Mde Teoria 2007

Modelos digitales de elevación:
Teoría, métodos de interpolación y aplicaciones
Jorge Fallas
Jfallas@racsa.co.cr
2007
INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
MODELADO DE SUPERFICIES Y MÉTODOS DE INTERPOLACIÓN . . . . . . . . . . . . . . . . . . 3

El concepto de modelo digital del terreno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
MÉTODOS DE INTERPOLACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Métodos basados en unidades discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Métodos basados en el concepto de continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Interpolación a partir de puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Métodos de interpolación local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Interpolación a partir de isolíneas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
EVALUACIÓN DE LA EXACTITUD DEL MODELO DIGITAL DE ELEVACIÓN . . . . . . . . 30

Exactitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Error aritmético medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Error absoluto medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Raíz cuadrada del error medio cuadrático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Desviación estándar o típica (DT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Exactitud de los valores de elevación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
ESTÁNDARES O NORMAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Estándares para modelos digitales de elevación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Errores para un MDE derivado de elevaciones obtenidos por métodos fotogramétricos . . . . 37
INSUMOS PARA ELABORAR UN MDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

Densidad y distribución de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Esquemas de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Curvas de nivel en mapas 1:50.000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
SELECCIÓN DEL MEJOR MÉTODOS PARA CREAR UN MDE . . . . . . . . . . . . . . . . . . . . . . 43
EDICIÓN Y DEPURACIÓN DEL MDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
APLICACIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Pendiente del terreno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Aspecto u orientación de la pendiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Iluminación/sombreado del terreno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Delimitación de cuencas hidrográficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Perfiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Análisis de Inter visibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Línea de visibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Visualizaciónen perspectiva o tridimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Visualización en 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Visualización en 2.5D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Modelos Digitales de Elevación
Visualización en 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Animación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Creación de orto imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Cálculo de área y volumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Determinación de relleno y excavación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Creación de isolíneas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Creación de elementos en 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Análisis de escorrentía superficial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Exportación de vistas en 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
EVALUACIÓN DE LOS MÉTODOS DE INTERPOLACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Sitios de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
METODOLOGÍA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
ISLA CHIRA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
1. Escaneo de mapa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2. Georeferenciación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3. Digitar curvas de nivel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4. Convertir curvas de nivel a puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5. Crear polígonos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6. Crear modelos digitales de elevación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
7. Evaluación de la exactitud de los MDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
8. Evaluación del efecto del filtrado en la exactitud del MDE . . . . . . . . . . . . . . . . . . . . . . . . 73
9. Elaboración de mapas de pendiente y aspecto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
10. Efecto del tamaño del pixel en la exactitud del MDE . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
11. Funciones analíticas del software utilizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
CURVAS DE NIVEL A ESCALA 200.000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
REFERENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Jfallas@racsa.co.cr
Modelos Digitales de Elevación 1
INTRODUCCIÓN
El mundo en que vivimos y trabajamos se caracteriza por ser tridimensional. Por ejemplo,
tenemos valles, montañas, cañadas y riscos. Los programas de computación en el área de los
Sistemas de Información Geográfica (SIG) permiten recrear visual y numéricamente el valor Z
asociado a elementos del paisaje (natural y antrópico); esto los convierte en una poderosa
herramienta para cualquier usuario(a) en las áreas de gestión ambiental y de recursos naturales. El
software le permite al usuario(a) no solo visualizar elementos en tres dimensiones sino que también
realizar análisis cuantitativos a partir de dichos elementos.
El presente documento tiene como objetivo introducir al lector al tema de la interpolación
espacial y a una de sus áreas de aplicación: los modelos digitales de elevación. En la primer sección
se introduce al lector al tema de los modelos digitales de elevación, en la segunda se tratan los
diferentes métodos de interpolación; en la tercera se presente el tema de normas y estándares
utilizados para evaluar la calidad de los modelos y en la cuarta y última se describen los resultados
de dos estudios de caso. El primero corresponde a un MDE derivado a partir de un mapa 1:50.000
y el segundo de un mapa 1:200.000; dos de las fuentes cartográficas mas comunes en Costa Rica.
El material se ha escrito con el fin de que cumpla una función didáctica y por lo tanto se provee una
copia de los archivos utilizados para realizar los estudios de caso. Se han seleccionado los
programas ArcView (ESRI, 1996; 1997a; 1997 b) IDRISI (Eastman, 1998) y Surfer (Golden
Software, 1999) para realizar el análisis de los datos; sin embargo, esto no representa una
recomendación implícita ni explícita por parte de la Universidad ni del autor sobre el software que
debe utilizarse en este tipo de análisis.
A través del documento el lector se familiarizará con las estructuras de los archivos utilizados por
los diferentes programas; con las técnicas y métodos disponibles para la creación de superficies; para
su visualización y finalmente con las herramientas analíticas que provee cada programa. En general,
el software seleccionado le permite:
< Crear superficies que simulan la realidad a partir de diversas fuentes de datos (Ej. Puntos, líneas,
polígonos).
< Determinar la elevación o altura de cualquier punto u objeto en una superficie.
< Realizar un análisis de inter visibilidad ()Qué puedo observar desde un punto determinado del
paisaje dado una serie de obstrucciones visuales?).
< Determinar volúmenes y diferencias entre el volumen de dos superficies.
< Modelar ambientes en tres dimensiones utilizando archivos vectoriales y raster.
< Visualizar sus datos en perspectiva (2.5D)
Jfallas@racsa.co.cr
Para ilustrar el potencial de análisis visual de una imagen en perspectiva se presenta a

continuación una sección de la ciudad de Heredia y sus alrededores (vista hacia el norte). Los
edificios corresponden a estructuras digitadas del mapa 1:10.000 del Instituto Geográfico Nacional
(1991).El modelo de elevación digital fue elaborado a partir de curvas de nivel cada 20 metros
obtenidas del mapa 1:50.000 del IGN.
Fig. 1: Vista en perspectiva creada a partir de un modelo de

elevación digital del terreno y de un mapa vectorial.
Los usos de los MDE son muy variados; algunos de ellos son (Burroughs, 1986; ESRI, 1996;
1997b; Golden Software, 1999; McCullagh, 1990; Weibel y Heller, 1991):
< Estimaciones de volúmenes a remover o rellenar en trabajos de ingeniería

< Cartografía topográfica
< Mapeo y estudios batimétricos e hidrológicos
< Mapeo geológico y geofísico
< Simulación y análisis del paisaje
< Estimar área a inundar en proyectos hidroeléctricos
< Estudios de intervisibilidad para definir ubicación de antenas para telecomunicaciones
< Análisis estadístico del terreno
< Determinación de pendiente, aspecto y sombreado del terreno
< Visualización en 2.5D
Jfallas@racsa.co.cr
MODELADO DE SUPERFICIES Y MÉTODOS DE INTERPOLACIÓN

En la presente sección se describe el origen del término modelo digital de elevación así como los
métodos de interpolación disponibles para crearlos.
El concepto de modelo digital del terreno

El término Modelo Digital del Terreno (MDT) fue acuñado, según Petrie y Kennie (1990) por
Miller y La Flamme, dos ingenieros del Instituto Tecnológico de Massachusetts, a finales de los años
50. Según estos investigadores un modelo digital del terreno es una representación estadística de una
superficie continua del terreno mediante un conjunto infinito de puntos cuyos valores en X, Y y Z
son conocidos y están definidos en un sistema de coordenadas arbitrario.
A continuación se definen algunos términos asociados a los modelos digitales de elevación
(Burrough, 1986; Petrie y Kennie, 1990):
Modelo digital de elevación (MDE)

En este caso la palabra elevación enfatiza el concepto de medición de altura con respecto a un
datum y la generación por parte del modelo de valores absolutos de altura. Este término se utiliza
con frecuencia en los Estados Unidos para describir un arreglo rectangular o exagonal de puntos
con valores de elevación obtenidos por métodos fotogramétricos o cartográficos.
Modelo digital de altura (MDA)

Este términos aparentemente se originó en Alemania y su significado es similar al anterior; ya que
las palabras altura y elevación pueden utilizarse como sinónimos.
Modelo digital de la tierra (MDT)

En este caso se enfatiza el hecho de que la superficie terrestre es un continuo y que por lo tanto
se pueden utilizar métodos de interpolación para obtener estimaciones de “Z” para aquellos sitios
para los cuales no se posea información. El término se utiliza en Inglaterra; sin embargo con el
tiempo se ha ido reemplazando por (modelo digital del terreno(.
Modelo digital del terreno

Este concepto es un tanto más generalista; ya que el eje Z incluye tanto el uso de elevaciones (Ej.
metros sobre el nivel del mar) como de alturas (Ej. levantamiento topográfico); así como los
accidentes típicos del paisaje (Ej. ríos, riscos, cañadas, etc). Para muchos usuarios el término
incluye tanto los elementos planimétricos como hipsométricos propios del paisaje; así como la
información derivada a partir del modelo (Ej pendiente, intervisibilidad y orientación, entre otros).
La capacidad de elaborar modelos digitales de elevación (MDE) a partir de curvas de nivel o

valores puntuales (X,Y,Z) es una de las operaciones de mayor interés para los usuarios de los
Sistemas de Información Geográfica. Existe una gran diversidad de programas (Thoen,1997) que
Jfallas@racsa.co.cr
permiten crear modelos digitales de elevación sin embargo, en el ambiente nacional, la mayoría de
los usuarios utilizan Surfer (1999), IDRISI (Eastman, 1998) y las extensiones Spatial Analyst y 3D
Analyst de ArcView (ESRI, 1996; 1997b) para crear sus modelos de elevación digital.
MÉTODOS DE INTERPOLACIÓN
La interpolación tiene como objetivo estimar, a partir de una muestra, valores de Z para un set
de puntos (X,Y). La interpolación puede utilizarse para cumplir tres funciones: (a) estimar valores
de Z para ubicaciones particulares (X,Y); (b) estimar valores de Z para una cuadrícula rectangular;
(c) cambiar la resolución de la cuadrícula en un archivo raster (método conocido como remuestreo).
Los interpoladores que operan a partir de puntos pueden clasificarse como:
Exactos: Cuando preservan los valores originales de los puntos de muestreo.

No exactos: No mantienen los valores originales de los puntos de muestreo.
Globales: La interpolación está basada en todos los puntos de muestreo.

Locales: La interpolación está basada en un subset de los puntos de muestreo.
Desde el punto de vista de la superficie asumida por el interpolador, Burrough (1986) los clasifica
en dos grandes categorías: los que asumen que la superficie es discreta y los que asumen una
superficie continua.
Métodos basados en unidades discretas

Entre estos métodos tenemos:
Uso de elementos externos del paisaje para delinear (unidades homogéneas (

En este caso el analista establece los límites entre unidades previamente definidas y por lo tanto
el resultado no es replicable ni es posible evaluar estadísticamente los errores asociados a la
definición de los límites de las entidades. Algunos ejemplos prácticos de dicho método son:
< Mapas coropléticos

< Mapas de unidades de suelos
< Mapas de formaciones geológicas y geomorfológicas
< Mapas de uso-cobertura del suelo
Uso de algoritmos para determinar el límite entre unidades homogéneas

Esta técnica es utilizada en el área de procesamiento digital de imágenes o en el análisis de
conjuntos de datos multi variados y se fundamenta en la premisa de que existen unidades
homogéneas en el set de datos. La función del algoritmo es tratar de definir los límites entre dichas
Jfallas@racsa.co.cr
unidades. Esta técnica es apropiada cuando la variación en la superficie es abrupta o discontinua (Ej.
mapas de uso-cobertura de la tierra). Los polígonos de Thiessen (Fig. 2) forman parte de este grupo
de interpoladores; el método de análisis consiste en delimitar áreas de influencia (unidades discretas)
a partir de un set de puntos. Cuando la distribución de los puntos es equidistante (Ej. grilla regular)
los polígonos coinciden con el área de cada celda. El tamaño y la configuración de los polígonos
depende de la distribución de los puntos originales. Una limitante del método es que el valor para
cada polígono se obtiene a partir de un solo punto y por lo tanto no es posible estimar el error
asociado a dicha estimación.
Fig. 2: Polígonos de Thiessen. Cuenca del río Grande de

Tárcoles, Costa Rica. Software: ArcView V3.2.
Métodos basados en el concepto de continuidad

Estos métodos parten del supuesto de que la superficie es un continuo que puede describirse
utilizando una función matemática y un set de puntos de muestreo. Los métodos pueden dividirse
en globales y locales (Oliver, 1990). Los primeros utilizan todos los puntos de muestreo para crear
la superficie; en tanto que los segundos utilizan solo un subconjunto de los mismos (concepto de
vecino más cercano). A continuación se describen los interpoladores más comunes que operan a
partir de puntos.
Interpolación a partir de puntos

Una de las fuentes de datos para elaborar modelos digitales de elevación son ubicaciones (X,Y)
con sus respectivos atributos (Ej. Elevación, precipitación, temperatura, presión, etc). Los puntos
pueden muestrearse en forma aleatoria o utilizando un patrón regular (sistemático). A partir de estos
valores las rutinas de interpolación crean una superficie en la cual cada punto tiene un valor
Jfallas@racsa.co.cr
estimado. Tanto IDRISI, Surfer como 3D Analyst y Spatial Analyst de ArcView proveen rutinas para
la interpolación basados en puntos. Independientemente del interpolador utilizado la calidad del
MDE dependerá del número y la distribución de puntos de muestreo; así como de las características
del terreno. Cuanto mayor sea el número de puntos y mejor distribuidos se encuentren mejores serán
los resultados.
Métodos de interpolación global

Entre los métodos de interpolación global tenemos (Golden Software, 1999; Petrie, 1990):
< Análisis de tendencia de superficies (Modelos polinomiales): Esta técnica de análisis trata de
definir la tendencia general observada en el set de datos mediante una ecuación polinomial de
grado (n(. El objetivo del ajuste polinomial es reducir la varianza residual en el set de datos a un
mínimo. En realidad, el método no se considera como un interpolador de superficies sino más
bien como una técnica para detectar aquellas áreas que muestran una variabilidad superior a la
tendencia general del set de datos. La estimación del error asociado al modelo de regresión asume
que los residuos son independientes. Este supuesto no se cumple en la mayoría de los casos y por
lo tanto el valor calculado no representa realmente la variación ó error asociado a la estimación
(Oliver, 1990). Al igual que en cualquier otra aplicación de regresión, la superficie generada, en
la mayoría de los casos, no pasará por los puntos originales y por lo tanto el interpolador es
considerado como no exacto.
< Series de Fourier: Este método asume que existen variaciones periódicas en el set de datos y que
su tendencia puede modelarse como una función lineal de senos y cosenos. En general, el método
ha sido utilizado más para análisis estructurales que para la cartografía de características del
paisaje.
Global Aproximado: Interpolación a partir de isolíneas en formato raster

El método de interpolación utilizado por Intercon de IDRISI (Eastman, 1992) pertenece a la
categoría “global-aproximado” (Heywood, Price y Petch; 1995). El programa crea el MDE a partir
de un archivo de curvas de nivel en formato raster y utilizando un método de interpolación lineal que
consiste en crear una serie de perfiles en diferentes direcciones (Ej. Norte-Sur, diagonal; E-O). Para
cada uno de estos perfiles el programa registra la elevación y la pendiente de cada celda. La
elevación final asignada a la celda corresponde a la del perfil con la máxima pendiente. El algoritmo
utilizado es una modificación del algoritmo “CONSURF” creado por David Douglas de la
Universidad de Ottawa, Canadá. El manual de IDRISI (Eastman, 1992) reporta que un MDE creado
con dicho algoritmo para un mapa a escala 1:24.000 (curvas de nivel cada 3m) cumplió con las
normas de exactitud utilizadas para la cartografía analógica de los Estados Unidos de América. El
error medio reportado fue de -0.7m con una desviación estándar de 0.56m. La probabilidad de
obtener un valor de elevación superior a 0.5 el intervalo de la curva de nivel fue inferior a 1%. El
Jfallas@racsa.co.cr
método de interpolación hace un fuerte uso de la memoria RAM y virtual (disco duro) y por tanto
el usuario debe poseer suficiente espacio libre en su disco antes de iniciar el proceso de
interpolación. Una de las limitaciones del interpolador es que crea superficies con fuertes
irregularidades; las cuales deben eliminarse mediante la aplicación de un filtro promedio.
Métodos de interpolación local

Entre los métodos de interpolación local tenemos (ESRI, 1997b; Golden Software, 1999; Petrie,
1990):
Distancia inversa ponderada (DIP)

Este interpolador asume que cada punto en el set de datos tiene una influencia local que disminuye
con la distancia y que por lo tanto los valores de los puntos cercanos al nodo que se procesa tienen
mayor importancia o peso en el valor que será asignado al mismo. Normalmente, la búsqueda se hace
considerando un número de puntos o un radio (círculo alrededor de la celda de interés) (Fig. 3). Un
caso donde este supuesto es válido es la reducción en la intensidad de un terremoto a partir de su
epicentro o la reducción en la temperatura del aire a partir de puntos focales de incendios. El peso
asignado a cada valor de Z ' está dado por:
P = 1/ (d) m (1)
en donde:
P = peso o ponderación que se aplicará a Z;

m: exponente seleccionado por el usuario(a). Este valor define la influencia local de cada uno de los
puntos en el set de datos (ver cuadro 1).
d: distancia entre el punto que se interpola y los vecinos más cercanos utilizados en la interpolación.
Fig. 3: Concepto de distancia de

búsqueda.
Jfallas@racsa.co.cr
El valor de cada punto interpolado Z ' es igual a:
3 Z i *1/ (d) m
Z ' = ----- ------------- (2)
3 1/ (d) m
El valor de “m” controla el aporte relativo de cada observación (Z) a la estimación de Z ' como
puede apreciarse en la figura 4 y el cuadro 1. Dado que no existe un criterio único para recomendar
la selección del dicho valor, usted puede utilizar el cuadro 2 como una guía. Observe que no existe
una diferencia marcada en los resultados para un valor de m=2 y para otro de m=3. Tampoco el valor
de Z ' es diferente (25.312 Vs 25.30, respectivamente). La diferencia importante está entre m=1 y
m=2 ó m=3 (ver cuadro 2). Por esta razón, el manual del programa Surfer (Golden Software, 1999)
recomienda valores de (m( entre 1 y 3. Si usted utiliza un valor de “m” inferior a 1, por ejemplo 0.5,
su ponderación será igual a 1/d 0.5 y obtendrá una superficie con valores de Z ' más influenciados por
los valores más lejanos de Z como puede observarse en el cuadro 2. Observe en este caso el valor
de Z también sería muy diferente (48.96).
Cuadro 1: Relación entre el valor del exponente “m” y el aporte relativo de cada valor de Z
observado al valor de Z ' estimado.
Z d (m) 1/d 1/d 2 1/d 3 Z*(1/d) Z*1/d 3

25 10 1 1 1 25 25
30 50 2 4 0.00001 6 24
35 100 1 1 0 35 0.0004
45 500 2 0 0 9 0
58 750 134 0.00178 0 773333 0.0001
55 1000 1 0 0 55 0
Z' 2734 2530
d (m): distancia lineal en metros entre el punto para el cual se desea estimar el valor de Z ' y los
puntos de observación más cercanos (Z).
Jfallas@racsa.co.cr
Cuadro 2: Aporte relativo de cada observación (Z) al valor estimado de Z ' según su distancia al
punto de interés y el valor utilizado de “m”.
Z d (m) Aporte (%), m= 0.5 Aporte (%), m= 1 Aporte (%), m= 2 Aporte (%), m= 3
25 10 16 7446 9524 9911

30 50 426 1489 381 79
35 100 703 745 95 1
45 500 2023 149 4 7
58 750 3193 99 2 2
55 100 3496 74 9 0.99108
Z' 4896 2734 2531 2530
Los valores de “m” >= 1 indican un alto grado de influencia local y una superficie con mayor detalle
(menos suavizada). Por el contrario valores de “m” inferiores a 1 indican un menor grado de
influencia local y una superficie con menos detalle.
Fig.4: Relación entre valor del exponente “m”, la distancia de los vecinos
más cercanos y el valor de la ponderación.
Jfallas@racsa.co.cr
Este método de interpolación se comporta como un interpolador exacto cuando no se utiliza ningún
factor de suavizado. Uno de los defectos del interpolador es que genera una superficie con una
apariencia de 'ojos de buey ' alrededor de los puntos de muestreo (Fig. 5). El programa Surfer
(Golden Software, 1999) provee un filtro que suaviza la superficie y por lo tanto tiende a eliminar
este problema. El programa también le permite definir el tipo de búsqueda a utilizar (todos los datos,
simple, 4 sectores, 8 sectores); así como el número de puntos a utilizar y las dimensiones del círculo
o elipse como se muestra en las figuras 6 y 7. El programa Analista Espacial de ArcView también
permite definir el número de vecinos más cercanos o un radio de búsqueda a utilizar en el proceso
de interpolación; además usted puede utilizar barreras (Ej. línea de acantilado, cauce de un río).
Fig. 4: Interpolador Distancia Inversa Ponderada: Efecto de “ojos de

buey”. Isoyetas cada 100mm. Software: Analista Espacial, ArcView.
Jfallas@racsa.co.cr
Fig. 6: Tipo de búsqueda. En este caso se ha

elegido una búsqueda utilizando 4 cuadrantes y 2
observaciones por cuadrante. Basado en Golden
Software, 1999
Curvatura mínima (Spline)

Este interpolador tiene su origen en los antiguos moldes curvos que utilizaban los dibujantes para
ajustar un curva a una serie de puntos. Este interpolador es realmente un conjunto de polinomios
cúbicos que describen tanto la tendencia como la magnitud de una línea. La forma de la curva es
definida localmente a partir de un subset de los datos. Algunos programas utilizan (B-splines(, los
cuales son a su vez la suma de otros (splines( utilizados para suavizar líneas. El interpolador ajusta
una línea de curvatura mínima a partir de los puntos de muestreo (X,Y,Z) y por lo tanto se comporta
como un interpolador exacto (la superficie creada mantendrá los valores de Z de los datos
originales). Este método de interpolación es apropiado para superficies que varían en forma gradual
tales como elevación, precipitación, temperatura, concentraciones de contaminantes y profundidad
de la tabla de agua; sin embargo no es apropiado para extrapolar valores como puede apreciarse en
la figura 8. Cuando los cambios son muy abruptos no se recomienda utilizar este interpolador. El
interpolador es muy utilizado en las ciencias de la Tierra (Ej. geología, edafología, geomorfología,
climatología). El usuario(o) debe seleccionar el número de puntos a utilizar por región o vecindad
así como un factor de ponderación (ESI, 1996b; Golden Software, 1999).
Jfallas@racsa.co.cr
Fig. 8: Interpolador de Curvatura Mínima. En la esquina superior

derecha puede observarse el efecto de extrapolar los valores de Z.
Isoyetas cada 200mm. Software: Analista Espacial, ArcView.
Fig. 7: Tipo de áreas de búsqueda. A. Circular. B.

Elíptica; los valores 1 y 2 indican el radio mayor y
menor que define el área de la elipse. El usuario
también puede definir la inclinación de la elipse.
Basado en Golden Software, 1999.
Jfallas@racsa.co.cr
Funciones radiales
Este es un interpolador muy flexible y que provee resultados similares al método Kriging. El
interpolador se comporta como exacto cuando no se especifica el valor R 2 (parámetro de forma o
suavizado). No existe una valor universal para R 2; sin embargo el manual del programa “Surfer”
(Golden Software, 1999) sugiere utilizar un valor igual al espaciamiento medio ó a la mitad del
espaciamiento medio de las puntos de muestreo. La opción multi cuadrática es considerada como
la que genera las mejores superficies, seguida por Thin Plate Spline (Plano de curvatura mínima
delgado). Las funciones que el usuario especifica son análogas a los variogramas utilizados en el
método Kriging. La ecuación de la función multi cuadrática es la siguiente:
B (h) = ( h 2 + R2 ) 0.5 (3)
en donde h: distancia relativa del punto al nodo anisotrópicamente reescalao y R 2 el parámetro de

suavizado indicado por el usuario.
< Método de Shepard: Este método de interpolación es similar al método de inverso de la

distancia, sin embargo la superficie generada no muestra el efecto de (ojos de buey (. El
interpolador se comporta como exacto cuando no se especifica un factor de generalización
(Golden Software, 1999).
< Triangulación con interpolación lineal: Método de interpolación basado en una red de
triángulos irregulares (TIN). Para mayor detalle sobre este método se remite al lector a la
sección sobre interpolación a partir de isolíneas . El interpolador se comporta como exacto.
Utiliza todos los puntos de control para crear la superficie.
Kriging
El método de interpolación Kriging asume que la distancia y/o la dirección entre puntos de muestreo
es una expresión de la correlación espacial entre los puntos y que por tanto dicha información puede
utilizarse para explicar la variabilidad encontrada en la superficie muestreada. El algoritmo ajusta una
función matemática a un determinado número de puntos o a aquellos que se encuentren en un radio
de búsqueda. Este interpolador es más complejo que los anteriores y normalmente requiere de cierto
conocimiento estadístico por parte del usuario(a). El análisis incluye los siguientes pasos: análisis
estadístico exploratorio del set de datos, modelado del variograma, interpolación de la superficie y
análisis de la superficie de varianza. Este interpolador se utiliza con mucha frecuencia en estudios
geológicos y edafológicos.
El método de interpolación Kriging puede utilizarse prácticamente con cualquier tipo de datos ya
que es muy flexible. Cuando no se especifica la varianza “pepita” o (nugget( el interpolador se
comporta como exacto. En general, Kriging es considerado como uno de los mejores métodos de
interpolación ya que provee estimaciones insesgadas y de varianza mínima (Oliver, 1990). Este
Jfallas@racsa.co.cr
interpolador considera tanto la dirección como la magnitud de la correlación espacial en el set de

datos. Dado que este es un interpolador más complejo, a continuación se describe con mayor grado
de detalle tanto los supuestos del método como su terminología.
El método de interpolación Kriging se basa en los siguientes supuestos:
1. Los datos muestran un patrón de variabilidad espacial que puede definirse a través de:
< Un componente estructural asociado a un promedio constante o a una tendencia constante.
< Un componente aleatorio con cierto grado de asociación espacial.
< Un componente de error o variabilidad no explicada asociada a errores en las mediciones y a
micro variaciones en la superficie no detectadas por el modelo.
Los conceptos anteriores pueden expresarse matemáticamente como (Burrough, 1986):
Z (x) = m(x) + ,' (x) + ,'' (4)

en donde:
Z(x): Valor de la variable Z en la posición x.
m(x): Función determinística que describe el componente estructural asociado al set de datos.
,' (x): Variación estocástica local que permanece en el set de datos después de remover la variación
estructural dada por m(x).
,'': Residuos que representan variabilidad (“ruido”) sin una tendencia espacial en el set de datos,
con promedio igual a 0 y varianza F 2.
En ausencia de una tendencia en los datos ((drift(), el valor de m(x) es igual a:
E [Z(x) - Z (x+h)] = 0 (5)
En este caso también se asume que la variación entre Z(x) y Z(x+h) depende exclusivamente de
la distancia entre sitios o sea del valor de (h(, también conocido como resago. Matemáticamente lo
anterior se expresa como (Oliver, 1990):
Var [{Z(x) - Z x+h)] = E [{Z(x) - Z x+h)}2] = 2 ((h) (6)
en donde ((h) se conoce como el semivariograma.
Jfallas@racsa.co.cr
Dado que los supuestos anteriores se cumplan en el set de datos, la semivarianza puede estimarse
a partir del set de datos utilizando el siguiente estimador (Issaks and Srivastava, 1989; Oliver, 1990):
((h) = 1/2n E{Z(xi) - Z (xi +h)}2 (7)
en donde (n( es el número de pares de observaciones separados por un resago (h(. Observe que el
valor de ((h) debe ser 0 cuando h es 0. El valor de ((h) cuando h tiende a 0 es una estimación de ,''
(error asociado al set de datos y a la micro variación local sin una dependencia espacial).El variograma
debe estimarse al menos en tres direcciones para detectar cualquier presencia de anisotropia en el set
de datos (Oliver, 1990). EL estimador anterior es válido cuando se cumple con todos los supuestos del
modelo; sin embargo en presencia de violaciones no severas al modelo central (Ej. presencia de
valores extremos), se recomienda utilizar los siguientes estimadores robustos (Cressie,1993):
2((h) / {1/ *N (h)* * E*Z(xi) - Z (xi +h)0.5}4 / (0.457 + 0.494) / *N (h)* (8)
2((h) /{Mediana * *Z(xi) - Z xi +h*0.5}4 / (B(h) (9)
B(h) corrige por el sesgo y su valor asintótico es 0.457. La transformación de potencia tiene la
virtud de generar datos con una distribución cercana a la normal.
Semivariograma
El semivariograma es la representación gráfica de la semivarianza espacial con respecto a una
distancia (h(. Este valor es la mitad del promedio de la diferencia entre cada par de datos y la línea de
45o en la gráfica; y su valor incrementa conforme el coeficiente de correlación y la covarianza
decrecen. A continuación se ilustran los conceptos básicos asociados al semivariograma utilizando un
set de 100 observaciones de elevación sobre el nivel medio del mar obtenidas de un mapa 1:50.000
del Instituto Geográfico Nacional. Los datos se muestran en el cuadro 3 y su distribución espacial
puede visualizarse en las figuras 9 y10. Las figuras 11, 12, 13 y 14 muestran 4 curvas de Z (x) versus
Z (x+h) para el set de datos. La separación entre puntos de muestreo fue de1000m y los valores de Z
están dados en metros.
Jfallas@racsa.co.cr
Cuadro3: Valores de elevación (m) obtenidos de un mapa escala 1:50.000 del Instituto Geográfico
Nacional. Muestreo cada 1000 metros.
1 2 3 4 5 6 7 8 9 10
1 223 228 238 226 245 212 113 114 115 110
2 224 217 231 244 249 250 113 110 114 116
3 221 211 227 233 235 210 113 109 110 112
4 219 210 205 208 203 207 105 110 115 130
5 217 206 203 204 201 105 109 110 122 133
6 111 109 102 105 109 102 106 109 120 130
7 115 105 99 98 97 103 109 110 120 135
8 110 108 98 95 97 106 105 120 130 155
9 97 99 97 96 90 107 104 125 156 160
10 96 97 95 90 92 95 90 89 110 120
280
240
200
Z (m)
160
0
120 2000
4000
Y (m)
80 6000
8000
0
2000 4000 6000 10000
8000
10000
X (m)
Fig. 9: Distribución de 100 valores de elevación (m)
para puntos muestreados con un espaciamiento de
1000 metros en X y Y de una hoja cartográfica
1:50.000 del IGN.
Jfallas@racsa.co.cr
200
Leyenda
Media filas
180
Media columnas
160
Media de Z (m)
140
120
100
80
0 2 4 6 8 10
Distancia (m)
Fig. 10: Promedios para columnas (Eje X) y filas (Eje Y) de 100

valores de elevación (m) obtenidos de un mapa 1:50.000 del IGN.
La figura 11 ilustra el hecho de que el 280
valor de ((h) debe ser 0 cuando h es 0. Esto

se desprende de la ecuación utilizada para 240
determinar la semivarianza. Obviamente

esta gráfica no nos proporciona ninguna 200
Z(t)
información sobre la tendencia espacial en

el set de datos y se incluye sólo con fines 160
didácticos.
120
80
80 120 160 200 240 280
Z (t)
Fig. 11: Diagrama de dispersión h para h= (0,0)
La figura 12 ilustra la relación entre Z(x) y Z(x+h) o sea aquellos pares de valores definidos por
un resago de 1000 metros en el sentido Sur-Norte en el set de datos. Observe que el set de datos se ha
dividido en 2 grupos y existen otras observaciones distribuidas con un patrón menos definido.
Jfallas@racsa.co.cr
280
h = (0,1)
240
200
Z (t+h)
160
120
80
80 120 160 200 240 280
Z(t)
Fig. 12: Diagrama de dispersión h para h= (0,1)
La gráfica 12 ilustra la relación entre Z(x) y Z(x+2h) o sea aquellos pares de valores definidos por
un resago de 2000 metros en el sentido Sur-Norte en el set de datos. Observe que el set de datos se ha
dividido en 3 grupos y existen algunas pocas observaciones distribuidas con un patrón menos definido.
240
h(0,2)
210
180
Z (t+h)
150
120
90
80 120 160 200 240 280
Z (t)
Fig.13: Diagrama de dispersión h para h= (0,2)
La gráfica 13 ilustra la relación entre Z(x) y Z(x+3h) o sea aquellos pares de valores definidos por
un resago de 3000 metros en el sentido Sur-Norte en el set de datos. Observe que permanecen los 3
grupos sin embargo su posición ha cambiado con respecto a la línea de 450.
Jfallas@racsa.co.cr
240
h = (0,3)
210
180
Z (t+h)
150
120
90
60
80 120 160 200 240 280
Z (t)
Fig.14: Diagrama de dispersión h para h= (0,3)
Fig.15: Simivariograma para 100 datos de elevación

obtenidos de un mapa 1:50.000 y con una separación de 1000
metros entre puntos de muestreo.
Jfallas@racsa.co.cr
Observe que efectivamente el valor de ( (h) es 0 cuando h es 0 y que los valores del coeficiente
de correlación de Pearson decrecen conforme se incrementa la separación entre los valores de (h) y
el valor de la semi varianza (Cuadro 4). Es de esperarse que para un set de datos mayor su valor tienda
a estabilizarse conforme aumenta el valor de (h(. L a figura 15 corresponde al semi variograma para
los datos utilizados en el presente ejemplo. Observe que la gráfica tiene una forma cóncava ascendente
por cuanto puede asumirse que los datos presentan una tendencia local o global. En este caso los
valores mayores tienden a concentrarse en la esquina noroeste del área. Esta gráfica debe permitirle
escoger el valor de h para el set de datos. Dicho valor corresponde a aquel valor de h para el cual la
tendencia de la curva se estabiliza.
Cuadro 4: Estadísticos para los diagramas de dispersión de Z t Vs Z (t+h)
h Coeficiente de correlación Semivarianza No. pares (n)

lineal de Pearson D(h) ( (h)
0 1 0 100
1 0.86 408.96 90
2 0.72 903.91 80
3 0.49 1717.85 70
4 0.18 2838 60
A continuación se definen los términos asociados al variograma (ver figura 16).
Meseta o (sill(: Es igual a la suma de C y el efecto “Nugget” o “pepita”. En la mayoría de los casos
es igual a la varianza del set de datos; o sea expresa la variabilidad total (S2) de Z
para los puntos de muestreo; así como la covarianza para *h* = 0.
A: Este parámetro indica una separación relativa en distancia (h); también se le conoce como
alcance e indica la distancia a partir de la cual se estabiliza la varianza del set de datos. Para una
superficie isotrópica (no existe un patrón direccional en los valores de Z) se calcula como:
h = (ªx 2 + ªy 2) 0.5 / A (10)

en donde:
[ ªx ªy]: representan el vector de separación en unidades del mapa.
Jfallas@racsa.co.cr
B: Parámetro que define la tasa de cambio de los componentes del variograma al incrementar
la separación entre puntos. Este parámetro es utilizado para escalar la separación de la
distancia física. Para los variogramas cuadráticos y esféricos este parámetro se conoce
como ambito o rango del variograma.
C: Parámetro de escala que define, en ausencia del efecto pepita, el valor de la meseta o
(sill(.
Fig. 16: Componentes típicos de un variograma. La letra h

representa un vector con magnitud y dirección. Fuente:
Golden Software, 1999.
El usuario puede elegir entre diversos modelos de variogramas (Cressie, 1993, Isaaks and
Srivastava, 1989; Golden Software, 1999). Los modelos con una meseta ((sill() y un alcance bien
definidos se conocen como transicionales porque la naturaleza estadística de la variación espacial
cambia cuando el resago (h) sobrepasa el rango (A).
Variogramas
A continuación se describen las funciones utilizados con mayor frecuencia para describir los
variogramas (Cressie, 1993, ESRI, 1996; Golden Software, 1999):
< Esférico o circular: Este es posiblemente el modelo más utilizado. Su comportamiento es lineal
para separaciones pequeñas cercanas al origen y tiende a aplanarse conforme aumenta la distancia;
Jfallas@racsa.co.cr
alcanzando el valor de la meseta (sill) cuando la distancia es igual al rango (A). En muy utilizado
en las ciencias de la tierra.
< Exponencial: Este es otro modelo utilizado con gran frecuencia en las ciencias de la tierra. El
modelo alcanza el umbral en forma asintótica y por lo tanto el alcance (A) se define como la
distancia a la cual se ha alcanzado el 95% del valor del umbral.
< Lineal: Este modelo incrementa linealmente con h y por lo tanto no posee un valor de meseta.
< Gausiano: Este modelo se utiliza para crear superficies a partir de datos que representan fenómenos
extremadamente continuos. El modelo alcanza el umbral en forma asintótica y por lo tanto el rango
(A) se define como la distancia a la cual se ha alcanzado el 95% del valor del umbral.
Jfallas@racsa.co.cr
< Logarítmico:
Este variograma no tienen un valor de meseta.
< Wave (Efecto de hueco)
< Racional cuadrático
Jfallas@racsa.co.cr
< Cuadrático
Algunas observaciones generales que aplican a todos los variogramas son las siguientes (Oliver,
1990):
< Los modelos matemáticos son ajustados a una muestra discreta de simivarianzas ya que el
variograma verdadero es continuo y las estimaciones están sujetas a error; especialmente si la
muestra es pequeña. Cuando el error asociado a los datos es muy grande comparado con la
variación natural de la región, el variograma se mostrará errático y sin ninguna capacidad
predictiva.
< Los modelos que pueden ajustarse a los datos pueden clasificarse en 2 grandes categorías:
‘ Ilimitados o infinitos
En este caso el modelo no asume que existe una varianza a priori finita y por lo tanto la hipótesis
de variación espacial estocástica de los datos sólo puede asumirse como correcta en forma
intrínseca. Los modelos basados en una función de potencia se ajustan a esta condición y por lo
tanto puede utilizarse un modelo lineal, cóncavo o convexo. Un variograma que tiende a
incrementar en una forma cóncava hacia arriba desde el origen puede indicar la existencia de una
tendencia (drift) local o global en el set de datos. Es este caso se debe sustraer la variación no
estocástica o estructural del set de datos y luego ajustar nuevamente el variograma utilizando los
residuos.
‘ Limitados o finitos
En este caso se asume que existe un límite a la variación que caracteriza el proceso aleatorio; a
dicho límite se le denomina meseta o (sill(. Los modelos exponenciales y esféricos se utilizan
con frecuencia para describir los semivariogramas de set de datos provenientes de las ciencias
de la tierra.
Jfallas@racsa.co.cr
Métodos de interpolación en Kriging
Kriging ordinario ( Sin tendencia)

Este método de interpolación es apropiado para datos con una distribución regular de los datos
(isotrópica). Un proceso es isotrópico cuando es estrictamente estacionario y su variación no está
asociada a una dirección particular en el set de datos. Una variable es estrictamente estacionaria si su
componente estocástico (Xi ) satisface la siguiente condición (Haggett, Cliff and Frey, 1977):
La distribución conjunta de las 7Xi ? depende solamente de la posición relativa

de las observaciones; o sea no existe ningún efecto estructural en los datos.
Kriging Universal
El Kriging universal no tiene un variograma y además el método de interpolación se sustenta en el
hecho de que puede existir tanto u patrón local como uno estructural. Este método de interpolación
debe utilizarse cuando los datos no tienen una distribución homogénea y por lo tanto se debe interpolar
la superficie a partir de espacios sin información; también puede utilizarse cuando se desea extrapolar
la superficie más allá de los límites de los datos de insumo. La interpolación se realiza vía dos
métodos:
< Kriging Universal con tendencia lineal: Este método de interpolación es apropiado cuando los datos
exhiben un patrón o tendencia lineal. En caso de duda este es el método recomendado.
< Kriging Universal con tendencia cuadrática: Este método de interpolación es apropiado cuando
los datos exhiben un patrón o tendencia cuadrática (forma de parábola con depresiones).
El Kriging universal es apropiado para aquellos casos en donde la variación espacial del set de datos
puede segregarse en un componente aleatorio y otro de tendencia o (drift(. Otras extensiones del
método Kriging son co-Kriging y Kriging disyuntivo ( Cressie, 1993; Oliver,1990)
Efecto o varianza pepita (“Nugget”)

Este parámetro integra el error asociado a los datos (errores de medición); la microvarianza no
contabilizada por la distancia de muestreo ((h() y la variación espacial no correlacionada en el set de
datos (Cressie, 1993; Oliver, 1990). Sus unidades son cuadráticas y corresponden a las de Z. Cuando
mayor sea dicho valor menor confianza se asigna a cada observación en el set de datos y por lo tanto
el interpolador se comporta como no exacto. Este parámetro se utilizar cuando existen errores
potenciales en el set de datos. Cuando este factor domina la variación del semivariograma, no es
posible utilizar el método Kriging para la interpolación y por lo tanto debe utilizarse un método de
interpolación no estadístico.
Jfallas@racsa.co.cr
Efecto o varianza Nugget = Varianza de los errores de medición + micro varianza
El primer término se refiere al error generado como efecto de la no repetitividad de las mediciones
(errores en los datos) y el segundo expresa la variabilidad a nivel micro no evaluada por la distancia
de muestreo (h(. Este valor es un indicador de la varianza residual o sea de la variabilidad no
correlacionado espacialmente en el set de datos.
Interpolación a partir de isolíneas

Las isolíneas representan líneas continuas de igual valor a lo largo del área de estudio y
normalmente su fuente son los mapas topográficos o los planos ingenieriles (Ej. Levantamientos
topográficos). Dependiendo del software utilizado, se pueden utilizar dichos datos tanto en formato
raster (Ej. Intercon de IDRISI) como en formato vectorial (Ej. 3D Analyst de Arc View, TIN de Arc
Info, MGE Terrain Analyst de Intergraph).
Interpolación a partir de triángulos irregulares (TIN)

El modelo de datos TIN (por sus siglas en inglés) como un medio para almacenar, recuperar y
analizar datos topográficos fue inventado en forma independiente en América del Norte al menos tres
veces en los primeros años de 1970 (Mark, 1977). El modelo TIN surgió como una respuesta a la
necesidad de buscar una estructura de datos alterna a la raster utilizada hasta aquel momento para
representar Modelos Digitales del Elevación (MDE) y a la insatisfacción por parte de los usuarios(as)
con el software existente para crear isolíneas. A continuación se ofrece un breve resumen de la historia
de los modelos de triángulos irregulares (Mark, 1977):
1964: Los triángulos elaborados a partir de una distribución de puntos irregulares fueron utilizados
como base para dibujar curvas o isolíneas en un espacio bidimensional.
1965: La compañía IBM implementó un proceso basado en triángulos para elaborar curvas de nivel.
1966: El geomorfólogo Alemán K. Hormann propuso el uso de triángulos para representar la

superficie del terreno y luego realizar análisis geomorfológicos. Sin embargo, los triángulos
propuestos por Hormann carecían de topología y eran analizados en forma individual.
1967: Se desarrolla un programa de cómputo para la creación de curvas de nivel basado en triángulos
para la industria petrolera.
1968: Thomas K. Poiker, profesor de cartografía en Canadá, describe la primera estructura de
triángulos irregulares con topología integrada, como parte de la superficie externa de un sólido
de tres dimensiones.
1973: Las estructuras triangulares fueron inventadas en forma independiente por ingenieros de la firma
consultora Engineering-Science, Virginia, USA como un medio para representar elevaciones
Jfallas@racsa.co.cr
y otros atributos mientras trabajaban en un proyecto sobre tuberías de aguas negras. La idea se
materializó como ADAPT (Areal Design and Planning Tool), un SIG que utilizaba los vértices
de los triángulos para designar elevaciones y sus caras para representar otros atributos.
1975: El modelo TIN propuesto por Poiker se había establecido como una estructura topológica en
el mundo científico.
1975-76: Las estructuras triangulares fueron inventadas en forma independiente por el geólogo
Christopher Gold mientras trabajaba en su disertación de doctorado entre 1975 y 1976 como
un medio para representar superficies geológicas subterráneas.
Para finales de 1970 se había aceptado al modelo TIN como la forma estándar de representar la
topografía en un SIG y en otros programas de cómputo.
Las superficies pueden representarse mediante un conjunto de puntos con un espaciamiento regular
(en inglés, lattice) ó utilizando una red de triángulos irregulares (Triangulated Irregular Network, TIN,
por sus siglas en inglés). El modelo TIN (Fig.17) está formado por un conjunto de triángulos
adyacentes que no se traslapan, los cuales se derivan a partir de un set de puntos con un espaciamiento
irregular. La estructura de datos está basada en una mezcla de puntos (Masa de puntos), líneas (líneas
de cambio o inflexión en la topografía) y polígonos (áreas). El modelo TIN almacena la información
topológica que define las relaciones espaciales entre cada uno de los triángulos y sus vecinos (Ej.
información sobre los vértices y los lados de cada triángulo). El modelo TIN es apropiado para
representar las irregularidades del terreno y para derivar métricas del paisaje tales como pendiente,
aspecto y sombreado del terreno. Sin embargo cuando se requiere utilizar la superficie con fines de
modelado (Ej. simulación de escorrentía superficial), la estructura de datos raster es más apropiada.
Los puntos equidistantes derivados del TIN (grilla) son el insumo a partir del cual se estima el valor
de Z (Ej. elevación) que posteriormente permitirá crear un archivo de tipo raster. El cuadro 5 resume
las principales características de las estructuras de datos TIN y raster.
Jfallas@racsa.co.cr
Fig. 17: Modelo de puntos regulares (lattice) y red de triángulos

irregulares (TIN).
Cuadro 5: Comparación entre las estructuras de datos raster y TIN para representar modelos digitales
de elevación.
Modelo raster: cuadrícula Modelo Vectorial: triángulos irregulares

regular
La cuadrícula es un modelo de datos La red de triángulos irregulares es una estructura más compleja que
simple formado por una matriz de representa la superficie mediante un conjunto de caras de triángulos
columnas e hileras. contiguos que no se traslapan.
Los procesos computacionales son muy Procesos computacionales menos eficientes ya que se debe estimar el
eficientes ya que se trabaja con una valor promedio para el conjunto de nodos que rodean el punto de
matriz de valores (columnas e hileras). interés.
Existen algoritmos bien establecidos Los algoritmos para procesar TINs son más complejos y costosos de
para el procesamiento de los datos. programar. Por lo tanto el software también es más caro.
Dichos algoritmos se originaron en la
comunidad de usuarios de
procesamiento de imágenes digitales.
Datos en formato raster son abundantes Existen pocos datos en formato TIN y normalmente son más caros y
y menos costosos que los vectoriales. difíciles de utilizar.
El modelo de celdas regulares es rígido, El tamaño de los triángulos se adapta a las irregularidades del área que
ineficiente y no expresa con fidelidad se modela. Las coordenadas de los valores originales se mantienen como
los cambios abruptos del terreno. parte de la información asociada a los vértices de los triángulos y por lo
tanto no existe pérdida de detalle ni de información.
Basado en: ESRI, 1997; Maune, 1994; Shearer, 1990 y Weibel y Heller, 1991.
Jfallas@racsa.co.cr
A continuación se brinda una guía en cuanto al método de interpolación a utilizar basados en el

número de puntos de muestreo (Golden Software, 1999):
Cuadro 6: Criterios para elegir el método de interpolación.
Número de Método de interpolación Observaciones

puntos de sugerido
muestreo
(X,Y,Z)
#10 Kriging con variograma lineal Sólo es posible generar una tendencia general
Kriging con variograma lineal. de los datos. Se recomienda crear diferentes
Triángulos irregulares con superficies y optar por la que mejor represente
interpolación lineal. el set de datos.
Funciones radiales
Regresiones polinomiales
#250 Kriging con variograma lineal Ambos métodos de interpolación brindarán
Funciones radiales con función resultados aceptables y muy similares. Se
multicuadrática. recomienda utilizar todos los puntos de
muestreo para crear la superficie.
250 a 1000 Triángulos irregulares con Todos los métodos de interpolación brindarán
interpolación lineal. resultados aceptables y muy similares. Para
Curvatura mínima (Kriging( y (funciones radiales( se
Kriging con variograma lineal recomienda una función de búsqueda basada
Funciones radiales en cuadrantes.
>1000 Curvatura mínima Kriging y funciones radiales requieren de
Triángulos irregulares con mayor tiempo de cálculo pero ofrecen mejores
interpolación lineal. resultados. Según el manual de Surfer (Golden
Kriging con variograma lineal. Software, 1999) el incremento en tiempo no es
Funciones radiales proporcional al número de puntos en el set de
datos.
Jfallas@racsa.co.cr
EVALUACIÓN DE LA EXACTITUD DEL MODELO DIGITAL DE ELEVACIÓN

Todo modelo digital de elevación está sujeto a dos fuentes de error. El primer tipo se denomina
aleatorio y representan una sobre o sub estimación de los valores reales de elevación como resultado
del azar. Estos errores no muestra un patrón determinado, en promedio su valor es igual a cero y los
errores positivos y negativos tienen una frecuencia similar. El segundo tipo se denomina sistemático
y también representan una sub ó sobre estimación de los datos de elevación; sin embargo, a diferencia
de los primeros, tienen un patrón determinado y su promedio no es igual a cero (Maling, 1989). A
continuación se describen los estadísticos disponibles para evaluar los errores asociados a un modelo
digital de elevación.
Exactitud
Desde un punto de vista estadístico, la exactitud mide la magnitud y dirección del error o sesgo en
el set de datos. Cuando no existe sesgo, el promedio de la variable es igual su valor verdadero. Para
aplicar este concepto a un MDE es necesario comparar las elevaciones derivadas del mismo con otra
fuente de información con un mayor grado de exactitud; por ejemplo, un mapa con valores mas exactos,
valores de campo o elevaciones obtenidas por medios fotogramétricos (Cressie, 1993; Maling, 1989;
Weibel y Heller,1991 ). La comparación resulta en una serie de diferencias denominadas (residuos(,
cuyos valores pueden ser positivos o negativos. Estas diferencias se expresan estadísticamente como
error promedio, error absoluto promedio y raíz cuadrada del error medio cuadrático (Shearer, 1990):
Error aritmético medio

El promedio indica la tendencia central de los errores y por lo tanto no indica la magnitud ni la
dirección del error para puntos individuales. Cuando los errores son aleatorios la media tiende a cero
y cuando existe un sesgo en los datos su valor será diferente de cero. El promedio aritmético no es un
buen indicador del error del MDE pues un valor muy grande puede ser compensado por otro grupo de
valores pequeños. Por ejemplo, un error de -100 metros puede ser compensado por diez errores de 10
metros y en promedio el error ser igual a cero (0). El error promedio es igual a:
0r = 3 ri / n (11)
en donde: ri = residuos obtenidos en “n” puntos diferentes (tamaño de la muestra).
Error absoluto medio

El error absoluto promedio indica la tendencia central de la distribución de errores sin considerar
su signo y su valor es mayor o igual a cero. Este valor representa mejor el error esperado del MDE. Por
ejemplo, para el caso mencionado en el párrafo anterior el error sería 18.2m. El error absoluto promedio
es igual a:
EAP = 3 *ri* / n (12)

en donde: ri = residuos
Jfallas@racsa.co.cr
* * = valor absoluto
n = número de observaciones (tamaño de la muestra)
Raíz cuadrada del error medio cuadrático

La raíz cuadrada del error medio cuadrático (RCEMC) es una expresión matemática que captura
tanto la magnitud como la variabilidad de las desviaciones de una serie de puntos de muestreo. Su
fórmula es:
EMC = ± ( 3 (ri) 2 / n) 0.5 (13)
Desviación estándar o típica (DT)

La desviación estándar, también conocida como error estándar en el ambiente cartográfíco, expresa
la desviación de los errores (ri) con respecto al promedio 0 r y su expresión matemática es la siguiente:
DT = ( 3 (ri - 0 r ) 2 / n-1) 0.5 (14)
Cuando 0 r = 0 el RCEMC es igual a la desviación estándar de los errores; sin embargo si 0 r… 0

el valor del RCEMC será mayor que DT. En la literatura cartografía se le denomina con frecuencia a
ambos términos error estándar.
Cuando los residuos tienen una distribución normal, el 95% de los mismos se encontrarán entre -2DT
y +2DT. Otros valores de uso común son los siguientes:
Múltiplo de DT % de puntos incluidos Denominación q=1-P % k

0.6745 50 Error medio 0.5 50 1/2
1.01 68.3 Error estándar 0.333 33.3 1/3
1.5 86.6 0.143 14.3 1/7
1.645 90 0.1 10 1/10
2.0 95.5 0.05 5 1/20
3.0 99.7 Error “máximo”* 0.003 0.3 1/333
40. 0 99.9 0.0001 0.01 1/10000
1-P: Probabilidad de que las observaciones exceden dichos límites por factores de azar.
%: Porcentaje de 1as observaciones que exceden dichos límites por factores de azar.
*: Conocido como criterio de Chauvenet (Maling, 1989). Cualquier residuo que exceda 3
desviaciones estándares es considerado como un valor extremo y es candidato a ser
eliminado.
Del análisis de la presente sección se desprende que existen varias expresiones matemáticas para
cuantificar el error asociado al MDE y que no todas indican lo mismo. Esto puede crear confusión e
Jfallas@racsa.co.cr
incertidumbre en el usuario del MDE; para evitar esta inconveniente se recomienda describir cada
término utilizado y especificar su respectiva fórmula.
Exactitud de los valores de elevación

En el ambiente cartográfico convencional se pueden utilizar tanto puntos con elevaciones conocidas
como isolíneas (Ej. curvas de nivel) para crear los modelos digitales de elevación terreno. En ambos
casos se debe determinar la exactitud planimétrica y altimétrica de los datos. Por ejemplo, el valor de
un hito de posición fija en un mapa 1:50.000 puede tener un error en posición de 15m pero su valor de
elevación puede ser correcto; ó poseer un error tanto en ubicación como en elevación (lo más probable).
El error asociado a puntos particulares de elevación puede determinarse con facilidad; sin embargo es
más difícil evaluar la exactitud de las curvas de nivel. En el caso de curvas de nivel es frecuente
establecer una tolerancia máxima aceptable y luego utilizar valores puntuales para evaluar el grado de
error asociado a la estimación. Por ejemplo, si asumimos que el 90% de los puntos muestreados deben
estar a no más de 0.5 el intervalo de las curvas de nivel (Norma utilizada en la cartografía de los
Estados Unidos de América); entonces para un mapa 1:50.000 de Costa Rica con curvas de nivel cada
20m, dichos puntos deberían poseer un error inferior o igual ± 10m. Este método asume que la forma
y detalle de las curvas es correcta dada la escala del mapa; sin embargo no somete a prueba dicho
supuesto.
ESTÁNDARES O NORMAS
La investigación en cartografía hipsométrica ha demostrado que el error asociado a los valores de
elevación está fuertemente influenciado por la pendiente del terreno (Fig. 18). A continuación se
brindan dos ecuaciones conocidas como ecuaciones de Koppé (Maling,1987) que permiten determinar
el error esperado en un MDE tanto en elevación como en planimetría:
EMC en elevación REMC Z = ± (A+B * tan % ) (15)

EMC en posición REMC P = ± (B+A * cot % ) Para % 0 (16)
en donde % representa la gradiente de la pendiente en grados.
Fig.18: Relación entre desplazamiento planimétrico y error en elevación. A: posición correcta de la

curva de nivel. A' : Posición en el mapa. )P: error en planimetría. )Z: error en elevación.
Jfallas@racsa.co.cr
El desplazamiento planimétrico y el error altimétrico será el mismo para aquellas áreas con una
pendiente de 45º (100%) y por lo tanto puede asumirse que el error altimétrico siempre será menor que
el planimétrico (cuadro 8). Los valores de A y B de las ecuaciones 15 y 16 son constantes establecidas
por cada país considerando la escala del mapa y los requisitos de exactitud deseados. A continuación
se brindan los valores para A y B citados por Maling (1987) para escalas entre 1:1000 y 1:50.000.
Cuadro 7: Valores de A y B sugeridos por Maling (1987) para cartografía con escalas entre 1:1000 y
1:50000.
Escala Intervalo entre curvas EMCZ (m) EMCP (m)

de nivel (m)
1: 1000 1 ± (0.1 + 0.3 * tan %) ± (0.3 + 0.1 * cot %)
1: 5000 5 ± (0.4 + 3 * tan %) ± (3 + 0.4 * cot %)
1:10000 10 ± (1 + 5 * tan %) ± (5 + cot %)
1:25000 10 ± (1 + 7 * tan %) ± (7 + cot %)
1:50000 20 ± (1.5 + 10 * tan %) ± (10 + 1.5 * cot %)
Para la cartografía 1:50.000 de Costa Rica, los valores anteriores brindarían los siguientes errores
permisibles:
Cuadro 8: Errores permisibles para la cartografía 1:50.000 de Costa Rica, basado en Maling (1º987)
Pendiente % Pendiente % Categoría de pendiente RCEMC Z RCEMC P

(grados) (%) (±m) (±m)
2.5 4.4 Ligeramente ondulado(2-6%) 1.94 44.35
5 875 Ondulado (6-15%) 237 2714
10 176 Fuertemente ondulado (15-30%) 326 1851
20 364 Escarpado (30-50%) 514 1412
30 577 Fuertemente Escarpado(50-75%) 727 1259
40 839 Montañoso (>75%) 989 1179
45 100 Montañoso (>75%) 1150 1150
Jfallas@racsa.co.cr
A continuación se brindan los estándares altimétricos en uso en Alemania, Suiza, Inglaterra, y los
Estados Unidos para mapas con escalas entre 1:5.000 y 1:50.000 (Shearer,1990):
Cuadro 9: Errores aceptables en la estimación de valores de elevación (REMC Z) en Europa y los

Estados Unidos de América. Normas para cartografía analógica.
Escala País REMC Z (±m) Para % = 30º (57.7%)

1:5000 Alemania ± (0.4 + 5 * tan %) 3.29 m
1:10000 Suiza ± (1 + 3 * tan %) 2.73 m
1:10000 Inglaterra ± ((1.8)2 + (3)2 * tan %) 0.5 2.49 m
1:25000 Alemania ± (0.5 + 5 * tan %) 3.39 m
1:25000 Suiza ± (1 + 7 * tan %) 5.04 m
1:25000 Inglaterra ± ((1.8)2 + (7.8)2 * tan %) 0.5 4.85 m
1:50000 Suiza ± (1.5 +10 * tan %) 7.27 m
1:50000 USA ± (1.8 + 15 * tan %) 10.46 m
%: Pendiente en grados
En general, los valores anteriores coinciden con la norma utilizada en la cartografía de los Estados
Unidos de América, la cual indica que un 90% de los puntos muestreados debe tener un error inferior
a media curva ( Maling, 1989). Para la cartografía 1:50.000 de Costa Rica con curvas de nivel cada
20 metros y auxiliares cada 5 metros (en lugares planos) dicha norma corresponde a 10 y 5 metros,
respectivamente. Para la cartografía 1:200.000 con curvas de nivel cada 100m, el error aceptable sería
50m.
A partir de la norma anterior y considerando que toda curva de nivel tiene un error planimétrico y
otro altimétrico (Fig. 19) se puede utilizar la siguiente ecuación para determinar el error esperado en
elevación para la cartografía 1:200.000 (Maling, 1989):
ÎZ = 0.5 IC + 0.5mm* tan % (17 )
en donde:
% : representa la gradiente de la pendiente en grados.
IC: intervalo de la curva de nivel
Jfallas@racsa.co.cr
0.5mm: Este valor corresponde a la norma utilizada en los Estados Unidos de América para evaluar la
exactitud planimétrica de los mapas con escalas inferiores a 1:24.000. Dicha norma establece que 90%
de los puntos muestreados deben encontrarse a no mas de 0.5mm de su posición verdadera.
Fig. 19: Desplazamiento esperado en el valor de elevación como consecuencia del desplazamiento en
planimetría. A y B: curvas de nivel. M: error aceptable en elevación (0.5IC). EPp: error total
considerando el error en planimetría.
El cuadro 10 ilustra la aplicación de la ecuación 7 a la cartografía 1:200.000 de Costa Rica. El error

máximo esperado en elevación para la cartografía a escala 1:200.000 es igual al 1.5 veces el intervalo
entre curvas de nivel, lo cual excede el estándar utilizado en los Estados Unidos de América para
evaluar la exactitud en altimetría de la cartografía con escalas inferiores 1:24.000. Dicha norma
establece que ningún punto de muestreo debe exceder el valor de una curva de nivel.
Jfallas@racsa.co.cr
Cuadro 10: Errores esperados para la cartografía 1:200.000 de Costa Rica con curvas de nivel cada
100m, basado en Maling (1989).
Pendiente (grados) Pendiente (%) Categoría de pendiente RCEMC Z (±m)

2.5 4.4 Ligeramente ondulado (2-6%) 54.4
5 875 Ondulado (6-15%) 58.8
10 176 Fuertemente ondulado (15-30%) 67.6
20 364 Escarpado (30-50%) 86.4
30 577 Fuertemente Escarpado (50-75%) 107.7
40 839 Montañoso (>75%) 133.9
45 100 Montañoso (>75%) 150
Estándares para modelos digitales de elevación

Los estándares propuestos para la cartografía analógica (Ej. ecuaciones de Koppé y Normas de la
Agencia Cartográfica de los Estados Unidos de América) se basan en la gradiente de la topografía y la
escala del producto cartográfico. En los modelos digitales de elevación no existe la escala como tal y
por tanto se consideran independientes de la misma; sin embargo para los archivos raster puede
utilizarse la separación entre los nodos de la cuadrícula como un equivalente de la escala. Ley (1986)
citado por Shearer (1990), sugiere utilizar la siguiente equivalencia entre escala y tamaño de la celda:
Separación entre nodos Equivalente a escala Error planimétrico (RCEMC)

30 m 1:50.000 90% de los errores +25 m
100 m 1:250.000 90% de los errores +125 m
Utilizando esta equivalencia puede establecerse la exactitud de un MDE a partir de las normas
utilizadas para la cartografía convencional. Un Modelo Digital del Terreno (DEM, por su siglas en
inglés) en los Estados Unidos de América es un archivo digital con puntos equidistantes en sentido
norte-sur (X,Y) y con un valor de elevación en el eje Z (Maune, 1994). A partir de los mapas 1:24.000
se trazan perfiles en sentido Norte-Sur con una separación de 30 m entre sí. Cada perfil a su vez
contiene puntos con una separación de 30m; por cuanto el producto final es una matriz regular de
30*30m. Para los mapas 1:250.000, la separación entre los perfiles y los puntos está basado en
coordenadas geográficas (latitud, longitud). La separación entre perfiles y puntos es de 3 segundos de
arco, lo cual corresponde a aproximadamente 90m en el sentido norte-sur y a una distancia variable en
el sentido este-oeste. Esta última distancia depende de la ubicación del lugar ya que los meridianos
convergen conforme aumenta la latitud. A continuación se describen las especificaciones de los MDT
Jfallas@racsa.co.cr
de nivel I, II y III utilizados en los Estados Unidos de América (Brown, 1994; Maune, 1994;Veregin,
1997). En todos los casos el error es calculado a partir de una muestra de al menos 28 puntos.
Nivel I:
Los valores de elevación son estimados a partir de métodos fotogramétricos. El MDT debe tener un
error máximo (RCEMC z) de 15m y ningún error puede exceder 50M (aproximadamente 3 veces la
RCEMC). Este MDT cumple con los requisitos para elaborar ortofotos a escala 1:12.000.
Nivel II:
EL MDT es creado a partir de curvas de nivel y el error (RCEMC z) permisible es 0.5 veces el
intervalo entre curvas de nivel del mapa fuente; además ningún error puede superar el intervalo de una
curva de nivel. Las especificaciones de este nivel están diseñadas para que el usuario obtenga resultados
similares a los que obtendría con métodos manuales y utilizando mapas impresos a la misma escala.
Nivel III
Este MDT es derivado de curvas de nivel y otra información auxiliar. El error permisible en elevación
(RCEMC Z) es de 7 m y ningún error puede superar el intervalo de una curva de nivel.
Debido a que los estándares anteriores están basados en normas para cartografía analógica, el Comité
Federal para Datos Geográficos de los Estados Unidos de América aprobó en junio de 1998 los
“Estándares Nacionales de Exactitud para Datos Espaciales” (NSSDA, por su siglas en inglés)
(http://mcmcweb.er.usgs.gov/sdts/, http://www.fgdc.gov/standards/status/sub1_3.html). Dichos
estándares definen la metodología y los estadísticos a utilizar para evaluar la exactitud tanto de mapas
digitales como analógicos. Estos nuevos estándares recomiendan calcular un intervalo de confianza al
95% para el error (1.96*RCEMC z). A los interesados en hojas electrónicas diseñadas para implementar
dicho estándar se les remite al subdirectorio NSSD del CD que acompaña al presente documento.
Errores para un MDE derivado de elevaciones obtenidos por métodos fotogramétricos

A continuación se brinda un resumen de los resultados reportados por Torlegard et. al. (1987) y
citados por Shearer (1990). El estudio consistió en la obtención de mediciones de elevación a partir de
fotos con escalas entre 1:1000 y 1:30.000 para 6 sitios con diferentes condiciones de terreno por parte
de 15 instituciones independientes y su posterior uso para derivar el MDE. Finalmente, cada institución
seleccionó 2500 puntos de control para los cuales obtuvo su valor de elevación. El error se estimó como
la diferencia entre dichos valores y los derivados por métodos fotogramétricos con especificaciones de
exactitud en el orden de ±0.3% a ±0.7% por cada 1000 metros de altura de vuelo (esto se hizo para
normalizar los errores y por lo tanto poder compararlos).
T Los resultados menos satisfactorios se obtuvieron tanto para áreas ubicadas en terreno empinado y
con montañas escabrosas (Ej.configuración de terreno en Monte Verde de Puntarenas); como en
Jfallas@racsa.co.cr
áreas planas y con cobertura de bosques. En ambos casos los MDE no cumplieron con las normas
establecidas por el estudio.
T El error estándar en el MDE obtenido por técnicas fotogramétricas se encontraba entre ±0.2% y
±0.4% de la altura de vuelo. Esto representa una exactitud entre ±0.2 a 0.4m para alturas de vuelo
de 1000m y ±3.0 a 6.0m para alturas de vuelo de 15000m.
T En áreas muy empinadas la exactitud alcanzó entre ±1.0% y 2.0% de la altura de vuelo; lo que
representa un error desde ±1.0 a 2.0m hasta ±15.0 a 30.0m, respectivamente.
T Los errores máximos pueden ser desde 4 hasta 8 veces el valor del error estándar.
T La exactitud media del MDE se incrementa al aumentar el número de puntos de muestreo.
T Valores estáticos de elevación (elevaciones de puntos fijos) brindan mejores resultados que perfiles
o curvas de nivel. Esto se debe posiblemente a que los puntos poseen un menor error tanto en
planimetría como en altimetría.
INSUMOS PARA ELABORAR UN MDE

En general, los insumos para elaborar un MDE pueden obtenerse a través de levantamientos de
campo, métodos fotogramétricos y digitando elevaciones a partir de hojas topográficas. El trabajo de
campo es el método mas costoso pero también el que genera los datos de mejor calidad. Las hojas
topográficas, son la fuente de menor costo, pero también las de menor calidad. El levantamiento de
campo es factible para áreas pequeñas y que requieran de gran exactitud. Acherman (1978) reporta que
se requirió de 13 días para levantar 6000 puntos de campo en tanto que en 5.5 horas se levantaron 8500
puntos por medios fotogramétricos. La exactitud de ambos métodos no es la misma (±0.25m y ±0.4m,
respectivamente); sin embargo en ambos casos se puede elaborar cartografía con curvas de nivel de 1m;
lo cual es apropiado para un sinnúmero de aplicaciones. Cuando se utilicen medios fotogramétricos
deben considerarse los siguientes aspectos (Shearer, 1990):
T Escala de la foto y altura de vuelo

T Razón de base-elevación
T Exactitud del equipo utilizado
T Método utilizado para levantar los datos
< Estático o puntual: Este método brinda mayor exactitud
< Dinámico, perfiles o curvas de nivel: Este método brinda una exactitud de
aproximadamente 1/3 del anterior.
Jfallas@racsa.co.cr
En el caso de las hojas topográficas, la exactitud dependerá de la escala del mapa y del intervalo
entre curvas de nivel. Otro aspecto que influirá en el producto es el método utilizado para digitar las
curvas. Los métodos manuales (mesa digitalizadora) pueden incluir un error planimétrico de ±0.5mm,
en tanto que los métodos semiautomáticos (uso de escáner) pueden generar errores menores. Sin
embargo, en todo caso esta fuente de datos es el que genera los MDE de menor exactitud.
Densidad y distribución de los datos

La densidad y distribución de los insumos influyen en la exactitud del modelo de elevación digital.
Una distribución regular y densa de puntos (Ej. cuadrícula) ó el uso de perfiles paralelos brindan una
excelente cobertura del área y por lo tanto generan MDE realistas. Sin embargo, cuando el terreno es
muy escarpado y con inflexiones frecuentes se tiende a perder los detalles menores del paisaje (Ej.
acantilados, cimas de la montaña, cárcavas y pequeñas cañadas). Una solución a esta limitante es
complementar los datos anteriores con puntos particulares o líneas que indiquen inflexiones en el
terreno.
Los mapas de curvas de nivel son una fuente aceptable de datos para crear MDE; sin embargo la
densidad de los datos estará directamente relacionada con la pendiente del terreno. Sitios con fuerte
pendiente tendrán una mayor cantidad de puntos comparados con sitios ubicados en áreas planas. En
este caso también es aconsejable suplementar la información de curvas de nivel con valores puntuales
y líneas que indican cambios bruscos en el terreno.
Esquemas de muestreo
El modelo digital de elevación puede elaborarse a partir de una variedad de insumos, entre los que
tenemos (Weibel y Heller, 1991):
< Perfiles
< Puntos equidistantes (cuadrícula)
Muestreo selectivo: Líneas que indican cambios bruscos en el terreno
< Curvas de nivel
< Puntos aleatorios con elevaciones conocidas
< Muestreo progresivo: Lo intensidad de muestreo está en función de la complejidad del
terreno; se muestrea con un patrón jerárquico.
< Muestreo compuesto: combinación de muestreo selectivo y muestreo progresivo.
Jfallas@racsa.co.cr
Perfiles Cuadriculado
Muestreo progresivo
Muestreo compuesto
A continuación se resumen los resultados reportados por Ebner y Reiss (1984) en cuanto a la
eficiencia de las diferentes estrategias de muestreo.
Jfallas@racsa.co.cr
Cuadro 11: Eficiencia de diferentes estrategias de muestreo utilizadas para recabar datos para elaborar
un MDE. Fuente: Ebner y Reiss,1984.
Tipo de insumo Exactitud del Resultados

insumo
Cuadrícula con una ±0.25m El MDE elaborado a partir de la cuadrícula
separación entre nodos de brindó los mejores resultados (menor
10m RCEMC z).
Perfiles con una separación ±0.5m La raíz cuadrada del error medio cuadrático
original de 10m (RCEMC Z) varió entre ±0.47m para perfiles
con una separación de 20m y ±0.52m para
perfiles con una separación de 60m. El
tamaño de celda utilizado fue 20m. El
RCEMC Z para celdas con tamaños entre 20m
y 60m varió entre ±0.47m y ±0.61m,
respectivamente.
Curvas de nivel cada 2.5m ±0.5m La raíz cuadrada del error medio cuadrático
(RCEMC Z) varió entre ±0.51m para celdas de
20m y ±0.57m para celdas de 60m.
Las implicaciones prácticas de estos resultados son las siguientes:
T Las cuadrículas con un espaciamiento regular proveen un mejor insumo para elaborar
modelos digitales del terreno que los perfiles.
T Las cuadrículas con un espaciamiento de hasta 60m entre nodos provee una mejor fuente de
datos para elaborar MDE que perfiles o curvas de nivel con una densidad equivalente. Esto
es muy importante pues reduce el tiempo y dinero requerido para levantar puntos en el campo
o en las fotos aéreas.
Grassie (1982) citado por Shearer (1990) comparó la exactitud de los MDE generados con
diferentes programas comerciales utilizados en cartografía general o temática. Los insumos
consistieron en aproximadamente 300 puntos para los siguientes tipos de datos:
< Puntos de muestreo sobre curvas de nivel

< Puntos sobre líneas que indican cambios bruscos en el terreno
< Puntos sobre ríos
Jfallas@racsa.co.cr
< Puntos en una cuadrícula con nodos cada 85m

< Puntos de elevación conocida distribuidos en forma irregular
Los resultados se compararon con puntos de control derivados fotogramétricamente de una grilla
con una separación de 30m y de curvas de nivel con un intervalo entre curvas de 10m. Las
conclusiones fueron las siguientes:
T Todos los programas presentaron problemas en diferentes áreas y en general no capturaron las
irregularidades menores del paisaje obtenidas a partir de las curvas de nivel utilizadas como control.
T Los métodos que derivan valores para la cuadrícula basados en puntos al azar mostraron variaciones
muy marcadas en la calidad del producto generado; seguidos por los métodos basados en curvas de
nivel.
T Los métodos globales de interpolación mostraron los mayores errores seguidos por los métodos
locales y sus resultados son comparables con los métodos basados en una búsqueda de puntos.
T Los métodos basados en la búsqueda de puntos alrededor de cada nodo de la cuadrícula tienden a
generar curvas de nivel angulares en áreas planas o de poca elevación. Esto se debe a que el método
selecciona puntos con igual valor de elevación alrededor de cada punto de la cuadrícula y por lo
tanto los nodos de la cuadrícula tienden a tener el mismo valor que las curvas de nivel.
T La distribución espacial de los puntos de elevación es crítica para lograr una adecuada
representación del paisaje en el MDE. Los métodos basados en una cuadrícula regular mostraron
mejores resultados que los basados en una distribución irregular.
T El error medio cuadrático menor se obtuvo con los puntos distribuidos regularmente (±3.31m a
±6.54m), seguido por las curvas de nivel (±3.49m a ±6.27m) y finalmente por los puntos
distribuidos en forma irregular (±4.09m a ±6.80m).
Curvas de nivel en mapas 1:50.000

Lowthian (1986) citado por Shearer (1990) evaluó la exactitud de modelos digitales del terreno
elaborados a partir de curvas de nivel con un intervalo de 10 m, impresas en mapas a escala 1:50000
y digitadas manualmente. Los resultados se compararon con los valores de elevación derivados para
2500 puntos derivados por métodos fotogramétricos. Los resultados obtenidos fueron los siguientes:
Error Absoluto Medio Error Promedio Error estándar (RCEMC)

+6.75m -2.21m ±6.44m
Jfallas@racsa.co.cr
La diferencia en el promedio (indicador de error sistemático) puede explicarse en parte, según

Shearer (1990), por diferencias en el sistema de referencia utilizado para generar los puntos de control
y datos utilizados para crear el MDE. El error obtenido es aceptable para crear cartografía a escala
1:50.000. Observe, sin embargo que el intervalo entre curvas de nivel era de 10m y por lo tanto podría
argumentarse que el error no debería exceder 5m (media curva).
SELECCIÓN DEL MEJOR MÉTODOS PARA CREAR UN MDE

El modelo digital de elevación puede crearse utilizando una estructura de datos raster ó una
vectorial (TIN). Los métodos basados en una búsqueda selectiva de puntos brindan mejores resultados
que los métodos globales o locales (Shearer, 1990). Sin embargo, no es posible afirmar en forma
categórica que siempre un método dará mejores resultados que otro. Por esta razón el usuario de un
determinado programa de software debe evaluar los resultados de su modelo, documentar el grado de
error y decidir sí la calidad del mismo es apropiada para sus necesidades. Para algunos investigadores
el método de interpolación basado en el modelo TIN es superior al raster; sin embargo esto no puede
tomarse como una afirmación absoluta (Carrara, Bitelliy y Carla, 1997; Carvacho y Sánchez, 1997).
EDICIÓN Y DEPURACIÓN DEL MDE

Una vez creado el modelo digital de elevación es necesario depurarlo para eliminar las
inconsistencias generadas en el proceso de interpolación. Entre las operaciones que pueden aplicarse
a un MDE tenemos (Weibel y Heller, 1991):
1. Edición: Esta operación puede realizarse tanto a nivel vectorial (TIN) como raster y consiste en
modificar valores para puntos o celdas particulares. El SIG provee las herramientas para realizar
dichas operaciones.
2. Filtrado: Esta operación se aplica a un modelo de datos raster y tiene como objetivo eliminar
valores inconsistentes en el MDE (Fig.20 ). Normalmente, se utiliza una filtro promedio en el dominio
espacial (ventana móvil). Esta operación también puede utilizarse para reducir la resolución del MDE
y por ende reducir el tamaño del archivo.
3. Creación de mosaicos: Con frecuencia los MDE son creados para espacios geográficos definidos
(Ej. una hoja 1:50.000) y por tanto es necesario su posterior fusión en unidades mayores denominadas
mosaicos. La fusión de mapas puede hacerse tanto con archivos en formato raster como vectorial.
Jfallas@racsa.co.cr
Fig.20 : Proceso de eliminar sumideros y picos ficticios en el MDE.
4. Cambio de formato: El MDE puede crearse como un archivo vectorial (TIN) o como uno raster;
sin embargo con frecuencia es necesario pasar de un formato al otro. Esta transformación es realizada
por el SIG mediante diferentes métodos de interpolación. Es frecuente, por ejemplo, crear un modelo
raster a partir de un TIN o crear isolíneas (curvas de igual valor) a partir de un modelo raster.
5. Clasificación y manipulación: Las operaciones de clasificación y manipulación del MDE son parte
de las herramientas que provee un Sistemas de Información Geográfica. Por ejemplo, el MDE puede
clasificarse en categorías de elevación; también es posible crear elementos en 3D y derivar pendiente,
orientación y aspecto del terreno.
APLICACIONES
Por muchos años, las aplicaciones en el área de los Sistemas de Información Geográfica se
restringieron a un mundo en dos dimensiones. La dimensión vertical (Z), típica de ambientes
terrestres, oceánicos y antrópicos era representada mediante isolíneas ó áreas de igual elevación o
profundidad. Sin embargo, gracias a los avances en el área del diseño gráfico y en especial, en la
capacidad de procesamiento del equipo de cómputo logrado en la década del 90, en la actualidad es
posible visualizar y realizar análisis en 2.5 dimensiones utilizando una computadora personal y
software de bajo costo. Sin embargo, a pesar de dicho avance todavía no es posible, para fines
prácticos, representar visualmente una superficie en 3D.
Los productos de un MDE son múltiples; sin embargo entre los principales tenemos:
T Mapa de gradiente del terreno
T Mapa de aspecto u orientación del terreno
T Mapa de curvatura/convexidad del terreno
T Mapa de longitud de la pendiente
T Perfiles longitudinales y transversales del terreno
T Mapa de intervisibilidad
T Perfil de visibilidad
Entre las diversas aplicaciones de un MDE tenemos:
Jfallas@racsa.oc.cr
T Estimación de áreas y volumen de relleno y excavación

T Visualización en perspectiva (2.5D)
T Creación de isolíneas
T Delimitación de cuencas hidrográficas y de cauces
T Análisis hidrológico superficial
T Elaboración de perfiles del terreno
T Determinación de la longitud del flujo superficial
T Ortorectificación de fotos aéreas e imágenes satelitales
T Análisis de inestabilidad de laderas
T Curva hipsométrica/integral hipsométrica
T Análisis de relieve local
T Análisis topológico de cauces: orden, magnitud
T Iluminación o sombreado del terreno
Pendiente del terreno

La pendiente representa el cambio en elevación (ªH) con respecto al cambio en distancia (ªD),
y puede expresarse tanto en grados como en porcentaje. A partir de un MDE el usuario puede
determinar la pendiente máxima del terreno como se ilustra en la figura 21.
Fig.21 : Concepto de pendiente máxima.
Jfallas@racsa.oc.cr
Aspecto u orientación de la pendiente

A partir del mapa de pendiente máxima se puede determinar la orientación de la pendiente (Fig.
22). El resultado se expresa en grados (0-3600 ) y en el sentido que giran las agujas del reloj; el norte
corresponde a 0/; 90.0/ corresponde al este, 180.0/ al sur y 270.0/ al oeste. A las áreas planas se les
asigna el valor -1.
Fig. 22: Concepto de pendiente o gradiente y aspecto u orientación de

la pendiente.
Iluminación/sombreado del terreno

A partir de un MDE es posible crear un mapa de iluminación relativa del terreno. Este mapa se
utiliza con fines de visualización; ya que no posee unidades con sentido físico. El método de
sombreado del terreno fue desarrollado inicialmente por especialistas de las escuelas de cartografía
de Suiza y Austria basados en los conceptos de claro-oscuro utilizados por los pintores del
Renacimiento para crear objetos en tres dimensiones a partir de iluminación y sombreados en sus
pinturas (Burrough, 1986). El sombreado del terreno creado a partir de un MDE muestra cómo luciría
el terreno si estuviese formado por un material ideal y fuese iluminado desde un ángulo particular
(Fig. 23). Normalmente, el ángulo de la fuente de luz se establece a 450 sobre el horizonte en el
sentido noroeste (315/) como se muestra en la figura 23. Sin embargo, el usuario puede modificar
dicho valor en la mayoría de los programas que permiten crear un mapa de sombreado del terreno.
Algunos autores consideran que el modelo TIN brinda una representación menos realista del terreno;
aunque desde luego esto dependerá de la densidad de puntos utilizados para crearlo. En el caso de
los modelos raster (celdas equidistantes) el mapa de sombreado tiene una apariencia más suavizada
y por lo tanto crea una mejor impresión visual en el observador (ver fig. 24).
Jfallas@racsa.oc.cr
Actualmente se cuenta con una gran cantidad de programas que permiten crear mapas de
sombreado del terreno; sin embargo, el primer programa de cómputo para elaborar dichos mapas fue
elaborado por Dennis White del Laboratorio de Gráficos Asistidos por Computadoras de la
Universidad de Harvard, USA y se llamó Imago Mundi (Burrough,1986). Los mapas poli cromáticos
permiten apreciar mejor las características del paisaje que aquellos creados en tonos de grises.
Fig. 23: Efecto de la iluminación (ángulo

de elevación y dirección) sobre el
sombreado del terreno.
Fig. 24: Isla Chira, sombreado del terreno.

Software: IDRISI V2.O.
Delimitación de cuencas hidrográficas

Esta función permite delimitar cuencas hidrográficas (Fig. 25) a partir de un mapa de orientación
de la pendiente y un mapa de la red de drenaje. El usuario puede definir el ángulo de búsqueda
(equivalente al radio de visibilidad); con frecuencia se utiliza por omisión el valor 900. Este ángulo
define las celdas que aportarán agua a otra celda en el sentido de la pendiente. El método es
susceptible al efecto de los mínimos y máximos locales y por lo tanto el MDE debe filtrarse antes de
utilizar esta función.
Jfallas@racsa.oc.cr
Fig. 25: Delimitación de una cuenca

hidrográfica en un MDE.
Perfiles
El perfil es una representación gráfica de las coordenadas X,Y,Z de un elemento lineal en un
sistema de coordenadas cartesianas (Fig. 26). El usuario debe trazar o indicar la ubicación del
transecto o línea que define la ubicación del perfil. Si se desea, los datos pueden guardarse como un
archivo ASCII para su posterior uso en cualquier otro programa de diseño gráfico. También es posible
exporta el gráfico como un meta archivo de Windows (*.wmf).
200
Exageración Vertical 14 X
Elevación (Metros)
150
100
50
1000 2000 3000 4000 5000

Distancia (Metros)
X,Y Distancia a lo largo del perfil
Fig. 26: Perfil longitudinal. Isla Chira.
Jfallas@racsa.oc.cr
Análisis de Inter visibilidad

El análisis de intervisibilidad permite determinar, a partir del MDE y de un segundo mapa que
muestre puntos/líneas de observación
todos aquellos sitios visibles desde
dichos puntos/líneas. La figura 24
ilustra la terminología utilizada en el
análisis de inter visibilidad.
Los diferentes programas de
software disponibles en el mercado
ofrecen opciones para definir los
parámetros que se muestran en la
figura 27 y generar un producto como
el que se muestra en la figura 28. El
usuario puede utilizar la función de
sobre posición de mapas para crear
superficies que reflejen las
obstrucciones reales del terreno (Ej.
elevación del terreno+altura de Fig. 27: Definición de términos utilizados en el análisis de
arboles+altura de edificios). inter visibilidad.
Fig.28: Áreas visibles. Software Spatial Analyst, ArcView.
Jfallas@racsa.oc.cr
Línea de visibilidad
Esta función permite determinar la línea de visibilidad de un observador ubicado en un determinado
punto o línea. Si el área de interés no es visible el programa le proveerá la ubicación de la primera
obstrucción. El producto es un perfil del terreno que indica tanto la sección visible como la no visible
como se muestra en la figura 29.
Fig. 29: Perfil de visibilidad. Software: Spatial Analyst, ArcView.
Visualizaciónen perspectiva o tridimensional

La visualización de un MDE puede realizarse tanto en forma estática (Ej. mapa impreso) como de
manera interactiva (Ej. monitor). En ambos casos, el objetivo del análisis visual es permitirle al
usuario(a) explorar el modelo para formular o re formular sus hipótesis o métodos de estudio. La
utilidad de los productos visuales dependerá de la naturaleza de los datos y del equipo-software
utilizado por el investigador (a). A continuación se describen tres formas de visualizar un MDE (Raper
y Kelk, 1991).
Visualización en 2D
La visualización en 2D se logra a través de un gráfico o imagen raster en la cual el valor Z es
proyectado en un plano de 2D, el cual permite visualizar elementos con dimensiones 0-D, 1-D y 2D
(Ej. isolíneas, ver fig. 30). Dado que la variable Z es continua en una escala de medición de razón,
para representarla es necesario agrupar los datos en categorías y visualizar los límites de las clases.
Esta técnica no permite representar valores múltiples de Z para una misma ubicación X,Y (Ej.
contenido de hierro a diferentes profundidades).
Jfallas@racsa.oc.cr
Simbología
Curvas de nivel cada 20m
N ica ragu a
M ar C ar ibe
Panam á
Oceán oP acíf ico
50 0 0
5 Kilo m ete rs
3000 0 3000 Meters
Fig. 30: Curvas de nivel para la isla Chira. Golfo de

Nicoya, Costa Rica. Fuente: IGNCR,1989.
Visualización en 2.5D
La visualización en 2.5D es un modelo de proyección isométrico en el cual los valores de Z
asociados con cada par de coordenadas X,Y son proyectados y visualizados simultáneamente en un
sistema de coordenadas con tres dimensiones (X,Y,Z) (Ej. modelo de líneas isométricas). Esto crea
la percepción de profundidad y relieve en la mente humana (fig. 31). Sin embargo, la vista solo
brinda información sobre la superficie graficada y no es una representación verdadera del volumen
representado. En otras palabras, aun cuando se percibe la vista con un eje Z, la misma está limitada
por la representación en 2D.
Desde un punto de vista práctico, esta función permite visualizar el MDE, ya sea solo o como una
sobrepuesta de un mapa de atributos (Ej. uso/cobertura de la tierra, imagen de satélite, etc.)(fig. 32).
El usuario define la resolución de la imagen, el ángulo de visión y la orientación de la panorámica;
así como el factor de exageración vertical. Utilizando esta técnica de visualización es posible crear
escenas de gran realismo como la que se muestra en la figura 33.
Jfallas@racsa.oc.cr
Fig. 31: Vista en perspectiva de una porción del mapa de la isla

Chira. Software: IDRISI V2.0.
Volcán Poás
Alajuela
Fig. 32: Vista en perspectiva de una imagen SPOT sobrepuesta a

un MDE. Software: 3D Analyst de ArcView.
Jfallas@racsa.oc.cr
Fig. 33: Creación de realidad virtual en perspectiva.

Visualización en 3D
La visualización en 3D es la representación digital de un sólido en la cual múltiples valores de
X,Y,Z son estructurados para formar dicho sólido y de esta forma poder visualizarlo como una tres
dimensiones. Esta estructura de datos permite la presencia de múltiples valores de Z para un mismo
valor de X,Y y por lo tanto es una representación fiel del espacio físico que percibe el ser humano.
Animación
La animación permite definir líneas de vuelo y simular vistas en 3D a partir de un MDE. Estas
vistas pueden utilizarse para crear un video digital compatible con los visualizadores de video para
Windows (Ej. *.avi, Quick Time Movie y Active Movie, etc.).
Creación de orto imágenes

Las ortoimágenes son creadas a partir de un proceso digital conocido como rectificación diferencial
el cual permite eliminar las distorsiones geométricas causadas por el relieve y la inclinación de la
cámara aérea. Una ortofoto es una imagen del terreno, en la cual la proyección central de la foto ha
sido transformada a una proyección ortogonal. Estas fotos tienen una calidad geométrica equivalente
a la de un mapa topográfico.
Cálculo de área y volumen

Cuando se utiliza un MDE el área será medida considerando el factor elevación o altura y por lo
tanto su valor será mayor que el equivalente para una superficie plana. La función volumen determina
el espacio entre un TIN y un plano horizontal definido por el usuario. El programa puede determinar
el volumen sobre o bajo el plano de referencia. Algunas aplicaciones prácticas de esta función son
determinar el volumen de suelo a excavar durante el proceso de nivelación ó de explotación en minería
a cielo abierto y cuantificar volumen de agua en un embalse.
Jfallas@racsa.oc.cr
Determinación de relleno y excavación

Esta función permite determinar, para dos superficies, la cantidad de material a ser removido ó
depositado. La operación se realiza en el dominio raster y por lo tanto cuando se utiliza un TIN el
programa deberá rasterizarlo primero para luego realizar la operación.
Creación de isolíneas
El programa es capaz de trazar isolíneas (Ej. curvas de nivel, isotermas, etc.) a partir de archivos
en formato de raster o TIN. En el primer caso, el software interpola los valores entre celdas y de esta
manera genera un mapa con curvas suavizadas y más cercanas a la realidad; ya que en muy pocas
ocasiones las líneas pasarán por el centro de las celdas. Cuando las isolíneas se elaboran a partir del
modelo TIN, el programa interpola las lineas a través de la red de triángulos irregulares. La ubicación
de la línea en el borde de cada triángulo es determinada mediante interpolación lineal.
Creación de elementos en 3D
Esta función permite crear elementos (puntos, líneas o polígonos) con un componente de elevación
o altura. El usuario puede visualizar estas formas (shapes) en una vista en 3D.
Análisis de escorrentía superficial

Esta función permite evaluar los patrones de escorrentía superficial derivados
a partir del MDE. El programa determina primero las rutas de máxima pendiente
en el MDE. El producto es una serie de líneas que terminan al encontrar el borde
del MDE o un mínimo local (cañada, fondo de valle). Estas líneas representan el
sistema hidrográfico de la cuenca. A partir de estos datos usted puede determinar
la longitud de flujo superficial y asignar ordenes y magnitudes a la cauces. La
figura de la derecha ilustra las posibles rutas que podría tomar el agua de la celda
central.
Exportación de vistas en 3D
El función le permite al usuario(a) guardar las composiciones en 3D como un archivo JPEG o
exportar la vista como un archivo VRML (Virtual Reality Modeling Languaje). El formato VRML
puede ser leído por los programas Netscape o Explorer y por lo tanto es un medio fácil de publicar
electrónicamente sus composiciones cartográficas en tres dimensiones.
Jfallas@racsa.oc.cr
EVALUACIÓN DE LOS MÉTODOS DE INTERPOLACIÓN

Las fuentes más comunes de datos para derivar un MDE son levantamientos topográficos, datos
obtenidos por métodos foto gramétricos y curvas/puntos obtenidos de mapas topográficos. Dado que
el país cuenta con cartografía 1:50.000 y 1:200.000, se eligieron curvas de nivel a dichas escalas para
evaluar la exactitud de los métodos de interpolación proveídos por los programas Surfer (Golden
Software, 1999); IDRISI para Windows V2.0 (Eastman, 1997) y las extensiones Spatial Analyst V1.1
(ESRI, 1998) y 3D Analyst V1.0a (ESRI, 1997) de ArcView GIS V3.2.
Programa Método de interpolación evaluado

IDRISI Intercon (raster)
3D Analyst para ArcView Interpolación mediante triángulos irregulares (TIN)
Spatial Analyst para ArcView Curvatura mínima, Kriging, distancia inversa
ponderada.
Surfer Kriging, distancia inversa ponderada, curvatura mínima,
Shepard, Vecino más cercano, funciones radiales, triángulos
irregulares (TIN).
En la presente sección usted encontrará una descripción de la metodología utilizada en el estudio;

así como una breve reseña de los métodos de interpolación que provee cada uno de los programas
utilizados. Al evaluar los resultados, el lector debe estar consciente de que los mismos no implican una
evaluación exhaustiva de las bondades/exactitud de cada uno de los interpoladores y/o programas
utilizados y que por tanto los mismos no tienen una aplicación universal.
Objetivo
El objetivo de la presente sección es comparar los modelos digitales de elevación creados por
diferentes programas y métodos de interpolación y responder a las siguientes preguntas:
< ¿Cuál es el exactitud de los diferentes métodos de interpolación?

< ¿Cuál es el efecto de aplicar filtros sucesivos en la exactitud del MDE?
< ¿Cuál es efecto de la resolución de la celda en la exactitud del MDE?
< ¿Cuál es el efecto de filtrar los valores de pendientes derivados a partir del MDE?
< ¿Cómo se compara la pendiente derivada por métodos manuales con respecto a la pendiente
derivada por métodos digitales?
Sitios de estudio
El estudio se realizó con datos a escalas 1:50.000 y 1:200.000. Para el primer caso se eligió a la
isla Chira, ubicada en el Golfo de Nicoya, Costa Rica (Ver fig. 34 y 35) y para el segundo la sección
sur de las faldas del Volcán Poás, cordillera Volcánica Central, Costa Rica (Ver fig. 34 y 36). Como
un producto adicional se incluye un modelo digital de elevación para Costa Rica elaborado a partir de
curvas de nivel con una separación de 100 m y 7474 puntos con elevaciones auxiliares (ver anexo 1).
jfallas@racsa.co.cr
Nicaragua
Mar Caribe
2
1
Oceáno Pacífico
Panamá
50 0 50 Kilómeteros
N
Fig. 34: Áreas de estudio. 1. Isla Chira, Golfo de Nicoya. 2. Faldas del
Volcán Poás, Cordillera Volcánica Central.
Simbología
Curv as de niv el ca da 2 0m Volcán Poás
Ubicación del área de estudio

N
Nic a r a g
ua
Ma r Ca r ib e
N
Pa n a
m á
Oc e á n o Pa c
í fi c o
50 0 5 0 K il o
me t e
r s
2 0 2 4 6 8 10 Kilometers
3000 0 3000 Meters
Fig. 36: Ubicación de la segunda área de

Fig. 35: Isla Chira. Golfo de Nicoya. Fuente estudio. Faldas del Volcán Poás, Costa Rica.
Hoja Berrugate, IGNCR, 1989. Curvas de Curvas de nivel cada 100m.
nivel cada 20m,
jfallas@racsa.co.cr
METODOLOGÍA
ISLA CHIRA
1. Escaneo de mapa
El primer paso consistió en escanear, a una resolución de 300dpi (puntos por pulgada), el mapa
de la isla Chira, Golfo de Nicoya, Costa Rica; Escala 1:50.000 (IGN,1989) (Fig. 37). Para esto se
utilizó un escáner Epson. Al lector interesado en cómo seleccionar la resolución apropiada para
escanear material cartográfico o fotos aéreas se le remite a documento “Escaneo, georeferenciación
y vectorización de material cartográfico y fotos áreas utilizando ArcView GIS” (Fallas, 2001).
Fig. 37: Isla Chira, Costa Rica. Fuente: Instituto Geográfico Nacional. Hoja
3146II, Berrugate. Edición 3-INGCR. 1989.
2. Georeferenciación
Una vez escaneado el mapa se convirtió de seudocolor(256 valores) a blanco y negro utilizando
Corel Photo-Paint (WWW.corel.com). Posteriormente el mapa exportado en formato TIFF fue
georeferenciado a la proyección Lambert Norte en Analista Espacial de ArcView utilizando la
extensión Image Warp v2.0 (McVay, 1999).
2.1. Evaluación de la exactitud planimétrica

Para evaluar la exactitud del registro de la imagen se seleccionaron 65 puntos de posición
conocida (intersección de cuadrícula en el mapa escaneado) y se comparó el valor de X y Y de cada
punto con su respectivo valor real. Para esto se utilizó el programa en Avenue AddXYCoordToFTab
(www.esri.com). El error medio cuadrático total fue de 11.9m; con un máximo de 30.5m y una
jfallas@racsa.co.cr
desviación estándar de 8.9m (Cuadro 12). Estos datos indican que el intervalo de confianza al 95%
para la estimación del error medio de registro del mapa es de 9.74m a 11.06m.
Cuadro 12: Estadísticos descriptivos para 62 puntos de muestreo utilizados para evaluar el error de
georeferenciación de la imagen de la isla Chira utilizada para vectorizar las curvas de nivel. Valores
en metros.
Estadístico Eje X (m) Eje Y (m)

N 65 65
Error Medio -10.73 -0.82
Desviación Estándar 10 2.26
Error medio absoluto 11.28 1.86
Desviación Estándar 9.36 1.52
Raíz Error Medio cuadrático 14.61 2.39
Raíz Error medio cuadrático total 14.8 (S=8.9)
El error planimétrico medio estimado para la imagen georeferenciada permite cumplir con el
estándar sugerido por Maling (1989) para áreas con una topografía escarpada (pendiente de hasta
un 50%) (ver cuadro 8). Es importante hacer notar que los errores superiores a 11.8m se encuentran
asociados al eje X y que se ubican en el extremo sur de la isla como puede apreciarse en las figura
38. Por esta razón, considero que las curvas de nivel digitadas de dicho archivo representan
fielmente la información registrada en la hoja topográfica escala 1:50.000 del IGN. Si comparamos
los resultados con los estándares establecidos para mapas analógicos con escalas inferiores a
1:24000 de los Estados Unidos (Maling, 1989) también se cumple con la norma de que un máximo
de un 10% de los puntos pueden tener un error superior a 25.08m.
jfallas@racsa.co.cr
Fig. 38: Error medio cuadrático (m) asociado al registro del archivo escaneado y
georeferenciado con ImageWarp. La barras representan error total, error en el eje X y
error en el eje Y, respectivamente. Valores en metros.
3. Digitar curvas de nivel

Las curvas de nivel fueron digitadas desde la pantalla del monitor utilizando la extensión Screen
DigitizeV2.0 creada por Howie Sternberg (howard.sternbertg@po.state.ct.us) del Centro de
Ambiente y Sistemas de Información Geográfica del Departamento Ambiental del Estado de
Connecticut, USA. En el anexo tres se incluye un tutorial que explica cómo utilizar dicha extensión.
La figura 39 muestra cómo luce el archivo una vez que ha sido convertido de seudocolor a blanco
y negro Corel Photo-Paint (WWW.corel.com). La figura 40 muestra las curvas de nivel trazadas
sobre el archivo en blanco y negro georeferenciado. Una vez trazadas las curvas se etiquetaron
utilizando el módulo de tablas de ArcView GIS.
jfallas@racsa.co.cr
Fig. 39: Apariencia de la imagen a partir de la

cual se digitaron la curvas de nivel. Fig. 40: Curvas de nivel vectorizadas. El
círculo ilustra una tolerancia de engarce
automático de 10m de diámetro.
4. Convertir curvas de nivel a puntos

Una vez creadas las curvas de nivel se convirtieron a puntos (X,Y,Z) utilizando el programa en
Avenue MakeElevation Pts de David Dow (1999) (www.esri.com). El archivo de puntos fue
utilizado como insumo por los interpoladores distancia inversa ponderada, curvatura mínima y
Kriging. La figura 41 muestra el archivo de puntos para el área de estudio ubicada en las faldas del
Volcán Poás.
5. Crear polígonos
Una vez digitadas las curvas de nivel se utilizó el programa ConvertPolyLineToPolygon
(www.esri.com) para crear un tema de polígonos correspondiente al área entre cada curva de nivel.
Este archivo fue importado posteriormente a IDRISI utilizando la opción SHAPEIDR del comando
de importar archivos. La figura 42 muestra un segmento del archivo de polígonos para la isla Chira.
jfallas@racsa.co.cr
# # # ### # # # # # ## # ### ## # # # ## # # ## # ## # # # ## # # # ## # # # # # # ## # ## # # # # ### # # # #
# # # # # ## # ### # # # ## # # # # ## # ## ## # ## # # ### # ## # # #
## # # # # # ## # ### # # #
# # ## # # # ## # # ## # # ## # # # ## # # ### # ## # # # # ##
## # # ## ## # # ##### # # ## # # # # # ## # # # # ## #
# #### # #### ## ### # # # ## ## ## # # ## # # ## ## # # ## # ## ## # # # # ## # ## ## #
# # ### ## # ## # ### # # # ## # ### ## ### ## # # # ## # # ##
# # # # ## # # # # ## # # #
# ## # # # #
# ## # # # # # # ## # ## ## # ## # # # ## # # # # # ## # # # # # # ## # # ##
# #
# ### # # # # ## # # ## # #
#
# # ## # # ## ## # # # ## #### # # # ## # # # # # ## ## # # ## #
# # # #
# # # #### # ## # ## # # #
## #
# # #
# # ## # ## ## # ## ### # # # #
# # ## # # # ## # ### # # # # #
# ## ## # ##
# # ### # # # ## ## # ## ## # ## # # # # ### # ##
# # # # ##
# ### # ## # #
## # # #
# # # # #
# ### # # ## # ## # #
## ## ### ## # ## # ## # # #
# ## # # ##
# #
## # # ## ## ### ## # ## ##
### ## #
# ###### ## # ## # #
## # # ## # # ## # # # ## ## # # #
# ## ## # # ## #
# # # # # # ## ## # ## #
## # ## # ## ## #
# # ## ### # # # # # ### ## # # # # # ## # # # # # ## ##
# ## ## # # # # # # # # # ## # # # # ## ## ## # # #
# # # ## # # # ### # # ## ## # # # ## # # #
# # ## # # #
## # ### # ## ## # # # # # # # ## # # # # # # # ## ## ##
## # #### ## # ## # # # ### ## # ## ## # # # ## # ### # # # # #
# ## #
# ##
# # ### ## # # # ## #
# # ####
# # ## # ##
# # # # ## ## # # # ### ## #
## # # # ### ### # # # #### ## # # #
# # # ##
# # # # # # # # #
# ## # ## # #
# ## # ### # # # # # # # # # ## # # ##
## # ###
#
## ## # ## # # # ## ## #### # ## # # # # # ## ## # #
# # # ## # # # # # # # # ### # # #
#
# # #
#
# #
# # # # # ## ## ## # ## # ## # ##
# # # # # # # # ## ### #### ## ## # # ## ### ## # # # # ##
# # # # # ## # ## ## ## #
## #### # ## # # # ## #
# # ## # # # # # #
# # # # ## # # # #
# # ### # ## # ## # # # # ## ## # #
# # # # # # ## ## # # # #
# # # # ##
# ## # ### ## # ## ### # # ## # # # # #### ## # # #
# #
## # # # # # # ##### # # ## # # # ## # ## # ## ## # # # ## # ## # ## ##
## # # ####
#
#
# #
# # # # # ### ##### # # ## ## ## #
# # ##
# #
# ## ## ##
##
# ## ## # ##
#
# # #
# # ## # #
# # # ## # #
# # # # # # # # # # # # # # # # #
#
#
## ## ###
### # # ## # ## # # ### # # ## ### # # # #
# ## ## # # # # # # # # # ## # # # # #
# # ## # # # ## ##
# # # ### # # #
### ##
## # # ## ## # # ## # ### # # ## # # # # # ## # #
## ## ## # ## ## ## # # # # ## ## # # # # ## # ## # ## # ## # #
# # ## ### #
# # ##
# ## #
## # ## # #
# # # ### # # # ## ## # # ## ####
#
# # ##
# # ## ### ## ### # ## ## #
### ## ##
# # # # #
# # # # # ##
# # # #
# # ## # # # ### # # # # # # # # # ## ## # # # ## #
##
# # # # # # # # # # #
# ## # # ## # #
# #
#
# # ## # # # # # # # # # ## # ## # # ## # # # # # # # ####
## ## # ### #
# ## #
## ## ##
# ## # ## ## ## # # ## ##
#
## ##
###
## # #
# # # # # # # # # # #
## # # #### # # # # # ## ## ## # # # # ##
# # # # ### # #### # # # #
# # ## ## #
## # ## #
## # ### # # ## # # # ## ## ## # ## # ### # ##
##
## ## # # ## # # ## ## ## ## ###
# ## # # # ### # ## # ### # # # # #
# # ### # # ## # # # ## # # # ## # ##
## ## #
# # ## ### # ### ## #
# ## ## # # # # ## # ## # # ### # # # ## ### # # ##
### # ## ## # ### ## # ##
# # # # # # ## ## # # #
## # # # ## # # # ## ## # # # # # # # # ## ##
# ## # # #
# # # ### # # # ## # ## ## # # # # # # # # # ## # ## ## ## # ## # # # # # ##
# # # # # # ## # # #
#
# ## ## # ## # ## # # ## # ## # # # # # # # ## # # # # # # # # # # # #
#
# # # ## # # # # # ## #### ## # # # # # # # # ## # # # ## # # # #
# ## # # # ## # # ### #### # ### # # ## ## ## # ### # # ### # ## # # ## # ## # ## # # ### ## #
##
# # ## # # # # # # # ## ### # # ### ## # # # # ## # # # # ## #
# # # # # # ### # ### # ## #
# # # ## # ## # # # # ## ## # # # # # # ## # # # # # # # # # # # #
# # # # # # # # # # # # ## ## # ## # ## # # # # # # # # ## # # ## # # # #
# # ## # ### ### ## ##
# # ###
# # #
# #
# ## ## ## # # # ### # # # ## ## # ## ## # #
# # # # # ## ## # # # # ## ## # ## # # # ## ## # # # ##
## # ### ## ## # ### # # ## # # ## # # ##
# # # #### #
#
##
# ## ### # ## # # # # ## # # # # ## ## # ## # ## # # # # ## # # # ##
# ## #
# # # # ## # # # # # # ## ## # # # # # #
# ## #
# # # # # ### # # # ## # ## ## # # # # # ### ## ## ## # ## # ## # ##
# # #### # # # #
# # #
##
# ## # # ## # # # #
# # # ### ### # # ## # # # ## ## # # ## # ## # # #
## ## ### ## # # # # # ## # ## # # # # # ## # # # # # ## ## # # ## # # # #
## ## # # ## ### # # # # ## # ## # # ### #### ## #### # # # ## # # # ## # ## # ## # # ### ## # # ## ## # ## ### # # #
# # ## ###
### ## # ## # # # # # ## # # ## # # # ### # ## #
##
## # ## # ## # # # #
# # # # # # # ## # # ## # # # # ### #
# # # # ## # ## ## ## ### ## ## # ##
# # ### # ## #####
## # # # # #
## #
# # # # # ## # # # # # # # # # # # ## # # ##
## ## #
# # # # ##
## # #
## ## # #
# # # ##
# # ## #### # ## # ### # # ## # # ## # ## # # ### ## # ## #
# ### #
#
##
#
# ## ###
## ## # # # # ## # # # # # # ## ## # ## #
## # # # # # # # # # # ##
# #
## ####### # #####
# # # # # # #
# # ## # # ## ## # #### ## #### # ##
# ## ## ## # #
# # ### ## #
### # # # ## #
## # ## # #
#
## # #
# ## # # # #
# ## # # # # # # ## ## # # # ## ##
##
# ## ## # #
# # #
# ## # # ### # #
# # ##
## # ## # ## #
## ## # # ## # # ### # ## ##
## # #### #### # # # ## ## # # ## ##
### # ## ## # # # # # # ## # # ## # # # # # # ## # ## ## ## # ## # ## # ## # # # ## #
# ## # ### # # ## ## # ## ### # # # # # ## # # ## ### ### # # # # ## ## # ## # # # # ### ##
# # # ## ## # # ## ## # # ## ## #
# # ## # # # # # ## # #
# # ## # ## # # # # ## # # ## ## ## ##
# #
# ## ## #
# ###
# #
# # # # # ## #
# ## # # # # # # # # # # # # # #
## # # # # ## # ### ### ## # # # ## ## ## # ## # ## # # ## # ##
# ## # #
#
# # ##
# # ##
# # # ## # # ## # ## # ### # ## # ### # ## # ## # #
# ### # # # # ## ## # # #
# ### # # # # # # # #
## ## ## # ## # # # # ## ## # # # # # # ####
## # # # # ## # ## # # ## ## # # # # # # ### # ## ## # # # # # # ## # # # ## ## ## #
# # ## ## ## #
# ##
## ## # ## # ## # ## # ### ## # # ## ### ## # # # ## #
# # ## # # ### # # ## # # ## # ## #
# ## # # # # #
# # # # #####
# # # ##
# # # # # ## ## ##
# # ## # ## ### # # ## ## ## # # ## # # # # ### # ## ## # # ### # #
# # # ## # # # #
# ##
# # # # # ## # ## #
# # # # ## #
# # ## ####
# #
## ### # # ## # ## ## # # # # # # ## ##
# ## #
##
# #
# # # # # # # # #
# # # # # # ## ## #
# # #
## #
## ## # # # # # ## # #
#
# ## ### # ##
# # # #### # # # # # # # ## # # # # # ## # # # # # # # # # # # #
# # # ## # # # # # # # # ## ## # ## # # ## # # # # ### ##
## ## # # # # ## ## ### # # ## ##### # # ## #
# ##
#
# # # # #
# # # ## #### # # # #
# # #
## # # # ##
#
# ##
# #
# #
#
#
## # # ### # ## # ## #
## # # ##### ### ## # # # # # # ## # # # # ## # # # ## # # # ## # #
# # ## # # # ## ## # # ## ## # # # # # # # # # ## ## ## ### # ## # # # # # # # # #
# ## # ##
# #
# # # # # # # ## # # # # # # # # # # # # # #
# # ## ## # # ### # ### # # # # ## # # # ## ## # # # ##
# ## ## # # # # ### ## ## # # ### # ## ###
# # # # # #
# ## ### # ## # ## # ## # # # #
# ## # ## # # ### ##
## # # ## #
# # # ##### ## ## ## # # ### #
#
# # ## ## # # # # #
## #
## ##
## # # ## # #
# # # ## # # ## #
# # # # # ### ## # # # # ## # # #
# # # # ## ##
# # ## ## ## ## # # ## # # # ##
# #
# ## ###
## # ## # #
# # ## # ## # # ## # # # # ## # # # ## # # # # # ## ## #
# ## # # ## # # #### ## # # # # ## # ## # #
##
# ## # # ##
##
# # # ## # ## # #
# #
#
# # # # ##
# ### ## # ### # # ## # ### # # ## # ## # # ###
#
## # # # ## # # # ## # # # # # ## # # ## ## ## ## ## ## # # ## # # # ## # # #
#
## ##
# # ## ## ## # ## #### ### # # # # ### # # # # # # # # # ## # ### # ## #
# # ##
# # ### ## # # # ## # ## ##
## # # # ## # # # # #
#
# # #
# ## #
#
# # #
# # # ## # # # ### # # # ## # # # # # ## #
# ## ## # # # # # ## ## ## # # # # #
# # ## ## # ## # ## # # ## # ## # # ## ##
##
# # #
# # # ## # # # #
## # ## # ## # # ## ## ## # ## # # # # # # # # # ## # # # # # # # # ##
# # # # ### # # ## # ## # # # # ##
# # # # # ## # # # ##
### ## # # ### #### # ### # #
##
## ## # ## ## ## # # #### # # ## # # ##
# ## # ## ## # # ## # ### #
#
# # # # # ### ## # # # # ### ### # ## # # ## # ## # # #
# # #
# ## ## ### #### # # ## ## # ## # # # ## # # # # ## ## ## ### # ## ## ## ## # # # ## # #
## # # # ## # # ##
## # # ###
# # ###
# # ## # ## # ## # # # ## #### ### # ## # # # ### # # # # ## # ##
### # # ### ## # # ###
# # ##
# # # ## ## ## ## # # ## # ## # ## # ## # ## #
# # # #
## #
### # ## # ## ## ### ## # # # ## # # # ## # # # ## # # # # # ##
#
# # ## ## # ### # ### ## # ## ## # # ## ## # # # ## # # # # ## ## # # # # ## # # ##
## ## # # # # # # ## #
## #
## ## #
# # ## # # ## # # ## # # # # ## # # # # #
# # # ## # # # ## # # # ## # # # # # ## # # # # #
###
# ## # # ##
# ### ##
### ## ## ## ## # # ### ## # # ## # #
#
#
# # #
#
## ## # ## # ## ## # # ## # # ## # ### ## # # ### # # # # # ## ###
#
## ## # # # ### ## # ## ### # # ### ## ## ## #
# # # # # ## ## # ### # # # # # # # # # # # ## # # # # #
# ## # # # ### # ## # # # ### ## # #
# # # # # ## # ## # # # ### # # ##### ## ### # # # # # ## ## #
# ### # ## # ## # # ## ## ## # ##
# # ## # ## # # ### # # # ## #
## #
# # # #### # # # #### ## ## # # ## # #
#
# # # ## #
# #
# ## # # ## ## # ## # # ##
# ## ## ## # # ## ## ## ### # ## ## ## ##
# #
# ## # #
## # ## ## # # # # # ## ## ## ## ## ## # # ## ##
### # ## # # ## ###
## # # # # #
# # # ## # ### # # # ## # ## ## # ## ## ##
## # # #
# ## # ## # #
# ## ## #
### ## ## # ## ##
## ### ### #
# # # ### # ### ## ### # # # ## ## # # ## # # #
# ## ## # # # ## # ## # # # # # # # ## # # # #
### # ## # # # ### ###
# # # #
# #
#
#
### # # # # # # ##
#
## ## #
# # # ##
##
# # # ## # # # ## ##
# #
#
# ## # # ## # # # # # ## ## ## # ## ## # # # #
# ## ## # # ## ## # ## # ### ## ## # ## # # # # # ## ### ## ## #
# ### # # # # ## ## # # # ### # # # ## # # #### ### # # # # # ## # # # ##
# ## # # ## # # # # ### # ### ## # # # # #
# # #
## # ## ### ## # # # ##
## # ## #
##
# #
## # ## # ## ## # ## # # # # ## # # ### ## # # # # ### ### ## # # #
# #### ##
#
##
# ## # # # # ## # ## ### # ## ## # # ## # # #
## # # ## # ### # # # # # ### # ### # ## ## ## ### # ##
## ## # # # # ###
# # #
# ## # #
# # ### #### # ##
# # ## # # #
# ### ## # ## ### # # ## # #
# # ## #
# # # # # # ##
## ## # # # ## # # ## # # # # ## # ## # # # #
# # # ## # ## ## # ### ## # #
# ## # # # # ## ## # ## # # # # # # ## # ## #
##
#### #
#### #
##
# # #
## ## ### # ## ### ## # # ## ###
# # ## # # #
## #
# # ## #
# # # ## ## #
## ## # # # # # ## # ## # # #
# # ##
#
##
# ##
# # # # ## ## # # # # # # ###
### #### ## ## # # # # ### # # # # # ## ##
#
# # ### ## # # ## ## # ## ## ### ### #
# # # # ## #
# ## # ## # ## #
### ## # ## ## ### ## # # # # ### # # ## # # #
## # ## #
### ## # # # # # # # ## # ## ### # # ## # # # ## ### # # # # # ## # # ##
# #### #### # # # # # # ## ## # ## # #
##
# ## #
# # # # ## ## ## # #
#
## #
# # # # # # # ##
## # ## ## # ##
### ### ## # ## ## ## ### # ## ## # # # #
## # ### ## # ## ### # # # ## ### ## #
##
## ## # ##
# ## # # ## # ##
# ### ### # # # ## ## ## #
### # # # # # #### # # ## ### ## # # #
# #
# ### # ## ## #
## # #
# ##
## #
## ##
### # ## # # # # ##
## #
# # ### # # # ## # # ### ## # ## # # ### ### ## ### ## #
## ######
# # ## ## # ### # ## #### # ## # # ##
#
# ## ### # ## # # ##
# ## ## # ###
## # #
## # # # ## # ## ### # # ## # # # # # ## # # # # # # # #
#
# # #
## # # # # # # # #
# # # # ## ## ## # ## # # ## # #
## ## ## ## ## ### ## # ## # # # # #
# # # ##
## # ##
## # # # ## ## ## # # ## # # # ### # # # #
# ## # # ## ##
# ## # # # ## #
## ## #
## # # # #
# ## # # # #### # # ## # ## # #
## # # ##
##
# #
# ## # # ### ##
### ## # # # # #
# # ## # # # ## # # # # #
# # ## # ### ## # # # ## #
#
#
# ## # ## # # ## #
# # # # # ### ## # # # ## # # # # # ##
## # ## # # # # # ## # # # # # ## # # ## # #
# # # ## #### ###
# ## #
# ## ### # ## # ## # # # ## ## #
##
# ## ## ## # # ## # ## # # # # ## ## # # # ##
## # ## #
#
#
### ## # # ## ## ### ##
#
#### # # # #
# # ## # # #
#
# # # ## ## # # #
# #
# ## # ## ## # ##
# ## ## # # ## ## ##
# ## # # # ##
# # ### ## ## # # # # # # ## # #
## # ### #
## # # # #
### # # ### # # # # # # # # # ## #
# ## # # ## ## # ## ## ## # ### ## # ## ## #
# # # ## # ## # ## # # ## #### # #
## # ## ## # # # #
##
# ## #
# # ### # #
# ### #
### # ## # # #
# # ##
### ## # # ## # # # # # # # # ## # # ### ###
## ##
# ## # # # ## # # # # # ## # ## # #
# # ## ## # # ## # # ### # ## #
### # #
# # # # # #
# ## # # # # # ## # # ## # # # ## # # # ## ##
#
# # #
#
# # #
## # # # ## ## ## # # ## ###
# #### # # # # # # # ## #
### ## #
# # ## # # # # #
# ## # # #
# # ### # # ## #
## # ## # # # ## # # # # # # # # ## # ## # # #
#
## # # # # ### # # # # # ## ## #
# # ## # # # # # ### #
### # # # ### # # #
## ## # ## # # # #
## # # # ## ##
# # ## #### # # # ## # ## ## # ## ### ##
# # # # # ##
#
# #
## ## ## # # ## #
# # # # # # # # ## # ## # #
# ## # #
# #
## # # # ## ## # # ## ## # # ##
# ## ## # ### # # # #
# # ## # # # # ## #
# # # ## # ### # ## ##
## ## ### # ## ### # # ## # # # ### ## # # # #
# ### # # # #### ## ### #
## #### # ## ## # # # #### # # # # # # #
## # # ## # # # #
##
# # ## # # # #
#
#
##
# # ##
#
# # #
#
# #
# # #
## ## # ## # # # # # ## #
## # # # ## # # ## ## ##
## # # ## # #
## ## # # ## #
# # ## # ## # #
# ##
# ## # ## # ## ## # #
## # # # # # ## # # # ## # # # # #
# # # ##
# # ## #### ## # ## #### # ###
#
## # # ## ## # # # #
## # # #
# # # # ##
# # ## ## # # ## # # # # ## # # # # ##
## # # # # #
# # # # ## #
#
# # #
####
# #
#
##
# #
# # #
# ### # ## # #
## ## # # ## ## #
# #
#
# # # # ## # ## # # ## # # # ##
##
## ## # ##
#
# ## ## #
# # ##
#
##
# ## ### # ## # # # #######
# # ## ## # ## # ## # #
#
# ## ### #
### # #
### #
# # ## # ## # # # # # #### ##
# # ### # # # ## # # ##
# #
# # ##
# # # # # # # # #
#
# ###
# # ## # # #
# # # # # ##
# ### # ## #
# # ## # # # #
# #### # # ## #
# # # # #
##
#
## # # # #
## # #
# ## # # #
## ## ## # ## # # #
### # # ## ## #
# ## ## ## ## ## ## ##
# # ### # # ##
# # # ## #
# # ### ### # # ## # ##
# # ## ## # # # #
# # # # ## ## # # ### ## #
## # ## #
#### ## # ### ##
##
## # # ## # #
## ###
##
## ## # # # # # # ## ##
# # ## # # ## ##
## ### ##
##
## ##
# # # # #
#
# # # ## # # #
# ## # # ## # ##
# ### # #
#
# ##
### ##
#
###
# ## # ## # # # # # ## #
# # # ## # # # # # ## ##
# # ## # #### # #
#
# ## # ## # # # # ## # # # ## #
# # # ## ### ##
#
# # # ## # # ## #
# # # # # # ## #
# # ##
## # #
# # # # # # # # ## # # #
Fig. 41: Curvas de nivel convertidas a puntos. Escala

1:200.000.
Fig. 42: Isla Chira, área entre curvas de nivel (cada 20m).
jfallas@racsa.co.cr
6. Crear modelos digitales de elevación
6.1 Modelos digitales de elevación en IDRISI

El programa IDRISI V2.0 provee dos módulos para la interpolación de superficies (Eastman,
1997). También provee un módulo para el análisis de tendencias de superficie y otro para el cálculo
de polígonos de Thiessen o Teselación de Voronoi. El módulo Allocate brindará resultados
idénticos a Thiessen cuando se utilizan puntos (Ej. estaciones meteorológicas con registros de
precipitación).
Intercon de IDRISI
El módulo intercon es el interpolador que provee IDRISI versión 2.0 para crear modelos digitales
de elevación (MDE). El algoritmo original creado por David Douglas de la Universidad de Ottawa,
Canadá (Eastman, 1992). El usuario debe proveer al programa la siguiente información:
T Un archivo de curvas de nivel en formato raster. Normalmente dicho archivo es creado con
el comando lineras a partir de curvas de nivel en formato vectorial. Para asegurar la calidad
de la interpolación en el área de estudio, asegúrese de que las curvas excedan ligeramente los
bordes de la misma. El valor de fondo del archivo debe ser diferente a los valores de las
curvas de nivel (Ej. Se puede asignar -1). Las curvas fueron rasterizadas utilizando celdas con
una resolución de 10m.
T La elevación de las cuatro esquinas del área de trabajo. Estos valores pueden estimarse del
mapa fuente.
El módulo trabaja de la siguiente manera (Eastman, 1992):
< Primero construye un perfil a lo largo de los cuatro bordes que definen el área de estudio.
Observe que intercon asume que su área de trabajo es rectangular o cuadrangular. Los valores
de elevación que usted suministra para las cuatro esquinas así como todas aquellas curvas de
nivel que crucen el borde del área de estudio son utilizadas para crear este primer perfil.
< En el segundo paso construye una serie de perfiles horizontales (en el sentido de las hileras o sea
E-O) utilizando los valores de las curvas de nivel y los perfiles previamente creados (bordes).
Para cada celda de valor desconocido se interpola un valor de altura y se registra su pendiente.
< El tercer paso consiste en crear perfiles similares a los anteriores pero en sentido vertical (o sea
N-S).
< El cuarto paso consiste en crear perfiles diagonales de izquierda a derecha.
< En el quinto paso calcula perfiles diagonales de derecha a izquierda.
jfallas@racsa.co.cr
< En el sexto y último paso selecciona la elevación del pixel basado en el perfil de máxima
pendiente.
6.2 Modelos digitales de elevación en ArcView

El programa ArcView GIS posee dos extensiones que permiten crear modelos digitales de
elevación; la primera se denomina 3D Analista y la segunda Analista Espacial.
3D Analista
Esta es una de las extensiones comerciales de ESRI. El programa provee una opción de menú
que permite crear un MDE utilizando una red de triángulos irregulares (TIN); una vez creado este
archivo es posible derivar mapas de pendiente y aspecto en forma directa o a partir de un archivo
en formato raster creado a partir del TIN (ESRI, 1997).
EL programa 3D Analista permite utilizar los siguientes datos como insumos:
< Archivo de puntos o líneas con valores de elevación (o cualquier otro atributo válido). Este es
un archivo en formato Shape (Ej. Elev.shp).
< Archivo con elementos lineales que muestran un cambio abrupto en el terreno y que se desea
preservar en el modelo final. (Ej. Curso de agua, riscos, fallas geológicas, etc.). Este archivo
puede o no contener valores de elevación.
< Polígono de reemplazo (replace). Polígono (s) que representan áreas para las cuales las alturas
serán reemplazadas por la altura del polígono. Este polígono debe contener un valor de altura.
< Polígono de borrado (erase): Archivo con polígono(s) que indica(n) el área que debe excluirse
en el proceso de interpolación. Por ejemplo, área cubierta de nubes para la cual no existen
valores de elevación. Este polígono puede o no tener valores de elevación.
< Polígono de recorte (clip): Archivo de polígonos que indica el área de interés sobre la cual debe
hacerse la interpolación. Por ejemplo, en el presente trabajo el borde de la isla Chira se utilizó
para este fin. Este polígono puede o no tener valores de elevación.
< Polígono de relleno (fill): Archivo con uno o más polígonos los cuales pasarán sus códigos (valor
entero) a todos aquellos triángulos contenidos por ellos (Triángulos contenidos por polígonos).
El valor de elevación de los triángulos no es afectado.
Tanto las líneas como los polígonos pueden definirse como rígidos o flexibles. La primer
categoría corresponde a elementos que indican un cambio brusco en pendiente (Ej. Carreteras, ríos,
línea de costa y borde de un lago); en tanto que la segunda indica elementos con cambios graduales
(Ej. Cima de las montañas). Una vez creado el archivo TIN, este puede editarse o convertirse a un
jfallas@racsa.co.cr
archivo raster de ArcInfo (formato GRID™). También es posible crear un TIN a partir de una
cuadrícula con valores de elevación.
Kriging
La extensión "Kriging Interpolator 3.2_3D" escrita por Marco Boeinga (Amsterdam Water
Supply, The Netherlands\n'poect8@gw.amsterdam.n) permite crear un MDE utilizando el método
de interpolación Kriging. Para mayor detalle sobre el método de interpolación Kriging ver pag.66.
Analista Espacial
La extensión Analista Espacial para ArcView GIS puede crear un MDE a partir de puntos con
elevaciones conocidas (X,Y,Z). EL usuario debe crear un tema de puntos a partir de una tabla en
formato Dbase o ASCII. También es posible convertir curvas de nivel a puntos utilizando el
programa en Avenue MakeElevation Pts (Dow, 1999). La versión 1.1 de Analista Espacial ofrece
los siguientes métodos de interpolación:
Distancia inversa ponderada (IDW)

El usuario(a) puede elegir entre dos métodos de búsqueda para seleccionar los puntos de
muestreo a utilizar en el proceso de interpolación: “radio fijo” y “vecinos mas cercanos”.
Método de búsqueda de radio fijo. Método de búsqueda de vecinos mas cercanos.
Método de búsqueda:
< Vecinos mas cercanos:

Dada una celda, utiliza los “N” puntos más cercanos en el proceso de interpolación.
< Radio de búsqueda fijo:
jfallas@racsa.co.cr
Dada una celda, utiliza todos los puntos de muestreo que se encuentren en el radio definido
por el usuario (a). El radio tiene las mismas unidades de distancia que la vista y en caso de
no existir, utilizará las unidades del mapa.
< No. de vecinos

Este es el número de puntos que utilizará el programa para estimar el valor de cada uno de los
pixeles y corresponde al valor “N” citado previamente.
< Exponente
Este es valor del exponente que se aplicará a la distancia en el calculo de los valores de Z ' (ver
ecuaciones 1 y 2). Cuanto mayor sea el valor del exponente menor será la influencia ejercida por
los puntos más distantes en la estimación de Z '.
< Barreras
Esta opción le permite al usuario un mayor grado de control sobre los puntos que desea utilizar
en el proceso de interpolación. Por ejemplo, usted puede utilizar una línea para indicar la presencia
de una discontinuidad en el paisaje. Esto hará que el programa no utilice los puntos que se
encuentran al otro lado de la línea en el proceso de interpolación; aun cuando los mismos se
encuentren en el área de búsqueda especificado por el usuario(a). El utilizar barreras aumenta
considerablemente el tiempo de proceso del programa.
El producto es un archivo en formato GRID™ de ArcInfo.
Curvatura mínima (Spline)

El programa Analista espacial de ArcView
provee dos métodos de interpolación. El primero se
denominado “Regularized” y realiza un ajuste más
riguroso al set de datos (equivale a cubrir el área de
estudio con un plástico delgado). El segundo se
denomina “Tension” y realiza un ajuste menos
riguroso al set de datos (equivale a cubrir el área de
estudio con un “plástico grueso”). El usuario(a) pude
definir tanto el factor de ponderación (Weight)
como el número de puntos a utilizar en el proceso de
interpolación. Ambos valores controlan el grado de
suavizado que se aplicará la superficie.
Método de interpolación Curvatura
mínima. Ventana de diálogo.
jfallas@racsa.co.cr
< Ponderación:
Este valor controla el grado de suavizado de la superficie a crear. Cuando se utiliza el método
“regularizado”, al incrementar el valor del peso la superficie creada lucirá mas suavizada. Cuando
se utiliza el método de “tension”, al incrementar el valor del peso la superficie creada lucirá menos
suavizada y eventualmente se comportará como un interpolador exacto.
< No. de puntos:

Este es el número de puntos que utilizará el programa para estimar el valor de cada uno de los
pixeles.
< Tipo:
Regularized: Crea una superficie más suavizada, el interpolador tiende a comportarse como no
exacto.
Tension: Crea una superficie menos suavizada que tiende a mantener el valor de los puntos de
insumo.
Kriging
El método de interpolación Kriging no forma parte de la interfase gráfica de Analista Espacial.
En el presente trabajo se utilizó la extensión “Kriging Interpolator 3.2 SA” creada por Marco
Boeringa (boeringa@nieuwland.nl) para el departamento de Hidrología de la Autoridad de
Suministro de Agua de Amsterdam, Holanda. La extensión implementa los siguientes tipos de
Kriging:
T Kriging Ordinario
Variogramas: esférico, circular, exponencial, Gausiano y Lineal con meseta. El semi
variograma es ajustado a la varianza de cada una de las muestra de puntos (mínimo de 3 puntos)
utilizando el método de Levenberg-Marquardt (Press et al., 1986) basado en una aproximación no
lineal de mínimos cuadrados.
T Kriging Universal
< Con tendencia lineal (Universal 1)
< Con tendencia cuadrática (UNIVERSAL2)
El radio búsqueda puede ser fijo o variable.
Radio fijo: El programa utiliza la distancia indicada por el usuario como el radio de búsqueda
siempre y cuando dicho radio contenga el número de puntos de muestreo indicados por el usurario.
En caso de no encontrar el número de puntos requeridos, el programa aumenta automáticamente
la distancia del radio de búsqueda.
jfallas@racsa.co.cr
Radio variable: En este caso el usuario debe definir tanto el número de puntos de muestreo que
desea como la distancia máxima de búsqueda. Basados en estos criterios, el programa selecciona
para cada pixel a interpolar los puntos de muestreo mas cercanos hasta completar el número
deseado, siempre y cuando dichos puntos no sobrepasen la distancia máxima de búsqueda. En este
caso el criterio restrictivo es la distancia de búsqueda y por lo tanto el programa solo utilizará los
puntos que se encuentren en la distancia máxima de búsqueda aún cuando no se cumpla con el
tamaño de muestra solicitado por el usuario(a).
Al definir su tamaño de muestra recuerde que se requiere de un mínimo de 3 puntos para poder
estimar el semi variograma y crear una superficie. La investigación realizada en este campo indica
que 12 es un tamaño apropiado. En caso de que el programa no pueda estimar el semi variograma,
aumente el radio de búsqueda y/o reduzca el tamaño de la muestra y trate nuevamente.
Interfase gráfica de la extensión Kriging de Marco Boeringa, Holanda.
Evaluación de los estadísticos de bondad de ajuste del semi variograma

La extensión “Kriging Interpolator 3.2 SA” le brinda los siguientes indicadores de la bondad de
ajuste del semivariograma:
T AIC = Criterio de Información de Aikaike (AIC)
T BIC = Criterio de Información Bayesiano (BIC)
Los estadísticos anteriores son calculados de la siguiente manera:
AIC = n*ln(SSE)+2 * (# de parámetros) (18)
jfallas@racsa.co.cr
BIC = n*ln(SSE)+ [# de parámetros*ln (n)] (19)
SSE = Sum1..n [(Actual - semivarianza ajustada)^2] (20)

(sumatoria del error cuadrático)
RMSE = Sqrt [SSE/(n-1- # de parámeteros)] (21)

(raíz cuadrada del error medio cuadrático)
n = número de registros / Intervalo del resago para el semi variograma actual en la tabla y en los
gráficos del semi variograma.
El número de parámetros fue definido como 3; ya que todos los semi variogramas creados por
ArcView tienen tres parámetros.
Cuadrícula de variación
Este es un tema temporal en formato GRID™ que muestra la semi-varianza estimada para cada
celda de la superficie creada.
Kriging Universal
El Kriging Universal se utiliza cuando los valores de Z exhiben una tendencia local. Un semi
variograma que inicia con una curva en forma de parábola cóncava ascendente indica la presencia
de una tendencia local de tipo lineal en los datos.
Los métodos de interpolación basados en Kriging Universal (1 y 2) asumen que la variación

espacial en los datos también se caracteriza por un componente estructural denominado "tendencia
o deriva". Este es un cambio sistemático en los valores de las celdas que se refleja a una escala
determinada. A su vez, esta escala está relacionada con el radio de búsqueda definida en los
párrafos anteriores. El usuario(a) debe modificar el radio de búsqueda hasta que pueda encontrar
la escala a la cual puede detectar la tendencia y la varianza es mínima. Por esta razón no es
recomendable utilizar un radio de búsqueda variable con el Kriging Universal. Una vez que se ha
cuantificado el efecto estructural, la varianza remanente es espacialmente homogénea y por tanto
la diferencia en valores de Z entre los puntos de muestreo es una función de la distancia que los
separa (como en Kriging Ordinario).
El Kriging Universal 1 utiliza una ecuación lineal para aproximar la tendencia en los datos, en
tanto que el Kriging 2 utiliza un polinomio de segundo orden. Sin embargo, ambos métodos
utilizan el método de interpolación lineal para modelar la semi-varianza remanente debido a que
la mayoría de los semivariogramas tienden a ser lineales en su origen.
El número de puntos de muestreo en el radio de búsqueda debe ser lo suficientemente grande

como para que la tendencia en los datos pueda estimarse. Cuando utilice un radio fijo, seleccione
jfallas@racsa.co.cr
una distancia para la cual crea que los datos están correlacionados. Cuando seleccione un radio
variable utilice entre 12 y 15 puntos de muestreo.
Kriging es un método de interpolación muy intensivo en cuanto al uso de recursos y tiempo de

su computadora. La velocidad de ejecución dependerá del número de puntos totales así como de
la distancia del radio de búsqueda.
6.3 Modelos digitales de elevación en Surfer

El programa Surfer (Golden Software, 1999) provee los siguientes métodos de interpolación:
Distancia inversa ponderada

El programa le permite especificar un factor de suavizado para eliminar el problema de los
“ojos de buey” típicos de este interpolador. El usuario(a) debe definir un radio de búsqueda y el
número de puntos a utilizar por sector. Este método de interpolación acepta barreras o fallas y líneas
de inflexión (breaklines). Una barrera es un elemento de dos dimensiones (X,Y) que no permite el
flujo de información durante el proceso de interpolación; en tanto que la línea de inflexión es un
elemento de tres dimensiones (X,Y,Z) que sí permite el flujo de información. Al igual que en
ArcView, las barreras utilizan memoria extra y el proceso de interpolación requiere de mayor
tiempo. El tiempo requerido para crear el archivo raster es proporcional al cuadrado del número de
segmentos en la barrera.
Fig.43:Surfer: Barreras (A) y líneas de inflexión (B). La función de la barrera es forzar al

interpolador a utilizar solo los puntos de muestreo ubicados a la derecha ó a la izquierda de la
barrera en el proceso de interpolación. Cuando se utiliza un línea el programa puede borderarla y
utilizar los puntos de muestreo ubicados al otro lado de la barrera. La línea de inflexión posee
valores de elevación que son utilizados por el programa como valores adicional en el proceso de
interpolación.
jfallas@racsa.co.cr
Kriging
La versión 7 de Surfer incluye dos métodos de interpolación: Kriging puntual y Kriging de
bloque. En el primer método se utilizan todos los puntos de muestreo para estimar el valor de cada
uno de los nodos en la nueva cuadrícula. En tanto que en el segundo método, la estimación de cada
nodo corresponde al promedio de un bloque rectangular centrado en el nodo. El usuario(a) debe
definir un radio de búsqueda y el número de puntos a utilizar en el proceso de interpolación; sin
embargo el método por omisión es utilizar todos los puntos de muestreo. Este método de
interpolación acepta barreras o fallas y líneas de inflexión (breaklines). Al igual que en ArcView,
las barreras utilizan memoria extra y el proceso de interpolación requiere de mayor tiempo. El
tiempo requerido para crear el archivo raster es proporcional al cuadrado del número de segmentos
en la barrera. Cuando existen matrices singulares el uso de barreras hace que el proceso de
interpolación no pueda completarse. El proceso de interpolación puede implementarse utilizando
Kriging ordinario (sin tendencia) y Kriging Universal (tendencia lineal ó cuadrática).
Fig.44 : En el Kriging puntual el valor del nodo central es estimado utilizando todos los puntos en
el radio de búsqueda; en tanto que en el Kriging de bloque el valor es estimado utilizando el
promedio de los puntos de muestreo.
jfallas@racsa.co.cr
Curvatura mínima
El interpolador de curvatura mínima es muy
utilizado en diferentes disciplinas de las ciencias
de la Tierra. El usuario(a) puede controlar el nivel
de curvatura entre puntos de muestreo utilizando el
parámetro de tensión interna y la velocidad de
convergencia mediante el factor de relajación (el
valor por omisión es 1). Este método de
interpolación acepta barreras o fallas y líneas de
inflexión (breaklines). Al igual que en ArcView,
las barreras utilizan memoria extra y el proceso de
interpolación requiere de mayor tiempo. El tiempo
requerido para crear el archivo raster es
proporcional al cuadrado del número de segmentos en la barrera. El uso de barreras hace que el
proceso de interpolación no pueda completarse cuando no se puede lograr la convergencia
establecida por el usuario(a).
Vecino natural
Este método de interpolación está basado en el
concepto de los polígonos de Thiessen (gemelo de los
triángulos de Delaunay). El interpolador utiliza un
promedio ponderado de las observaciones vecinas, en
donde la ponderación es proporcional al área obtenida
al crear un nuevo polígono de Thiessen como resultado
de incluir un nuevo punto en el set de datos.
jfallas@racsa.co.cr
Vecino más cercano

Este método de interpolación asigna el valor del
punto de muestreo más cercano a cada uno de los nodos
de la nueva cuadrícula. Utiliza una elipsis como área de
búsqueda. El usuario(a) debe definir los radios de
búsqueda, el ángulo del eje 1 (asociado al eje X) y el
número de puntos a utilizar por sector. Este método de
interpolación acepta barreras o fallas y líneas de
inflexión (breaklines). El método de interpolación no es
apropiado para estimar valores cuando los puntos de
muestreo tienen una distribución irregular.
Funciones radiales
Este es un conjunto de funciones que permiten
interpolar valores a partir de un set de puntos de
muestreo; todos los métodos se compartan como
interpoladores exactos. El método basado en una
ecuación multi cuadrática es considerado como el
mejor interpolador. El método de interpolación acepta
barreras o fallas y líneas de inflexión (breaklines). Al
igual que en ArcView, las barreras utilizan memoria
extra y el proceso de interpolación requiere de mayor
tiempo. El tiempo requerido para crear el archivo raster
es proporcional al cuadrado del número de segmentos
en la barrera. Cuando existen matrices singulares el uso
de barreras hace que el proceso de interpolación no
pueda completarse.
Método modificado de Shepard

Este método de interpolación es similar al método
de inverso de la distancia, con la diferencia de que la
interpolación es realizada utilizando mínimos
cuadrados locales; lo que elimina o reduce
sustancialmente el efecto de “ojo de buey” del primer
interpolador. El usuario(a) puede asumir una superficie
isotrópica ó anisotrópica. El interpolador puede
comportarse tanto como exacto ó como aproximado.
jfallas@racsa.co.cr
Triangulación con interpolación lineal

Este método de interpolación utiliza la triangulación
óptima de Delaunay. A partir de los puntos de muestreo
se crean triángulos cuyas caras no se traslapan. El
interpolador se comportar como exacto y es apropiado
para set de datos cuyos puntos de muestreo se
distribuyen en forma regular sobre el área de estudio.
Regresión polinomial
Este no es realmente un método de interpolación ya
que no está diseñado para estimar valores en áreas sin
datos. El método se utiliza para definir el patrón general
de variación espacial del set de datos.
7. Evaluación de la exactitud de los MDE

El MDE creado con cada uno de los métodos de interpolación fue reclasificado en 13 clases
de elevación utilizando un intervalo de 20m. Se seleccionó 20m por ser la elevación entre las curvas
de nivel del mapa original del IGN (escala 1:50.000). Los MDE creados en ArcView con Analista
Espacial y 3D Analista fueron exportados al formato raster de IDRISI V2.0 utilizando el programa
GRID2IDR. Posteriormente en IDRISI se utilizó el comando Crosstab (opción tabla e índice
Kappa) para comparar la concordancia espacial de las áreas entre curvas de nivel del mapa original
y del mapa creado a partir del MDE. Además se calculó el error para cada clase de elevación
utilizando las siguientes fórmulas:
Error (has) = área derivada del mapa (has) - área derivada del MDE (has) (22)
Error Relativo ( %) = ((área del mapa - área derivada del MDE) / área del mapa ) * 100 (23)
RC Error Medio Cuadrático (has) = ( 3 (error)2 / n)0.5 (24)
8. Evaluación del efecto del filtrado en la exactitud del MDE

Para determinar el efecto del filtrado en la exactitud del MDE se aplicaron tres filtros
sucesivos tipo promedio con una matriz de filtrado de 3*3 celdas a los tres mejores modelos
jfallas@racsa.co.cr
digitales de elevación seleccionados en la sección anterior. Posteriormente, los MDE se

reclasificaron cada 20m y se utilizó el comando Crosstab(opción tabla e índice Kappa) para
determinar la concordancia espacial entre las diferentes clases de elevación. Finalmente, se calculó
el área para cada uno de los MDE reclasificados y se determinó el error utilizando las fórmulas
descritas en la sección anterior.
9. Elaboración de mapas de pendiente y aspecto

Los mapas de pendiente y aspecto fueron derivados para cada uno de los tres mejores MDE
seleccionados en la sección 8. Para evaluar el efecto del filtrado previo del MDE en la estimación
de pendiente (%) y aspecto se derivó un mapa de pendiente/aspecto tanto para el archivo filtrado
como para el archivo sin filtrar. En el caso de ArcView se utilizó la extensión DEMAT - DEM
Analysis Tool (thorsten.behrens@agrar.uni-giessen.de) para realizar el cálculo de pendiente y
aspecto.
9 .1 Evaluación del error en la estimación de pendiente

Para evaluar el error en la estimación de pendiente se creo un set de 1006 puntos con una
separación de 200 m entre sí (Fig. 45), de dicho set se eligieron al azar 183 puntos utilizando el
programa en Avenue RandomSelection (www.esri.com/arcscripts) y luego se calculó un área búfer
de 200 metros para cada uno de ellos (Fig. 46) utilizando la extensión Xtools (DeLaune, 1999).
Dicha área equivale a dibujar círculos de 4mm de diámetro en un mapa a escala 1:50.000.
Fig. 45: Puntos de muestreo con una separación de 200m entre

sí (equivalente a 4mm en un mapa a escala 1:50.0000).
jfallas@racsa.co.cr
Fig. 46 : Muestra de 183 puntos aleatorios seleccionados para

evaluar el error en la estimación de pendiente. Cada círculo
tiene un diámetro de 200m.
Para cada uno de los círculos se determinó la pendiente utilizando el método de conteo de
curvas de nivel como se muestra a continuación:
< Primero se contó el número de curvas únicas que atraviesa cada círculo
220
200
240
180 200
160
120 140 160 220
180
80 100
jfallas@racsa.co.cr
< Luego se utilizó la siguiente relación entre número de curvas y cambio en elevación para
determinar la pendiente en porcentaje:
#curvas )H (m) )D (m) Pendiente % = ()H/)D)*100

0 0 200 0/200 = 0
1 20 200 20/200 = 10
2 40 200 40/200 = 20
3 60 200 60/200 = 30
4 80 200 80/200 = 40
5 100 200 100/200 = 50
6 120 200 120/200 = 60
7 140 200 140/200 = 70
< Una vez determinado el número de curvas por círculo, se

30
asignó su respectivo valor de pendiente como se muestra a 30
30
la derecha.
50
60
60
60
El mapa creado utilizando este método se muestra en la figura 47.
Simbología
Pendiente %
0- 5
6 - 10
11 - 15
16 - 20
21 - 25
26 - 35
35 - 45
46 - 55
56 - 75
> 76
Ni car agua
Ma r Car i be
Oceán oP ací fi co P anam á
50 0 50 Ki lomet ers
3000 0 3000 Meters
Fig.47 : Determinación de pendiente (%) mediante método

manual.
jfallas@racsa.co.cr
Una vez determinada la pendiente para cada una de los círculos se comparó con la pendiente
media estimada utilizando los MDE con y sin filtrar creados en el paso 9. Los resultados se
resumieron en una tabla de 8 categorías de pendiente.
9.2. Evaluación del efecto del filtrado en el mapa de pendientes

Para evaluar el efecto del filtrado en la estimación de la pendiente (%), el mapa de pendiente
creado en el paso anterior se filtró a su vez tres veces sucesivas (filtro promedio, ventana de
3*3celdas) y cada mapa producto se reclasificó en 8 categorías de pendiente (clases de 10%). Para
cada clase de pendiente se determinó el área y la concordancia espacial como se describe en la
sección 8.
10. Efecto del tamaño del pixel en la exactitud del MDE

La resolución de la celda en el modelo de datos raster influye en la calidad del producto final;
sin embargo una reducción de 0.5 veces en el tamaño original de la celda implica aumentar en 4
veces el tamaño del archivo original. Para analizar el efecto del tamaño de la celda en la
distribución de elevaciones en la isla Chira se comparó el MDE creados con resoluciones de 10,
20 y 40m, respectivamente. Posteriormente se aplicó el análisis descrito en el paso 6.
11. Funciones analíticas del software utilizado
Función/operación 3D Analista Analista Espacial IDRISI Surfer

Pendiente y aspecto del terreno X X X X
Iluminación del terreno X X X X
Análisis de Intervisibilidad X X X
Línea de visibilidad X X
Perfiles X X X X
Visualización en 2.5D o en X X X X
perspectiva
Cálculo de área y volumen X X X
Determinación de relleno y X X
excavación
Creación de isolíneas X X X X
Creación de elementos en 3D X
jfallas@racsa.co.cr
Análisis de escorrentía X
superficial
Exportación de vistas en X
VRWL
CURVAS DE NIVEL A ESCALA 200.000

En este caso se utilizó un archivo existente con curvas de nivel cada 100m y por tanto solo se
verificó el valor asignado a cada una de las curvas de nivel. El procedimiento seguido para elaborar
y evaluar la exactitud de los MDE y sus productos fue el mismo ya descrito para la isla Chira.
jfallas@racsa.co.cr
REFERENCIAS
Able Software Company.1998. R2V for Windows (Raster to Vector). Release 3.2.15. USA.
Ackerman, F. 1978. Experimental investigation into the accuracy of contouring through DTM.
Proceedings of Digital Terrain Modelling Symposium, St. Louis, Missuri, USA. pp.165-192.
Ayeni, O.O. 1982. Optimum sampling for digital terrain models: a trend towards automation.
Photogrammetric Engineering and Remote Sensing. 48(11):1687-1694.
Behrens, Thorsten M. DEMAT. Justus-Liebig-University Giessen, Germany. Institut for Soil

Science and Soil Conservation thorsten.behrens@agrar.uni-giessen.de
Boeringa Marco. Kriging Interpolator 3.2 3D. Nieuwland Automatisering. P.O.Box 522 6700 AM
Wageningen The Netherlands. Tel: 31- (0)317-421711 Fax: 31-(0)317-425046. www.nieuwland.nl
boeringa@nieuwland.nl
Brown, Daniel G. 1994. Anisotrophy in derivative surfaces as an indication of systematic errors in

DEMs. International Symposium on the Spatial Accuracy of Natural Resources Data Bases. 16-20
May 1994. Williamsburg, Virginia.USA. American Society for Photogrammety and Remote
Sensing. Pp.98-107.
Burges, T. M. and Webster, R.1980. Optimal intepolation and isarithmic mapping. I. The
semivariogram and punctual kriging. J. Soil Science. 31:315-332.
Burges, T. M. and Webster, R.1980. Optimal intepolation and isarithmic mapping. II. Block
kriging. J. Soil Science. 31:333-342.
Burrough, P.A. 1986. Principles of Geographical Information Systems for land resources
assessment. Monographs on Soil and Resources Survey. No.12. Oxford University Press. 193p.
Canters, Frank. 1994. Simulating error in triangulated irregular network models. EGIS Foundation.
Pp.169-178. Centre for Cartography and Geographical Information Systems Department of
Geography - Vrije Universiteit Brussel Pleinlaan 2 - B-1050 Brussel e-mail:
fcanters@vnet3.vub.ac.be
Carrara, A; Bitelli, G. y Carla R. 1997. Comparison of techniques for generating digital terrain
models for contour lines. Int. J. Geographical Information Science. Vol.11(5): 451-473.
jfallas@racsa.co.cr
Carvacho Bart, Luis y Marcela Sánchez Martínez. 1997. Modelos digitales del terreno:
comparación entre el modelo TIN y el INTERCON.Trabajo del Curso de Doctorado sobre Modelos
Digitales del Terreno (Departamento de Geografía, Universidad de Alcalá de Henares, España.
Cressie, N.A.C. 1993. Statistics for spatial data. Revised Edition. Wiley Series in probability and
Mathematical Statistics. New York, USA. 900p.
DeLaune, Mike. 1999. Xtools. Oregon State University, Department of Forest. USA.
(www.esri.com/arcripts). http://www.odf.state.or.us/gis/tools.html
Dow, 1999. MakeElevation Pts. www.esri.com/arcscripts
Eastman, J.R. 1992. IDRISI. Version 4.0. User's Guide. The Clark Labs.Clark University. USA.
Pp.87-88.
Eastman, J.R. 1997. IDRISI for Windows Version 2. User's Guide. Clark Labs for Cartographic
Technology and Geographic Analysis.Clark University. USA.
Ebnier, H. and Reiss, P. 1984. Experience with height interpolation by finite elements.
Photogrammetric Engineering and Remote Sensing 50(2):177-182.
ESRI. 1999. Using ArcView. Arc View GIS, Versión 3.2. USA.
ESRI. 1998. Using ArcView Spatial Analyst. Arc View Spatial Analyst, version 1.1. USA.
ESRI. 1997. Using ArcView 3D Analyst. Arc View 3D Analyst, versión 1.0a. USA.118p.
Giltrap, D. J. 1983. Computer production of soil mas. I. Production of grid maps by interpolation.
Geoderma 29:295-311.
GIS History Project. http://www.geog.buffalo.edu/ ncgia/gishist.
Golden Softwre.1999. Sufer 7. User's Guide.Contouring and 3D Surface Mapping for Scientist and
Engineers. Golden Software, Inc.Colorado, USA.619p. www.goldensoftware.com
Grassie, D.N.D. 1982. Contouring by computer: some observations. British Cartographic Society
Special Publication 2:93-116.
GRID2IDRI. Grid to IDRISI image. ttp://www.pierssen.com/idrisi/grid.htm
jfallas@racsa.co.cr
Haggett, P. ; Cliff, A.D. and Frey, A. 1977. Locational methods. Second Edition. Edward Arnold.
London, U.K. Volume II. pp:260-605.
IDR2GRID. IDRISI image to Grid ttp://www.pierssen.com/idrisi/grid.htm
IGN. 1989. Hoja Berrugate, Edición 3-IGNCR. Escala 1:50.000
Imhof, E. 1982. Cartographic relief presentation. Walter de Gruyter, Berlin.
Intergraph Corporation. 1994. MGE Terrain Analyst. User's Guide for Windows NT Operating
System.Hunstville, Alabama, USA.
Isaacks, E. H. and Srivastava, R. M.1989. An Introduction to Applied Geostatistics. New York,

Oxford University Press. 561p.
Lan, N. S. 1983. Spatial interpolation methods a review. American Cartograher 10:129-149.
Ley, R. G. 1986. Accuracy assessment of digital terrain models. Autocarto London 1:455-464.
Lowthian, B. 1986. The accuracy of DTM derived from O.S. 1:50000 scale mapping. Unpublished
diploma project. University of Glasgow, Dept. of Geography and Topographic Science.
Maling, D.H. 1989. Measurements from maps. Principles and methods of cartometry. Pergamon
Press. Oxford. Pp.153-177.
Mark. D.M.1997. The history of geographic information systems: invention and re-invention of
triangulated irregular networks (tins) Proceedings, GIS/LIS'97. NCGIA, Department of Geography
University at Buffalo Buffalo, NY 14261-0023. http://www.geog.buffalo.edu/~dmark/
Maune, Chris J. 1994. Introduction to digital elevation models (DEM). Proceedings: Mapping and
Remote Sensing Tools for the 21st Century. Conference and Exposition. August 26-29, 1994.
Washington, D.C. USA. American Society for Photogrammety and Remote Sensing. Pp.128-133.
McCullagh, M.J. 1990. Digital terrain modelling and visualization. In. Petri, G. and Kennie, T.J.M
(Ed.) 1990. Terrain modelling in surveying and civil engineering. Whittles Publishing. pp. 128-151.
McVay Kenneth R. 1999. ImageWarp An Extension For Geo-Registering Images.V2.0

rcreed@earthlink.net. Www.Esri.com
Miller, C. and La Flamme. R. A. 1958. The digital terrain model-theory and applications.
Photogrammetric Engineering 24(3):433-442.
jfallas@racsa.co.cr
Minnesota Department of Natural Resources. 1998. Arc View 3.0 Extensions. Arc View Tools
Extension. www.dnr.state.mn.us/gis/tools/arcview/extensions/
Oliver, M.A. 1990. Kriging: a method of interpolations for geographical information systems. Int.
J. Geographical Information Systems. Vol. 4(3): 313-332.
Petri, G. and Kennie, T.J.M (Ed). 1990. Introduction to terrain modelling-application fields and
terminology. In. Petri, G. and Kennie, T.J.M (Ed.) 1990. Terrain modelling in surveying and civil
engineering. Whittles Publishing. pp. 1-3.
Petrie, G. 1990. Modelling, interpolation and contouring procedures. In. Petri, G. and Kennie,
T.J.M (Ed.) 1990. Terrain modelling in surveying and civil engineering. Whittles Publishing. pp.
113-127.
Raper, J. F. y Kelk, B. 1991. Three-dimensional GIS. In Maguire, D.J.; Goodchild, M.F. y Rhind,
D.W. (Eds.). Geographical Information Systems. Longman, Scientific & Technical. Vol. 1. Pp.299-
317.
Shearer, J.W. 1990. The accuracy of digital terrain models. In. Petri, G. and Kennie, T.J.M (Ed.)
1990. Terrain modelling in surveying and civil engineering. Whittles Publishing. pp. 315-336.
StatMost Corporation. 1995. StatMost statistical Analysis and Graphics. User's Guide. USA.
Pp.269-271. USA.
Sternberg, Howie. 1999. Screen DigitizeV2.0. howard.sternbertg@po.state.ct.us. Centro de

Ambiente y Sistemas de Información Geográfica. Departamento Ambiental, Estado de Connecticut,
USA.
Thoen, Bill. 1997. Explore the third dimension. A comparative review of contouring products for
window 95. GIS World Vol. 9 (12): 51-62.
Torlegard, K. Ostman, A., and Lindgreen, R.1987. A comparative test of photogrammetrically

sampled digital elevation models. Transactions of the Royal Institute of Technology , Sweden.
Photogrammetric Reports No.53.
University of South Carolina. USC-CLA. Grid Utilities. College of Liberal Arts. Computing Lab.
Veregin, 1997.
Webster, R. and Burges, T. M. 1980. Optimal intepolation and isarithmic mapping. III. Changind
drift and universal kriging. J. Soil Science. 31:505-524.
jfallas@racsa.co.cr
Weibel, R y Heller, M. 1991. Digital terrain modelling. In Maguire, D.J.; Goodchild, M.F. y Rhind,
D.W. (Eds.). Geographical Information Systems. Longman, Scientific & Technical. Vol.1. Pp.269-
297.
jfallas@racsa.co.cr

Mde Teoria 2007

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Mde Teoria 2007

Hochgeladen von

Copyright:

Verfügbare Formate

Modelos digitales de elevación:

Teoría, métodos de interpolación y aplicaciones

MODELADO DE SUPERFICIES Y MÉTODOS DE INTERPOLACIÓN . . . . . . . . . . . . . . . . . . 3

EVALUACIÓN DE LA EXACTITUD DEL MODELO DIGITAL DE ELEVACIÓN . . . . . . . . 30

INSUMOS PARA ELABORAR UN MDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

SELECCIÓN DEL MEJOR MÉTODOS PARA CREAR UN MDE . . . . . . . . . . . . . . . . . . . . . . 43

EDICIÓN Y DEPURACIÓN DEL MDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

EVALUACIÓN DE LOS MÉTODOS DE INTERPOLACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . 55

CURVAS DE NIVEL A ESCALA 200.000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

< Determinar la elevación o altura de cualquier punto u objeto en una superficie.

< Determinar volúmenes y diferencias entre el volumen de dos superficies.

< Modelar ambientes en tres dimensiones utilizando archivos vectoriales y raster.

< Visualizar sus datos en perspectiva (2.5D)

Para ilustrar el potencial de análisis visual de una imagen en perspectiva se presenta a

Fig. 1: Vista en perspectiva creada a partir de un modelo de

< Estimaciones de volúmenes a remover o rellenar en trabajos de ingeniería

MODELADO DE SUPERFICIES Y MÉTODOS DE INTERPOLACIÓN

El concepto de modelo digital del terreno

Modelo digital de elevación (MDE)

Modelo digital de altura (MDA)

Modelo digital de la tierra (MDT)

Modelo digital del terreno

La capacidad de elaborar modelos digitales de elevación (MDE) a partir de curvas de nivel o

Exactos: Cuando preservan los valores originales de los puntos de muestreo.

Globales: La interpolación está basada en todos los puntos de muestreo.

Métodos basados en unidades discretas

Uso de elementos externos del paisaje para delinear (unidades homogéneas (

< Mapas coropléticos

Uso de algoritmos para determinar el límite entre unidades homogéneas

Fig. 2: Polígonos de Thiessen. Cuenca del río Grande de

Métodos basados en el concepto de continuidad

Interpolación a partir de puntos

Métodos de interpolación global

Global Aproximado: Interpolación a partir de isolíneas en formato raster

Métodos de interpolación local

Distancia inversa ponderada (DIP)

P = peso o ponderación que se aplicará a Z;

Fig. 3: Concepto de distancia de

El valor de cada punto interpolado Z ' es igual a:

Z d (m) 1/d 1/d 2 1/d 3 Z*(1/d) Z*1/d 3

25 10 16 7446 9524 9911

Fig. 4: Interpolador Distancia Inversa Ponderada: Efecto de “ojos de

Fig. 6: Tipo de búsqueda. En este caso se ha

Curvatura mínima (Spline)

Fig. 8: Interpolador de Curvatura Mínima. En la esquina superior

Fig. 7: Tipo de áreas de búsqueda. A. Circular. B.

B (h) = ( h 2 + R2 ) 0.5 (3)

en donde h: distancia relativa del punto al nodo anisotrópicamente reescalao y R 2 el parámetro de

< Método de Shepard: Este método de interpolación es similar al método de inverso de la

interpolador considera tanto la dirección como la magnitud de la correlación espacial en el set de

El método de interpolación Kriging se basa en los siguientes supuestos:

Los conceptos anteriores pueden expresarse matemáticamente como (Burrough, 1986):

Z (x) = m(x) + ,' (x) + ,'' (4)

Z(x): Valor de la variable Z en la posición x.

En ausencia de una tendencia en los datos ((drift(), el valor de m(x) es igual a:

E [Z(x) - Z (x+h)] = 0 (5)

Var [{Z(x) - Z x+h)] = E [{Z(x) - Z x+h)}2] = 2 ((h) (6)

en donde ((h) se conoce como el semivariograma.

((h) = 1/2n E{Z(xi) - Z (xi +h)}2 (7)

2((h) /{Mediana * *Z(xi) - Z xi +h*0.5}4 / (B(h) (9)

Fig. 10: Promedios para columnas (Eje X) y filas (Eje Y) de 100

La figura 11 ilustra el hecho de que el 280

valor de ((h) debe ser 0 cuando h es 0. Esto

determinar la semivarianza. Obviamente

Z d (m) 1/d 1/d 2 1/d 3 Z(1/d) Z1/d 3

2((h) /{Mediana * Z(xi) - Z xi +h0.5}4 / (B(h) (9)

EAP = 3 ri / n (12)