En este artículo encontrará la definición de un modelo digital de superficie y, paso a paso, cómo crear un DSM a partir de una nube LIDAR clasificada y no clasificada, utilizando CloudCompare y LAStools.
Modelos digitales de elevación
Un Modelo Digital de Elevación (MDE) representa una versión digital de un objeto existente o virtual y sus alrededores. Puede incluir características como el relieve del terreno en una región específica. El MDE es un concepto global que puede abarcar no sólo la elevación del terreno, sino también todas las capas situadas sobre él, como la vegetación o los edificios. Cuando la información se limita a la elevación del terreno, se utiliza el término Modelo Digital del Terreno (MDT). Proporciona datos sobre la elevación de cada punto del terreno. Si la información se refiere a la altura máxima sobre el nivel del suelo en cada celda, entonces el MDT se denomina Modelo Digital de Superficie (MDS).
Los paisajes naturales son demasiado complejos para modelarlos analíticamente, por lo que la información suele basarse en muestras. Lo ideal sería que un modelo «auténtico» incluyera también un método de interpolación que permitiera obtener valores de elevación entre muestras, pero esta funcionalidad no suele estar al alcance del usuario final. Las especificaciones de un MDE también se definen mediante datos auxiliares. Estas especificaciones, que describen el conjunto de datos, son esenciales para que los usuarios puedan acceder a ellos, transmitirlos y analizarlos. Abarcan varias características que se consideran esenciales.
Las especificaciones de un MDE suelen incluir dos tipos de parámetros. Por un lado, las especificaciones de elevación estándar no difieren de las de los mapas analógicos, y suelen incluir parámetros geodésicos como el elipsoide, la proyección, el origen de las elevaciones, así como la ubicación geográfica, como las coordenadas de las esquinas. La única excepción es la escala, que carece de significado en el contexto de los mapas digitales. Por otro lado, un MDE es un producto digital que requiere especificaciones para ser interpretado como una cuadrícula de alturas. Estas especificaciones incluyen :
- El formato numérico, incluido el tipo de dato (entero, carácter, real, etc.) y su longitud (generalmente 2 bytes).
- El significado de los valores numéricos, es decir, la unidad de medida (metro o pie) y, en algunos casos, los coeficientes de una ley de conversión. Por ejemplo, una transformación lineal puede adaptar los valores a un intervalo determinado.
- La estructura de la cuadrícula, que puede ser irregular (como las cuadrículas triangulares irregulares o las curvas de nivel digitalizadas) o regular (normalmente una cuadrícula regular con celdas cuadradas).
- En el caso de una malla regular con celdas cuadradas, que es la estructura más común, una especificación importante es el tamaño de las celdas, aunque no debe confundirse con la resolución.
En resumen, el Modelo Digital de Elevación es una representación digital de la topografía de una zona determinada, incluidos los objetos en altura. Sus especificaciones son esenciales para interpretar correctamente los datos contenidos en el modelo.
El Modelo Digital de Superficie (MDS)
El Modelo Digital de Superficie (MDS) es un concepto clave en los Sistemas de Información Geográfica (SIG) y la teledetección. Constituye una representación digital de una superficie terrestre, generalmente desde el suelo hasta la parte superior de los objetos presentes en dicha superficie, como edificios, árboles, etc. El MDS se utiliza para describir la elevación o altitud del terreno y de los objetos situados sobre él.
He aquí algunos puntos clave sobre el Modelo Digital de Superficie en los SIG:
- Definición de un DSM: El DSM es un modelo matemático tridimensional que asocia valores de elevación a cada punto de una superficie terrestre y a todos los objetos que se encuentran sobre ella, como edificios, árboles, coches, etc. Estos valores de elevación pueden representarse como un porcentaje de la elevación de la superficie. Estos valores de elevación pueden representarse mediante puntos, píxeles o mallas, según el método utilizado para crear el MDS.
- Adquisición de datos : Los datos para crear un MDS pueden obtenerse de diversas fuentes, como levantamientos topográficos sobre el terreno, imágenes por satélite o aéreas, datos LiDAR (Light Detection and Ranging) u otras técnicas de teledetección. Los levantamientos LiDAR son especialmente populares para crear MDS de alta resolución y precisión.
- Utilización del MDS: El Modelo Digital de Superficie se utiliza en una amplia gama de aplicaciones, como la ordenación del territorio, la cartografía, la gestión de recursos naturales, los estudios ecológicos, la planificación urbana, la gestión de inundaciones, la ingeniería civil, la planificación de redes de comunicaciones, etc. Proporciona información sobre las características del terreno, la altura de los edificios, las zonas con riesgo de inundación, la pendiente del terreno, etc.
- Diferencias con el Modelo Digital del Terreno (MDT): Es importante no confundir el MDT con el Modelo Digital del Terreno (MDT). El MDT representa únicamente la superficie del terreno natural, sin tener en cuenta objetos como edificios o vegetación. Por lo general, el MDT se obtiene eliminando del MDS los elementos aéreos, como edificios y árboles.
- Tratamiento de datos : La creación de un MDT puede implicar un complejo procesamiento de datos para filtrar los puntos innecesarios, reducir el ruido, rellenar huecos y generar una representación continua del terreno. Para crear un MDT de alta calidad pueden utilizarse diversas técnicas de procesamiento, como la interpolación, el filtrado y la fusión de datos de múltiples fuentes.
En resumen, el Modelo Digital de Superficie (MDS) es una representación digital completa de una superficie terrestre, que incluye elementos aéreos como edificios y árboles. Se utiliza ampliamente en SIG para muchas aplicaciones y proporciona información valiosa sobre la topografía y la morfología del paisaje.
¿Datos clasificados o brutos?
Generar un MDS a partir de una nube de puntos LIDAR puede ser muy sencillo o más complicado, dependiendo del tipo de datos utilizados. Nos limitaremos aquí a los dos tipos de datos disponibles en el IGN: datos brutos y datos clasificados.
La siguiente imagen muestra una nube de puntos en bruto en CloudCompare:
Se pueden ver puntos por encima y por debajo del terreno. Estos puntos se conocen como «ruido» de nubes. Como hemos descrito en la introducción de este artículo, la generación de un modelo digital de superficie implica un proceso de interpolación. Mientras que el ruido no es un problema para algunos tratamientos, en cuanto se trata de interpolar valores, estos puntos afectarán al resultado de forma bastante dramática. El resultado MNS de la imagen anterior, sin intervención sobre este ruido, da el resultado siguiente:
La influencia de este ruido depende de varios factores (precisión del DSM, parámetros de interpolación, etc.) pero, aunque su influencia en el resultado puede reducirse, lo mejor sigue siendo eliminar el ruido antes de generar el DSM.
En el caso de los datos clasificados, los puntos considerados como ruido se incluyen en la clase 65. Para generar el MDS se puede utilizar una herramienta nativa de QGis, LAStools o WhiteboxTools. Veremos esto en el próximo capítulo.
Aquí vamos a procesar una nube bruta con ruido y vamos a utilizar CloudCompare.
Cálculo de un modelo digital de superficie (DSM) con CloudCompare
La ventaja de utilizar CloudCompare para llevar a cabo este procesamiento es que se puede comprobar visualmente la calidad de la eliminación del ruido.
Comenzamos con una nube de puntos sin clasificar del IGN:
Si ampliamos la imagen, podemos ver claramente el ruido presente:
Hay dos filtros disponibles en CloudCompare para eliminar el ruido:
El filtro SOR
La herramienta «filtro SOR» es muy similar al S.O.R. (Statistical Outlier Removal) de la biblioteca PCL. En primer lugar, calcula la distancia media de cada punto a sus vecinos (considerando k vecinos más cercanos para cada uno – k es el primer parámetro). A continuación, rechaza los puntos que se encuentran a una distancia superior a la distancia media más un número determinado de veces la desviación típica (segundo parámetro). Lo encontrarás en el menú->Tools->Clean->SOR filter.
Aparecerá una ventana en la que podrás introducir los dos parámetros del filtro:
El filtro Ruido (Noise)
La herramienta «Filtro de ruido» se parece un poco al filtro S.O.R., pero tiene en cuenta la distancia a la superficie subyacente en lugar de la distancia a los vecinos.
Este algoritmo ajusta localmente un plano (alrededor de cada punto de la nube) y luego elimina el punto si está demasiado lejos del plano ajustado. Este filtro puede considerarse un filtro de paso bajo.
Para estimar la superficie (plana) subyacente, el usuario puede definir un radio o un número (constante) de vecinos. El usuario también puede elegir entre un error relativo (como S.O.R.) y un error absoluto. Los puntos aislados también pueden eliminarse en la misma ejecución.
En nuestro caso, la utilización del filtro SOR es mucho más eficaz. El resultado es :
Y si se amplía la imagen, se puede confirmar que se ha eliminado el ruido:
Para crear un SNM, haz clic en la capa limpiada en la lista de capas, y luego en la herramienta Raster de CloudCompare.
Aparece la ventana de configuración de la transformación ráster.
El parámetro step (paso) indica la precisión de la malla de salida. La configuración por defecto es de 1 metro, pero vamos a crear un SNM con un paso de 0,5m.
En Active Layer selecciona Cell height values
El parámetro direction debe estar ajustado a Z para la interpolación horizontal y la cell heightda debe estar ajustada a maximum.
Haz clic en Update grid y verás una vista previa del resultado
Haz clic en el botón «Raster» para crear el raster MNS:
Da un nombre a tu archivo MNS y ya está.
Ahora podemos cargar el MNS en QGis y ver el resultado.
Cargamos la nube de puntos LIDAR original y el raster que acabamos de crear.
Para ver exactamente cómo se calculó el DSM, vamos a utilizar Ver -> Perfil de Elevación
Puedes ver que el SNM ha sido calculado correctamente para esta nube de puntos.
Si tienes una nube de puntos clasificada, en CloudCompare necesitas eliminar (filtrar) los puntos que han sido clasificados como ruido, antes de hacer el raster MNS.
En este ejemplo tenemos las clases 64, 64 y 202, que incluyen ruido así como puntos que no son de interés para el DSM.
En CloudCompare, asegúrate de tener activada Classification en Scalar Field.
Aplicamos un filtro a la capa original, usando el menú Edit -> Scalar fields -> Filter by value
Verás una ventana que te permite establecer un rango de clases a exportar, entendiendo aquí exportar como crear una nueva capa.
En nuestro ejemplo, el rango es de 1 a 202, ya que estos son los valores de las clases presentes en la nube. Cambiamos el valor máximo a 20 (la clase más alta es 17: tablero de puente), y ejecutamos
Tenemos entonces una nueva nube de puntos en la que ya no tenemos ruido ni artefactos y que se puede utilizar, como vimos anteriormente, para crear el raster para el MDS.
Cálculo de un modelo digital de superficie (MDS) con LAStools
Para crear el DSM con LAStools utilizaremos dos herramientas:
- la primera, LASnoise, nos permitirá clasificar los puntos de ruido en una clase determinada (clase 7)
- la segunda, las2dem, nos permitirá generar un raster con las alturas de los puntos, donde habremos excluido la clase 7.
LASnoise
La ventana de configuración de la herramienta LASnoise es la siguiente:
Dejamos los valores por defecto, en concreto classify as con el valor 7.
Una vez ejecutado el comando, podemos abrir el diálogo de la herramienta las2dem.
LAS2dem
Esta herramienta interpola una nube de puntos utilizando la Z de los puntos. En el ejemplo que estamos siguiendo, con una nube de puntos LIDAR sin clasificar, hemos clasificado el ruido como clase 7. Pediremos a LAS2dem que ignore estos puntos.
En el caso de una nube de puntos clasificada, utilizaremos LAS2dem directamente sobre la nube clasificada, pidiéndole que ignore la clase 65.
En el menú desplegable filter(by return,classification,flags), seleccione drop_class 7. Esto asegurará que los puntos de ruido no se tengan en cuenta al interpolar el DSM.
En step size/pixel size establezca el tamaño de píxel del DSM, luego ejecute el comando.
El resultado se puede cargar en la ventana QGis. Podemos entonces comparar el resultado con la nube de puntos original y con el MDS calculado con CloudCompare.
A modo de comparación, el SNM generado por CloudCompare tardó menos de un minuto en calcularse…
El resultado puede ser cargado en la ventana de QGis. Podemos comparar el resultado con la nube de puntos original y con el MDS calculado con CloudCompare.
En rojo tenemos el MNS calculado por LAS2dem y en azul el calculado con CloudCompare. El primero parece más fino, pero depende de cómo se vaya a utilizar si esta finura merece la pena por el tiempo de cálculo que requiere.
