inv_tutelado_imagene.. - SIG
Transcripción
inv_tutelado_imagene.. - SIG
Universidad de Alcalá de Henares Departamento de Geografía Doctorado en Cartografía, SIG y Teledetección Trabajo de Investigación Tutelado EXTRACCIÓN DE MODELOS DE ELEVACIÓN DIGITAL A PARTIR DE IMÁGENES ASTER PARA LA DETERMINACIÓN DE CARACTERÍSTICAS MORFOMÉTRICAS DE CUENCAS HIDROGRÁFICAS Presentado por: Fernando Oñate Valdivieso Director: Dr. Joaquín Bosque Sendra Alcalá - 2007 RESUMEN El Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER), es un sistema de observación especial que posee la capacidad de capturar imágenes estereoscópicas de una misma porción de terreno, esta capacidad puede ser aprovechada para la generación de modelos de elevación digital (DEM). En el presente trabajo se describe el proceso seguido para la extracción de DEMs a partir de imágenes ASTER en dos zonas con características de relieve marcadamente diferente en la sierra sur de la República del Ecuador. El análisis cuantitativo de la calidad del DEM se realiza en base a la captura de puntos GPS y a la comparación con un DEM SRTM. La distribución de errores se estudia en función de la pendiente. Los modelos obtenidos se emplean luego en la delimitación de cuencas hidrográficas y el cálculo de sus principales características morfométricas. Palabras Clave: Extracción de DEMs, ASTER, características morfométricas ABSTRACT The Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER), is a system that has the capacity of catching stereoscopic images of one same portion in the ground. That capacity can be advantaged for the generation of Digital Elevation Model (DEM). This work has the description of the process to follow for the extraction of DEMs considering the ASTER images in two zones with marked characteristics well outlined in difference in the highlands south of the Republic of Ecuador. The quantitative analysis of DEM´s quality is realized upon the basis of capturing of GPS points and comparated to a SRTM DEM. The mistake’s distribution is revised in functioning of the slope. The models obtained are the used in the delimitation of watershed and calculate of its main morphometrical parameters. Keywords: DEM extracción, ASTER, morphometrical parameters 1. Introducción Un modelo de elevación digital (DEM) es la representación simplificada de una variable que se mide en una superficie ondulada de tres dimensiones (Cebrián y Mark, 1986. Bosque 1997). Dos de esas dimensiones se refieren a los ejes ortogonales X e Y y la tercera mide la altura Z de la variable temática representada en cada punto del espacio (Bosque 1997). Los modelos de elevación digital son la base para todo sistema de información geográfica, son imprescindibles en estudios geomorfológicos, hidrológicos, geológicos, de vulnerabilidad, de telecomunicaciones, entre otros. Existen diversas maneras de obtener un DEM, ya sea aplicando interpolación de datos puntuales, a partir de curvas de nivel digitalizadas, extrayéndolos de pares estereoscópicos de fotografías aéreas o imágenes de satélite mediante procedimientos fotogramétricos, a partir de imágenes de radar aplicando la interferometría o más recientemente, mediante Lidar. 2 Si de imágenes ópticas se trata, la utilización de pares estereoscópicos para la generación de un DEM se basa en la disparidad binocular o paralaje, definido como la “diferencia” de la imagen de un objeto proyectado en cada retina. El grado de disparidad entre las imágenes proyectadas de un objeto depende del ángulo de convergencia. La convergencia es la habilidad de enfocar el eje óptico de los dos ojos en un solo objeto. La sensación de cantidad de tensión muscular en los ojos, resultante de diferentes ángulos de convergencia, facilita una estimación indirecta de la distancia a un punto de vista. El principio de la disparidad binocular es aplicado en fotogrametría aérea y satelital para calcular la elevación del terreno a partir de la medida del paralaje entre dos imágenes (Toutin, 2001). Existen dos medios para la obtención de pares estereoscópicos de imágenes satelitales: el primero, capturando imágenes desde orbitas adyacentes entre las que existe traslape (across-track) y el segundo, captando las imágenes desde una órbita única (along–track). Desde 1980 se ha estudiado la posibilidad extraer información de elevación a partir de pares estereoscópicos obtenidos de órbitas adyacentes del satélite LANDSAT (Simard y Slaney 1986, Ehlers y Welch, 1987, citados por Toutin, 2001) y del IRS (Rao et al.,1996), pero la aplicación de imágenes estereoscópicas tomadas desde orbitas paralelas se ha visto limitada debido a que el traslape suficiente se obtiene en zonas ubicadas entre 45 y 50 grados de latitud norte o sur, para relaciones pequeñas B/H se obtienen errores mayores a 50m y solamente en zonas con relieve alto o medio son apropiadas para producir paralaje vertical (Toutin, 2001). La adquisición de pares estereoscópicos a lo largo de la misma línea de vuelo ha sido aplicada en varios satélites tales como el JERS-1, el ASTER, y el IRS-P5, así como los satélites de alta resolución como el Orb-View1 y el Quick-Bird. La gran ventaja de este sistema es la capacidad de reducir las diferencias radiométricas del par estéreo, ya que el tiempo transcurrido entre la adquisición de las dos imágenes suele ser de pocos segundos, minimizándose los efectos ópticos y atmosféricos. Se han reportados trabajos realizados con JERS-1 (Maruyama et al., 1994; Raggam y Almer, 1996; Westin, 1996, citados por Toutin, 2001) con precisiones del orden de 20m, Trabajos con ASTER (Toutin, 2002a; Kamp et. al, 2003; Fujisada, et. al, 2005) han reportado precisiones que varían entre los 7m y 15m, aunque en general pueden esperarse niveles de precisión entre 10 y 50m (Lang y Welch, 1999) Debido al incremento de tipos de imágenes es muy común tener información de diferentes sensores sobre la misma zona, por lo que se han realizado varias experiencias en la generación de DEM utilizando imágenes de una misma zona, pero obtenidas por diferentes sensores y ángulos de vista, obteniéndose artificialmente pares estereoscópicos. Trabajos realizados con SPOT y LANDSAT (Welch et al.,1990; Raggam y Almer, 1991, Krupnik, 2000) han reportado errores entre 50m y 100m. Errores del orden de los 320m se han obtenido al trabajar con pares estereoscópicos formados por la combinación NOAA-AVHRR y LANDSAT MSS (Akeno, 1996). La posibilidad de extraer DEMs utilizando pares estereoscópicos formados por imágenes ópticas y de radar han estudiadas por varios investigadores (Bloom. et al., 1988; Renouard y Perlant, 1993; Raggam et al., 1994; Toutin, 2000), que han reportado valores de RMSE entre 20 y 30m con errores máximos/mínimos del orden de ± 250m. 3 En el presente trabajo se pretende extraer un DEM a partir de una imagen ASTER, analizar su calidad y derivar del mismo parámetros que permitan un posterior estudio morfométrico de cuencas hidrográficas. 2. Materiales y métodos Zona de estudio El área de estudio se encuentra ubicada al sur de la República del Ecuador (79.90º W, 4.40º S), es una zona andina montañosa caracterizada por un rango de alturas que varía entre los 100msnm y 3000msnm, su orografía es bastante irregular con pendientes que varían entre los 0º y 84º. Su cobertura vegetal es predominantemente arbustiva seca, con la presencia de pequeñas áreas cubiertas de pastizales y cultivos como el maíz y el café. Figura No. 1 Ubicación de la zona de estudio Extracción de DEMs a partir de imágenes estereoscópicas Para extraer modelos digitales de elevación es necesario realizar los procesos que se resumen a continuación: • • • • • Adquisición de imágenes estereoscópicas de la zona de estudio. Normalización de las mismas a fin de obtener imágenes epipolares. Superposición del par epipolar a fin de calcular la paralaje de cada píxel. Determinación de la elevación de cada píxel a partir de las paralajes. calculadas y la información orbital de la imagen con la finalidad de generar un DEM. Geocodificación el DEM extraído utilizando puntos de control. 4 Gracias a la capacidad estereoscópica de las imágenes ASTER, es posible realizar la extracción de un DEM a partir de ella aplicando la metodología señalada. A continuación se detallan cada uno de los procesos requeridos para el efecto. Imágenes ASTER y su adquisición El Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) es un sistema de observación orbital puesto en funcionamiento desde 1999 como resultado de la cooperación entre la NASA, el Ministerio de Economía de Japón, el METI y el ERSDAC japonés y su propósito fundamental es el de monitorear fenómenos relacionados al medio ambiente y la explotación de recursos naturales. Es parte del sistema EOS (Earth Observing System). La cobertura de una escena ASTER es de 61.5 Km por 63 Km. Las imágenes Aster capturan información en 15 bandas del espectro electromagnético: cuatro en el espectro visible y el infrarrojo cercano (VNIR, 0.5-1.0 um) con 15 m de resolución espacial, seis en el Infrarrojo de onda corta (SWIR, 1.0–2.5 um) con 30 m de resolución espacial y cinco en el infrarrojo térmico (TIR, 8–12 um) con una resolución espacial de 90 m (Fujisada et al., 2005). Figura No. 2 Geometría del sistema Along-Track de ASTER, http://asterweb.jpl.nasa.gov/ El subsistema de VNIR tiene 2 telescopios uno en el nadir y uno con vista atrás con un ángulo de 27.60º que proporcionan una vista en el nadir (nadir –looking) (banda 3N, 0.76–0.86 um) y una vista hacia atrás (backward-looking) (banda 3B, 27.7º del nadir) que permiten obtener una visión estereoscópica de una 5 región determinada en la dirección de vuelo del satélite. La relación B/H de 0.60. La diferencia temporal entre las dos observaciones es de 55 segundos, por lo que las variaciones en las condiciones ópticas y atmosféricas son mínimas, consecuentemente se puede esperar una excelente correlación entre las imágenes. La distancia entre órbitas vecinas es de 172 Km en el ecuador. El satellite ASTER posee una orbita circular heliosícrona polar con un altitud de 705 Km, cruza la línea ecuatorial a las 10:30 AM y regresa al mismo punto cada 16 días. Una imagen ASTER Level 1-A contiene los datos de la imagen sin aplicarle coeficientes de calibración radiométrica y remuestreo geométrico; al aplicarse dichos coeficientes, se obtiene una imagen Level 1-B. Las imágenes Level 1A y Level 1-B pueden ser utilizadas para la generación de DEMs pues los parámetros geométricos útiles del instrumento y la información del satélite son incluidos en ellas. Generación de imágenes normalizadas o epipolares Previo a la extracción del DEM, es necesario que el par estereoscópico sea transformado a un par de imágenes epipolares normalizadas las cuales son paralelas al plano XY del espacio objeto. Al transformar las imágenes adquiridas en epipolares se produce exclusivamente la paralaje en una sola dirección y los puntos correspondientes se alinean en la misma fila o columna, por lo que el tiempo requerido para realizar el proceso de superposición de las imágenes, que permitirá luego el cálculo de la magnitud de la paralaje y en base a ella la elevación, se reduce considerablemente. En dos imágenes normalizadas al tener un punto a de coordenadas (Xa, Ya) en la imagen izquierda, el proceso de búsqueda de su punto conjugado a´ en la imagen derecha para realizar la superposición, se realizará a lo largo de la línea Y´ = Ya; debido a que ambos puntos poseerán igual coordenada Y. La normalización del par estereoscópico adquirido se realiza comúnmente aplicando criterios de geometría epipolar. Geometría epipolar En la figura No.3 se presentan algunos elementos básicos a considerar en la geometría epipolar, así: si se tiene un par estereoscópico cuyas imágenes han sido tomadas desde las posiciones O y O´; entonces la línea OO´ se denomina eje epipolar. El plano que pasa por los centros de proyección izquierda (O) y derecha (O´) y el punto P sobre el terreno, es llamado plano epipolar. La línea de intersección de un plano epipolar y el plano de la imagen se denomina línea epipolar. Todas las líneas epipolares de una misma imagen intersecan en un punto llamado epipolo (e, e´ según el caso), definido por la intersección del eje epipolar con el plano de la imagen. 6 Figura No. 3 Geometría epipolar (adaptado de Morgan, 2004) Las relaciones entre el sensor, la imagen y el suelo pueden determinarse en base a la condición de colinearidad que especifica que la posición del sensor, el punto en el terreno y su correspondiente punto en la imagen deben estar colocados sobre una línea recta, es decir deben ser colineales (Ping, 2003). Las ecuaciones que resumen la condición de colinearidad son las siguientes: ⎡ m11 (X p − X o ) + m12 (Y p − Yo ) + m13 (Z p − Z o ) ⎤ x p = xo − f ⎢ ⎥ ⎢⎣ m31 (X p − X o ) + m32 (Y p − Yo ) + m33 (Z p − Z o )⎥⎦ (1) ⎡ m21 (X p − X o ) + m22 (Y p − Yo ) + m23 (Z p − Z o )⎤ y p = yo − f ⎢ ⎥ ⎢⎣ m31 (X p − X o ) + m32 (Y p − Yo ) + m33 (Z p − Z o )⎥⎦ (2) En donde: m11 = cos ϕ cos κ m12 = − cos ϕsenκ m13 = senϕ m 21 = cos ωsenκ + senωsenϕ cos κ m 22 = cos ω cos κ − senωsenϕsenκ m23 = − senω cos ϕ m31 = senωsenκ − cos ωsenϕ cos κ m32 = senω cos κ + cos ωsenϕsenκ m33 = cos ω cos ϕ 7 Las ecuaciones No. 1 y 2 consideran parámetros de orientación tanto interna como externa del sensor (figura No.4), los mismos que se incluyen en la cabecera de la imagen. Los parámetros internos de orientación son aquellos que definen la geometría interna del sensor, dichos parámetros permiten transformar la imagen de un sistema de coordenadas basado en píxeles al sistema espacial de coordenadas. Los parámetros externos de orientación, definen la posición y orientación del sensor cuando la imagen es capturada, es decir, las coordenadas Xo, Yo, Zo de la posición de captura de la imagen y los ángulos de rotación definidos por omega (ω) (rotación alrededor del eje fotográfico X), phi (φ) (rotación alrededor del eje fotográfico Y) y kappa (κ) (rotación alrededor del eje fotográfico Z). Todos estos elementos definen la posición del centro de proyección (O) con respecto al sistema general de coordenadas (X, Y, Z). Figura No.4 Elementos de orientación exterior (Piong, 2003) El proceso para la generación de imágenes normalizadas puede resumirse de la siguiente manera (Morgan, 2004): • • • • • • Se inicia con la localización de un pixel en la imagen normalizada (xn, yn). Se calcula la correspondiente localización en la imagen original (x, y) usando las ecuaciones de colinearidad. Se calculan los niveles de gris g(x, y) en la imagen original utilizando un apropiado método de interpolación como el vecino próximo, interpolación bilinear o convolución cúbica Se asigna el valor de gris interpolado al píxel de la imagen normalizada g(xn, yn) = g(x, y). El proceso se repite para todos los píxeles de la imagen normalizada. El proceso en general se repite para la otra imagen del par estereoscópico. 8 La figura No. 5 representa el remuestreo epipolar. En las imágenes normalizadas las líneas epipolares son paralelas y los epipolos se encuentran en el infinito. Figura No. 5 Remuestreo epipolar e imágenes normalizadas (adaptado de Morgan, 2004) Superposición de imágenes y determinación de la paralaje En el par estereoscópico normalizado las diferencias de posición paralelas a la dirección de viaje de satélite (diferencias de paralaje, ∆p) son atribuidas a desplazamientos causados por el relieve. Las elevaciones relativas del terreno son determinadas por la medida de ∆p en las imágenes registradas y posteriormente transformadas en elevaciones relativas y absolutas (Lang y Welch, 1999). La determinación de las elevaciones de DEM se realiza calculando la paralaje que se produce al “superponer” las imágenes normalizadas. Para conseguir esta superposición una ventana de correlación, de un tamaño predefinido (por ejemplo: 11x11 píxeles), es centrada en un píxel de 15 m en la banda 3N de la imagen. El área en la banda 3B con cada píxel conjugado localizado es definida por el tamaño de una ventana de búsqueda acorde al máximo desplazamiento de la imagen ocasionado por el relieve del terreno. La ventana de correlación se desplaza píxel a píxel a través de la ventana de búsqueda y el coeficiente de correlación es calculado para la ubicación de cada píxel. La ubicación que presente el mejor coeficiente de correlación es considerada como el punto óptimo. Las diferencias de localización de un píxeles en las imágenes conjugadas paralelas a la dirección del movimiento del satélite es el valor de ∆p y es proporcional a la elevación relativa del terreno y al datum vertical. Éste proceso se repite sistemáticamente en toda la imagen (Lang y Welch, 1999). 9 Determinación de la altura y generación del DEM En la figura No. 6 se describen los elementos necesarios para el cálculo de la altura ∆h a partir de la diferencia de paralaje ∆p en un par estereoscópico. La base B es igual a X1 para la vista en el nadir y hacia atrás ∆h es obtenida por el ángulo de orientación (α) y el intervalo de tiempo ∆t requerido para capturar la cima y la base del objeto. En el par estéreo ∆t está representado por (X1 – X2 ) = ∆p. Figura No. 6 Cálculo de altura en base a la diferencia de paralaje (Lang y Welch, 1999). La georeferenciación de los DEM se puede realizar en base de las efemérides y la información de altitud registrada en los metadatos de ASTER. Dicha información es utilizada para calcular los coeficientes de transformación entre la imagen y un determinado sistema de coordenadas, obteniéndose un DEM relativo. Al incorporar puntos de control en el modelo, es posible referir el DEM a un sistema de coordenadas, obteniéndose un DEM absoluto. En algunos puntos la correlación puede fallar, por lo que el proceso de extracción de un DEM requiere de un paso adicional de edición utilizando una serie de procesos interactivos a fin de corregir los vacíos de información generados por la falta de correlación entre las imágenes (Lang y Welch, 1999). El DEM SRTM Para efectos de comparación se obtuvo un DEM SRTM (USGS 2000) elaborado por el proyecto Shuttle Radar Topography Misión de la National Geospatial-Intelligence Agency (NGA), la Agencia espacial americana (NASA), la Agencia espacial italiana (ASI) y el Centro espacial alemán (DLR). Los 10 DEMs SRTM cubren el 80% de la superficie de la tierra, es decir, toda la superficie de la tierra comprendida entre los 60º de latitud norte y los 56º de latitud sur, con una resolución espacial de 3” de arco (aproximadamente 90m) y una precisión vertical de 16m (con un 90% de confianza). Los DEMs SRTM fueron realizados mediante interferometría. Por su calidad, el DEM SRTM de la zona de estudio fue considerado como referencia, remuestreándose su resolución original (90m) a 15m para su comparación con el DEM extraído de la imagen ASTER. Delimitación automática de cuencas hidrográficas Considerando que una cuenca hidrográfica es el conjunto de tierras que drenan sus aguas hacia un cauce común, es posible delimitar una cuenca de drenaje en base al análisis de la orientación de la topografía. En la figura No. 7 (Bosque, 1997) la orientación de los píxeles se ha representado a través de vectores que indican el sentido que tendría el escurrimiento que un píxel recibe directamente de la precipitación o de otros pixeles, claramente se muestra que los tres píxeles de la primera fila drenan con dirección norte - noroeste y los seis píxeles restantes lo hacen en dirección sur – sureste. Al agruparse todos los píxeles que drenan en hacia un píxel común se define automáticamente la cuenca hidrográfica. Un problema que puede presentarse es la existencia de zonas planas dentro de la cuenca de drenaje, lo que impediría la definición del sentido de flujo, para superar esta dificultad es necesario analizar la pendiente y la orientación para porciones mayores a un píxel y de esta manera considerar el sentido del flujo siguiendo la dirección de la pendiente media de la zona. Adicionalmente pueden presentarse mínimos relativos o pozos que producen una excesiva fragmentación de la cuenca, por lo que se suele definir límite según el número de píxeles que se requiere para producir el llenado de dicho pozo y se realice su integración hasta una cuenca de drenaje más amplia. (Bosque, 1997). El área de la cuenca delimitada está definida por el número de píxeles que drenan sus aguas hacia el píxel que contiene al punto de interés o de cierre de la cuenca, incluido éste. A partir del modelo digital de elevación se puede obtener el perfil del terreno a lo largo de un alineamiento, en el caso de estudios hidrológicos se puede determinar con facilidad el perfil longitudinal de un cauce a fin de obtener su pendiente media. Figura No.7 Delimitación de una cuenca hidrográfica (Bosque 1997) 11 Parámetros morfométricos de cuencas hidrográficas La morfometría de cuencas permite establecer parámetros de evaluación del funcionamiento del sistema hidrológico de una región, pueden ser obtenidos con la ayuda de un sistema de información geográfica, constituyéndose en un elemento útil para la planificación ambiental. En el presente trabajo se consideraron los siguientes parámetros morfométricos: Área de la cuenca (A): una vez definida la divisoria de aguas de la cuenca el área de la cuenca se obtiene directamente en base al tamaño del píxel y el número de píxeles encerrados por la divisoria. Se encuentra directamente relacionada con la cantidad de agua que una cuenca puede producir y en consecuencia con la magnitud de sus caudales. Perímetro de la cuenca(P): es la longitud que posee la divisoria de aguas. Longitud axial (L): es la distancia medida desde la salida de la cuenca hasta el punto más alejado de esta. Se encuentra relacionada con el tiempo de concentración de la cuenca. Factor de forma (Kf): Es la relación entre el ancho medio y la longitud axial de la cuenca. La longitud axial es la distancia entre el punto de interés y la cabecera más alejada de la hoya, el ancho medio, por su parte, se obtiene de dividir el área de la cuenca para la longitud axial. Una cuenca con un bajo factor de forma está menos sujeta a crecidas que otra cuenca del mismo tamaño pero mayor factor de forma. Se calcula con la expresión: Kf = A L2 (3) En esta ecuación A es el área de la cuenca y L es la longitud axial Coeficiente de compacidad de Gravelius (Kc) que relaciona la forma de la cuenca con la de una circunferencia, cuyo círculo inscrito tiene la misma área de la cuenca en estudio. Se determina con la expresión: K C = 0.28 P A (4) En donde: Kc es el coeficiente de compacidad, P es el perímetro de la cuenca y A es el área de la cuenca. Si Kc es igual a 1 la cuenca es de forma circular, las 12 cuencas alargadas presentan valores de Kc > 1 y se las considera con menor propensión a las crecidas ya que su forma reduce las posibilidades de que una tormenta la cubra totalmente, afectando la respuesta de la cuenca. Desnivel altitudinal (Dh): es la diferencia entre la cota más alta de la cuenca y la más baja. Se encuentra relacionado con la variabilidad climática y ecológica ya que una cuenca con un mayor desnivel altitudinal puede presentar variaciones considerables de precipitación y temperatura que consecuentemente pueden albergar diferentes ecosistemas. Curva hipsométrica: La curva hipsométrica proporciona una información sintetizada sobre la altitud de la cuenca, que representa gráficamente la distribución de la cuenca vertiente por tramos de altura. Dicha curva presenta, en ordenadas, las distintas cotas de la cuenca, y en abscisas la superficie de la cuenca que se halla sobre dichas cotas, bien en unidades de área o en porcentaje de la superficie total de la cuenca. Elevación media de la cuenca (Hm): se determina en base a los estadísticos del modelo de elevación digital de la cuenca, considerando la elevación media de cada rango de píxeles y el número de ellos comprendido en cada rango. La elevación media se encuentra relacionada directamente con el clima de la cuenca, con sus valores de temperatura media y de precipitación. Pendiente (S): La pendiente media ha sido tradicionalmente utilizada para caracterizar el relieve de una cuenca, pero una representación más confiable se obtiene con un histograma de frecuencias de la pendiente derivada del DEM, utilizándose los valores de pendiente media (Sm), pendiente mínima (Smin) y pendiente máxima (Smáx). Pendiente del cauce principal (Mcp): Este parámetro influye directamente en el tiempo de concentración de la cuenca y es considerado generalmente como la razón entre el desnivel entre los puntos extremos del cauce y la distancia horizontal entre ellos. Metodología aplicada En el presente trabajo se utilizó una imagen ASTER del 22 de julio de 2004 nivel 1B con un porcentaje de cobertura de nubes del 5% y el proceso de extracción se realizó aplicando PCI Geomatica 9.1 Para extraer un DEM georeferenciado es necesario contar con una serie de puntos de control (GCPs) con posición y elevación perfectamente conocidas, a partir de los cuales, sea posible asignar valores reales de elevación a cada uno de los píxeles del DEM extraído. Adicionalmente, en lugares en donde no se disponga de GCP, es conveniente colectar puntos comunes a las dos imágenes (TPs) los mismos que se ubican de forma interactiva en pantalla y de los cuales se conoce su posición, requiriéndose solamente una elevación aproximada de ellos. Los TPs, contribuyen a incrementar la precisión del modelo matemático utilizado en la extracción del DEM. 13 En un primer ensayo, se procedió a extraer GCPs de las hojas topográficas del Instituto Geográfico Militar del Ecuador (IGM, 1980), procurando que los mismos se encuentren en la intersección de vías o ríos que puedan ser fácilmente identificables en la imagen ÁSTER. Durante este proceso se pudo encontrar considerables diferencias entre los elementos contenidos en la imagen y su correspondiente representación en la cartografía utilizada; muchas de esas diferencias posiblemente se debían a la falta de la actualización de esta última o a errores durante el proceso de foto restitución realizado para su elaboración. A pesar de las discrepancias observadas, se extrajeron 50 puntos, empleando 7 de ellos para georeferenciar el DEM y los restantes para la comprobación de su calidad. Se localizaron 3 TPs. Se obtuvo un RMSE del orden de los 75 m. En un segundo ensayo se optó por recopilar puntos de control en campo mediante GPS. Los puntos se colectaron en lugares fácilmente identificables en la imagen y en el terreno, distribuyéndolos en toda la imagen y cubriendo la variación altitudinal que la zona de estudio presenta. Con este procedimiento se recopilaron en campo 30 puntos, 4 de ellos se emplearon como GCPs; y los restantes, se emplearon como puntos de comprobación para verificar la calidad del DEM extraído. Se emplearon 5 TP y se obtuvo un RMSE del orden de los 25 m. Este DEM fue utilizado para los análisis posteriores a nivel de cuenca hidrográfica. En cada ensayo se generaron imágenes epipolares a partir de las bandas 3N y 3B de la imagen y se extrajo un DEM georeferenciado de la zona de estudio con sistema de referencia UTM, Datum WGS84 y elipsoide WGS84; con un tamaño de píxel de 15 m. Se verificó la calidad del DEM en base a la comparación entre las cotas de 26 puntos de verificación tomados en el terreno vía GPS y las cotas extraídas del DEM generado en los puntos correspondientes, calculando los siguientes parámetros: Coeficiente de Correlación (R²): es una medida relativa que indica el grado de ajuste a una línea recta entre los datos observados y simulados Un valor de R² igual a 1 nos indica una tendencia lineal perfecta entre los datos pero no significa necesariamente que ésta sea de 1: 1. Es adimensional y se calcula mediante la expresión: ⎛ ⎜ 2 R =⎜ ⎜ ⎝ 1 N ∑ (H i =1 C (i ) − µ C )( H D (i ) − µ D ) ⎞ ⎟ ⎟ σ C ×σ D ⎟ ⎠ 2 (5) En donde: HC y HD son las alturas observadas en campo y en DEM respectivamente; σC es la desviación estándar de los valores observados en campo y σD es la desviación estándar de los valores extraídos del DEM, µC es 14 la media de los valores observados en campo y µD la media de de los valores extraídos del DEM y N es número total de observaciones. Coeficiente de eficiencia de Nash & Sutcliffe (EF): Permite verificar el grado de relación 1:1 de los datos en análisis (Nash y Sutcliffe, 1970). Se pueden obtener valores menores o iguales a 1, valores de 1 indican un ajuste perfecto. Un valor mayor de 0.7 se puede considerar como estadísticamente adecuado sin embargo la precisión optima de un modelo depende de la aplicación requerida. N EF = 1 − ∑ (H i =1 N C ∑ (H i =1 (i ) − H D (i )) 2 (6) C (i ) − H C ) 2 Coeficiente de determinación (CD): es una medición de la dispersión de los datos simulados alrededor de la media de los datos observados. El coeficiente de determinación es entonces un medidor de la proporción de la variación total de los datos observados explicados por los datos simulados. El valor de CD varía entre 0 y +∞, con un valor que tiende a cero cuando los valores simulados son mayores a los observados y a +∞ cuando los observados son mayores a los simulados, un valor de 1 o cercano a 1 representa un ajuste óptimo (Coffey et al., 1999). Es adimensional N CD = ∑ (H i =1 N (i ) − H C ) 2 C ∑ (H i =1 D − HC ) (7) 2 Error cuadrático medio (RMSE): Permite comparar el ajuste entre los datos observados en campo y los extraídos del DEM. Las unidades son las mismas de los datos observados. Valores de RMSE iguales a 0 son óptimos ya que los errores no existirían y la relación sería perfecta, pueden darse cualquier valor positivo. N RMSE = ∑ (H i =1 C (i ) − H D (i )) 2 N (8) 15 Error medio (BIAS): mide el sesgo de una población, y tiene como valor óptimo límite cero. En general es usado para medir el error medio sistemático entre las predicciones y las observaciones (Coffey et al., 1999). Sus unidades son las mismas de la variable. N BIAS = ∑ (H i =1 C (i ) − H D (i )) N (9) Error medio absoluto (MAE): El error medio absoluto MAE es una medida de la desviación media de los datos observados del modelo. Este estadístico al usar datos absolutos previene la eliminación de los errores producto de signos opuestos. N MAE = ∑H i =1 C (i ) − H D (i) N (10) Con la finalidad de estudiar la relación entre la pendiente del terreno y el valor absoluto de los errores se elaboró un mapa de pendientes del DEM extraído y se procedió a realizar extracciones de los valores de pendiente en los mismos lugares en donde se ubicaron los puntos de comprobación. Se seleccionaron dos zonas con características topográficas diferentes, tanto en el DEM ASTER cuanto en el DEM SRTM. En cada una de ella se procedió a delimitar automáticamente una cuenca hidrográfica utilizando AVSWAT–X y en cada una de ellas se realizó el cálculo de sus características morfométricas más importantes. Se generaron automáticamente cursos de agua en las cuencas obtenidas en el DEM ASTER y en el de referencia considerando un área de drenaje mínima de 20 Ha; dichos cursos de agua, se compararon con cauces digitalizados en pantalla sobre la imagen ASTER en composición de color 1 - 2 - 3N a fin de analizar el efecto de la resolución en ésta operación. Se determinó el perfil transversal del cauce a través de extracciones realizadas del DEM ASTER y del DEM SRTM y se calculó su pendiente media. Se determinaron las características morfométricas ya descritas en las cuencas obtenidas del DEM ASTER y se compararon con las obtenidas del DEM SRTM a fin de estudiar las posibilidades que el DEM ASTER puede presentar. 3. Resultados obtenidos Los resultados de los análisis realizados se resumen en las figuras y tablas que se presentan a continuación: 16 Figura No. 8 DEM extraído de la imagen ASTER en el que se indican las zonas de estudio Figura No. 9 DEM SRTM de referencia y área de traslape con el DEM ASTER 17 ASTER SRTM 0.998 24.968 21.154 11.308 0.997 0.975 R² RMSE MAE BIAS EF CD 0.999 16.986 14.000 -10.769 0.999 1.027 Tabla No. 1 Parámetros de calidad de ajuste entre los datos capturados en campo y extraídos del DEM ASTER 50.0 45.0 Pendiente (º) 40.0 35.0 30.0 25.0 20.0 15.0 10.0 5.0 0.0 0 10 20 30 40 50 Error (m) Figura No.10 Análisis de correlación entre las pendientes y el valor de los errores absolutos Figura No.11 Cuencas hidrográficas delimitadas automáticamente en la zona 1 18 Figura No.12 Imagen ASTER (RGB: 1-2-3N) sobrepuesta sobre DEM ASTER en la zona 1 Área Perímetro L (Ha) (Km) (m) Kf Kc SRTM 2133.4 28.4 10407.9 0.20 1.7 ASTER 2137.7 30.3 10666.1 0.19 1.8 Hm Hmín Hmáx (m) (m) (m) Desvest H Dh (m) SRTM 1521.5 830 2644 389.9 1814.00 ASTER 1520.4 842 2663 391.3 1821.00 Sm Smín Smáx (º) (º) (º) Desvest S Mcp (%) SRTM 53.0 0 73.61 23.77 17.42 ASTER 49.1 0 76.7 10.705 17.07 Tabla No. 2 Principales características morfométricas de las cuencas de la zona 1 3000 2500 Cota 2000 1500 1000 500 0 0 ASTER 5 10 15 20 Punto SRTM Figura No.13 Perfil del cauce principal zona 1 19 Figura No. 14 Análisis comparativo entre los cursos de agua generados automáticamente 3000 Elevación 2500 2000 1500 1000 500 0 0 DEM ASTER 20 40 60 80 100 120 Porcentaje de área sobre la elevación DEM SRTM Figura No.15 Comparación de las curvas hipsométricas de las cuencas generadas, zona 1 20 Figura No. 16 Cuencas hidrográficas delimitadas automáticamente en la zona 2 Figura No. 17 Imagen ASTER (RGB: 1-2-3N) sobrepuesta sobre DEM ASTER em zona 2 21 Área Perímetro L (Ha) (Km) (m) Kf Kc SRTM 2214.58 33.12 13222.09 0.13 2.00 ASTER 2150.32 37.26 12515.71 0.14 2.20 Hm Hmín (m) (m) Hmáx Desvest H Dh (m) (m) SRTM 599.15 402 1322 191.48 920 ASTER 589.54 386 1340 197.73 954 Sm Smín Smáx (º) (º) (º) Desvest S Mcp (%) SRTM 21.52 0 75.379 15.53 6.9581 ASTER 22.03 0 61.51 8.95 7.6224 Tabla No. 3 Principales características morfométricas de las cuencas de la zona 2 1000 Cota 800 600 400 200 0 0 2 4 6 8 10 12 14 ASTER SRTM Punto Figura No. 18 Perfil del cauce principal zona 2 22 Figura No.19 Análisis comparativo entre los cursos de agua generados automáticamente 1600 1400 Elevación 1200 1000 800 600 400 200 0 0 20 SRTM 40 60 80 100 120 Porcentaje de área sobre la elevación ASTER Figura No.20 Comparación de las curvas hipsométricas de las cuencas generadas, zona 1 4. Discusión de resultados Visualmente existe una gran correspondencia entre el DEM ASTER y el DEM SRTM, siendo evidentes los grandes vacíos de información producidos por la falta de coherencia entre las imágenes 3N y 3B utilizadas; Gran parte de dicha falta de coherencia de debe a la presencia considerable de nubes en la porción derecha de la imagen ASTER. De la comparación realizada entre los GCPs tomados en campo y sus correspondientes extracciones realizadas sobre el DEM ASTER y el DEM SRTM, se puede observar que si bien el coeficiente de correlación R² es bastante satisfactorio en ambos casos, el valor del error cuadrático medio está dentro de lo esperado en el caso del DEM SRTM, pero presenta un valor no muy satisfactorio en el caso del DEM ASTER, especialmente si se considera la resolución espacial de la imagen. Cosa similar ocurre con el error medio y el 23 error medio absoluto. La eficiencia de Nash presenta en ambos casos valores cercanos a uno, que nos da la idea de que los datos analizados si poseen mayoritariamente una relación 1:1. El coeficiente de determinación permite determinar que el DEM ASTER subestima ligeramente los valores reales a diferencia del DEM SRTM que ligeramente los sobrestima. El análisis comparativo entre los valores de la pendiente y el valor absoluto de los errores, al parecer no presenta una clara tendencia que los relacione, siendo aparentemente más significativa, la influencia de la falta de correlación entre las imágenes 3N y 3B ocasionada por la presencia de nubes que la pendiente como tal. Al analizar las cuencas hidrográficas delimitadas automáticamente tanto sobre el DEM ASTER y el DEM SRTM, sus características morfométricas y su distribución hipsométrica se observa una buena correspondencia entre dichos valores notándose un mejor ajuste de los valores correspondientes a la zona 1 de relieve más irregular, dicho ajuste posiblemente se deba a la mayor variación de la pendiente que se produce en dicha zona, variación que contribuye a una mejor definición de la divisoria de aguas y de los cursos de agua generados automáticamente. La desviación estándar de la pendiente de la cuenca delimitada sobre el DEM SRTM es prácticamente el doble de la registrada en la cuenca delimitada sobre el DEM ASTER, presumiblemente el remuestreo del DEM SRTM a 15 m pudo ocasionar una mayor variación de los rangos de pendiente. En la zona 2 los cauces generados a partir del DEM ASTER, son ligeramente más ajustados a los cauces digitalizados en pantalla, posiblemente debido a la mejor escala espacial de este último. En general la falta de precisión en la determinación de la elevación de los puntos de control utilizados para extraer el DEM a partir de la imagen ASTER, así como la falta de coherencia entre las imágenes 3N y 3B pueden se las causantes de la modesta precisión del DEM extraído, pero los resultados obtenidos de los análisis morfométricos, permiten valorar las potencialidades del DEM ASTER, presumiéndose que de contar con GCPs de precisión, como los levantados por un GPS con corrección diferencial e imágenes con un menor porcentaje de nubes, los resultados serían mucho más satisfactorios. 5. Conclusiones La extracción de un DEM que posea una buena precisión se encuentra supeditada a la precisión de los puntos de control utilizados para georeferenciarlo y para asignarle las cotas reales del terreno, siendo notorio que la calidad del DEM depende en gran medida de la calidad y ubicación de los GCPs, antes que de su número. En futuros trabajos se debería analizar el efecto de la calidad, cantidad y ubicación de los GCPs en la precisión final del DEM. 24 En el presente trabajo no se pudo estudiar a profundidad el efecto que el número de TPs puede tener en la precisión del DEM, aunque se puede presumir que una óptima ubicación de los mismos puede brindar mejores resultados que la identificación de una gran cantidad de ellos. La falta de coherencia entre las imágenes 3N y 3B hace presumir la necesidad de realizar un preprocesamiento de las imágenes ASTER antes de la extracción del DEM pudiendo ensayarse la aplicación de máscaras de nubes, filtros, realces radiométricos, etc., a fin de mejorar dicha coherencia y esperar de esta manera mejores resultados. Las características morfométricas derivadas del DEM ASTER presentan una buena correspondencia con las obtenidas del DEM SRTM, siendo posible realizar la caracterización de cuencas hidrográficas con relativa precisión. La extracción de DEMs a partir de imágenes ASTER en combinación con sistemas DGPS viabiliza la obtención de información morfométrica a escalas medias y a costos reducidos, Estos procedimientos se constituyen en una alternativa interesante para la generación y actualización de información topográfica base. 6. Agradecimiento El autor desea dejar constancia de su profundo agradecimiento los profesores del Departamento de Geografía de la Universidad de Alcalá y en especial al Dr. Joaquín Bosque Sendra por sus valiosos consejos y orientaciones que posibilitaron la realización del presente trabajo. De igual manera a los integrantes del Grupo de Sistemas de Información Geográfica de la UTPL por su permanente aliento para conseguir las metas planteadas. 7. Dedicatoria A Kattia, Arianna, Rodrigo y Cumandá, por ser siempre la luz que ilumina el camino 8. Bibliografía Abrams, M., Hook, S. J., 1995, “Simulated ASTER data for geological studies”. IEEE Transactions on Geoscience and Remote Sensing, 33, pp. 692-699. Akeno, K., 1996, “DEM Generation from multi-sensor stereo-pairs AVHRR and MSS”. International Archives of Photogrammetry and Remote Sensing, Vienna, Austria, 9- 18 Julio, Vol. 31, pp. 36- 40. 25 Al-Roussan, N., Cheng, P., Petrie, G., Toutin, T., Valadan Zoej, M. J., 1997, “Automated DEM extraction and ortho-image generation from SPOT level-1B imagery”, Photogrammetric Engineering and Remote Sensing, 63, pp. 965- 974. Al-Roussan, N., and Petrie, G., 1998, “System calibration, geometric accuracy testing and validation of DEM and ortho-image data extracted from SPOT stereo-pairs using commercially available image processing systems”, International Archives of Photogrammetry and Remote Sensing, Stuttgart, Germany, 7- 10 Septiembre , Vol. 32, pp. 8- 15. Bosque, J., 1997, “Sistemas de Información Geográfica”, Madrid, Riapl, Coffey, M. E., Workman, S. R., Taraba, J. L. y Fogle, A. W., 1999. “Procedures for evaluating daily streamflow predictions with the SWAT model”, ASAE, 992104. Ehlers, M., Welch, R., 1987, “Stereo-correlation of Landsat-TM images”, Photogrammetric Engineering and Remote Sensing, 53, pp. 1231-1237. Fujisada, H., Bailey, G. B., Kelly, G. G., Hara, S., Abrams, M. J., 2005, “ASTER DEM performance”, IEEE Transactions on Geoscience and Remote Sensing, 43, pp. 2707-2714. Giles, P. T., Franklin, S. E., 1996, “Comparison of a derivate topographic surfaces of a DEM generated from stereoscopic SPOT images with field measurements”, Photogrammetric Engineering & Remote Sensing 62 (10), pp. 1165-1171. Kamp, U., Bolch, T., Olsenholler, J., 2003, “DEM generation form ASTER satellite data for geomorphometric analysis of cerro Sillajhuay, Chile/Bolivia”, ASPRS Annual Conference Proceedings, Anchorage, Alaska. Krupnik, A., 2000, “Accuracy assessment of automatically derived digital elevation models from SPOT images”, Photogrammetric Engineering and Remote Sensing 68 (8), pp. 1017-1023. Lang, H. R., Welch, R., 1999, “Algorithm Theoretical, Basis Document for ASTER Digital Elevation Models (Standard product AST14) Version 3.0”, NASA EOS publication ATBD-AST-08. Lee, H. Y., Kim, T., Park, W. , Lee, H. K., 2003, “Extraction of digital elevation models from satellite stereo images through stereo matching based on epipolarity and scene geometry”, Image and Vision Computing 21, pp. 789-796. Malleswara Rao, T. Ch., Venugopala Rao, K., Ravi Kumar, A., Rao, D. P., Deekshatula, B. L., 1996, “Digital terrain model from Indian remote sensing satellite data from the overlap of two adjacent paths using digital photogrammetric techniques”, Photogrammetric Engineering and Remote Sensing, 62, 726-731. 26 Morgan, M., 2004, “Epipolar resampling of linear array scanners scenes”, Ph.D Thesis, University of Calgary, www.geomatics.ucalgary.ca/Papers/Thesis/AH/04.20193.MMorgan.pdf Nash, J. E., Sutcliffe. J. V., 1970, “River flow forecasting through conceptual models I. A discussion of principles”, Journal of Hydrology, 10, pp. 282 – 290. Piong X., 2003, “Digital elevation model extraction from ASTER in support of coal fire and environmental research project, China”, MSc. Thesis, ITC, Holland, www.itc.nl/library/Papers_2003/msc/ereg/xiong_ping.pdf Raaflaub, L. D., Collins, M. J., 2006, “The effect of error in gridded digital elevation models on the estimation of topographic parameters”, Environmental Modelling and Software, 21, pp. 710-732. Tateishi, R., Akutsu, A., 2002, “Relative DEM production from SPOT data without GCP”, International Journal of Remote Sensing 13, pp. 2517-2530. Toutin, T., 2000, “Stereo-mapping with SPOT-P and ERS-1 SAR images”, Internacional Journal of Remote Sensing, 21, pp. 1657- 1674. Toutin T., 2001, “Elevation modelling from satellite visible and infrared (VIR) data”, International Journal of Remote Sensing, 22, pp. 1097-1125. Toutin, T., 2002, “DEM from stereo Landsat 7 ETM+ data over high relief areas”, International Journal of Remote Sensing, 10, pp. 2133-2139. Toutin T., 2002a, “Three-dimensional topographic mapping with ASTER stereo data in rugged topography”, IEEE Transactions on Geoscience and Remote Sensing, 40, pp. 2241-2247. Toutin T., 2004, “Geometric processing of remote sensing images: models, algorithms and methods”, International Journal of Remote Sensing, 25, pp. 1893-1924. San, B. T., Sϋzen, M. L., 2007, “Digital elevation model (DEM) generation and accuracy assessment from ASTER stereo data”, International Journal of Remote Sensing, 26, pp. 5013-5027. Stevens, N. F., Garbeil, H., Mouginis-Mark, P. J., 2004, “NASA EOS Terra ASTER: Volcanic topographic mapping and capability”, Remote Sensing of Environment, 90, pp. 405 – 414. USGS, 2000, “Shuttle Radar Topography Mission, 1 Arc Second scene SRTM_f03_s005w081, filled finished 2.0, Global Land Cover Facility”, University of Maryland, College Park, Maryland . Wang, X., Yin, Z., 1998, “A comparison of drainage networks derived from digital elevation models at two scales”, Journal of Hydrology, 210, pp. 221-241. 27 Welch, R., Jordan, R. T., Luvall, J. C., 1990, “Geocoding and stereo display of tropical forest multi-sensor datasets”. Photogrammetric Engineering and Remote Sensing, 56, pp.1389- 1392. Zomer, R., Ustin, S. Ives, J., 2002, “Using satellite remote sensing for DEM extraction in complex mountainous terrain: landscape analysis of the Makalu Barun National Park of eastern Nepal”, International Journal of Remote Sensing, 23, pp. 125-143. 28