Disponible con una licencia de 3D Analyst.
LIDAR se considera una forma precisa de datos de elevación. En gran medida, esto se debe a su denso intervalo de muestra. Algunos se refieren a lidar como pintar el suelo con mediciones de elevación. De hecho, es común adquirir muestras submétricas con LIDAR. Esto facilita la penetración de la canopea, lo que mejora la exactitud de los modelos de terreno en áreas boscosas. La alta densidad de muestra también mejora los resultados para determinadas aplicaciones, como la delineación de llanuras aluviales. Sin embargo, LIDAR no siempre es la fuente más óptima para todas las actividades de modelado de superficie. Dos áreas que tienden a ser problemáticas son la derivación de curvas de nivel y el análisis de pendiente.
Curvas de nivel confusas y pendientes pronunciadas
Conseguir que un equipo produzca curvas de nivel de aspecto agradable a partir de fuentes de datos tradicionales es bastante complicado. Es aún más difícil producirlas a partir de LIDAR. Las curvas de nivel producidas a partir de LIDAR de máxima resolución tienden a ser irregulares, con numerosas curvas y anillos cerrados aislados.
La evaluación de pendiente con datos LIDAR también resulta problemática. Si examina la pendiente media de LIDAR de máxima resolución, podrá ver que es más alta de lo normal. Esto se aplica incluso sobre terreno relativamente plano, como se muestra en la siguiente imagen que representa la pendiente generada a partir de LIDAR de máxima resolución. El verde indica poca o ninguna pendiente, el amarillo es una pendiente moderada y el rojo es la más pronunciada. Observe la gran cantidad de amarillo y rojo salpicados por toda la superficie.
Hay quienes achacan incorrectamente estos problemas con las curvas de nivel y la pendiente al hecho de que LIDAR es más preciso que otras formas de datos de superficie. A escalas suficientemente grandes, casi cualquier superficie es medianamente rugosa. Aunque hay algo de verdad en esta afirmación, una parte significativa del problema radica realmente en la relación entre la densidad de muestra horizontal y la exactitud vertical. Como sucede con cualquier tecnología de medición, LIDAR no es totalmente preciso. Con frecuencia, su exactitud vertical oscila de 12 a 15 centímetros. Esto proporciona una diferencia de altura aleatoria entre dos puntos adyacentes de 24 a 30 centímetros. Cuando los puntos están solo a un metro o menos de distancia horizontal, esa diferencia de altura llega a ser significativa. Desde una perspectiva de procesamiento de señal, esto se considera ruido de alta frecuencia.
Técnicas para reducir el ruido
Para obtener curvas de nivel menos irregulares y estimaciones de pendiente más razonables, tiene que eliminar el ruido de LIDAR y perder la mínima información real posible durante el proceso. Aunque no hay forma de evitar las pérdidas, el daño puede ser minimizado. El dataset de terreno ofrece un par de herramientas para facilitar esta tarea. Una de ellas es la simplificación de puntos inteligente y la otra es un interpolador de alta calidad. Si el lidar está en formato LAS y sabe que se ha clasificado para incluir la clave de modelo (es decir, los puntos de la clase 8), consulte la sección Flujo de trabajo alternativo al final de este tema.
La simplificación de puntos se produce durante el proceso de construcción de pirámide de terreno. Hay quienes consideran que las pirámides son estrictamente una herramienta de visualización y que se utilizan únicamente para acelerar el dibujo. Si bien esto es cierto para las pirámides ráster, no se aplica a datasets de terreno. Los datasets de terreno se diseñaron a sabiendas de que lidar es más adecuado para algunas aplicaciones cuando se ha generalizado.
Hay dos algoritmos de simplificación de puntos de dataset de terreno disponibles en ArcGIS: acumulación de tolerancia z y acumulación de tamaño de ventana. Ambos algoritmos tienen algo concreto que ofrecer y son, posiblemente, mejor que los filtros de puntos aleatorios utilizados por otras soluciones que, si bien son rápidas y razonables para la visualización, no son las más apropiadas para el análisis.
El filtro de tolerancia z emplea un algoritmo basado en TIN para encontrar un subconjunto de puntos que baste para crear una superficie que está dentro de una distancia vertical determinada de la superficie de máxima resolución. Se recomienda utilizar este filtro cuando se necesita una medida cuantificable de exactitud vertical.
El filtro de tamaño de ventana selecciona puntos dentro de una distancia de muestra horizontal determinada. Los puntos dentro de esa área se examinan cada determinadas unidades x, y (el tamaño de ventana de muestra) y se seleccionan uno o dos en función de la opción que eligió. El método de selección de puntos puede ser el punto más cercano al valor medio de los otros puntos en la ventana de muestra, los puntos más altos o bajos en la ventana de muestra o tanto el más alto como el más bajo. Como se dijo anteriormente, el origen de gran parte del problema de ruido es una mala relación de densidad de muestra horizontal alta con respecto a la exactitud vertical. El filtro de tamaño de ventana le permite mejorar esa relación. Si bien es difícil cuantificar la exactitud de los datos simplificados, la evidencia empírica ha demostrado que este enfoque funciona bien.
Simplificar datos
Los puntos LIDAR se simplifican cuando se construye un dataset de terreno. El algoritmo de filtro aplicado se basa en el tipo de pirámide seleccionado para el dataset de terreno. Afortunadamente, se utiliza el mismo nombre para el tipo de pirámide y el algoritmo de filtro, con lo cual no hay ambigüedad. El tipo de pirámide se selecciona mediante el asistente Terreno que se encuentra en el menú contextual del dataset de entidades en ArcCatalog o en la ventana Catálogo.
A continuación, deberá especificar los niveles de la pirámide. Para garantizar la reducción del ruido, le interesa ese primer nivel de la pirámide, que está a un paso de la máxima resolución. Una tolerancia z igual a la exactitud vertical de los datos es razonable para ese nivel. Esto eliminará todo el ruido que pueda y disminuirá la exactitud del resultado en la medida de lo posible. Si comienza con 15 centímetros de exactitud vertical, terminará con aproximadamente 30 centímetros de exactitud; si continúa produciendo curvas de nivel, establezca su intervalo en al menos el doble, es decir, 60 centímetros. Cuando se construye una pirámide de tamaño de ventana, una distancia de muestra igual al doble del espaciado de punto nominal es razonable.
Después de haber construido un dataset de terreno, los puntos simplificados se encuentran en su pirámide. Utilice las herramientas de geoprocesamiento Curvas de nivel de superficie y Pendiente de superficie para generar curvas de nivel y pendiente. Los resultados serán menos ruidosos que si se hubieran creado a partir de puntos sin simplificar. Un inconveniente es que las estimaciones de las curvas de nivel y la pendiente realizadas para estas superficies basadas en TIN serán aún más angulares y discontinuas de lo necesario. Una alternativa recomendada es ir a través de un ráster en el que los resultados serán más uniformes.
Interpolación ráster
Las salidas de curva de nivel y pendiente se pueden mejorar derivándolas desde un ráster creado a partir de un dataset de terreno. Los ingenieros tienden a trabajar directamente en TIN, por lo que podría no gustarles la idea de ir a través de un ráster, pero cuando se trata específicamente de producción de curva de nivel y pendiente a partir de datos LIDAR, esta tendencia es injustificada. Por un lado, los puntos LIDAR se obtienen esencialmente en una distribución aleatoria y los triángulos resultantes no se eligen cuidadosamente ni se garantiza que se vayan a adaptar a algún modelo matemático creado dentro de un paquete CAD (por ejemplo, para el diseño de carreteras).
Además, la superficie lineal a tramos definida por las caras de triángulo planar no es uniforme. Se puede obtener una superficie uniforme utilizando la herramienta de geoprocesamiento De terreno a ráster con la opción de interpolación de vecinos naturales. Un beneficio añadido del uso de De terreno a ráster es que se puede rasterizar un dataset de terreno completo de una vez y evitar la restricción de tamaño asociada a la extracción de TIN.
Cuando haya generado un modelo de superficie ráster del dataset de terreno, podrá utilizar las herramientas de geoprocesamiento de ráster Curvas de nivel y Pendiente en el ráster derivado. Las siguientes imágenes ilustran la diferencia entre la máxima resolución y los derivados de la curva de nivel y la pendiente generalizados.
Las curvas de nivel se realizan desde el lidar de máxima resolución a la izquierda y una versión rasterizada del conjunto simplificado se establece a la derecha. El resultado, aunque obviamente no tiene calidad cartográfica, supone una mejora significativa.
La pendiente creada a partir de LIDAR de máxima resolución está a la izquierda y la versión ligeramente simplificada rasterizada está a la derecha.
LIDAR se considera ruidoso debido a una baja exactitud vertical respecto a la distancia de muestra horizontal. Este ruido se traduce en curvas de nivel de mala calidad y tasas de pendiente medias excesivamente altas. El ruido se puede reducir mediante simplificación de puntos y suavizado sin perder mucha exactitud y detalle. El dataset de terreno proporciona estas herramientas a través de la acumulación e interpolación de vecinos naturales.
Flujo de trabajo alternativo
Si lidar está en formato LAS y ha sido clasificado utilizando la clave de modelo (es decir, los puntos de la clase 8), entonces no es necesario pasar por el proceso de la acumulación de terreno para obtener un conjunto simplificado de puntos apropiados para la creación de curvas de nivel y el análisis de pendiente. La labor que la ha realizado el proveedor de datos. Si éste es el caso, puede utilizar el dataset LAS para referencia y utilizar los archivos LAS directamente. Asegúrese de leer las secciones anteriores en este tema para comprender los conceptos de conducción, pero sustituir estos pasos para crear un ráster en el que las curvas de nivel y pendiente se pueden derivar:
- Utilice la herramienta de geoprocesamiento Crear dataset LAS para realizar un dataset que hace referencia a los archivos LAS y las líneas de corte si tiene alguna.
- Haga una capa de dataset LAS y establezca las propiedades de filtro para utilizar solo los puntos de la clase 8 (y cualquier retorno). Una capa puede hacerse al agregar el dataset LAS para un mapa o escena o al ejecutar la herramienta de geoprocesamiento Hacer capa de dataset LAS.
- Ejecute la herramienta de geoprocesamiento Dataset LAS a ráster con el Tipo de asignación de celda a NATURAL_NEIGHBOR. El tamaño de celda de salida debe ser mayor que el espaciado de punto promedio de la entrada.