Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tesis Gabriel Banda - Correcionenes Biblioteca y Jurado
Tesis Gabriel Banda - Correcionenes Biblioteca y Jurado
ÁREA TÉCNICA
TRABAJO DE TITULACIÓN
LOJA - ECUADOR
2021
II
Doctor.
Yasmani Damián García Ramírez
Coordinador de programa de posgrados
Ciudad. -
De mi consideración:
Atentamente,
f) …………………………………
Belizario Amador Zárate Torres
C.I: 1103367999
III
artículo 20, literal j), de la Ley Orgánica de Educación Superior; y, artículo 91 del
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
Firma: ..............................................................
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.
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
Resumen
(UAV) para la determinación del escurrimiento superficial sobre carreteras de montaña con
con la herramienta Street View del software Google Earth y se seleccionó el tramo idóneo.
se evalúan los patrones de flujo con el algoritmo D8 y se comparan los resultados de los
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
Introducción
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
et al., 2016). Es decir, que permita predecir los posibles daños y efectos durante un
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
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
y, analizar la iteración entre el flujo de agua con la vía y con la infraestructura vial. El factor
Para calcular estos parámetros, es necesario una gran cantidad de información topográfica
través de nubes de puntos. Las nubes de puntos son el conjunto de vértices en un sistema
terreno (James et al., 2017). Además, son ampliamente utilizadas en diversas profesiones.
modelos digitales de superficie (MDS). Por este motivo, las nubes de puntos, se convierten
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
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
Total o GPS Diferencial) muestran alta precisión, pero baja productividad, lo que implica
convencionales, como es el caso de los sistemas LiDAR y otros (Poppenga et al., 2010),
Los sistemas UAV combinados con la fotogrametría son otra de las tecnologías no
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
(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
imágenes varía entre un 75 – 95% (Agüera et al., 2018). Por tales motivos, se pretende
flexible.
La escorrentía superficial, será evaluada con utilización del software ArcGis en su versión
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
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
análisis y discusión de los resultados obtenidos, donde se muestra como es la iteración del
6
Capítulo uno
Metodología
Loja para seleccionar el más idóneo. De los tramos estudiados, se escogió al que presenta
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
del algoritmo D8 que poseen los softwares GIS. Finalmente, los resultados son analizados
Figura 1
Eólico de la ciudad de Loja, posee una pendiente longitudinal media del -7.0% en
1.2 Materiales
hormigón simple con su respectiva marcación del punto de control, marcas de recuadros
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
doble frecuencia, el cual se vincula en simultaneo a la señal GPS y a las señales del
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
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
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
Figura 2
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
control (GPC) entre 3 y 5 puntos por hectárea, para lo cual se colocaron 19 puntos de
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
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
una altura 80.00m respecto a la altura media del terreno. Además, se consideró un 85%
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
Figura 4
imágenes (Balaguer, 2015). Este software tiene un flujo de trabajo de varios pasos:
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
puntos de control o marcadores, los cuales fueron levantados con de coordenadas UTM
de puntos. Es decir, aislar del modelo los puntos que no pertenezcan a la superficie del
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
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
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
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
cada celda y el valor de las celdas en el ráster de salida es el número de celdas que fluyen
Figura 5
cada celda y la superior derecha el número de celdas que fluyen hacia cada celda.
Por ejemplo, el número 64 corresponde al norte, el número 128 pertenece al noreste y así
Figura 6
Código de direcciones
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
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
coordenadas de baja precisión. Motivo por el cual, las imágenes deben ser ajustadas
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
Tabla 1
Puntos de control Este (m) Norte (m) Altitud (m) Error (m) Error (pix)
RMSE 0.01951288
La dirección de flujo se evaluó por separado tanto para las pendientes a los
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
transversales a cada metro de distancia a lo largo de su ancho y el eje longitudinal que las
que las componen tales como: Peralte, bombeo (pendientes ltransversales), curvas
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
Figura 7
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
Figura 8
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
ortomosaicos, MDE y curvas de nivel, se generaron apartir de las imágenes que ha sido
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
Figura 9
Productos fotogramétricos
mientras que en las Figuras 10a, 10b, 10c y 10d corresponden a los perfiles de dichas
Figura 10
Figura 10a
Perfiles sección-01
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
Figura 10b
Perfiles sección-02
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
Figura 10c
Perfiles sección-03
24
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
Figura 10d
Perfiles sección-04
en el centro de dos GPC más qu difieren de nivel 3.00m respecto a la sección. Se puede
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
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
mediante el MDE.
error. En este caso se obtuvo un error absoluto promedio de 0.076m y una desviación
existente en los bordes dela vía, en este caso la herramienta de filtrado de vegetación 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
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
evaluar todos los resultados de esta investigación, muestra que la información procesada
Conclusiones
fotogramétricos.
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
En los tamaños de celda de 10m, 15m, 20m y 50m utilizados para evaluar la
Las nubes de puntos obtenidas mediante UAV, son aplicables para evaluar la
densa.
puntos obtenidas con sistemas UAV, los resultados son poco confiables debido debido al
que lo perfiles obtenidos con el sistema fotogramétrico y los obtenidos con la nivelación
Recomendaciones
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
con una red de GPC de mayor densidad y a diferentes alturas de vuelo para la captura de
las imágenes.
29
Referencias
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
Barreiro, A., Domínguez, J., Crespo, A., González-Jorge, H., Roca, D., & Gómez-Gesteira,
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
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.
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
Gonçalves, J., & Henriques, R. (2015). UAV photogrammetry for topographic monitoring of
González, G. (2018). “Análisis comparativo entre los software de prueba Agisoft Photoscan
James, M., Robson, S., S. d’Oleire-Oltmanns, & Niethammer, U. (2017). Optimising UAV
Lalangui, Y., & Zárate B. (2020). Evaluación del modelo digital de terreno obtenido
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
Liu, P., Chen, A., Huang, Y., Han, J., Lai, J., Kang, S., Wu, T., Wen, M., & Tsai, M. (2014).
Lizarazo, I., Angulo, V., & Rodríguez, J. (2017). Automatic mapping of land surface
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.
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
Pilesjö, P., & Hasan, A. (2014). A triangular form-based multiple flow algorithm to estimate
Poppenga, S., Worstelll, B., Stoker, J., & Greenlee, S. (2010). Using Selective Drainage
Report,.
S. Adlinge, & K. Gupta. (2013). Pavement Deterioration and its Causes. Second
Siebert, S., & Teizer, J. (2014). Mobile 3D mapping for surveying earthwork projects using
Steve Harwin, & Lucieer, A. (2012). Assessing the Accuracy of Georeferenced Point
Clouds Produced via Multi-View Stereopsis from Unmanned Aerial Vehicle (UAV)
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
Wang, J., Gonzalez, H., Lindenbergh, R., Arias, P., & Menenti, M. (2014). Geometric road
runoff estimation from laser mobile mapping data. ISPRS Technical Commission V
Zulkipli, M., & Khairul Tahar. (2018). Multirotor UAV-Based Photogrammetric Mapping for