Sistema automático de obtención de coeficiente de Manning y de

Transcripción

Tema B: Hidrología y Gestión del Agua
Sistema automático de obtención de coeficiente de Manning
y de Modelos digitales de elevaciones a partir de imágenes
aéreas y datos LIDAR para modelos hidráulicos: LHIDRAMANNING
Ing. Informático. Alfonso Andrés Urrutia ([email protected])
Responsable del Departamento de I+D+i. INCLAM S.A.
Doctor en Ciencias Químicas. Estíbaliz Martínez Izquierdo ([email protected])
Profesora Titular de Universidad. Facultad de Informática UPM
Doctor en Ciencias Químicas. Agueda Arquero Hidalgo ([email protected])
Profesora Titular de Universidad. Facultad de informática UPM
Ingeniero Técnico en Topografía. Tomás Fdz de Sevilla Riaza ([email protected])
Director Div. Tecnología e I+D. Stereocarto, S.L
Lic. Ciencias Ambientales, Ing. Tec. Obras Públicas, Ing. Tec. Forestal.
Fco. Javier Sánchez Martínez ([email protected])
Subdirección General de Gestión del DPH. Subdirec. Gen. del Agua. Ministerio de Medio
Ambiente y Medio Rural y Marino
1 Objetivos del Proyecto y Novedad Tecnológica aportada
El proyecto LHidra-Manning nace como respuesta a la necesidad de controlar, analizar y gestionar de forma
eficiente las avenidas de los ríos, con la finalidad de minimizar los daños tanto humanos como económicos. En
él se aplican las nuevas tecnologías de toma de datos cartográficos para conseguir su adaptación para la
resolución de problemas hidráulicos.
El objetivo general del proyecto es el desarrollo de una aplicación o software que permita la realización de
simulaciones hidráulicas a partir de datos fiables y precisos.
La modelización hidráulica tiene múltiples aplicaciones, como el estudio de ubicaciones idóneas de obras
públicas, en función de la resistencia que ofrecen al cauce del río y la delimitación de zonas habitables,
determinando las zonas de inundabilidad. También permite controlar y gestionar los recursos hidráulicos tanto en
situaciones normales como extraordinarias: aumento repentino del volumen de agua debido a un aumento de las
precipitaciones o debido a la rotura de presas o balsas de agua. Esto permite minimizar los efectos de las
inundaciones.
En este proyecto se han planteado una serie de novedades tecnológicas que representan una gran mejora a los
procesos actuales de creación de Modelos Digitales de Elevaciones (MDE) para su uso en modelos hidráulicos.
El uso de LIDAR para la obtención de MDE nos brinda una gran exactitud altimétrica (error < 20 cm) y una
mejor resolución espacial (pasos de malla decimétricos). Este gran volumen de datos presenta problemas en la
capacidad de cálculo de los modelos, por lo que, una de las novedades que presenta el proyecto, es la creación de
una malla estructurada con la precisión necesaria para la ejecución de un modelo hidráulico, sin destruir, en el
proceso de reajuste de la resolución, las actuaciones o elementos característicos que tienen una gran importancia
hidráulica.
Otro de los requisitos de dichos modelos, es la necesidad de incorporar los coeficientes de rugosidad de Manning
asociados al terreno. Este proceso, generalmente se ha venido realizando manualmente por un técnico, sin
embargo, en este proyecto se plantea el uso de las últimas técnicas de clasificación de terrenos mediante el uso
de cámaras fotogramétricas digitales, que poseen cinco rangos espectrales (Pancromático, Rojo, Azul, Verde e
IR Cercano). En la actualidad, ninguno de los modelos hidráulicos ni los sistemas de información geográfica
comerciales son capaces de ofrecer este tipo de avances.
2 Metodología empleada
Para realizar este modelo de simulación hidráulica se ha requerido cumplir una serie de tareas:
2.1 Toma de datos
La captura de la información espacial básica para la ejecución del proyecto se ha realizado mediante la
utilización de sensores aereotransportados. Se ha utilizado una cámara digital fotogramétrica de gran formato, el
sistema DMC de ZI, y un sistema LiDAR ALS50_II de Leica Geosystems. Ambos sistemas iban a bordo de un
avión bimotor, con doble ventana fotogramétrica. Lo cual supone la gran ventaja de poder capturar
simultáneamente ambos tipos de información, reduciendo el coste de la operación de vuelo y conseguiendo que
ambos tipos de información, imagen y datos de elevación, sean coherentes entre si desde el punto de vista
temporal.
La cámara fotogramétrica DMC permite obtener imágenes matriciales de gran formato de 13.824 x 7.680
píxeles, con una focal de 120 mm. Simultáneamente puede capturar imágenes pancromáticas y multiespectrales
de 4 bandas en el rango espectral del rojo, verde, azul e infrarrojo cercano, con una resolución radiométrica de
12 bits, lo que equivale a representar cada píxel de la imagen con 4.096 valores digitales.
El sistema LiDAR aéreo ALS50_II permite capturar datos de elevación del terreno mediante uno de los métodos
más directos existentes en la actualidad, frente a las técnicas fotogramétricas o topográficas, en el cual mediante
la observación del tiempo de ida y vuelta del pulso láser emitido, se realiza la estimación de la distancia entre el
sensor y la superficie terrestre. Además de observar el tiempo, también se toma el dato de intensidad de retorno
de la señal láser representándola con 256 valores. Este sistema tiene una frecuencia de pulsación máxima de
150.000 Hz, para cada pulso emitido se puede recibir hasta 4 ecos, puede operar entre 200 y 5.000 m sobre el
terreno. La densidad de puntos con la que se puede barrer el terreno utilizando un avión depende de la velocidad
del mismo junto a la altura de vuelo, y puede variar entre 12 pto/m2 y 0,5 pto/m2. Los puntos obtenidos tienen
una precisión altimétrica entre 10 y 30 cm, dependiendo de la altura de vuelo. La alta densidad de puntos para
representar la superficie terrestre, la precisión y la homogeneidad de la información que ofrece el LiDAR son sus
principales ventajas para las aplicaciones hidráulicas.
La planificación de la operación de vuelo se ha diseñado realizando pasadas paralelas, en dirección Este-Oeste
cubriendo las zonas de pruebas, a una altura de 1.000 m sobre el terreno y una velocidad de 150 knt. Para la
captura simultánea de datos de imagen y alturas se ha realizado una parametrización de los sensores compatible
entre ellos. Las imágenes de alta resolución resultantes tienen un tamaño de pixel sobre el terreno de 10 cm, con
un solape longitudinal y transversal del 60% y 50% respectivamente. Para el sensor LiDAR se ha fijado su
ángulo de apertura (FOV: Field of view) en 45º, seleccionando una frecuencia de pulsación de 96.100 Hz, se
obtiene una densidad promedio de 1,5 pto/m2 , con una precisión estándar esperada de 10 cm.
Ambos sensores, cámara y LiDAR, incluyen sistemas integrados de posicionamiento y orientación GPS-INS que
se utilizan tanto para la navegación y ejecución del vuelo planificado, como para el cálculo preciso de la
trayectoria. Así mismo, es necesario recibir simultáneamente al momento del vuelo datos GPS con una estación
en tierra con coordenadas conocidas para utilizar posteriormente el método de cálculo diferencial de dichos
datos. En este caso se utilizó una estación de referencia GPS a una distancia inferior a 70 km, obteniendo una
precisión estándar en el cálculo de la trayectoria mejor que 3 cm en planimetría y 5 cm en altimetría. Con este
método se obtiene la coherencia espacial necesaria para los dos tipos de información. El sistema de referencia
elegido ha sido ETRS89 con alturas ortométricas.
Después de obtener la nube de puntos LiDAR y proceder a su clasificación y revisión, se ha elegido el modelo
digital de superficie de paso de malla regular de 1m x 1m como la representación más adecuada para la
aplicación del proyecto.
Finalmente la información espacial se ha empaquetado en un fichero imagen en formato TIFF de 5 bandas, 4
bandas de imagen multiespectral más 1 banda con el modelo de superficie, realizando previamente una
normalización de la información numérica.
2.2 Metodología del algoritmo de clasificación
El proceso de clasificación en Teledetección consta de un conjunto de etapas que persiguen como objetivo final,
delimitar las regiones asociadas a cada clase temática presente, en un espacio multidimensional de los píxeles de
la imagen multibanda registrada por el sensor (Mather 1999). La clasificación debe satisfacer requisitos como:
que no haya píxeles de imagen sin clase asignada, que sea posible diferenciar las clases adecuadamente con el
clasificador seleccionado y finalmente, que estas cubran las necesidades del usuario. En general los métodos de
clasificación de imágenes pueden ser agrupados según diferentes criterios, siendo uno de los mas conocidos el
que se subdivide en supervisados y no supervisados (Lu 2007).
Los métodos se denominan supervisados, si se utilizan patrones de entrenamiento. Las clases temáticas son
definidas mediante la selección de un conjunto de datos de referencia que se utilizan para el entrenamiento del
clasificador, que clasifica datos espectrales generando un mapa temático. En el caso de los no supervisados, se
utilizan algoritmos de clustering (agrupamiento espectral) para generar una partición de la imagen en un número
de clases basándose en información estadística inherente. En este caso no hay una definición previa de las clases
y el analista será el responsable del etiquetado y reconsideración de las clases obtenidas.
Los métodos supervisados parten de un conocimiento previo del terreno. En cambio, los no supervisados se
buscan automáticamente grupos de valores espectrales homogéneos en la imagen para que después el usuario
intente encontrar las correspondencias entre esos grupos seleccionados automáticamente y las categorías que le
puedan ser de interés.
En este sentido, es necesario distinguir entre los dos tipos de clases que pueden intervenir en la clasificación
temática: informacionales o temáticas y espectrales. Las primeras se establecen por el usuario y forman la
leyenda del mapa temático final. Las segundas corresponden a grupos de respuestas espectrales homogéneas
(reflectividad similar) y se deducen de los valores digitales (VD) de la imagen. No siempre existe una
correspondencia perfecta entre una sola clase temática, es decir, una sola clase de cobertura y una sola clase
espectral. Así el método de entrenamiento supervisado pretende distinguir clases temáticas, mientras que el no
supervisado trata de diferenciar las clases espectrales. Ninguno de los dos métodos es perfecto ya que en el
método supervisado se puede forzar a diferenciar categorías sin un claro significado espectral; y en el método no
supervisado se pueden distinguir clases que no contengan una información de interés.
De manera general, las metodologías clásicas de clasificación de imágenes se pueden subdividir en:
metodologías de clasificación con entrenamiento y sin entrenamiento. De estas últimas, la metodología mas
utilizada es la apoyada en el clustering basado en el algoritmo ISODATA (Iterative Self-Organizing Data
Analysis Technique) (Tou 1974).
La nueva propuesta es aplicar una metodología sencilla e híbrida que permita aprovechar las ventajas de los
métodos supervisados y las de los métodos de agrupamiento o clustering por similitud espectral. Para ello se
propone utilizar el algoritmo ISODATA, modificándolo en su primera etapa introduciendo información
supervisada.
2.2.1 ISODATA Clásico (bidimensional)
Es un algoritmo interactivo para generar agrupamientos o cluster de puntos. En su versión clásica no es
necesario especificar el número de agrupamientos. Comienza con un cluster inicial y aplica una técnica de
subdivisión y mezclado (split and merge) para progresivamente ir creando particiones de los puntos dentro de
cluster a través de cálculos de similitud dentro de él (clase o grupo). La similitud de los puntos dentro del cluster
es medido mediante desviaciones estándar de los puntos en ambas direcciones X e Y, esto es σx y σy. El
procedimiento es el siguiente:
•
Determinación de los valores adecuados para las desviaciones estándar, σx,max y σy,max.
•
Determinación del número de cluster y del número de iteraciones. Esto puede ser opcional.
•
Consideración de todos los puntos del mismo cluster para calcular las medias o centroides en X e Y
(Cantiguo,X y Cantiguo,Y), y las desviaciones estándar (σx y σy) en X e Y.
•
Determinación de la necesidad de subdividir el cluster. Ya que si σx < σx,max y σy < σy,max entonces se
para la subdivisión. Si el número de iteraciones especificadas o el número de cluster es alcanzado
igualmente se para la subdivisión.
Entonces, si σx > σy se considera la dirección X, o si no, se considera la dirección Y.
•
Se separa o subdivide el cluster en dos, en la dirección X, si σx > σy y σx > σx,max. Los nuevos
centroides (temporalmente) son (Cantiguo,X - σx) y (Cantiguo,X + σx). Los puntos del antiguo cluster se
clasifican en dos nuevos agrupamientos basados en el criterio de distancia.
Sin embargo, si σy > σx y σy > σy,max, la subdivisión será en la dirección Y.
•
Para cada uno de los nuevos agrupamientos se repiten los pasos 4 y 5.
•
Cada punto es testeado para ver si la distancia a su centroide de cluster es menor que las distancias a los
demás centroides. Si no es así se reclasifica el punto y se recalcula el centroide correspondiente.
2.2.2 ISODATA aplicado a imágenes multibanda
El algoritmo ISODATA n-dimensional aplicado a imágenes multibanda tiene en cuenta el espacio de
características de los píxeles. Dicho espacio se encuentra limitado, en cada una de sus dimensiones, por el valor
de las medias o centroides (µ1, µ2, µ3, …..µn) y las desviaciones estándar (σ1, σ2, σ3, …..σn) en n-dimensiones.
ISODATA usa la mínima distancia espectral para asignar un agrupamiento a cada píxel candidato. Clasifica o
agrupa los píxeles de una imagen utilizando las distancias espectrales, redefiniendo el criterio para cada clase y
clasificando nuevamente, hasta que los patrones de distancia espectral de los datos emergen gradualmente.
Incorpora una serie de heurísticas con objeto de: eliminar agrupamientos poco numerosos, mezclar
agrupamientos cercanos y dividir agrupamientos dispersos.
La propuesta nueva para la aplicación de este algoritmo en este proyecto, es la definición por parte del operador
de los valores de los centroides iniciales seleccionados de manera supervisada por el operador, indicando su
denominación, etiqueta mediante un color y asignación de un parámetro físico para generación de mapas
temáticos con diversos etiquetados: parámetros y clases de terreno.
En el algoritmo de clasificación implementado y utilizado se pueden definir los siguientes parámetros:
•
Numero de clases. Coincidirán con el número de centroides seleccionados.
•
Tolerancia. La tolerancia o error de clúster es la diferencia que hay entre dos agrupamientos
consecutivos.
•
Número de iteraciones máximas. Es el máximo número de bucles que realiza el algoritmo y puede ser
variable, sin embargo, un número alto es innecesario ya que el algoritmo no vuelve a recalcular los
centroides cuando llega a la tolerancia deseada.
•
Número mínimo de píxeles por clúster o agrupamiento. Este dependerá de tamaño de la imagen.
•
Mínima distancia de centros por clúster. Se utiliza para comprobar que la distancia entre dos clústeres
es menor que cierto valor, si esto se produce habrá que fusionar los dos clústeres en uno.
2.2.3 Metodología del proceso con datos e imágenes
La metodología especificada se ha aplicado al tratamiento de una escena SPOT (2251x2254 píxeles)
multiespectral en sustitución de imágenes DMC (imagen óptima para los desarrollos) por la situación del caso de
estudio, (cercanías del río Jiloca) que previamente había sido fusionada con la banda pancromática, con lo que la
resolución espacial de los píxeles es de 2,5 m. Todo proceso de fusión implica que la imagen resultante presenta
una mejor resolución espacial pero una peor calidad espectral que la imagen de origen, lo cual puede afectar
negativamente a los resultados de la aplicación del algoritmo ISODATA para la discriminación de clases.
Además se disponía de datos LIDAR de la misma zona. Una adición de estos datos a la información
multiespectral aumenta la dimensión del espacio de características, lo que va a permitir optimizar resultados en
la clasificación final.
Los centroides han sido introducidos mediante supervisión espectral del operador y se les ha asignado
denominación, color y el coeficiente Manning para modelado hidráulico. Así se obtiene el mapa clasificado de
clases de terreno y el mapa Manning.
El esquema del flujo metodológico llevado a cabo se muestra en la Figura 1.
Figura 1
Flujo metodológico
2.2.4 Resultados de la clasificación
Los resultados de clasificación obtenidos son buenos, aún cuando la calidad espectral de las imágenes SPOT
fusionadas pudiera afectar al proceso. Se eligieron centroides iniciales en toda la imagen de acuerdo con la
metodología propuesta. Para generar la máscara adecuada a los datos LIDAR se les asignó un mismo color
(negro) a los centroides correspondientes, para que los resultados finales se obtuvieran enmascarando las zonas
sin estos datos.
El número de clases obtenidas se corresponde con el de centroides iniciales y el comportamiento del algoritmo es
adecuado, observándose la evolución de dichos centroides hacia las firmas medias finales, que presentan valores
de desviaciones estándar buenos. Estos resultados estadísticos junto con el número de píxeles asociados a cada
clase se recogen en un fichero tipo texto. Los valores de las medias (centros finales) y la población asignada se
representan en la Figura 2.
c1
300.00
c2
c3
250.00
c4
VD
200.00
c5
c6
150.00
c7
c8
100.00
c9
50.00
c10
c11
0.00
G
R
NIR
BANDAS
Figura 2
Lidar
c12
c14
c13
c12
c11
c10
c9
c8
c7
c6
c5
c4
c3
c2
c1
Nº Píxeles
0
200000
400000 600000 800000 1000000 1200000 1400000
c13
c14
Firmas espectrales medias (izq) y población asociada a cada clase (der)
0,00
0,025
0,032
0,036
0,04
0,045
0,047
0,05
0,055
0,06
Figura 3
Imagen de Coeficientes de Manning coloreada (izq) y en blanco y negro (centro) con valores asociados
Aunque los datos de origen han sufrido la pérdida de calidad espectral comentada anteriormente, los resultados
obtenidos para los coeficientes de Manning asociados son muy buenos para el fin deseado en este proyecto. La
aplicación de esta metodología a imágenes de mayor resolución espacial original y buena calidad espectral
optimizaría la bondad de los resultados.
2.3 Desarrollo del modelo de simulación hidráulica
Para el conocimiento de la utilidad y necesidad de las herramientas desarrolladas, se han desarrollado varios
ejemplos en los que se ha demostrado la variabilidad de los resultados, haciendo uso de distintos coeficientes de
rugosidad de Manning, distintos modelos con distintas características geográficas y distintos caudales. Los
modelos que se han llevado a cabo, corresponden con una tramo del río Jiloca entre los términos municipales de
Murero y Manchones en la provincia de Zaragoza. Jiloca. Del tramo seleccionado, se han distinguido tres casos
diferentes caracterizados por sus distintas características geográficas:
•
Jiloca – Principal: El primer caso se caracteriza por ser un tramo del río Jiloca, comprendido en los
municipios de Murero y Manchones con una importante región meandrosa, y parcelas de cultivo a
ambas márgenes del cauce. Así mismo, este cauce cuenta con una serie de núcleos urbanos cercanos.
•
Afluente 1: El segundo de los casos de estudio, corresponde a uno de los afluentes que confluyen a la
margen izquierda del río Jiloca, con una pendiente media del 5% y que confluye con el río principal
aguass arriba de una estructura hidráulica.
Estos casos de estudio, tienen distintos caudales teóricos, con los que se ha estudiado el comportamiento del
fluido, y la influencia de los coeficientes de Manning asignados a cada celda del terreno. Estos caudales para
cada uno de los escenarios que se han tenido en cuenta, los podemos ver en la tabla siguiente. En ninguno de los
escenarios contemplados, se han realizado modificaciones de las condiciones de generación de la malla de
simulación pues, se han identificado unos parámetros fijos para la generación de la malla de terreno y
únicamente se ha observado la variación del flujo del agua influenciada por los distintos coeficientes de
rugosidad de Manning.
Los distintos casos y escenarios en los que se ha probado la influencia de los datos de rugosidad de Manning son
los siguientes:
Tabla 1 Tabla de casos de estudio, características y datos de simulación hidráulica bidimensional
Caso de Prueba
Jiloca
Afluente
Escenario
Escenario 1
Escenario 2
Escenario 32
Escenario 43
Escenario 1
Escenario 2
Caudal Punta
200 m3/seg
200 m3/seg
10 m3/seg
10 m3/seg
100 m3/seg
100 m3/seg
Coef. Manning
(0,032 – 0,05)
Valores *
(0,032 – 0,05)
Valores *
(0,032 – 0,05)
Valores *
Características de Malla1
Triángulo Max: 20 m; Error Max: 15 cm
A continuación en la siguiente imagen se pueden ver un detalle de los modelos de terreno usados para cada uno
de los casos de estudio del presente artículo, con un detalle de la triangularización de la malla realizada con el
paquete de simulación hidráulica bidimensional GUAD 2D4 llevada a cabo con los parámetros indicados en la
tabla anterior.
1
Malla de terreno de 1.993.744 celdas, transformada a 1.386.282 triágulos
2
El escenario 3 del caso de prueba Jiloca no se incluye en el presente documento y se expondra en las
conferencias JIA 2009
3
El escenario 4 del caso de prueba Jiloca no se incluye en el presente documento y se expondra en las
conferencias JIA 2009
4
http://www.inclam.com/INCLAMSOFT/is_hidraulica.php
Figura 4
Detalle de malla triangular y terreno de los casos Jiloca (izq) y Afluente (der) estudiados
Como se ha indicado anteriormente, y se puede observar en la figura 4, los valores que se indican en la tabla 1
como “Valores *” representan 10 valores distintos de coeficientes de rugosidad de Manning, que ocupan un
espectro entre 0,00 (Valores fuera del dominio del terreno usado en el estudio) hasta 0,06 que representan
valores de rugosidad muy alta identificado como Monte bajo.
Tabla 2 Tabla de coeficientes de rugosidad de Manning usada en los casos identificados en tabla 1 como Valores *
Nombre de clase
Monte fuera lidar
Suelo claro fuera lidar
Parcela fuera lidar
Parcela vega fuera lidar
Urbano 1
Urbano 2
Parcela Vega
Terreno humedo
Suelo cercano
Suelo claro
Suelo claro monte
Suelo medio monte
Monte Bajo claro
Monte Bajo
Coef. de Manning
0,00
0,00
0,00
0,00
0,025
0,025
0,032
0,036
0,04
0,045
0,047
0,050
0,055
0,06
Color
Descripción
Zona fuera de dominio LIDAR
Suelo urbano carreteras ciudad
Carreteras alfaltadas
Parcelas de cultivocercanas a cauces
Terreno influenciado por cauce, vegetación ligera
Terreno influenciado por cauce, vegetación de ribera
Suelo de vegetación clara
Suelo de monte de vegetación clara
Suelo de monte de vegetacion media
Monte bajo de vegetación clara
Monte bajo de vegetación densa
3 Resultados obtenidos
A continuación en este punto veremos una breve comparativa de los casos estudiados, identificando primero, la
corrección del proceso de generación de la malla y comprobando el grado de error introducido en este proceso en
determinados puntos del tramo seleccionado, e identificando finalmente las diferencias más importantes respecto
de los distintos escenarios tratados para finalizar con una serie de conclusiones obtenidas durante el proceso
seguido.
3.1 Generación de malla del tramo seleccionado
La generación de la malla del terreno seleccionado, a partir de los datos LIDAR, se ha generado con los
parámetros de triangularización siguientes: lado máximo de triángulo 20 metros y error máximo de triángulo 15
centímetros. Estos parámetros, hacen que en el proceso de triangularización no se genere ningún triángulo que
incumpla las condiciones impuestas, por lo que se materializará una malla triangular con error altimétrico <
15cm. A continuación y gracias a la generación de una sección en el terreno, se puede ver en la siguiente imagen
un ejemplo del error cometido en el proceso de triangularización, donde los puntos singulares y críticos del
terreno para una simulación hidráulica bidimensional correcta no han sufrido ninguna variación respecto de los
datos originales, y los puntos de llanura de inundación pueden inducir hasta un error máximo altimétrico de 15
cm. En el caso que nos ocupa, el error máximo cometido en el triángulo con mayor error ha sido de 11 cm.
Figura 5
Gráfica de terreno resultante (linea) y terreno original (barras)
3.2 Caso de Prueba Jiloca
En el caso de prueba, correspondiente a un tramo del río Jiloca entre los municipios de Murero y Manchones, se
han generado cuatro escenarios distintos, a los cuales como se puede ver en la tabla 1, se le han asignado
caudales de 200 y 10 m3/seg, y rugosidades obtenidas mediante las herramientas Lhidra-Manning y con valores
de 0,032 y 0,05.
3.2.1 Escenario 1 y 2
Los escenarios 1 y 2 se caracterizan por hacer mantener un caudal máximo de 200 m3/seg, y una rugosidad de
0,032 y 0,05 para el escenario 1 y una rugosidad obtenida mediante las tablas de coeficientes reflejadas en la
tabla 2 para el escenario 2.
Para la comparación de estos escenarios se ha hecho uso de las envolventes de calado obtenidas de un cálculo
que simula ambos escenarios. En este tipo de situaciones, uno de los elementos de estudio, son los calados que
se obtienen, obteniendo unas diferencias entre ambos escenarios que pueden llegar a diferencias significativas de
0,2 o 0,5 metros de calado en determinadas zonas, que son, lógicamente, las zonas donde se encuentra una mayor
diferencia de la rugosidad de ambos escenarios. A continuación se muestra una imagen de diferencias de calados
observados entre las envolventes de la simulaciones realizadas con GUAD 2D del escenario 1 y 2 del presente
caso de prueba.
Figura 6
Imagen general, de detalle y leyenda de diferencias de calados en los escenarios 1 y 2 del Jiloca
3.3 Caso de Prueba Afluente
En el caso de prueba, correspondiente a un afluente del río Jiloca por la margen izquierda, con una pendiente
media del 5%, se han generado dos escenarios distintos, a los cuales como se puede ver en la tabla 1, se le han
asignado caudales de 100 m3/seg, y rugosidades obtenidas mediante las herramientas Lhidra-Manning y con
valores de 0,032 y 0,05.
3.3.1 Escenario 1 y 2
Estos esenarios, caracterizados por la fuerte pendiente de la zona inicial del modelo, en la que el flujo discurrre
en régimen rápido, y la parte media con una pendiente menor y afectada por una estructura hidráulica de cruce
transversal del cauce del Jiloca, se han analizado las envolventes de velocidad, ya que en este caso y debido a la
estructura del modelo, las implicaciones más importantes vienen por la velocidad de cada una de las celdas, y de
cómo el coeficiente de rugosidad afecta al flujo. En estos escenarios, podemos observar, que las mayores
diferencias, se centran tanto en el tramo de gran pendiente, como en la zona aguas arriba de la estructura que
afecta al flujo de agua, que llegan a valores más de 2 m/s de diferencia de velocidad entre los dos escenarios. Los
resultados comparativos de las velocidades, se pueden observar en las figuras siguientes:
Figura 7
Imagen general, de detalle y leyenda de diferencias de velocidad en los escenarios 1 y 2
3.4 Conclusiones
A tenor de los resultados obtenidos en las pruebas que se han realizado durante el proyecto, pueden sacarse
multiples conclusiones de distinta índole. Estas conclusiones están relacionadas con la necesidad y
obligatoriedad de generación de la malla base para la simulación hidráulica, el uso de coeficientes de rugosidad
de Manning muy detallados, y con los resultados que los mecanísmos de obtención de este tipo de mapa de
rugosidades nos han ofrecido dentro del proyecto.
•
De la primera afirmación que se hizo en el proyecto LHIDRA-MANNING de hacer necesario el uso de
herramientas de generación de mallas de terreno que se adaptasen a la perfección, o lo mejor posible, a
las condiciones de terreno, se ha llegado a la conclusión que estas mallas, mejoran indiscutiblemente los
resultados obtenidos en las simulaciones, debido entre otros factores a que las modificaciones en el
tamaño de celda usado, generalmente hacen modificaciones en las cotas del terreno (incontroladas por
el usuario) que provoquen el deconocimiento de la precisión obtenida sobre los resultados generados,
por lo que la adopción de la malla elegida ha de mantener balanceados los aspectos de capacidad de
cálculo de los modelos existentes y adecuación de los resultados generados.
•
La segunda conclusión a la que se ha llegado a raíz de las investigaciones realizadas, es que, el uso de
mapas de coeficientes de rugosidad de Manning usados en las simulaciones bidimensionales, afectan en
cierto sentido a los resultados que los modelos, por lo que el uso de este tipo de sistemas es
recomendable, sobre todo en modelos en los que la rugosidad plantee un peso específico importante en
las ecuaciones generales de la hidráulica, principalmete en los escenarios de poco calado o de velocidad
elevada.
•
La tercera y última conclusión que se observa en los trabajos llevados a cabo, es la capacidad de los
métodos de teledetección, para clasificar zonas semejantes en número de Manning, a lo que ha de
añadirse la experiencia del usuario para la caracterización de dicho coeficiente en función de los
parametros físicos del terreno. Este trabajo, que normalmente está basado en las publicaciones de
distintas tablas sobre coeficientes de rugosidad, ha de ser contrastado y comprobado de forma que los
mapas de coeficientes de rugosidad se ajusten en la máxima medida a la realidad del terreno.
4 Referencias
Lu, D. and WENG, Q., 2007, A survey of image classification methods and techniques for improving
classification performance, International Journal of Remote Sensing Vol. 28, No. 5, 823–870.
Mather, P., 1999, Computer processing of remotely-sensed images: An introduction. Chichester, John Wiley and
Sons. p. 306.
Tou, J.T. and Gonzalez, R.C., 1974. Pattern Recognition Principles, Addison-Wesley, Reading, MA.
Ven Te Chow. 1959. Open-Channels Hydraulics. McGraw-Hill.

Sistema automático de obtención de coeficiente de Manning y de

Transcripción

Documentos relacionados

Tarea 1 Análisis estructural I Entrega: viernes 22 de enero Calcule

VEntiLación forzada quE PuEdE dESactiVarSE

Cepillo de limpieza para canal de succión max ø 3.5 mm

1b Peralta Instituto de Geografia [Modo de compatibilidad]

Paracuellos de Jiloca