en profundidad Fig. 2. Representación gráfica y matriz de adyacencia de un grafo. (Fuente: propia). las rutas óptimas calculadas mediante algoritmos de camino mínimo se podrán utilizar para las operaciones en todos los escalones de la defensa, permitiendo así un análisis más rápido y menos costoso para la toma de decisiones, en relación a los mapas topográficos tradicionales. Específicamente, este estudio persigue mejorar la información contenida en los GIS empleados para el éxito de las operaciones militares. Área de estudio El área de estudio seleccionada se localiza en la península del Morrazo, municipio de Moaña (Galicia, España) y en una zona de 4 km2 caracterizada por numerosos caminos forestales. Los datos se han obtenido desde el Centro de Descargas del Centro Nacional de Información Geográfica (CNIG), aceptando la licencia de uso no comercial. Se utilizaron dos fuentes de datos en este proyecto: ortoimágenes de máxima actualidad (figura 1a) y LiDAR aéreo (figura 1b), ambos del PNOA y cuyos parámetros se recogen en la tabla 1. La combinación de datos LiDAR e imágenes de alta resolución ofrece elevadas prestaciones, aunque puede presentar las siguientes dificultades: (1) un requisito previo y necesario es el registro preciso de ambos tipos de datos en un mismo sistema de coordenadas; (2) además, puede haber cambios en la escena cuando las nubes de puntos y el vuelo fotogramétrico se adquieren en diferentes fechas; (3) por último, en densas zonas boscosas, la información relativa a los caminos y senderos que subyacen puede no estar disponible o ser difícil de detectar, debido a sombras y oclusiones generadas a partir de los datos LiDAR aéreo. Metodología El enfoque de este trabajo se centra en el desarrollo e implementación de algoritmos inteligentes para la extracción automatizada de caminos y senderos en ambientes rurales a partir de datos LiDAR coloreados y su posterior integración en plataformas SIG. La estimación de los parámetros geométricos de las vías forestales (p.ej., cotas, pendientes, curvaturas y anchuras) se puede realizar en datos LiDAR de elevada resolución (>4 puntos/ m2) 10. Sin embargo, debido a la mayor resolución que presentan las ortofotos consideradas con respecto a los datos LiDAR disponibles en el PNOA (0.5 puntos/m2), se propone la obtención de las vías a partir del procesamiento de dichas imágenes y la posterior introducción de la elevación (z) proveniente de los datos LiDAR aéreo. A continuación se detallan cada una de las etapas: Etapa 1: Definición de clústeres de vías en la ortoimagen La información que proporciona la imagen óptica permite el uso de las diferentes bandas de color disponibles: la detección de elementos lineales mediante la detección de bordes en una escala de grises se ve complementada por la información cromática que puede ayudar a separar las diferentes clases de objetos, como por ejemplo, vías asfaltadas, vegetación arbustiva, árboles, tejados de edificios, etc. Se debe tener en cuenta que, generalmente, los caminos forestales no están asfaltados, aunque sí conservan la homogeneidad de las carreteras convencionales y su contraste con el entorno más cercano. Esta propiedad permitirá usar las características más comunes en la clasificación de vías de transporte en base a elementos geométricos y radiométricos 11. Los pasos de esta primera etapa son: • Transformación RGB a CIELab. El CIELab o L*a*b es un espacio de color muy adecuado para la clasificación por la uniformidad de los canales cromáticos (a*b). • Filtro de canal L mediante un filtro LoG. El filtrado LoG permite encontrar los bordes presentes en una imagen. Dada la clasificación objetivo de este trabajo, se debe tener en cuenta aquellos ejemplos de bordes paralelos entre sí y de una longitud considerable. • Clasificación en clústeres en los canales de color a*b. Para la clasificación de los elementos presentes en la imagen, se utilizará un algoritmo de region growing, para el que se definirán los elementos semilla (en nuestro caso, caminos forestales, carreteras, árboles y vegetación, cubiertas de edificaciones) y se establecerá un algoritmo iterativo para añadir aquellos elementos con distancia mínima a alguna de las clases consideradas. Etapa 2: Definición de clústeres en los datos LiDAR La clasificación basada en características de la imagen se puede complementar utilizando la información geométrica acerca del terreno obtenida por el LiDAR. Para la identificación de las cotas relativas a las vías de acceso calculadas en la etapa 1, se asume que las carreteras generalmente se construyen sobre la superficie de la Tierra, con la salvedad de aquellas sobre pasos elevados, puentes o túneles. Por tanto, se ha establecido un óptimo valor umbral de altitud, apli- Boletín de Observación Tecnológica en Defensa n.º 52. Cuarto trimestre 2016 17
BOLETIN DE OBSERVACION TECNOLOGICA 52
To see the actual publication please follow the link above