Propuesta metodológica para la construcción y selección de modelos digitales de elevación de alta precisión

Methodological proposal for the construction and selection of digital high-precision elevation models

Palabras clave: DEM, geostatistics, interpolation method, semivariogram (en_US)
Palabras clave: geoestadística, MDE, método de interpolación, semivariograma (es_ES)

Resumen (es_ES)

Los modelos digitales de elevación mejoran la precisión en el análisis del terreno. Este trabajo tuvo como objetivo comparar diferentes métodos de interpolación utilizando criterios estadísticos en un levantamiento topográfico de 339 puntos levantados con estación total en la zona de San Juan de Lagunillas (Venezuela). Se documentó la existencia de un proceso de tendencia significativa con autocorrelación espacial modelada mediante un semivariograma gaussiano isotrópico. Los kriging consiguieron residuales menores a un error mínimo tolerable igual 0.1 m. El kriging residual fue el mejor evaluado en la validación cruzada con exclusión (error medio absoluto de 0.71 m). El kriging disyuntivo tuvo menor media del error pero un amplio rango del error y el mayor error medio absoluto (12.8 m). Los otros kriging tienen medias de la varianza del error superiores a 1.3 m y errores mínimos absolutos superiores a 0.85 m. Debido a la alta dependencia en la forma de especificación de los modelos se recomiendan las ayudas gráficas para un mejor ajuste.

Resumen (en_US)

Digital Elevation Models improve accuracy in terrain analysis. This work compared different interpolation methods using statistical criteria in a topographic survey of 339 points raised with a total station in the “San Juan de Lagunillas” area (Venezuela). The existence of a significant trend process with spatial autocorrelation modeled by an isotropic Gaussian semivariogram was documented. The kriging allowed to obtain residuals less than a minimum tolerable error equal to 0.1 m. The residual kriging was the best evaluated in cross validation with exclusion (absolute mean error of 0.71 m). The disjunctive kriging showed a lower error average but a wider error range and the highest mean absolute error (12.8 m). The other kriging showed mean error variance greater than 1.3 m and absolute minimum errors greater than 0.85 m. Due to the high dependence on the model specification form, graphics are recommended for a better fit.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Cristopher Camargo Roa, Universidad de Los Andes

Facultad de Ciencias Forestales y Ambientales

Departamento de Manejo de Cuencas Hidrográficas

 

Referencias

Armstrong, M. (1998). Basic Linear Geostatistics. Nueva York: Springer-Verlag.

https://doi.org/10.1007/978-3-642-58727-6

Aubry, P. (2000). Le Traitement des Variables Régionalisées en Ecologie: Apports de la Géomatique et de la Géostatistique (tesis doctoral). Université Claude Bernard, Lyon 1, Francia.

https://tel.archives-ouvertes.fr/tel-00003736/

Barrios A., Pacheco C. y López, J. (2005). Modelo digital de elevación con fines hidrológicos a partir de curvas de nivel en una cuenca de montaña: evaluación de factores de escala. Revista Forestal Venezolana, 49(1), 7-15.

Bivand, R., Pebesma, E. y Gómez- Rubio, V. (2013). Applied spatial data analysis with R. NuevaYork: Springer-Verlag.

https://doi.org/10.1007/978-1-4614-7618-4

Camargo, C., Andrades, J. y Vidal, R. (2014). Evaluación de MDE para la estimación de volúmenes por procesos de erosión aplicando análisis de autocorrelación espacial en una cuenca de los andes venezolanos caso de estudio: microcuenca torrencial La Machirí. Colombia Forestal, 17(1), 40-59.

https://doi.org/10.14483/udistrital.jour.colomb.for.2014.1.a03

Chilès, J. P. y Delfiner, P. (2012). Geostatistics: modeling spatial uncertainty. Nueva York, John Wiley & Sons.

https://onlinelibrary.wiley.com/doi/book/10.1002/9781118136188

Cressie, N. (1992). Statistics for spatial data. Terra Nova, 4(5), 613-617.

https://doi.org/10.1111/j.1365-3121.1992.tb00605.x

Congalton, R. y Green, K. (2008). Assessing the accuracy of remotely sensed data: Principles and Practices. Boca Ratón: CRC Press Taylor and Francis group.

https://www.crcpress.com/Assessing-the-Accuracy-of-Remotely-Sensed-Data-Principles-and-Practices/Congalton-Green/p/book/9781498776660#googlePreviewContainer

De La Cruz, M. (2006). Introducción al análisis de datos mapeados o algunas de las (muchas) cosas que puedo hacer si tengo coordenadas. Revista Ecosistemas, 15(3), 19-39.

https://www.revistaecosistemas.net/index.php/ecosistemas/article/view/159

Delmelle, E. M. (2014). Spatial sampling. En M. M. Fisher y P. Nijkamp (eds.), Handbook of regional science (pp. 1385-1399). Berlín: Springer.

https://doi.org/10.1007/978-3-642-23430-9_73

Díaz, M. (2002). Geostadística aplicada. México D. F.: Instituto de Geofísica, UNAM;Instituto de Geofísica y Astronomía, CITMA.

http://mmc2.geofisica.unam.mx/cursos/geoest/GeoEstadistica.pdf

Diggle, P. J. y Ribeiro, P. J. (2007). Model-based geostatistics. Springer series in statistics. Nueva York: Springer.

https://doi.org/10.1007/978-0-387-48536-2

Emery, X. (2013). Geoestadística. Santiago: Universidad de Chile.

https://www.ucursos.cl/usuario/f697544fb48474f4153ef2aafbe4c963/mi_blog/r/Geoestadistica.pdf.

FAO (2010). Planos y mapas topográficos.

http://www.fao.org/tempref/FI/CDrom/FAO_Training/FAO_Training/General/x6707s/x6707s09.htm.

Felicísimo, A. (1994). Modelos digitales del terreno. Introducción y aplicaciones en las ciencias ambientales. Oviedo: Pentalfa Ediciones.

http://www6.uniovi.es/~feli/index2.html

Field, A., Miles, J. y Field, Z. (2012). Discovering Statistics using R. Londres: Sage Publications.

https://doi.org/10.1111/insr.12011_21

Fox, J. (2005). The R commander: a basic-statistics graphical user interface to R. J Journal of Statistical Software, 14, 1-42.

https://www.jstatsoft.org/article/view/v014i09

Gallardo, A. (2006). Geostadística. Revista ecosistemas, 15(3), 48-58.

https://www.revistaecosistemas.net/index.php/ecosistemas/article/view/161

Giraldo, H. (2002). Introducción a la geoestadística. Teoría y aplicación. Bogotá: Universidad Nacional de Colombia.

Giraldo, H. (2011). Estadística espacial, notas de clase. Bogotá: Universidad Nacional de Colombia.

Gujarati, D. y Porter, D. (2010). Econometría. México D. F.: Mc Graw Hill.

Hernández, C., Castillo, W., Becerra, X. y Hernández, S. (2013). Evaluación y comparación de métodos de interpolación determinísticos y probabilísticos para la generación de modelos digitales de elevación. Investigaciones Geográficas, Boletín del Instituto de Geografía, 82, 118-130.

http://doi.org/10.14350/rig.35906

Kerry, R., Oliver, M. A. y Frogbrook, Z. L. (2010). Sampling in precision agriculture. En M. A. Oliver (ed.), Geostatistical applications for precision agriculture (pp. 35-62). Heidelberg: Springer-Verlag.

https://doi.org/10.1007/978-90-481-9133-8_2

Laboratorio de Fotogrametría y Sensores Remotos (2007). Sistemas de información geográfica, ejercicio número 04: escaneo y georeferenciación.. Mérida: Universidad de los Andes, Laboratorio de Fotogrametría y Sensores Remotos.

Lachenbruch, P. A. y Mickey, M. R. (1968). Estimation of Error Rates in Discriminant Analysis. Technometrics, 10(1), 1-11.

https://doi.org/10.1080/00401706.1968.10490530

Li, J. y Heap, A. (2008). A review of spatial interpolation methods for environmental Scientists. Canberra: Geoscience Australian.

Google Scholar

Lloyd, C. (2010). Spatial Data Analysis: An Introduction for GIS Users. Oxford: Oxford University

Press.

https://global.oup.com/academic/product/spatial-data-analysis-9780199554324?cc=cl&lang=en

Lorenzo, A., Isemburg, M., Arbelo, M. y Alonso-Benito, A. (2012). Comparación de modelos digitales del terreno obtenidos mediante LIDAR y técnicas fotogramétricas en una zona forestal de la isla de Tenerife.. En XV Congreso Nacional de Tecnologías de la Información Geográfica (pp. 2-7). Madrid: AGE-CSIC.

http://tig.age-geografia.es/2012_Madrid/ponencia4/Lorenzo_final_imp.pdf

Mao, H. X., Shi, W. Z. y Tian, Y. (2016). A Preliminary Study on Spatial Sampling for Topographic Data.. En In Quality Aspects in Spatial Data Mining (pp.: 73-86). CRC Press.

https://www.crcpress.com/Quality-Aspects-in-Spatial-Data-Mining/Stein-Shi-Bijker/p/book/9780367386320

Mantovani, E. C. y Magdalena, C. (2014). Manual de agricultura de precisión. Montevideo, Uruguay: IICA; Procisur.. http://opac.biblioteca.iica.int/cgi-bin/koha/opac-detail.pl?biblionumber=37

Matheron, G. (1970). La teoría de las variables regionalizadas y sus aplicaciones. En, Los Cuadernos del Centro de Morfología Matemática de Fontainebleau. Fascículo 5. París: Centro de Geoestadística de la Escuela de Minas de París.

http://cg.ensmp.fr/bibliotheque/public/MATHERON_Ouvrage_00536.pdf

Montero, J., Fernández, G. y Mateu, J. (2015). Spatial and spatio-temporal geostatistical modeling and kriging. West Sussex: John Wiley & Sons.

https://www.wiley.com/en-us/Spatial+and+Spatio+Temporal+Geostatistical+Modeling+and+Kriging-p-9781118413180

Moreno, A. (2008). Sistemas y análisis de información geográfica. Manual de autoaprendizaje con Arc GIS. México D. F.: Alfaomega Grupo Editor.

https://dialnet.unirioja.es/servlet/libro?codigo=504377

Moreno, J., Alonso, F., Gomariz, F. y Alonso, D. (2010). Análisis y validación de modelos digitales de elevaciones mediante datos LiDAR. En XIV Congreso Nacional de Tecnologías de la información Geográfica (pp. 254-271).

https://dialnet.unirioja.es/servlet/libro?codigo=435989

Olaya, V. (2011). Sistemas de información geográfica.

https://wiki.osgeo.org/wiki/Libro_SIG.

Oliver, M. A. y Webster, R. (2015). Basic steps in geostatistics: the variogram and kriging. Nueva York: Springer.

https://www.springer.com/gp/book/9783319158648

Ortiz, J., Oz, B. y Deutsch, C. (2005). A step by step guide to bi-Gaussian disjunctive kriging. En O. Leuangthong y C. Deutsch (eds.), Geostatistics Banff 2004 Quantitative Geology and Geostatistics, vol. 14 (pp. 1097-1102). Dordrecht: Springer.

http:// doi.org/10.1007/978-1-4020-3610-1_114

Pérez, A. y Mas, J. (2009). Evaluación de los errores de modelos digitales de elevación obtenidos por cuatro métodos de interpolación. Investigaciones Geográficas, 69, 53-67.

http://www.investigacionesgeograficas.unam.mx/index.php/rig/article/view/18004

Plant, R. E. (2012). Spatial data analysis in ecology and agriculture using R. CRC Press.

https://www.crcpress.com/Spatial-Data-Analysis-in-Ecology-and-Agriculture-Using-R/Plant/p/book/9780815392750

Royle, A. G. (1980). Geostatistics. Nueva York: McGraw-Hill.

https://www.abebooks.com/servlet/BookDetailsPL?bi=30256852226&tab=1&searchurl=an%3Dh.i.r.m%2Bj.m%26sortby%3D17&cm_sp=snippet-_-srp3-_-seller17

R Core Team (2019). R: a language and environment for statistical computing. Vienna: R Foundation for Statistical Computing.

http://www.R-project.org.

Skøien, J. O. y Blöschl, G. (2006). Scale effects in estimating the variogram and implications for soil hydrology. Vadose Zone Journal, 5(1), 153-167.

https://doi.org/10.2136/vzj2005.0069

Tobler, W. (1970). A computer movie simulating urban growth in the Detroit region. Economic Geography, supp1., 46, 234-240.

https://www.tandfonline.com/doi/abs/10.2307/143141

Vehtari, A., Gelman, A. y Gabry, J. (2017). Practical Bayesian model evaluation using leave-one-out cross-validation and WAIC. Statistics and computing, 27(5), 1413-1432.

https://doi.org/10.1007/s11222-016-9696-4

Wackernagel, H. (1998). Multivariate Geostatistics. Berlín: Springer-Verlag.

https://www.springer.com/gp/book/9783540441427

Wang, F. (ed.) (2005). Geographic information systems and crime analysis. Idea Group Inc: Hershey, PA, EE. UU.

https://www.igi-global.com/book/geographic-information-systems-crime-analysis/411

Willmott, C. y Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79-82.

www.jstor.org/stable/24869236

Cómo citar
Roa, C. C., Andrades Grassi, J. E., Cuesta Herrera, L., López Hernández, J. Y., Torres Mantilla, H. A., & Osorio, R. A. (2020). Propuesta metodológica para la construcción y selección de modelos digitales de elevación de alta precisión. Colombia Forestal, 23(2), 34-46. https://doi.org/10.14483/2256201X.15155
Publicado: 2020-07-01
Sección
Artículos de investigación científica y tecnológica

Artículos más leídos del mismo autor/a