En el área

analizada existen 12 curvas horizontales. Al costado superior la vía se encuentran terrenos

con pastizales y pequeños arbustos dispersos, mientras que, al costado inferior, la

cobertura vegetal cuenta con árboles diseminados y arbustos de altura media.

1.2 Materiales

En el desarrollo de esta investigación se emplearon como materiales: Mojones de

hormigón simple con su respectiva marcación del punto de control, marcas de recuadros

de tela de 1.00mx1.00m para ubicarlas sobre el punto de control terrestre, implementos de

sujeción para tensar y anclar los recuadros de tela al piso, y, pintura esmalte de varios

colores para marcar los mojones y desarrollar inscripciones. En cuanto a los equipos

empleados se utilizaron: Receptores GNSS móvil y base marca Trimble modelo R6 de

doble frecuencia, el cual se vincula en simultaneo a la señal GPS y a las señales del

Sistema de Navegación Global por Satélite (GLONASS); Para la aplicación de la técnica

 9

UAV se empleó un DJI Phantom 4 con un cardan de tres ejes (cabeceo, balanceo,

guiñada) y una velocidad angular de 90°/s. Posee una cámara con un sensor 1/ 2.3

"CMOS, un FOV 94 ° 20 mm (formato equivalente a 35 mm) f / 2.8 enfoque a ∞, velocidad

de obturación electrónica 8 - 1/8000 s, tamaño de la imagen 4000 × 3000 pixeles, modos

de fotografía fija: disparo único, disparo en ráfaga: 3/5/7 cuadros, horquillado de exposición

automática (AEB): 3/5 cuadros entre corchetes a 0.7 EV sesgo, timelapse, HDR, formatos

de fotografías JPEG, DNG (RAW); y, nivel óptico marca RUIDE con compezador

magnético, 32x de zoom óptico.

Los softwares de ofimática utilizados fueron Microsoft Excel 2016, Agisoft

Metashape 1.6.5 en su versión de prueba (Agisoft, 2020) y ArcGIS 10.4.1 versión de

prueba (Esri, 2015). Con dichos softwares, se pudo realizar el postproceso de la

información tal como la digitalización y exportación de los datos, georeferenciación,

creación de nubes de puntos, creación de modelo digitales de superficie y de elevaciones,

generación de curvas de nivel, generación de diagramas de flujo vectorial y generación de

modelos de acumulación de flujo.

1.3 Recopilación de la información

1.3.1 Determinación de puntos de control

Para colocar los GCP, se consideraron varios aspectos como: Densidad de puntos

de control por hectárea de terreno levantada, la ubicación entre puntos de control y el sitio

dende se los colocará debe estar despejado y libre de obstáculos que produzcan sobras

sobre la marca o que a su vez dificulten la visibilidad.

 10

Figura 2

Ubicación de puntos de control terrestre.

Luego, se define los sitios estratégicos donde se ubicarán los puntos de control

terrestre en el área seleccionada, tratando que la ubicación entre ellos forme triángulos lo

más equiláteros posibles. En esta investigación, se consideró una densidad de puntos de

control (GPC) entre 3 y 5 puntos por hectárea, para lo cual se colocaron 19 puntos de

control en un área aproximada de 5.6 Ha. La toma de coordenadas se realizó mediante un

levantamiento de navegación cinética satelital en tiempo real. Los receptores GNSS móvil

y base se configuraron para que los errores máximos horizontales y verticales estén entre

± 9 y ± 16 mm respectivamente.
 11

Figura 3

Sistema GNSS Trimble R6 ubicado sobre estación base.

1.3.2 Recopilación de las imágenes

Previo a la ejecución de la programación del vuelo se consideró que las

condiciones climáticas sean favorables, es decir, que el día no se encuentre nublado ni

lluvioso, en las horas del día que presentan la mejor luminosidad y que la velocidad del

viento recomendada por el fabricante no supere los 45 Km/h. El plan de vuelo fue

generado y programado mediante la aplicación móvil DroneDeploy de uso libre

(DroneDeploy, 2020). Seguidamente, se realiza un solo sobrevuelo con el equipo UAV a

una altura 80.00m respecto a la altura media del terreno. Además, se consideró un 85%

de superposición de las imágenes tanto en el sentido X como en el sentido Y. Finalmente,

una vez obtenidas las imágenes se realizó la depuración de aquellas que estén fuera del

perímetro que conforman los puntos de control, lo cual, se obtuvo como resultado un total

de 458 imágenes para ser procesadas.

 12

Figura 4

Sistema UAV empleado para recolección de las imágenes.

1.3.3 Procesamiento de las imágenes

Las imágenes fueron procesadas con el software Agisoft Metashape 1.6.5 en su

versión de prueba, el cual se basa en la modelización 3D que combina dos procesos,

Structure from Motion(SfM) y Modelado Basado en Imágenes (Image-Based Modeling),

producto de los avances en los ámbitos de la visión por computador y el procesamiento de

imágenes (Balaguer, 2015). Este software tiene un flujo de trabajo de varios pasos:

Primero se procede con los parámetros internos de calibración de la cámara, la posición

relativa de la cámara, la orientación de cada imagen, y las coordenadas relativas de una

nube de puntos 3D dispersa del terreno. El segundo paso constituye en generar un modelo

3D con alto grado de detalle a partir de una nube de puntos densa, para ello es necesario

mejorar la calidad de la precisión de las imágenes y georeferenciarlas utilizando las

coordenadas de los puntos de control terrestre o denominados también marcadores.

Finalmente, el tercer paso se pueden obtener los productos fotogramétricos como:

Modelos digitales de superficie, ortomosaicos, curvas de nivel, y otros a partir de la nube

de puntos densa georeferenciada y corregida.

 13

1.3.4 Procesamiento de la nube de puntos

La nube de puntos densa se orientó y georeferenció en base a las coordenadas los

puntos de control o marcadores, los cuales fueron levantados con de coordenadas UTM

para la zona 17 sur y el datum de referencia utilizado fue el sistema WGS84.

Posteriormente, se procede a la clasificación de la nube de puntos mediante tipos o clases

de puntos. Es decir, aislar del modelo los puntos que no pertenezcan a la superficie del

terreno y al tramo de carretera, tal es el caso de los puntos de la vegetación,

construcciones, torres eléctricas, etc. La clasificación de los puntos se la puede realizar de

forma automática, en el cual el software asigna las clases de puntos basándose en los

colores de los colores de los objetos, mientras que, de la forma manual el usuario designa

las clases a los puntos en función del objeto. En esta investigación para obtener un mejor

resultado se clasificaron los puntos de las dos formas, la clasificación automática permitió

tener mayor celeridad en la asignación de las clases de puntos mientras que la

clasificación manual permitió depurar los objetos de una manera más minuciosa. Luego de

haber realizado estos procedimientos, se genera el mallado entre las clases de putos que

conforman la superficie del terreno y posteriormente generar los productos fotogramétricos

(Curvas de nivel, MDE, ortomosaicos y otros).

Las curvas de nivel derivadas de la fotogrametría se exportan en formato Shape al

software ArcGIS (versión 10.4.1 de prueba), para corregir la sinuosidad (suavizado de las

curvas de nivel) que genera el software fotogramétrico (Agisoft Metashape v 1.6.5 versión

de prueba) producto de la vegetación baja u objetos de tamaño pequeño. Luego, con las

curvas suavizados o corregidas se las transforma en un polígono vectorial (TIN), después

al modelo vectorial se lo rasteriza para generar modelo digital de elevaciones (MDE) de

donde se hacen los análisis de superficie para evaluar la escorrentía.

 14

1.4 Evaluación de la escorrentía

La escorrentía se la evalúa utilizando los algoritmos de acumulación de flujo que

poseen los sofware GIS, los cuales utilizan la información disponible del modelo digital de

elevaciones (MDE) para generar una representación estructurada del flujo (Tarboton &

Baker, 2008). Dichos algoritmos generan diferentes mapas de salida del flujo en la misma

área de estudio utilizando las entradas topográficas (López & Navas, 2010) (H. Liu et al.,

2011) (Pilesjö & Hasan, 2014). Para el presente caso se emplea el algoritmo determinista

D8 que evalúa el modelo de flujo único basado en la evaluación del máximo gradiente del

terreno para cada celda de un MDE. El algoritmo D8 calcula el flujo acumulado como el

peso acumulado de todas las celdas que fluyen hacia cada celda con pendiente

descendente en el ráster de salida. Si no se indica ningún peso, se aplica un peso de 1 a

cada celda y el valor de las celdas en el ráster de salida es el número de celdas que fluyen

hacia cada celda [pag esri] como se indica en la Figura 4.

Figura 5

Modelo de dirección y acumulación de flujo

Nota. Adaptado de ESRI [Fotografía]

En la Figura 4, la imagen superior izquierda muestra la dirección de viaje desde

cada celda y la superior derecha el número de celdas que fluyen hacia cada celda.

El algoritmo D8, en el caso de las direcciones de flujo no las representa mediante

los puntos cardinales, sino en valore numéricos o códigos de dirección. En la Figura 5, se

observa la dirección de las flechas según el número o expresado en código de dirección.

 15

Por ejemplo, el número 64 corresponde al norte, el número 128 pertenece al noreste y así

sucesivamente en sentido horario.

Figura 6

Código de direcciones

Nota. Adaptado de ESRI [Fotografía]

La dirección del flujo se calculó a partir de los productos fotogramétricos para

determinar cuál es la influencia del tamaño del pixel en la evaluación del flujo. En esta

investigación se utilizaron diferentes resoluciones (10m, 15m, 20m y 50m) del tamaño del

pixel para la generar las direcciones de flujo, ya que tamaños de celda pequeños son más

sencibles al ruido de las nubes de puntos (Díaz et al., 2016),. Además, dichas dimensiones

del pixel, se consideraron como adecuadas de acuerdo a la geometría del tramo de

carretera analizado.
 16

Capítulo dos

Resultados

En este capítulo se detalla la precisión obtenida de los GCP. Los resultados del

análisis de la dierección del flujo para diferentes tamaños de celda o pixel (10m, 15m, 20m

y 50m) y los productos fotogramétricos de área de estudio. Finalmente, se compara los

resultados mediante el empleo de perfiles de secciones transversales de la calzada,

obtenidos a través de la fotogrametría y de la nivelación topográfica.

2.1 Ajustes de la precisión mediante los puntos de control

El sistema UAV captura imgenes georefenciadas mediante navegación GPS con

coordenadas de baja precisión. Motivo por el cual, las imágenes deben ser ajustadas

utilizando las coordenadas de los GCP que poseen errores milimétricos. En el

postpostproceso, el software realiza el ajuste mediante el empleo del modelo estadístico

del error error cuadrático medio (RMSE). Este modelo toma las coordenadas de los GCP y

las coordenadas de las imágenes obtenidas con el sistema UAV y determina el error

existente entre estos dos conjuntos de datos. El ajuste de la precisión para este trabajo,

logró obtener un error del resultante ponderado 0.0195m. Este valor indica la calidad de la

precisión de las nubes de puntos y del modelo digital de elevaciones generado. Además, el

error obtenido, es un valor relativamente bajo en el desarrollo de los productos

fotogramétricos. En la Tabla 1, se aprecia los resultados obtenidos producto del ajuste de

la precisión como componente resultante de los ejes XYZ.

 17

Tabla 1

Deteminación de la precisión en base a los GCP

Puntos de control Este (m) Norte (m) Altitud (m) Error (m) Error (pix)

PC1 689316.908 9557544.460 2373.195 0.017050624 0.336829167

PC2 689349.172 9557494.123 2366.449 0.010152915 0.307125638

PC3 689404.067 9557578.247 2388.282 0.020790662 0.559721109

PC4 689355.713 9557688.222 2400.796 0.062975443 0.588038996

PC5 689479.888 9557583.177 2395.669 0.021794104 0.51235597

PC6 689489.372 9557531.370 2371.813 0.013304497 0.375337882

PC7 689388.725 9557537.177 2375.98 0.012095192 0.319494522

PC8 689302.497 9557606.049 2379.96 0.011791139 0.241808328

PC9 689343.937 9557635.713 2396.888 0.018839197 0.344696982

PC10 689334.971 9557708.703 2393.898 0.016316889 0.341317533

PC11 689350.312 9557728.380 2387.104 0.027240295 0.499850091

PC12 689275.288 9557716.629 2379.368 0.018038665 0.371090478

PC13 689246.094 9557727.608 2371.933 0.024944463 0.430237756

PC14 689271.220 9557616.617 2372.42 0.011237001 0.405438862

PC15 689272.346 9557552.711 2368.299 0.023285046 0.442427586

PC16 689242.341 9557551.560 2358.653 0.006820482 0.334340596

PC17 689296.518 9557441.630 2360.225 0.009644436 0.222381482

PC18 689360.476 9557456.521 2359.243 0.038795108 0.488239265

PC19 689501.987 9557431.318 2343.465 0.014072509 0.385380364

Promedio (m) 0.019957298 0.395058558

Desviación estándar (m) 0.012874614 0.100463049

RMSE 0.01951288

2.2 Análisis de la dirección del flujo sobre el área de estudio

La dirección de flujo se evaluó por separado tanto para las pendientes a los

costados de la calzada como para el tramo de carretera analizado. Se utilizaron tamaños

de celda de 10m, 15m, 20m, y 50m para evaluar la escorrentía en las pendientes de los

costados de la vía, mientras que, para evaluar la escorrentía sobre la calzada, se utilizó

tamaños de celda de 0.05m en el MDE. Para comprobar la dirección de flujo sobre el

pavimento obtenido con los productos fotogramétricos, se nivelaron cuatro secciones

transversales a cada metro de distancia a lo largo de su ancho y el eje longitudinal que las

atraviesa. Dichas secciones, se la ubicaron considerando los componentes geométricos

 18

que las componen tales como: Peralte, bombeo (pendientes ltransversales), curvas

horizontales y verticales, ancho de espaldones, transiciones y pendientes longitudinales.

La dirección de flujo se ve afectada por la disminución del tamaño de celda, ya que

aumentan las diferencias en la dirección con la disminución del tamaño del pixel. La Figura

7, muestra um histograma discretizado para las ocho direcciones de flujo (180°, 135°. 90°,

45°, 0°, -45°, -90°, -135°), donde se observa el total de celdas por tamaño de pixel para

cada una de las clases de dirección.

Figura 7

Variación del número de celdas en función al tamño del píxel

En la Figura 7, se compara la variación de la dirección del flujo conforme se

incrementa el tamaño del pixel. Para realizar la comparación de la variación del flujo, se

evaluá la diferencia angular que existe entre la dirección de flujo de un pixcel de menor

tamaño con otro de mayor tamaño. Al incrementar el tamaño de pixel, se generaliza la

dirección del flujo, concentrándolo

 19

Figura 8

MDE para determinar la dirección del flujo

Figura 8a: Dirección del flujo, tamaño del Figura 8b: Dirección del flujo, tamaño del
pixel 10x10 pixel 15x15
 20

Figura 8c: Dirección del flujo, tamaño del Figura 8d: Dirección del flujo, tamaño del
pixel 20x20 pixel 50x50

2.3 Productos fotogramétricos

Los productos fotogramétricos obtenidos como nubes de puntos densa,

ortomosaicos, MDE y curvas de nivel, se generaron apartir de las imágenes que ha sido

ajustadas o corregidas su precisión. Además, como otro ajuste se tiene la clasificación de

los objetos de la nube de puntos para mejorar la calidad de los productos fotogramétricos,

los cuales son la base para la evaluación de la escorrentía. En la Figura 9a, 9b, 9c y 9d, se

puede observar el resultado de los productos fotogramétricos descritos anteriormente.

Figura 9

Productos fotogramétricos

Figura 9a: Nube de puntos densa Figura 9b: MDE

 21

Figura 9c: Ortomosaico Figura 9d: Curvas de nivel

2.4 Dirección del flujo sobre el pavimento flexible

En la Figura 10, se aprecian deonde se ubicaron las secciones transversales,

mientras que en las Figuras 10a, 10b, 10c y 10d corresponden a los perfiles de dichas

secciones, obtenidos con la nivelación geométrica y del MDE respectivamente.

Figura 10

Ubicación de las secciones transversales

 22

Figura 10a

Perfiles sección-01

La Figura 10a, muestra la sección-01 ubicada en la trasición de salida de una curva

horizontal. Además, se aprecia la casi coincidencia del peralte en la sección pavimentada

para el caso de los dos levantamientos, a la derecacha se encuentra la sección de drenaje

causada por la escorrentía y el talud generado por el corte de terreno, los cuales poseen

vegetación. Para el caso del talud y cuneta existe mayor variabilidad con la fotogrametría,

ya el modelo de superficie generado toma los puntos del terreno, vegetación u otros

objetos, los cuales son complicados depurarlos con alto grado de detalle cuando se

generan ls clases de puntos y también para MDE con tamaños pequeños de prixel procen

ruidos cuando existen objetos cercanos con diferencias de altura considerables, mientras

que para el caso de la nivelación los datos fueron tomados a nivel de terreno. Para el

costado izquierdo existe el talud propio de la vía, en el cual no existe gran variabilidad ya

que est costado no existe vegetación.

 23

Figura 10b

Perfiles sección-02

La sección-02, fue levantada en un tramo recto de la vía, el mismo que posee

pendientes de drenaje hacia los costados como se obseva en la Figura 9b. En esta

sección, en su eje se encuentra un GPC y al igual que para el caso anterior en las zonas

que existe vegetación u otros objetos se incrementa la diferencia entre los levatamientos

por efectos de la misma.

Figura 10c

Perfiles sección-03
 24

La sección-03, ubicada en el centro de una curva horizontal con la pendiente del

peralte dirigida hacia el costado derecho, al costado izquierdo se encueta GPC con un

nivel similar al nivel eje de la vía y con vegetación a ambos costados de la misma. En esta

sección analizada, los levantamientos no difieren por mucho el uno del otro en las zonas

donde no existen obstáculos, en cambio, en los costados de la carretera, la vegetación

dificulta obtener una buena aproximación entre los levantamientos.

Figura 10d

Perfiles sección-04

Por último, la sección-04 se localiza en la transición de entrada de una curva

horizontal con cracteristicas similares a la sección-03. Además, esta sección se encuentra

en el centro de dos GPC más qu difieren de nivel 3.00m respecto a la sección. Se puede

observar que se imcremeta la diferencia entre las técnicas de levantameinto confome se

acerca al costado derecho, producto de lo efectos ejercidos ejercidos por la vegetación y

se confima que la altitura de vuelo influye directamente en la precisión del eje Z.

2.5 Discusión de resultados

Los resultados del análisis de las secciones tranversales (Figuras 10a, 10b, 10c y

10d), demuestran que ambos tipos de levantamientos tienen similitudes con una precisión

aceptable para evaluar la escorrentía sobre carreteras de pavimento flexible, tal y como se

lo aprecia en la Tabla 2
 25

Tabla 2

Comparación de resultados entre fotogrametría y nivelación topográfica

Nivelación
Abscisa MDE Error
UBICACIÓN topográfica
(m)
Altura (m) Altura (m) (m)
-5 2374.325 2374.382 -0.057
-4 2374.585 2374.678 -0.093
-3 2374.846 2374.770 0.076
-2 2374.800 2374.787 0.013
-1 2374.760 2374.734 0.026
0 2374.716 2374.688 0.028
Sección - 01
1 2374.661 2374.639 0.022
2 2374.604 2374.531 0.073
3 2374.554 2374.442 0.112
4 2374.465 2374.304 0.161
5 2374.215 2374.587 -0.372
6 2374.572 2374.696 -0.124
-5 2372.279 2372.237 0.042
-4 2372.411 2372.369 0.042
-3 2372.435 2372.417 0.018
-2 2372.437 2372.424 0.013
-1 2372.440 2372.417 0.023
0 2372.430 2372.399 0.031
Sección - 02
1 2372.420 2372.364 0.056
2 2372.391 2372.315 0.076
3 2372.360 2372.283 0.077
4 2372.293 2372.249 0.044
5 2372.251 2373.000 -0.749
6 2372.272 2373.743 -1.471
-6 2367.989 2368.009 -0.020
-5 2367.907 2368.027 -0.120
-4 2368.118 2368.078 0.040
-3 2368.088 2368.078 0.010
-2 2368.054 2368.053 0.001
-1 2368.010 2368.021 -0.011
Sección - 03
0 2367.960 2367.971 -0.011
1 2367.882 2367.907 -0.025
2 2367.845 2367.848 -0.003
3 2367.777 2367.788 -0.011
4 2367.641 2367.741 -0.100
5 2367.632 2367.961 -0.329
-6 2363.361 2363.447 -0.086
Sección - 04 -5 2363.397 2363.481 -0.084
-4 2363.558 2363.532 0.026
 26

-3 2363.546 2363.530 0.016

-2 2363.496 2363.496 0.000
-1 2363.412 2363.436 -0.024
0 2363.327 2363.364 -0.037
1 2363.224 2363.298 -0.074
2 2363.146 2363.225 -0.079
3 2363.018 2363.161 -0.143
4 2362.835 2363.123 -0.288
5 2362.752 2363.102 -0.350
Nota. Esta tabla muestra las cotas obtenidas con la nivelacón topográfica y las obtenidadas

mediante el MDE.

La diferencia de niveles para cada punto de la sección transversal, obtenida

mediante el levantamiento fotogramétrico y la nivelación topográfica, se considera como

error. En este caso se obtuvo un error absoluto promedio de 0.076m y una desviación

estándar de 0.25m, la cual se ve mayormente afectada por efectos de la vegetación baja

existente en los bordes dela vía, en este caso la herramienta de filtrado de vegetación de

Agisoft Photoscan no la elimina en su totalidad (González, 2018), tanto utilizandola de

manaera manual como de forma automática a través del programa. Además, se obtuvo un

RMSE de 0.27m para las secciones transversales, el mismo es influenciado por los efectos

antes descritos. En estudios anteriores han evaluado la calidad de la precisión de la

fotogrametría en áreas con vegetación baja, el cual, el error cuadrático medio (RMSE)

oscila entre los 0.25m a 0.90m (Lalangui & Zárate B., 2020). Por lo tanto, el RMSE

obtenido en esta investigación para zonas con vegetación es consistente. Finalmente al

evaluar todos los resultados de esta investigación, muestra que la información procesada

de la fotogrametría y la información recopilada de la nivelación topográfica presentan

consistencias similares, tal es el caso de las direcciones de flujo que se asemejan a la

realidad para ambos casos.

 27

Conclusiones

Se confirma que la densidad de GPC, la superposición de las imágenes y la altura

de vuelo tiene influencia directa en la calidad de la precisión de los levantamientos

fotogramétricos.

La diferencia en la dirección del flujo se incrementa con la reducción del tamaño de

celda, Es decir, para tamaños de celda pequeños están influenciados por el ruido genrado

por la nube de puntos del UAV, como se conprueva en los tamaños de celda de 0.05m

utilizados evaluar el flujo en el pavimento.

En los tamaños de celda de 10m, 15m, 20m y 50m utilizados para evaluar la

dirección de flujo de las pendientes, no exiten diferencias significativas en el cambio la

dirección del flujo para cada tamaño de celda.

Las nubes de puntos obtenidas mediante UAV, son aplicables para evaluar la

escorrentía en lugares en general donde la vegetación o la presencia objetos no sea muy

densa.

Para estudios detallados de la escorretía en áreas pequeñas mediate nubes de

puntos obtenidas con sistemas UAV, los resultados son poco confiables debido debido al

nivel de ruido generado en dichas nubes.

Los patrones de flujo estudiados en las secciones transversales son acertados, ya

que lo perfiles obtenidos con el sistema fotogramétrico y los obtenidos con la nivelación

coinciden para ciertos casos con diferencias menores a los 2.00cm.

 28

Recomendaciones

Cuando se requiera estudiar la escorrentía con alto grado de precisión y detalle en

áreas pequeñas, es recomedable aplicar otras metodologías de levantamiento como: los

sistemas LiDAR, escaner laser u otros.

Para que la precisión de las nubes de puntos obtenidas con los sistemas UAV sea

obtima, es necesario seguir protocolos de levantamiento como los que se detallan en esta

investigación o en otras investigaciones, ya que esta tecnología es relativamente nueva y

está en proceso de desarrollo.

Para futuras investigaciones, se recomienda realizar la evaluación de la escorrentía

con una red de GPC de mayor densidad y a diferentes alturas de vuelo para la captura de

las imágenes.
 29

Referencias

Agisoft. (2020). Agisoft Metashape (v 1.6.5). Obtendo de.

https://www.agisoft.com/downloads/installer/

Agüera, F., Carvajal, F., Martínez, P., Sánchez, J., Mesas, F., García, A., & Fernando

Pérez. (2018). Reconstruction of extreme topography from UAV structure from motion

photogrammetry. El Sevier, 121, 127–138.

Balaguer, M. (2015). Análisis empírico de soluciones fotogramétricas en estudios de

erosión hídrica en laboratorio. Universitat Politècnica de València.

Barreiro, A., Domínguez, J., Crespo, A., González-Jorge, H., Roca, D., & Gómez-Gesteira,

M. (2014). Integration of UAV photogrammetry and SPH modelling of fluids to study

runoff on real terrains. Plos One, 9, el1131.

Díaz-Vilariño, L., González-Jorge, H., Martínez-Sánchez, J., Bueno, M., & Arias, P. (2016).

Determining the limits of unmanned aerial photogrammetry for the evaluation of road

runoff. Journal of the International Measurement Confederation, 85, 132–141.

Díaz, L., González, H., Martínez, J., Bueno, M., & Arias, P. (2016). Determining the limits of

unmanned aerial photogrammetry for the evaluation of road runoff. El Sevier, 85, 132–

141.

Esri. (2015). ArcGis student trial (v10.4.1). Obtendo de.

https://support.esri.com/en/Products/Desktop/arcgis-desktop/arcmap/10-4-

1#downloads

Estalrich, E., Fernández, A., Aranda, L., & Pastor, J. (1997). Estudio de factores edáficos

relacionados con la erosión y escorrentía en taludes de fuerte pendiente; ensayos de

revegetación. Boletin de La Sociedad Española de La Ciencia Del Suelo, 2, 161–167.

Gonçalves, J., & Henriques, R. (2015). UAV photogrammetry for topographic monitoring of

coastal areas. El Sevier, 104, 10–111.

González, G. (2018). “Análisis comparativo entre los software de prueba Agisoft Photoscan

y Pix4D para el procesamiento de datos obtenidos con fotogrametría de vehículo

aéreo no tripulado (UAV) de bajo costo aplicado a proyectos de medio ambiente.”

 30

Escuela Politécnica Nacional.

James, M., Robson, S., S. d’Oleire-Oltmanns, & Niethammer, U. (2017). Optimising UAV

topographic surveys processed with structure-from-motion: Ground control quality,

quantity and bundle adjustment. El Sevier, 280, 51–66.

Lalangui, Y., & Zárate B. (2020). Evaluación del modelo digital de terreno obtenido

mediante técnicas de fotogrametría con VANT y con técnicas GNSS aplicados a

proyectos viales en zonas de mediana vegetación. Avances, 17(2), 8–9.

Liu, H., Kiesel, J., Hörmann, G., & Fohrer, N. (2011). Effects of DEM horizontal resolution

and methods on calculating the slope length factor in gently rolling landscapes. El

Sevier, 87, 368–375.

Liu, P., Chen, A., Huang, Y., Han, J., Lai, J., Kang, S., Wu, T., Wen, M., & Tsai, M. (2014).

A review of rotorcraft Unmanned Aerial Vehicle (UAV) developments and applications

in civil engineering. Smart Structures and Systems, 13(6), 1065–1094.

Lizarazo, I., Angulo, V., & Rodríguez, J. (2017). Automatic mapping of land surface

elevation changes from UAV-based imagery. INTERNATIONAL JOURNAL OF

REMOTE SENSING, 38, 2603–2622.

López, M., & Navas, A. (2010). Routing runoff and soil particles in a distributed model with

gis: implications for soil protection in mountain agricultural landscapes. Land Degrad,

21(2), 100–109.

Magdi, M., & Zumrawi, E. (2015). Investigating Causes of Pavement Deterioration in

Khartoum State, Sudan. International Journal of Civil and Environmental Engineering,

9(11), 1–2.

O’callaghan, J., & Mark, D. (1984). The extraction of drainage networks from digital

elevation data. Computer Wsion, Grapmcs, and i/D_age Processing, 28, 323–344.

Pérez, M., Filgueira, M., Freijido, M., & Méndez, G. (2000). Parámetros morfométricos e

hidrológicos de las cuencas de drenaje y ríos tributarios a la ría de Vigo. Estimación

de las variaciones anuales en las cargas en suspensión y en disolución. Iberian

Geology, 26, 171–187.

 31

Pilesjö, P., & Hasan, A. (2014). A triangular form-based multiple flow algorithm to estimate

overland flow distribution and accumulation on a digital elevation model. Transactions

in GIS, 18(1), 108–124.

Poppenga, S., Worstelll, B., Stoker, J., & Greenlee, S. (2010). Using Selective Drainage

Methods to Extract Continuous Surface Flow From 1-Meter LiDAR-Derived Digital

Elevation Data. Technical Report, US. Geological Survey Scientific Investigations

Report,.

S. Adlinge, & K. Gupta. (2013). Pavement Deterioration and its Causes. Second

International Conference on Emerging Trends in Engineering, 09–15.

Siebert, S., & Teizer, J. (2014). Mobile 3D mapping for surveying earthwork projects using

an Unmanned Aerial Vehicle (UAV) system. El Sevier, 41, 1–14.

Steve Harwin, & Lucieer, A. (2012). Assessing the Accuracy of Georeferenced Point

Clouds Produced via Multi-View Stereopsis from Unmanned Aerial Vehicle (UAV)

Imagery. Remote Sensing, 4, 1573–1599.

Tarboton, D. G., & Baker, M. E. (2008). Innovations in GIS Representing, Modeling, and

Visualizing the Natural Environment. In Towards and Algebra for Terrain-based Flow

Analysis. CRC Press.

Wang, J., Gonzalez, H., Lindenbergh, R., Arias, P., & Menenti, M. (2014). Geometric road

runoff estimation from laser mobile mapping data. ISPRS Technical Commission V

Symposium, II–5, 1–7.

Zulkipli, M., & Khairul Tahar. (2018). Multirotor UAV-Based Photogrammetric Mapping for

Road Design. International Journal of Optics, 2018, 7.