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

GENERACIN DE MODELOS DIGITALES DE TERRENO MEDIANTE LA APLICACIN DE MTODOS DE ESTIMACIN ESTOCSTICOS

Jorge Delgado Garca (1), F.Javier Cardenal Escarcena (1), Alfonso Gmez Molina (2)
(1) Universidad de Jan, Espaa Escuela Politcnica Superior, Dpto. Ingeniera Cartogrfica, Geodsica y Fotogrametra c/Virgen de la Cabeza, 2 23071 Jan Correo electrnico: jdelgado@ujaen.es; jcardena@ujaen.es (2) Universidad Politcnica de Madrid, Espaa E.T.S. Ing. Agrnomos, Dpto. Ing.Cartogrfica, Geodsica y Fotogrametra. Expresin Grfica Ciudad Universitaria s/n 28040 Madrid Correo electrnico: agomez@stereocarto.com

RESUMEN
Se analizan las ventajas e inconvenientes derivadas de la aplicacin de los modelos estocsticos de estimacin para la generacin de modelos digitales de terreno. La utilizacin de este tipo de mtodos permite que los parmetros utilizados en la modelizacin sean obtenidos del anlisis directo de la informacin disponible y no de criterios geomtricos a priori, como sucede en el caso de los mtodos determinsticos, entre otros, triangulacin e inverso de las distancias, El problema fundamental de la metodologa estocstica radica en el hecho de garantizar la robustez de los parmetros de la modelizacin, aspecto que se complica conforme aumenta la variabilidad de la zona considerada. Para facilitar esta tarea de anlisis previo de parmetros en este trabajo se propone una metodologa basada en el empleo de ventanas mviles para la obtencin de parmetros locales y clasificacin de la zona en funcin de los parmetros obtenidos para cada ventana. Para cada clase se obtienen los parmetros ms representativos que sern los aplicados en la modelizacin final. El trabajo incluye la presentacin de un ejemplo de aplicacin. Palabras clave: MDE, Geoestadstica, Variabilidad Espacial, Estimacin, Krigeaje Ordinario.

ABSTRACT
In this paper, we analyze the main advantages and drawbacks of stochastic modeling techniques for DTM generation. The use of this methods allows the characterization of the modeling parameters from the experimental data analysis. This is an important advantage, because in deterministic methods, the parameters are fixed a-priori, using geometric criteria. The main problem of the stochastic methodology is the parameters estimation (and the robustness of the parameters estimation). This is more complicate when the work have an wide variability. The methodology is based in the calculation of the modeling parameters using a moving windows schema, and classification of sub-zones using the obtained parameters. This classification is used in order to determine the best parameters for each zone, that will be finally used in the modeling process. The work includes a practical example. Key words: DEM, Geostatistics, Spatial Variability, Estimation, Ordinary Kriging.

Introduccin

Se puede considerar que los modelos digitales de elevaciones (MDE) son la respuesta de la introduccin de las tcnicas informticas dentro del mundo de la representacin del relieve. El proceso de generacin de los MDE se puede considerar compuesto por tres fases que aunque estn bien diferenciadas presentan importantes relaciones: a)

captura de la informacin o fase de medida; b) proceso de modelizacin; c) control de la calidad del modelo generado. Al respecto es importante indicar que para garantizar la calidad final del modelo obtenido, que depender de la validez del mismo para resolver nuestros problemas concretos de una manera eficiente, es necesario garantizar la calidad de la informacin, tanto en la fase de captura como en la de modelizacin. Esta consideracin es frecuentemente olvidada, quiz porque el avance en las distintas fases no ha ido desgraciadamente emparejada. As, cada da aparecen sistemas que nos permiten una captura de la informacin ms precisa y rpida influyendo de una forma notable en el rendimiento de nuestro trabajo, aunque se siguen empleando tcnicas de modelizacin muchas veces inadecuadas e, incluso, a veces, con un total olvido del fenmeno sobre el que se est trabajando. Es importante tener en cuenta que tal y como se comenta en Felicisimo (1994) que los modelos deben ser creados para un propsito determinado, definido en funcin de la resolucin de los problemas planteados. As, el modelo no es nico y la misma realidad puede ser descrita por ms de un modelo. Por tanto, las tcnicas de captura como las de modelizacin deben ser elegidas en funcin del problema concreto que se desea resolver, introduciendo nuestro conocimiento fsico del problema, aunque esto conlleve un cierto nivel de subjetividad inherente a cualquier proceso de modelizacin, en funcin de las decisiones adoptadas a lo largo del proceso. 1.1 La modelizacin Para la caracterizacin de un fenmeno espacial (cota del terreno) es necesario disponer de modelos que permitan la extensin de la informacin de las medidas realizadas en una serie discreta de puntos hasta abarcar toda la zona de estudio. Los dos grandes grupos de tcnicas de modelizacin aplicadas en la actualidad son, por un lado, los de tipo determinista en el que los parmetros de la modelizacin vienen predeterminados a priori, como en el caso de la modelizacin de fenmenos controlados por las leyes fsicas o bien, los modelos de tipo probabilstico en el que los parmetros vienen fijados por un estudio previo del fenmeno a modelizar. Entre los modelos fsicos deterministas destacan por su frecuencia de aplicacin para el estudio de variables espaciales los denominados modelos determinsticos de inferencia espacial. Estos modelos simplemente tienen como objetivo la interpolacin espacial entre los valores observados y son los utilizados en mtodos tan conocidos como los de polgono de influencia, triangulacin e inversa de las distancias, en los que no se analiza el propio fenmeno ni se introduce sus propias caractersticas en la modelizacin. Estos mtodos se basan en el clculo del valor estimado mediante la combinacin lineal de los valores del entorno en funcin de criterios, de tipo geomtrico bsicamente, proximidad entre los datos y la localizacin a estimar-. El principal inconveniente de los mismos radica en el empleo de criterios geomtricos que no tienen en cuenta las peculiaridades del fenmeno estudiado (por ejemplo, el grado de continuidad espacial y anisotropas). Adems, al ser de tipo determinista no consideran la propia incertidumbre asociada al propio proceso de modelizacin. Frente a este tipo de mtodos de tipo determinista se plantean los modelos de tipo probabilstico y, en particular, los basados en la aplicacin de las tcnicas geoestadsticas (Matheron, 1963). Estos mtodos se basan en el doble comportamiento de las variables. As la variable tiene una componente estructurada que implica una determinada continuidad en el fenmeno que posibilita la interpolacin entre las medidas y una componente aleatoria que implica la incertidumbre antes mencionada. Esta doble componente que en un principio puede parecer contradictoria (aunque habitual en la naturaleza) es la base de la modelizacin geoestadstica, cuyo elemento fundamental de trabajo lo constituyen las funciones de variabilidad espacial,

correlogramas o variogramas, sobre las que se establecen los clculos de los ponderadores de cada una de las muestras que intervienen en el proceso de estimacin. Esta utilizacin de las funciones de continuidad (calculadas a partir de la informacin disponible del propio fenmeno) sustituyen los criterios de tipo exclusivamente geomtrico o fsico utilizados en los mtodos determinsticos y permiten una mejor aproximacin del modelo utilizado a la realidad.

Metodologa

La aplicacin de la geoestadstica al anlisis de los datos de elevacin ha sido examinada en diferentes publicaciones desde diferentes puntos de vista. As, por ejemplo, el variograma ha sido utilizado en varios estudios para caracterizar la morfologa del terreno (por ejemplo, Mulla, 1988) y el krigeaje para la estimacin de elevaciones y el anlisis geomorfolgico del terreno tanto en superficie como en subsuelo (por ejemplo, Moffat et al., 1986) as como para la utilizacin de la variable elevacin como variable secundaria para la mejora de la estimacin de otras variables directamente relacionadas (Leenaers et al., 1990). La herramienta central para la mayora de los anlisis geoestadsticos, incluidos a los que se refiere este trabajo, es el variograma. El variograma es una funcin en la que se establece la relacin entre la semivarianza entre parejas de valores y la distancia (y la direccin cuando dicha variacin sea anistropa) a la que se sitan las parejas de valores considerados. Esta funcin variograma es ajustada a un modelo que nos proporciona parmetros fundamentales (por ejemplo, tipo de modelo, alcance y meseta) (ver McBratney y Webster, 1986 para ms detalles). El principal problema que se plantea en la aplicacin de los mtodos geoestadsticos es asegurar que el variograma representa de una forma adecuada la variabilidad espacial del fenmeno que se intenta modelizar. No obstante, es importante tener en cuenta que en la modelizacin del terreno se dispone de un importante volumen de datos ya que el coste de adquisicin es bajo. Esta diferencia plantea una gran ventaja en el tratamiento ya que es posible subdividir la zona manteniendo un nmero de datos suficiente en cada una de las subzonas, analizar el comportamiento de la variable elevacin en las mismas y, por ltimo, agruparlas en funcin de los parmetros derivados del anlisis. Los coeficientes del modelo de variograma son los que caracterizan la variabilidad espacial y sern introducidos en el proceso de generacin del MDE mediante krigeaje.

Aplicacin y Resultados

Se ha utilizado como informacin de partida un MDE en formato digital de curvas de

nivel correspondiente a la hoja 1040 (18-43) Zafarraya correspondiente a la Serie L (Escala 1:50000) del MTN del SGE. De dicho MDE se ha seleccionado una zona de un tamao de 5km x 5km limitada por las coordenadas UTM Huso 30N: 408000 y 4090000; 413000 y 4095000. El modelo est compuesto por las curvas de nivel (equidistancia=20m) y puntos singulares, con un total de 12434 puntos (figura 1). En la figura se puede observar como la zona tiene diferentes patrones de variabilidad, por lo que los parmetros de modelizacin deberan ajustarse a dicha realidad. As, al E se observa una menor separacin entre curvas de nivel (mayor pendiente y variabilidad), mientras que en la zona central y S se detecta menor variabilidad. Para poner de manifiesto estas diferencias se ha subdivido el rea en 25 subzonas de 1km x 1km calculando los estadsticos (tabla 1) y variogramas (figura 2).

Figura 1: Representacin de curvas de nivel correspondiente a los datos experimentales Tabla 1: Estadsticos bsicos de las zonas consideradas Fil/Col 1 426 1075 1 19.23 1.79 475 1079 2 25.26 2.34 290 1108 3 20.52 1.85 444 1074 4 33.59 3.13 342 1029 5 23.67 2.30 NDatos Media D.Tpica Coef.Var.(%) 2 440 25.24 353 21.11 283 19.34 414 33.06 499 37.64 1052 2.40 1100 1.92 1132 1.71 1115 2.97 1067 3.53 380 16.53 426 31.28 455 18.41 602 32.64 552 38.98 3 1066 1.55 1091 2.87 1148 1.61 1134 2.88 1102 3.54 461 27.84 626 46.83 818 66.23 864 33.83 652 32.58 4 1007 2.77 1006 4.65 1034 6.41 1051 3.22 1101 2.96 507 27.28 472 19.76 719 36.14 785 63.68 634 40.36 5 934 2.77 923 2.14 953 3.79 1080 5.90 1131 3.57

Los histogramas y los estadsticos de las diferentes zonas muestran como existen importantes diferencias en cuanto a la variabilidad de las zonas, as existe un intervalo de coeficientes de variacin entre 0.0161 y 0.0641. Asimismo se observa que las zonas ms bajas son las correspondientes a la columna 5, es decir, las situadas al W. Los variogramas han sido calculados para una distancia mxima de 250m con un nmero total de pasos de 25 y considerando variograma medio. Para poder comparar de una forma ms sencilla los resultados se opt por el ajuste a una estructura gausiana, debido al comportamiento de la funcin para las distancias cortas (fundamentales en la modelizacin). Los variogramas obtenidos muestran la frecuente presencia de derivas (por ejemplo, en la zona SE) y pone de manifiesto la necesidad de disear un sistema mediante el cual se garantice la representatividad del variograma para la regin que se desea modelizar.

160 250 914 885 915 869 720 747 796 819 802 870 678 661 623 607 400 350 300 889 se mivaria nce 250 200 150 100 50 z 215.572 Gau(94.9651) 50 100 150 distance 200 250 0 0 67138171 50 100 semivaria nce 756 754 693 796 676 640 549 542 470 417 385 453 310 255 204 z 394.578 Gau(147.235) 0 150 distance 200 250 100 80 60 40 20 439 459 405 458 394 385 299 279 265 200 189 174 66 121 158 0 50 z 148.934 Gau(142.398) 100 150 distance 200 250 990 1070 972 962 937 895 636 671 140 120 530 569 518 570 538 637 601

400 350 300 se mivaria nce 250 200 150 100 50 0 0

1101 1047 1086 1021 977 962

500

1446 1379 1405 1404 1340 1331 1247

200

400 870 912 834 se mivaria nce 841 757 737 661 636 624 518 502 463 366 358 321 247 186 92 145 50 100 z 347.419 Gau(115.024) 150 distance 200 250 0 0 300 840 761 724 200 629 572 554 445 392 284 98 203 50 100

1013 1134 1065 1183 905 983 843

618

se mivaria nce

150

444 563 472 512 100 377 334 290 50 190 0 0 203 65 137

100

z 480 Gau(100) 150 distance 200 250

400 350 300 250 200 150 100 50 0 0 1150 1139 1129 1041 1127 1067 1047 956 938 891 870 semiva riance 778 785 656698 578 540 477 398 409 316 218 194 47 118 50 100 z 371.916 Gau(113.837) 0 150 distance 200 250 0 50 250

529 200 539 509

604 556 548 576 647

661 661 500 801 873 790 867 400 semiva riance 777 763 732 673 620 607 593 500 543 448 364 390 359 328 242 218 184 78 143 0 50 100

979 950

800 700 600 semiva riance 500 400 300 200 100 1272 1173 1252 1183 1059 922 848 746 712 615 527 409 269 92 192 0 50 z 768.733 Gau(137.085) 100 150 distance 200 1602 1753 1677 1539 1474 1436 1338

1949 1818 1827

450 400 350 semiva riance 300 250 200 150 100 50 0

2086 1940 1987 1935 2253 2302 2318 1927 2278 2117 2412 1821 2173 2388 2220 2172 1707 1580 1423 1323 1247 935 759 504 230 0 100 z 19.1748 Nug(0) + 368.56 Gau(110.291) 200 300 distance 400 500

semivariance

150

487 434 439 341 434 378

300

100

359 276 277 221 192

200

100 148 158 45 101 50 100 z 239.112 Gau(113.467) 0 150 distance 200 250

z 553.785 Gau(162.77) 0 150 distance 200 250

250

250

336

465 400

250

462 443 448 379

300

1017 909 902

200 313 semivariance 150 266 298 274 216 218 252 198 50 177 182 142 139 0 0 45 115119 50 100 350

445 420 325 416

1128 1077 1080 1105 989

1200

3542 700 3408 3092 3126 3097 2918 2857 2628 2596 2433 2406 2185 2085 1901 1788 1671 1409 1365 1210 1046 855 z 628 1102.25 Gau(155.987) 436 268 142 0 50 100 150 distance 200 250 semivariance 600 500

2504 2504 2327 2311 2241 2185 2169 2152 1972 1968 1688 1773 1703 1547 1538 1387 1248 1109 1089 933 687 563 403 288 128 50

200 398 410 semivariance semivariance 368 335 372 334 372

250

846 611 664 788 641 724 771 semivariance

1000

200

311 330

150

588 509

800

400 300

150 436 100 410 378 313 50 247

100

100

241 202

285 284 275 304 258

600

400

200 100 0 0

50 z 242.154 Gau(136.333) 150 distance 200 250

186 157 141 100 z 225.483 Gau(136.62) 100 150 distance 200 250

200 189 53 149 0 50 100 150 distance z 280.17 Gau(97.5096) 200 250

0 0

33 86 119 50

z 647.011 Gau(125.274) 100 150 distance 200 250

400 350 300 semiva riance 250 654 200 150 100 50 0 0 612 661 555 523 458 455 352 320 288 208 178 51 140 50 100 z 382.867 Gau(130.092) 150 distance 200

1045 987 949 973 842 947 960 773 768 749 semivar iance 759

450 848 843 400 350 300 250 200 150 100 50 0 717 811 semiva riance 682 641 573 636 582 624 556 468 414 395 366 315 288 242 174 65139158 50 793 797 729 700 600 1758 1941 1780 1977 1692 1600 1659 700 600 500 semiva riance 400 300 200

3475 1400 3454 3458 3165 3411 1200 1000 800 600 2851 2685 2772 2602 2472 2365 2350 2237 2088 1959 1805 400 1681 1565 1533 1270 200 1167 964 822 z 573 1893.02 Gau(213.407) 295 0 149 432 0 50 100 150 200 distance

2993 2882 2984

1447 1474 1394 1314 1207 1178 1172 1049 933

3095 2931 2697 2745 2665 2504 2288 2161 2079 1966 1721 1692 1452 1405 1227 872 656 498 353 186 0 50 100 150 distance

500

400 300 822 696861 621 495 380 318 179 143 0 50 100

200 100 z 442.249 Gau(157.09)

100 z 757.269 Gau(143.063) 0 150 distance 200 250

z 655.352 Gau(133.62) 200 250

0 250

250

semiva riance

100

150 distance

200

250

500

1000 596 650 600 1267 1311 1243 800 1192 1113 1170 1070 semivariance semivariance 600 1051 914 927 833 821 869 714 733 677 200 553 578 440 433 309 235 201 0 81 128 0 50 100 500 1608 600 1481 1464 1410 1339 1251 semivariance 400 1189 1235 1148 1110 1050 980 855 200 818 808 773 727 559666 481 362 279 254 74 179 50 z 600.741 Gau(156.324) 100 150 distance 200 250 400 600 1872 1948 1904 1738 1720 1699 1690 1520 1473 1422 1363 1244 1229 1211 1068 915989 808 703 566 439 346 2 296 103 16 50

1000

1796 1926 1823 1833 1789 1733 1835 1734 1567 1532 1512 1412

400 525 semivariance 542 526 300 444 398 512 461 453 429 200 410 350 409 331 276 261 199 155 145 0 0 56 90 50 100

532

800

500

semivariance

553

600

300

300

400

400

1334 1239 1267 1127 1056

200

100

200 z 671.004 Gau(169.79) 150 distance 200 250

100 z 1054.34 Gau(183.659) 150 distance 200 250

100

z 20 Nug(0) + 460 Gau(150) 150 distance 200 250

0 0

0 0

0 0

100

906 790 768 557 407 311 212 112 50 100

z 1041.73 Gau(162.72) 150 distance 200 250

Figura 2: Variogramas experimentales y modelos tericos ajustados para cada una de las 25 zonas (5x5) Los modelos ajustados presentan importantes diferencias tanto en alcance como en meseta. As el alcance medio de la zona se correspondera con un valor en torno a 140m (alcance efectivo=420m) que marcara la distancia mxima a partir de la cual los valores dejaran de estar relacionados aportando muy escasa informacin en el proceso de interpolacin. Los alcances oscilan entre 94m y 213m, dando lugar a alcances efectivos entre 300 y 650m. Las mesetas presentan fuertes variaciones debidas fundamentalmente a diferentes comportamiento de los variogramas (desde un carcter estacionario, en las zonas 11 y 21 a una marcada deriva al SE (zonas 45 y 55). Tal y como ha quedado patente en los variogramas mostrados en la figura 2, el modelo a utilizar para la estimacin debera ser diferente atendiendo a las propias caractersticas de la porcin de terreno considerado. En este caso se ha optado por un esquema con una base similar al empleado en el clculo de las medias mviles, pero con la diferencia de que lo que se calcula es el propio variograma de la zona en cuestin. Con este esquema se ha diseado una malla en la que se centrarn cada una de las ventanas consideradas. La malla tiene un espaciado de 100mx100m (establecido para no elevar en exceso los tiempos de clculo) sobre la cual se han centrado las 45x45 ventanas de tamao 600x600m (definido para asegurar un adecuado nmero de datos en cada una de las ventanas) calculando los variogramas as como de la media y la varianza de los datos. Para asegurar la homogeneidad en cuanto a nmeros de datos y distribucin el inicio y fin de la malla a partir de la cual se disponen las ventanas sobre las que efectan los clculos presentan un margen de 300m (la mitad del tamao de la ventana considerada). En cada ventana se obtiene el variograma medio con una distancia mxima de 250m sobre la que se establecen pasos de 10m realizndose el ajuste de forma automtica. El tipo de estructura seleccionada para el ajuste teniendo en cuenta las dimensiones de la ventana y los modelos detectados ha sido de tipo gausiano (que pone de manifiesto un

buen nivel de correlacin -continuidad- a nivel local). Tras el ajuste se dispone de diversos parmetros para cada una de las ventanas consideradas (media y varianza de los datos, alcance y meseta de los modelos tericos ajustados y valores de los variogramas experimentales para las distancias de 50, 100, 150, 200 y 250 m). Estos parmetros nos proporcionan una visin de gran inters acerca de la variabilidad de la topografa, que presenta la particularidad de considerar zonas con un tamao predefinido frente a otras aproximaciones -pendientes, orientaciones, ...- que tienen un marcado carcter local considerando tan slo los valores del entorno (vecindad 4 u 8). El siguiente paso a seguir ha sido la clasificacin de las diferentes ventanas consideradas (representadas por su posicin central) utilizando para ello el mtodo Isodata (Tou y Gonzlez, 1974). Este mtodo, bien conocido en la clasificacin no supervisada de imgenes provenientes de sensores remotos, est incorporado en la mayora de sistemas de tratamiento de imgenes satlite (Erdas, ER-Mapper, ...). Para poder integrar los resultados en dicho tipo de programas, el fichero de parmetros de cada ventana es transformado a formato binario, obteniendo una imagen multibanda con 8 canales (correspondiente a los 8 parmetros empleados). El nmero total de clases considerada ha sido de 6, en funcin del nmero de parmetros de entrada y con el objeto de obtener una representacin (nmero de pixeles de cada clase) adecuada. Los resultados se resumen en la tabla 2. Tabla 2: Estadsticos bsicos de las clases generadas en el proceso ISODATA. A (540 pixeles) B (561 pixeles) C (631 pixeles) Media D.Tpica Media D.Tpica Media D.Tpica Media (m) 1094.92 56.00 1066.41 64.49 1044.22 66.25 2 Varianza (m ) 184.77 74.77 437.02 113.16 838.56 230.05 2 Meseta (m ) 170.60 102.28 390.67 99.34 778.39 231.37 Rango (m) 154.34 390.43 129.28 40.90 162.46 46.07 2 G(50) (m ) 30.36 25.93 71.05 25.93 92.02 25.82 2 G(100) (m ) 84.23 36.47 174.74 56.06 236.16 66.16 2 G(150) (m ) 116.61 56.61 257.38 72.51 392.14 83.41 2 G(200) (m ) 136.96 57.69 336.83 78.26 556.43 111.21 2 G(250) (m ) 154.00 67.95 391.84 90.99 708.46 144.16 Clase D (245 pixeles) E (30 pixeles) F (30 pixeles) Media D.Tpica Media D.Tpica Media D.Tpica Media (m) 1077.02 45.54 1109.70 23.54 1131.22 29.88 2 Varianza (m ) 1646.60 543.54 1600.03 1321.17 112.22 43.12 2 Meseta (m ) 2146.69 944.70 9149.23 3874.93 43419.39 14251.76 Rango (m) 292.27 390.82 2295.87 2596.57 5842.61 1373.82 2 G(50) (m ) 102.33 30.65 72.60 63.87 0.56 1.50 2 G(100) (m ) 288.22 90.36 209.70 177.32 11.33 16.21 2 G(150) (m ) 547.17 162.41 436.33 367.31 22.50 27.18 2 G(200) (m ) 866.69 245.05 785.70 643.70 75.17 34.27 G(250) (m2) 1245.53 366.37 1207.57 975.55 106.17 49.63 Nota: G(i) indica el valor del variograma para la distancia i As la zona queda dividida en 6 zonas con las caractersticas que se indican en la tabla 3 y se muestran en la figura 3 izq. que hacen referencia a diferentes zonas del Clase

terreno. Una vez que se han establecido diferentes patrones de comportamiento dentro de la zona de estudio se dividen los datos experimentales en funcin de la pertenencia a cada una de las clases. Esto da lugar a la existencia de 6 ficheros de zonas (figura 3 der.) en funcin de la proximidad de cada dato al centro de cada una de las ventanas de 600x600m que dieron lugar a la clasificacin. Tabla 3: Caractersticas de las zonas clasificadas Zona Variabilidad A B C D E F Baja Media Media-alta Alta Baja (local) Muy baja Alcance (m) Corto (150) Corto (130) Corto (160) Medio (300) Largo (2300) Meseta (m2) Baja (170) Media (400) Media-alta (700) Alta (2150) Alta (9000)

Muy largo (5800) Muy alta (45000)

Figura 3. Izq: Imagen de las diferentes zonas; Der: Datos experimentales clasificados (Clase A: azul, B: cian, C: verde, D: rojo, E: morado, F: naranja) Sobre dicho mapa se puede observar la relacin directa entre las clases definidas y la propia morfologa del terreno, as las clases de baja variabilidad azul y cian aparecen en zonas en las que las curvas de nivel estn muy espaciadas, lo que indica zonas de pendientes bajas y con una marcada continuidad del terreno mientras que las clases con mayor variabilidad -rojo y morado- se corresponden con zonas de fuertes cambios de pendiente. Una vez clasificados los datos se calculan los variogramas experimentales con una distancia mxima considerada de 3000m y una distancia de paso de 100m (un total de 30 pasos). Los variogramas experimentales y los modelos ajustados se presentan en la figura 4.

2000

86264 103534 97987 106388 90158 100695 108987 96754 96507 107639 109872 104348 97921 99919 102983 97530 97002 96709 97265 104022 100716 95358 89536 82860 75389 71236 63873 semivariance

3000 53410 60961

71963 48536 46101 49318

2500

44789 47039 49908

1500 semivariance

2000

1500 47177 1000 38805 17695 0 z 2520.43 Gau(268.82) 400 600 distance 1000 881 178 800 96 236 89 800 1000 1200

1000

500

52849 39094 17110 500 z 1994.8 Sph(1531.25) 500 1000 1500 distance 2000 2500 3000

0 0

200

7000 57934 161834 156827 78270 159246 153985 72154 65929 89721 151663 158260 104765 151650 96389 114758 151327 133851 123167 143886 152687 153109 150415 145920 143226 142738 144397 139302 136685 135066 132071 132043 126133 119477 113778 108420 100664 91376 84646 79986 77256 74372 70265 z 64911 51941 6302.57 Sph(3731.87) 24284 0 500 1000 1500 2000 2500 distance 3000 3500 4000 4500

6000

5000 semivariance

semivariance

4000

600

1837 138 276

3000

400 402 200 1270 0 0 200 400 600 306

26

2000

1000

z 820.213 Gau(144.594) 800 1000 1200

distance 38

4500 4000 3500 semivariance 3000 2500 2000 1500 1000 500 0 0 112318 85183 36982 200 400 600 800 distance

281186 272470 266281 255131 247235 236129 220766 202504 181766 161287 143557 130243

450 400 350 semivariance 300 84 250 200 150 100 225 245 138 74

31

z 5611.11 Sph(2387.6) 1000 1200 1400

50 0 0 100 200

z 63.9141 Nug(0) + 323.835 Gau(341.84) 300 400 distance 500 600 700

Figura 4: Variogramas experimentales y modelos ajustados de las seis clases consideradas Tras el proceso de clasificacin los variogramas obtenidos ponen de manifiesto diferencias marcadas entre las clases, que en los anteriores calculos aparecan ocultas al superponerse diferentes comportamientos. Los variogramas han sido calculados para diferentes distancias mximas en funcin de las dimensiones de la subzona en la que se encuadraban los datos de la clase variando entre 700 y 4500. Los tipos de estructuras empleadas han sido esfrico y gausiano para atender a los diferentes comportamientos de variabilidad en el origen, con parmetros de meseta y alcance considerablemente diferentes. Todos los variogramas marcan estructuras bien marcadas, salvo la clase E debido sin duda al escaso nmero de puntos incluidos en la misma corroborando en todos los casos las interpretaciones fsicas en cuanto a variabilidad establecidas a raz del proceso de estimacin. Una vez obtenidos los variogramas se procede a la generacin del modelo final utilizando para ello el mtodo de estimacin geoestadstica de krigeaje ordinario. Para ello se realizan las estimaciones con cada uno de los modelos de variogramas ajustados (que se corresponden con cada una de las clases establecidas), integrando con posterioridad los resultados en funcin del punto estimado y el tipo de clase correspondiente. El ltimo paso lo constituye el montaje final del MDE estimado utilizando la imagen clasificada como mscara de referencia. El MDE resultante se muestra en la figura 5

izq) mientras que el modelo de incertidumbre en la estimacin (varianza de krigeaje -? 2k-) se incluye en la figura 5 der).

Figura 23: Izq: MDE final obtenido; Der: Modelo de incertidumbre (s 2k)

Conclusiones

Se puede sealar como conclusin final que cuando existe un nmero de datos adecuado (como en el caso que nos ocupa de los MDE) es aconsejable la realizacin de una clasificacin que nos permita establecer de una forma ms correcta las funciones de variabilidad del fenmeno, garanta fundamental para la obtencin una correcta modelizacin mediante la aplicacin de los mtodos de estimacin de carcter probabilstico (estocstico). Asimismo es importante sealar a modo de conclusin las importantes ventajas derivadas de la aplicacin de los mtodos de estimacin geoestadstica (en este caso concreto, krigeaje ordinario) para la obtencin de modelos digitales de elevaciones. Como principales ventajas de estos mtodos se pueden indicar las siguientes: - gran control en el proceso de modelizacin, gracias a la informacin derivada del propio proceso de anlisis variogrfico. - posibilidad de incorporacin de comportamientos anistropos del terreno, aspecto fundamental en el proceso de generacin de MDE. - obtencin directa de un parmetro la desviacin tpica de estimacin- que nos informa sobre el nivel de incertidumbre de la modelizacin, siendo un parmetro bsico para el control de la calidad del modelo. - optimizacin previa de las mallas de medida a priori en funcin del nivel de error que se desea mantener. - posibilidad de obtener modelos digitales en los que se considere un soporte diferente del puntual obteniendo de una forma directa la cota media en una determinada superficie. Por ltimo, es importante sealar que mediante el mtodo propuesto (krigeaje previa clasificacin de las zonas en funcin de los parmetros que determinan la variabilidad del terreno) permite disponer de una clasificacin morfolgica del terreno. Dicha clasificacin se basa en el empleo de un elevado nmero de parmetros (en el caso concreto de este estudio -ocho-) que reflejan diferentes aspectos del terreno. Esta clasificacin es evidentemente ms robusta que la que se podra plantear basada en aspectos como la pendiente, gradiente, orientacin,... parmetros que en la mayora de

las ocasiones simplemente ponen de manifiesto la variabilidad local del terreno (vecindad a cuatro, vecindad a ocho), pudiendo adems plantearse estas parmetros como informacin adicional al proceso de clasificacin multiparmetrica propuesta.

Agradecimientos
Los resultados expuestos en este trabajo forman parte de las actividades investigadoras de los grupos de investigacin Ingeniera Cartogrfica y Recursos Hdricos del III Plan Andaluz de Investigacin (Junta de Andaluca). Asimismo forman parte de las investigaciones del proyecto de investigacin REN2001-3378/RIES del Plan Nacional de I+D+I del Ministerio de Ciencia y Tecnologa.

Referencias
1) FELICISIMO, A.M.. Modelos Digitales del Terreno .Ed. Pentalfa, Oviedo,1994. 2) MATHERON,G. Les variables regionalisees et leur estimation. Ed. Masson et Cie, Paris, 1963. 3) MULLA, D.J.. Using geostatistics and spectral analysis to study spatial patterns in the topography of southeastern Washington state, USA. Earth Surface Processes and Landforms, pp. 389-405, vol. 13, 1988. 4) MOFFAT A.J.; CATT, J.A.; WEBSTER, R. y BROWN, E.H.. A re-examination of the evidence for a Plio-Pleistocene marine transgression on the Chiltern Hills. I. Structures and surfaces. Earth Surface Processes and Landforms, pp.95-106, vol.11, 1988. 5) LEENAERS, H.; OKX, J.P. y BURROUGH, P.A.. Comparison of spatial prediction methods for mapping floodplain soil pollution. Catena, pp.535-550, vol.17, 1990. 6) McBRATNEY, A.B. y WEBSTER, R. (1986). Choosing functions for semivariogram of soil properties and fitting them to sampling estimates. Journal of Soil Sciences, pp. 617-639, vol.37, 1986. 7) TOU J. T. y GONZLEZ, R. C.. Pattern Recognition Principles, Addison-Wesley Publishing Company, Reading, Massachusetts, 1974.

10