G ado en Ingenie ía Geomá ica y Topog á ica
UNIVERSITAT POLITÈCNICA DE VALÈNCIA.
T abajo Fin de G ado en Ingenie ía Geomá ica y
Topog á ica
Alumno: Ra ael Llo ens Company
Tu o : P o . D. Al onso Fe nández Sa ía
Valencia, Junio 2016
Aplicación de da os LiDAR a
la ges ión o es al
AGRADECIMIENTOS
En es e apa ado, me gus a ía ag adece a mi u o Al onso Fe nández Sa ía el iempo que ha
dedicado cada ez que he acudido a su despacho y en cada co eo con es ado, cuando me
su gían las innume ables dudas. En de ini i a, sin él, es e p oyec o no se ía posible.
También me gus a ía ag adece a odos mis compañe os y p o eso ado, que he enido el place
de conoce du an e el G ado en Ingenie ía Geomá ica y Topog a ía. Nunca ol ida é ni el apoyo
ecibido en los momen os du os, ni las isas y las ies as en los buenos momen os.
Pa a inaliza , me gus a ía da las g acias a mis pad es po el ca iño ecibido du an e mi ida.
Espe o y deseo que sepan lo o gulloso es oy y es a é siemp e de ellos.
Muchas g acias a odos.
Valencia, 14 de junio de 2016
RESUMEN
En el ámbi o de la ges ión o es al, es e abajo iene como obje i o c ea una me odología de
p ocesado e in eg ación de da os LIDAR con imágenes mul iespec ales pa a aplicaciones
o es ales que equie en una segmen ación en odales.
La zona de es udio se encuen a si uada en el Pa que Na u al de la Albu e a de Valencia,
conc e amen e en e la De esa del Sale y la Gola de Pujol.
Los da os de pa ida u ilizados son imágenes mul iespec ales del sa éli e Quickbi d y da os
LIDAR desca gados de la página web del CNIG.
Se u iliza so wa e lib e pa a los p ocesos co espondien es a la nube de pun os (FUSION y
LASTOOLS) y a la segmen ación de los odales (In e IMAGE). Po o a pa e, se u iliza el so wa e
ENVI pa a las ope aciones elacionadas con las imágenes mul iespec ales y el so wa e A cGIS
como so wa e de apoyo y ges ión de la in o mación.
En la p ime a ase del abajo, se ealizan p ocesos con nubes de pun os ales como eco es,
uniones y il ados has a consegui el modelo digi al del e eno (MDT) y el modelo digi al de
supe icie (MDS). Una ez ob enidos ambos, podemos calcula el modelo digi al de ege ación
(MDV o MDSn) donde se ep esen an las al u as de odos los obje os exis en es.
En la segunda ase del abajo, se ealizan p ocesos con imágenes mul iespec ales ales como
eco es, cambios de amaño de píxel, usión de imágenes po di e en es mé odos, análisis de
esul ados…
T as escoge el mé odo de usión con mayo co elación (imagen que combine la esolución
espacial de la imagen panc omá ica y la in o mación espec al de las bandas de la imagen
mul iespec al), es deci , el mé odo de componen es p incipales, podemos calcula el Índice de
Vege ación de Di e encia No malizada (NDVI). Es e índice ep esen a in o mación sob e el igo
ege a i o y sob e el con enido de humedad de la ege ación. En nues o caso los alo es
oscila án en e -0.011 y 0.540. Valo es que cumplen la condición de es a en e -1 y1.
En la e ce a ase del abajo, se ealiza sob e el MDV dis in as segmen aciones median e el
so wa e In e IMAGE y u ilizando el algo i mo de Baa z & Shape. La úl ima segmen ación se
ealiza a un a chi o esul ado de la combinación en e la imagen MDV y la NDVI, cuya solución
es la más p ecisa de odas al u iliza el índice de ege ación.
Como se indica en las conclusiones inales, es a úl ima segmen ación mejo a la iden i icación
de las di e en es cubie as exis en es.
Pa a inaliza , e alua emos la segmen ación ealizada median e la he amien a FUSION
CloudMe ics y median e o oin e p e ación.
Los di e en es esul ados indican que la e aluación ha sido co ec a ya que cumplen con los
obje i os ma cados desde el p incipio.

ABSTRACT
In he ield o o es managemen , his esea ch has he aim o c ea e a me hodology p ocessing
and da a in eg a ion wi h LIDAR poin s and mul ispec al images o o es y applica ions
equi ing polygon segmen a ion.
The s udy a ea is loca ed in he Albu e a Na u al Pa k o Valencia, speci ically be ween he
De esa del Sale and he Gola de Pujol.
The inpu da a used a e mul ispec al Quickbi d sa elli e images and LIDAR da a downloaded
om he websi e o CNIG.
F ee so wa e will be used o p ocesses co esponding o he poin cloud (FUSION and
LASTOOLS) and polygon segmen a ion (INTERIMAGE). Mo eo e , he ENVI so wa e will be used
o ope a ions ela ed o he mul ispec al images and A cGIS so wa e as so wa e suppo and
managemen o he in o ma ion.
In he i s phase o wo k, he e a e p ocesses ela ed wi h poin clouds such as immings,
unions and il e ed un il he digi al e ain model (DTM) and digi al su ace model (DSM) a e
pe o med. Once we ob ained bo h digi al models, we can calcula e he model digi al model o
ege a ion (CHM o DSMn) whe e he heigh s o all exis ing objec s a e ep esen ed.
In he second phase o wo k, he e a e mul ispec al imaging p ocesses such as immings, pixel
esizes, image usion by di e en me hods, analysis o esul s...
A e choosing he me hod o usion wi h highe co ela ion (image ha combines he spa ial
esolu ion o he panch oma ic image and spec al in o ma ion o mul ispec al image bands),
in his case P incipal Componen s me hod, we can calcula e he No malized Di e en ial
Vege a ion Index (NDVI). This index ep esen s in o ma ion on he ege a i e igo . In ou case,
hese alues a e igh because hey a e inside -1 and 1 ange
In he hi d phase o wo k, we will be ealized di e en segmen a ions o CHM image wi h
INTERIMAGE so wa e and using he Baa z & Shape algo i hm.
The inal segmen a ion will be pe o med o a ile esul o he combina ion be ween CHM and
DMV image, which solu ion will be he mos accu a e.
As indica ed in inal conclusions, he las segmen a ion will imp o e he iden i ica ion o
di e en exis ing decks.
Finally, we will e alua e his segmen a ion by FUSION ool CloudMe ics and by pho o-
in e p e a ion.
Di e en esul s indica e ha he e alua ion was success ul because hey mee he objec i es
men ioned a he beginning.
ÍNDICE
1. INTRODUCCIÓN ____________________________________________________ 1
1.1. OBJETIVOS __________________________________________________________ 3
1.2. LOCALIZACIÓN _______________________________________________________ 4
1.3. ESQUEMA DEL TRABAJO _______________________________________________ 7
1.4. SOFTWARE EMPLEADO ________________________________________________ 8
2. PROCESO CON DATOS LIDAR ________________________________________ 11
2.1. MERGEDATA ________________________________________________________ 11
2.2. POLYCLIPDATA ______________________________________________________ 12
2.3. FILTERDATA ________________________________________________________ 14
2.4. CLIPDATA __________________________________________________________ 15
2.5. CANOPYMODEL _____________________________________________________ 17
2.6. GROUNDFILTER _____________________________________________________ 17
2.7. GRIDSURFACE CREATE ________________________________________________ 18
2.8. DTM2ASCII _________________________________________________________ 19
2.9. CÁLCULO DEL MDSn O MDV ___________________________________________ 20
3. ORTOFOTOGRAFÍA PNOA ___________________________________________ 21
4. PROCESO DE ANÁLISIS DE IMÁGENES MULTIESPECTRALES ________________ 23
4.1. TAMAÑO DE LAS IMÁGENES ___________________________________________ 23
4.2. MÉTODOS DE FUSIÓN ________________________________________________ 25
4.3. CÁLCULO NDVI ______________________________________________________ 33
5. INTRODUCCIÓN AL MÉTODO DE SEGMENTACIÓN _______________________ 37
5.1. ALGORITMO BAATZ-SCHÄPE ___________________________________________ 38
5.2. TRABAJOS DE SEGMENTACIÓN Y CLASIFICACIÓN A REALIZAR _________________ 40
5.3. RECORTE ZONA DE ESTUDIO ___________________________________________ 41
6. RODALIZACIÓN Y EXTRACCIÓN DE LA ALTURA MEDIA DEL RODAL __________ 43
6.1. CARGA DE DATOS DE PARTIDA__________________________________________ 43
6.2. REGLAS DE SEGMENTACIÓN ___________________________________________ 44
6.3. CÁLCULO DE LA ALTURA MEDIA DE CADA SEGMENTO _______________________ 47
6.4. CLASIFICACIÓN DE LOS RODALES ________________________________________ 48
6.5. CARGA DE DATOS EN ARCMAP _________________________________________ 55
6.6. EVALUACIÓN DE LOS RESULTADO OBTENIDOS _____________________________ 56
6.7. ANÁLISIS DE RESULTADOS DE LA MATRIZ DE CONFUSIÓN ____________________ 59
7. TIPIFICACIÓN DE ESTRATOS DE LAS CUBIERTAS _________________________ 61
7.1. REGLAS DE SEGMENTACIÓN ___________________________________________ 61
7.2. ANÁLISIS DE RESULTADOS DE LA MATRIZ DE CONFUSIÓN ____________________ 65
8. DELIMITACIÓN DE RODALES A PARTIR DE LA INTEGRACIÓN DE DATOS LIDAR Y DE
DATOS MULTIESPECTRALES Y OBTENCIÓN DE PARÁMETROS ESTRUCTURALES A NIVEL
DE RODALES _________________________________________________________ 67
8.1. GEORREFERENCIACIÓN _______________________________________________ 67
8.2. ANÁLISIS DEL NDVI ___________________________________________________ 70
8.3. COMPOSICIÓN DE BANDAS ____________________________________________ 73
8.4. REGLAS DE SEGMENTACIÓN ___________________________________________ 74
8.5. ANÁLISIS DE RESULTADOS DE LA MATRIZ DE CONFUSIÓN ____________________ 78
8.6. EVALUACIÓN DE LOS RESULTADOS MEDIANTE FOTOINTERPRETACIÓN __________ 79
9. DETERMINACIÓN DE PARÁMETROS ESTRUCTURALES DE LOS RODALES ______ 81
10. CONCLUSIONES ___________________________________________________ 95
11. BIBLIOGRAFÍA ____________________________________________________ 97
12. ANEXOS _________________________________________________________ 99
ÍNDICE DE FIGURAS
Figu a 1. Unidades de suelo en la Albu e a. _________________________________________________ 4
Figu a 2. Si uación zona de es udio 1. ______________________________________________________ 5
Figu a 3. Si uación zona de es udio 2. ______________________________________________________ 6
Figu a 4. Si uación zona de es udio 3. ______________________________________________________ 6
Figu a 5. Esquema del abajo. ___________________________________________________________ 7
Figu a 6. So wa e empleado. ____________________________________________________________ 7
Figu a 7.P oceso descomp esión de .las con LASTOOLS. ______________________________________ 11
Figu a 8. Fiche os ag upados en un . x . ___________________________________________________ 11
Figu a 9. Código Me geDa a. ___________________________________________________________ 12
Figu a 10. Resul ado de la ope ación Me geDa a. ___________________________________________ 12
Figu a 11. Código PolyClipDa a. _________________________________________________________ 12
Figu a 12. Lími e zona de es udio. ________________________________________________________ 13
Figu a 13. Zona de es udio eco ada. ____________________________________________________ 14
Figu a 14. Ou lie s. ____________________________________________________________________ 14
Figu a 15. Código Fil e Da a. ____________________________________________________________ 15
Figu a 16. Código ClipDa a. _____________________________________________________________ 15
Figu a 17. Zona donde se encuen a el ou lie . ______________________________________________ 16
Figu a 18. Viso LDV donde se obse a el ou lie . ____________________________________________ 16
Figu a 19. Código CanopyModel. ________________________________________________________ 17
Figu a 20. I e aciones del comando G oundFil e . ___________________________________________ 18
Figu a 21. Comando G idSu aceC ea e. ___________________________________________________ 18
Figu a 22. Comando DTM2ASCII. ________________________________________________________ 19
Figu a 23.Resumen de los p ocesos ealizados con FUSION. ___________________________________ 19
Figu a 24. Visualización en A cMap del MDS y MDT. _________________________________________ 20
Figu a 25.Visualización en A cMap del MDSn o MDV. ________________________________________ 20
Figu a 26. O o o og a ía desca gada del PNOA. ____________________________________________ 21
Figu a 27. Tabla es adís icas adiomé icas. _______________________________________________ 23
Figu a 28. Cambio del amaño del píxel. ___________________________________________________ 24
Figu a 29. Imagen Panc omá ica y Mul iespec al. __________________________________________ 24
Figu a 30. Esquema Mé odo de B o ey ___________________________________________________ 25
Figu a 31. Imagen Mé odo de B o ey. ____________________________________________________ 25
Figu a 32. Espacios de colo RGB y HSI. ___________________________________________________ 26
Figu a 33.Esquema Mé odo HSI. _________________________________________________________ 26
Figu a 34. Imagen Mé odo HSI. __________________________________________________________ 27
Figu a 35. Mé odo de Componen es P incipales. ____________________________________________ 27
Figu a 36. Au o alo es de los componen es p incipales. ______________________________________ 28
Figu a 37. Es adís icas de los componen es p incipales y de la imagen panc omá ica. ______________ 28
Figu a 38. Fó mula Componen es P incipales. ______________________________________________ 29
Figu a 39. Elemen os de la ó mula de Componen es P incipales. ______________________________ 29
Figu a 40. Es adís icas de los componen es p incipales y de la imagen panc omá ica. ______________ 29
Figu a 41. Imagen Mé odo Componen es P incipales. ________________________________________ 30
Figu a 42. Resul ado espec al de los mé odos u ilizados. _____________________________________ 31
Figu a 43. Mosaico compa a i o de mé odos. ______________________________________________ 32
Figu a 44. Cambio del amaño del píxel. ___________________________________________________ 33
Figu a 45. Zona de es udio en colo e dade o. _____________________________________________ 33
Figu a 46. Fó mula pa a calcula el NDVI. _________________________________________________ 34
Figu a 47. Es adís icas NDVI. ____________________________________________________________ 35
Figu a 48. Imagen NDVI. _______________________________________________________________ 35
Figu a 49. Compa a i a NDVI eco ado y O o o o eco ada. _________________________________ 36
Figu a 50. C ecimien o de egiones. ______________________________________________________ 37
Figu a 51. Fac o de usión. _____________________________________________________________ 38
In oducción
4
1.2. LOCALIZACIÓN
El á ea de abajo es á ubicada en e la zona de la De esa del Sale y la Gola de Pujol. Es as dos
zonas se encuen an localizadas al Es e del Pa que Na u al de la Albu e a de Valencia.
Tiene una longi ud de 5 km y una anchu a de 1 km, es deci , p esen a una supe icie ap oximada
de 5 km cuad ados.
La De esa de la Albu e a se ue o mando po los ma e iales de í icos deposi ados po la
co ien e ma ina. Los ma e iales de pa ida ue on ambién apo ados po los íos y ba ancos
de la zona, que inicia on el desa ollo de una ba a subma ina que pos e io men e eme ge ía
en o ma de lecha, pa a, inalmen e, cons i ui el co dón duna que poco a poco ue ce ando
el gol o ma ino exis en e. Como consecuencia se cons i uyó el Lago de la Albu e a y la De esa.
Po ello, el Lago de la Albu e a co esponde al ipo de penilago engend ado po un co dón li o al
que se encuen a ijado po la ege ación. En p incipio, sus aguas ue on salinas pasando
paula inamen e a dulces po los apo es lu iales.
La p esencia de li ologías iásicas y c e ácicas cos e as si ió como pun o de apoyo pa a las
o maciones duna es, así como ambién del co dón li o al an es mencionado. La p esencia de la
duna ósil del Pe ellone , da ada po Sanjaume (1980) en el pe iodo Ti eniense, indica la
an igüedad de la o mación. A con inuación se mues a una imagen que ep esen a las unidades
de suelo exis en es en zona de la Albu e a:
Figu a 1. Unidades de suelo en la Albu e a.

In oducción
5
Se ca ac e iza, p incipalmen e, po con ene g andes dunas ubicadas en la playa que o iginan
un ecosis ema donde apa ecen ipos de ege ación (pinos, pas os y ma o ales gene almen e)
y auna (gene almen e a es endémicas).
Si analizamos la ege ación exis en e más p o undamen e, podemos deci que es ac ualmen e
pina de halepensis con algunas manchas de Pinus pinea L. y Pinus pinas e Ai on, con su
ma o al asociado. El Pinus halapensis L. ha desplazado al Junipe us mac oca pa L y se ha
con e ido en el dominan e de la comunidad. En las dunas in e io es, bien cubie as de
ege ación, además de las plan as de la zona de ansición, pueden encon a se plan as
epado as de has a 2 m.
Finalmen e, el ien o se cons i uye como un ac o cla e en la génesis y dinámica de es a zona,
con ibuyendo de mane a ap eciable a la mo ología de la De esa.
En el lími e Su de la zona, se encuen a la Gola de Pujol ya mencionada. Se a a del canal más
mode no que conec a di ec amen e el lago con el ma .
Como da o de in e és, cabe des aca , que en 1965 se lle ó a cabo un p oceso de u banización
que ans o mó conside ablemen e el paisaje. En dicho p oceso, se des uye on g an pa e de
las dunas pa a pode cons ui i iendas, ías de comunicación (CV-500), zonas depo i as
(campo de gol ),…
En la ac ualidad, no se pod ía epe i es e suceso ya que en 1979 se desa olla on leyes y
p oyec os pa a ecupe a y egene a es a zona cos e a g acias, en g an medida, a la
pa icipación de las poblaciones de al ededo .
Figu a 2. Si uación zona de es udio 1.
In oducción
6
Figu a 3. Si uación zona de es udio 2.
Figu a 4. Si uación zona de es udio 3.
In oducción
7
1.3. ESQUEMA DEL TRABAJO
Figu a 5. Esquema del abajo.
LASTOOLS
ENVI
INTERIMAGE
ARCGIS
FUSION
Figu a 6. So wa e empleado.
El p oceso comienza con la descomp esión de los da os median e LASTOOLS. Una ez enemos
los da os en .las, ealizamos las ope aciones pe inen es a la nube de pun os con la ayuda de la
o o o o p e iamen e desca gada. Cuando enemos la nube de pun os p epa ada, calculamos
los MDS y MDT, pa a pos e io men e con A cGIS ealiza la es a y ob ene el MDV. Po o a
pa e, enemos las imágenes mul iespec ales. Con ellas, ealizamos di e en e mé odos de
usión has a encon a el más óp imo. Una ez conseguido se calcula el NDVI. És e índice, jun o
con el MDV an e io men e ci ado y la o o o o se án nues os da os a la ho a de ealiza las
segmen aciones. Una ez ealizadas las segmen aciones que hemos conside ado opo unas
( odalización, clasi icación de los es a os de masa y la que in eg a el MDV y el NDVI), las
e aluamos median e ma ices de con usión. Pa a inaliza , calculamos una se ie de pa áme os
es adís icos median e la he amien a CloudMe ics y ealizamos una e aluación isual
cons uyendo planos con cada una de los an e io es pa áme os.
In oducción
8
1.4. SOFTWARE EMPLEADO
LASTOOLS
LASTOOLS es un p oduc o de so wa e lib e que con ie e ápidamen e a chi os LAS
oluminosos en a chi os compac os LAZ y ice e sa, sin pé dida de in o mación.
La comp esión ealizada po LASTOOLS suele se más pequeña, y muchas eces más ápida que
los comp eso es gené icos como bz2, gzip, y a , po que sabe lo que los di e en es by es en un
a chi o LAS ep esen an. O a en aja de LASTOOLS es que le pe mi e a a los a chi os
comp imidos LAZ igual que los a chi os es ánda de LAS. Puede ca ga los di ec amen e de o ma
comp imida en su aplicación sin necesidad de descomp imi los en el disco du o p ime o.
LASTOOLS, ue ganado del p emio a la Inno ación de Tecnología Geoespacial del Fo o Mundial
del 2012 en p ocesamien o LIDAR y subcampeón de p oduc o inno ado en INTERGEO 2012
como es ánda de ac o pa a la comp esión LIDAR.
ENVI
Consis e en un so wa e de p ocesamien o y análisis de imágenes desa ollado po EXELIS.
ENVI combina p ocesamien o de las imágenes espec ales con la ecnología de análisis de
imágenes median e una in e az ácil de u iliza pa a ayuda a ob ene in o mación signi ica i a
de las imágenes. En nues o caso se ealiza an a eas como:
 Regis a dos o más imágenes.
 Fusión de imágenes, másca as, gene ación de mosaicos.
 Calcula índices de ege ación.
FUSION
Se a a de un so wa e lib e c eado po el Se icio Fo es al de EEUU pa a el a amien o y
ges ión de da os LIDAR.
El sis ema de análisis y isualización se compone de dos p og amas p incipales, FUSION y LDV
( iso de da os LIDAR), y una colección comandos pa a a eas especí icas. La in e az p incipal,
p opo cionada po FUSION, consis e en una en ana de isualización g á ica y una en ana de
con ol. La pan alla p esen a odos los da os del p oyec o u ilizando una pan alla 2D ípico de
los sis emas de in o mación geog á ica. Es compa ible con una a iedad de ipos de da os y
o ma os, incluyendo a chi os de o mas, imágenes, modelos digi ales del e eno, modelos de
supe icie y los da os de e o no LIDAR.
LDV p opo ciona el en o no de isualización 3D pa a el examen y la medición de subconjun os
de da os espacialmen e explíci os.
En nues o caso u iliza emos FUSION pa a ealiza ope aciones como uniones, eco es, il ado
de ou lie s, gene ación de modelos de supe icies, con e sión de da os…
In oducción
9
ARCGIS
Consis e en un so wa e desa ollado po ESRI y que con iene di e sas aplicaciones SIG. Las dos
aplicaciones p incipales pa a nues o abajo son A cMap y A cCa alog. Cada aplicación cuen a
con unciones únicas que se ajus an a las necesidades del usua io. En es e caso se abaja á con
la e sión 10.1 y se ealiza án a eas como:
 Ope aciones de da os ás e pa a el cálculo del MDV.
 Unión de abla de a ibu os.
 Análisis es adís icos.
 Unión de imágenes en una sola.
 Visualización de esul ados con su pos e io edición.
INTERIMAGE
Se a a de un so wa e de código abie o esc i o en C ++ que o ma pa e de un p oyec o de
coope ación cien í ica in e nacional di igido po el Labo a o io de Visión po O denado del
Depa amen o de Ingenie ía Eléc ica de la Uni e sidad Ca ólica de Río de Janei o (PUC-Rio) y
po el Ins i u o Nacional de In es igación Espacial (INPE).
Consis e en un so wa e pa a la clasi icación de imágenes usando el p incipio de segmen ación.
El concep o es bas an e in e esan e, ya que uno puede modela su conocimien o de una zona
median e el uso de semán ica. Es deci si poseo una imagen sa eli al y engo in o mación de la
zona, en onces puedo de ini clases que me pe mi en in eg a mi conocimien o en la
clasi icación de las imágenes. En la mayo ía de los so wa es, el p oceso de clasi icación se
encuen a gene almen e de e minado po el ni el de e lexión, aunque aquí se usan
ambién es os p incipios, la no edad de INTERIMAGE es que pe mi e in eg a el conocimien o
del expe o.
La única des en aja de In e IMAGE es que solo se pueden usa imágenes y, en nues o caso,
cuando u ilizamos imágenes que con ienen más de una banda pueden alen iza
conside ablemen e el p oceso.

10
P oceso con da os LiDAR
11
2. PROCESO CON DATOS LIDAR
En p ime luga , se han desca gado los da os LiDAR comp imidos (.laz) de 2x2 km de la página
web del Cen o de Desca gas del CNIG ( h p://cen odedesca gas.cnig.es/Cen oDesca gas ).
Una ez ob enidos, con la aplicación laszip.exe descomp imimos los a chi os .laz y los
con e imos a .las pa a pode abaja con FUSIÓN.
Figu a 7.P oceso descomp esión de .las con LASTOOLS.
2.1. MERGEDATA
La p ime a ope ación a ealiza una combinación de a ios a chi os de nubes de pun os en un
solo a chi o. Es o se ealiza esc ibiendo la u a de los iche os en un único bloc de no as y
aplicándoles la ope ación Me geDa a pa a con e i el a chi o . x en un a chi o .las ya con el
conjun o de da os inco po ado. A con inuación se mues an las ope aciones ealizadas en es e
caso:
Figu a 8. Fiche os ag upados en un . x .
P oceso con da os LiDAR
12
Figu a 9. Código Me geDa a.
El esul ado g á ico isualizado median e la aplicación PDQ se ía el siguien e:
Figu a 10. Resul ado de la ope ación Me geDa a.
2.2. POLYCLIPDATA
Como se puede obse a , la zona isualizada es demasiado ex ensa (10 x 4 km) ya que, en es e
caso, solo amos a ealiza el es udio de una zona de 5 km de la go y 1km de ancho.
Po lo an o, la segunda ope ación se á ealiza un eco e de da os de pun os usando polígonos
almacenados en iche os median e el comando PolyClipDa a. La ope ación a ealiza se á la
siguien e:
Figu a 11. Código PolyClipDa a.
P oceso con da os LiDAR
13
Como se puede obse a en la segunda línea de código, la zona que nos in e esa ex ae se á un
shape y ha sido ob enida, p e iamen e, median e el so wa e A cGIS.
Con el comando C ea e New Shape ile, ob enemos el lími e de la nues a zona de es udio pa a
agiliza el p ocesado de da os. Le asignamos el sis ema de coo denadas siguien e: ETRS 1989
UTM HUSO 30. Con la ayuda de la o o o o co espondien e, dibujamos el pe íme o de la zona
con el comando Edi o . El esul ado es el que apa ece a con inuación con la o o o o incluida:
Figu a 12. Lími e zona de es udio.
La e ce a línea de código mues a el nomb e del esul ado del eco e, mien as que la cua a
línea mues a el nomb e del iche o al que se le a a ealiza la ope ación del eco e.
P oceso con da os LiDAR
20
2.9. CÁLCULO DEL MDSn O MDV
Llegado a es e pun o, se ha inalizado odo el abajo co espondien e con el p og ama FUSIÓN.
A con inuación, seguimos con el so wa e A cGis. Con el comando Con e sion Tools

ASCII o
Ras e con e imos los modelos a o ma os ás e .
El esul ado es el siguien e:
Figu a 24. Visualización en A cMap del MDS y MDT.
Una ez ob enidos los modelos an e io es, necesi amos sabe las al u as de los obje os ubicados
en nues a zona de es udio. Pa a ello, se calcula el Modelo Digi al de Supe icies No malizado
(MDSn) ambién llamado Modelo Digi al de Vege ación (MDV). U iliza emos la he amien a
Ras e Calcula o pa a consegui lo. Es e p oceso se basa en la sencilla ope ación de es a le al
MDS el MDT. El esul ado es el siguien e:
Figu a 25.Visualización en A cMap del MDSn o MDV.

O o o og a ía PNOA
21
3. ORTOFOTOGRAFÍA PNOA
En 2004, se c ea el Plan Nacional de O o o og a ía Aé ea (PNOA). Consis e en un p oyec o
co inanciado y coope a i o en e la Adminis ación Gene al del Es ado (AGE) y las comunidades
au ónomas que se enma ca den o del Plan Nacional de Obse ación del Te i o io (PNOT),
siendo coo dinado po el Ins i u o Geog á ico Nacional (IGN) y el Cen o Nacional de
In o mación Geog á ica (CNIG).
Tiene como obje i o la ob ención de o o o og a ías digi ales pa a odo el e i o io nacional,
incluyendo: el uelo o og amé ico, apoyo de campo, ae o iangulación y el modelo digi al de
ele aciones.
El p oyec o se encuen a en con inua e olución, adap ándose a las necesidades de los usua ios
y al desa ollo de nue as ecnologías.
En 2009, se plan eó la ob ención de Modelos Digi ales de al a p ecisión, ob enidos po
ecnología LIDAR, pa a la ealización de ca og a ía de á eas de inundación, p oyec os de
ca e e as, in en a ios o es ales, e c.
Se han desca gado la imagen desde el Cen o de Desca gas del Cen o de In o mación
Geog á ica (CNIG) en o ma o .ecw que nos se i á como ca og a ía base.
Figu a 26. O o o og a ía desca gada del PNOA.
22
P oceso de análisis de imágenes mul iespec ales
23
4. PROCESO DE ANÁLISIS DE IMÁGENES MULTIESPECTRALES
4.1. TAMAÑO DE LAS IMÁGENES
Pa imos con dos imágenes QuickBi d-2 (una de ellas panc omá ica y o a mul iespec al
omadas el 16 de no iemb e de 2015) que enemos in ención de usiona pa a pode mejo a
p opiedades ales como, la esolución espacial de una imagen mul iespec al, mejo a los
p ocesos de segmen ación ( a ea que ambién ealiza emos en es e abajo) y mejo a la
clasi icación de las ex u as en imágenes.
Las dos imágenes, apa en emen e, ep esen an la misma zona pe o son de di e en e amaño
(dis in as ilas y columnas) y esolución espacial.
La imagen panc omá ica iene una supe icie de 7.915 km2 (3944 columnas y 5575 ilas con un
amaño de píxel de 0.6 me os.
La imagen mul iespec al iene una supe icie de 7.403 km2 (3944 columnas y 5575 ilas con un
amaño de píxel de 2.4 me os.
En la siguien e abla se esumen los pa áme os adiomé icos:
Imagen
Banda
Resolución espec al (µm)
Panc omá ica
Pan
0.45 - 0.90
Mul iespec al
Azul
0.45 - 0.52
Ve de
0.52 - 0.60
Rojo
0.63 - 0.69
In a ojo
0.76 - 0.90
Figu a 27. Tabla es adís icas adiomé icas.
La p ime a a ea a ealiza po an o se á la del cambio de esolución espacial de la imagen
mul iespec al de 2.4 m a 0.6 m que es el mismo que el de la imagen panc omá ica.
P oceso de análisis de imágenes mul iespec ales
24
Figu a 28. Cambio del amaño del píxel.
La segunda a ea se á cambia el amaño de la imagen panc omá ica con el comando Resize
Da a po el amaño de la imagen mul iespec al con la esolución modi icada an e io men e.
Obse amos el nue o amaño y emos que iene 3907 ilas y 5136 columnas.
Sabiendo es o pod emos comp oba al ealiza el siguien e cambio de amaño si lo hemos
ealizado bien o no, ya que las dos imágenes ienen que ene el mismo núme o de ilas y
columnas pa a pode ealiza la usión.
La e ce a a ea se á ealiza o o cambio de amaño, pe o es a ez de la imagen mul iespec al
po el amaño de la imagen panc omá ica eco ada an e io men e. El esul ado de las dos
imágenes se mues a a con inuación:
Figu a 29. Imagen Panc omá ica y Mul iespec al.
Ambas imágenes iene el mismo núme o de ilas y columnas y la misma esolución espacial.
P oceso de análisis de imágenes mul iespec ales
25
4.2. MÉTODOS DE FUSIÓN
Ya es amos en disposición de aplica los espec i os mé odos de usión. Pa a es a a ea se
aplica án un conjun o de mé odos y pos e io men e se selecciona á el más óp imo.
1. Mé odo de B o ey
Es e mé odo sigue el siguien e esquema:
Figu a 30. Esquema Mé odo de B o ey
.
Ob enemos la imagen usionada ealizando el p oduc o en e cada banda mul iespec al y la
banda panc omá ica y di idiendo po la suma de las bandas de la imagen mul iespec al.
Con las he amien as File /Sa e File as / En i S anda d ag upamos las es imágenes en un
iche o. También podemos ealiza la usión u ilizando un mé odo di ec o de En i con la
he amien a T ans o m Image Sha pening Colo No malized (B o ey). El esul ado de dicha
usión es el siguien e:
Figu a 31. Imagen Mé odo de B o ey.

P oceso de análisis de imágenes mul iespec ales
26
2. Mé odo HSI
Pa a isualiza una imagen digi al en colo se necesi a un espacio de ep esen ación de los
colo es compa ible con los disposi i os de isualización u ilizados. G acias al espacio de
coo denadas RGB, donde las coo denadas ep esen an la p opo ción de cada uno de los colo es
p ima ios ( ojo, e de y azul, espec i amen e) se consigue la ep esen ación de cada pun o de
la imagen en colo . Sin emba go, según el pun o de is a humano, se debe ía ep esen a dichas
coo denadas en unción de p opiedades, ales como: ono sa u ación e in ensidad. Es e se
puede consegui con el espacio HSI (Hue, Sa u a ion and In ensi y).
En la siguien e imagen se mues an los dos espacios de coo denadas mencionados
an e io men e:
Figu a 32. Espacios de colo RGB y HSI.
Es e mé odo sigue el siguien e esquema:
Figu a 33.Esquema Mé odo HSI.
P oceso de análisis de imágenes mul iespec ales
27
En es e mé odo, se ealiza la ans o mación de es bandas del espacio de colo RGB al espacio
de colo HSI. Se sus i uye el componen e In ensidad (Ligh ness) po la imagen panc omá ica y
se ealiza la ans o mación in e sa del espacio HLS a RGB con la he amien a T ans o m /Image
Sha pening/HSV. El esul ado de dicha usión es el siguien e:
Figu a 34. Imagen Mé odo HSI.
3. Mé odo de Componen es P incipales
Se a a de un mé odo que gene a nue as bandas que ep esen an la mayo can idad de
a iabilidad de los da os u ilizando el meno núme o de componen es posible.
El p ime componen e con iene más in o mación que el segundo, el segundo más que el e ce o,
y así sucesi amen e.
El p ime componen e suele asocia se a la in ensidad de la imagen, po lo an o, cuando sea
sus i uido po la imagen panc omá ica (mayo esolución) no apa ece án di e encias espec ales
conside ables. Dicho mé odo cumpli á el siguien e esquema:
Figu a 35. Mé odo de Componen es P incipales.
P oceso de análisis de imágenes mul iespec ales
28
Comenzamos ejecu ando el comando T ans o m / P incipal Componen s / Fo wa d PC Ro a ion
/ Compu e New S a ic and Ro a e.
Una ez ejecu ado el comando, apa ece una en ana que con iene los au o alo es de los
componen es p incipales como se puede obse a en la siguien e imagen:
Figu a 36. Au o alo es de los componen es p incipales.
Como se puede ap ecia en la imagen an e io , la mayo ía de la in o mación se encuen a
almacenada en el p ime componen e p incipal.
Sabiendo es o, se hallan las es adís icas (media y des iación ípica) de la imagen panc omá ica
y del p ime componen e p incipal.
El esul ado se mues a en la siguien e página.
Figu a 37. Es adís icas de los componen es p incipales y de la imagen panc omá ica.
P oceso de análisis de imágenes mul iespec ales
29
MEDIA
DESVIACIÓN
PAN
255.626953
190.129919
CP1
0
358.907810
Pa a pode sus i ui las imágenes, se debe ajus a p ime o la imagen panc omá ica espec o a
los da os del CP1.
Siguiendo la siguien e o mulación:
Panajus ada = ( Pan * a ) +b
Figu a 38. Fó mula Componen es P incipales.
Siendo:
a = σcp1 / σPan = 1.887697
b = µCP1 – ( µPan * a ) = -482.546232
Figu a 39. Elemen os de la ó mula de Componen es P incipales.
Con la he amien a Band Ma h ((b1 *a) + b, siendo b1 = Pan) y ob enemos las es adís icas que
se mues an a con inuación.
Figu a 40. Es adís icas de los componen es p incipales y de la imagen panc omá ica.
P oceso de análisis de imágenes mul iespec ales
36
Como pos e io men e se e á en el apa ado de segmen ación, la zona de es udio es demasiado
ex ensa, de mane a que p ocedemos a ealiza un eco e de una zona que con enga a ios ipos
de cubie as, u ilizando A cMap y su he amien a Spa ial Analys / Ex ac ion / Ex ac By
Mask.
La másca a se á la imagen MDV eco ada. Lo hacemos asía pues o que nos in e esa ene an o
el MDV como el NDVI con las mismas medidas a la ho a de ealiza la segmen ación. Como se
e á pos e io men e, es as medidas no deben sob epasa los 500 me os cuad ados pa a que la
segmen ación no sea e ónea.
A con inuación, se mues a el esul ado del eco e y su co espondien e imagen compa a i a
de la o o o o eco ada.
Figu a 49. Compa a i a NDVI eco ado y O o o o eco ada.

In oducción al mé odo de segmen ación
37
5. INTRODUCCIÓN AL MÉTODO DE SEGMENTACIÓN
La segmen ación de imágenes di ide la imagen en sus pa es cons i uyen es has a un ni el de
di isión en el que se aíslen las egiones u obje os de in e és. El obje i o de nues a segmen ación
se á el de ealiza una odalización de las dis in as cubie as exis en es en la zona de es udio.
Los algo i mos empleados en es e p oceso pueden basa se en dos ac o es: en la discon inuidad
o en la simili ud en e los ni eles de g is de los píxeles ecinos.
Si hablamos de discon inuidad, el obje i o es di idi la imagen eniendo en cuen a los cambios
b uscos de ni eles de g is. Po ejemplo, ealizando una de ección de pun os aislados, de líneas
o de bo des.
Si hablamos de simili ud, el obje i o es di idi la imagen eniendo en cuen a las zonas que
con engan alo es simila es. Exis en a ios p ocesos como el c ecimien o de egiones y la
umb alización.
Figu a 50. C ecimien o de egiones.
El algo i mo que amos a emplea pa a nues o abajo se basa en el c ecimien o de egiones.
Es e mé odo consis e en la suposición de p opiedades simila es en e píxeles adyacen es. Se
desa olla en 4 pasos:
1. De ine un g upo de pun os p e ios, ambién llamados “semillas”.
2. De o ma i e a i a, se analizan los ecinos de cada “semilla”.
3. Se pueden inco po a nue os píxeles ecinos a la egión si cumplen alguna condición
p opues a po el usua io.
4. El p oceso inaliza cuando no se p oduzcan más cambios o cuando se llegue a un núme o
máximo de i e aciones.
El incon enien e que p esen an, los algo i mos basados en c ecimien os de egiones, es la g an
ca ga de p ocesamien o que iene que sopo a el o denado u ilizado debido a que se a a de
un p oceso i e a i o.
In oducción al mé odo de segmen ación
38
5.1. ALGORITMO BAATZ-SCHÄPE
El algo i mo empleado en nues o caso se á el Baa z-Schäpe. Consis e en un p oceso i e a i o,
que busca minimiza la he e ogeneidad p omedio de los obje os de una imagen esul an es.
Inicialmen e, odos los píxeles de la imagen se conside an como segmen os iniciales y cada
i e ación calcula el aumen o de la di e sidad, ambién llamado ac o de usión, como esul ado
de una posible usión exis en e en e cada pa de segmen os adyacen es.
El algo i mo oma una decisión pa a elegi la usión de uno o de a ios pa es de segmen os que
cumplen con los c i e ios de he e ogeneidad. Exis en cua o al e na i as que se p esen an a
con inuación:
 Decisión " ecino a bi a io". Dos segmen os adyacen es se unden an p on o como se
comp uebe que cumplen con los c i e ios de he e ogeneidad. Es a selección de pa es de
segmen os ag egados es á ue emen e in luenciada po el o den en que los segmen os son
p ocesados po el algo i mo.
 Decisión "mejo ajus e" (Bes Fi ing). Es ablece que un segmen o debe ía usiona se con
el segmen o adyacen e po de cumpli con los esul ados del c i e io de he e ogeneidad y
po ene un bajo inc emen o de la he e ogeneidad en e odos sus ecinos. La secuencia
de isi as en es e caso iene un meno impac o sob e el esul ado.
 Decisión "mejo ajus e mu uo" (Mu ual Bes Fi ing). La usión se lle a a cabo sólo si la
elación de mayo simili ud es mu ua. Es deci , dado un segmen o A, busca un segmen o
ecino B que mejo cumple los c i e ios de homogeneidad. Luego busca pa a B el obje o
ecino C, pa a el que B cumple mejo los c i e ios de homogeneidad. Si C = A en onces
usiona los obje os, en caso con a io epi e el p oceso con espec o a B pa a A y C pa a B.
Es a secuencia iene un impac o aún meno que el an e io en el esul ado inal de la
segmen ación.
 Decisión "mejo ajus e global" (Global Mu ual Bes Fi ing). Es ablece que sólo el pa de
mejo es ecinos mu uos puede da como esul ado un meno aumen o de la
he e ogeneidad en e los pa es de ecinos de oda la imagen. En es a decisión el esul ado
inal de la segmen ación es independien e de la secuencia de las isi as.
A con inuación se mues a la o mulación e e en e a es e ac o :
Figu a 51. Fac o de usión.
In oducción al mé odo de segmen ación
39
El ac o de usión, se de ine po la suma ponde ada de un componen e elacionado con la
he e ogeneidad espec al (hco ) y o a elacionada con la he e ogeneidad mo ológica (h o ma).
La impo ancia ela i a de los componen es se de ine po un peso (wco ) y el cálculo de los
componen es sob e la base de la di e encia en e el po encial obje o gene ado (obj3) y la suma
independien e del obje o (obj1 y obj2) como se mues a en la segunda ecuación.
La he e ogeneidad espec al (hco ) iene dada po la suma ponde ada de la des iación es ánda
de los alo es de los píxeles que componen el segmen o. Un peso es á asociado con cada banda
espec al pa a exp esa su impo ancia ela i a.
La he e ogeneidad mo ológica (h o ma) se compone de dos elemen os di e en es: compacidad
y sua idad.
La compacidad (Cmp), es la elación de la longi ud del bo de (b) del segmen o y la aíz cuad ada
de su á ea (n).
Figu a 52. Compacidad.
La sua idad (S d) es la elación en e la longi ud del bo de (b) del segmen o y la longi ud del
bo de (bbox) su cuad o delimi ado mínimo
Figu a 53. Sua idad.
Un peso es ablecido po el usua io exp esa la impo ancia ela i a de la compacidad y la
sua idad en la composición de la he e ogeneidad mo ológica. Es e alo debe se in e io a un
umb al dado, llamado escala, de modo que la ag egación se puede log a . El p oceso se epi e
has a que ya no es posible lle a a cabo las usiones.
Los pa áme os ales como la ele ancia de cada banda espec al y la impo ancia ela i a de la
o ma y del colo , y en e compacidad y sua idad se pueden ajus a con el in de log a un mejo
esul ado en la segmen ación
Cabe señala que pa a lle a a cabo un c ecimien o de egiones, cada obje o se selecciona sólo
una ez cada i e ación. Además, la selección de los obje os se lle a a cabo con el in de
selecciona obje os ela i amen e dis an es uno del o o de acue do a la ubicación en la imagen.
In oducción al mé odo de segmen ación
40
A di e encia de o os algo i mos basados en c ecimien o de egiones, el Baa z & Shape iene en
cuen a an o la espues a espec al como la mo ológica de cada una de las egiones a la ho a
de usiona las.
Los a ibu os mo ológicos son impo an es po que abajamos con una imagen (MDV o MDSn)
que solo posee una banda (in ensidad). Po lo an o, conside amos obliga o io ene en cuen a
las p opiedades espaciales ambién.
A pesa de se un algo i mo más complejo de ajus a que el es o, iene la g an en aja de
p oduci soluciones más p ecisas.
5.2. TRABAJOS DE SEGMENTACIÓN Y CLASIFICACIÓN A REALIZAR
En es a apa ado se desc ibe b e emen e odas las a eas que amos a lle a a cabo con el
so wa e In e IMAGE elacionados con el p oceso de segmen ación.
 Rodalización de la cubie a y ex acción de la al u a media del odal.
El obje i o de es a a ea es segmen a la imagen has a que nos pe mi a iden i ica los
di e en es odales y calcula su al u a media. Pos e io men e ealiza emos una
clasi icación de los di e en es ipos de cubie as a pa i de los odales an e io es. Pa a
inaliza , ealiza emos una e aluación es adís ica calculando la ma iz de con usión. Pa a
ello, dibuja emos egiones que sepamos con ce eza a la clase que pe enecen eniendo
como ayuda la o o o og a ía del PNOA que enemos como da o de pa ida.
 Tipi icación de es a os de la masa.
El obje i o de es a a ea es segmen a la imagen a ni el obje o has a que nos pe mi a
ealiza una dis inción de las di e en es cubie as ege ales de nues a zona de es udio.
 Delimi ación de odales a pa i de la in eg ación de da os LIDAR y de da os
mul iespec ales y ob ención de pa áme os es uc u ales a ni el de odales.
El obje i o de es a a ea es mejo a las p ecisiones a la ho a de iden i ica odales,
in oduciendo el índice NDVI calculado a pa i de las imágenes mul iespec ales
QuickBi d. U iliza emos un pa áme o de escala más pequeño que en los pasos
an e io es pa a que sea menos complicado echaza aquellos segmen os que no
cumplan las condiciones in oducidas.
In oducción al mé odo de segmen ación
41
5.3. RECORTE ZONA DE ESTUDIO
El so wa e que amos a emplea (In e IMAGE) pa a las a eas de segmen ación iene el
incon enien e de p oduci e o es en el p ocesamien o si se abaja con zonas ex ensas. Po lo
an o amos a p ocede a ealiza un eco e del MDV como ya se ha comen ado en apa ados
an e io es. Las coo denadas se án las siguien es:
Xmax = 731053 m Xmin = 730647 m Ymin = 4360223 m Ymax = 4360678 m
Figu a 54. MDV eco ado.
También, amos a p ocede a ealiza un eco e a la o o o o, 100 me os supe io po cada
coo denada con espec o al MDV. Es o es debido a que puede se in e esan e sabe que ocu e
en los bo des de la imagen MDV. Las coo denadas se án las siguien es:
Xmax = 731153 m Xmin = 730547 m Ymin = 4360123 m Ymax = 4360778 m
Figu a 55. O o o o eco ada.

42
Rodalización y ex acción de la al u a media del odal
43
6. RODALIZACIÓN Y EXTRACCIÓN DE LA ALTURA MEDIA DEL
RODAL
6.1. CARGA DE DATOS DE PARTIDA
En p ime luga , ab imos In e IMAGE y c eamos un nue o p oyec o con el comando File / New
P ojec :
Figu a 56. Ven ana nue o p oyec o en In e IMAGE.
Rellenamos los apa ados como se indica en la igu a an e io . Solo podemos asigna le la opción
De aul Image a una imagen (en nues o caso el MDV). Se á la única imagen que el p og ama
p ocesa á.
Añadimos an o el MDV como la o o o o eco ada pa a pode ealiza una in e p e ación
isual.
Figu a 57.Ven ana nue o p oyec o en In e IMAGE.
Rodalización y ex acción de la al u a media del odal
44
6.2. REGLAS DE SEGMENTACIÓN
En es a p ime a ase de segmen ación, solo nos in e esa ealiza una odalización con nues os
c i e ios de la escena en gene al. Po lo an o, solo nos hace al a un nodo hijo que llama emos
Co e (Cubie a).
Pa a ello, pulsamos con el bo ón de echo sob e el nodo Scene y ejecu amos el comando Inse
Child / Node, dándonos el siguien e esul ado:
Figu a 58.Nodo Scene con su nodo hijo Co e .
Aho a seleccionamos el nodo Co e y edi amos sus alo es en la en ana Node Edi o . Le
asignamos el colo e de y el ope ado TopDown, ci ado an e io men e, TA_Baa z_Segmen e .
La secuencia del algo i mo se á la siguien e:
1. Lee la imagen.
2. Realiza la segmen ación.
3. Aplica la egla de decisión implemen ada po el usua io
4. Gene a el a chi o de salida.
Los pa áme os que modi ica emos son:
 Scale Pa ame e (sp): alo del a ibu o de la escala (cualquie alo posi i o).
 Colo Weigh : peso del a ibu o de colo de Baa z-Schäpe. (0-1).
 Compac ness Weigh : peso del a ibu o de compacidad de Baa z-Schäpe. (0-1).
El es o de pa áme os se deja án po de ec o. Gua damos el p oyec o con el comando File /
Sa e P ojec y lo ejecu amos con el icono .
El esul ado se á una capa ec o ial, llamada Resul , que ep esen a á la segmen ación sob e la
imagen seleccionada como se indica en la página siguien e.
Rodalización y ex acción de la al u a media del odal
45
Figu a 59. Ejemplo esul ado de segmen ación.
En la en ana Laye s, podemos modi ica el colo de ondo y el de los bo des de los segmen os.
Si además que emos isualiza la o o o o de ondo podemos hace lo desde la en ana Laye s
ambién.
Pa a nues a zona es udio hemos ealizado di e en es p uebas pa a analiza cual se adap a
mejo a las ca ac e ís icas del e eno:
1ª PRUEBA:
Sp = 20 wcolo = 0.5 wcmpc = 0.5
Figu a 60. 1ª P ueba de segmen ación.
Se puede obse a que la segmen ación no ha sido co ec a ya que los polígonos no se adap an
pa a nada a las dis in as cubie as y obje os exis en es en el e eno.
Rodalización y ex acción de la al u a media del odal
52
DISTANCIA EUCLÍDEA NORMALIZADA ENTRE CLASES
EDIFICIOS
ÁRBOLES
MATORRAL
SUELO DESNUDO
EDIFICIOS
0,000
11,997
18,363
19,845
ÁRBOLES
11,997
0,000
6,728
3,330
MATORRAL
18,363
6,728
0,000
1,614
SUELO DESNUDO
19,845
8,330
1,614
0,000
Figu a 73. Tabla Dis ancia euclídea no malizada en e clases.
Se puede obse a como los esul ados de las ablas an e io es siguen una lógica cohe en e en
cuan o a las dis ancias en e clases. Po ejemplo, si un odal de ma o al iene una al u a media
de 1,640 me os, la di e encia en e és a y el suelo se ía de 1.614-1.575 me os, es deci , el suelo
end ía una al u a media de 0.019 me os. Es e alo es á den o del ango de la clase suelo
como se puede e en las ablas an e io es, lo que nos pe mi e a i ma que las clases asignadas
y sus polígonos han sido co ec amen e seleccionados. Es os esul ados los end emos en
cuen a a con inuación pa a ealiza la clasi icación.
Una ez ealizado los cálculos p e ios a la clasi icación, ya podemos segui abajando con
In e IMAGE. C eamos un nue o p oyec o y cons uimos una ed que con enga al nodo Co e y
a sus nodos hijos (las clases que ya hemos comen ado an es) como se mues a a con inuación:
Figu a 74. Nodo Co e con sus nodos hijos.
De inimos los pa áme os y el ope ado a odos los nodos hijos como se mues a en la página
siguien e.

Rodalización y ex acción de la al u a media del odal
53
Figu a 75. Pa áme os de los nodos hijos.
Vol emos al nodo Co e pa a con igu a las eglas de decisión TopDown Decision Rule. Pa a
in oduci las decisiones, seleccionamos la en ana Bo om Up Decision Rule y amos a emplea
la he amien a Selec ion como se indica a con inuación:
Figu a 76. He amien a Selección.
Rodalización y ex acción de la al u a media del odal
54
El cuad o inal donde se mues an las al u as asignadas a cada clase queda á de la siguien e
o ma:
Figu a 77. Decision Rule comple o del nodo Co e .
Una ez inalizado, le damos a OK, sal amos el p oyec o y ejecu amos. Dándonos el siguien e
esul ado:
Figu a 78. Resul ado de la odalización con In e IMAGE.
Rodalización y ex acción de la al u a media del odal
55
Se puede obse a en la imagen an e io , como la clase edi icios se ep esen a con colo osa,
los á boles en e de oscu o, el ma o al en e de cla o y el suelo en un ono ma ón. Como solo
enemos en cuen a las al u as de las cubie as, ob iamen e, apa ecen allos en la clasi icación.
No es p eocupan e pues o que en las segmen aciones pos e io es se solucionan en g an medida
es a clase de e o es. Hay que eco da que el obje i o de es a segmen ación, no es o o que
odaliza la zona de una o ma ápida sin ene muy en cuen a la p ecisión.
6.5. CARGA DE DATOS EN ARCMAP
Una ez inalizado el p oceso, nos gus a ía pode analiza cada clase po sepa ado y no en
conjun o. Po lo an o, la mejo o ma de hace lo es expo ando cada clase en o ma o shape.
Si nos amos a la en ana Laye s, pulsamos en bo ón , seleccionamos la pes aña Selec ion y
seleccionamos la clase a ca ga . Tend emos en cuen a la opción S age (Bo om Up), el keyname
que conside emos y colo es de elleno y bo de. Pa a inaliza , pulsamos el bo ón pa a ca ga
la capa.
Una ez hemos ealizado la ca ga de odas nues as capas, seleccionamos las clases una po una
y pulsamos el icono de Expo as Shape ile .
Se ab i á una en ana eme gen e, donde end emos que in oduci la exp esión de la media de
las al u as que es la que que emos que apa ezca en la abla de a ibu os del shape ile. Como se
mues a a con inuación:
Figu a 79. Exp esión p omedio de al u a
Rodalización y ex acción de la al u a media del odal
56
6.6. EVALUACIÓN DE LOS RESULTADO OBTENIDOS
Pa a pode e alua los esul ados, amos a ealiza una compa a i a en e los esul ados de
In e IMAGE y los odales ealizados con A cMap. Es a compa a i a se lle a á acabo
cons uyendo una ma iz de con usión. Es e mé odo consis e en una ma iz donde cada
columna ep esen a el núme o de p edicciones de cada clase (clases calculadas median e
In e IMAGE), mien as que cada ila ep esen a a las ins ancias en la clase eal ( odales
ealizados en A cMap). Uno de los bene icios de las ma ices de con usión es que acili an e si
el sis ema es á con undiendo dos clases. Si en los da os de en ada, el núme o de mues as de
clases di e en es cambia mucho la asa de e o del clasi icado no es ep esen a i a de lo bien
o mal que ealiza la a ea el clasi icado .
Como enemos que abaja con segmen os del mismo amaño, end emos que eco a la zona
segmen ada con los odales dibujados como mues as e alua o ias. Emplea emos la o den
Analysis Tools / Ex ac / Clip.
El esul ado de ese eco e, con la o o o o de ondo, se mues a a con inuación:
Figu a 80.Mues as e alua o ias.
.
Donde eco demos que la clase 1 es á boles, la clase 2 es ma o al, la clase 3 es suelo y la clase
4 edi icios
Rodalización y ex acción de la al u a media del odal
57
Pa a pode calcula la ma iz de con usión, comen ada an e io men e, necesi amos sabe la
supe icie de las clases elegidas. Si ab imos la abla de a ibu os de la capa esul ado, podemos
selecciona las á eas de las clases y la supe icie o al que se á muy impo an e pa a el cálculo
de la ma iz de con usión. Pa a ello, nos amos al campo Shape_A ea y seleccionamos la opción
S a is ics. El esul ado de la supe icie o al apa ece en el apa ado Sum, como se mues a a
con inuación:
Figu a 81. Es adís icas de los odales.
Teniendo en cuen a es o úl imo, ya podemos i ellenando la ma iz, dándonos el esul ado inal
siguien e:
MATRIZ DE CONFUSIÓN
eal
seg
ÁRBOLES
MATORRAL
SUELO
DESNUDO
EDIFICIOS
TOTAL
FIABILIDAD
USUARIO
ÁRBOLES
1469,980
36,798
1,274
21,183
1529,235
96,13%
MATORRAL
19,196
745,358
382,133
0,000
1146,687
65,00%
SUELO DESNUDO
0,000
4,811
2381,184
0,000
2385,995
99,80%
EDIFICIOS
425,200
123,893
14,266
522,263
1085,622
48,11%
TOTAL
1914,376
910,86
2778,857
543,446
6190,847
FIABILIDAD
PRODUCTOR
76,79%
81,83%
85,69%
96,10%
FIABILIDAD GLOBAL
83,27%
KAPPA
0,65
BUENA
Figu a 82. Ma iz de con usión y iabilidades.

Rodalización y ex acción de la al u a media del odal
58
Donde:
 Fiabilidad del usua io: índice que mues a la p obabilidad de que una supe icie clasi icada
den o de una clase pe enezca ealmen e a ella. Se calcula de la siguien e o ma:
𝑭𝑼=𝑺𝒄𝒍𝒂𝒔𝒆
𝑺𝒕𝒐𝒕𝒂𝒍_𝒓𝒆𝒂𝒍
Figu a 83. Fó mula Fiabilidad del usua io
.
 Fiabilidad del p oduc o : índice que mues a la p opo ción de una clase que es é
co ec amen e clasi icada. Se calcula de la siguien e o ma:
𝑭𝑷=𝑺𝒄𝒍𝒂𝒔𝒆
𝑺𝒕𝒐𝒕𝒂𝒍_𝒔𝒆𝒈𝒎𝒆𝒏𝒕𝒂𝒅𝒂
Figu a 84. Fó mula Fiabilidad del p oduc o .
 Fiabilidad Global: índice que mues a la exac i ud y calidad de la ma iz de clasi icación. Se
calcula de la siguien e o ma:
𝑭𝑮=∑𝑫𝒊𝒂𝒈𝒐𝒏𝒂𝒍
𝑺𝒕𝒐𝒕𝒂𝒍_𝒄𝒍𝒂𝒔𝒊𝒇𝒊𝒄𝒂𝒅𝒂
Figu a 85. Fó mula Fiabilidad Global.
En nues o caso la 𝑆𝑡𝑜𝑡𝑎𝑙_𝑐𝑙𝑎𝑠𝑖𝑓𝑖𝑐𝑎𝑑𝑎 es igual a 6147.539 m2.
 Coe icien e Kappa: Es e es adís ico es una medida de la di e encia en e la exac i ud log ada
en la clasi icación con un clasi icado au omá ico (In e IMAGE) y la p obabilidad de log a
una clasi icación co ec a con un clasi icado alea o io.
Se calcula, pa a nues o caso, de la siguien e o ma:
𝒌=(∑𝑫𝒊𝒂𝒈𝒐𝒏𝒂𝒍−∑(𝑺𝒄𝒍𝒂𝒔𝒆_𝒕𝒐𝒕_𝒓𝒆𝒂𝒍 . 𝑺𝒄𝒍𝒂𝒔𝒆_𝒕𝒐𝒕_𝒔𝒆𝒈
𝑺𝒕𝒐𝒕_𝒄𝒍𝒂𝒔 )
𝒇
𝒊=𝟏
𝒇
𝒊=𝟏 )
(𝑺𝒕𝒐𝒕_𝒄𝒍𝒂𝒔 − ∑(𝑺𝒄𝒍𝒂𝒔𝒆_𝒕𝒐𝒕_𝒓𝒆𝒂𝒍 . 𝑺𝒄𝒍𝒂𝒔𝒆_𝒕𝒐𝒕_𝒔𝒆𝒈
𝑺𝒕𝒐𝒕_𝒄𝒍𝒂𝒔 )
𝒇
𝒊=𝟏 )
Figu a 86. Fó mula Coe icien e Kappa.
Rodalización y ex acción de la al u a media del odal
59
El esul ado de es e coe icien e debe de es a en el ango en e 0 y 1. Los angos de calidad se
pueden clasi ica de la siguien e mane a:
COEFICIENTE k
SIGNIFICADO
< 0,20
POBRE
0,21 - 0,40
DÉBIL
0,41 - 0,60
MODERADA
0,61 - 0,80
BUENA
0,81 - 1
MUY BUENA
Figu a 87. Tabla alo es coe icien e kappa.
6.7. ANÁLISIS DE RESULTADOS DE LA MATRIZ DE CONFUSIÓN
Si obse amos el esul ado del coe icien e kappa nos da un esul ado bueno, con una iabilidad
global del 83,27 %. El esul ado que más des aca en cuan o a la iabilidad es la de la clase á boles.
Tiene una iabilidad del usua io muy al a (96,13 %) y la iabilidad del p oduc o más baja de las
cua o clases (76,79 %), pese a que se a a ambién de una iabilidad al a. Es o quie e deci que
se ha clasi icado como á boles el 76,79 % pese a que el 96,13 % pe enece ealmen e a es a
clase. Po lo an o, casi el 23% de la clase conside ada p e iamen e como á boles ha sido
clasi icado como edi icios.
La clase edi icios es el caso con a io. Tiene una iabilidad del usua io ela i amen e baja (48,11
%), sin emba go una iabilidad del p oduc o del 96,10 % (la más al a). Es o quie e deci que se
ha clasi icado como edi icios el 96,10 % pese a que el 48,11 % pe enece ealmen e a es a clase.
Po lo an o, el 51,89 % de la clase conside ada p e iamen e como edi icios ha sido clasi icado
como á boles (e o po exceso).
Es e úl imo p oblema es debido a que los edi icios ienen o ma de escalón y es án odeados de
zonas de á boles cuya al u a p omediada es muy al a. Es o p o oca, que algunos á boles supe en
las zonas más bajas de es os edi icios. De ahí que algunos segmen os de edi icios se hayan
clasi icado como á boles. Es muy complicado ealiza clasi icaciones eniendo solamen e en
cuen a la al u a p omediada, especialmen e en los casos de odales.
Po úl imo, la mayo di icul ad del p oceso es la dis inción en e las clases ma o al y suelo
desnudo. Es muy con usa, incluso eniendo la o o o o como e e encia.
En conclusión, el mayo endimien o lo podemos ob ene pa a la iden i icación de g upos de
á boles pa a pos e io men e cálculos de supe icie, biomasa,…
60
Tipi icación de es a os de las cubie as
61
7. TIPIFICACIÓN DE ESTRATOS DE LAS CUBIERTAS
Consis e en una a ea simila a la an e io , con la a ian e de ealiza la segmen ación a ni el
obje o y no a ni el odal, es deci , el componen e mo ológico end á mayo impo ancia que el
colo ... Conside ando la clasi icación de las al u as ealizada en el apa ado an e io , amos a
aplica las siguien es eglas pa a clasi ica las siguien es cubie as:
 Edi icios (Buildings): al u as supe io es a 14 me os.
 A bolado (T ee): al u as comp endidas en e 14 y 3 me os.
 Ma o al (G ass): al u as comp endidas en e 3 y 0.2 me os.
 Suelo (Soil): al u as in e io es a 0.2 me os.
7.1. REGLAS DE SEGMENTACIÓN
C eamos un nue o p oyec o y cons uimos una ed que con enga al nodo Region y a sus nodos
hijos (las clases que ya hemos comen ado an es) como se mues a a con inuación:
Figu a 88. Nodo Region con sus hijos.
 De inimos los pa áme os y el ope ado a odos los nodos hijos de la siguien e o ma:
Figu a 89. Pa áme os nodos hijos del nodo Region.
Delimi ación de odales a pa i de la in eg ación de da os LiDAR y de da os mul iespec ales
68
Pa a ealiza el p oceso de o ma co ec a, pulsamos la opción Fi o Display den o de
Geo e e encing, y pos e io men e pulsamos Viewe pa a pode isualiza ambas imágenes
a la ez.
Se p ocede a inse a pun os an o en el NDVI (imagen a co egi ) como en la o o o o (pun os
homólogos) como se mues a a con inuación:
Figu a 99. Pun os de apoyo.
Después de inse a los pun os, pulsamos el bo ón View Link Table pa a pode con ola los
esiduos y el e o medio cuad á ico.
Figu a 100. Residuos y e o medio cuad á ico.
Conside amos como e o máximo 1 me o. Obse amos que los esiduos en an den o de lo
p e is o, po lo an o se puede gua da el a chi o con la geome ía modi icada median e el
comando Rec i y como se mues a en la página siguien e.

Delimi ación de odales a pa i de la in eg ación de da os LiDAR y de da os mul iespec ales
69
Figu a 101. In e polación ecino más ce cano.
El esul ado inal es el siguien e:
Figu a 102. NDVI bien geo e e enciado.
Delimi ación de odales a pa i de la in eg ación de da os LiDAR y de da os mul iespec ales
70
Si comp obamos las p opiedades de las imágenes MDV y NDVI pulsando el bo ón de echo sob e
ellas obse amos que ambas coinciden con los siguien es alo es:
Figu a 103. P opiedades del MDV y NDVI.
8.2. ANÁLISIS DEL NDVI
T as ealiza la geo e e enciación, enemos que analiza los alo es del NDVI eco ado.
Analizando bien el índice con A cMap, emos que si lo clasi icamos en cua o clases (edi icios,
á boles, ma o al y suelo desnudo) se le asignan los siguien es angos (max, min):
EDIFICIOS
ÁRBOLES
MATORRAL
SUELO
NDVI MIN
-0,011
0,317
0,227
0,131
NDVI MAX
0,131
0,540
0,317
0,227
NDVI MEDIO
0,009
0,429
0,272
0,179
Figu a 104. Valo es del NDVI pa a las di e en es clases.
Es os angos han sido escogidos as ealiza p uebas isuales median e A cGIS y modi icando
los alo es de los umb ales de la imagen NDVI has a pode disc imina cla amen e cada cubie a.
Den o del ango de edi icios, podemos c ea o a clase llamada O os que haga e e encia a
cons ucciones ales como apa camien os, ca e e as o piscinas y ambién a una laguna que se
encuen a si uada el no oes e de nues a zona.
Es os elemen os se pueden ap ecia en la siguien e página.
Delimi ación de odales a pa i de la in eg ación de da os LiDAR y de da os mul iespec ales
71
Figu a 105. Elemen os de la clase "O os".
El ango de la clase O os se ía el siguien e:
NDVI MIN
NDVI MAX
NDVI MEDIO
OTROS
-0,011
0,121
0,009
Figu a 106. Valo es NDVI de la clase "O os".
Como se e á en el apa ado 8.3, dado que en es a nue a clase no coinciden los pa áme os
MDV y NDVI a la ez con el es o de clases no hab án p oblemas a la ho a de ealiza la
segmen ación.
Con A cMap, podemos asigna le di e en es colo es a los angos de las cua o p ime as clases,
como se mues a en la página siguien e.
Delimi ación de odales a pa i de la in eg ación de da os LiDAR y de da os mul iespec ales
72
Figu a 107. NDVI clasi icado.
Donde:
Figu a 108. Leyenda del NDVI.
Es a in o mación, jun o con las al u as calculadas en pasos an e io es, se á la que
in oduci emos en In e IMAGE pa a hace la segmen ación.
Delimi ación de odales a pa i de la in eg ación de da os LiDAR y de da os mul iespec ales
73
8.3. COMPOSICIÓN DE BANDAS
An es de u iliza In e IMAGE, debemos in eg a en un mismo a chi o las imágenes MDV Y NDVI.
Con la he amien a Da a Managemen Ras e Ras e P ocessing Composi e Bands, como
se mues a a con inuación:
Figu a 109. He amien a Composi e Bands de A cMap.
Una ez ealizada la ope ación, la imagen esul ado iene las siguien es ca ac e ís icas:
Figu a 110. P opiedades de la imagen o mada po el MDV y el NDVI.
Obse amos que coinciden con el MDV y el NDVI. Expo amos la imagen en o ma o TIFF pa a
pode abaja con ella en In e IMAGE.
C eamos un nue o p oyec o donde ca gamos la imagen que in eg a an o el MDV como el NDVI
como se mues a a con inuación.

Delimi ación de odales a pa i de la in eg ación de da os LiDAR y de da os mul iespec ales
74
Figu a 111. NDVI isualizado en In e IMAGE.
También ca gamos la o o o o como elemen o de apoyo.
8.4. REGLAS DE SEGMENTACIÓN
C eamos las edes semán icas de o ma indi idual, ya que el p oceso que amos a ealiza se
colapsa cuando in oducimos más de una clase. Es o a in lui de mane a nega i a, en cuan o a
iempo dedicado, pe o como pos e io men e se e á, me ece la pena. Las edes semán icas
ienen el siguien e o ma o:
Figu a 112. Redes Semán icas.
Delimi ación de odales a pa i de la in eg ación de da os LiDAR y de da os mul iespec ales
75
El nodo Segmen a ion, ealiza á una segmen ación con un pa áme o de escala muy pequeño
pa a pode iden i ica de una o ma más p ecisa los segmen os que cumplan las condiciones
es ablecidas. El alo de los pa áme os se á el siguien e:
Figu a 113. Pa áme os del nodo Segmen a ion.
Las condiciones es ablecidas (ma o al, o os, suelo, edi icios y á boles espec i amen e) se án:
Figu a 114. Condiciones es ablecidas pa a cada clase.
En es e caso, u ilizamos la opción Me ge All, pues o que nos in e esa uni los obje os pa a
ealiza una segmen ación pos e io .
La segmen ación pos e io se ealiza en los nodos T ee, G ass, O he , Soil y Buildings
espec i amen e, cuyos ope ado es son el TopDown TA_Baa z_Segmen e . Sus pa áme os y
sus ca ac e ís icas ex aídas (p omedio de al u as y pe íme o) se obse an en la página
siguien e.
Delimi ación de odales a pa i de la in eg ación de da os LiDAR y de da os mul iespec ales
76
Figu a 115. Pa áme os de los nodos hijos.
Figu a 116. Ca ac e ís icas expo adas
.
El esul ado isualizado en A cMap, con la o o o o de ondo, se mues a en la igu a siguien e:
Figu a 117. Rodales a pa i de la in eg ación del MDV y del NDVI.
Delimi ación de odales a pa i de la in eg ación de da os LiDAR y de da os mul iespec ales
77
Figu a 118. De alle de los odales a pa i de la in eg ación del MDV y del NDVI.
En es a úl ima segmen ación se puede ap ecia oda ía algún e o que o o, como se obse a
en la imagen an e io hay zonas pe enecien es al suelo clasi icadas como o os.
Al igual que en las dos segmen aciones an e io es, amos a ealiza una e aluación median e
una nue a ma iz de con usión, cuyos polígonos de mues a se án los mismos que en los
apa ados an e io es, eniendo en cuen a la clase o os como suelo.
T as ealiza el eco e ob enemos el siguien e esul ado:
Figu a 119. Polígonos esul ado en la e ce a segmen ación.
De e minación de pa áme os es uc u ales de los odales
84
En o al gene a 12.542 ilas con los pa áme os ci ados an e io men e. Los alo es gene ados
po la he amien a es án mul iplicados po un millón. Es o quie e deci que la ele ación media
en la p ime a ila de la abla an e io (4055000), ealmen e signi ica que iene una al u a de
4.055 me os.
Pa a pode con inua con el p oceso, ealizamos un Join con A cMap en e la abla esul ado y
la capa odales u ilizada como inpu en la ope ación de eco e. Unimos ambos da os median e
su campo común, es deci , su iden i icado .
El esul ado es el siguien e (las al u as ya es án en me os):
Figu a 130. Tabla de a ibu os después de la unión isualizada en A cMap.
Con es os esul ados en la abla podemos obse a de alles impo an es a la ho a de e alua
pe o pa a que dicha e aluación pueda se más isual y ácil de en ende se an a c ea planos
indi iduales de cada a iable y así podemos obse a mejo las di e encias en la página siguien e.

De e minación de pa áme os es uc u ales de los odales
85
1. ELEVACIÓN MEDIA.
Figu a 131. Plano ele ación media.
En el plano an e io se puede obse a como las cubie as elacionadas con el suelo desnudo y
he báceas, ma o ales y á boles se ep esen an con una escala de e des (de más cla o a más
oscu o, espec i amen e). Po o a pa e las al u as supe io es a 11 me os que co esponden a
los edi icios se ep esen an con un osa cla o. En es e caso al abaja solo con ele aciones no
podemos di e encia en e los edi icios y el es o de cons ucciones como en el caso de
In e IMAGE.
Se puede obse a como enemos los mismos p oblemas en e edi icios y los á boles p óximos
a ellos debido a la geome ía de los p ime os ( o ma de escalón).
De e minación de pa áme os es uc u ales de los odales
86
En cuan o a las cubie as de ege ación se puede obse a como la clasi icación es muy simila
a la de cubie as ealizada po In e IMAGE (debido a que los polígonos u ilizados en In e IMAGE
son los mismos que los u ilizados en CloudMe ics) como se mues a a con inuación:
Figu a 132. Compa a i a en e la solución In e IMAGE (izqda.) y la de CloudMe ics (dcha.).
En la imagen esul ado de CloudMe ics (de echa) apa ecen 4527 odales de ma o al y 4045 de
á boles, mien as que, en la imagen esul ado de In e IMAGE apa ecen 4529 odales de ma o al
y 4046 de á boles. Po lo an o, podemos conclui que la e aluación de las cubie as de
ege ación ha sido co ec a con una p obabilidad, en cuan o a núme o de polígonos, mayo del
99 %.
El plano esul ado del cálculo de CloudMe ics cuyo pa áme o es la ele ación media se
encuen a ambién en el apa ado Anexos con su co ec a maque ación.
De e minación de pa áme os es uc u ales de los odales
87
2. PUNTOS POR RODAL.
Figu a 133. Plano de pun os po odal.
En el plano an e io se ep esen a median e una escala de ojos el núme o de pun os po odal
o denados de mayo a meno (cla o-oscu o).
Se puede obse a como los odales con mayo supe icie, es deci , los co espondien es a la
clase suelo, son los que mayo núme o de pun os con ienen.
Es o es debido al siguien e azonamien o: si nues a zona de es udio iene una supe icie de
184.730 m2 (406 columnas y 455 ilas, cuyo píxel mide 1 m de lado, nos dan el esul ado an e io )
y el núme o o al de pun os es de 112.500, podemos calcula el núme o de pun os po me o
cuad ado median e el cocien e en e los pun os y la supe icie, espec i amen e.
De e minación de pa áme os es uc u ales de los odales
88
Pa a pode calcula el núme o de pun os o al en nues a zona de es udio se pod ía ac ua de
a ias mane as.
Una de las o mas se ía median e la he amien a CloudMe ics que nos de uel e el núme o de
pun os po odal. Simplemen e sumando odos los alo es de dicha columna nos de ol e á el
esul ado an e io .
O a o ma más compleja pe o más p o esional, se ía median e el uso del ejecu able de FUSION.
Median e los comandos Tools / Miscellaneous u ili ies / Examine LAS ile heade s el p og ama
nos de uel e un b e e esumen sob e la cabece a de la nube de pun os de nues a zona como
se mues a a con inuación:
Figu a 134. Cabece a de la nube de pun os.
Con los da os an e io es, llegamos a la conclusión que nues a zona iene 0.68 pun os/m2. Ese
es el mo i o po el cual los odales cuya supe icie es mayo (suelo) ienen mayo núme o de
pun os mien as que los odales de meno supe icie (edi icios) con ienen menos pun os.
An e io men e se han emues ado los pun os LIDAR a 1 me o pues o que es e amaño de píxel
se adap a mejo a las condiciones del e eno.
El plano esul ado del cálculo de CloudMe ics cuyo pa áme o es el núme o de pun os se
encuen a ambién en el apa ado Anexos con su co ec a maque ación.
De e minación de pa áme os es uc u ales de los odales
89
3. ELEVACIÓN PERCENTIL 75.
Figu a 135. Plano de ele ación con pe cen il 75.
El plano an e io , consis e en una ep esen ación de la ele ación po odal eniendo en cuen a
el alo del 75 % de los pun os y no de la media como en el p ime caso.
Se puede obse a como las cubie as elacionadas con el suelo desnudo y he báceas,
ma o ales y á boles se ep esen an con una escala de e des (de más cla o a más oscu o,
espec i amen e). Po o a pa e las al u as supe io es a 11 me os que co esponden a los
edi icios se ep esen an con un osa cla o. En es e caso al abaja solo con ele aciones no
podemos di e encia en e los edi icios y el es o de cons ucciones como en el caso de
In e IMAGE.

De e minación de pa áme os es uc u ales de los odales
90
Se puede obse a ambién, como en casos an e io es, que enemos los mismos p oblemas
en e edi icios y los á boles p óximos a ellos debido a la geome ía de los p ime os ( o ma de
escalón y amaño de los p opios á boles).
En cuan o a las cubie as de ege ación emos como la clasi icación no es an simila a la de
cubie as ealizada po In e IMAGE como se mues a a con inuación:
Figu a 136. Compa ación en e el plano ele ación y el plano ele ación con pe cen il 75.
Es cu ioso cómo se ap ecian algunos odales conside ados, an e io men e, como ma o ales se
con ie en en clase á boles. Es o es debido a que en esos odales el 75 % de los pun os o más
iene una al u a clasi icada como á boles.
En la imagen con pe cen il 75 (de echa) apa ecen 4450 odales de ma o al y 4195 de á boles,
mien as que, en la imagen esul ado de In e IMAGE apa ecían 4429 odales de ma o al y 4146
de á boles. Po lo an o, podemos conclui que la e aluación de las cubie as de ege ación ha
sido co ec a con una p obabilidad, en cuan o a núme o de polígonos, mayo del 97 %.
El plano esul ado del cálculo de CloudMe ics cuyo pa áme o es la ele ación con pe cen il 75
se encuen a ambién en el apa ado Anexos con su co ec a maque ación.
De e minación de pa áme os es uc u ales de los odales
91
4. DESVIACIÓN TÍPICA.
Figu a 137. Plano de des iaciones ípicas.
El plano an e io , consis e en una ep esen ación de la des iación ípica po odal u ilizando pa a
ello una escala de colo es como se obse a en la leyenda. Es e plano es in e esan e pa a sabe
que odales su en cambios b uscos de al u a.
Po ejemplo, odales conside ados como edi icios que con ienen una minúscula supe icie de
suelo o odales conside ados como á boles que con ienen una minúscula supe icie de suelo
y/o, en ocasiones, de ma o al end án una des iación ípica mayo (zonas ep esen adas de
colo ojo) que el es o.
De e minación de pa áme os es uc u ales de los odales
92
5. INTENSIDADES.
Figu a 138. Plano de in ensidades.
Como hemos dicho al p incipio del apa ado, la he amien a CloudMe ics ambién ope a con
in o mación elacionada con la in ensidad. El plano an e io , consis e en una ep esen ación de
la in ensidad en Hz po odal.
La in ensidad es una medida, ecogida pa a cada pun o, de la ue za de e o no del pulso láse
que gene a el pun o. Se basa en la e lec i idad del obje o alcanzado po el pulso láse .
Hay que ene en cuen a que la e lec i idad es una unción de la longi ud de onda u ilizada, que
suele es a en el in a ojo ce cano.
Si nos ijamos en la leyenda, se obse a que el o den de la in ensidad de las clases, de mayo a
meno , es edi icios, suelo, ma o al y á boles
De e minación de pa áme os es uc u ales de los odales
93
Figu a 139. Plano de alle de las in ensidades.
Como ep esen a el plano de alle an e io , podemos e como el suelo ( ep esen ado en un ono
ana anjado) incluye zonas de onos e des que p ueban la exis encia de pequeñas he báceas en
la zona.
La in ensidad si e de ayuda en la de ección y ex acción de en idades, en la clasi icación de
pun os LIDAR y como sus i u a de imágenes aé eas cuando no hay ninguna disponible. Si los
da os LIDAR incluyen alo es de in ensidad (como es el caso), se pueden c ea imágenes a pa i
de ellos que pa ecen o og a ías aé eas en blanco y neg o o ambién se les puede asigna
colo es.
100

730700
730700
730800
730800
730900
730900
731000
731000
4360200
4360200
4360300
4360300
4360400
4360400
4360500
4360500
4360600
4360600
4360700
4360700
CLASIFICACIÓN POR CUBIERTAS (INTERIMAGE)
odales
clases
Suelo
O os
Ma o al
Á boles
Edi icios
AUTOR: RAFAEL LLORENS COMPANY
ESCALA: 1:3.000
FECHA : 02/06/2016
SISTEMA DE COORDENADAS:
ETRS89 HUSO 30
PROYECCIÓN UTM
ESCUELA TÉCNICA SUPERIOR
DE INGENIERÍA GEODÉSICA,
CARTOGRÁFICA Y TOPOGRÁFICA
UNIVERSIDAD POLITÉCNICA
DE VALENCIA
El Pla del
Ga o e
Camí Vell de la De esa
An ic Talla oc de la calle
Pla ja de la Ga o e a
730700
730700
730800
730800
730900
730900
731000
731000
4360200
4360200
4360300
4360300
4360400
4360400
4360500
4360500
4360600
4360600
4360700
4360700
CLASIFICACIÓN POR CUBIERTAS
odales
clases
Suelo
Ma o al
A boles
Cons ucciones
AUTOR: RAFAEL LLORENS COMPANY
ESCALA: 1:3.000
FECHA : 02/06/2016
SISTEMA DE COORDENADAS:
ETRS89 HUSO 30
PROYECCIÓN UTM
ESCUELA TÉCNICA SUPERIOR
DE INGENIERÍA GEODÉSICA,
CARTOGRÁFICA Y TOPOGRÁFICA
UNIVERSIDAD POLITÉCNICA
DE VALENCIA
El Pla del
Ga o e
Camí Vell de la De esa
An ic Talla oc de la calle
Pla ja de la Ga o e a
730700
730700
730800
730800
730900
730900
731000
731000
4360200
4360200
4360300
4360300
4360400
4360400
4360500
4360500
4360600
4360600
4360700
4360700
CLASIFICACIÓN POR ELEVACIÓN MEDIA
odales
ele_media
0 - 0,2 m
0,2 - 3 m
3 - 11 m
11 - 29 m
AUTOR: RAFAEL LLORENS COMPANY
ESCALA: 1:3.000
FECHA : 02/06/2016
SISTEMA DE COORDENADAS:
ETRS89 HUSO 30
PROYECCIÓN UTM
ESCUELA TÉCNICA SUPERIOR
DE INGENIERÍA GEODÉSICA,
CARTOGRÁFICA Y TOPOGRÁFICA
UNIVERSIDAD POLITÉCNICA
DE VALENCIA
El Pla del
Ga o e
Camí Vell de la De esa
An ic Talla oc de la calle
Pla ja de la Ga o e a

730700
730700
730800
730800
730900
730900
731000
731000
4360200
4360200
4360300
4360300
4360400
4360400
4360500
4360500
4360600
4360600
4360700
4360700
CLASIFICACIÓN POR ELEVACIÓN CON PERCENTIL 75
odales
ele _75
0 - 0,2 m
0,2 - 3 m
3 - 11 m
11 - 29 m
AUTOR: RAFAEL LLORENS COMPANY
ESCALA: 1:3.000
FECHA : 02/06/2016
SISTEMA DE COORDENADAS:
ETRS89 HUSO 30
PROYECCIÓN UTM
ESCUELA TÉCNICA SUPERIOR
DE INGENIERÍA GEODÉSICA,
CARTOGRÁFICA Y TOPOGRÁFICA
UNIVERSIDAD POLITÉCNICA
DE VALENCIA
El Pla del
Ga o e
Camí Vell de la De esa
An ic Talla oc de la calle
Pla ja de la Ga o e a
730700
730700
730800
730800
730900
730900
731000
731000
4360200
4360200
4360300
4360300
4360400
4360400
4360500
4360500
4360600
4360600
4360700
4360700
CLASIFICACIÓN POR PUNTOS POR RODAL
odales
Pun os
1 - 10
11 - 35
36 - 90
91 - 600
AUTOR: RAFAEL LLORENS COMPANY
ESCALA: 1:3.000
FECHA : 02/06/2016
SISTEMA DE COORDENADAS:
ETRS89 HUSO 30
PROYECCIÓN UTM
ESCUELA TÉCNICA SUPERIOR
DE INGENIERÍA GEODÉSICA,
CARTOGRÁFICA Y TOPOGRÁFICA
UNIVERSIDAD POLITÉCNICA
DE VALENCIA
El Pla del
Ga o e
Camí Vell de la De esa
An ic Talla oc de la calle
Pla ja de la Ga o e a