Análisis y evaluación de la integración de tecnologías avanzadas de escaneado y modelo paramétrico en la conservación del Patrimonio Arquitectónico

Análisis y evaluación de la integración de tecnologías avanzadas de escaneado y modelo paramétrico en la conservación del Patrimonio Arquitectónico Alumno: Gabriel M. Tena Maireles Tutor: Dr. Juan José Moyano Campos Departamento de Expresión Gráfica e Ingeniería de Edificación Escuela Técnica Superior de Ingeniería de Edificación Universidad de Sevilla Sevilla, junio de 2025 Escuela Técnica Superior de Ingeniería de Edificación Proyecto Fin de Grado 1 Proyecto Fin de Grado Análisis y evaluación de la integración de tecnologías avanzadas de escaneado y modelo paramétrico en la conservación del Patrimonio Arquitectónico Alumno: Gabriel M. Tena Maireles Tutor: Dr. Juan José Moyano Campos Departamento de Expresión Gráfica e Ingeniería de Edificación Escuela Técnica Superior de Ingeniería de Edificación Universidad de Sevilla Sevilla, junio de 2025 2 Agradecimientos A mi familia, por el apoyo incondicional, por confiar siempre y ser tan pacientes en mis estudios. A mi pareja, por su apoyo constante durante la carrera y su peculiar forma de animarme a mirar más allá. Al profesorado que me ha brindado conocimientos y sentado las bases para mi futuro. A Margarita Infante y Concepción Cantillana por abrirme el camino en esta rama de la edificación. A Enrique Nieto, por sus aportaciones e inestimable ayuda en este proyecto. A Rafael Estévez por su confianza y ayuda con los equipos topográficos. Y a mi tutor, Juan José Moyano, por las ideas y ayudas para este proyecto y los distintos trabajos en los que me ha permitido colaborar y adquirir habilidades. A todos, gracias. 3 Resumen La documentación precisa de estructuras históricas mediante técnicas de ingeniería inversa constituye un pilar esencial para su conservación, restauración y estudio. En la actualidad, las tecnologías geomáticas se ven complementadas por herramientas de inteligencia artificial, que permiten optimizar procesos de captura, análisis y modelado del patrimonio construido. Este Trabajo de Fin de Grado compara distintas metodologías de adquisición de datos tridimensionales, centradas en la generación de nubes de puntos mediante tres equipos: fotogrametría aérea (UAV) y escáneres terrestres (TLS y PLS). Como casos de estudio se han seleccionado dos torres medievales situadas en la provincia de Sevilla: la Torre de San Antonio, Olivares y la Torre del Águila, Utrera, ambas con condiciones geométricas y de conservación diferenciadas. La investigación se estructura en cuatro fases principales. En primer lugar, se llevó a cabo la adquisición y preprocesamiento de datos, incluyendo la limpieza y homogenización automatizada mediante scripts desarrollados en Python. En segundo lugar, se calculó una matriz de transformación entre los puntos tomados con estación total y los obtenidos por GNSS-RTK, con el fin de validar y unificar la georreferenciación de todos los modelos. En tercer lugar, se analizaron las nubes de puntos generadas, evaluando su calidad métrica, densidad, resolución y distancia de Hausdorff; en zonas altas y bajas de las estructuras. Finalmente, se desarrollaron modelos HBIM en Archicad, integrando los datos capturados y priorizando la fidelidad geométrica. Este estudio evidencia las ventajas e inconvenientes de cada tecnología según el contexto de aplicación, y subraya el potencial de los procesos automatizados y la interoperabilidad BIM para la gestión eficiente del patrimonio arquitectónico. 4 Abstract The accurate documentation of historical structures through reverse engineering techniques represents a fundamental pillar for their conservation, restoration, and study. Today, geomatic technologies are increasingly supported by artificial intelligence tools, enabling the optimization of data acquisition, analysis, and modeling processes for the built heritage. This Final Degree Project compares different 3D data acquisition methodologies, focusing on the generation of point clouds using three systems: aerial photogrammetry (UAV) and terrestrial laser scanners (TLS and PLS). Two medieval towers located in the province of Seville have been selected as case studies: the Torre de San Antonio in Olivares and the Torre del Águila in Utrera, each with distinct geometric and conservation characteristics. The research is structured into four main phases. First, data acquisition and preprocessing were conducted, including automated cleaning and homogenization through Python-based scripts. Second, a transformation matrix was calculated between control points recorded with a total station and those obtained via GNSS-RTK, in order to validate and unify the georeferencing of all datasets. Third, the generated point clouds were analyzed, evaluating their metric quality, density, resolution, and Hausdorff distance in both the upper and lower sections of the structures. Finally, HBIM models were developed in Archicad, integrating the captured data while prioritizing geometric fidelity. This study highlights the advantages and limitations of each technology depending on the application context, and emphasizes the potential of automated workflows and BIM interoperability for the efficient management of architectural heritage. 5 Terminología • EVIL: Electronic Viewfinder, Interchangeable Lens • BIM: Building Information Modeling • DSLR: Digital Single Lens Reflex • DSM: Digital Surface Model • GCP: Ground Control Point • GIS: Geographical Information System • GNSS: Global Navigation Satellite System • HBIM: Heritage Building Information Modeling • ICP: Iterative Closest Point • LiDAR: Light Detection and Ranging • PPP: Precise Point Positioning • PTLS: Personal Terrestrial Laser Scanner • RTK: Real Time Kinematic • SfM: Structure from Motion • TLS: Terrestrial Laser Scanner • TSS: Total Station Surveying • UAV: Unmanned Aerial Vehicle • WFD: Waveform Digitizing 6 Índice de Contenidos 1. Memoria académica ....................................................................................................... 8 1.1. Objeto del Trabajo ................................................................................................. 8 1.2. Justificación del tema elegido ............................................................................... 9 1.3. Justificación de competencias ............................................................................... 9 1.3.1. Competencias Básicas ................................................................................... 9 1.3.2. Competencias Genéricas................................................................................ 9 1.3.3. Competencias específicas ............................................................................ 10 1.4. Otras competencias .............................................................................................. 10 1.4.1. Topografía y Replanteos .............................................................................. 10 1.4.2. Levantamientos 3D del Patrimonio Arquitectónico .................................... 11 1.4.3. Historia de la construcción e Introducción a la Construcción ..................... 11 1.4.4. Tecnología Bim en Edificación ................................................................... 11 1.5. Acreditación de atribuciones profesionales ......................................................... 11 2. Memoria de Investigación ........................................................................................... 12 2.1. Introducción ......................................................................................................... 12 2.1.1. Escáner laser ................................................................................................ 13 2.1.2. Fotogrametría .............................................................................................. 14 2.1.3. Scan to BIM ................................................................................................. 15 2.1.4. HBIM ........................................................................................................... 15 2.2. Modelos de experimentación ............................................................................... 17 2.2.1. Torre de San Antonio ................................................................................... 18 2.2.2. Torre del Águila ........................................................................................... 19 2.3. Material utilizado ................................................................................................. 20 3. Metodología ................................................................................................................. 22 3.1. Trabajo de gabinete previo .................................................................................. 23 3.2. Trabajo de campo ................................................................................................ 25 3.3. Procesado de datos .............................................................................................. 26 3.3.1. Georeferenciación ........................................................................................ 26 3.3.2. Fotogrametría .............................................................................................. 30 3.3.3. Escáner BLK 360 ........................................................................................ 34 3.3.4. Escáner RIEGL ............................................................................................ 35 3.3.5. Modelado HBIM ......................................................................................... 35 7 4. Análisis ........................................................................................................................ 38 4.1. Análisis de la matriz de transformación entre nube de puntos y GCP ................ 39 4.2. Mediciones de la calidad de la nube de puntos ................................................... 47 4.2.1. Parámetros y métricas de calidad ................................................................ 47 4.2.2. Bases de experimentación ........................................................................... 49 4.2.3. Limitaciones de este apartado...................................................................... 56 4.3. Comparación de calidad de nube de puntos entre las tecnologías ....................... 57 5. Conclusiones ................................................................................................................ 61 6. Competencias Adquiridas ............................................................................................ 62 7. Bibliografía .................................................................................................................. 62 14 2.1.2. Fotogrametría La fotogrametría constituye una disciplina científica y tecnológica orientada a la obtención precisa de información tridimensional, tanto geométrica como temática, sobre objetos y escenarios. Esta información, frecuentemente capturada en distintos momentos temporales, se deriva del análisis de datos obtenidos mediante imágenes y mediciones de distancia; como se recoge en los estatutos del International Society for Photogrammetry and Remote Sensing (ISPRS, 2022). En el contexto del patrimonio, esta técnica permite registrar detalles arquitectónicos con alta precisión, generar ortofotografías, mapas topográficos y modelos 3D a partir de fotografías (Remondino & El-hakim, 2006a). Puede clasificarse, entre otras formas, según la posición de la cámara respecto al objeto de estudio. En este sentido, se distinguen principalmente dos tipos: fotogrametría terrestre y fotogrametría aérea (Wolf et al., 2014). 2.1.2.1. Fotogrametría terrestre Este tipo se caracteriza por el uso de cámaras ubicadas cerca del objeto de estudio, generalmente a nivel del suelo. Se utiliza comúnmente en aplicaciones arquitectónicas, arqueológicas, industriales o forenses, donde se requiere un alto nivel de detalle. La posición de la cámara puede ser fija o móvil, y los sistemas suelen incluir cámaras Digital Single Lens Reflex (DSLR), escáneres o incluso teléfonos inteligentes con aplicaciones especializadas (Luhmann et al., 2020). Además, el software de reconstrucción fotogramétrica, como Agisoft Metashape, permite generar modelos 3D a partir de cientos de imágenes, mediante el método de Structure from Motion (SfM), una técnica que reconstruye geometría y textura con notable fidelidad (Westoby et al., 2012). Una de las principales ventajas de la fotogrametría terrestre es su bajo costo en comparación con otras tecnologías como el escáner láser, lo que la convierte en una herramienta altamente accesible para proyectos de documentación y conservación en contextos con recursos limitados (Remondino & El-hakim, 2006a) 2.1.2.2. Fotogrametría aérea Este enfoque utiliza cámaras montadas en plataformas aéreas, como Unmanned Aerial Vehicle (UAV) o satélites. Es ampliamente utilizada en cartografía, estudios ambientales, agricultura de precisión y gestión del territorio. Gracias al uso de sensores calibrados y técnicas avanzadas de georreferenciación, permite generar modelos tridimensionales y ortofotos de grandes extensiones con alta precisión (Wolf et al., 2014). En el ámbito patrimonial, la fotogrametría aérea ha demostrado ser clave para el estudio y monitoreo de sitios arqueológicos de gran extensión, como Machu Picchu, ya que permite detectar alteraciones, erosiones o transformaciones del terreno en series temporales (Doneus et al., 2008). Los UAVs han revolucionado la práctica de la fotogrametría aérea al permitir una recolección de datos ágil y precisa, especialmente en áreas de difícil acceso, terrenos irregulares o donde existen limitaciones de tiempo (Colomina & Molina, 2014). 15 Gracias a su capacidad para operar a baja altitud, los drones ofrecen imágenes de alta resolución que incrementan la calidad de los productos generados, como ortofotos, modelos digitales de superficies (DSM) y nubes de puntos tridimensionales (Westoby et al., 2012). Estas características los han posicionado como herramientas clave en la documentación del patrimonio cultural, la arqueología y el monitoreo de estructuras históricas (Chiabrando et al., 2018). 2.1.3. Scan to BIM Una vez recopilada la información geométrica de un edificio mediante escáneres láser 3D o fotogrametría, resulta fundamental estructurarla, interpretarla y gestionarla de forma coherente para su uso en proyectos de arquitectura, conservación o intervención. En este contexto, el Building Information Modeling (BIM) surge como una metodología clave para la gestión integral de datos en el ciclo de vida de una edificación. BIM permite generar modelos digitales tridimensionales que integran información geométrica, material, temporal y funcional, lo que favorece la interoperabilidad entre disciplinas y la toma de decisiones basadas en datos (Moreno et al., 2024). BIM no se limita a la representación gráfica tridimensional, sino que estructura los datos en una base relacional que puede actualizarse, analizarse y emplearse para múltiples fines, desde la planificación hasta el mantenimiento. Esta capacidad lo convierte en el vínculo natural entre la captura de información espacial y su aplicación práctica en entornos construidos. En el caso del patrimonio histórico, las necesidades de conservación, documentación y análisis generan desafíos específicos, como la representación de geometrías irregulares o la carencia de documentación previa (Nieto-Julián et al., 2023). Para dar respuesta a estos retos, investigadores como Moyano et al. han propuesto metodologías específicas que integran la captura geométrica de alta precisión con procesos de modelado paramétrico dentro de entornos BIM, sentando las bases de lo que se conoce como Historic Building Information Modeling (HBIM) (Moyano, Carreño, et al., 2022). Así, el modelo no solo se convierte en un soporte de visualización, sino también en una herramienta de gestión del conocimiento arquitectónico, capaz de incorporar datos históricos, estructurales y técnicos de valor para la restauración y conservación del patrimonio (Moyano, Gil-Arizón, et al., 2022). 2.1.4. HBIM El Historic Building Information Modeling representa una evolución significativa en las metodologías de documentación, análisis y gestión del patrimonio edificado. Surge como una adaptación del sistema BIM, ampliamente utilizado en el ámbito de la arquitectura e ingeniería para edificaciones nuevas, a las necesidades específicas del patrimonio histórico construido. A diferencia del modelado convencional, el HBIM no parte de planos existentes o diseños digitales previos, sino que requiere una fase inicial de levantamiento geométrico y morfológico, usualmente mediante escáner láser 3D y fotogrametría de alta precisión, técnicas que garantizan la fidelidad de los datos de entrada (Dore & Murphy, 2017). 16 Propone la construcción de modelos digitales paramétricos que integran tanto la geometría del objeto patrimonial como información semántica y documental relevante. Esta información puede incluir datos sobre los materiales, patologías detectadas, técnicas constructivas originales, fases constructivas, intervenciones pasadas, criterios de restauración aplicados y necesidades futuras de mantenimiento, consolidando así un entorno de datos común y multidisciplinar (Oreni et al., 2013) Uno de los pilares fundamentales es su capacidad para transformar el modelo tridimensional en una plataforma dinámica y colaborativa, que permite a arquitectos, conservadores, arqueólogos, historiadores, ingenieros y gestores del patrimonio, trabajar simultáneamente sobre una base informativa actualizada. Esta colaboración digital optimiza la toma de decisiones en procesos de conservación, rehabilitación o intervención, basándose en datos verificados y contextualizados (Volk et al., 2014a). El valor de HBIM trasciende lo meramente técnico, ya que permite una visión holística del objeto patrimonial, integrando su valor tangible e intangible. Por ejemplo, mediante el modelado de elementos arquitectónicos particulares, como bóvedas, columnas o carpinterías, se pueden reconstruir digitalmente partes desaparecidas o poco accesibles, evaluando incluso la estabilidad estructural mediante simulaciones con softwares especializados. Además, permite vincular estos elementos con documentos históricos, planos antiguos, fotografías, e incluso testimonios orales, creando un archivo digital estructurado que respeta la autenticidad del bien (Murphy et al., 2009). Otra ventaja significativa es su potencial para generar representaciones comprensibles y accesibles para públicos no especializados. Los modelos pueden utilizarse en entornos de realidad aumentada o virtual, museografía digital, visitas interactivas o educación patrimonial, facilitando la apropiación social del patrimonio e impulsando estrategias de divulgación cultural más inclusivas. Estas posibilidades lo convierten en una herramienta poderosa no solo para la conservación material, sino también para la gestión sostenible y la valorización del patrimonio (Turco et al., 2017). En cuanto a su aplicación práctica, existen múltiples ejemplos de proyectos internacionales que han incorporado exitosamente HBIM, como la Catedral de Santa María de Palma de Mallorca (España), el Monasterio de Clonmacnoise (Irlanda), o el Mausoleo de Halicarnaso (Turquía), entre otros. En estos casos, su uso permitió integrar datos heterogéneos en un solo modelo digital, facilitando tanto la planificación técnica como la protección legal del bien (Dore & Murphy, 2017). A nivel metodológico, un modelo HBIM se construye a partir de un proceso riguroso: levantamiento geométrico (mediante escaneo o fotogrametría), procesamiento de datos (ReCap, CloudCompare, MeshLab, Cyclone, RiSCAN PRO…), modelado en entorno BIM (Autodesk Revit, Graphisoft Archicad…) y posterior incorporación de atributos informativos que enriquecen el modelo con capas de interpretación cultural, histórica y técnica Todo esto requiere no solo competencia técnica, sino también una coordinación interdisciplinaria precisa (Adami & Fregonese, 2020). 17 En definitiva, el HBIM ha dejado de ser una herramienta emergente para convertirse en una metodología cada vez más consolidada y adoptada en el ámbito del patrimonio cultural construido. Su capacidad para integrar información procedente de múltiples fuentes, como escaneos láser, fotogrametría, documentación histórica y análisis patológicos, lo convierte en un sistema de gestión integral del conocimiento del bien patrimonial (Dore & Murphy, 2017). En definitiva, el modelado de información de edificios históricos representa una evolución estratégica del BIM orientada a las particularidades del patrimonio arquitectónico, permitiendo no solo una representación fiel de su geometría compleja, sino también una gestión integral basada en datos históricos, materiales y estructurales. Esta metodología facilita una aproximación científica y colaborativa a los procesos de restauración, rehabilitación y conservación. Como señalan (Moyano, Carreño, et al., 2022), el HBIM constituye una herramienta eficaz que permite integrar la información geométrica y documental del bien patrimonial en un entorno digital coherente, flexible y accesible para todos los agentes implicados, consolidándose, así como un pilar fundamental en la digitalización del patrimonio construido. 2.2. Modelos de experimentación En el presente trabajo se han seleccionado como objeto de estudio dos estructuras históricas situadas en la provincia de Sevilla: la Torre de San Antonio (Figura 2a), en Olivares, y la Torre del Águila (Figura 2b), en Utrera. Ambas construcciones han sido analizadas y documentadas mediante tecnologías avanzadas de captura de datos. Estas torres se encuentran protegidas por la Declaración Genérica del Decreto de 22 de abril de 1949 y por la Ley 16/1985, de Patrimonio Histórico Español. a b Figura 2 a) Torre de San Antonio, b) Torre del Águila 18 2.2.1. Torre de San Antonio Figura 3 Situación y emplazamiento. a) Europa. b) España. c) Sevilla. d) Olivares. e) Entorno Como se recoge en la ficha del Instituto Andaluz del Patrimonio Histórico, la Torre de San Antonio, ubicada en Olivares, Sevilla (Figura 3), se asienta sobre una superficie aproximada de 1.200 metros cuadrados, conservando elementos estructurales hasta su tercer nivel. La construcción combina grandes sillares de piedra escuadrados en las esquinas con muros de tapial que alcanzan dicha altura. El empleo del ladrillo se observa en los arcos, jambas de puertas y ventanas, así como en las cúpulas y las bovedillas de la escalera interior. En los alrededores del asentamiento se han identificado restos cerámicos asociados a fragmentos de ladrillos, destacando los vidriados melados y transparentes, junto con dos piezas claras correspondientes a un momento de transición. La ausencia de cerámica vidriada en blanco, propia de finales del siglo XIV, y de la decorada en azul sobre fondo blanco, característica del siglo XV, refuerza la hipótesis de un abandono del lugar a principios o mediados del siglo XIV. Por su tipología y cronología, la torre se vincula con otras construcciones de origen islámico, como las torres de Cerón, Fadrique o Loreto, algunas de las cuales fueron reformadas en los siglos XIII y XIV. En conjunto, se trata de un asentamiento de raíz árabe y mudéjar (IAPH: Ficha Torre de San Antonio, 2025). Tras la conquista cristiana de Sevilla en 1248 por Fernando III, la torre pasó a manos de Alfonso de Molina, hermano del rey, y posteriormente fue donada al cabildo de la catedral 19 de Sevilla en 1277. A lo largo de los siglos, su uso fue cambiando, perdiendo su carácter defensivo, aunque conservó un notable valor simbólico y patrimonial (Turismo Olivares, 2025). Aunque no se dispone de una cronología precisa ni de documentación detallada sobre las intervenciones anteriores, se tiene constancia de que la Torre de San Antonio se encontraba en estado ruinoso hasta fechas relativamente recientes. Fue gracias a las actuaciones desarrolladas por la Escuela Taller de Olivares que se llevaron a cabo trabajos de consolidación estructural, permitiendo así la estabilización del monumento y la recuperación parcial de su volumen original (Aranda, 2025). 2.2.2. Torre del Águila Figura 4 Sitación y emplazamiento. a) Europa. b) España. c) Sevilla. d) Utrera. e) Entorno Según recoge el Instituto Andaluz del Patrimonio Histórico, el sitio arqueológico de la Torre del Águila se localiza en una zona elevada al noroeste del embalse homónimo, en el término municipal de Utrera, Sevilla (Figura 4). El asentamiento se extiende sobre tres lomas, de las cuales solo una, en su margen este, ha quedado parcialmente urbanizada por la barriada de la Cañada. La explotación agrícola intensiva y el expolio continuado desde época moderna han provocado un notable deterioro del yacimiento. Su localización responde, por un lado, a la proximidad del arroyo Salado, hoy embalsado, en cuyas orillas se documentan otros 20 núcleos antiguos como Callet, Siarum o el oppidum del Bollo, y, por otro, al cruce de importantes vías pecuarias como la Cañada Real de las Mantecas y la Cañada Real de Sevilla a Ubrique. Actualmente, apenas se conservan estructuras emergentes, aunque se han identificado restos de muros al este de la torre y un aljibe al oeste. Diversos sectores del yacimiento han ofrecido una rica secuencia arqueológica. En el sector noroeste, los materiales turdetanos destacan por su cerámica decorada y doméstica, así como por elementos de almacenamiento como ánforas. De época romana se han hallado piezas de Terra Sigillata Hispánica, cerámicas de paredes finas, tégulas y otros materiales constructivos. El sector sur ofrece una cronología aún más amplia, desde el Bronce Final, con fragmentos cerámicos y útiles líticos, hasta el período romano altoimperial, con una notable diversidad de formas cerámicas, lucernas, ánforas y restos arquitectónicos. La ocupación del enclave se remonta al Bronce Final, aunque no se descarta la existencia de restos calcolíticos subyacentes. En época turdetana, el asentamiento alcanzaría un desarrollo considerable, posiblemente como un oppidum, que daría origen al municipio romano de Siarum. Durante el período romano, la epigrafía permite suponer la existencia de edificios públicos como templos y un teatro, cuya posible ubicación fue sugerida en 2003 por la Universidad de Southampton a partir de prospecciones geofísicas. También se identifican áreas de necrópolis al este y al sur de la ciudad. La reutilización de materiales constructivos en edificaciones modernas de la barriada sugiere una reutilización de los restos antiguos en épocas posteriores. La continuidad del poblamiento en época visigoda y altomedieval está bien documentada, aunque se constata un progresivo declive. En el siglo XIII, el lugar aparece citado como el despoblado del Sarro, y no será hasta principios del siglo XIV cuando se levante la actual torre vigía, con funciones defensivas frente al acceso por el valle del Guadalete, en conexión con otras torres como las del Bollo, Lopera o Cote. Adosada a la torre debió existir una pequeña guarnición y posiblemente un recinto defensivo. La reutilización de sillares romanos en su construcción sugiere la existencia previa de edificaciones monumentales en el mismo emplazamiento (IAPH: Ficha La Torre del Águila, 2025). 2.3. Material utilizado El trabajo de campo se ha realizado utilizando diversos equipos descritos en la Tabla 1 Características de los equipos, acompañados de puntos de control (GCP). Se han empleado dos tipos de GCP. En primer lugar, se han utilizado dianas generadas por el software Agisoft Metashape (Agisoft LLC, 2025) (Figura 5a), que permiten incorporar los marcadores de forma automática, facilitando el trabajo de orientación en fotogrametría no georreferenciada. En segundo lugar, se han utilizado dianas cuadradas genéricas (Figura 5b), que, debido a su simplicidad, permiten una identificación clara de su eje, lo cual resulta fundamental tanto para la fotogrametría aérea como para los escaneados. 21 Los GCPs proporcionan un control preciso de toda la información captada, asegurando la calidad y exactitud del proceso de georreferenciación y modelado. a b Figura 5 a) Diana de Metashape, b) Diana genérica Tabla 1 Características de los equipos Equipo Tipo Características Leica Flexline TS02 TSS Precisión angular: 5” / 7” / 9” Precisión distancia: ±2 mm + 2 ppm Alcance sin reflector: Hasta 500 m Memoria interna: 24,000 puntos Comunicación: USB y RS232 Peso: 4.8 kg DJI Mavic 3 Enterprise UAV Cámara: CMOS 4/3 de 20 MP Zoom: Teleobjetivo híbrido de hasta 56x Autonomía: Hasta 45 min Precisión RTK: Centimétrica Modos de vuelo: Waypoints, Live Mission Recording, Terrain Follow Alcance de transmisión: Hasta 15 km con O3 Enterprise Sensores de obstáculos: Detección omnidireccional Peso: 915 g Leica BLK360 PTLS Rango de escaneo: Hasta 60 m Precisión: ±4 mm a 10 m Velocidad: 360,000 puntos/seg Campo de visión: 360° horizontal / 300° vertical Cámara integrada: HDR esférica de 150 MP Formato de salida: E57, RCP, PTS Procesamiento: Posterior en software Conectividad: Wi-Fi y USB-C Autonomía: Hasta 2 horas. Baterías intercambiables Peso: 1 kg Dimensiones: 165 mm (altura) x 100 mm (diámetro) RIEGL VZ-400i TLS Rango de escaneo: Hasta 800 m Precisión: ±5 mm Velocidad: 500,000 puntos/seg Campo de visión: 360° horizontal / 100° vertical Cámara integrada: HDR y panorámica integrada Formato de salida: LAS, E57, RDB, otros Procesamiento: En tiempo real con IA Conectividad: USB, Ethernet, Wi-Fi, 4G opcional 22 Autonomía: Hasta 2,5 horas. Baterías intercambiables Peso: 9.8 kg Dimensiones: 308 mm x 174 mm x 176 mm Leica Viva GS08 Plus GNSS Precisión horizontal: 10 mm + 1 ppm Precisión vertical: 20 mm + 1 ppm Modos de operación: RTK, Estático, Cinemático Conectividad: Bluetooth, GSM/GPRS Nikon D80 + DX NIKKOR 18-135 DSLR Sensor: CCD 10.2 MP ISO: 100-1600 Lente: 18-135 mm f/3.5-5.6 Pantalla: 2.5” LCD Almacenamiento: SD/SDHC Peso: 668 g (solo cuerpo) Panasonic DMC-GX80 EVIL Sensor: Live MOS de 16 MP (Micro Cuatro Tercios). Sistema de estabilización: Dual I.S. (5 ejes). Pantalla: táctil inclinable de 3 pulgadas. ISO: 200-25,600 Sistema de enfoque: DFD con 49 puntos. Conectividad: WiFi integrada. Cabe destacar la incorporación del nuevo controlador Leica CS20, recientemente adquirido por el Departamento de Topografía. Aunque en este proyecto su uso ha sido limitado y no ha permitido explorar todas sus funcionalidades, es notable su facilidad de manejo y lo intuitivo de su interfaz, especialmente en comparación con los modelos CS10, que hasta ahora eran los utilizados habitualmente en el dicho Departamento. 3. Metodología Una vez seleccionados los modelos de estudio, la Torre de San Antonio, en Olivares, y la Torre del Águila, en Utrera, se procedió a la fase de adquisición de datos. En campo, se colocaron puntos de control tanto en el suelo como en las fachadas de ambas estructuras. Estos puntos fueron tomados mediante estación total, y en el caso de los situados en el suelo, también con receptor GNSS, lo que permitió su georreferenciación con precisión global. Para la captura aérea, se planificó un vuelo de dron que combinó tomas oblicuas y ortogonales a cada una de las caras de las torres. Paralelamente, se realizaron escaneos láser terrestres con dos equipos diferentes, completando así la documentación tridimensional. En el caso particular de la Torre del Águila, que presenta accesibilidad a su interior, se empleó adicionalmente una cámara terrestre. Se distribuyeron puntos de control en suelo y paredes interiores, tomados con estación total, ya que el uso de GNSS no es viable en espacios cerrados. Para la documentación fotogramétrica, se utilizó una cámara réflex digital con dos finalidades: capturar el recorrido desde el exterior hasta el interior, facilitando el enlace entre ambos entornos, y documentar la planta baja completa. La planta superior, debido al deterioro de las escaleras, fue registrada mediante una cámara montada en una pértiga, equipada con sistema de disparo remoto. Todas las imágenes obtenidas, tanto exteriores como interiores, incluidas las tomadas con la pértiga, fueron procesadas en 23 Agisoft Metashape (Agisoft LLC, 2025), generando nubes de puntos independientes para el exterior e interior de la torre. En gabinete, se procedió al tratamiento y análisis de todos los datos recogidos. Las nubes de puntos generadas a partir de las imágenes fueron procesadas en Agisoft Metashape (Agisoft LLC, 2025), mientras que las obtenidas mediante escáneres láser se trataron en sus respectivos softwares, (Leica Geosystems, 2025) y (RIEGL Laser Measurement Systems, 2025). En el caso de la Torre del Águila, las dos nubes, interior y exterior, se unificaron a través de una transformación de coordenadas. Para ello, se emplearon pares homólogos entre puntos tomados con estación total, en coordenadas locales, y con GNSS, en coordenadas globales; permitiendo así la georreferenciación precisa del interior. Una vez transformadas, ambas nubes pudieron insertarse correctamente en Archicad (Bojàr, 2025), software BIM en el que se desarrolló el modelado. 3.1. Trabajo de gabinete previo Una parte fundamental del trabajo consistió en la adecuada selección de los modelos de estudio, teniendo en cuenta diversos factores como la geometría de las estructuras, su estado de conservación, las condiciones de accesibilidad física, especialmente relevantes debido al transporte de equipos voluminosos y sensibles; así como la viabilidad operativa para el vuelo de drones. Este último aspecto está condicionado por la necesidad de obtener permisos en zonas urbanas o espacios restringidos, los cuales pueden ser consultados previamente en visores como (ENAIRE Drones, 2025). Ambas torres seleccionadas cumplen satisfactoriamente con estos requisitos. Por un lado, la Torre de San Antonio, ubicada en Olivares, presenta una mayor altura, lo que resulta especialmente útil para evaluar el rendimiento de los escáneres terrestres en zonas elevadas y de difícil cobertura, aportando complejidad al proceso de captura. Por otro lado, la Torre del Águila, situada en Utrera, destaca por su irregularidad volumétrica producto de su estado de conservación, lo que enriquece el análisis comparativo. Además, el acceso al interior de esta última ha permitido incorporar una parte clave del estudio: la alineación interior-exterior mediante transformación de coordenadas, utilizando puntos de control para vincular ambos entornos en un mismo sistema georreferenciado. Una vez seleccionados los modelos de estudio, resulta fundamental disponer de los recursos técnicos y humanos necesarios para la ejecución del trabajo de campo, así como contar con una planificación previa detallada. Uno de los factores clave en esta fase es la meteorología: los días nublados son especialmente favorables, ya que minimizan la presencia de sombras marcadas y evitan fuertes contrastes lumínicos entre las distintas caras de los modelos, lo que mejora significativamente la calidad fotogramétrica de los resultados. Del mismo modo, es imprescindible prever de forma realista la duración de cada intervención. En el presente trabajo, esta estimación fue subvalorada, lo cual derivó en una serie de complicaciones durante la fase de procesado de los datos, las cuales se detallarán más adelante. En cuanto al equipo empleado, destaca el uso del dron DJI Mavic 3 Enterprise, que cuenta con una interfaz muy intuitiva para la planificación automática de vuelos, facilitando en gran medida la toma de datos aéreos. No obstante, en este proyecto no se llegó a utilizar un plan 30 Figura 11 Histograma de desviación 3.3.2. Fotogrametría Tras abordar los aspectos teóricos de la fotogrametría en la memoria de investigación, este apartado se centra en el desarrollo práctico de la metodología aplicada para la generación de modelos tridimensionales a partir de imágenes. Para ello, se emplearon técnicas tanto aéreas como terrestres, combinando diferentes tipos de cámaras y estrategias de captura, con el objetivo de generar nubes de puntos de alta densidad y calidad métrica. El procesamiento de las imágenes se realizó íntegramente con el software Agisoft Metashape (Agisoft LLC, 2025), cuyas funcionalidades permiten configurar con precisión cada etapa del flujo fotogramétrico, desde la alineación hasta la generación del modelo 3D georreferenciado. Como se explicó en el apartado de trabajo de campo, se realizaron vuelos fotogramétricos que incluyeron imágenes oblicuas, seguidas de un vuelo cenital con capturas ortogonales al terreno y un conjunto específico de imágenes ortogonales a cada una de las fachadas. Esta secuencia responde a una planificación metodológica diseñada para garantizar la cobertura integral del conjunto, permitiendo una reconstrucción tridimensional completa, detallada y coherente tanto a nivel del entorno como de los elementos arquitectónicos verticales. Las imágenes oblicuas permiten ampliar los ángulos de visión y aumentar el solapamiento lateral entre capturas, lo que mejora considerablemente la reconstrucción de volúmenes complejos, cornisas o elementos que sobresalen de las fachadas. A su vez, las imágenes ortogonales tomadas perpendicularmente a cada paramento maximizan la calidad geométrica en la reconstrucción de planos verticales, evitan distorsiones asociadas a la proyección oblicua y facilitan la generación de texturas más precisas y limpias. Esta combinación de enfoques resulta especialmente adecuada en estructuras patrimoniales, donde los elementos arquitectónicos deben documentarse con el mayor rigor posible para su posterior análisis o modelado en entornos BIM. El proceso comenzó con la creación de un chunk en Agisoft Metashape (Agisoft LLC, 2025), al que se incorporaron todas las imágenes obtenidas mediante dron. Estas fotografías se almacenaron previamente en un directorio único, lo que facilitó la gestión de rutas durante la importación. Para la orientación inicial, se seleccionó una precisión media, lo que implica que las imágenes se procesan a una resolución reducida para la detección de puntos clave, logrando 31 un equilibrio adecuado entre precisión geométrica y rendimiento computacional. Además, se activó la preselección de referencia, opción que aprovecha los datos GNSS embebidos en las imágenes para reducir el número de pares a analizar, acelerando el proceso de emparejamiento. Esta función resulta especialmente útil cuando se dispone de imágenes con RTK activado, como en este caso, ya que proporciona coordenadas absolutas con una precisión centimétrica. Una vez completada la orientación inicial, se procedió a la incorporación de los marcadores manuales correspondientes a los GCPs. Para facilitar su localización en las imágenes, se utilizaron los puntos de paso (Figura 12a) generados durante la alineación como referencia visual. Estos puntos permiten estimar la posición aproximada de cada GCP en el modelo tridimensional. A partir de ellos, se filtraron las imágenes por los puntos de paso seleccionados, esto restringe la visualización a las imágenes en las que aparece un punto seleccionado, lo cual agiliza significativamente el proceso de marcado. De este modo, fue posible ubicar con precisión los marcadores sobre las imágenes adecuadas (Figura 12b), asegurando una correcta asociación entre los datos de coordenadas GNSS y su representación visual en el modelo. a b Figura 12 a) Puntos de paso en Metashape, b) Marcador sobre GCP en fotografía Tal como se ha indicado anteriormente, a pesar de contar con RTK, el dron trabaja con alturas ortométricas relativas al punto de despegue, lo cual genera desviaciones en el eje Z aproximadas a los 50m en esta zona. Por ello, se importaron los GCPs levantados con GNSS georreferenciado en el sistema ETRS89 / UTM zona 30N, asignando a cada marcador la misma nomenclatura que en el fichero de puntos. Las coordenadas se importaron desde archivo .txt, seleccionando el sistema de referencia correspondiente y desactivando la georreferenciación automática de las imágenes (Figura 13a). Posteriormente, se actualizó la orientación del modelo, lo que provocó un reajuste en altitud conforme a los datos del GNSS. Con la orientación corregida, se generó la nube de puntos densa en calidad alta (Figura 13b), activando un filtrado de profundidad leve, lo que permitió mantener un alto nivel de detalle morfológico sin introducir ruido excesivo. Esta nube fue posteriormente clasificada de forma automática, distinguiendo entre terreno y objetos elevados. Tras este proceso, se realizó una corrección manual de los errores de clasificación, especialmente en áreas donde la vegetación o sombras generaban confusión (Figura 14a). 32 a b Figura 13 a) Referencia fotográfica y marcadores en Metashape, b) Nube de puntos densa A partir de los puntos clasificados del terreno, se generó una malla de baja resolución (Figura 14b) destinada a su uso como plano base topográfico en entorno BIM. Dado que su única finalidad es servir de apoyo geométrico general, se priorizó la reducción del número de caras para evitar un peso excesivo que ralentizara el rendimiento del modelo. La malla generada inicialmente constaba de 3.107.398 caras, pero tras los procesos de simplificación y suavizado, fue reducida a tan solo 10.000 caras, lo que supuso una disminución del 99,7 % en la complejidad geométrica. Esta optimización se aplicó de forma diferenciada por zonas, aplicando una reducción especialmente agresiva en las áreas cubiertas por vegetación, donde predominaban superficies irregulares o deformadas (Figura 15a). a b Figura 14 a) Clasificación de puntos, b) Malla del terreno calidad baja Finalmente, se generó una segunda nube de puntos en calidad extra alta (Figura 15b), limitada únicamente a la zona de la torre, con el objetivo de aumentar la densidad de información geométrica en los elementos arquitectónicos de interés. Esta nube, más detallada, facilitará el trabajo posterior de modelado en entorno BIM, asegurando la precisión necesaria para una correcta documentación arquitectónica. A modo comparativo, mientras que la nube general del conjunto generada en calidad alta alcanzó un total de 143.348.314 puntos, la nube centrada exclusivamente en la torre superó los 166.976.237 puntos, evidenciando el incremento de densidad logrado mediante un procesado específico y localizado. 33 a b Figura 15 a) Malla del terreno reducida, b) Nube densa calidad extra alta de la torre Con este conjunto de procesos se da por finalizada la fase de fotogrametría aérea aplicada a ambas torres. La documentación obtenida ofrece una representación completa del entorno y de los elementos arquitectónicos exteriores, lo que constituye una base sólida para su análisis y modelado posterior en entorno BIM. No obstante, en el caso específico de la Torre del Águila, fue posible realizar también una captura terrestre complementaria, centrada en el registro del interior del edificio, lo cual permitió aumentar significativamente el nivel de detalle en zonas inaccesibles para el dron. El proceso seguido para la obtención de la nube de puntos a partir de las imágenes terrestres fue, en esencia, similar al descrito para las imágenes aéreas, si bien se introdujeron ciertos matices adaptados a las condiciones del interior. En este caso, los puntos de control fueron generados previamente mediante el propio software Agisoft Metashape (Agisoft LLC, 2025), lo que permitió que su ubicación en las imágenes se realizara de forma automática durante la fase de alineación (Figura 16a). Para la georreferenciación precisa del modelo interior, se utilizaron las coordenadas transformadas de dichos puntos, calculadas, anteriormente, a partir de los pares homólogos exteriores mediante la matriz de transformación descrita en el apartado de georreferenciación. Con la creación de la nube de puntos densa correspondiente al interior de la Torre del Águila (Figura 16b), se completa la fase de fotogrametría terrestre. Esta aportación permitió documentar aquellas zonas inaccesibles para la captura aérea, especialmente en el interior del edificio, garantizando una reconstrucción integral del conjunto. La nube resultante, georreferenciada mediante la matriz de transformación aplicada a los puntos de control internos, se integró con el modelo exterior, formando una única base tridimensional coherente sobre la que se desarrollarán los análisis y el posterior modelado BIM. Para facilitar esta integración, las nubes de puntos fueron exportadas en formato .E57, mientras que la malla del terreno se exportó en formato .fbx, ambos completamente compatibles con el software Archicad (Bojàr, 2025). 34 a b Figura 16 a) Marcadores, b) Nube de puntos densa 3.3.3. Escáner BLK 360 El procesamiento de los datos del escáner BLK se llevó a cabo en el software Cyclone REGISTER 360, una plataforma desarrollada por Leica Geosystems específicamente para la gestión y registro de nubes de puntos. Este software permite tanto flujos de trabajo automatizados como alineaciones manuales, ofreciendo herramientas de ajuste fino, limpieza, optimización y exportación compatibles con los estándares de la industria, incluyendo formatos como .E57. En condiciones ideales, el flujo de trabajo habitual con el BLK360 incluye la ayuda de una Tablet de campo vinculada al escáner, que permite visualizar y orientar los escaneos en tiempo real, facilitando su alineación directa durante la captura. Sin embargo, por motivos de limitaciones logísticas y una planificación de campo insuficiente, no se utilizó este sistema de apoyo. Esto obligó a realizar posteriormente una alineación manual en el entorno de Cyclone REGISTER 360. Aunque el software ofrece funciones de registro automático incluso sin alineación previa en campo, en el caso concreto de las torres esto resultó poco eficaz. La geometría cerrada, las esquinas marcadas y el escaso solape directo entre algunas estaciones de escaneo dificultaron significativamente la alineación automática. Por ello, se optó por una alineación manual utilizando referencias visuales y puntos arquitectónicos coincidentes (Figura 17). a b Figura 17 Alineación en Cylone, a) Alineación en planta, b) Alineación en alzado 35 Este método, aunque viable, introduce ciertos errores de registro, especialmente en zonas de baja redundancia geométrica. Dichas imprecisiones podrían haberse mitigado mediante un mayor número de escaneos, aumentando el solape entre estaciones y garantizando una mayor cobertura desde diferentes ángulos. Esta situación pone de manifiesto la importancia de una adecuada planificación previa del levantamiento, así como de la utilización de herramientas de apoyo en campo que, en este caso, habrían optimizado el rendimiento del escáner y la calidad del registro final. Una vez alineadas las estaciones, se procedió a la limpieza de la nube, eliminando puntos residuales, elementos móviles y zonas con ruido. Finalmente, los datos fueron exportados en formato .E57 para su posterior análisis. 3.3.4. Escáner RIEGL El procesamiento de los datos obtenidos con el escáner terrestre RIEGL VZ-400i se llevó a cabo mediante el software RiSCAN PRO (RIEGL Laser Measurement Systems, 2025), desarrollado por RIEGL como plataforma especializada para la gestión, tratamiento y registro de nubes de puntos generadas por sus dispositivos. Este software ofrece un entorno robusto de procesamiento con herramientas avanzadas para la importación, alineación, corrección y exportación de datos, así como funciones específicas de calibración y compensación de errores instrumentales. A diferencia de otros equipos más automatizados, el flujo de trabajo con el VZ-400i exige una configuración inicial detallada de los parámetros de escaneo y una planificación precisa de las estaciones de captura. El dispositivo es capaz de registrar metadatos de alta calidad, incluyendo información GNSS integrada y sensores inerciales (IMU), lo cual habilita una pre-georreferenciación automática de las nubes cuando las condiciones GNSS son favorables. No obstante, este sistema de georreferenciación directa presenta una precisión limitada, especialmente en entornos urbanos o con obstrucciones verticales, lo que requiere una revisión y ajuste posterior. Tras el registro, se realizó una limpieza de la nube de puntos, eliminando ruido procedente de la vegetación, elementos móviles o superficies mal definidas. Posteriormente, los datos fueron exportados en formato .E57, compatible con los flujos de trabajo BIM y con los softwares de análisis utilizados en etapas posteriores del proyecto. 3.3.5. Modelado HBIM Dentro del conjunto de herramientas disponibles en el entorno BIM, se ha optado por la utilización de Archicad para el modelado de ambas torres. En términos de definición geométrica, el nivel de desarrollo alcanzado se aproxima a un LOD 100, aunque en edificaciones históricas esta clasificación debe entenderse con matices. A diferencia de modelos convencionales, el valor documental de estas torres reside en la representación fiel de sus deterioros y singularidades geométricas. En este sentido, la torre del Águila puede dar la impresión de estar modelada con mayor detalle, debido a la facilidad para incorporar sus volúmenes perdidos, como huecos amplios por la expropiación de sillares, que son de sencilla representación en términos geométricos. Por el contrario, la torre de San Antonio presenta deterioros más sutiles y complejos, cuya geometría resulta difícil de reproducir con precisión en Archicad, lo que limita una modelización centrada en los cuatro paramentos principales y sus correspondientes aperturas. 36 El proceso de modelado se inicia con la importación de las nubes de puntos al entorno BIM mediante técnicas de interoperabilidad. Dado que las nubes se encuentran previamente georreferenciadas, se respeta el sistema de coordenadas original del proyecto. Para una correcta inserción, se toma como referencia uno de los niveles del proyecto. Este procedimiento adquiere especial relevancia en el caso de la torre del Águila, ya que se dispone de dos nubes independientes, interior y exterior, que deben integrarse con precisión espacial dentro del modelo único. Dado que las nubes de puntos están referenciadas a coordenadas reales, su importación las sitúa lejos del origen interno de Archicad, por lo que es necesario realizar una localización manual dentro del espacio de trabajo. Es importante señalar que el uso de nubes de puntos afecta considerablemente al rendimiento del software BIM, especialmente cuando se trabaja con modelos de alta densidad. Para mantener un flujo de trabajo operativo y eficiente, se recomienda utilizar configuraciones de capa y trabajar en el mapa de vistas, así como limitar la profundidad de las secciones (Figura 18). Estas estrategias permiten cargar únicamente las porciones necesarias de la nube de puntos, reduciendo el peso computacional y optimizando la experiencia de modelado según el contexto de trabajo. Figura 18 Planta en Archicad y mapa de vistas Una vez establecida la base del entorno gráfico, se procede a la generación de geometría mediante la herramienta “Trazar”, que facilita el modelado sobre vistas semitransparentes tomadas como plantilla (Figura 19a). En el caso de la torre del Águila, se utilizaron herramientas específicas como “Hueco” para representar las ausencias volumétricas producidas por la pérdida de elementos constructivos. En cuanto a la torre de San Antonio, cuya geometría se resuelve mediante elementos más sencillos, se optó por mejorar su expresividad mediante el uso de texturas. Archicad dispone de una biblioteca de materiales con texturas aplicables tanto en representación 3D como en renderizado. Sin embargo, dado que los aparejos de la torre del Águila no presentan patrones 37 repetitivos, la aplicación de texturas se restringió al modelo de San Antonio. Para ello, se emplearon imágenes extraídas de fotografías ortogonales tomadas durante el vuelo del dron. Estas imágenes fueron rectificadas en Photoshop para obtener una porción homogénea y repetible (Figura 19b). Una vez generada la textura, se creó un nuevo material en Archicad y, mediante el uso de la herramienta “Trazar”, se delimitaron las zonas correspondientes a ladrillo cerámico o tapial, según el acabado visible en cada fachada. a b Figura 19 a) Muros con trazo de nube de puntos, b) Imagen rectificada Finalmente, a ambos modelos se les incorporó la topografía del terreno, previamente exportada como malla en formato .FBX desde el software de fotogrametría (Figura 20), asegurando así la contextualización espacial de los modelos dentro de su entorno real. a b Figura 20 a) Torre de San Antonio, b) Torre del Águila Cabe destacar, además, el modelado del interior de la Torre del Águila, posible gracias a la nube de puntos obtenida mediante fotogrametría terrestre (Figura 21). 38 Figura 21 Renderizados del interior de la Torre del Águila 4. Análisis Con el objetivo de evaluar la calidad, consistencia y precisión de los datos obtenidos a través de las distintas metodologías de captura (Figura 22), se desarrollaron diversos procesos de análisis combinando herramientas geomáticas, programación científica y visualización avanzada. Para ello, se implementaron scripts en Python destinados al preprocesamiento de las nubes de puntos, incluyendo la conversión y homogeneización de formatos, así como el filtrado inicial de datos. Figura 22 Gráfico de la metodología de trabajo 39 Uno de los primeros aspectos analizados fue la precisión del proceso de georreferenciación. Para ello, se calcularon matrices de transformación entre las coordenadas obtenidas mediante receptor GNSS en modo RTK y aquellas registradas con estación total. Los algoritmos diseñados en Python permitieron ajustar transformaciones rígidas (rotación, traslación y escala) y evaluar la fiabilidad del alineamiento resultante mediante análisis métricos y visuales. Asimismo, se llevó a cabo una evaluación comparativa de las nubes de puntos generadas, centrándose en parámetros como la densidad de puntos, su distribución espacial y la precisión métrica a distintas alturas de las torres. Estos datos fueron analizados con rutinas estadísticas y gráficas generadas en Python, permitiendo establecer diferencias cualitativas y cuantitativas entre los distintos sistemas de captura empleados (fotogrametría, escáner BLK360 y RIEGL). En paralelo, se examinó la precisión geométrica de los modelos HBIM obtenidos a partir del modelado sobre nube de puntos, comparando sus dimensiones y volúmenes con respecto a los datos originales. Para facilitar este análisis, se automatizó parcialmente el proceso de segmentación geométrica mediante algoritmos de detección de simetrías axiales y perfiles característicos, implementados también en Python. 4.1. Análisis de la matriz de transformación entre nube de puntos y GCP En el campo de la ingeniería geomática se han desarrollado numerosos trabajos topográficos utilizando tecnología GPS, con el objeto de integrar nube de puntos georreferenciadas en entornos de metodología BIM. Sin embargo, cuando estas mediciones se realizan mediante GPS con tecnología Real Time Kinematic (RTK), pueden presentarse variaciones en los resultados debido a la presencia de obstáculos como edificaciones o cobertura arbórea. Por esta razón, es necesario complementar las mediciones con coordenadas cartesianas precisas obtenidas mediante una estación total, referidas a un sistema local, posteriormente transferidas al sistema georreferenciado. Tanto el GPS como el registro de la estación total (TSS) son tecnologías ampliamente utilizadas en topografía. No obstante, es imprescindible diseñar procedimientos de levantamiento optimizados para garantizar una correcta georreferenciación en el entorno BIM. Aunque existen estudios preliminares que comparan el rendimiento del sistema RTK frente a las estaciones totales (Lin & Vii, 2004), el objetivo del presente trabajo es establecer una correlación directa entre ambos sistemas. Esto permitirá identificar las variaciones sistemáticas entre ambas tecnologías y calcular la matriz de transformación adecuada para alienar los datos de manera confiable. En el proyecto de documentación geomática del sitio Torre del Águila, se ha definido un sistema de referencia global basado en el sistema geocéntrico WGS84 (EPSG::4978), con reporte geográfico en WGS84 con altitud elipsoidal (EPSG::4979). El origen del proyecto se localiza en coordenadas geográficas latitud 37° 3' 8.166376" N, longitud 5° 45' 6.434305" W, y una altitud elipsoidal de 157.2578 metros. Para las operaciones locales de levantamiento y modelado, se adopta un sistema cartesiano nivelado de coordenadas estenorte-arriba (PRCS), vinculado al sistema GNSS de referencia. Este enfoque garantiza la 46 Discusión de los resultados de este apartado El análisis comparativo (primer caso) de las matrices de transformación entre ICP con CloudCompare (Girardeau-Montaut, 2025) y el uso de códigos Python mediante AI, revela una concordancia perfecta en los parámetros rotacionales, donde ambas matrices presentan una rotación principal de 28.05° en el eje Z (arctan (0.469/0.883)) y rotaciones residuales mínimas en los ejes X e Y (~0.06°), con determinantes unitarios que confirman la validez geométrica de las transformaciones rígidas. Sin embargo, los vectores de traslación exhiben diferencias significativas en las componentes planares: 255,000 m en X y 4,104,000 m en Y, mientras que la componente altimétrica Z presenta una diferencia mínima de 0.43 m, lo que indica que ambas matrices describen la misma transformación geométrica, pero en diferentes marcos de referencia geodésicos. La matriz ICP (-1,062.84, -199.59, 6.60) representa una transformación en coordenadas locales relativas, típica de sistemas topográficos de campo, mientras que la matriz Python (253,937.11, 4,103,800.18, 7.03) incorpora las traslaciones absolutas hacia un sistema geodésico global como UTM o geográfico, evidenciando que la diferencia no constituye un error algorítmico sino una diferencia conceptual en los sistemas de referencia empleados. Esta coherencia en la componente rotacional y la mínima discrepancia altimétrica (43 cm) validan matemáticamente ambas soluciones y confirman que la elección entre matrices debe basarse en los requerimientos específicos del marco de referencia del proyecto: local para aplicaciones topográficas directas o absoluto para georreferenciación cartográfica. El análisis comparativo de las matrices de transformación para el levantamiento de la Torre de San Antonio demuestra una consistencia fundamental en los parámetros de orientación angular, donde ambas matrices presentan una rotación principal de aproximadamente 91.8° en el plano XY (arctan(-0.999/-0.032) ≈ arctan(-0.9803/-0.0197)), con rotaciones residuales mínimas pero detectables: la matriz ICP muestra rotaciones prácticamente nulas en los ejes X e Y (-0.001 rad), mientras que la matriz Python evidencia rotaciones pequeñas pero significativas (0.0021 rad en X, -0.0139 rad en Y), sugiriendo una mayor complejidad en la transformación 3D completa. Los vectores de traslación revelan nuevamente diferencias sustanciales en las componentes planares: 1,517 m vs 4,114,834 m en X, y -340 m vs 605,188 m en Y, con una diferencia altimétrica más pronunciada de aproximadamente 57,460 m (-33.065 m vs 57,427.59 m), indicando que la matriz ICP opera en un sistema de coordenadas locales centrado en la estructura, mientras que la matriz Python referencia el sistema geodésico absoluto con las correspondientes traslaciones hacia el datum global. La presencia de rotaciones no nulas en todos los ejes en la solución Python (incluyendo una rotación significativa de -0.0139 rad en Y) sugiere que la transformación completa requiere correcciones tridimensionales más complejas que las capturadas por el algoritmo ICP simplificado, lo que es típico cuando se integran datos topográficos locales de alta precisión con sistemas de referencia geodésicos globales que incluyen correcciones por curvatura 47 terrestre y convergencia meridiana. Este ejemplo lo podemos ver en la gráfica de transformadas y destinos de la Figura 27. Figura 27 Visualización del conjunto de puntos en origen y vectores de transformación a punto destino. 4.2. Mediciones de la calidad de la nube de puntos 4.2.1. Parámetros y métricas de calidad Para conocer la calidad geométrica de los modelos BIM, se hace necesario conocer primero la calidad de la nube de puntos, es decir la calidad del procesamiento de datos (Fryskowska & Stachelek, 2018). Uno de los principales parámetros de escaneo es la resolución espacial, desde un punto de vista objetivo la definimos como densidad de puntos 𝑚, y donde la calidad de los datos viene representada en la Fórmula 7. 𝑄=1-[𝑚 𝑠] Fórmula 7 Donde la 𝑄 representa la calidad de los datos, 𝑚, es la densidad de puntos de objeto, y 𝑠, es el tamaño mínimo de la característica. Esta ecuación fue definida por (D. Barber et al., 2003) y muestra el tanto por ciento de confianza en que la característica sea visible, es decir, el tanto por ciento de que el conjunto de puntos represente el objeto. Existen otros métodos que podrían determinar la confianza en la calidad de la nube puntos como la función sigmoidea para modelar la probabilidad de detección de características Fórmula 8. 𝑃𝑑𝑒𝑡𝑒𝑐𝑡=1 1+𝑒−𝑘(𝑚−𝑠) Fórmula 8 48 Donde 𝑃𝑑𝑒𝑡𝑒𝑐𝑡 es la probabilidad de detectar características, 𝑘, es el parámetro de ajuste que controla la transición entre detección y no detección, 𝑚, es la densidad de puntos, y 𝑠, es el tamaño de la característica. Las dos características anteriores que se han citado como: la calidad de los datos y la confianza, están determinadas mediante el parámetro de densidad de puntos. Pero éste no es solo el parámetro que puede determinar la calidad de una nube de puntos, así (Rebolj et al., 2017) menciona tres tipos de parámetros: densidad local mínima, precisión local mínima y nivel de dispersión. La densidad de puntos se define como el número de puntos por metro cuadrado, o también se podría establecer por metros cúbicos siguiendo la Fórmula 9. 𝐷𝑔= 𝑁 𝑉 Fórmula 9 Donde 𝐷𝑔 es la densidad de puntos global, 𝑁, es el número total de puntos, y 𝑉, es el volumen total del espacio ocupado por la nube de puntos. La precisión local mínima podría estimarse considerando los ángulos de visión y la trayectoria del escáner estimados en la Fórmula 10. 𝜎𝐿=√𝜎𝑟2+𝜎𝜃2𝑑2+𝜎∅2𝑑2 Fórmula 10 Donde 𝜎𝐿 es la precisión local mínima, 𝜎𝑟, es el error radial, 𝜎𝜃, es el error angular en el azimut, 𝜎∅, es el error angular de elevación, y 𝑑, es la distancia del punto al escáner. Este modelo matemático tiene importantes implicaciones para la lectura de escaneos de edificios históricos, y especialmente en torres de gran altura, dado que la precisión puede degradarse hasta quince veces en las partes más altas de un edificio, comparado con elementos más cercanos del registro. En el caso obtención de nubes de puntos a partir de vehículos autónomos podría entrar a evaluar el concepto de De-Distortion mediante algoritmos tradicional de agrupamiento euclidiano (Wen et al., 2019). Cómo en el estudio de edificios históricos es poco frecuente el uso de estas tecnologías más definidas en el ámbito urbanístico. También existen dos conceptos referentes a la calidad de la nube de puntos, la primera es el nivel de dispersión que mide la variabilidad espacial de los puntos dentro de una sola nube de puntos. La dispersión 𝐷𝑝 puede definirse matemáticamente por la Fórmula 11 y cuantifica homogeneidad y heterogeneidad de densidad. 𝐷𝑝=1 𝑛∑‖𝑃𝑖−𝑃‖ 𝑁 𝑖=1 2 Fórmula 11 Otro concepto es la similitud estructural que mide el grado en que dos formas o estructuras comparten patrones geométricos y evalúa la correspondencia de características 49 independientes de trasformaciones. Por tanto, supuestamente en un proceso experimental si se tienen dos subconjuntos 𝐴 𝑎𝑛𝑑 𝐵 se podría medir a través de la distancia de Hausdorff normalizada, según la Fórmula 12. Aunque otros autores como (Javaheri et al., 2020) puedan introducir el valor del vector resultante de la conexión entre (𝐴,𝐵) al punto vecino más cercano. 𝑑𝐻(𝐴,𝐵)=𝑚𝑎𝑥{𝑠𝑢𝑝𝑎∈𝐴𝑖𝑛𝑓𝑏∈𝐵‖𝑎−𝑏‖,𝑠𝑢𝑝𝑏∈𝐵𝑖𝑛𝑓𝑎∈𝐴‖𝑏−𝑎‖} Fórmula 12 Donde 𝜇𝐴 y 𝜇𝐵 son las medias de características de las nubes de puntos, como disntacia centroide, 𝜎𝐴 y 𝜎𝐵 son las desviaciones estándar de dichas características, 𝐶1, 𝐶2, 𝐶3 son constantes pequeñas para estabilizar la división cuando los denominadores son próximos a cero. 4.2.2. Bases de experimentación Para conocer las distintas métricas de calidad se propone un experimento se llevó a cabo con dos muestras de cada una de las nubes de puntos; una en la parte inferior de la torre y otra en la parte superior, tomadas en un lado de cada torre; San Antonio y El Águila. Además se han tenido en cuenta los tres tipos de datos; 𝑃𝑇𝐿𝑆,𝑃𝑃𝐿𝑆,𝑃𝑈𝐴𝑉 con mediciones correspondientes para cada una de las muestras. Todo ello generará doce resultados a comparar entre las distintas tecnologías. En las seis etapas de registros de nube de puntos es conveniente mostrar la definición de los tres tipos de tecnologías para la captura 3D. La primera se obtiene desde distintas posiciones del escáner láser terrestre de última generación RIEGL VZ-400i. La posición fija se obtiene sobre trípode capturando desde un punto estático 𝑃𝑇𝐿𝑆 que define la Fórmula 13. 𝑃𝑇𝐿𝑆={𝑃𝑖=(𝑥𝑖,𝑦𝑖,𝑧𝑖,𝐼𝑖,𝜃𝑖,∅𝑖) |𝑖=1,…,𝑁𝑇𝐿𝑆} Fórmula 13 Donde: (𝑥𝑖,𝑦𝑖,𝑧𝑖) son las coordenadas 3D de cada uno de los puntos, 𝐼𝑖 es la intensidad del retorno del láser, 𝜃𝑖,∅𝑖, son los ángulos del escaneo, en acimut y elevación y 𝑁𝑇𝐿𝑆 es el número total de puntos. La segunda se obtiene a través del escáner Leica BLK360 que utiliza la tecnología Waveform Digitizing (WFD). La posición fija se obtiene sobre trípode capturando desde un punto estático 𝑃𝑃𝐿𝑆 que define la Fórmula 14. 𝑃𝑃𝐿𝑆={𝑝𝑖=(𝑥𝑖,𝑦𝑖,𝑧𝑖,𝐼𝑖,𝜃𝑖,∅𝑖) |𝑖=1,…,𝑁𝑇𝐿𝑆} Fórmula 14 La tercera obtenida desde el dron o sistema UAV fotogrametría aérea. La posición en movimiento es obtenida mediante tres planes de vuelos inteligente; con captura de imágenes cenitales, oblicuas y ortogonales a cada fachada y marca el conjunto de puntos obtenido por el dron según la Fórmula 15. 𝑝𝑈𝐴𝑉={𝑝𝑖=(𝑥𝑖,𝑦𝑖,𝑧𝑖,𝑐𝑖,𝑡𝑖,ℎ𝑖) |𝑖=1,…,𝑁𝑈𝐴𝑉} 50 Fórmula 15 Donde: (𝑥𝑖,𝑦𝑖,𝑧𝑖) son las coordenadas 3D de cada uno de los puntos, 𝑐 es el valor RGB del color que proviene de la fotogrametría, 𝑡𝑖,ℎ𝑖, es el tiempo del vuelo y la altura expresadas en metros respectivamente y 𝑁𝑈𝐴𝑉 es el número total de puntos obtenidos mediante tecnología UAV. Para obtener los resultados de las métricas de calidad se utilizaron cuatro tipos de software; el software Cloudcompare (Girardeau-Montaut, 2025) para trabajos de segmentación manual, Surfer v. 16 (Golden Software, 2025), Python (Van Rossum & Drake Jr, 1995), y para el análisis matemático Origin Pro_25. La simulación en python se ha realizado con JupyterLab (https://jupyterlab.readthedocs.io/en/stable/) and the Python library (numpy, pandas, matplotlib, scipy.sparse, scipy.sparse.linalg, among others) v3.7.1 (https://www.python.org/). El primer término va a ser la resolución espacial de los puntos que determina la calidad de la geometría de una malla 3D (Moyano et al., 2023) en el empleo de las tres tecnologías. Las métricas llevadas a cabo en la experimentación fueron; el número de puntos, el volumen total del área que ocupa el espacio tridimensional medidos en metros cúbicos y, que refleja el tamaño del objeto. Las tres áreas de proyección de la nube de puntos sobre el plano Á𝑟𝑒𝑎𝑥𝑦; Á𝑟𝑒𝑎𝑥𝑧; Á𝑟𝑒𝑎𝑦𝑧, la densidad por planos 𝐷𝑒𝑛𝑠𝑖𝑑𝑎𝑑𝑥𝑦, 𝐷𝑒𝑛𝑠𝑖𝑑𝑎𝑑𝑥𝑧, 𝐷𝑒𝑛𝑠𝑖𝑑𝑎𝑑𝑦𝑧 expresadas en puntos por centímetro cuadrado, la densidad promedio que es la media aritmética de las densidades anteriores. Y la densidad por radio en el r0.01 al r0.5 que mide la concentración de puntos en áreas muy pequeñas. Estas métricas en conjunto permiten una evaluación multidimensional de la calidad geométrica de las nubes de puntos, considerando tanto la distribución global como local de los puntos en el espacio, así como su comportamiento a diferentes escalas de análisis Figura 28. 51 Figura 28 Gráficos de araña de la comparación de casos de estudio por Tecnología Los datos analizados revelan diferencias significativas en la calidad geométrica de nubes de puntos obtenidas mediante tres tecnologías distintas [𝑃𝑈𝐴𝑉,𝑃𝑇𝐿𝑆,𝑃𝑃𝐿𝑆] en dos casos de estudio (Torre del Águila y Torre de San Antonio), con mediciones tanto en la parte inferior como superior. La tecnología 𝑃𝑇𝐿𝑆 presenta consistentemente el mayor número de puntos promedio (3294) en comparación con 𝑃𝑃𝐿𝑆 (1737) y 𝑃𝑈𝐴𝑉 (660), siendo especialmente notable en las mediciones de la Torre del Águila inferior y Torre de San Antonio superior donde alcanza 4373 y 4146 puntos respectivamente. Los resultados de cada una de las métricas se pueden observar en la Tabla 3. Tabla 3 Análisis de datos de número de puntos y densidades de los distintos conjuntos Caso de Estudio Tecnolog ía N.º_punt os volumen_to tal densidad_prome dio densidad_r0. 01 densidad_r0.0 25 densidad_r0. 05 densidad_r 0.1 densidad_r0. 25 densidad_r 0.5 (m³) (p/cm²) (p/cm²) (p/cm²) (p/cm²) (p/cm²) (p/cm²) (p/cm²) T. Aguila (inf) PUAV 257 0.0113 0.5318 0.3505 0.2962 0.2884 0.2314 0.1185 0.0327 T. Aguila (inf) PTLS 4373 0.0124 8.492 4,705 4,926 4,637 3,923 2,003 0.557 T. Aguila (inf) PPLS 4221 0.009 10,39 5,71 5,676 5,265 4,329 2,019 0,537 T. Aguila (sup) PUAV 535 0,0412 0,469 0.3432 0.3028 0.2980 0.2514 0.1666 0.0672 T. Aguila (sup) PTLS 1307 0.043 1,121 1,603 1,103 0,833 0,636 0,385 0,164 T. Aguila (sup) PPLS 1809 0.012 3,655 1,674 1,79 1,688 1,447 0,803 0,23 T. S. Antonio (inf) PUAV 746 0.020 1,028 0,459 0,65 0,638 0,533 0,299 0,095 T. S. Antonio (inf) PTLS 3349 0.021 4,458 2,994 2,906 2,759 2,371 1,338 0,426 T. S. Antonio (inf) PPLS 296 0.004 1,185 0,434 0,612 0,578 0,438 0,15 0,038 T. S. Antonio (sup) PUAV 1102 0.035 1,046 0,349 0,634 0,647 0,557 0,363 0,14 T. S. Antonio (sup) PTLS 4146 0.036 3,865 2,538 2,559 2,413 2,137 1,369 0,526 T. S. Antonio (sup) PPLS 621 0.012 1,186 0,337 0,625 0,626 0,516 0,281 0,079 52 En cuanto a densidad promedio, 𝑃𝑇𝐿𝑆 muestra los valores más altos (4.48 p/cm²), lo que sugiere una capacidad superior para capturar detalles geométricos finos. Todas las tecnologías exhiben una marcada reducción en la densidad al aumentar el radio de análisis, con valores que disminuyen aproximadamente un 86% al pasar de r=0.01 a r=0.5, reflejando la naturaleza no uniforme de la distribución de puntos en estructuras arquitectónicas complejas. Es particularmente interesante observar cómo la densidad varía según los planos proyectados (XY, XZ, YZ), siendo generalmente mayor en el plano XZ, lo que podría indicar una mayor concentración de detalles en las fachadas verticales de las torres analizadas. Los resultados también muestran que el volumen total digitalizado no siempre correlaciona directamente con la calidad de la nube de puntos, pues muestras con volúmenes similares presentan densidades muy diferentes, evidenciando que factores como la configuración del equipo y la metodología de captura tienen un impacto significativo en la representación geométrica final Figura 8. Figura 29 Matriz de densidades de las distintas tecnologías empleadas También se han obtenido otras métricas como son: la densidad local (K-NN) que cuantifica la concentración de puntos en el entorno inmediato de cada punto, calculada mediante el algoritmo de K vecinos más cercanos. La densidad mediana que es el valor central de distribución de densidades locales de la nube de puntos, eliminando los valores atípicos. La desviación estándar, medida estadística que cuantifica la variabilidad o dispersión de puntos respecto a su valor medio. El coeficiente de variación que se trata de una métrica adimensional que expresa la relación entre la desviación estándar y la media de la densidad. La ocupación de malla es el porcentaje del espacio total que está efectivamente ocupado por puntos de la nube cuando se divide el volumen en una malla regular y finalmente la uniformidad de densidad que en valores de 0-100, evalúa cuán constante es la densidad de puntos a través del modelo 3D, a valores más altos una distribución más homogénea. Todos estos valores quedan expresados en la Tabla 4 que pueden definirse como indicadores de la densidad de puntos. 53 Tabla 4 Análisis de datos de densidad local (K-NN), desviación media y puntuación de la calidad Caso de Estudio Tecnologia N.º_puntos Densidad Local (KNN) Densidad mediana Desviación estándar Coeficiente de variación Ocupación de malla Uniformidad de densidad Puntuación global de calidad T. Aguila (inf) PUAV 257 29.61 30.23 3.74 0.1262 3.20 % 80/100 62/100 T. Aguila (inf) PTLS 4373 120.10 120.66 12.11 0.1008 10.57 % 80/100 62/100 T. Aguila (inf) PPLS 4221 75.50 75.86 8.57 0.1136 10.30 % 80/100 62/100 T. Aguila (sup) PUAV 535 29.93 30.92 3.64 0.1218 5.22 % 80/100 62/100 T. Aguila (sup) PTLS 1307 60.03 58.37 17.47 0.2911 5.88 % 60/100 48/100 T. Aguila (sup) PPLS 1809 73.22 73.11 8.27 0.1130 10.71 % 80/100 62/100 T. S. Antonio (inf) PUAV 746 42.19 42.16 3.28 0.0779 6.89 % 100/100 76/100 T. S. Antonio (inf) PTLS 3349 94.91 95.44 9.03 0.0952 9.84 % 100/100 76/100 T. S. Antonio (inf) PPLS 296 41.06 42.06 2.65 0.0646 3.70 % 100/100 76/100 T. S. Antonio (sup) PUAV 1102 41.61 42.19 1.75 0.0423 7.4 % 100/100 76/100 T. S. Antonio (sup) PTLS 4146 88.79 89.31 7.96 0.0897 9.66 % 100/100 76/100 T. S. Antonio (sup) PPLS 621 41.47 42.19 1.91 0.0462 6.40 % 100/100 76/100 Los resultados del análisis de la calidad geométrica de nubes de puntos revelan patrones significativos en la representación digital de estructuras arquitectónicas históricas como las Torres del Águila y San Antonio. Las tres tecnologías evaluadas [𝑃𝑈𝐴𝑉,𝑃𝑇𝐿𝑆,𝑃𝑃𝐿𝑆] presentan perfiles distintivos, donde 𝑃𝑇𝐿𝑆 destaca por generar consistentemente nubes con mayor densidad (90.96 puntos/área según K-NN) y número de puntos (promedio 3294), pero sorprendentemente muestra el coeficiente de variación más elevado (0.1442), indicando distribuciones menos uniformes. Este hallazgo cuestiona la asunción tradicional de que una mayor densidad garantiza mejor calidad, respaldado por la débil correlación (-0.083) entre densidad K-NN y puntuación global. El análisis estadístico revela que la uniformidad en la distribución es un factor más determinante para la calidad geométrica que la densidad absoluta, como evidencia la fuerte correlación negativa (-0.865) entre el coeficiente de variación y la puntuación global, explicando por qué la Torre de San Antonio presenta calificaciones superiores (76/100) frente a la Torre del Águila (59.7/100) a pesar de contar, en algunos casos, con menor número de puntos. La tecnología 𝑃𝑃𝐿𝑆 emerge como una solución equilibrada, ofreciendo una densidad moderada (57.81 puntos/área) con buena uniformidad (coeficiente de variación 0.0844), mientras que 𝑃𝑈𝐴𝑉, aunque genera menor cantidad de puntos (promedio 660), logra una distribución notablemente homogénea en ciertos casos, particularmente en la Torre de San Antonio donde alcanza coeficientes de variación tan bajos como 0.0423. La ocupación de malla, que oscila entre 3.20% y 10.71%, subraya la naturaleza fundamentalmente dispersa de las nubes de puntos, donde incluso las digitalizaciones más densas cubren solo una fracción del volumen analizado, sugiriendo que la eficiencia en la distribución espacial de los puntos puede ser tan importante como su cantidad para lograr representaciones tridimensionales precisas y útiles para aplicaciones en conservación del patrimonio, documentación arquitectónica y análisis estructural de edificaciones históricas. 54 Con respecto a la similitud estructural que mide el grado en que dos formas o estructuras comparten patrones geométricos y evalúa la correspondencia de características independientes de trasformaciones, se mide la distancia de Hausdorff. La distancia Hausdorff normalizada mide la máxima distancia entre dos nubes de puntos, normalizada para obtener valores comprendidos entre 0 y 1 y donde 1 indica similitud perfecta. El valor de SSIM3D considera la estructura global y es menos afectado por pequeñas variaciones como la distancia de Hausdorff. Para calcular las métricas de calidad basadas en la distancia de Hausdorff, se requirieron dos conjuntos de puntos georreferenciados en un sistema de coordenadas común. Los conjuntos de datos fueron procesados mediante diversos softwares especializados. Se utilizó Cloudcompare (Girardeau-Montaut, 2025) para la alineación precisa de nubes de puntos mediante algoritmo Iterative Closest Point (ICP), segmentación manual de regiones de interés y obtención de matrices de transformación. La implementación de los algoritmos matemáticos para el cálculo de métricas de similitud se realizó en Python (Van Rossum & Drake Jr, 1995) mientras que el análisis estadístico de los resultados se efectuó con OriginPro 2023. El desarrollo computacional se implementó en un entorno JupyterLab (Jupyter, 2025) (https://jupyterlab.readthedocs.io/en/stable/) utilizando diversas bibliotecas de Python v3.9.7 entre las que destacan; (numpy, open3d, pye57,matplotlib.pyplot, sklearn.neighbors, scipy.stats, google.colab,os, among others) v3.7.1 (https://www.python.org/), entre ellos algunos algoritmos de vecinos más cercanos y análisis estadístico avanzado. Los resultados se muestran en la Tabla 5. Tabla 5 Resultados obtenidos de la distancia de Hausdorff Caso de Estudio Tecnologia N.º_puntos Distancia de Hausdorff N. Similitud de Hausdorff SSIM3D Figura T. Aguila (inf) PUAV-PTLS 257-4373 0,1065 0,8935 0,9926 1 T. Aguila (inf) PUAV-PPLS 118-12980 0,0694 0,9306 0,9897 2 T. Aguila (inf) PTLS-PPLS 4373-4221 0,0279 0,9721 0,9991 3 T. Aguila (sup) PUAV-PTLS 535-1307 0,0649 0,9351 0,9948 4 T. Aguila (sup) PUAV-PPLS 81-2376 0,1025 0,8975 0,997 5 T. Aguila (sup) PTLS-PPLS 1307-1809 0,0617 0,9383 0,9981 6 T. S. Antonio (inf) PUAV-PTLS 746-3349 0,0473 0,9527 0,9968 7 T. S. Antonio (inf) PUAV-PPLS 42-3183 0,1249 0,8751 0,9817 8 T. S. Antonio (inf) PTLS-PPLS 3349-296 0,0659 0,9341 0,9916 9 T. S. Antonio (sup) PUAV_PTLS 1102-4146 0,0573 0,9427 0,9955 10 T. S. Antonio (sup) PUAV-PPLS 104-2505 0,1076 0,8924 0,994 11 T. S. Antonio (sup) PTLS-PPLS 4146-621 0,0513 0,9487 0,9963 12 En la Figura 30 se muestran la comparación de nube de puntos de las distintas tecnologías en un triedro trirectángulo de las seis primeras conexiones entre conjunto de puntos y la Figura 31 muestra la gráfica de las distintas métricas usadas para su evaluación. 55 Figura 30 Distribución de conjuntos de puntos según caso de estudio y tecnología según la Tabla 5. Figura 31 Análisis de los datos de similitud de Hausdorff y SSIM3D 62 influyen notablemente en la calidad final. En este sentido, se han observado limitaciones de alineación automática en escáneres como el BLK360 en entornos cerrados. La interoperabilidad entre los datos capturados y el entorno de modelado BIM (Archicad) ha permitido no solo representar volumétricamente las estructuras, sino también reflexionar sobre los niveles de detalle adecuados en patrimonio. Se ha constatado que los modelos no responden al uso constructivo habitual de BIM, sino a una función documental. La Torre del Águila ha permitido mayor riqueza formal por la facilidad de representar sus deterioros, mientras que la Torre de San Antonio presenta limitaciones de representación por la naturaleza de su daño. La integración de los modelos en BIM, junto con la exportación de elementos como el terreno, demuestra el potencial de estas tecnologías para crear archivos perdurables, precisos y reutilizables. Además, la posibilidad de automatizar procesos mediante scripts en Python, como los desarrollados para análisis métrico o transformación de coordenadas, abre una vía para la optimización de flujos de trabajo futuros. También se sugiere la necesidad de explorar técnicas de inteligencia artificial para segmentación y reconstrucción geométrica en patrimonio arquitectónico. 6. Competencias Adquiridas El desarrollo de este proyecto ha favorecido la adquisición de competencias técnicas avanzadas en diversas metodologías de levantamiento tridimensional, permitiéndome comprender en profundidad tanto su operativa como la naturaleza de los datos generados. Asimismo, he perfeccionado el manejo de instrumental topográfico y su integración precisa en flujos de trabajo geomáticos. A nivel de procesamiento, he afianzado mis capacidades en la depuración, gestión y transformación de nubes de puntos, así como en su implementación dentro de entornos BIM, aplicando criterios de interoperabilidad y eficiencia operativa. Por último, este trabajo ha supuesto una primera aproximación práctica al uso de scripts en lenguaje Python, lo que me ha permitido explorar la automatización de tareas, el análisis métrico de datos y la optimización de flujos de trabajo digitales, abriendo nuevas posibilidades de desarrollo futuro en el ámbito de la ingeniería inversa y la documentación patrimonial. 7. Bibliografía Adami, A., & Fregonese, L. (2020). GEOMATICS in the MANAGEMENT of BUILT HERITAGE through BIM SYSTEMS. The TRAINING of NEW EXPERIENCED PROFESSIONAL FIGURES. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 43(B5), 9-14. https://doi.org/10.5194/ISPRS-ARCHIVES-XLIII-B5-2020-9-2020, 63 Agisoft LLC. (2025). Agisoft Metashape. https://www.agisoftmetashape.com/es/?_gl=1*75lo1*_up*MQ..*_gs*MQ..&gclid=Cj wKCAjw24vBBhABEiwANFG7y0zGY9lgvYnJb88eEpPMrBvJcMzHdQtchJIyzwnA ZfUAHeg7_eDSrxoCAA4QAvD_BwE&gbraid=0AAAAADwoiSHKLFUqEAtkuNC Aorzhn0gE0 Aranda, J. (2025). Torre de San Antonio - CastillosNet. https://www.castillosnet.org//monumento.php?r=SE-CAS-014&seo=torre-de-sanantonio Azkarate, A., García-Gómez, I., & Mesanza-Moraza, A. (2018). Cluster analysis: A first step in quantitative techniques in Archaeology of Architecture. Arqueologia de la Arquitectura, 15. https://doi.org/10.3989/ARQ.ARQT.2018.014 Barber, C. B., Dobkin, D. P., & Huhdanpaa, H. (1996). The Quickhull Algorithm for Convex Hulls. ACM Transactions on Mathematical Software, 22(4), 469-483. https://doi.org/10.1145/235815.235821 Barber, D., Mills, J., & Bryan, P. (2003). Towards a Standard Specification for Terretrial Laser Scanning of Cultural Heritage. CIPA International Archives for Documentation of Cultural Heritage, 619-624. Boardman, C., Bryan, P., McDougall, L., & Reuter, T. (2018). (PDF) 3D Laser Scanning for Heritage. Advice and Guidance on the Use of Laser Scanning in Archaeology and Architecture. https://www.researchgate.net/publication/343281484_3D_Laser_Scanning_for_Herita ge_Advice_and_Guidance_on_the_Use_of_Laser_Scanning_in_Archaeology_and_Ar chitecture BOE-A-1971-251 Decreto 265/1971, de 19 de febrero, por el que se regulan las facultades y competencias profesionales de los Arquitectos Técnicos. (s. f.). Recuperado 12 de mayo de 2025, de https://www.boe.es/buscar/doc.php?id=BOE-A-1971-251 BOE-A-1986-8176 Ley 12/1986, de 1 de abril, sobre regulación de las atribuciones profesionales de los Arquitectos e Ingenieros técnicos. (s. f.). Recuperado 12 de mayo de 2025, de https://www.boe.es/eli/es/l/1986/04/01/12 Boehler, W., & Marbs, A. (2004). 3D SCANNING AND PHOTOGRAMMETRY FOR HERITAGE RECORDING: A COMPARISON. https://www.semanticscholar.org/paper/3D-SCANNING-ANDPHOTOGRAMMETRY-FOR-HERITAGE-A-BoehlerMarbs/331669fffef6b2162fb4b1ca446bccefcc644f2b Bojàr, G. (2025). Archicad Graphisoft. https://graphisoft.com/es/solutions/archicad Bryan, Paul., Blake, Bill., Bedford, John., Barber, David., & Mills, Jon. (2009). Metric Survey Specifications for Cultural Heritage. 64 https://archaeologydataservice.ac.uk/archives/view/eh_monographs_2014/contents.cf m?mono=1089046 Castillo Ruiz, J. (2022). Los Límites del Patrimonio Cultural. https://www.catedra.com/libro/arte-grandes-temas/los-limites-del-patrimonio-culturaljose-castillo-ruiz-9788437643861/ Cesar, P., Pereira, X., Hidalgo, R., Latina, A., & Jori, G. (2008). Choay, Françoise. Alegoría del patrimonio. Revista de geografía Norte Grande, 41, 147-150. https://doi.org/10.4067/S0718-34022008000300008 Chiabrando, F., D’Andriab, F., Sammartanoa, G., & Spanò, A. (2018). UAV photogrammetry for archaeological site survey. 3D models at the Hierapolis in Phrygia (Turkey). Virtual Archaeology Review, 9(18), 28-43. https://doi.org/10.4995/VAR.2018.5958 Colomina, I., & Molina, P. (2014). Unmanned aerial systems for photogrammetry and remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 92, 79-97. https://doi.org/10.1016/J.ISPRSJPRS.2014.02.013 Daneshmand, M., Helmi, A., Avots, E., & Noroozi, F. (2018). 3D Scanning: A Comprehensive Survey. https://www.researchgate.net/publication/322756492_3D_Scanning_A_Comprehensi ve_Survey Doneus, M., Briese, C., Fera, M., & Janner, M. (2008). Archaeological prospection of forested areas using full-waveform airborne laser scanning. Journal of Archaeological Science, 35(4), 882-893. https://doi.org/10.1016/J.JAS.2007.06.013 Dore, C., & Murphy, M. (2017). CURRENT STATE OF THE ART HISTORIC BUILDING INFORMATION MODELLING. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2W5(2W5). https://doi.org/10.5194/ISPRS-ARCHIVES-XLII-2-W5-185-2017 ENAIRE Drones. (2025). https://drones.enaire.es/ Feilden, B. M., & Jokilehto, J. (1998). Management Guidelines for World Cultural Heritage Sites. En Iccrom Unesco Icomos. ICCROM. https://www.iccrom.org/sites/default/files/201802/1998_feilden_management_guidelines_eng_70071_light_0.pdf Fernández, A. A. (2007). Alois Riegl: el culto moderno de los monumentos, su carácter y sus orígenes. Alois Riegl El culto moderno de los monumentos, su carácter y sus orígenes, 8-12. https://dialnet.unirioja.es/servlet/libro?codigo=280232&info=resumen&idioma=SPA Franzini, M., Casella, V., Marchese, P., Marini, M., Della Porta, G., Felletti, F., Franzini, M., Casella, V., Marchese, P., Marini, M., Della Porta, G., & Felletti, F. (2021). Validation of a Uav-Derived Point Cloud by Semantic Classification and Comparison 65 with Tls Data. ISPAr, 43B2(B2-2021), 83-90. https://doi.org/10.5194/ISPRSARCHIVES-XLIII-B2-2021-83-2021 Fryskowska, A., & Stachelek, J. (2018). A no-reference method of geometric content quality analysis of 3D models generated from laser scanning point clouds for hBIM. Journal of Cultural Heritage, 34, 95-108. https://doi.org/10.1016/J.CULHER.2018.04.003 Girardeau-Montaut, D. (2025). CloudCompare. https://cloudcompareorg.danielgm.net/release/ Golden Software. (2025). Surfer Software v. 16. Create an Immersive 2D/3D Model. https://www.goldensoftware.com/products/surfer/ Grob, J., Osep, A., & Leibe, B. (2019). AlignNet-3D: Fast Point Cloud Registration of Partially Observed Objects. Proceedings - 2019 International Conference on 3D Vision, 3DV 2019, 623-632. https://doi.org/10.1109/3DV.2019.00074 Grussenmeyer, P., Landes, T., & Voegtle, T. (2008). Comparison Methods of Terrestrial Laser Scanning, Photogrammetry and Tacheometry Data for Recording of Cultural Heritage Buildings. https://www.researchgate.net/publication/228645072_Comparison_Methods_of_Terre strial_Laser_Scanning_Photogrammetry_and_Tacheometry_Data_for_Recording_of_ Cultural_Heritage_Buildings IAPH: Ficha La Torre del Águila. (2025, mayo 9). https://guiadigital.iaph.es/bien/inmueble/7017/sevilla/utrera/la-torre-del-aguila IAPH: Ficha Torre de San Antonio. (2025, mayo 9). https://guiadigital.iaph.es/bien/inmueble/7075/sevilla/olivares/torre-de-san--antonio ISPRS. (2022). Estatutos de la ISPRS. https://isprs.org/documents/statutes.aspx Jafari, B., Khaloo, A., & Lattanzi, D. (2017). Deformation Tracking in 3D Point Clouds Via Statistical Sampling of Direct Cloud-to-Cloud Distances. Journal of Nondestructive Evaluation, 36(4), 1-10. https://doi.org/10.1007/S10921-017-04442/FIGURES/11 Javaheri, A., Brites, C., Pereira, F., & Ascenso, J. (2020). A Generalized Hausdorff Distance Based Quality Metric for Point Cloud Geometry. 2020 12th International Conference on Quality of Multimedia Experience, QoMEX 2020. https://doi.org/10.1109/QOMEX48832.2020.9123087 Jokilehto, Jukka. (1999). A history of architectural conservation. Routledge : Taylor and Francis Group. https://www.iccrom.org/publication/history-architectural-conservation Jupyter, P. (2025). Jupytercon. https://jupyter.org/ Lague, D., Brodu, N., & Leroux, J. (2013). Accurate 3D comparison of complex topography with terrestrial laser scanner: Application to the Rangitikei canyon (N-Z). 66 ISPRS Journal of Photogrammetry and Remote Sensing, 82, 10-26. https://doi.org/10.1016/j.isprsjprs.2013.04.009 Leica Geosystems. (2025). Leica Cyclone REGISTER 360. https://leicageosystems.com/es-es/products/laser-scanners/software/leica-cyclone/leica-cycloneregister-360 Letellier, R. (2007). Recording, Documentation, and Information Management for the Conservation of Heritage Places: Guiding Principles. https://www.getty.edu/conservation/publications_resources/pdf_publications/recordim .html Lowenthal, D. (1998). The Heritage Crusade and the Spoils of History. En The Heritage Crusade and the Spoils of History. Cambridge University Press. https://doi.org/10.1017/CBO9780511523809 Luhmann, T., Robson, S., Kyle, S., & Boehm, J. (2020). Close-range photogrammetry and 3D imaging. En Close-Range Photogrammetry and 3D Imaging. De Gruyter. https://doi.org/10.1515/9783110607253/EPUB Microsoft Corporation. (2025). Excel Microsoft 365. https://www.microsoft.com/eses/microsoft-365/excel Moreno, J. G., Cascante, I. L., & Aranburu, M. S. (2024). Procesos para la creación del modelo HBIM de un edificio patrimonial protegido del siglo XX. El Real Club Náutico de Donostia-San Sebastián. EGE Revista de Expresión Gráfica en la Edificación, 21, 4-26. https://doi.org/10.4995/EGE.2024.22199 Moyano, J., Cabrera-Revuelta, E., Nieto-Julián, J. E., Fernández-Alconchel, M., & Fernández-Valderrama, P. (2023). Evaluation of Geometric Data Registration of Small Objects from Non-Invasive Techniques: Applicability to the HBIM Field. Sensors 2023, Vol. 23, Page 1730, 23(3), 1730. https://doi.org/10.3390/S23031730 Moyano, J., Carreño, E., Nieto-Julián, J. E., Gil-Arizón, I., & Bruno, S. (2022). Systematic approach to generate Historical Building Information Modelling (HBIM) in architectural restoration project. Automation in Construction, 143, 104551. https://doi.org/10.1016/J.AUTCON.2022.104551 Moyano, J., Gil-Arizón, I., Nieto-Julián, J. E., & Marín-García, D. (2022). Analysis and management of structural deformations through parametric models and HBIM workflow in architectural heritage. Journal of Building Engineering, 45, 103274. https://doi.org/10.1016/J.JOBE.2021.103274 Moyano, J., Nieto-Julián, J. E., Marín-García, D., & Fernández Valderrama, P. (2025). Analysis and precision of a low cost GNSS receiver for georeference in cultural heritage and historic landscape for an HBIM environment. Engineering Research Express, 7(1), 015112. https://doi.org/10.1088/2631-8695/ADABB2 67 Murphy, M., Mcgovern, E., & Pavia, S. (2009). Historic building information modelling (HBIM). Structural Survey, 27(4), 311-327. https://doi.org/10.1108/02630800910985108 Nieto-Julián, J. E., Farratell, J., Bouzas Cavada, M., & Moyano, J. (2023). Collaborative Workflow in an HBIM Project for the Restoration and Conservation of Cultural Heritage. International Journal of Architectural Heritage, 17(11), 1813-1832. https://doi.org/10.1080/15583058.2022.2073294;PAGE:STRING:ARTICLE/CHAPT ER Oreni, D., Brumana, R., Georgopoulos, A., & Cuca, B. (2013). Hbim for conservation and management of built heritage: Towards a library of vaults and wooden bean floors. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2(5/W1), 215-221. https://doi.org/10.5194/ISPRSANNALS-II-5-W1-2152013 Pocobelli, D. P., Boehm, J., Bryan, P., Still, J., & Grau-Bové, J. (2018). BIM for heritage science: a review. Heritage Science, 6(1), 1-15. https://doi.org/10.1186/S40494-0180191-4;KWRD=MATERIALS+SCIENCE Rebolj, D., Pučko, Z., Babič, N. Č., Bizjak, M., & Mongus, D. (2017). Point cloud quality requirements for Scan-vs-BIM based automated construction progress monitoring. Automation in Construction, 84(October), 323-334. https://doi.org/10.1016/j.autcon.2017.09.021 Remondino, F., & El-hakim, S. (2006a). Image-based 3D modelling: A review. Photogrammetric Record, 21(115), 269-291. https://doi.org/10.1111/J.14779730.2006.00383.X Remondino, F., & El-hakim, S. (2006b). Image-based 3D modelling: A review. Photogrammetric Record, 21. https://doi.org/10.1111/J.14779730.2006.00383.X;PAGEGROUP:STRING:PUBLICATION RIEGL Laser Measurement Systems. (2025). RiSCAN PRO. https://www.geocom.cl/products/riscanpro?srsltid=AfmBOooYwPECWqrch2kH4Qcqh3V2d6h4pHIVfUruYbdNMEd_ujtUh 0db Turco, M. Lo, Mattone, M., & Rinaudo, F. (2017). Metric survey and bim technologies to record decay conditions. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(5W1), 261-268. https://doi.org/10.5194/ISPRS-ARCHIVES-XLII-5-W1-261-2017 Turismo Olivares. (2025). La Torre de San Antonio | Patrimonio y turismo de Olivares. https://www.turismo-olivares.es/la-torre-de-san-antonio/ Van Rossum, G., & Drake Jr, F. L. (1995). Python reference manual. Centrum voor Wiskunde en Informatica Amsterdam. 68 Vecco, M. (2010). A definition of cultural heritage: From the tangible to the intangible. Journal of Cultural Heritage, 11(3), 321-324. https://doi.org/10.1016/J.CULHER.2010.01.006 Volk, R., Stengel, J., & Schultmann, F. (2014a). Building Information Modeling (BIM) for existing buildings — Literature review and future needs. Automation in Construction, 38, 109-127. https://doi.org/10.1016/J.AUTCON.2013.10.023 Volk, R., Stengel, J., & Schultmann, F. (2014b). Building Information Modeling (BIM) for existing buildings — Literature review and future needs. Automation in Construction, 38, 109-127. https://doi.org/10.1016/J.AUTCON.2013.10.023 Wen, L., He, L., & Gao, Z. (2019). Research on 3D Point Cloud De-Distortion Algorithm and Its Application on Euclidean Clustering. IEEE Access, 7, 86041-86053. https://doi.org/10.1109/ACCESS.2019.2926424 Westoby, M. J., Brasington, J., Glasser, N. F., Hambrey, M. J., & Reynolds, J. M. (2012). ‘Structure-from-Motion’ photogrammetry: A low-cost, effective tool for geoscience applications. Geomorphology, 179, 300-314. https://doi.org/10.1016/J.GEOMORPH.2012.08.021 Wolf, P. R., Dewitt, B. A., & Wilkinson, B. E. (2014). Elements of Photogrammetry with Applications in GIS. En Elements of photogrammetry with application in GIS: Vol. Fourth Edi. McGraw-Hill Education. https://www.accessengineeringlibrary.com/content/book/9780071761123