2- Descargue los datos del IGN HD LIDAR y c\u00e1rguelos en QGis<\/a><\/p>\n\n\n\n 3- Herramientas para datos LIDAR en QGis 3.32<\/a><\/p>\n\n\n\n 4-Colorear una nube de puntos a partir de una ortofoto<\/a><\/p>\n\n\n\n 5-Colorear a partir de una imagen con LAStool<\/a><\/p>\n\n\n\n 6- Modelo digital de superficie (MDS) con CloudCompare y LAStools<\/a><\/p>\n\n\n\n 7- Cr\u00e9er un Mod\u00e8le Num\u00e9rique de Terrain avec CloudCompare<\/a><\/p>\n\n\n\n 8- Creaci\u00f3n de un Modelo Digital del Terreno con LAStools<\/a><\/p>\n\n\n\n 9- Creaci\u00f3n de un Modelo Digital de Entidades con Open Lidar Toolbox.<\/a><\/p>\n\n\n\n La interpolaci\u00f3n tiene una influencia significativa en la precisi\u00f3n y la calidad visual del Modelo Digital de Elevaci\u00f3n (MDE) final. Este proceso consiste en ajustar una superficie a los datos de elevaci\u00f3n de puntos superponi\u00e9ndolos a una cuadr\u00edcula definida por un tama\u00f1o de celda espec\u00edfico. Es importante se\u00f1alar que los puntos obtenidos como resultado de este proceso se deducen de los datos originales y no corresponden directamente a los puntos de datos reales.<\/p>\n\n\n\n A pesar de los numerosos esfuerzos realizados en la materia, la interpolaci\u00f3n sigue siendo un reto importante. Los m\u00e9todos existentes para generar MDE a partir de datos LiDAR aerotransportados tropiezan con obst\u00e1culos importantes, sobre todo en contextos de proyectos en los que las zonas presentan caracter\u00edsticas no terrestres densas o paisajes complejos. La abundancia de an\u00e1lisis destinados a evaluar la precisi\u00f3n demuestra la complejidad de elegir el m\u00e9todo de interpolaci\u00f3n adecuado, ya que cada m\u00e9todo tiene sus propias ventajas e inconvenientes espec\u00edficos.<\/p>\n\n\n\n En la pr\u00e1ctica, se sabe que los m\u00e9todos basados en el krigeaje<\/a> generan MDE con mayor precisi\u00f3n, pero ello requiere m\u00e1s recursos inform\u00e1ticos. Enfoques como la ponderaci\u00f3n inversa de la distancia (IDW<\/a>), el m\u00e9todo del vecino m\u00e1s cercano <\/a>y la triangulaci\u00f3n con interpolaci\u00f3n lineal (TLI) permiten obtener MDE m\u00e1s precisos. En particular, la triangulaci\u00f3n con interpolaci\u00f3n lineal (TLI) y el m\u00e9todo del vecino m\u00e1s pr\u00f3ximo son m\u00e9todos sencillos y r\u00e1pidos para crear MDE relativamente precisos. Sin embargo, su rendimiento disminuye y su sensibilidad a la topograf\u00eda aumenta a medida que aumenta la resoluci\u00f3n espacial del MDE.<\/p>\n\n\n\n El m\u00e9todo Spline <\/a>parece ofrecer un compromiso entre el tiempo de c\u00e1lculo y la precisi\u00f3n a alta resoluci\u00f3n. Aunque es muy preciso a alta resoluci\u00f3n, su fiabilidad disminuye a baja resoluci\u00f3n.<\/p>\n\n\n\n <\/p>\n\n\n\n En contraste con la profusi\u00f3n de trabajos dedicados a la interpolaci\u00f3n de Modelos Digitales de Elevaci\u00f3n (MDE), la interpolaci\u00f3n de Modelos Digitales de Rasgos (MDE) espec\u00edficos de la arqueolog\u00eda s\u00f3lo ha sido explorada hasta ahora brevemente en un reducido n\u00famero de estudios, lo que ha dado lugar a conclusiones divergentes: TLI, Kriging, Spline Interpolation y el m\u00e9todo del vecino m\u00e1s pr\u00f3ximo han sido se\u00f1alados como los interpoladores m\u00e1s adecuados.<\/p>\n\n\n\n Hasta la fecha, se considera que, a pesar de la superioridad de Kriging en t\u00e9rminos de resultados, actualmente es el interpolador de distancia inversa ponderada (IDW) el que se adapta espec\u00edficamente a la arqueolog\u00eda, principalmente por su facilidad de acceso.<\/p>\n\n\n\n Sin embargo, esto no significa que la interpolaci\u00f3n de distancia inversa ponderada (IDW) est\u00e9 libre de fallos. En las zonas donde el muestreo es muy insuficiente (donde la densidad de puntos de medici\u00f3n es muy inferior a la densidad de celdas de la cuadr\u00edcula), IDW genera un patr\u00f3n relativamente denso de artefactos negativos de interpolaci\u00f3n, lo que da lugar a errores en forma de valores negativos exagerados. En zonas moderadamente submuestreadas, los resultados ser\u00e1n visualmente m\u00e1s satisfactorios, ya que no habr\u00e1 artefactos positivos. Sin embargo, pueden observarse artefactos negativos muy peque\u00f1os y un ligero efecto de escala (que aparecen como artefactos de escala de pez) en las pendientes. Aunque este efecto no es especialmente molesto a la vista, podr\u00eda inducir a error a un observador inexperto (o incluso a un observador experimentado en ausencia de metadatos adecuados) y llevarle a concluir err\u00f3neamente que la formaci\u00f3n est\u00e1 aterrazada.<\/p>\n\n\n\n El kriging ordinario destaca como interpolador de alta calidad, pero a\u00fan no est\u00e1 ampliamente disponible en la mayor\u00eda de los programas inform\u00e1ticos pertinentes. Si se mejorara su accesibilidad, podr\u00eda convertirse r\u00e1pidamente en la opci\u00f3n preferida para la interpolaci\u00f3n espec\u00edfica de la arqueolog\u00eda. Por otro lado, la opini\u00f3n m\u00e1s extendida destaca el potencial de un interpolador h\u00edbrido que fusionar\u00eda las caracter\u00edsticas de IDW y TLI. Estos dos m\u00e9todos se distinguen por su gran accesibilidad y su moderado coste de aplicaci\u00f3n. Mientras que el TLI es la mejor opci\u00f3n para zonas con sobremuestreo, el IDW destaca en zonas con submuestreo.<\/p>\n\n\n\n En el pasado faltaba un elemento clave para la creaci\u00f3n de un interpolador h\u00edbrido de este tipo. Se trataba de la falta de un m\u00e9todo de segmentaci\u00f3n adecuado para dividir los datos en zonas que se adaptaran mejor a cada interpolador. Recientemente, este problema se ha resuelto mediante el uso de an\u00e1lisis de \u00e1rboles de clasificaci\u00f3n y regresi\u00f3n para generar un mapa de predicci\u00f3n de la incertidumbre del Modelo Digital del Terreno (MDT). Este m\u00e9todo se ha adaptado, en el plugin Open Lidar Toolbox<\/a>, para crear un mapa de confianza espec\u00edfico de arqueolog\u00eda para el Modelo Digital de Rasgos (MDE), asignando un nivel de confianza que va de uno a seis a cada celda de la cuadr\u00edcula. Este enfoque permite cuantificar la calidad del Modelo Digital de Caracter\u00edsticas a nivel de p\u00edxel.<\/p>\n\n\n\n Cuando se evaluaron los interpoladores con respecto al mapa de confianza del MDE, se observ\u00f3 que el m\u00e9todo de triangulaci\u00f3n con interpolaci\u00f3n lineal (TLI) funcionaba mejor en las zonas con niveles de confianza cinco y seis, y daba buenos resultados en los niveles tres y cuatro. Una vez resuelto el problema de la segmentaci\u00f3n, quedaba el reto de aplicar el interpolador h\u00edbrido. Por definici\u00f3n, los interpoladores TLI e IDW producen modelos de cuadr\u00edcula ligeramente diferentes.<\/p>\n\n\n\n Si estos dos modelos se combinaran simplemente utilizando la calculadora de trama, aparecer\u00edan artefactos en forma de escalones en las zonas de transici\u00f3n entre los dos interpoladores. Aunque este fen\u00f3meno es intr\u00ednseco a cualquier interpolador h\u00edbrido y no puede eliminarse por completo, puede mitigarse. En Open Lidar Toolbox se han implementado tres medidas de mitigaci\u00f3n distintas.<\/p>\n\n\n\n En primer lugar, las zonas de transici\u00f3n pueden reducirse mediante una operaci\u00f3n de desfragmentaci\u00f3n. En determinadas condiciones del paisaje y\/o de recogida de datos, los valores del mapa de confianza aparecen en forma de fragmentos dispersos. En tales circunstancias, la zona de transici\u00f3n aumenta exponencialmente, lo que reduce los efectos positivos de la interpolaci\u00f3n h\u00edbrida. Este problema puede resolverse imponiendo un tama\u00f1o m\u00ednimo para cada zona de interpolaci\u00f3n, que ser\u00eda mucho mayor que el tama\u00f1o de una sola celda.<\/p>\n\n\n\n El m\u00e9todo estad\u00edstico zonal con una vecindad de 11 celdas se seleccion\u00f3 como el m\u00e1s eficaz. Esta elecci\u00f3n estuvo motivada por el hecho de que esta vecindad garantiza la ausencia de zonas inferiores a 6 celdas, lo que asegura la coherencia de los an\u00e1lisis.<\/p>\n\n\n\n Tambi\u00e9n hay que se\u00f1alar que las diferencias entre los interpoladores TLI e IDW no son uniformes. Sus variaciones son m\u00e1s pronunciadas en las zonas de confianza tres y cuatro, lo que da lugar a diferencias relativamente peque\u00f1as entre los dos interpoladores en estos rangos de confianza. Como resultado, las transiciones entre los dos interpoladores son m\u00e1s suaves y menos perceptibles cuando los niveles de confianza est\u00e1n entre tres y cuatro.<\/p>\n\n\n\n Adem\u00e1s, se tomaron medidas para mitigar el efecto restante de las transiciones entre interpoladores. Una de las estrategias adoptadas fue la introducci\u00f3n de una zona tamp\u00f3n en las zonas de contacto, donde la elevaci\u00f3n se calcula como la media ponderada entre los resultados de los interpoladores TLI e IDW. Se realizaron varios experimentos con zonas tamp\u00f3n de una, tres y cinco celdas, con medias ponderadas. En la mayor\u00eda de los casos, los resultados fueron similares, aunque en algunos casos extremos, el uso de buffers mayores produjo artefactos m\u00e1s significativos. En consecuencia, se decidi\u00f3 utilizar un b\u00fafer de una celda para alcanzar un compromiso \u00f3ptimo.<\/p>\n\n\n\n Se puso de manifiesto que pod\u00edan formarse artefactos \u00ab\u00a0donut\u00a0\u00bb cuando las zonas de nivel de confianza 1 del mapa DFM eran directamente adyacentes a zonas de nivel 4 o superior. Para resolver este problema, se ampli\u00f3 la zona de contacto, es decir, se desplaz\u00f3 m\u00e1s hacia las zonas de nivel cuatro: un desplazamiento de tres celdas result\u00f3 ser una soluci\u00f3n adecuada para esta situaci\u00f3n.<\/p>\n\n\n\n Se cumplen todas las condiciones necesarias para la interpolaci\u00f3n h\u00edbrida. El proceso es el siguiente:<\/p>\n\n\n\n <\/p>\n\n\n\n Este es el modelo de procesamiento utilizado por Open Lidar Toolbox en QGis para crear el mapa de confianza:<\/p>\n\n\n\n El mapa de confianza se produce a partir de tres archivos de entrada, dos nubes de puntos y un raster:<\/p>\n\n\n\n En funci\u00f3n de los valores de densidad y pendiente calculados a partir del modelo digital, tendremos seis clases:<\/p>\n\n\n\n La interpolaci\u00f3n IDW se utiliza para las zonas 1 a 3, y la interpolaci\u00f3n TLI para las zonas 4 a 6.<\/p>\n\n\n\n Para aplicar la interpolaci\u00f3n h\u00edbrida para producir un Modelo Digital de Elevaci\u00f3n, como vimos en el cap\u00edtulo anterior, utilizamos la herramienta Procesamiento en un paso del plugin Open Lidar Toolbox.<\/p>\n\n\n\n Para utilizar la herramienta de interpolaci\u00f3n h\u00edbrida necesitamos<\/p>\n\n\n\n Los r\u00e1sters creados por el plugin Open Lidar Toolbox utilizan las clases ‘suelo’ y ‘edificios’ como capas de terreno. Puedes modificar los par\u00e1metros en el c\u00f3digo Python del plugin, pero sigue siendo m\u00e1s f\u00e1cil ejecutar el plugin para obtener el mapa de confianza, interpolar s\u00f3lo la clase ‘suelo’ y reemplazar el r\u00e1ster creado por el plugin con estos nuevos r\u00e1sters.<\/p>\n\n\n\n Para crear el mapa de confianza necesitamos una nube de puntos LIDAR clasificados. No basta con tener los puntos de suelo clasificados, porque tambi\u00e9n necesitamos la vegetaci\u00f3n inferior. Se puede partir de una nube de puntos LIDAR del IGN clasificada, o de una nube de puntos sin clasificar a la que se puede aplicar LASclassify de LASTools<\/a>, Classify LAS\/LAZ de Open Lidar Toolbox o cualquier otro proceso de clasificaci\u00f3n en funci\u00f3n de las necesidades y del tipo de datos que se est\u00e9 utilizando.<\/p>\n\n\n\n En el siguiente ejemplo, partimos de una nube de puntos LIDAR HD clasificada del IGN.<\/p>\n\n\n\n Para crear el mapa de confianza podemos utilizar la herramienta One Step Processing<\/p>\n\n\n\n Aseg\u00farate de que la casilla The input Las\/Laz file is already classified<\/em><\/strong> est\u00e1 marcada y desmarque las visualizaciones que no sean \u00fatiles.<\/p>\n\n\n\n El resultado es el siguiente:<\/p>\n\n\n\n Vous pouvez utiliser les outils d’interpolation IDW et TIN de votre choix, mais ici on gardera les m\u00eames outils que ceux utilis\u00e9s par le plugin : <\/p>\n\n\n\n Attention, ces outils ne fonctionnent pas avec des fichier .laz, vous devrez les convertir en .las pr\u00e9alablement (Traitements->Point Cloud Concersion -> Convert format).<\/p>\n\n\n\n Puedes utilizar las herramientas de interpolaci\u00f3n IDW y TIN de tu elecci\u00f3n, pero aqu\u00ed mantendremos las mismas herramientas que utiliza el plugin:<\/p>\n\n\n\n Tenga en cuenta que estas herramientas no funcionan con archivos .laz. Deber\u00e1 convertirlos previamente a .las (Traitements->Point Cloud Concersion -> Convert format).<\/p>\n\n\n\n Introduce todas las clases excepto la clase ‘suelo’ (2) en la lista de exclusi\u00f3n y aumenta el Radio de b\u00fasqueda en funci\u00f3n de los ‘agujeros’ sin puntos de suelo. Si el radio de b\u00fasqueda es demasiado peque\u00f1o, tendr\u00e1s agujeros en tu raster IDW.<\/p>\n\n\n\n Ahora que tenemos los dos r\u00e1sters que necesitamos, podemos ejecutar la herramienta de Interpolaci\u00f3n H\u00edbrida:<\/p>\n\n\n\n Usamos el mapa de confianza de Procesamiento en un paso, pero los dos r\u00e1sters interpolados usando s\u00f3lo los puntos \u00ab\u00a0suelo\u00a0\u00bb.<\/p>\n\n\n\n10-Funci\u00f3n de la interpolaci\u00f3n en el contexto del Modelo Digital de Elevaci\u00f3n (MDE)<\/h2>\n\n\n\n
Interpolaci\u00f3n espacial: un gran reto<\/h2>\n\n\n\n
Interpoladores disponibles<\/h3>\n\n\n\n
Los problemas inherentes a cada interpolador<\/h3>\n\n\n\n
En zonas ligeramente inframuestreadas, el IDW tiende a mostrar ruido de datos resultante de la configuraci\u00f3n de los puntos de medici\u00f3n, que podr\u00eda confundirse con rasgos geol\u00f3gicos o de otro tipo. En las zonas en las que la densidad de los puntos de medici\u00f3n es igual o superior a la de las celdas de la cuadr\u00edcula, el IDW conduce a un suavizado excesivo, que no es la soluci\u00f3n \u00f3ptima para una interpolaci\u00f3n adaptada al contexto arqueol\u00f3gico.<\/p>\n\n\n\nCreaci\u00f3n de un interpolador h\u00edbrido<\/h2>\n\n\n\n
El mapa de confianza<\/h3>\n\n\n\n
Soluciones para hibridar dos interpoladores<\/h3>\n\n\n\n
C\u00f3mo funciona la interpolaci\u00f3n h\u00edbrida<\/h3>\n\n\n\n
\n
Algoritmo de creaci\u00f3n del mapa de confianza<\/h2>\n\n\n\n
![\"algorithme](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/08\/algorithme_carte_de_confiance_open_lidar_toolbox.png?resize=640%2C512&ssl=1\")
<\/a><\/figure>\n\n\n\n\n
\n
Interpolaci\u00f3n h\u00edbrida de modelos de elevaci\u00f3n<\/h2>\n\n\n\n
Para crear un Modelo Digital del Terreno (MDT)<\/h3>\n\n\n\n
\n
![\"dialogue](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/09\/dialogue_one_qgis.png?resize=640%2C590&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"carte](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/09\/carte_de_confiance_plugin_open_lidar_toolbox.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n\n
\n
![\"dialogue](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/09\/dialogue_interpolation_idw.png?resize=640%2C590&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"dialogue](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/09\/dialogue_tin_gridding-1.png?resize=640%2C589&ssl=1\")
<\/a><\/figure>\n\n\n\n![\"dialoguie](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/09\/dialogue_hybrid_interpolation.png?resize=640%2C589&ssl=1\")
<\/a><\/figure>\n\n\n\n
![\"mnt](\"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2023\/09\/vue_profil_trois_mnt.png?resize=640%2C360&ssl=1\")
<\/a><\/figure>\n\n\n\n