Desarrollo de dos metodologías para la generación de modelos digitales de terreno (MDT) y superficie (MDS) empleando datos LiDAR y programas de licencia libre

Full text

5Desarrollo de dos metodologías para la generación de
modelos digitales de terreno (MDT) y superficie (MDS)
empleando datos LiDAR y programas de licencia libre

Resumen
LIDAR (por sus siglas en inglés, Light Detection And
Ranging Laser) son una clase de sensores remotos ac-
tivos, para los cuales los fundamentos teóricos, que
permiten su procesamiento digital, no han sido difun-
didos ampliamente en Colombia. Estos sensores tie-
nen un emisor láser que envía una serie de impulsos a
la superficie terrestre; una vez que estos impulsos cho-
can con los objetos, rebotan y regresan al sensor. La
información de los impulsos puede ser procesada para
construir modelos digitales del terreno (MDT4) y de la
superficie sobre el terreno (MDS) para grandes exten-
siones con la mejor precisión espacial en el momento.
La mayor parte de los programas que han sido usa-
dos en Colombia para realizar este procesamiento
son comerciales y por tanto son de uso restringido.
En este trabajo se desarrollaron dos metodologías
para la generación de MDT y MDS con programas de
licencia libre; la primera filtra los puntos con base en
sus características radiométricas e interpola los MDT
y MDS empleando la técnica geoestadística5 Kriging6
La segunda filtra los puntos con base en la locali-
zación espacial de los impulsos y genera los MDT y
MDS mediante interpolaciones basadas en un algo-
ritmo basado en redes irregulares trianguladas (TIN7)
sucesivas.
Palabras claves
ArcGIS, GVsig, Quick Terrain Reader, Modelo Digital
de elevación, programas de licencia libre, Kriging,
TIN, interpolación.
1 Investigador en Percepción Remota, Centro de Investigación y Desa-
rrollo en Información Geográfica (CIAF), Instituto Geográfico Agus-
tín Codazzi (IGAC), Carrera 30 No. 48-51, Bogotá D. C., Colombia.
2 Investigador en Percepción Remota, Centro de Investigación y Desa-
rrollo en Información Geográfica (CIAF), Instituto Geográfico Agus-
tín Codazzi (IGAC), Carrera 30 No. 48-51, Bogotá D. C., Colombia.
3 Ingeniera Forestal, Master of Science en Ingeniería Forestal Aca-
demia Forestal “Kirov” – USSR, specialist in Forestry for Rural De-
velopment. International Institute for Aerospace Survey and Earth
Sciences (ITC), Holland. Investigadora en Percepción Remota, Cen-
tro de Investigación y Desarrollo en Información Geográfica (CIAF),
Instituto Geográfico Agustín Codazzi (IGAC), Carrera 30 No. 48-
51, Bogotá D. C., Colombia.
4 Modelo Digital de Terreno (MDT): es un MDE del terreno o suelo.
5 Geoestadística: Es la rama de la estadística aplicada que se especializa
en el análisis y la modelación de la variabilidad espacial de una varia-
ble. Su objeto de estudio es el análisis y la predicción de fenómenos
en espacio y/o tiempo. Aunque el prefijo geo es usualmente asocia-
do con geología, la geoestadística tiene sus orígenes en la minería.
6 Kriging: Es un método geoestadístico de interpolación que ha proba-
do ser útil y popular en muchos campos. En la actualidad este méto-
do de interpolación es ampliamente utilizado para generar modelos
de elevación digital (mapas de curvas de nivel). Dicho método provee,
a partir de una muestra de puntos, ya sean regular o irregularmente
distribuidos, valores estimados de aquellos sitios donde no hay infor-
mación, sin sesgo y con una varianza mínima conocida.
7 TIN: La Red de Triángulos Irregulares (TIN, del inglés Triangular Irre-
gular Network) es una red construida a partir de un conjunto de
puntos espaciales, siendo cada uno de sus puntos un vértice de al
menos un triangulo de la red. Los TIN se utilizan para el cálculo de
volúmenes, dibujo de curvas de nivel y otras operaciones, por lo
que una construcción adecuada permitirá un cálculo más preciso
de dichos procesos.
José Camilo Fagua1, Augusto Campo2, Elena Posada3
Desarrollo de dos metodologías para la generación de
modelos digitales de terreno (MDT) y superficie (MDS)
empleando datos LiDAR y programas de licencia libre

84 Tecnologías geoespaciales al servicio del desarrollo territorial.
Análisis Geográficos Nº 49
Two methodologies for generating Digital Terrain
Models (DTM) and Digital Elevation Models (DEM)
using LiDAR data and freeware
Abstract
LiDARs (Light Detection And Ranging Laser) are a type of active remote sensors
whose processing is not much known in Colombia. These sensors emit million
of laser pulses to land, and then they backscatter to sensor. The information
of laser pulses can be used to make Digital Terrain Models (DTM) and Digital
Elevation Models (DEM) for large land extents with the best spatial resolution
at the moment. Most software used to process LiDAR data have expensive
licenses; therefore their use is restricted to Colombian users. In this research,
we developed two methodologies to generate DTMs and DEMs using freeware:
First methodology filters the impulses bases on radiometric characteristics and
interpolates the filtered pulses using kriging analysis. Second methodology filters
the impulses bases on geometric characteristics and generates DTMs and DEMs
using an iterative TIN (triangulated irregular network) algorithm.
Key words
ArcGIS, gvSIG, Quick Terrain Reader, Digital Elevation Model, freeware, Kriging,
TIN, interpolation.

85
Desarrollo de dos metodologías para la generación de modelos digitales de terreno (MDT) y
superficie (MDS) empleando datos LiDAR y programas de licencia libre
Introducción
LiDAR (siglas en inglés para Light De-
tection And Ranging Laser) son una
clase de sensores remotos activos que
envían millones de impulsos láser a una
superficie terrestre que se pretende
analizar; una vez estos impulsos chocan
con los objetos, la mayor parte de estos
regresan al sensor (algunos se pierden)
con una energía menor con la que fue-
ron emitidos. Cada uno de los impulsos
que regresa tiene una ubicación espa-
cial tridimensional de alta precisión (en
ejes X, Y y Z) y una energía de regreso
diferencial, la cual va a variar depen-
diendo de la naturaleza del objeto con
que chocó (Ackerman, 1999). Toda esta
información puede ser procesada para
construir modelos digitales del terreno
(MDT) y modelos digitales de la superfi-
cie sobre el terreno (MDS) para grandes
extensiones con la mejor escala espacial
en el momento, 10 a 30 cm (Brzank
et al., 2008). Los sensores LiDAR pue-
den dividirse en dos clases dependiendo
del ambiente en el cual se utilicen; los
LiDAR topográficos son usados para co-
berturas terrestres y operan emitiendo
impulsos láser dentro del infrarrojo cer-
cano, su utilidad en los espejos de agua
es prácticamente nula debido a que el
agua absorbe la mayor parte del infra-
rrojo (Sithole, 2005; Chen et al., 2011).
Los LiDAR batimétricos8 son usados en
cuerpos de agua para construir Modelo
sDigitales de Profundidad (MDP9) debi-
do a que emiten impulsos dentro del
verde-azul; estas emisiones son capaces
de penetrar el agua (hasta 70 m cuando
el agua es clara y 20 m cuando el agua
es turbia) permitiendo hacer MDPs de
alta precisión (Sithole, 2005).
Los LiDAR también pueden dividirse de
acuerdo con la tecnología de emisión de
impulsos que emplea el sensor; existen los
láser de pulso (pulse lasers o small foo-
tprint) y los láser de onda continua (con-
tinuous wave lasers o large footprint
waveform), (Ackermann, 1999).
Los láser de pulso envían emisiones en
las que cada pulso es después reflejado
sobre la superficie de la tierra y regresan
al receptor produciendo una pequeña
huella de la superficie de la tierra (CFMT,
2007). Los Láser de onda continua tam-
bién envían emisiones pero en forma de
una lluvia de señal continua y capturan
el retorno total, por tal motivo son más
precisos y confiables (Chen et al., 2011).
La información que genera un sen-
sor LiDAR es almacenada en archivos
.LAS, que es un formato público para
el intercambio de datos LiDAR entre los
generadores de información y los usua-
rios. Dichos archivos son una nube de
puntos que conserva la información es-
pecífica propia de la naturaleza de los
sistemas LiDAR y los atributos de los
millones de impulsos que conforman
la nube de puntos. Dependiendo del
sensor, cada impulso tiene los siguien-
tes atributos: posición (X, Y y Z), inten-
sidad, número de retorno, número de
línea de barrido, ángulo del espejo del
sensor en el momento de captura (án-
gulo de escaneo), tiempo de captura
GPS, entre otros.
Para que un archivo .LAS que provie-
ne de un LiDAR topográfico (láser de
pulso o láser de onda continua) pueda
generar MDT y MDS, es necesario reali-
zar una separación de los impulsos que
provienen del terreno y de los impulsos
que provienen de la superficie sobre el
terreno. Este proceso es conocido en la
literatura especializada como clasifica-
ción o filtrado de impulsos y se refiere
a la separación de los impulsos depen-
diendo de la superficie con que choca-
ron después de que fueron emitidos; la
clasificación más simple es separar los
8 Batimetría: También conocida como altimetría marina, hace referencia al estudio de la profundidad en 3D de grandes cuerpos de agua (mares,
lagos, río, entre otros).
9 Modelo Digital de Profundidad (MDP): es un MDE del terreno que está bajo un cuerpo de agua (mares, lagos, ríos, entre otros).

86 Tecnologías geoespaciales al servicio del desarrollo territorial.
Análisis Geográficos Nº 49
impulsos del terreno, y de la superficie
sobre el terreno, sin embargo existen
clasificaciones más complejas, que se-
paran los impulsos por tipos de super-
ficie (tipos de vegetación, concreto,
barro, suelo desnudo, entre otros). Pos-
teriormente, los impulsos (puntos) que
corresponden al terreno son interpolados
estadísticamente para generar el MDT
(un continuo) y los impulsos (puntos) que
corresponden a la superficie son interpo-
lados estadísticamente para generar el
MDS (otro continuo). La base conceptual
del procesamiento de archivos .LAS que
fue descrito de forma general anterior-
mente tiende a ser desconocida por
gran parte del público colombiano que
está interesado en el tema LiDAR y no
tiene acceso a los programas comercia-
les de procesamiento de estos archivos.
Esto ha causado limitaciones técnicas a la
hora de emplear la información LiDAR por
parte de muchos usuarios.
En este documento se desarrollaron dos
metodologías para generar MDT y MDS
a partir de archivos .LAS. Ambos proce-
samientos pueden ser aplicados usando
programas de licencia libre (como gvSIG)
y/o de amplio uso (como ArgGIS); la pri-
mera metodología (denominada como
Metodología 1) filtra los puntos con base
en sus características radiométricas (nú-
mero del retorno, intensidad, ángulo de
escaneo y altura) e interpola los MDT y
MDS empleando la técnica geoestadística
Kriging. La segunda metodología (deno-
minada como Metodología 2) filtra los
puntos con base en la geometría de la
localización espacial de los impulsos (atri-
butos de posición; X, Y, Z), y genera los
MDT y MDS mediante interpolaciones
basadas en algoritmos sucesivos TIN. El
objetivo de este documento consiste en
explicar en detalle estas dos metodolo-
gías de procesamiento de datos LiDAR,
desarrolladas por el grupo de percep-
ción remota del Centro de Investigación
y Desarrollo en Información Geográfica
(CIAF), del Instituto Geográfico Agustín
Codazzi (IGAC).
1. Materiales y métodos
1.1 Área de estudio
y características del sensor LiDAR
empleado
Este estudio se realizó en una zona de
la Sabana de Bogotá (Bogotá D. C.),
aledaña al río Bogotá (X= 99.025.103;
Y=126.586.322), en el occidente de la
ciudad y que está cubierta por pastos in-
troducidos y cercas vivas formadas por ár-
boles (Figura 1). Se analizaron los archivos
.LAS generados por un sistema LiDAR to-
pográfico aerotransportado ALS 50 Pha-
se II de la empresa comercial Merrick en
abril del 2007. El sistema integra un al-
tímetro láser, una Unidad de Medición
Inercial (IMU) Applanix 510 POS/AVIMU
y control de vuelo GPS.
Este sistema LiDAR tiene una tasa de pul-
sos láser de hasta 150 kHz (150 000 pul-
sos por segundo), un tamaño de huella de
150 a 500 mm, una tasa de escaneo de 10
a 100 líneas por segundo y un ángulo de
escaneo de 30°. El archivo .LAS analizado
está constituido por 789 409 impulsos.
1.2 Metodología 1
Filtrado con base en características
radiométricas
La primera metodología usada para se-
parar (clasificación) los impulsos que
provienen del terreno (los cuales pos-
teriormente generarán el MDT) de los
Figura 1.
Área de estudio.
Vista generada con
el programa Quick
Terrain Reader.

87
Desarrollo de dos metodologías para la generación de modelos digitales de terreno (MDT) y
superficie (MDS) empleando datos LiDAR y programas de licencia libre
impulsos que provienen de la superficie
sobre el terreno (los cuales posteriormen-
te generarán el MDS) se basó en una se-
lección diferencial de ambos grupos de
impulsos de acuerdo con una selección
de filtros sucesivos basados en las ca-
racterísticas de los atributos intensidad,
número del retorno, ángulo de escaneo
y altura. A continuación se explica cada
uno de los filtros empleados.
El atributo llamado intensidad va de 0
a 255 (debido a que el sistema LiDAR
ALS 50 Phase II genera intensidades
escaladas a 8-bit10), se refiere a la can-
tidad de energía con que regresa el
impulso al sensor (García et al., 2010);
dicha energía depende del tipo de co-
bertura con la cual el impulso choca. La
intensidad tiene los valores más altos
cuando los impulsos rebotan en el sue-
lo y superficies urbanas duras, mientras
es menor cuando los impulsos rebotan
en vegetación (Figura 2A) debido a que
la clorofila absorbe una fracción grande
del infrarrojo (rayo láser) enviado por el
sensor, disminuyendo significativamen-
te la energía con que regresa el impulso
(Lovell et al., 2009).
Con base en estos planteamientos se
hicieron dos ensayos de selección, que
generaron MDT similares. En el primer
ensayo se seleccionaron los impulsos
con intensidad de 255 (máximo valor
de intensidad). En un segundo ensayo
se seleccionaron los puntos dentro del
mayor rango de intensidad aplicando la
ecuación de rangos de Sturges (1926):
C = (Xmax–Xmin)/M
Donde M = 1 + (3.3 × log N), N =
número total de individuos, M = nú-
mero de clases de tamaño, C= rango
de clases de tamaño, X = longitud de
los rangos.
El atributo llamado número del retorno
se refiere al orden cronológico con que
A
B
C
Figura 2.
Características radiométricas del archivo .LAS empleadas en
la metodología 1:
2A) Impulsos con intensidad ≤ 30 (tiende a corresponder a
vegetación altamente fotosintética), en azul.
2B) Impulsos del último retorno (tiende a corresponder al
terreno), en azul.
2C) Impulsos de los primeros retornos 2 a 5 (tiende a
corresponder a superficies sobre el terreno), en azul.
10 Escala de 8-bit: hace referencia a la representación en escala de 256 grises de la resolución radiométrica de un sensor remoto.

88 Tecnologías geoespaciales al servicio del desarrollo territorial.
Análisis Geográficos Nº 49
llegan los impulsos al sensor después
de rebotar en el terreno; al sensor lle-
gan primero los impulsos que rebotan
primero puesto que tienen menos dis-
tancia de viaje, mientras que los impul-
sos que llegan después corresponden
impulsos que rebotaron después de
los primeros retornos y que por tanto
tienen más distancia de viaje. El siste-
ma LiDAR ALS 50 Phase II suministra
hasta cinco retornos; el retorno uno
hace referencia a los últimos impulsos
que regresaron al sensor, es decir, los
que tienden a corresponder al suelo
(Figura 2B), mientras que los retornos
dos a cinco (Figura 2C) corresponden
a impulsos que llegaron primero que
los retornos uno, por lo que correspon-
derían a objetos sobre el terreno (Hop-
kinson y Chasmer, 2009). Por lo tanto,
para filtrar los impulsos del terreno se
seleccionaron los últimos impulsos que
regresaron al sensor.
El atributo llamado ángulo de escaneo
es el ángulo geométrico con el que los
impulsos láser son enviados contra la
superficie; este ángulo se define exacta-
mente como el ángulo subtendido por
los puntos extremos del escáner láser
del sensor (Sithole, 2005). Los LiDAR
topográficos, como el ALS 50 Phase II,
asumen que los impulsos tienden a re-
flejarse de forma especular (es decir, en
un ángulo de alrededor de 180°); por lo
tanto, los ángulos de escaneo no supe-
ran los 20 o 30° (Tamari, et al., 2001).
Los cambios en el ángulo de escaneo
entre 0 a 30° producen cambios en la
disposición espacial de la nube de im-
pulsos, pero no cambian fuertemente
la precisión para identificar MDT y MDS
que tienen los sensores LiDAR (Loha-
ni y Singh, 2007). Con base en estos
planteamientos, se seleccionaron los
impulsos que tuvieron un ángulo de es-
caneo positivo (impulsos con ángulos
negativos no fueron tenidos en cuenta
en el análisis); este filtro disminuyó el
número de impulsos sin afectar signi-
ficativamente la precisión, y facilitó el
procesamiento posterior. Ensayos adi-
cionales con los impulsos con ángulos
de escaneo negativos generaron MDT y
MDS similares a los generados con los
impulsos con ángulos positivos.
El último filtro hace referencia a la al-
tura de los impulsos y al conocimien-
to de campo que cualquier análisis de
percepción debe tener. Por definición,
los puntos más bajos provienen del te-
rreno (impulsos láser nunca bajan más
allá del suelo); en consecuencia, en un
lugar relativamente plano, el terreno se-
ría cercano a la línea promedio de los
puntos más bajos (Sithole, 2005). Para
filtrar los puntos del terreno se selec-
cionaron impulsos por debajo de 1.5
metros de esta línea promedio para así
minimizar la inclusión de impulsos pro-
venientes de construcciones humanas.
1.3 Generación de MDT y MDS
empleando Kriging
Una vez filtrados los impulsos que
corresponden al terreno y a la super-
ficie sobre el terreno, es necesario
interpolarlos a un MDT y a un MDS,
respectivamente. Para esto existen va-
rios métodos: 1) interpolaciones usan-
do TIN, 2) interpolaciones basadas
en ábsidas (IA), y 3) interpolaciones
geoestadísticas. TIN e IA realizan gene-
ralizaciones que pueden desajustar el
modelo resultante (Oliver, 1990); esto
ocurre porque estas técnicas seleccio-
nan solo los puntos que se ajustan a
un algoritmo específico desechando
información valiosa (impulsos) y traba-
jan con valores redondeados a números
enteros, aumentando el error. La técni-
ca geoestadística Kriging no presenta
estos desajustes y sus resultados serían
más precisos y más adecuados para el
procesamiento LiDAR; el objetivo de
esta técnica consiste en interpolar el
valor de una función con base en valo-
res conocidos de esa función en puntos
aleatorios (nube de impulsos LiDAR). La
técnica Kriging no desecha ningún im-
pulso filtrado y genera modelos de ele-
vación interpolando la variable altura a
un raster continuo (MDT y MDS). Para

89
Desarrollo de dos metodologías para la generación de modelos digitales de terreno (MDT) y
superficie (MDS) empleando datos LiDAR y programas de licencia libre
aplicar Kriging los datos deber cumplir
con el supuesto de estacionariedad11 y
se debe seleccionar el modelo de Kriging
que más se ajusta a la distribución de los
datos (gaussiano, logístico, geométrico,
lineal, exponencial, entre otros). Con base
en estos planteamientos, se aplicó un Kri-
ging ordinario esférico a ambos grupos
de impulsos filtrados para generar el MDT
y el MDS.
1.4 Metodología 2
La segunda metodología usada para
filtrar los impulsos se basó en una eli-
minación secuencial de impulsos con
base en la geometría de su ubicación
espacial (atributos X, Y, Z). Para esto,
se analizó cada punto de la imagen
y se marcaron aquellos con cambios
abruptos de altura en vecindarios de
3 x 3 píxeles para luego eliminarlos.
Este proceso se realizó en forma cícli-
ca hasta que no hubiese más impulsos
que eliminar; como resultado se obtie-
ne un modelo digital del terreno. Esta
metodología se basó en análisis previos
desarrollados por Haugerud y Harding
(2003) y Sithole (2005). Para realizar
este proceso se desarrolló un algoritmo
en lenguaje Python; los detalles de este
proceso se explican a continuación:
Primero se realizó un TIN inicial a la
totalidad de los impulsos de los ar-
chivos .LAS; al hacer este TIN se gene-
ró un modelo digital de la superficie
más externa (MDS) constituido por
nodos y líneas que conforman una
red de triángulos irregulares que no
se traslapan. Posteriormente este TIN
se convierte en un raster en que las
alturas están representadas por valo-
res de intensidad entre 0 y 255 con
una escala espacial de 0.27 m (lo cual
evidencia la alta definición espacial
que generan lo sensores LiDAR, Figu-
ra 3A). Las alturas se suavizan apli-
cando un algoritmo de promedios a
los vecindarios de 3 x 3 píxeles, gene-
rando un nuevo raster (Figura 3B), al
que se denominará Raster (Media). A
partir de Raster (Media) se hace una
nueva nube de puntos, que contie-
nen la localización espacial (X, Y y Z)
de cada nodo del TIN (Figura 3C).
Posteriormente se resta las alturas de los
nodos de este TIN con el valor de altura
de Raster (Media) en los lugares corres-
pondientes. El resultado es un factor
de cambio que permite discriminar los
puntos con cambios abruptos de altu-
ra en su correspondiente vecindario. La
Figura 4 muestra un histograma de los
factores de cambio (FC) de la imagen
LiDAR analizada; la mayoría de los FC
son cercanos a cero y corresponderían
a terreno, mientras que otros FC tienen
valores alejados de cero (negativa o po-
sitivamente); estos puntos tenderían
a no ser parte del terreno (Figura 4).
A
Figura 3.
Principales
características del
procesamiento
geométrico del
archivo .LAS en la
metodología 2:
3A) Área del
modelo TIN
(izquierda) y su
representación
Raster (derecha).
3B) imagen Raster
(izquierda) y
generalización
con algoritmo
de promedios
(derecha).
3C) Modelo
TIN (izquierda)
y su respectiva
imagen de puntos
(derecha).
11 Estacionariedad: Una variable regionalizada es estacionaria si su función de distribución conjunta es invariante respecto a cualquier translación en
cualquier sentido o dirección.

90 Tecnologías geoespaciales al servicio del desarrollo territorial.
Análisis Geográficos Nº 49
Con base en este planteamiento se
eliminaron todos los puntos con un
FC > 0.05 y FC< -0.1, es decir, todos
los puntos alejados de un FC=0 y se
calcula un nuevo TIN. Todo el proceso
anteriormente descrito se repite has-
ta que no se encuentren más puntos
que eliminar y esto sería considerado
como el suelo.
1.5 Precisión de las metodologías
Para hacer una estimación sobre la pre-
cisión de las dos metodologías que se
desarrollaron en este trabajo, se com-
pararon estadísticamente 40 puntos
aleatorios de los MDT (20 puntos) y
MDE12 (20 puntos) que generaron am-
bas metodologías contra el valor que
arroja un programa especializado en
datos LiDAR, Quick Terrain Reader, que
ubica con alta precisión espacialmente
cada uno de los impulsos de un archivo
.LAS. Los datos generados por el progra-
ma Quick Terrain Reader fueron usados
como ensayo control. La comparación
se realizó mediante un análisis de va-
rianza no paramétrico (Kruskal-Wallis)
y pruebas pareadas no paramétricas
(Wilcoxon) realizadas con programa de
licencia libre R. No se realizaron com-
paraciones contra datos medidos en
campo porque los datos LiDAR fueron
tomados cuatro años atrás en el mo-
mento de este análisis, lo que hace
imposible determinar si las variaciones
en los MDT y los MDS son producidas
por cambios en el paisaje (crecimiento
de vegetación, hundimiento del suelo,
entre otros) o por error propio de las
Figura 4.
Distribución
de frecuencia
de factores de
cambio (FC)
12 Modelo Digital de Elevación: Un Modelo Digital de Elevación (MDE) es una estructura numérica de datos que representa la distribución espacial
de una variable cuantitativa y continua.

91
Desarrollo de dos metodologías para la generación de modelos digitales de terreno (MDT) y
superficie (MDS) empleando datos LiDAR y programas de licencia libre
metodologías. Tampoco se realizaron
comparaciones con otras formas de
generar MDE debido a que presentan
escalas espaciales diferentes (siempre
menores) a la escala espacial que se ob-
tiene con LiDAR.
2. Resultados y discusión
No se encontraron diferencias signifi-
cativas entre los valores de altura de los
MDT generados por ambas metodologías
(Figura 5) y los valores generados con el
programa Quick Terrain Reader o ensayo
control (Figura 1), (KW Test: X2 = 0.4;
P=0.818); tampoco se encontraron di-
ferencias significativas entre los valores
absolutos de la diferencia entre los MDT
y el control (Wil Test: T=91; Z= 0.16;
P=0.87). Esto indica que ambas meto-
Figura 5.
MDT y MDS
generados con las
metodologías 1 y 2
dologías tienen un error inferior al 5%
en la generación de MDT evidenciando
que son aproximaciones similares a la
que generan programas especializados
en datos LiDAR. Sin embargo, cuando
se analizó la desviación estándar de los
valores absolutos de la diferencia entre
los MDT y el control, se encontró que la
Metodología 1 tiene una desviación es-
tándar mucho menor (±0.7) que la de
la Metodología 2 (±22.29) y evidencia
que la Metodología 1 puede ser más
precisa en la generación de MDT (Fi-
gura 6A); sin embargo, para hacer una
conclusión más certera es necesario te-
ner datos de campo.
No se encontraron grandes diferencias
entre los valores de altura de los MDS
(Figura 5) generados por ambas meto-
dologías y los valores generados con el
programa Quick Terrain Reader o ensa-

92 Tecnologías geoespaciales al servicio del desarrollo territorial.
Análisis Geográficos Nº 49
que la Metodología 2 puede ser más
precisa en la generación de MDS (Fi-
gura 6B); sin embargo, para hacer una
conclusión más certera es necesario te-
ner datos de campo. Los resultados ex-
puestos en este trabajo evidencian que
ambas metodologías tienen fortalezas
y debilidades; la Metodología 1 es más
precisa en la generación de MDT, mien-
tras que la 2 es más precisa generan-
do MDS. Esto muestra que ambas son
complementarias y que lo ideal sería
una combinación de la generación del
MDT de la Metodología 1 y del MDS de
la 2.
La mejor precisión de la Metodología
1 en la generación de MDT sucede por
la gran cantidad de impulsos prove-
nientes del suelo que tuvieron los ar-
chivos .LAS analizados, que aumenta
la precisión del método de interpola-
ción empleado, el Kriging (Biau et al.,
1997). Asimismo, la baja cantidad de
impulsos provenientes de las superfi-
cies aisladas (árboles y arbustos aisla-
dos, hierba, entre otros) disminuyó la
precisión de la interpolación Kriging
cuando generó el MDS. La interpola-
ción empleada en la Metodología 2
(TIN9 sucesivos) registró una precisión
menor al generar MDT porque la gene-
ración de triángulos irregulares se basa
en los valores promedio de algunos de
los impulsos, desechando información
(impulsos) cuando existen muchos da-
tos como los que se registraron para
el terreno. Esta generalización dis-
minuye la capacidad para evidenciar
detalles como pequeñas depresiones
del terreno. En contraste, los datos de
esta investigación muestran que TIN9
sucesivos son precisos para interpolar
MDS de objetos aislados porque estos
generan un número no tan alto de im-
pulsos en el archivo .LAS, que resulta
ser una característica adecuada para la
generalización TIN.
Las metodologías desarrolladas en
esta investigación pueden considerarse
como aproximaciones de alta presión
yo control (Figura 1), (KW Test: X2 =
2.8; P=0.24); sin embargo, se encon-
traron diferencias significativas entre
los valores absolutos de la diferencia
entre los MDS y el control (Wil Test:
T=36; Z= 2.57; P=0.009). Esto indica
que la Metodología 1 puede tener un
error superior al 5% en la generación
de MDS, mientras que la Metodología
2 tiene un error menor al 5%. Además,
se encontró que las desviaciones están-
dar de los valores absolutos de la di-
ferencia entre los MDS generados con
Metodología 1 y el control (±6.59) son
significativamente mayores a los MDS
generados con Metodología 2 y el con-
trol (±1.8). Estos resultados evidencian
A
B
Figura 6.
Resultados de
análisis estadísticos
para determinar
la precisión de las
metodologías para
generar MDT (6A) y
MDS (6B)

93
Desarrollo de dos metodologías para la generación de modelos digitales de terreno (MDT) y
superficie (MDS) empleando datos LiDAR y programas de licencia libre
espacial para la generación de MDT y
MDS a partir de datos LiDAR en sitios
relativamente planos. Sin embargo,
estas no han sido probadas en sitios
montañosos, lo que constituye un ob-
jetivo de investigación por desarrollar.
Otro aspecto no evaluado fue la posibi-
lidad de filtrar los impulsos de acuerdo
con tipos de cobertura (vegetación, con-
creto, suelo desnudo, entre otros). En la
literatura se citan varios artículos que
generan modelos digitales de elevación
para coberturas específicas fusionando
los datos LiDAR con otro sensores remo-
tos, imágenes ópticas principalmente
(Dash et al., 2004; Bélanda et al., 2011;
Lovell et al., 2011). Esto constituye otro
propósito metodológico de investiga-
ción para ser evaluado.
En el mercado de sensores remotos
existen varios programas comerciales
de baja difusión para el procesamiento
de datos LiDAR, pero su uso en Colom-
bia es limitado debido a las restriccio-
nes comerciales; Además, la precisión
de los productos que generan es desco-
nocida. En este trabajo se muestra que
la precisión de los productos que se ge-
neran de archivos .LAS varía dependien-
do de las características de terreno y de
las metodologías que se empleen para
el filtrado e interpolación de las nubes
de impulsos LiDAR; esto evidencia que
es necesario tener un control sobre los
errores que generan las distintas me-
todologías que emplean en el proce-
samiento LiDAR (métodos de filtrado e
interpolación).
Finalmente, hay que indicar que las me-
todologías y procesos desarrollados en
este trabajo son un punto de partida
para que el público colombiano intere-
sado y que carece de programas comer-
ciales especializados en procesamiento
de datos LiDAR tenga acceso a parte de
las bondades que esta tecnología pro-
porciona y pueda así desarrollar nuevos
y mejores procesamientos con progra-
mas de licencia libre o de alta difusión.
Conclusiones
Como una alternativa a los progra-
mas comerciales específicos en proce-
samiento de datos LiDAR, se pueden
usar programas de licencia libre para
generar MDTs y MDEs con errores in-
feriores al 5% a partir de archivos .LAS
en terrenos relativamente planos, no
obstante un procesamiento de este
tipo depende ampliamente del cono-
cimiento conceptual que se tenga de
la herramienta LiDAR (características
de la información que arroja el sensor,
topología y geometría de los archivos
.LAS, filtrado de impulsos e interpola-
ción espacial) y de las características
del terreno. Las metodologías expues-
tas en este trabajo son una base para
desarrollar nuevos procesamientos de
datos LiDAR en Colombia empleando
programas de licencia libre o de alta
difusión.

94 Tecnologías geoespaciales al servicio del desarrollo territorial.
Análisis Geográficos Nº 49
Referencias bibliográficas
Ackermann F. 1999. Airborne laser scanning – present status and future expectations. Journal of
Photogrammetry and Remote Sensing 54:64-67.
Béland M, Widlowski JL, Fourniera RA, Côtéa JF & MM Verstraeteb. 2011. Estimating leaf area
distribution in savanna trees from terrestrial LiDAR measurements. Agricultural
and Forest Meteorology 151: 1252-1266.
Biau, G, Zorita E, von Storch H & H. Wackernagel. 1997. Estimation of precipitation by kriging
in EOF space. GKSS, 97, E45.
Brzank A, Heipke C, Goepfert J & U. Soergel. 2008. Aspects of generating precise digital terrain
models in the Wadden Sea from lidar–water classification and structure line
extraction. ISPRS Journal of Photogrammetry & Remote Sensing 63: 510-528.
Committee on Floodplain Mapping Technologies, National Research Council (CFMT). 2007. Ele-
vation data for floodplain mapping. The National Academies Press, Washington,
D.C., EU. Pp. 168.
Chen W, Cousin J, Poullet E, Burie J, Boucher D, Gao X, Sigrist MW & FK Tittel. 2011. Conti-
nuous-wave mid-infrared laser sources based on difference frequency genera-
tion. Comptes Rendus Physique (in press).
Dash J, Steinle E, Singh RP & HP Bahr. 2004. Automatic building extraction from laser scan-
ning data: an input tool for disaster management. Advances in Space Research
33:317–322.
García M, Riaño D, & Chuvieco E, & F M Danson. (2010). Estimating biomass carbon stocks for
a Mediterranean forest in central Spain using LiDAR height and intensity data.
Remote Sensing of Environment 114:816–830.
Henao RG. Introducción a la Geoestadística. Universidad Nacional de Colombia. Bogotá D. C.,
Colombia. Pp. 94.
Haugerud R. A. & D. J. Harding. (2003). Some algorithms for virtual deforestation (vdf) of lidar
topographic survey data. Geological Survey and University of Washington, Seattle
Washington, EU. Pp. 8.
Hopkinson C. & L. Chasmer. (2009). Testing LiDAR models of fractional cover across multiple
forest ecozones. Remote Sensing of Environment 113: 275–288.

95
Desarrollo de dos metodologías para la generación de modelos digitales de terreno (MDT) y
superficie (MDS) empleando datos LiDAR y programas de licencia libre
Lohani B. & R Singh. 2007. Effect of data density, scan angle, and flying height on the accuracy
of building extraction using LiDAR data. Geocarto International 16 (44): 1-14.
Lovell J.L., Jupp D.L.B, Newnhamc G.J., & D.S. Culvenor.(2011). Measuring tree stem diameters
using intensity profiles from ground-based scanning lidar from a fixed viewpoint.
ISPRS Journal of Photogrammetry and Remote Sensing 66:46-55.
Sithole G. 2005. Segmentation and Classification of Airborne Laser Scanner Data. Doctoral The-
sis, Nederlandse Commissie voor Geodesie (NCG), the Royal Netherlands Acade-
my of Arts and Sciences. Amsterdam, Nederland. Pp. 185.
Sturges, H. A. (1926). The choice of a class interval. Journal of the American Statistical Associa-
tion 21, 65–66.
Tamari S, Mory J & V. Guerrero-Meza. (2011). Testing a near-infrared Lidar mounted with a large
incidence angle to monitor the water level of turbid reservoirs. ISPRS Journal of
Photogrammetry and Remote Sensing. (in press).