XIV Congreso Internacional de Ingeniera Grfica Santander, Espaa 5-7 junio de 2002

ANLISIS DE CALIDAD DE UN MODELO DIGITAL DE ELEVACIONES GENERADO CON DISTINTAS TCNICAS DE INTERPOLACIN
J. Morillo Barragn, J. Pozo Baselga, F. Prez Preciado, M. C. Rodrguez Gordillo, F. J. Rebollo Castillo
(1)

Universidad de Extremadura, Espaa

Departamento de Expresin Grfica Correo electrnico: jmorillo@unex.es

RESUMEN
El Modelo Digital de Elevaciones como definicin esquemtica del relieve del terreno, tiende a ser una representacin fiel en tanto los algoritmos interpolantes consigan estimaciones correctas. La prolongacin del MDE se extiende a toda una serie de modelos derivados que pueden ser un buen soporte de otras variables biofsicas, que tambin pueden verse afectadas por el error. El error y la fiabilidad del MDE con distintos algoritmos de interpolacin, y su contraste en funcin del nmero y la calidad de los puntos de control es el objetivo de esta comunicacin. Palabras clave : MDE, precisin, fiabilidad, kriging, spline, topogrid, IDW, vecinos naturales

ABSTRACT
The Digital Terrain Model (DTM) is a schematic definition of the terrain relief, it tends to be a faithful representation of the reality while the spatial interpolation gets a correct estimations. The prolongation of the DTM spreads to the whole series of derivative models that can be a good support of other biophysic variables, and they can also be affected by the errors. The accuracy and the reliability of the MDE with six different surface modelling methods, the effects of sample size number and errors in the check points is an attempt to analist in this paper.

Key words: MDT, accuracy, reliability, kriging, spline, topogrid, IDW, natural neighbor

1. Introduccin
Conceptualmente, un Modelo Digital de Elevaciones es una estructura de datos numrica que representa la distribucin espacial de la altitud de la superficie del terreno. (Felicsimo, 1994) Para el ingeniero, un modelo del terreno debe ser un banco de pruebas, como para un piloto lo es un simulador areo. En este modelo tienen que estar sintetizados todos aquellos elementos que tienen una incidencia representativa en el medio, pero si este es muy riguroso, los requerimientos de almacenamiento de informacin y los procesos de

anlisis se pueden ver seriamente comprometidos. En el otro extremo, una interpretacin de la realidad demasiado somera y relajada, puede pasar por alto distintos aspectos que sean trascendentes. Por otro lado, la precisin del Modelo Digital de Elevaciones, como base y armazn de todas las variables del medio biofsico, constituye una pauta a seguir en cuanto al resto de escalas de captacin de datos. Por extensin de este Modelo Digital de Elevaciones, se puede generalizar la explotacin de cualquier otro atributo relacionado, como puede ser la temperatura, pluviometra, insolacin, etc. La construccin de todo modelo digital de elevaciones implica por una parte un nmero significativo de puntos de altitud, que informen de la altitud del terreno, para a partir de estos, mediante distintas tcnicas de interpolacin averiguar la altura de todos los puntos existentes. La precisin del modelo generado se puede considerar dependiente de una serie de parmetros implicados en su generacin, que van desde las caractersticas orogrficas de la zona, las datos fuente y el mtodo de elaboracin. En relacin a las caractersticas del terreno , hay que indicar que la zona del estudio, un valle franqueado por montaas, entraa repentinos cambios en el relieve del terreno. Las curvas de nivel se encuentran empaquetadas en las zonas escarpadas, y su intervalo pequeo, proporciona informacin altimtrica exhaustiva. A pesar de esta densidad de puntos por metro cuadrado, una orografa tan abrupta, da lugar a mltiples errores en los procesos posteriores, de no tenerse en cuenta factores tales como las lneas fundamentales del relieve (vaguadas y divisorias). Los datos de entrada , tanto por su nmero, calidad y distribucin, son para el modelo la materia prima. En este caso como en otros muchos, debido al coste que supone su produccin, son adquiridos del IGN en forma de curvas de nivel en formato digital (DGN). El mtodo y las tcnicas de interpolacin, que son objeto de este anlisis, pueden tambin condicionar la precisin obtenida. Adems de estos factores influye la resolucin espacial o el tamao de celda del formato matricial, que en este caso de fija a 20 m en funcin de las caractersticas del terreno y los datos de partida

2. Algoritmos de interpolacin analizados.

A partir de un nmero determinado de puntos definidos en cuanto al valor de un atributo, mediante la interpolacin estimamos los valores del resto de puntos del rea interpolada. Se ha intetado hacer una revisin de los principales mtodos de interpolacin con objeto de conseguir un modelo representativo del terreno. Los distintos algoritmos empleados a tal efecto se pueden agrupar bsicamente en dos categoras, los determinsticos, que basan su funcionalidad en el clculo de frmulas matemticas que consiguen un mayor o menor grado de suavizado, y otros geoestadsticos, que introducen la relacin estadstica entre los distintos puntos medidos para generar la prediccin y establecer la fiabilidad del modelo. Cada tcnica de interpolacin, en funcin del algoritmo y los parmetro de decisin que maneja, genera una replica que intenta aproximarse a la realidad. La estructura de datos sobre la que haremos correr los anlisis es la raster con matriz regular que da buenos resultados en reas con fuertes relieves (Carter, 1988), y facilita las labores de anlisis tratndose de variables continuas. 2.1 Modelo hidrolgico correcto

El agua como fuerza erosiva fundamental que determina las formas complejas del relieve, va a modelar elevaciones y excavar depresiones que constituyen restricciones al proceso interpolador que hay que tener en cuenta para una mejor precisin del modelo. Se trata de generar un modelo de elevacin hidrolgicamente correcto, para lo cual utilizamos el mdulo TOPOGRID de ArcInfo basado en el desarrollo de Hutchinson del programa ANUDEM. Los datos de entrada sern las curvas de nivel del 1/50000 del Servicio Geogrfico del Ejrcito, un fichero de puntos conteniendo las cotas de cimas y depresiones, una cobertura de polgonos con los lagos, y la red hidrolgica. Este procedimiento de interpolacin de los datos de cota, cuenta con las ventajas de aquellos algoritmos locales, como el gravitacional (Inverso del Cuadrado de la Distancia), y la de los algoritmos globales como son el kriging y las curvas adaptativas (splines). En suma se puede considerar que la tcnica de interpolacin desarrollada est basada en el mtodo thin plate splines ligeramente modificado en cuanto al clculo de la rugosidad para conseguir que el modelo se ajuste a los bruscos cambios de pendiente en vaguadas y divisorias. 2.2 Red Irregular de Tringulos (TIN) Consiste el modelo en una red de nodos con los valores de la altitud, que se encuentran conectados por ejes, originando una red tringulos con sus correspondientes caras triangulares. Presentan la ventaja de que esta red triangular alcanza una densidad variable en funcin del nivel de detalle que exija el terreno. Este modelo vectorial resulta por ello muy preciso, por lo que necesita del imprescindible acopio de gran variedad de datos, como el lmite del anlisis, lneas fundamentales del terreno, isohipsas, cotas, polgonos de descuento, etc. Su desventaja reside en las importantes exigencias para procesamiento y anlisis para reas de gran tamao 2.3 Krigeado Est tcnica geoestadstica indica que la distancia y direccin de los puntos muestrales refleja una correlacin espacial que puede utilizarse para explicar la variacin del atributo (altitud) en la superficie. El valor de la altura del punto vendr definido por, Z ( p 0 ) = wi Z ( pi )
i =1 n

En este caso los pesos estn en funcin no slo de la distancia a los vecinos, sino de la relacin espacial entre los puntos medidos. La asignacin de estos pesos se va a realizar en dos fases: 1. Se averigua la interrelacin espacial de los puntos, ajustando su variograma terico. 2. Prediccin del atributo del punto El variograma sera la curva de anlisis que relaciona las distancias con la media de las diferencias de cotas al cuadrado, de un punto al resto de los medidos. Estos datos empricos me permiten definir y ajustar lo que denominamos el semivariograma terico, a partir del cual puedo calcular los distintos pesos de los puntos. En nuestro caso el ajuste esfrico fue el que mejor defini el semivariograma terico. Se tiene en cuenta adems la influencia de la direccin en el clculo (anisotropa), as como el nmero de vecinos y el sector de la bsqueda (bsqueda por cuadrantes). 2.4 Gravitacional o Inverso de la Distancia.

Cada punto muestral ejerce una influencia sobre el punto a determinar disminuye en funcin de la distancia. As cada punto vecino contar con un peso en la determinacin de la cota del punto a interpolar, que ser mayor cuanto ms cerca se encuentre, siguiendo el principio de correlacin espacial. Z ( p 0 ) = wi Z ( pi )
i =1 n

1 siendo los pesos, wi =

d ip 1

d ip Segn varios autores (Declercq, 1996) el valor del exponente (p) igual a 2 es el que genera mejores resultados empricos y requiere menores requerimientos computacionales. En general, el valor ms adecuado ser aquel que minimice el EMC (error medio cuadrtico). Se puede ajustar mediante validacin cruzada, eliminando sucesivamente cada uno de los puntos medidos, que es comparado con su valor interpolado para determinar el EMC para esa potencia, y realizar el consiguiente anlisis de sensibilidad. Para favorecer los clculos, el nmero y la distancia a los puntos vecinos a tener en cuenta, tiene que obviar aquellos demasiado alejados, y restringirlos a un nmero determinado. Consideramos un radio variable, con un lmite mximo de 1000 m y un nmero de 20 puntos para el anlisis.
i =1

y la suma igual a 1,

w
i =1

=1

2.5

Vecinos naturales.

Con este mtodo se genera una triangulacin de Delaunay con los puntos muestrales, cumplindose la condicin de que la circunferencia circunscrita en los vrtices de cada triangulo, no incluye ningn otro vrtice, con lo que la red de tringulos es prcticamente equiltera. El algoritmo selecciona aquellos puntos ms cercanos que generan polgonos de Voronoi convexos alrededor del punto en cuestin. Los pesos de estos puntos son proporcionales al rea de estos polgonos. Esta tcnica de interpolacin tiene la ventaja de que no necesita la introduccin de ningn parmetro adicional, y los resultados son aceptables en puntos muestrales con una distribucin irregular. Esta eventual comodidad para el proceso, puede ser un inconveniente, si tenemos en cuenta el escaso nmero de parmetros de decisin que emplea la tcnica. 2.6 Curvas adaptativas (Splines regulares) Se trata de uno de los mtodos englobados en la clasificacin de funciones radiales bsicas, que tienen en comn la generacin de superficies que pasan exactamente por los puntos muestrales. Con estas tcnicas se consiguen ajustes del terreno similares en la forma a una membrana elstica que pasara por todos los puntos muestrales, minimizando la curvatura para el resto de la superficie. Con el ajuste de splines regulares se consigue suavizar la curvatura de la superficie mediante el clculo de la segunda derivada de la superficie interpolada. Necesita definir el peso para el ajuste de la curvatura de la superficie, adems del nmero y seccin del rea de bsqueda de los vecinos (libre, cuadrantes, octantes, etc)

3. Metodologa.
Se pretende llevar a cabo una anlisis de la calidad de distintos Modelos Digitales de Elevacin generados para una zona concreta, el Valle del Jerte (Cceres), mediante su evaluacin con una serie de puntos de control obtenidos mediante receptores GPS con distinto nivel de precisin. Para este cometido se generan por interpolacin distintos modelos, partiendo de los mismos datos fuente, y se contrastan con los puntos de control, que suponemos en principio libre de errores. Se obtiene pues para cada modelo una distribucin de puntos con las discrepancias en la altitud, que es utilizada para generar los correspondientes estadsticos globales que definen la calidad del modelo. 3.1 Datos de partida

Como dato de partida para la generacin del modelo se ha adquirido la cartografa digital militar del Servicio Geogrfico del Ejrcito con la altimetra depurada de las 4 hojas a escala 1/50000 que definen la totalidad de la zona: hojas 1223,1224, 1323 y 1324, correspondientes a las hojas 575,576, 598 y 599 del Mapa Topogrfico Nacional. A partir de estas curvas de nivel se ha generado otra referente a polgonos de lagos y la marco del estudio queda definida por un poligono rectangular entre las coordenadas UTM del huso 30 (xmin = 227975.78125 m , xmax= 285955.78125 m, ymin = 4431020.0 m, ymax= 4469860.0 m). Considerando cada celda de 20 m, seran 1942 filas y 2899 columnas. 3.2 Puntos de control Para contrastar los distintos modelos generados son necesarios un conjunto de puntos de control que representen al terreno real, y que podamos contrastar con los modelos interpolados. Las diferencias de alturas as obtenidas nos permitiran evaluar el nivel de error de cada modelo.
GPS MONOFRECUENCIA
N W E S

GPS BI FRECUENCIA REA DEL ESTUDIO MUNICIPIOS DE LA VERA MUNICIPIOS DEL VALLE DEL JERTE

Figura 1: Ubicacin de los puntos de control Segn los estandares para modelos digitales de elevaciones, del U.S.G.S. (Departamento del Interior del U.S. Geological Survey), en referencia al control de la calidad de los MDE, se habla de un mnimo de 28 puntos de control, 20 interiores y los 8 restantes en el borde. (USGS, 1997)

Los puntos de control son obtenidos en esttico rpido y en postproceso con varios equipos de GPS diferencial de la marca Leika, un equipo monofrecuencia modelo SR510, y otro modelo SR530 bifrecuencia.
Mod. SR530 (bifrecuencia) Error en esttico rpido (ECM) Base lnea Puntos medidos 5mm + 1ppm 5 km 178 Mod. SR510(monofrecuencia) 10 mm + 1ppm 200 km 82

Tabla 1: Caractersticas de los equipos GPS Para asegurar una buena calidad de la altura ortomtrica se han calculado los parametros de transformacin para la zona apoyandose en cinco vrtices geodsicos (Mesa, Pitolero, Valdeamor, Panera y Covacha) en el borde externo de la zona. Para el cambio de elipsoide WGS84 al Internacional (Hayford), se ha aplicado una transformacin clsica Helmert 3D con el modelo de giro Bursa Wolf. En cualquiera de los casos las precisiones de los puntos se encuentra por muy por debajo de 0.3 m en mofrecuencia y 0,03 en bifrecuencia. 3.3 Mtodo Existen distintos procediemientos para la evaluacin de la precisin, desde simples reconocimientos visuales, validaciones cruzadas basadas en relaciones de vecindad, superposicin de curvas de nivel sobre el modelos estereoscpico, o bien text estadsticos como los empleados por el NMAS (National Map Accuracy Standard) y el EMAS (Engineering Map Accuracy Standard) consistentes en la comparacin con puntos de control, analizando la no existencia de errores sistemticos y la presencia de error aleatorio. (Cuartero et al, 2001) 3.4 Tcnicas de interpolacin.
TOPOGRID

S P L I N E

CURVAS

CO AR M
COTAS

N I D W

KRIGING

Figura 2:datos incorporados a los modelos Con las curvas o puntos, lagos y rea del anlisis (marco) se generan con las distintas tcnicas de interpolacin sendas matrices regulares con los MDE, que son contrastadas con matrices de los puntos de control, con el mismo tamao de celda, y la misma extensin. (1942 filas y 2899 columnas).

Figura 3: MDE generado con el algoritmo TOPOGRID. Para las tcnicas de Vecinos naturales, TIN y Topogrid no se utilizaron parametros especficos, y solo se implementaron los datos necesarios. En el resto se utilizaron los parametros siguientes: TCNICA IDW SPLINE KRIGING TIPO Potencia 2 Busqueda Libre Radio Mximo 1000 m Puntos vecinos Suavizado 5 15 5 577.63

Regularized Cuadrantes 500 m (esfrico) ordinario cuadrantes 1000 m

Tabla 2: parmetros de interpolacin

4. Evaluacin estadstica
El error debido a la diferencia entre la altitud del modelo y la del terreno real (GPS), se estudia en principio sin tener en cuenta la repercusin indirecta que el error posicional pueda tener sobre la ubicacin de la cota. Los errores groseros o equivocaciones se eliminan siguiendo el criterio de 3 veces el EMC, y los errores sistemticos se separan de los accidentales (aleatorios), analizando el sesgo de la curva de distribucin de errores. Los estadsticos recomendados segn varios autores (Li, Z. 1991 y Yang et al, 2000) para la medida del error seran el error medio (EM), y la desviacin estndar () que coincide con el error medio cuadrtico (EMC) cuando la distribucin no es sesgada. EM = EMC = =
n

1 n (Z
i =1 n i =1

estimado i

Zireal ) Zireal ) 2

1 n (Z

estimado i

1 n ((Z
i =1

estimado i

Zireal ) EM ) 2

Cuando todos los errores son aleatorios, y el tamao de la muestra es lo suficientemente grande, podemos considerar el error medio (EM) como cero, siendo entonces idnticos la desviacin estndar de los errores () y el error medio cuadrtico (EMC). Todos estos estadsticos del error que definen la precisin del modelo, lo hacen bajo una serie de condiciones que definen los parmetros que intervienen en ese clculo. Parece razonable indicar que el nmero de puntos de control, la calidad de los mismos (en principio libres de error), y la distribucin de estos, nos van a proporcionar un nivel de seguridad en la estima de la precisin del error. En este contexto se define la fiabilidad (F), como el grado de correccin con el que se obtiene la precisin del modelo (Li, 1991), o en otras palabras el error en la estimacin del error (Felicsimo, 1994). El nivel de confianza sera el porcentaje del tiempo que podemos esperar encontrar nuestro error estimado dentro de un intervalo marcado por la desviacin estndar () y el coeficiente de confianza (z), segn la expresin z*. El coeficiente de precisin esta relacionado con los niveles de confianza, con los valores siguientes en una distribucin normal cannica: Z(0.95%) = 1.960 4.1 Z(0.98%) = 2.326 Z(0.99%) = 2.576

Influencia del nmero de puntos de control.

Parece evidente que cuantos ms puntos de control utilicemos, mayor ser la fiabilidad de los estadsticos calculados. Ley (1986) en sus ensayos realizados para evaluar el nmero de puntos necesarios, estableci que con 150 puntos la garanta de la precisin en los modelos obtenidos fluctuaba en un 10% de la desviacin estndar obtenida. Posteriormente LI (1991) demostr estadsticamente que la fiabilidad de esa desviacin estndar para 150 puntos muestrales era algo inferior, un 6%. 4.1.1 Influencia del nmero de puntos de control en la estimacin de la media Si queremos analizar el comportamiento de nuestro modelo en funcin del nmero de puntos elegidos para su contraste, nos encontramos en el supuesto estadstico de una distribucin de muestreo, en este caso de medias. Por lo tanto estamos descomponiendo la poblacin en un subconjunto de muestras. La desviacin estndar de la media de esas muestras, se relacional con la desviacin estndar de la poblacin mediante, EM = n Para un nivel de confianza fijado, la media muestral flucta en un intervalo, EM z EM = EM z n Si denominamos S, al valor en que flucta esa media, S= z n Luego el tamao de muestra necesario, para una determina variacin de la media ser, z 2 2 n= S2 El concepto de fiabilidad de la media (EM) definido por LI (1991) sera,

F ( EM ) = S

z n
3 2,5

F(EM)

2 1,5 1 0,5 0
40 10 0 20 0 40 0 60 0 80 0 10 00 20 1 5

95% 98% 99%

Nmero de puntos

Figura 4:Fiabilidad del error medio en relacin al nmero de puntos La fiabilidad de la media con 253 puntos esta entre 0,12 m y 0,16 m segn el nivel de confianza (95% y 99% respectivamente) 4.1.2 Influencia del nmero de puntos de control en la estimacin de la desviacin estndar La desviacin estndar tambin se ve afectada por estas variaciones en el nmero de puntos, y sigue el comportamiento estadstico de una distribucin de la desviacin estndar, relacionndose en este caso la desviacin estndar muestral con la poblacional mediante la frmula, s = 2n Por lo que los lmites de confianza de una poblacin de desviacin estndar , en una muestra de desviacin estndar s, sern: s z s = s z 2n n 1 Si se utiliza como estimacin de , s = = s n La variacin de la desviacin estndar de la muestra es, z s = z * F ( s) * s 2( n 1) Esta cantidad expresada en trminos de porcentajes de la estimacin de la desviacin estndar, define la fiabilidad de la desviacin estndar.

F (s) =

1 100% 2(n 1) 70 60 50 F(s)% 40 30 20 10 0 0 100 200 300 400 500

nmero de puntos

Figura 5: Fiabilidad de la desviacin estndar en relacin al nmero de puntos Con arreglo al tamao de la muestra que incluye todos los puntos GPS, un total de 253, la fiabilidad ser de un 4,45%, que har que varie la desviacin estandar:
MODELO IDW TOPO NNE TIN SPLINE KRIGING 9,15 8,52 8,61 8,66 9,37 10,5 95% 0,80 0,74 0,75 0,76 0,82 0,92 98% 0,95 0,88 0,89 0,90 0,97 1,09 99% 1,05 0,98 0,99 0,99 1,08 1,20

Tabla 3: Variacin en metros de la desviacin estndar con distintos niveles de confianza 1.1.3 Influencia de la calidad de los puntos de control en la estimacin de la precisin. Se haba supuesto hasta ahora que los puntos GPS no tenan ningn tipo de error, pero resultan evidentes los errores en funcin del equipo GPS utilizado. Este error, por pequeo que sea, va a repercutir en la fiabilidad de los estimadores del error. La diferencia de altitud (DA) real ser la contrastada con el GPS (DG), ms un error (E), y existe la siguiente relacin entre la desviacin estndar: 1 DA K= E = , el lmite de los errores sera E = DA 2n 1 2n 1 Cuando K aumenta, porque disminuye en nmero de puntos, lo hace a costa de que disminuya la dispersin de las diferencias GPS, y que aumente la influencia del error de esos puntos de control.

10

 DA 2n 1 Siempre que no se rebase el lmite anterior en los errores del GPS, su influencia en la fiabilidad de la estimacin de la desviacin estndar ser despreciable, en otro caso, habr que estimarla segn la ecuacin: K F (s) = 100% (1 K 2 ) E = K DA =
MODELO k = 0.044 Spline Kriging IDW Topogrid Vecinos Naturales TIN Monofrecuencia Bifrecuencia Ambos

DA
10,8 11,42 10,68 9,83 10,06 10,21

Limite

E
0,481 0,508 0,475 0,437 0,448 0,454

DA
8,58 10,06 8,2 7,75 7,72 7,71

Limite

E
0,382 0,448 0,365 0,345 0,344 0,343

DA
9,37 10,5 9,15 8,52 8,61 8,66

Limite

E
0,417 0,467 0,407 0,379 0,383 0,385

Tabla 4: fiabilidad en funcin de la precisin de los puntos Como los errores GPS se encuentran por debajo de estos lmites no hara falta aplicar la fiabilidad del 4,45%, que sera la necesaria. 1.1.4 Diferencias entre los modelos

Para analizar si existan realmente diferencias significativas en cuanto al algoritmo empleado en los datos de partida, se utilizo el procedimiento ANOVA de anlisis de la varianza de un factor para contrastar la hiptesis de que las medias son iguales, y si existen diferencias entre estas medias, saber que medias son las que difieren. Se puede concluir que al nivel de significacin del 0.01 no existe diferencia significativa entre ninguno de los modelos.

5. Conclusiones o Consideraciones Finales

En todos los modelos generados, si se analizan las medias, se puede apreciar un ligero sesgo positivo que hace que los valores de la media se siten en torno a 2. Esto es debido a un error sistemtico que implica que la altitud referida por los modelos est 2 metros por debajo de la real. No existen diferencias significativas (0.01) entre la aplicacin de los distintos algoritmos analizados, por lo que se puede interpretar que las curvas de nivel en esta zona abrupta aportan informacin suficiente para una correcta definicin del relieve. El nmero de puntos de control incide en la fiabilidad (error en la estimacion del error) de la media (EM) que hace que esta varie entre 0,12 m y 0,16 m segn el nivel de confianza (95% y 99% respectivamente) El nmero de puntos tambien afecta a la fiabilidad de la desviacin estandar () que en el peor de los casos (krigeado) con un nivel de confianza del 99% llega a variar 1.2 m. La calidad de los puntos de control tomados con distinto tipo de receptores GPS vemos que no tiene repercusin sobre la fiabilidad de la desviacin estndar al no alcanzar unos lmites mnimos. Queda pendiente por analizar la repercusin que el tamao de la celda de la malla regular tiene sobre el error global.

11

Referencias
1) AGUILAR, M. A et al Evaluacin de diferentes tcnicas de interpolacin espacial para la generacin de modelos digitales de elevacin del terreno agricola Mapping n 74, 2001 2) CARTER, J.R. Digital representation of topographic surfaces. Phtogrametric Engineering & Remote Sensing, vol 54, n 11, pp 1577-1580, 1988 3) CUARTERO, A et al Anlisis del error en modelos digitales de elevaciones segn la fuente de datos XIII Congreso Internacional de Expresin Grfica, Badajoz, 2001 4) DECLERCQ, F.A.N. Interpolation methods for scattered saple data: accuracy, spatial patterns, processing time. Cartography and Geographic Infornation Systems, 23 (3): 128-144, 1996. 5) FELICSIMO, A. M. Modelos Digitales del Terreno. Oviedo (Espaa): Pentalfa, ISBN:84-7848-475-2, 1994 6) FELICSIMO, A. M.; Paramtric statistical meted for error detection in digital elevatiom models. ISPRS Jornal of Photogrammetry and Remote Sensing, 1994 .http://www.etsimo.uniovi.es/~feli/SIG/ICA95.html 7) HUTCHINSON, M.F.. Calculation of hydrologically sound digital elevation models. Third International Symposium on Spatial Data Handling, Sydney. Columbus, Ohio: International Geographical Union, 1988 8) HUTCHINSON, M.F.. A new procedure for gridding elevation and stream line data with automatic removal of spurious pits. Journal of Hydrology:106, 211-232, 1989. 9) KEVIN Johnston et al Using Arcgis geoestatistical Analyst, 2001 10) LEY R Accuracy assessment of digital terrain models.Proceedings, Autoto Carto London, 1:455-464, 1986 11) LI Zhilin Effects of check points on the reliability of DTM accuracy estimates obtained from experimental tests In Phtogrametric Engineering & Remote Sensing, vol 47, n 10, pp 1333-1340, 1991 12) LI Zhilin Variation of the accuracy of Digital Terrain Models with sampling interval In Phtogrametric Record, 1992 13) MARTNEZ R et al Anlisis de las metodologas habituales para la generacin de modelos digitales del terreno Mapping n 71, 2001 14) MURRAY R. Spiegel Estadistica Ed. McGraw-Hill, 2 ed, 1991 15) U.S.G.E Department of the Interior Standards for Digital Elevation Models U.S. Geological Survey National Mapping Division., 1997 http://mapping.usgs.gov/standards/index.html 16) XIAOJUN Yang et al. Visual and statistical comparisons of surface modeling techniques for point-based environmental date In Cartography and Geographic Information Science, vol 27, n2, pp 165-175, 2000

12