O'Connor, J. G. Metodología para Ajuste y Validación de DEMs InSAR en Áreas Urbanas Con Datos GNSS

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 83

"Metodología para ajuste y validación de DEMs

InSAR en áreas urbanas con datos GNSS”

Por Jorge Guillermo O’Connor

Presentado ante la Facultad de Matemática, Astronomía, Física y Computación


y el Instituto de Altos Estudios Espaciales Mario Gulich
como parte de los requerimientos para la obtención del grado de

MAGISTER EN APLICACIONES DE INFORMACIÓN ESPACIAL

UNIVERSIDAD NACIONAL DE CÓRDOBA

Junio, 2020

©IG-CONAE 2020
©FaMAF-UNC 2020

DIRECTOR
Doctor Elvio Ángel Pilotta
FAMAF-CIEM, Córdoba, Argentina

CO-DIRECTOR
Doctora Francesca Cigna
Agenzia Spaziale Italiana, Roma, Italia

ASESOR METODOLÓGICO:
Doctor Deodato Tapete
Agenzia Spaziale Italiana, Roma, Italia

Metodología para ajuste y validación de DEMs InSAR en áreas urbanas con datos GNSS
por Jorge Guillermo O’CONNOR se distribuye bajo una Creative Commons
Atribución-NoComercial-CompartirIgual 4.0 Internacional.
A Faustina, Luana, Ursula Renata
(te estamos esperando), Emma, Amparito y demás sobrinos. A esas personas que
han creído en mí, inclusive mas que yo mismo en algunas ocasiones. Aprovecho
para dejarles un consejo a mis sobrinos actuales y los que vendrán. Respétense,
respeten al prójimo, sean sinceros, constantes, vuelen alto y aprendan de nuestros
errores.

Jor
Agradecimientos

A mis papás (Lucia y Ricardo), mis hermanos (Julia, Laura, Juan y Javier), tíos y primos.
Son el mejor regalo que me dio el universo y me han apoyado en mi camino personal, acadé-
mico y profesional. A mi familia italiana (Mario, Silvana, Cecilia, Christian, Páolo, Lorena
y su familia, Miryam y su familia y Sarita) cuya ayuda y afecto hicieron de Italia un hogar
mas para mí. A mis hermanos y hermanas del corazón (Esteban, Adrian, Vir, Chano, Fede y
sus familias) por siempre creer y motivar para seguir adelante. A Sofía, Julio y Cristina por
incentivarme a hacer la maestría. Solo soy el ejecutor de un trabajo conjunto con Francesca
y Deodato de la Agencia Espacial Italiana (ASI), Laura y Diego del Área de Sensores Remo-
tos (ASR), Nestor y Guillermo del Departamento de Cartografía Digital de la Municipalidad
de Rosario (DCD-MR), Gustavo Noguera de la Universidad Nacional de Rosario (UNR),
Gabriel y Mario de la Maestría en Aplicación de Información Espacial (MAIE) y mi director
de tesis Elvio, con un rol académico fundamental, pero también un valioso pilar anímico.
Al sistema de educación pública Argentina por mis estudios primarios, secundarios y uni-
versitarios gratuitos y de excelencia. A todos los docentes de ese recorrido porque de una u
otra manera me dejaron enseñanzas, sabiduría, pasión y convicción para seguir aprendien-
do. Agradezco a la Comisión Nacional de Energía Atómica (CNEA) donde hice un notable
perfeccionamiento profesional con mis directores Eduardo y Manuel y tantos otros amigos
de la casa. Los convenios binacionales en el marco del proyecto Sistema Ítalo Argentino de
Satélites para la Gestión de Emergencias (SIASGE) que me posibilitaron cursar la MAIE en
el Centro Espacial Teófilo Tabanera (CETT) y hacer mi pasantía en la ASI donde fui tratado
como en casa. En esa misma línea, agradezco a las autoridades y personal del Instituto de
Altos Estudios Espaciales Mario Gulich (IG), Comisión Nacional de Actividades Espacia-
les (CONAE) y ASI por las excelentes condiciones que me permitieron enfocarme exclusi-
vamente en los aspectos académicos. A la familia de ASI (Antonella, Daniele, Silvia, Marco,
Massimo, Mirella, Riccardo, Mario, Pier, Alessandra, Leonardo, Alessio Rosa, Caterina, Ja-
red, Vicenzo y tantísimos más) y los amigos del CETT que son cientos. A la Federación
Argentina de Agrimensores (FADA) por apostar a la investigación y desarrollo. A mis com-
pañeros de la MAIE de los que me llevo afecto, gratitud por el aliento en el momento de duda
y aprendizajes desde sus disciplinas y subjetividades. A Maurito, por la amistad, la confianza
y la ayuda. A Yenni, por la ayuda, los recorridos y los aprendizajes. Las palabras indicadas
y en el momento justo de mi amigo Martín. A Ivette (una luz del universo) y Marielita por
brindarme un hogar, contención, afecto y me hicieron parte de su familia. Gracias a todos
por confiar y hacerme sentir en casa en Córdoba, Rosario, Trelew y Roma.
Reconocimiento Institucional

Este trabajo se realizó en el marco de la MAIE que desarrolló el Ingeniero Agrimensor


Jorge Guillermo O’Connor incluyendo la pasantía del mismo en la ASI en el período del
01/04/2019 al 30/09/2019, bajo la supervisión de la Dra. Ing. F. Cigna y del Dr. D. Tapete
de ASI. El Ing. Agrim. J. G. O’Connor es becario de la MAIE, de la CONAE, el IG y la
Facultad de Matemática, Astronomía, Física y Computación (FAMAF) de la Universidad
Nacional de Córdoba (UNC). Imágenes Constelación de pequeños satélites para la obser-
vación de la cuenca del Mediterráneo (COSMO-SkyMed) HIMAGE de Nivel 1C, © ASI
(2010-2019), provistas por ASI a la CONAE para el proyecto “Ajuste y validación de DEMs
InSAR en áreas urbanas mediante datos GNSS” en el marco del SIASGE. Todos los derechos
reservados.
Resumen

El presente trabajo propone una metodología para obtener Modelo Digital de Elevacio-
nes (DEM) mediante Interferometría con radar de apertura sintética (InSAR) ajustados y
validados utilizando datos del Sistema Global de Navegación por Satélite (GNSS) medidos
en campo. Para la generación de los DEM InSAR se utilizaron imágenes Radar de apertura
sintética (SAR) de la misión COSMO-SkyMed de la ASI y el Plataforma de aplicaciones
para el Sentinel (SNAP ESA) de la Agencia Espacial Europea (ESA) mientras que, para ob-
tener los 58 puntos de ajuste y los 39 puntos de validación se utilizaron receptores Trimble
R6 y el software Trimble para procesamiento Sistema Global de Navegación por Satéli-
te (GNSS) (TBC). Tanto el ajuste como la validación se programaron utilizando el lenguaje
Python mientras que, las herramientas matemáticas de ajuste fueron una superficie spline li-
neal y una superficie spline cúbica (función de base radial). Como área de estudio se seleccio-
nó la ciudad de Rosario, Argentina. En la validación, se comparó el DEM COSMO-SkyMed
ajustado con los 39 puntos GNSS de control y se obtuvo una diferencia media de 0.85 metros.

Palabras clave: DEM ,InSAR, ajuste, validación, errores.


Abstract

This work proposes a methodology to obtain DEM from InSAR, adjusted and validated
using GNSS data acquired in the field. To generate the InSAR DEM, SAR images from
the ASI COSMO-SkyMed mission were used and processed with the SNAP ESA software
from the ESA. On the other hand, to obtain the 58 adjustment points and 39 validation
points the Trimble R6 receiver and TBC software were used. Adjustment and validation
were programmed in Python, using a linear spline and cubic spline (radial basis function) to
develop the surfaces as mathematical tools for the adjustment. The selected case study is the
city of Rosario, Argentina. In the validation, the adjusted COSMO-SkyMed DEM and the 39
GNSS control points were compared and an average difference of 0.85 meters was obtained.
Keywords: DEM, InSAR, adjustment, validation, errors.
Índice de Contenidos

1. Introducción 1
1.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3. Disponibilidad de datos . . . . . . . . . . . . . . . . . . . . . . . 2

2. Marco Teórico 3
2.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Error experimental del caso de estudio . . . . . . . . . . . . . . . . . . . . 4
2.3. Sistema de puntos de control en Tierra . . . . . . . . . . . . . . . . . . . . 5
2.3.1. Coordenadas en el espacio mediante GNSS . . . . . . . . . . . . . 5
2.3.2. Determinación de distancias con GNSS . . . . . . . . . . . . . . . 5
2.3.3. Constitución de un GNSS . . . . . . . . . . . . . . . . . . . . . . 7
2.3.4. Sobre los errores . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4. Marco Geodésico Argentino . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.1. Procesamiento Diferencial GNSS . . . . . . . . . . . . . . . . . . 9
2.4.2. Redes Geodésicas . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.3. Vinculaciones a Redes Geodésicas . . . . . . . . . . . . . . . . . . 11
2.5. Obtención de un DEM mediante InSAR . . . . . . . . . . . . . . . . . . . 12
2.5.1. Fundamentos físicos de la InSAR . . . . . . . . . . . . . . . . . . 12
2.5.2. Sobre las imágenes SAR satelitales . . . . . . . . . . . . . . . . . 12
2.5.3. Geometría de adquisición y distorsiones geométricas SAR . . . . . 13
ÍNDICE DE CONTENIDOS

2.5.4. Observación de fase y altura topográfica . . . . . . . . . . . . . . . 13


2.5.5. Sobre la precisión de la fase interferométrica . . . . . . . . . . . . 15
2.5.5.1. Coherencia interferométrica y decorrelación . . . . . . . 15
2.5.5.2. Medidas para obtener mejor coherencia . . . . . . . . . . 16
2.5.6. Errores de órbita . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5.7. Influencia de atmósfera . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5.8. Multilooking y filtro de Goldstein . . . . . . . . . . . . . . . . . . 17
2.5.9. Desenrollado de fase . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5.10. El proceso InSAR y sus resultados . . . . . . . . . . . . . . . . . . 18
2.6. La misión COSMO-SkyMed . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6.1. Georreferenciación de imágenes COSMO-SkyMed . . . . . . . . . 19
2.7. Remuestreo de datos raster . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.8. Métodos de interpolación . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.8.1. Interpolación lineal por partes o spline de primer grado . . . . . . . 21
2.8.2. Splines cúbicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.9. Ajuste de superficies DEM . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.10. Procesamiento digital de imágenes . . . . . . . . . . . . . . . . . . . . . . 25
2.10.1. Filtros en el dominio del espacio . . . . . . . . . . . . . . . . . . . 26
2.10.2. Filtros en el dominio de la frecuencia . . . . . . . . . . . . . . . . 26
2.11. Herramientas estadísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3. Área de estudio 27
3.1. Localización del área de estudio . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Características urbanísticas . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3. Características ambientales . . . . . . . . . . . . . . . . . . . . . . . . . . 29

4. Metodología e implementación 30
4.1. Input data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.1.1. GNSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.1.2. Imágenes SAR COSMO-SkyMed . . . . . . . . . . . . . . . . . . 32
4.1.3. Misión Topográfica Shuttle Radar (SRTM) de 1 arc sec . . . . . . . 33
4.1.4. Modelo Digital de Elevaciones Argentina (MDE-Ar) del Instituto
Geográfico Nacional (IGN) . . . . . . . . . . . . . . . . . . . . . . 33
4.1.5. Aerofotogramétrico del IGN . . . . . . . . . . . . . . . . . . . . . 34
4.2. Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
ÍNDICE DE CONTENIDOS

4.2.1. TBC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.2. SNAP ESA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.3. QGIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.4. Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3. Implementación en el área de estudio . . . . . . . . . . . . . . . . . . . . . 36
4.3.1. Puntos de control . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3.1.1. Relevamiento GNSS . . . . . . . . . . . . . . . . . . . . 37
4.3.1.2. Procesamiento Diferencial en TBC . . . . . . . . . . . . 37
4.3.1.3. Vinculación de puntos GNSS . . . . . . . . . . . . . . . 38
4.3.2. InSAR con imágenes COSMO-SkyMed en SNAP ESA . . . . . . . 39
4.3.2.1. Preprocesamiento . . . . . . . . . . . . . . . . . . . . . 39
4.3.2.2. Implementando los procesos InSAR en SNAP ESA . . . 39
4.3.3. Sobre los resultados en relación a las distorsiones geométricas . . . 43
4.3.4. Ediciones previas del modelo a validad y ajustar . . . . . . . . . . 43
4.3.5. Remuestreo de un DEM . . . . . . . . . . . . . . . . . . . . . . . 44
4.3.6. Bandeado vertical en los resultados InSAR . . . . . . . . . . . . . 44
4.3.7. Control de resultados por comparación . . . . . . . . . . . . . . . 44
4.4. Ajuste y validación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.4.1. Inicio del programa . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.4.2. Ejecutar el ajuste de datos . . . . . . . . . . . . . . . . . . . . . . 49
4.4.3. Ejecutar la validación de datos . . . . . . . . . . . . . . . . . . . . 49
4.4.4. Ventanas gráficas y almacenamiento . . . . . . . . . . . . . . . . . 49

5. Resultados 50
5.1. Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.1.1. Cálculos estadísticos . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2. Histogramas en QGIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

6. Conclusiones 63
6.1. Análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.1.1. Input/output - GNSS . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.1.2. Input/output - InSAR . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.1.3. El ajuste y la validación . . . . . . . . . . . . . . . . . . . . . . . 64
6.2. Sobre los objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
ÍNDICE DE CONTENIDOS

7. Formación y Difusión 65
7.1. Summer School 2019 - IEEE GRSS IFT-R3S . . . . . . . . . . . . . . . . 65
7.2. XII Congreso Nacional de Agrimensura . . . . . . . . . . . . . . . . . . . 65

8. Trabajos Futuros 66
Acrónimos

ADT Red Geodésica Acosta, Dannenberg, Tanabe

ASI Agencia Espacial Italiana

ASR Área de Sensores Remotos

CAAF CONAE ASI ASR FAMAF

CETT Centro Espacial Teófilo Tabanera

CNEA Comisión Nacional de Energía Atómica

CONAE Comisión Nacional de Actividades Espaciales

COSMO-SkyMed Constelación de pequeños satélites para la observación de la cuenca del


Mediterráneo

DCD-MR Departamento de Cartografía Digital de la Municipalidad de Rosario

DEM Modelo Digital de Elevaciones

DLR Centro Alemán para el Viaje Aeroespacial

E-GEOS Compania ASI/Telespazio

EPSG Grupo Europeo de Geómetras del Petróleo

ESA Agencia Espacial Europea

FADA Federación Argentina de Agrimensores

FAMAF Facultad de Matemática, Astronomía, Física y Computación

FCEIA Facultad de Ciencias Exactas, Ingeniería y Agrimensura

GCP Puntos de Control en Tierra

GK Proyección Gauss-Krüger

GLONASS Sistema Global de Navegación por Satélite


ÍNDICE DE CONTENIDOS

GNSS Sistema Global de Navegación por Satélite

NAVSTAR-GPS Sistema de Navegación y Rango - Sistema de Posicionamiento Global

IG Instituto de Altos Estudios Espaciales Mario Gulich

IGN Instituto Geográfico Nacional

InSAR Interferometría con radar de apertura sintética

ITRF 05 Marco Internacional de Referencia Terrestre Epoca 2005

I.Agrim Ingeniería en Agrimensura

LPF Filtro de Pasa Bajo

MAIE Maestría en Aplicación de Información Espacial

MDE-Ar Modelo Digital de Elevaciones Argentina

NaN No un Número

NASA Administración Nacional de la Aeronáutica y del Espacio

NGA Agencia Nacional de Inteligencia-Geoespacial

PAF Punto de Apoyo Fotogramétrico

PDF Función de Densidad de Probabilidad

POSGAR07 Posiciones Geodésicas Argentinas época 2007

RDA Rosario Datos Abiertos

RADAR Detección en Radio y Rango

RAMSAC Red Argentina de Monitoreo Satelital Continuo

RMSE Error Cuadrático Medio

RS Remote Sensing

SAOCOM Satélite Argentino de Observación Con Microondas

SAR Radar de apertura sintética

SIASGE Sistema Ítalo Argentino de Satélites para la Gestión de Emergencias

SLC Complejo de Mirada Única

SNAP ESA Plataforma de aplicaciones para el Sentinel

SRTM Misión Topográfica Shuttle Radar

TBC software Trimble para procesamiento GNSS

UAB Universitat Autònoma de Barcelona

UNC Universidad Nacional de Córdoba


ÍNDICE DE CONTENIDOS

UNR Universidad Nacional de Rosario

UNRO Punto RAMSAC Universidad Nacional de ROsario

WorldDEM Modelo digital de elevaciones mundial

WGS84 Sistema Geodésico Mundial del año 1984


Traducciones

Agencia Espacial Italiana (ASI): Agenzia Spaciale Italiana


Constelación de pequeños satélites para la observación del Mediterráneo (COSMO-SkyMed):
COnstellation of small Satellites for the Mediterranean basin Observation
Modelo Digital de Elevaciones (DEM): Digital Elevation Model
Centro Alemán para el Viaje Aeroespacial (DLR): Deutsches Zentrum für Luft- und
Raumfahrt
Agencia Espacial Europea (ESA): European Space Agency
Grupo Europeo de Geómetras del Petróleo (EPSG): European Petroleum Survey Group
Puntos de Control en Tierra (GCP): Ground Control Point
Sistema Global de Navegación por Satélite (GNSS): GLObal NAvigation Satellite System
Interferometría con radar de apertura sintética (InSAR): Interferometric Syntetic Aper-
ture Radar
Marco Internacional de Referencia Terrestre Epoca 2005 (ITRF 05): International Te-
rrestrial Reference Frame time 2005
Filtro de Pasa Bajo (LPF): Low Pass Filter
No un Número (NaN): Not a Number
Agencia Nacional de Inteligencia-Geoespacial (NGA): National Geospatial-Intelligence
Agency
Administración Nacional de la Aeronáutica y del Espacio (NASA): National Aeronautics
and Space Administration
Sistema de Navegación y Rango - Sistema de Posicionamiento Global (NAVSTAR-GPS):
NAVigation System and Ranging - Global Position System
Función de Densidad de Probabilidad (PDF): Probability Density Function
Detección en Radio y Rango (RADAR): RAdio Detection And Ranging
Error Cuadrático Medio (RMSE): Root Mean Square Error
Radar de apertura sintética (SAR): Synthetic-aperture radar
Plataforma de aplicaciones para el Sentinela (SNAP ESA): Sentinel Application Platform
Complejo de Mirada Única (SLC): Single Look Complex
Misión Topográfica Shuttle Radar (SRTM): Shuttle Radar Topography Mission
Software Trimble para procesamiento GNSS (TBC): Trimble Bussines Center
Modelo digital de elevaciones mundial (WorldDEM): World Digital Elevation Model
Sistema Geodésico Mundial del año 1984 (WGS84): World Geodetic System time 1984
Glosario

El presente trabajo se desarrolla en el territorio continental de la República Argentina y por


lo tanto adopta los estándares geodésicos definidos por el IGN:

1. Sistema de Referencia: WGS84

2. Marco de Referencia: Posiciones Geodésicas Argentinas época 2007 (POSGAR07)

3. RAMSAC/POSGAR07: Punto RAMSAC Universidad Nacional de ROsario (UNRO)

4. Época: ITRF 05 época 2006.632

5. Sistema de Proyección: Proyección Gauss-Krüger (GK) Argentina - 5 (EPSG:5347)


CAPÍTULO 1

Introducción

Conocer el comportamiento de la superficie topográfica de las áreas urbanas es fundamental


para el planeamiento urbano así como para la gestión de las emergencias. Mediante la InSAR
es posible generar DEM de grandes extensiones a bajo costo en relación a los levantamientos
topográficos, geodésicos o fotogramétricos. No obstante, es un método de Remote Sensing
(RS) que no tiene contacto directo con el objeto de estudio. Como toda técnica de medición
está sujeta a los errores de medición y la medición radar está sujeta a ruido propio de dicha
tecnología. Por todo esto, se hace necesaria una metodología para contrastar los resultados
del modelo obtenido mediante datos con origen en otro método de medición que se suponen
de mayor precisión y exactitud. En este caso, se seleccionaron datos de GNSS observados
en campo como datos de calibración para determinar las diferencias de altura con el DEM
InSAR y generar superficies de ajuste para aproximar el modelo al terreno. La metodología
consta de tres ejes principales que son: la generación de datos de entrada, la generación
de superficies de ajuste y la validación de resultados. Mientras que los procesos se dividen
en medición y procesamiento GNSS, procesamiento InSAR y, programación del ajuste y
validación. El área de estudio es la ciudad de Rosario, Santa Fé, Argentina. Se dispone de
imágenes SAR COSMO-SkyMed de la ASI en modo HIMAGE de 3 metros de resolución
espacial, y 96 datos GNSS de una red geodésica y su densificación. Se asume a los puntos
de control GNSS sin error en coordenada plana como cota.

1.1. Objetivos

1.1.1. Objetivo General

Crear una metodología para obtener modelos digitales de elevación en áreas urbanas
mediante imágenes SAR satelitales y ajustados a partir de datos GNSS medidos en
campo.

1
1.1 O BJETIVOS

1.1.2. Objetivos específicos

1. Generar un DEM mediante InSAR con datos COSMO-SkyMed en la ciudad de Rosa-


rio.

2. Georreferenciar un DEM mediante la comparación en los valores de altura respecto a


datos GNSS medidos en campo.

3. Ajustar un DEM a partir de superficies generadas mediante datos GNSS medidos en


campo.

4. Validar un DEM a partir de la comparación con datos GNSS medidos en campo.

5. Calcular las diferencias entre un DEM InSAR y datos GNSS medidos en campo.

1.1.3. Disponibilidad de datos

El Satélite Argentino de Observación Con Microondas (SAOCOM)-1A fue lanzado en octu-


bre de 2018 y el maestrando comenzó la tesis en abril de 2019 cuando aún no había disponi-
bilidad de imágenes de dicha misión satelital. Por este motivo, esta tesis se elaboró utilizando
datos disponibles de catálogo de la misión satelital COSMO-SkyMed de la ASI de posible
uso a partir de los convenios en el marco del proyecto SIASGE.

2
CAPÍTULO 2

Marco Teórico

2.1. Antecedentes

El desarrollo de modelos que representen el comportamiento de la superficie terrestre ha re-


vestido un particular interés para el humano debido a la necesidad de interacción con el me-
dio ambiente. Los primeros relevamientos consistían en interpretaciones visuales plasmados
en mapas con los objetos característicos como arroyos, montañas o praderas. El advenimiento
de la geometría, la trigonometría, óptica y la astronomía posibilitaron a los geómetras reali-
zar mediciones topográficas y geodésicas sobre el terreno. La cámara fotográfica y el avión
permitieron el surgimiento y desarrollo de la aerofotogrametría durante la primera Guerra
Mundial con la cual se obtenían datos de la superficie terrestre mediante medios remotos, es
decir, sin contacto directo con el objeto de estudio. El boom tecnológico de la Guerra Fría
combinó el RADAR, el SAR y la computación para dar origen a la InSAR que permite gene-
rar DEM con sensado remoto en aviones, sin embargo las oscilaciones durante la adquisición
generaban inconvenientes en las adquisiciones y aquí es cuando los satélites entraron en es-
cena. La carrera espacial ofreció la posibilidad de montar sensores en plataformas orbitando
la Tierra y por lo tanto obtener imágenes de todo el planeta con mayor estabilidad de adquisi-
ción. El satelite SAR pionero fue el Seasat de la NASA mientras que, la misión SRTM [1] de
la misma agencia espacial en colaboración con la ASI y la DLR obtuvo un DEM empleando
dos sensores, uno en banda C (5.6 centímetros, C radar) y otro en banda X (3.1 centímetros,
X radar). Sin embargo, el DEM SRTM extendido y cotidianamente difundido es el obtenido
con banda C. Uno de los inconvenientes en este modelo es que su cobertura va desde 56°S
a 60°N y la resolución espacial es 1 segundo de arco en Estados Unidos y 3 segundo de
arco de segundo en el resto. Otros DEM como el WorldDEM de la DLR tienen resolución
espacial de 13 metros, cobertura global con precisión vertical relativa de 2 metros y absoluta
de 10 metros comprobadas mediante puntos de control. La característica más interesante del
WorldDEM no es su altísima resolución espacial sino su validación mediante la contrasta-
ción con otras medodologías de medición para determinar su presición y exactitud [2] que
es uno de los objetivos en el presente trabajo. Algunos autores proponen corregir los DEM
mediante implementaciones computacionales [3] de herramientas matemáticas, lo cual será
otro desafío a emprender para la resolución de los objetivos propuestos en el Capítulo 1.

3
2.2 E RROR EXPERIMENTAL DEL CASO DE ESTUDIO

2.2. Error experimental del caso de estudio


La teledetección consiste en la observación remota del objetivo para captar determinadas
características del mismo. En el presente trabajo se utilizan observaciones remotas que con-
sisten en imágenes de tipo SAR para aplicar InSAR y obtener un DEM que es considerado el
valor medido, mientras que, el dato GNSS relevado en campo se supone el valor real. Ambos
valores se relacionan mediante:

emedicion = valormedido − valorreal (2.1)

Es necesario aclarar que, para hacer la suposición del dato GNSS como valor real, debe
asumirse con error cero (de ahí que las mediciones en campo deben tener elipses de error
debajo de los ± 0,05 metros).

Figura 2.1: Valor de referencia, densidad de probabilidad, exactitud y precisión. Fuente:Wikipedia

De la Figura 2.1 se desprende que, el valor de referencia será el valor real, es decir, el dato
GNSS y el valor medio de la función de densidad de probabilidad sera el valor medido, es
decir, el dato DEM. La exactitud está relacionada con los errores sistemáticos y la precisión
a los errores accidentales. Los primeros tienen siempre el mismo sentido y alejan los valores
medidos del valor real. Un aumento de la muestra no tiende a cero el valor, sino justamente,
al valor de la influencia del error sistemático. Una ventaja de los errores sistemáticos es que,
de ser detectados, puede corregirse la fuente (el error en sí mismo) o la influencia, según
convenga y sea posible en el caso de estudio. Los errores accidentales por otro lado, tienen
comportamiento aleatorio y un aumento de la muestra lleva la media a cero. Se los puede
analizar estadísticamente y es posible obtener un estimador para determinar qué tan bueno
es el error estándar de la media muestral que es la desviación estándar de la media muestral.

4
2.3 S ISTEMA DE PUNTOS DE CONTROL EN T IERRA

2.3. Sistema de puntos de control en Tierra

2.3.1. Coordenadas en el espacio mediante GNSS

Un GNSS hace posible la determinación de las 4 coordenadas (X, Y, Z, tiempo) de cualquier


punto sobre la superficie terrestre y objetos móviles como barcos, aviones y satélites. Estos
sistemas consisten en emitir y recibir señales a determinada frecuencia a través de un medio
de propagación y con estas mediciones obtener las distancias. La medición de más de un
vector satélite-receptor aporta los datos necesarios para aplicar la trilateración con la cual es
posible calcular la ubicación del receptor en el espacio, donde:

Un satélite define una esfera con centro en el satélite.

Dos satélites definen una circunferencia.

Con Tres satélites se obtienen dos puntos en el espacio (uno en el planeta Tierra y el
otro en el espacio como la Figura 2.2).

Cuatro satélites permiten corregir los errores en los relojes.

Cinco satélites permiten calcular el error de las coordenadas.

Seis o mas satélites mejoran todos los parámetros.

Por lo tanto, es necesaria la medición mínima de cinco satélites y sugerida de seis o más.

Figura 2.2: Las letras S indican la posición de los satélites, las ρ las distancias entre satélite-receptor, y la
letra P la del punto cuyas coordenadas se quiere conocer, es decir la ubicación del receptor GPS. Fuente:[4]

2.3.2. Determinación de distancias con GNSS

Como se enunció en la Sección 2.3.1, los sistemas GNSS miden distancias con las que se
generan esferas y la intersección de las mismas determinan las coordenadas del punto donde
se ubica el receptor. Estas distancias pueden ser de dos tipos:

Pseudo-distancia

Diferencia de fase

5
2.3 S ISTEMA DE PUNTOS DE CONTROL EN T IERRA

La pseudo-distancia se obtiene mediante el cálculo en el retardo en la señal emitida y recibida


entre el sistema satélite-receptor. Un retardo en la señal implica que hay una distancia entre el
emisor y el receptor y de allí, conociendo la velocidad de propagación de la onda, se calcula
la pseudo-distancia. El nombre pseudo-distancia se debe a que la magnitud de medición
es el tiempo y la distancia es un producto derivado. La incertidumbre en la determinación
de distancias mediante este procedimiento es de orden métrico con elipses de error que, en
general, no son menores a ± 3 metros, es decir, en ambos sentidos.
Por otro lado, la medición por diferencia de fases consiste en la determinación en la cantidad
de ciclos iniciales de la fase que es llamada ambigüedad y se identifica con la letra N, más
el delta de fase obtenida por el receptor en cada época (por épocas se entiende a instantes
de tiempo de medición cuyos intervalos en general son un segundo, dos segundos, cinco
segundos u otros). La Ecuación 2.2 calcula la cantidad de ciclos de fase para el tiempo t0 .
ciclo(0) = N + φ(0) (2.2)
con,

ciclo(0) es la cantidad de ciclos de fase de la época 0


N se denomina ambigüedad y es la cantidad de ciclos completos (valores enteros) de
fase para la época 0
φ(0) diferencia de fase para una época 0

La φ0 tiene una componente entera de fase y una componente decimal de fase (cuando no
completó los 360◦ ). En el t0 los ciclos enteros pertenecen a la ambigüedad N y por lo tanto
para esta tiempo sera particular del mismo, solo la componente decimal, es decir:
φ0 (2.3)
mientras que, para los los instantes t1 ,t2 , ...tn la cantidad de ciclos sera la ambigüedad N del
tiempo t0 más las contribuciones enteras y decimales de las fases para ese instante ( Figura
2.3) y será:

ciclo(n) = N + n(n) + φ(n) (2.4)


con,

nn nuevos ciclos de fase enteros para la época n


φn el valor decimal de fase para la época n

Figura 2.3: Ciclos enteros y decimales de fase en cada instante tn con P el punto donde se ubica el receptor.
Fuente:[4]

6
2.3 S ISTEMA DE PUNTOS DE CONTROL EN T IERRA

Relacionando la cantidad de ciclos con su longitud de onda es que se puede obtener la distan-
cia por diferencia de fase (ecuación 2.5) y que resulta en valores de precisión centimétrica.

ρn = (N + nn + φn )λ (2.5)

donde:

λ es la longitud de onda

El inconveniente de la medición con diferencia de fase radica en la determinación de la


ambigüedad inicial N. Esta última se calcula mediante filtros de Kalman utilizando los datos
de muchas épocas consecutivas. Este proceso se llama inicialización y el intervalo de tiempo
de medición de épocas se llama tiempo de inicialización.

2.3.3. Constitución de un GNSS

Los sistemas GNSS como por ejemplo el NAVSTAR-GPS, constan de 3 segmentos bien
definidos (Figura 2.4):

Segmento de Control: estaciones de emisión y recepción con el segmento espacial.

Segmento Espacial: satélites de órbita media terrestre con antenas en banda L.

Segmento Usuario: receptores de las señales emitidas por los satélites.

Figura 2.4: Segmentos de un sistema GNSS, en este caso el NAVSTAR-GPS. Fuente: Electronic Hubs

Es posible adquirir receptores con más de una constelación (NAVSTAR-GPS, Sistema Glo-
bal de Navegación por Satélite (GLONASS), GALILEO o BeiDou) que son llamados GNSS

7
2.4 M ARCO G EODÉSICO A RGENTINO

de doble constelación. Por otro lado, según la constelación, se cuenta con más de una fre-
cuencia de emisión. Para explicar esto último se va a tomar el sistema NAVSTAR-GPS como
ejemplo. El sistema NAVSTAR-GPS es un desarrollo de los EE.UU. con fines militares en su
origen, que posteriormente estuvo disponible para el uso civil y cuenta con tres frecuencias:

L1 de 1575,42 MHz

L2 de 1227,60 MHz

L5 de 1176,45 MHz

Las mediciones más frecuencias implican más datos para calcular la distancia satélite-receptor
y mayor cantidad de datos para corregir errores tales como los errores atmosféricos.

2.3.4. Sobre los errores

Los sistemas GNSS están sujetos a varios tipos de errores que generan una degradación en
el resultado final y son:

Medio de propagación (ionósfera y tropósfera)

Relojes (relojes no precisos del receptor)

Multicamino (rebotes de la señal)

Número de adquisiciones: cantidad de satélites observables

Geometría de adquisición: ubicación en la bóveda celeste de los satélites observables

Efemérides: precisión de las coordenadas del satélite observado

Errores numéricos: cifras significativas en los datos

Un error que no es tal sino que es una degradación intencional en el dato es la disponibilidad
selectiva que tenía el sistema NAVSTAR-GPS hasta el año 2000, pero eliminada, al menos
momentáneamente, y por lo tanto no se incluye en los errores listados. Los errores generan
que la precisión y exactitud en la determinación de las coordenadas se vea afectada y arroje
valores por encima del metro de incertidumbre. La solución a una baja precisión y exacti-
tud en la medición absoluta de una coordenada es la medición diferencial o relativa que se
describe en el próximo apartado.

2.4. Marco Geodésico Argentino


El organismo responsable de la Geodesia y la Cartografía en la República Argentina es el
IGN que definió el marco de referencia POSGAR07 [5] basado en el ITRF 05 con proyección
GK Argentina. El sistema POSGAR07 cuenta con puntos distribuidos en toda la Plataforma
Continental Argentina, Isla Grande de Tierra del Fuego y Antártida Argentina de tipo pasivo
y activo. Los puntos pasivos consisten en monolitos para roscar instrumentales geodésicos y
puntos activos con receptores GNSS que observan datos continuamente y el usuario puede
descargar online.

8
2.4 M ARCO G EODÉSICO A RGENTINO

Figura 2.5: Red Argentina de Monitoreo Satelital Continuo (RAMSAC) en POSGAR07. Fuente: IGN

2.4.1. Procesamiento Diferencial GNSS

El procesamiento diferencial consiste en determinar las coordenadas de un receptor llamado


rover en relación a otro receptor llamado base, que observan los mismos satélites en las
mismas épocas y cuyas señales atraviesan el mismo medio atmosférico. Estas condiciones
permiten eliminar varios de los errores antes enunciados y por lo tanto mejorar tanto la
precisión y exactitud. Por otro lado, un receptor de doble constelación (NAVSTAR-GPS
y GLONASS por ejemplo) cuenta con más satélites observables y por lo tanto mejora la
geometría y número de adquisiciones. Además, si el receptor es de doble frecuencia (L1/L2)
permite obtener datos para parametrizar el medio de propagación (ionósfera y tropósfera) y
reducir sus errores. La medición diferencial o relativa determina los vectores de corrección
y por lo tanto coordenadas relativas con elipses de error de ± 0,03 metros. Si uno de los
dos instrumentos está ubicado en algún momento, en un punto de coordenadas conocidas,
entonces se pueden corregir las diferencias entre las coordenadas relativa y absoluta del punto
mencionado desplazando todo el relevamiento. Este proceso se llama vinculación y permite
obtener una nube de puntos con elipse de error centimétrica.

9
2.4 M ARCO G EODÉSICO A RGENTINO

2.4.2. Redes Geodésicas

Una Red Geodésica es un conjunto de puntos cuyas coordenadas fueron medidas, calcula-
das y compensadas siguiendo estándares geodésicos, es decir, considerando las fuentes de
errores en las mediciones geodésicas y compensando mediante los métodos propios de di-
cha disciplina. El surgimiento de los GNSS junto al cálculo computacional redujo los costos
para diseñar, medir, calcular y compensar una red geodésica, ya que cambió las mediciones
astronómicas por mediciones satelitales. La Figura 2.6 es un ejemplo de una Red Geodésica
para la Ciudad de Rosario que fue laborada en la Escuela de Agrimensura de la Facultad
de Ciencias Exactas, Ingeniería y Agrimensura (FCEIA). Las mediciones para generar redes

Figura 2.6: Monografía de un punto de la Red Geodésica Rosario. Fuente [6]

geodésicas en la actualidad se realizan considerando los siguientes ítems:

Receptores tipo GNSS


Método diferencial
Puntos en zonas con buena recepción de observables
Geometría uniforme de los triángulos de la red

Los datos son procesados con softwares específicos de procesamiento GNSS que pueden ir
desde los comerciales como el TBC a los científicos como el GAMIT-GLOBK. Todos los

10
2.4 M ARCO G EODÉSICO A RGENTINO

datos deben tener solución fija y posteriormente la red será compensada por algún método
de ajuste como cuadrados mínimos.

2.4.3. Vinculaciones a Redes Geodésicas

Una red geodésica representa un Sistema de Apoyo de orden superior en relación a releva-
mientos diferenciales mediante un equipo base y un equipo rover. No sólo por la rigurosidad
en el diseño geométrico de una red, sino también por la cantidad de tiempo de medición y la
compensación. Por lo tanto, las redes geodésicas son un sistema de apoyo de orden superior
pero costosas desde el punto de vista técnico, logístico, material, temporal y económico. Es
habitual determinar las tolerancias necesarias para un determinado trabajo en función de los
requerimientos propios del trabajo y a partir de ello definir si es necesario generar una nueva
red geodésica, ampliar una red existente o realizar vinculaciones. Una vinculación a una red
consistirá en realizar un relevamiento diferencial donde en algún momento del relevamien-
to se deberá medir un punto de la red a la que se desea vincular. El resultado de esto será
una nube de puntos con un error resultante entre el error propio en la medición durante el
relevamiento diferencial y el error original del punto de la red (ecuación 2.6).

e f inal = ±ered ± emedicion (2.6)

11
2.5 O BTENCIÓN DE UN DEM MEDIANTE I N SAR

2.5. Obtención de un DEM mediante InSAR


La InSAR es una técnica que utiliza pares de imágenes SAR para generar un interfero-
grama [7]. El sensor puede estar montado en alguna plataforma en tierra, un avión o un
satélite y cada uno tiene sus particularidades. El presente trabajo se realiza con imágenes
COSMO-SkyMed satelitales y por este motivo se detallan algunas especificaciones para imá-
genes obtenidas en dicha plataforma. Una vez generado el interferograma y relacionándolo
a la altura de ambigüedad es posible obtener el DEM.

2.5.1. Fundamentos físicos de la InSAR

La interferometría de imágenes de radar de apertura sintética utiliza imágenes de radar como


su nombre lo indica y tiene una determinada longitud de onda en el espectro electromagné-
tico. Notar que, en la Figura 2.7, el espectro electromagnético es continuo pero la atmósfera

Figura 2.7: Ventanas atmosféricas del espectro electromagnético

tiene zonas en las cuales absorbe la energía electromagnética y, por lo tanto, es imposible
realizar observaciones remotas desde sensores montados en plataformas satelitales. El radar
ocupa el segmento de 2,7 mm − 100 mm de longitud de onda λ y tiene algunas zonas donde
la transmitancia atmosférica es baja y otras donde es alta, éstas últimas llamadas ventanas
atmosféricas. El principio de la interferometría es la observación de las diferencias de fase
de dos ondas electromagnéticas. La interferometría con radar de apertura sintética consiste
en relacionar dichas diferencias con el cambio en la topografía de la superficie observada.

2.5.2. Sobre las imágenes SAR satelitales

Un sensor de tipo SAR montado en una plataforma satelital y observando hacia la superficie
terrestre tiene particularidades intrínsecas y otras de la plataforma y el medio. Los sensores
SAR son sensores radar y por lo tanto dispositivos emisores- receptores en longitudes (o
frecuencias) determinadas identificadas con letras. Las bandas radar satelitales son:

12
2.5 O BTENCIÓN DE UN DEM MEDIANTE I N SAR

Banda X: de 2.4 a 3.8 centímetros. como la misión COSMO-SkyMed


Banda C: de 3.8 a 7.5 centímetros. como la misión Sentinel-1
Banda L: de 15 a 30 centímetros. como la misión SAOCOM

El sensor a utilizar es el COSMO-SkyMed cuyas plataformas satelitales cuentan con ins-


trumentales para obtener los parámetros de adquisición, esto es, coordenadas (X, Y, Z, t) y
parámetros angulares (∆x, ∆y, ∆z). Las coordenadas (X, Y, Z, t) se obtienen mediante instru-
mentales GNSS montados en las plataformas de cada satélite COSMO-SkyMed.

2.5.3. Geometría de adquisición y distorsiones geométricas SAR

Los sensores de tipo SAR como el COSMO-SkyMed son de mirada lateral con ángulo θ .
Según como sea la pendiente α de la topografía local en la zona alumbrada producirá distor-
siones geométricas de tipo:

Acortamiento/alargamiento (foreshortening en la Figura 2.8) : si 0 < α < θ es la cara


que mira al sensor y se genera un acortamiento, mientras que, si −θ < α < 0 es la cara
opuesta al sensor y genera alargamiento
Inversión (layover en la Figura 2.8): este fenómeno ocurre cuando θ ≤ α y genera una
inversión en la imagen
Sombra (shadow en la Figura 2.8): ocurre cuando la señal no ilumina la cara opuesta
del sensor.

Figura 2.8: Distorsiones Geométricas. Fuente [7]

2.5.4. Observación de fase y altura topográfica

La InSAR es un proceso que se basa en obtener la diferencia de fase φ p entre dos miradas
SAR con geometría de adquisición conocida. Se utilizará la configuración interferométrica
de la Figura 2.9 para obtener las relaciones físicas y geométricas entre las observaciones de
dos fases SAR y finalmente obtener la altura topográfica.
Notar en la Figura 2.9 que se fija una normal al segmento R1 que incluye al punto desde
donde se hace la adquisición 2 y cada parámetro será:

ψn,p valor de fase observado en un sensor n sobre un punto p

13
2.5 O BTENCIÓN DE UN DEM MEDIANTE I N SAR

Figura 2.9: Configuración interferométrica. Fuente [7]

Rn,p distancia sensor n a un punto p

φ diferencia de fase entre dos adquisiciones SAR

B es la base geométrica entre las adquisiciones

B⊥ base geométrica perpendicular a la adquisición

∆R o Bk base geométrica paralela a la adquisición

λ longitud de onda del sensor

H p altura de un punto p respecto a una superficie de referencia

Hsat altura del satélite p respecto a una superficie de referencia

θ ángulo de mirada

α ángulo entre la horizontal en el punto de adquisición 1 y el segmento entre las


adquisiciones

Los valores de fase observados para dos imágenes en una celda de resolución P como el de
la Figura 2.9 desde las órbitas 1 y 2 son:

2π(2R1 )
ψ1p = − + ψscat,1p (2.7)
λ
y
2π(2R2 )
ψ2p = − + ψscat,2p (2.8)
λ

Donde R1 y R2 son las distancias geométricas y los términos ψscat,1p y ψscat,2p son las contri-
buciones de dispersión de fase de cada adquisición. A los fines de desarrollar las ecuaciones
de la presente sección, se suponen a ambas contribuciones iguales. No obstante, en la Sección
2.5.5 se trata el concepto de coherencia interferométrica.
Utilizando las ecuaciones 2.7 y 2.8 se obtiene la diferencia de fase φ p :

4π(R1 − R2 ) 4π∆R
φ p = ψ1p − ψ2p = − =− (2.9)
λ λ

14
2.5 O BTENCIÓN DE UN DEM MEDIANTE I N SAR

cuya derivada respecto a ∆R será:


∂ φp = − ∂ ∆R (2.10)
λ

Geométricamente, la diferencia de longitud del camino ∆R (Figura 2.9) puede aproximarse


como ([7], ecuación 2.4.6):
∆R = B sin(θ − α) (2.11)
Esta aproximación se conoce como aproximación de campo lejano o de rayos paralelos. Sin
embargo, este valor es difícil de calcular y se aproxima mediante:

∂ ∆R = B cos(θ 0 − α)∂ θ (2.12)

Reemplazando (2.12) en (2.10):


∂ φp = − B cos(θ 0 − a)∂ θ (2.13)
λ

donde el valor inicial de θ 0 se obtiene para la superficie de referencia (HP0 = 0).


Mientras que, la relación entre la diferencia de fase ∂ φ p y la altura del punto H p será:

λ R1p sinθ p0
Hp = − ∂ φp (2.14)
4πB0⊥,p

Haciendo ∂ φ p = 2π se obtiene la altura de ambigüedad:

λ R1p sinθ p0
h2π =| | (2.15)
2πB0⊥,p

Sin embargo, la ecuación 2.14 es el resultado de la fase de tierra plana y la fase topográfica.
Mediante las ecuaciones 2.10, 2.12 y 2.14 se obtiene:

4π B0⊥,p
∂ φp = − (D p − Hp ) (2.16)
λ R1,p sinθ p0

con D p como el desplazamiento de superficie. Para ampliar nociones sobre diferencias de


fase, altura topográfica y otros conceptos relacionados puede consultar [7] Sección 2.4.

2.5.5. Sobre la precisión de la fase interferométrica

2.5.5.1. Coherencia interferométrica y decorrelación

La coherencia interferométrica o coherencia compleja γ está relacionada con el ruido en la


fase jφ0 de los pares de imágenes SAR. Puede ser usada como una medida de la precisión
obtenida en la fase y se define por:

E{y1 y∗2 }
γ=p = |γ|exp( jφ0 ) 0 ≤ |γ| ≤ 1 (2.17)
E{|y1 |2 }E{|y2 |2 }

15
2.5 O BTENCIÓN DE UN DEM MEDIANTE I N SAR

El ruido de fase en los interferogramas puede expresarse en función del valor absoluto de la
coherencia compleja. La coherencia compleja puede estimarse a partir de los datos interfe-
rométricos, en base a supuestos de ergodicidad, o derivarse teóricamente en función de las
características conocidas del sensor, las circunstancias de adquisición y los algoritmos de
procesamiento de señales ([7], página 98). La coherencia está relacionada a la función de
densidad de probabilidad (PDF) la cual a su vez está relacionada al número de miradas inde-
pendientes (look). Es decir, la coherencia es una medida del proceso InSAR y sus productos
derivados, en el caso de estudio, los DEM. Pueden encontrase más detalles sobre esto en [7]
Secciones 4.2 y 4.3.
La definición de decorrelación puede ser bastante arbitraria. Aquí definimos la decorrelación
como el ruido causado por las fuentes de error que tienen una ventana de estimación de
máxima verosimilitud de coherencia regular.
Esto implica que los errores en la órbita y los errores debidos a las heterogeneidades at-
mosféricas se analizarán por separado, como se presenta en [7], Sección 4.4. Las fuentes de
decorrelación serán:

γgeom : decorrelación geométrica, causada por diferentes ángulos de incidencia.

γDC : decorrelación Centroide Doppler, causada por la diferencia en los centroides Dop-
pler de dos adquisiciones.

γvol : decorrelación en volumen, causada por la penetración de la onda radar en el medio


de dispersión.

γtermal : decorrelación termal o ruido del sistema, causado debido a las características
del sistema. incluidos el factor de ganancia y características de la antena.

γtemporal : decorrelación temporal, causada por los cambios físicos en el terreno, afec-
tando las características de dispersión en la superficie.

γ procesamiento : decorrelación inducida por el procesamiento, causada por los algoritmos


por ejemplo de corregistración y de interpolación.

Mientras que la decorrelación total γtot será:

γtot = γgeom ∗ γDC ∗ γvol ∗ γtermal ∗ γtemporal ∗ γ procesamiento (2.18)

2.5.5.2. Medidas para obtener mejor coherencia

La coherencia γ es un valor definido entre 0 y 1, donde valores próximos a cero significa


coherencia baja mientras que cercanos a 1 corresponde a alta coherencia. En la ecuación
2.18 se puede mejorar el producto haciendo:

γgeom : decorrelación geométrica, ángulos de incidencia lo mas similares posible.

γDC : decorrelación Centroide Doppler, controlar los parámetros de enfocado de ima-


gen.

γvol : decorrelación en volumen, iguales valores de humedad de suelo entre otros.

16
2.5 O BTENCIÓN DE UN DEM MEDIANTE I N SAR

γtermal : decorrelación termal o ruido del sistema, propio del sensor y por lo tanto utili-
zando escenas de un mismo sensor.

γtemporal : decorrelación temporal, base temporal con la menor cantidad de días posible.

γ procesamiento : decorrelación inducida por el procesamiento, algoritmos particulares de


corregistración e interpolación exclusivos para el sensor a procesar.

2.5.6. Errores de órbita

Un error en la órbita de alguna de las dos pasadas del SAR generará errores en la imagen y
por lo tanto en el interferograma y la coherencia compleja. En la sección 2.5.5.1 se especificó
que este problema no forma parte de la decorrelación y debe ser estudiado por separado.
Será importante contar con todos los parámetros de adquisición para poder detectar posibles
errores de órbita y hacer correcciones de ser necesario y posible.

2.5.7. Influencia de atmósfera

El SAR es un sensor activo cuya señal atraviesa cuerpos nubosos, sin embargo, esto no
quita que los mismos no afecten a la señal. Dependiendo de la longitud de onda λ tendrá
mayor o menor interacción con la atmósfera y los elementos que componen dicho medio
de propagación. Notar además que el SAR tiene una mirada lateral y por lo tanto atraviesa
una distancia mayor de atmósfera que un sensor apuntando al nadir, es decir, mirando hacia
abajo del sensor. Es una buena sugerencia elegir pares de imágenes en momentos de similares
condiciones en la escena y entre las escenas.

2.5.8. Multilooking y filtro de Goldstein

En la Sección 2.5.5.1 se relacionó la coherencia con la PDF y el número de miradas indepen-


dientes (looks). Una opción para mejorar la coherencia es aumentar el número de looks en el
calculo de la PDF a costa de una pérdida de resolución espacial (ver [7], Sección 4.3). Otra
opción es aplicar un filtro adaptativo de Goldstein, filtro basado en el concepto de multipli-
cación del espectro de Fourier de un pequeño parche de interferograma por su valor absoluto
suavizado a la potencia de un exponente [8].

2.5.9. Desenrollado de fase

Generar un interferograma consiste en obtener las fases entre de un par interferométrico


cuyos valores están acotados a [−2π, 2π]. Sin embargo, los fenómenos físicos, en este caso
en el suelo, responden a fenómenos continuos y no a saltos, como la fase interferométrica.
Por lo dicho anteriormente es que resulta necesario tomar esa fase enrollada y aplicar un
proceso de desenrrollado. Supongamos que todas las mediciones son precisas y exactas, y
que no hay inconvenientes de redondeo ni truncamiento, entonces desenrrollar la fase es un
proceso trivial puesto que por el punto origen, camino y punto final siempre se tiene la misma
diferencia de fase. En la realidad ninguna medición es exacta y el SAR no es la excepción.
En la práctica suceden varios fenómenos que inciden en la incertidumbre del dato InSAR y
son:

17
2.6 L A MISIÓN COSMO-S KY M ED

decorrelación o coherencia γ (ver Sección 2.5.5)

Influencia de la atmósfera (ver Sección 2.5.7)

El error de órbita no se incluye porque puede ser parametrizado, controlado y hasta corregi-
do. El desenrollado de fase en el presente trabajo se realiza con una implementación com-
plementaria al software SNAP ESA llamada SNAPHU que se ejecuta por consola. El mismo
toma los datos de fase y coherencia para calcular el desenrollado de fase. Este proceso a su
vez también va a incidir en los resultados finales del DEM.

2.5.10. El proceso InSAR y sus resultados

El primer proceso InSAR consiste en la corregistración entre pares de imágenes, es decir,


consiste en identificar y determinar de manera precisa la imagen master (primera en el tiem-
po) de la slave (segunda en el tiempo). Este proceso puede ser determinado a partir de GCP
o identificando puntos coincidentes en ambas imágenes. Luego se continua con el cálculo de
la fase interferométrica y la aplicación de un filtro de Goldstein y el multilooking para me-
jorar el efecto de sal y pimienta resultante en el interferograma. El efecto de sal y pimienta
es un término coloquial utilizado para identificar el efecto de salpicado que produce el ruido
propio del sistema SAR en las imágenes y por lo tanto en sus productos derivados como un
interferograma. Posteriormente es necesario hacer el desenrrollado de fase (Sección 2.5.9)
donde se obtiene el continuo de la fase en toda la escena que luego es convertida a altura
con la ecuación 2.15 y utilizando un DEM. El proceso finaliza proyectando los valores de la
geometría de adquisición SAR a coordenadas geográficas WGS84. Tanto el proceso de fase
a elevación como el cambio de proyección utilizan un DEM de referencia como por ejemplo
el SRTM. El resultado de un proceso InSAR es una imagen georreferenciada con píxeles que
representan alturas relativas entre sí (propio del proceso de desenrrollado).
Distintas etapas del proceso para llegar desde el objeto de estudio (la superficie topográfica)
hasta un modelo que represente el mismo (el DEM) tienen influencia en la precisión y exac-
titud o en ambos. Algunos elementos como la coherencia interferométrica (Sección 2.5.5)
pueden ser cuantificados, sin embargo, la influencia atmosférica (Sección 2.5.7) puede ser
modelada aunque incluirá un error asociado, como ocurre al utilizar un modelo. Finalmente,
el modelo resultante será el resultado de resolver el desenrrollado de fase con todos esos
errores incluidos en dicho cálculo. Por todo esto, es necesaria alguna medida que permita
cuantificar que tan representativo es el modelo con respecto a la realidad física y esa instan-
cia sera la validación del modelo.

2.6. La misión COSMO-SkyMed


El programa COSMO-SkyMed es una constelación de satélites (la primera generación consta
de los cuatro satélites de la Figura 2.10) artificiales de órbita baja heliosincrónica, sobre la
línea del terminador. Sobre las plataformas están montados sensores SAR banda X de alta
resolución con múltiple polarización y múltiples modos (Figura 2.11) de distintos anchos
de barrido y resoluciones. El programa es propiedad de la República Italiana y operado por
la ASI. La constelación forma parte del SIASGE junto a la constelación SAOCOM de la
República Argentina.
El modo StripMap HIMAGE será el utilizado en el presente trabajo en nivel 1A SLC ( i,

18
2.7 R EMUESTREO DE DATOS RASTER

Figura 2.10: Geometría constelación COSMO-SkyMed. Fuente: ([9] página 9)

q) ([10], página 6, Sección 2.2) Sería interesante poder utilizar el modo Spotlight pero está
reservado para usos militares ([9], página 22).

Figura 2.11: Modos de adquisición de los sensores COSMO-SkyMed. Fuente: [9] página 8

2.6.1. Georreferenciación de imágenes COSMO-SkyMed

Las sensores COSMO-SkyMed cuentan con parámetros de adquisición angulares y carte-


sianos con alta precisión que permiten obtener imágenes georreferenciadas en el sistema
WGS84. Esto permite obtener datos tanto crudos como derivados en un sistema que pueda
ser correlacionado con cualquier otro conjunto de datos que cuente con georreferenciación
en el mismo sistema de referencia u otro sistema de referencia.

2.7. Remuestreo de datos raster


Un dato raster es una matriz cuyos elementos representan píxeles en la que se define la
distancia interpíxel (vertical y horizontal) y su resolución radiométrica o profundidad de

19
2.7 R EMUESTREO DE DATOS RASTER

color (en bits por píxel). La posibilidad de guardar una imagen como matriz permite hacer
cálculos algebraicos y estadísticos sobre sus elementos.
Las imágenes raster pueden ser remuestreadas para obtener una imagen con un remuestreo en
la distancia interpíxel (2.13), en su profundidad de color (2.14), en la orientación de la rejilla
(2.12) o la combinación de todos éstos. Estos procesos modifican el dato original (crudo)
para generar nuevos datos que no necesariamente permiten volver al dato original, y ese es
uno de los inconvenientes del remuestreo.

Figura 2.12: Remuestreo por reorientación de la grilla. Fuente: [11]

20
2.8 M ÉTODOS DE INTERPOLACIÓN

Figura 2.13: Remuestreo de distancia interpíxel. Fuente: internet

Figura 2.14: Remuestreo de escala. Fuente: Elaboración propia

La Figura 2.12 ejemplifica un remuestreo cambiando la orientación de la grilla con distintos


métodos de remuestreo donde, (a) asigna el nuevo píxel el vecino más cercano, (b) hace una
interpolación bilineal,(c) es una convolución cúbica y (d) es un método de remuestreo de
píxeles agregados, basados en la imagen de entrada de 8 × 8 píxeles redimensionados a 3 ×
3 píxeles.

2.8. Métodos de interpolación


Dado un conjunto de datos experimentales o mediciones se desea obtener una función que
interpole a estos datos, es decir que esta nueva función coincida con los datos experimentales.
El caso más simple consiste en construir una función de interpolación polinomial. Contra-
riamente a lo que se esperaría, se sabe que los polinomios de grado alto suelen producir
problemas de estabilidad numérica, por lo que resulta conveniente particionar el dominio (o
intervalo) de estudio en subregiones (subintervalos en el caso unidimensional) y construir
funciones polinomiales de grado bajo en cada subregión (subintervalo). Los tipos de inter-
polación considerados en este trabajo serán el spline de primer grado o interpolacion lineal
por partes (Figura 2.15) y los spline cúbicos (Figura 2.18) [12].

2.8.1. Interpolación lineal por partes o spline de primer grado

Una función de spline es una función que consiste en piezas polinómicas unidas entre sí con
ciertas condiciones de suavidad. Una interpolación lineal por partes como la graficada en la
Figura 2.15 es una función poligonal cuyos segmentos son polinomios lineales unidos para
lograr continuidad.

21
2.8 M ÉTODOS DE INTERPOLACIÓN

Figura 2.15: Interpolación lineal por partes. Fuente: [12]

Definición: Spline de primer grado.


Una función S es llamada spline de primer grado si:

El dominio de S es en el intervalo [a, b].

S es continua en el intervalo [a, b].

Hay una partición del intervalo a = t0 < t1 < < tn = b tal que S es un polinomio lineal
en cada subintervalo [ti ,ti+1 ].

En el caso bidimensional, se tiene un conjunto de puntos de interpolación (o nodos) en el


plano xy, denotados por: (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) (diferentes entre sí), cada uno de ellos
asociado a un valor ci . El objetivo es determinar una función F tal que

F(xi , yi ) = ci , i = 1, . . . , n.

Se supone que esta función está definida en toda la región que contiene a los nodos. Eli-
giendo convenientemente los nodos se puede generar una malla, y obtener una función F,
definida por partes, mediante polinomios de grado 1 en dos variables que definen una super-
ficie determinada localmente por planos (Figura 2.16) que se pegan bien en los subdominios
determinados por la malla.

Figura 2.16: Planos locales que se se pegan con continuidad

22
2.8 M ÉTODOS DE INTERPOLACIÓN

La interpolación lineal por partes o spline de primer grado de la presente Sección explica
como implementar dicho spline en el caso unidimensional. Sin embargo, la implementación
de la Sección 4.4.2 utiliza la función scipy.interpolate.griddata (método="lineal") con
método lineal. Es decir, utiliza la spline lineal en dos dimensiones como se observa en la
Figura 2.17 donde el resultado es una superficie compuesta por los distintos triángulos que
se forman a partir de los nodos. NOTA: El interpolador se construye triangulando los datos
de entrada con Qhull [13] y en cada triángulo realizando interpolación baricéntrica lineal.

Figura 2.17: Spline lineal bidimensional generado en Python mediante


scipy.interpolate.griddata(método="lineal"). Fuente: Elaboración Propia

2.8.2. Splines cúbicos

Esta Sección está basada en la Sección 9.2 de [12]. Los splines de primer grado vistos en
la Sección 2.8.1 arrojan superficies generadas por rectas (o planos) con continuidad, pero
cambios bruscos de pendiente en los vértices y las aristas. Si bien los splines cúbicos de
la Figura 2.18 tienen un costo computacional mayor tienen la ventaja que son más suaves,
reflejando con más precisión la superficie a determinar.
Definición: Spline cúbico.
Dado un conjunto de puntos (nodos) a = t0 < t1 < . . . < tn = b, una función S es llamada
spline de grado 3 (o spline cúbico) si:

El dominio de S es el intervalo [a, b].

S, S0 , S00 son continuas en [a, b].

S es un polinomio de grado 3 en cada subintervalo [ti ,ti+1 ], i = 0, . . . , n − 1.

Esta definición puede generalizarse a grados más altos para lograr mayor suavidad pero se
sabe que por consideraciones teóricas y computacionales los splines cúbicos son los más
convenientes y habituales. Más aún, se ha demostrado que usar splines de grado mayor que
3 rara vez produce alguna ventaja [12].

23
2.8 M ÉTODOS DE INTERPOLACIÓN

Figura 2.18: Spline cúbico. Fuente:[12]

El resultado de aplicar un spline cúbico en dos dimensiones genera una superficie suave que
incluye a los puntos (nodos) que la definen.
La interpolación mediante spline cubico de la presente Sección explica como implementar
dicho spline en el caso unidimensional. Sin embargo, la implementación de la Sección 4.4.2
utiliza la función scipy.interpolate.Rbf (método="thin plate"). Esto es, una función de
base radial spline de placa plana [14] en dos dimensiones como se observa en la Figura 2.19
donde el resultado es una superficie suave, resultante de interpolar los nodos.

Figura 2.19: Superficie bidimensional generado en Python mediante scipy.interpolate.Rbf. Fuente:


Elaboración Propia

24
2.10 P ROCESAMIENTO DIGITAL DE IMÁGENES

2.9. Ajuste de superficies DEM

Una definición intuitiva de un modelo sería:

Un modelo es una representación de un objeto de estudio

Una definición mas formal sería:

Representación abstracta, conceptual, gráfica (o visual), física o matemática, de


fenómenos, sistemas o procesos a fin de analizarlos, describirlos, explicarlos,
simularlos y predecirlos.

La segunda definición es muy clara en términos formales y la primera tiene la ventaja de


dejar en claro que es necesario:

Determinar el objeto de estudio.

Fijar condiciones de representatividad.

Someter los supuestos modelos a las condiciones de representatividad.

Un DEM es un modelo generado mediante un conjunto de observaciones (datos SAR) que


aplica una técnica (InSAR) y por lo tanto intenta representar al objeto observado. El proceso
InSAR en sí mismo es un ajuste ya que utiliza los datos de fase para aproximar una función
que será desenrrollada y luego relacionada a la altura relativa del terreno.
Los resultados del proceso InSAR son datos relativos puesto que utilizan un DEM de refe-
rencia para extraer puntos a utilizar para la conversión de fase a elevación. Aún asumiendo
que no hubiera errores de ningún tipo en términos relativos (no ocurre), existe la posibilidad
de una diferencia absoluta en las coordenadas (x, y) debido a alguna diferencia en los para-
mentos de adquisición y por lo tanto en la georreferenciación (2.6.1). Si se utilizara un punto
de una red geodésica 2.4.3 para el desenrrollado, se podría considerar correctamente vincu-
lado en la coordenada z para ese punto en particular. Pero, la incertidumbre en la resolución
de la altura asociada a la coherencia interferométrica y el efecto atmosférico (Sección 2.5.9)
pueden dar como resultado un modelo no representativo en términos relativos. Una opción,
es ajustar el DEM resultante mediante ajuste con datos en tierra ( Sección 2.4.2) obtenidos
por alguna técnica de medición de mayor precisión (Sección 2.4.1) y de un algoritmo nu-
mérico (Sección 2.8) que genere una superficie a relacionar con el modelo obtenido en el
proceso InSAR.

2.10. Procesamiento digital de imágenes

Una imagen digital es una matriz (Sección 2.7) donde es posible aplicar cálculos estadísticos
y matriciales sobre sus elementos para la obtención de información relativa a los elementos
que representa cómo corregir errores en la imagen. Otra operación que se puede hacer en
una imagen es el procesamiento digital en el dominio del espacio o en el dominio de la
frecuencia.

25
2.11 H ERRAMIENTAS ESTADÍSTICAS

2.10.1. Filtros en el dominio del espacio

Para aplicar filtros en el dominio del espacio es necesario utilizar una convolución. Este tipo
de filtros se clasifican por lineales y no lineales mientras que los tipos de filtros son:

Filtro pasa bajo.

Filtro paso alto.

Realce de bordes por desplazamiento y diferencia.

Realce de bordes mediante Laplace.

Resalte de bordes con gradiente direccional.

Detección de bordes y filtros de contorno (Prewitt y Sobel).

2.10.2. Filtros en el dominio de la frecuencia

Para aplicar filtros en el dominio de la frecuencia es necesario transformar la imagen del


dominio del espacio al dominio de la frecuencia, aplicar el filtro de interés, transformar al
dominio del espacio. Esto se hace mediante el siguiente proceso:

Ingresar la imagen de entrada f (x, y).

Calcular la transformada de Fourier F(u, v).

Aplicar el filtro H(u, v) ∗ F().

Calcular la transformada inversa de Fourier.

Obtener la Imagen Filtrada.

Mientras que los tipos de filtros más utilizados son:

Filtro pasa bajo

Filtro paso alto

Filtro paso banda

El filtro de Goldstein de la Sección 2.5.8 es un ejemplo de filtros en el dominio de la fre-


cuencia que suaviza el ruido propio de la imagen SAR.

2.11. Herramientas estadísticas


Los principales conceptos estadísticos a utilizar son el RMSE, la media, la desviación están-
dar, los cuartiles y los valores extremos.

26
CAPÍTULO 3

Área de estudio

3.1. Localización del área de estudio


El área de estudio se encuentra en la ciudad de Rosario (Figura 3.2), en el extremo sureste
de la Provincia de Santa Fe (Figuras 3.1 y 3.2), República Argentina (Figura 3.1). Las coor-
denadas geográficas son 32 grados 57 minutos Sur de latitud y 60 grados 39 minutos Oeste
de longitud.
La ciudad De Santa Fe (capital provincial) se encuentra a 174 km al norte, Córdoba a 404 km
al noreste y la Ciudad Autónoma de Buenos Aires (capital nacional) a 291 km al sudeste y
los límites del ejido municipal son:

Este: Río Paraná.

Norte: Ciudad conurbada de Granadero Baigorria.

Noreste: zona rural del municipio de Ibarlucea.

Oeste: Municipios conurbados de Funes y Pérez.

Sudeste: ciudad conurbada de Soldini.

Sur: ciudad conurbada de Villa Gobernador Gálvez (separado por el río Saladillo).

3.2. Características urbanísticas


La población de Rosario es de aproximadamente 1.200.000 habitantes y sumando el área
metropolitana alcanza a 1.600.000 de habitantes aproximadamente. El ejido urbano es de
179 km2 con 120 km2 aproximados de urbanización lo que representa un 67 % de superficie
urbanizada. Notar que, a excepción del noreste, el resto de los límites con otros municipios
presentan urbanización. Las zonas cercanas a los cursos de agua secundarios (Arroyo Lu-
dueña y Río Saladillo) y principal (Río Paraná) presentan urbanización densa y consolidada.

27
3.2 C ARACTERÍSTICAS URBANÍSTICAS

Figura 3.1: Arriba:Argentina en Sudamérica; Abajo:Santa Fe en Argentina. Fuente: Elaboración propia

28
3.3 C ARACTERÍSTICAS AMBIENTALES

Figura 3.2: Izquierda:Rosario en Santa Fe; Derecha: Limite de la ciudad de Rosario. Fuente: Elaboración
propia

3.3. Características ambientales


La provincia de Santa Fe se encuentra en la subregión llamada Pampa Húmeda que es una
llanura con pendiente hacia el río Paraná donde el suelo tiende a volverse más ondulado co-
mo producto de la erosión de los ríos y una leve elevación del basamento cristalino. Esto es
lo que lleva a la topografía de la ciudad de Rosario a ser más plana hacia el oeste y noreste
y presentar barrancas al este. El arroyo Ludueña al norte y el Río Saladillo al sur presentan
dos cambios de pendiente negativa mientras que al noreste del ejido se encuentran grandes
barrancas contra el río.
El clima de la ciudad es subtropical húmedo con las cuatros estaciones bien definidas aun-
que su invierno es bastante suave. Las temperaturas promedio anuales oscilan entre los 14 oC
y24 oC con mayores lluvias en verano que invierno y un volumen de precipitaciones de entre
800 mm y 1300 mm al año.
La región responde a la subfalla del río Paraná, subfalla del Río de la Plata y la falla de Punta
del Este, con sismicidad baja.
Por su ubicación, tipo de suelo, topografía y urbanización es que ocasionalmente las inunda-
ciones afectan a las zonas más bajas de la ciudad.
Subsidencia y solevamiento
El aporte de agua a la cuenca genera aumento del volumen de agua en los acuíferos y por lo
tanto genera fenómenos de subsidencia. Por el contrario, una pérdida de agua en los acuíferos
u otros fenómenos físicos pueden generar solevamiento.

29
CAPÍTULO 4

Metodología e implementación

4.1. Input data


El presente trabajo utiliza varios input data (datos de entrada) que se utilizan para obtener
productos derivados (elementos 1,2,3 y 4 de la Tabla 4.1) y otros para usar como referencia
(elementos 5,6 y 7 de la Tabla 4.1).

Num Nombre Característica Fuente


1 ADT Red Geodésica UNR
2 PAF Puntos GNSS Rosario Datos Abiertos (RDA)
3 GNSS Mediciones GNSS Cátedra Geodesia
4 CSK Imágenes SAR SIASGE
5 SRTM DEM InSAR SNAP ESA
6 MDE-Ar DEM InSAR IGN
7 Aero DEM fotogramétrico IGN
Tabla 4.1: Input data de todo el proceso

Los elementos 1,2 y 3 de la Tabla 4.1 son datos GNSS de distintas características que serán
relacionados para utilizarlos en las etapas de ajuste y validación mientras que el elemento 4
de la misma Tabla son las imágenes SAR que se utilizarán para generar los DEM. El dato
5 de la Tabla 4.1 es un DEM de referencia que se utiliza en SNAP ESA para la conversión
de fase a altura y para la proyección de geometría de adquisición a coordenadas geográficas.
Por último, los datos 6 y 7 de la misma Tabla son utilizados como referencias para observar
el comportamiento de la topografía.

4.1.1. GNSS

Los puntos GNSS deben ser inamovibles, visibles en la imagen, perdurar en el tiempo, estar
distribuidos homogeneamente, guardar cierta equidistancia entre ellos, cubrir toda la zona

30
4.1 I NPUT DATA

de trabajo y; en áreas abiertas y llanas. Los receptores satelitales geodésicos comerciales de


tipo GNSS actuales utilizan los sistemas NAVSTAR-GPS y GLONASS para obtener datos
medidos en campo con precisiones centimétricas. En este trabajo se cuenta con tres tipos de
datos GNSS y son:
Red Geodésica ADT [6]
Puntos GNSS de RDA
Mediciones GNSS
Los primeros datos son puntos que conforman una Red Geodésica desarrollada como trabajo
final de grado de la carrera de Ingeniería en Agrimensura (I.Agrim) de la UNR. El segundo
conjunto de datos consiste de una nube de puntos utilizada como Punto de Apoyo Foto-
gramétrico (PAF) medido con receptores satelitales GNSS doble frecuencia L1/L2 en modo
diferencial. El tercer conjunto de puntos fue medido en conjunto con la Cátedra de Geodesia
de la carrera de Ingeniería en Agrimensura de la UNR. La ubicación espacial de los puntos
puede observarse en la Figura 4.1.

Figura 4.1: Puntos GNSS en la Ciudad de Rosario. Fuente: Elaboración propia

31
4.1 I NPUT DATA

4.1.2. Imágenes SAR COSMO-SkyMed

NOTA:Imágenes COSMO-SkyMed HIMAGE de Nivel 1C, © ASI (2010-2019), provistas


por ASI a la CONAE para el proyecto “Ajuste y validación de DEMs interferométricos con
datos GNSS” en el marco del SIASGE.
Todos los derechos reservados. Se utilizó el catálogo Compania ASI/Telespazio (E-GEOS)
para buscar las imágenes de la zona de estudio como lo indica el área sombreada de la Figura
4.2.

Figura 4.2: KMZ estimado de Rosario en el catálogo de E-GEOS

Figura 4.3: Imágenes COSMO-SkyMed para una búsqueda en la zona de Rosario

El catálogo arroja una lista de imágenes con detalles de satélite, modo, fecha y hora, identifi-
cación del producto, dirección, ángulo de incidencia, polarización y porcentaje de cobertura
del área de interés. De las opciones disponibles se eligieron las 16 imágenes porque eran las
únicas que cubren toda la escena de la figura 4.4 y fueron solicitadas a CONAE. Aunque
para este trabajo es mejor una polarización VV, se utilizaron las HH porque son las disponi-
bles. No obstante, en la etapa de preprocesamiento (Sección 4.3.2.1) se filtrarán los pares de
imágenes por otros criterios.

32
4.1 I NPUT DATA

Figura 4.4: Imágenes solicitadas a CONAE

4.1.3. SRTM de 1 arc sec

El SRTM de 1arcsec (1 arco de segundo angular por píxel que para este caso es v 30 metros)
es un DEM generado con datos capturados por una misión espacial a bordo del transbordador
espacial Endeavour con dos sensores SAR en banda C (2.5.2) a una distancia de 60 metros
uno del otro y capturando datos de la misma área de interés en simultáneo.
Este producto está disponible para utilizar en el software SNAP ESA de la ESA y se utiliza
como DEM de referencia en el proceso InSAR.

4.1.4. MDE-Ar del IGN

El IGN celebró un convenio con la NGA para recibir el modelo SRTM de Argentina con
resolución de v 30 metros por píxel. A partir de este modelo, se obtuvo otro de v 45 metros
por píxel, que se generó aplicando las siguientes tareas:

Relleno de vacíos

Inclusión de datos en las zonas de lagos

Filtrado espacial

Enmascarado de límites

Para calcular la precisión altimétrica del MDE-Ar generado, se realizó la comparación de


los valores de las alturas de puntos de la base de datos altimétrica del IGN con los valores
resultantes del MDE, es decir, Hbase de datos − HMDE−Ar . Es decir, se evaluó la diferencia entre
los valores oficiales de altura publicados por el organismo y el valor de altura definido por el
modelo.
Observación: Las alturas del modelo SRTM son ortométricas y su nivel de referencia coin-
cide con el modelo gravimétrico terrestre EGM96.
La máxima diferencia positiva fue de +21 metros y la máxima diferencia negativa fue −30
metros, siendo la diferencia promedio de −2, 10,metros y el desvío estándar 3, 23 metros.
Todas estas especificaciones son descriptas en el Informe MDE-Ar 45m ([15]).
Tanto el modelo como sus especificaciones pueden ser descargados desde:
https://www.ign.gob.ar/NuestrasActividades/Geodesia/Principal

33
4.2 S OFTWARE

4.1.5. Aerofotogramétrico del IGN

A partir de vuelos aerofotogramétricos llevados a cabo por el IGN con:


a) una cámara digital Vexcel UltraCamXp
b) un sistema de navegación GNSS
c) un sistema inercial IMU
es que el IGN ha desarrollado una línea de producción que le permite la determinación
precisa de los parámetros de orientación externa de los fotogramas, la aerotriangulación por
haces de rayos, y finalmente, la generación de un DEM aerofotogramétrico refinado con una
resolución espacial de 5 metros y una precisión vertical submétrica.
Al igual que los DEM de la Sección 4.1.4, pueden ser descargados en:
https://www.ign.gob.ar/NuestrasActividades/Geodesia/Principal

4.2. Software
La Tabla 4.2 incluye los softwares utilizados en los procesos técnicos desarrollados para el
cumplimiento de los objetivos especificados.

Num Nombre Uso Licencia


1 TBC Procesamiento GNSS Propietaria
2 SNAP ESA InSAR Gratuito
3 QGIS GIS y salidas gráficas Open Source
4 Python Programación Open Source
Tabla 4.2: Softwares utilizados

El computador disponible es una notebook con sistema operativo Windows 10, procesador
Intel Core i7 y 12 GB de memoria RAM.

4.2.1. TBC

El TBC es un software propietario de la compañía Trimble para el procesamiento diferencial


(Sección 2.4.1) de datos GNSS mediante la aplicación de filtros de Kalman como herramien-
ta matemática. El software TBC cuenta con varias funciones como el cambio de sistema de
referencia, marco de referencia y proyección, procesamiento diferencial, correcciones en al-
turas de los instrumentales, cambio de parámetros de antenas, entre otros.
La licencia utilizada en el presente trabajo es la que viene incluida con la compra de los
receptores GNSS Trimble (Sección 4.1.1) propiedad de la FCEIA.

4.2.2. SNAP ESA

SNAP ESA es un procesador digital de imágenes que permite operar con datos de tipo raster
y vectoriales, aplicar matemática de bandas, filtros, firmas espectrales, histogramas, entre
otros. Dicho software es un desarrollo gratuito de la ESA para el procesamiento de datos
de las misiones Sentinel (actualmente los satélites Sentinel-1 y Sentinel-2), aunque también
permite el procesamiento de datos proveniente de otras misiones satelitales.

34
4.2 S OFTWARE

Este software permite procesar imágenes de tipo radar y aplicar el procesamiento InSAR
con la excepción del desenrrollado de fase para el cual se utiliza la implementación acceso-
ria SNAPHU que se ejecuta por consola.
En resumen, este software será utilizado para el procesamiento InSAR de imágenes HIMA-
GE COSMO-SkyMed y utilizando datos auxiliares de tipo raster y vectorial, como el DEM
SRTM y los límites administrativos de Rosario del portal RDA.

4.2.3. QGIS

El QGIS es un software libre para la creación de Sistemas de Información Geográfica progra-


mado en C++, Python y Qt que cuenta con herramientas para conectar a servidores de datos
raster y vectorial, matemática de bandas, cambios en los marcos de referencia, modificacio-
nes de la geometría de las imágenes raster, conversiones raster a vectorial y viceversa. Cuenta
con la posibilidad de utilizar la librería GDAL y GRASS y por lo tanto las herramientas dis-
ponibles en ésta. El QGIS es una herramienta óptima para matemática de bandas, cambios en
la distancia interpíxel, cambios en el marco de referencia, visualizaciones y salidas gráficas.

4.2.4. Python

Python [16] es un lenguaje de programación multiparadigma, multiplataforma, con licencia


de código abierto cuya filosofía hace hincapié en la legibilidad de código. Cuenta con varia-
bles de tipo matriz (array), listas (list), números flotantes (float), cadenas de caracteres (str),
tuplas de datos (tuple) útiles para el procesamiento digital de imágenes que se detallan en
la Tabla 4.3. Python cuenta con librerías especificas de álgebra de matrices, procesamiento
digital de imágenes y GIS como las especificadas en la Tabla 4.4.

Num Tipo Característica Uso


1 array Matriz Imágenes
2 list Lista de datos Puntos GNSS
3 float Números decimales Parámetros
4 str Cadena de caracteres Meta data
5 tuple Tupla de datos Meta data
Tabla 4.3: Variables de interés

Nombre Característica
numpy [17] funciones matemáticas de alto nivel para operar vectores o matrices
scipy [18] álgebra, interpolación, FFT, procesamiento de imágenes
csv Manipular archivos csv
gdal [19] lectura y escritura de formatos de datos geoespaciales y GIS
matplotlib [20] generación de gráficos a partir de arrays
os Operación con archivos y carpetas
Tabla 4.4: Librerías utilizadas en Python en la Sección 4.4

En resumen, los input data de la Sección 4.1 son manipulados mediante los formatos de dato
de la Tabla 4.3 y las herramientas de las librerías de la Tabla 4.4.

35
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO

4.3. Implementación en el área de estudio

La implementación de la metodología propuesta para el área de estudio definido en la Sec-


ción 3.1 consiste en obtener una nube de puntos de alta precisión obtenidos mediante equipos
GNSS en modo diferencial 2.4.1 para generar superficies de interpolación ( Sección 2.8). En
una etapa intermedia se aplicaron un LPF a la superficie de interpolación de primer grado
para suavizar los puntos sin derivada como aristas y vertices. Posteriormente se tomaron
las superficies de interpolación de primer y segundo grado para calcular la diferencia y el
promedio, esto es:

Di f erencia(Interpolaciones) = Altura(1o pasaba jo) − Altura(2o ) (4.1)

Altura(1o pasaba jo) + Altura(2o )


Altura(Interpolaciones) = (4.2)
2

El cálculo de la diferencia (ecuación 4.1) permitió observar qué tanto se dispersaron las
superficies entre sí y por lo tanto asumir que algunas de las dos tiene error que consecuen-
temente trasladaron al DEM ajustado, mientras que el promedio (ecuación 4.2) es el valor a
aplicar en el ajuste del DEM.
Por otro lado, se tomaron las imágenes COSMO-SkyMed de la Sección 4.1.2 de la zona de
interés y se aplicaron 2.5 para obtener el DEM de la ciudad.
Finalmente se tomaron las superficies de interpolación para calcular la diferencia y el pro-
medio, esto es:

Di f erencia(A juste) = Altura(DEM) − Altura(Interpolaciones) (4.3)

Altura(DEM) + Altura(Interpolaciones)
Altura(A juste) = (4.4)
2

4.3.1. Puntos de control

Los puntos de control serán los puntos medidos mediante GNSS en modo diferencial y vin-
culados o parte de la red Red Geodésica Acosta, Dannenberg, Tanabe (ADT).
La ciudad de Rosario cuenta con la red ADT que es el resultado de un trabajo final para
obtener el grado de Ingeniero Agrimensor en la FCEIA de la UNR. El método de medición
de la red consistió en un posicionamiento estático relativo de tres receptores a la vez, con
una sesión de 40 minutos y un intervalo de grabación de 15 segundos.
Debido al método de medición adoptado para los puntos principales de la red, se compensa-
ron triángulos independientes entre sí. Cabe aclarar que todos los triángulos tienen una base
común que está conformada por el punto F705 y UNRO (cuyas coordenadas fueron consi-
deradas conocidas). El punto UNRO es un punto RAMSAC ubicado en el techo del edificio
de la FCEIA ubicado en Pellegrini 250.
El segundo conjunto de datos son los PAF que se midieron en método diferencial en sesiones
de 40 minutos o más y con la estación permanente UNRO como base.

36
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO

4.3.1.1. Relevamiento GNSS

La campaña de medición se realizó en 3 días participando un chofer del municipio y tres


ingenieros agrimensores: Ingenieros Delorenzi, Ramires y O’Connor. En la Sección 4.3.1 se
especificaron dos de los tres conjuntos de puntos a utilizar para el ajuste y la validación. El
tercer conjunto de datos será una nube de puntos medida con receptores Trimble R6 de doble
frecuencia y doble constelación en sesiones de 3 a 10 minutos en intervalos de grabación de 5
segundos. Algunos de estos puntos forman parte de la red ADT y puntos PAF para control y
vinculación sumado a nuevos puntos geométricamente distribuidos para contar con vectores
entre puntos de aproximadamente 3 km de largo y ubicados en zonas despejadas de:

Playones deportivos municipales

Áreas cementadas o de tierra

Rotondas y avenidas

Baldíos

A solicitud de los ingenieros agrimensores de la Dirección de Cartografía Digital de la Mu-


nicipalidad de Rosario es que en algunos casos se midieron puntos auxiliares para generar
puntos de apoyo en las zonas de los puntos listados.

4.3.1.2. Procesamiento Diferencial en TBC

El procesamiento de los datos medidos en la campaña fue realizada por el profesor Gustavo
Noguera con participación del Ing. Agrimensor Guillermo O’Connor en dos medias jornadas
de trabajo, es decir, una jornada completa de procesamiento.
El primer paso en TBC es crear un proyecto nuevo con los parámetros definidos según el
IGN en el glosario del presente trabajo que son:

Parámetro Valor
Sistema de Referencia WGS84
Marco de Referencia POSGAR07
RAMSAC/POSGAR07 base UNRO
Época ITRF 05 época 2006.632
Sistema de Proyección Gauss-Krüger Argentina - 5 (EPSG:5347)
Tabla 4.5: Parámetros geodésicos utilizados

Se cargaron los datos del relevamiento donde se controlaron las alturas de antenas y se con-
tinuó con la carga de los datos de UNRO y la definición de éste como punto base para el
procesamiento. Definido el punto base UNRO y cargados con puntos relevados con sus altu-
ras es que se procesaron los vectores y se controló que todos los puntos tengan solución fija
con elipses de error debajo de los ±0,05m cuyo resultado son los puntos de la Tabla 4.6.

37
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO

Jornada Cantidad de puntos


1 13
2 28
3 34
Tabla 4.6: Cantidad de puntos resultantes por jornada de campaña

De estos puntos es necesario aclarar que algunos puntos responden a mediciones de puntos
de la red ADT y PAF para control y vinculación.

4.3.1.3. Vinculación de puntos GNSS

Los puntos ADT, PAF y el relevamiento de nuevos puntos (Sección 4.3.1.1) utilizaron como
base la estación UNRO y por lo tanto utilizan los parámetros de la Tabla 4.5. La comparación
entre los valores de altura de 3 puntos ADT y 3 puntos PAF con sus homónimos medidos
durante el relevamiento arroja valores menores al centímetro. Por lo tanto, el control de
vinculación mediante el punto UNRO es aceptable y arroja como resultado 96 puntos totales
(Figura 4.1) entre puntos ADT, PAF y relevamiento que se detallan en la Tabla 4.7.

Cantidad Uso
58 Ajuste
38 Validación
Tabla 4.7: Cantidad de puntos GNSS para el ajuste y la validación

38
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO

4.3.2. InSAR con imágenes COSMO-SkyMed en SNAP ESA

4.3.2.1. Preprocesamiento

Una vez que se inicia el SNAP ESA se cargan los pares de imágenes COSMO-SkyMed
arrastrando a la Sección Product Explorer y en la pestaña Radar/Interferometric/InSAR
Stack Overview se calcula el preprocesamiento que arroja los valores de la Tabla 4.8.

N Master Slave Perp. T Coh H.A. fDC[H]


1 21Jul2010 28Jul2010 -216.31 -7 0.31 30.39 -849.21
2 22Aug2010 30Aug2010 -200.28 -8 0.76 30.77 109.55
3 14Feb2011 07Feb2011 -35.37 7 0.46 170.72 715.28
4 04Jul2011 01Jul2011 -494.58 3 0.49 12.17 216.26
5 07Nov2012 11Nov2012 -336.38 -4 0.48 17.96 458.88
6 24Apr2013 20Apr2013 699.37 4 0.21 -8.63 696.34
7 29Oct2013 26Oct2013 401.02 3 0.39 -15.04 -570.30
8 05Apr2019 09Apr2019 651.80 -4 0.20 -9.25 -777.73
Tabla 4.8: Resultado del preprocesamiento en SNAP ESA (en rojo los mejores pares)

4.3.2.2. Implementando los procesos InSAR en SNAP ESA

Con los mejores resultados del preprocesamiento (resaltados en rojo en la Tabla 4.8) se
realizó el proceso InSAR siguiendo la secuencia y los parámetros de las Tablas 4.9, 4.10,
4.11 y 4.12. Sin embargo, para el proceso final fue seleccionado el par Nº 2 de la Tabla 4.8.
Es interesante resaltar que todos los procesos InSAR en SNAP ESA pueden aplicarse con
distintas opciones y son:

cada proceso individual en el menú Radar

automatizando procesos con GraphBuilder o Bathc Processing en el menú Tools

corriendo por consola los procesos utilizando como base los archivo .xml generados al
guardar los procesos en la herramienta GraphBuilder

Estas opciones fueron enlistadas por orden de automatización de menor a mayor y cada una
tiene sus ventajas y desventajas. El autor utilizó los primeros dos porque el tercero generaba
errores en el computador utilizado (Sección 4.2).

39
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO

Proceso Parámetro Valor


Corregistration N° of GCP´s 20000
Corregistration Test CGPs are on land -
Corregistration Apply fine Registration SLCs X
Corregistration Estimate Initial Coarse Offset -
Corregistration Coarse Window Width 128
Corregistration Coarse Window Height 128
Corregistration Row interpolation Factor 4
Corregistration Col interpolation Factor 4
Corregistration Max Iterations 10
Corregistration GCP Tolerance 0,25
Corregistration Fine Window Width 32
Corregistration Fine Window Height 32
Corregistration Coherence Threshold 0,6
Corregistration Cross Correlation based registration X
Corregistration Fine accuracy in Azimuth 16
Corregistration Fine accuracy in Range 16
Corregistration Coherence based registration -
Corregistration RMS Threshold ( pixel accuracy) 0,001
Corregistration Warp Polynomial Order 1
Corregistration Interpolation Method CubicConv(6pts)
Corregistration Show residuals X
Interferogram Substract flat- earth phase X
Interferogram Degree of Flat Earth polynomial 5
Interferogram Number of Flat Earth estimation points 1001
Interferogram Orbit interpolation degree 5
Interferogram Include coherence estimation X
Interferogram Square Pixel X
Interferogram Independent Window Sizes -
Interferogram Coherence Range Window Size 10
Interferogram Coherence Azimuth Window Size 11
Tabla 4.9: Parámetros a ingresar en SNAP ESA para el corregistro e interferograma

Proceso Parametro Valor


Goldstein Adaptative Filter Exponent in (0,1] 1
Goldstein FFT Size 64
Goldstein Window Size 3
Goldstein Use Coherence mask -
Goldstein Coherence Threshold in (0,1] 0,2
Multilooking GR Square Pixel X
Multilooking Independent Looks -
Multilooking Number of Range Looks 4
Multilooking Number of Azimuth Looks 4
Multilooking Mean GR Square Pixel 8,28
Multilooking Output Intensity -
Tabla 4.10: Parámetros a ingresar en SNAP ESA para aplicar el filtro de Goldstein y Multilooking

40
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO

Figura 4.5: Interferograma y coherencia interferométrica para el par seleccionado. Fuente: Elaboración propia

Proceso Parametro Valor


Snaphu Export Statistical - cost mode DEFO
Snaphu Export Initial method MCF
Snaphu Export Number of Tile Rows 1
Snaphu Export Number of Tile Columns 1
Snaphu Export Number of Processors 4
Snaphu Export Row Overlap 0
Snaphu Export Column Overlap 0
Snaphu Export Tile Cost Threshold 500
Tabla 4.11: Parámetros a ingresar en SNAP ESA para generar el interferograma enrollado

41
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO

Figura 4.6: Ejecución de SNAPHU del archivo a desenrollar. Fuente: Elaboración propia

Proceso Parametro Valor


Phase To Elevation Digital Elevation Model SRTM 1sec HGT
Phase To Elevation DEM Resampling Method Bilinear_interpolation
Terrain Correction Source Bands Elevation
Terrain Correction Digital Elevation Model SRTM 1sec HGT
Terrain Correction DEM Resampling Method Bilinear_interpolation
Terrain Correction Image Resampling Method Bilinear_interpolation
Terrain Correction Source GR Pixel Spacings 7.85(m)x8.71(m)
Terrain Correction Pixel Spacing(m) 9
Terrain Correction Pixel Spacing(deg) 8,0848
Terrain Correction Map Projection WGS84(DD)
Terrain Correction Mask out areas without elevation X
Terrain Correction Output complex data -
Terrain Correction Selected source band X
Terrain Correction DEM X
Terrain Correction Latitude & Longitude -
Terrain Correction Incidence Angle from ellipsoid -
Terrain Correction Local incidence angle -
Terrain Correction Projected local incidence angle -
Terrain Correction Apply radiometric normalization -
Tabla 4.12: Parámetros a ingresar en SNAP ESA para obtener elevación y corregir la geometria de adquisición

Como resultado de los procesos aplicados en la Tabla 4.9 se obtiene un stack de imágenes co-
rregistrado (Sección 2.5.10) con la imagen de coherencia interferométrica (Sección 2.5.5.1)
y la imagen del interferograma (Sección 2.5). La Tabla 4.10 aplica un filtro de Goldstein y
realiza un multilooking de 4 miradas tanto en rango como en azimuth (Sección 2.5.8).

42
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO

El proceso de la Tabla 4.11 se aplicó desde la pestaña Radar/Interferometric/Produc-


ts/Unwrapping/Snaphu Export para exportar la fase enrollada y correr por consola el des-
enrollado mediante el Snaphu (Sección 2.5.9). Los pasos para ejecutar Snaphu fueron:

Bajar Snaphu desde:


https://step.esa.int/main/third-party-plugins-2/snaphu/

Descomprimir el archivo descargado y ubicar el directorio bin

Copias los archivos resultantes de proceso de la Tabla 4.11 en el directorio bin men-
cionado en el punto anterior

Escribir en consola: cd DireccionCompleta Directorio in

Abrir el archivo snaphu.conf y copiar el comando en dicho archivo similar a: snaphu−


f snaphu.con f Phase_HH_22Aug2010_30Aug2010.snaphu.img6342

Copiar en consola el comando copiado en el punto anterior

El proceso de la Figura 4.6 crea en el directorio bin trabajado un nuevo archivo de fase
desenrollada que debe ser cargado en SNAP ESA desde la pestaña ubicada en Radar/Inter-
ferometric/Products/Unwrapping/Snaphu Import La Tabla 4.12 contiene los parámetros
para convertir de fase a elevación a partir de la altura de ambigüedad (2.15) y la corrección
de la geometría de adquisición lateral propia del radar (Sección 2.5.3).

4.3.3. Sobre los resultados en relación a las distorsiones geométricas

En áreas urbanas y sobre todo en áreas de edificaciones en altura se presentan casos de


distorsiones geométricas que podrían resolverse aplicando un script que calcule los puntos
con posibles deformaciones y los elimine o reemplace para, de esta forma, no incluir estos
datos con error en el modelo.

4.3.4. Ediciones previas del modelo a validad y ajustar

El resultado de la Sección 4.3.2.2 es una imagen con píxeles de altura (notar que si bien po-
dríamos decir que es un DEM es necesario al menos una comparación con datos del objeto a
representar para poder afirmar que es un modelo del mismo) de la escena total y es necesario
recortar las áreas límite de la Ciudad de Rosario. Para esto hacemos:

Descargar limites de:


https://datos.rosario.gob.ar/

Cargar límites desde la pestaña Vector/Import

Enmascarar el resultado de 4.3.2.2 en Raster/Mask/Land Sea Mask

El resultado es una imagen con elementos NaN y valores de altura en los píxeles dentro de
los límites del municipio.
El paso siguiente es exportar la imagen con su respectiva georeferencia y esto se hace selec-
cionando el valor resultante y clickeando la pestaña File/Export/GeoTiff.

43
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO

4.3.5. Remuestreo de un DEM

La imagen saliente desde SNAP ESA tiene una distancia interpíxel de 7,85 m x 8,71 m que se
puede observar en la Tabla 4.12 y esto surge por aplicar un multilooking de 4 en ambos. Para
facilitar los cálculos es que se definió utilizar un píxel de 10 metros y por eso es que se hace
necesario remuestrear los píxeles a este valor además de convertir de WGS84 a POSGAR07.
Este proceso se realizó en QGIS ya que es más amigable y versátil que el SNAP ESA. No
obstante, podrá notar el lector que la aplicación del multilooking (Sección 2.5.8) no es un
remuestreo (Sección 2.7) pero si termina generando un cambio en la distancia interpíxel. En
resumen, se aplicó un multilooking, un remuestreo en distancia interpíxel y una conversión
de sistema geodésico.

4.3.6. Bandeado vertical en los resultados InSAR

Notará el lector el bandeado vertical en las imágenes de la Figura 4.5 y se preguntará el moti-
vo. En principio se consideró la posibilidad de un movimiento en la plataforma que derivó en
un movimiento uniforme del sensor, aunque, vuelto a procesar con la misma notebook (Sec-
ción 4.2) el mismo par y con el mismo SNAP ESA arrojó valores distintos. Sin embargo, fue
utilizada la imagen con bandeado para el proceso de la Sección 4.4 porque al momento de
implementar el ajuste y la validación no se había hecho ese reprocesamiento.

4.3.7. Control de resultados por comparación

En el QGIS se compararon los resultados del DEM COSMO-SkyMed (Figura 4.7) con el
DEM SRTM y el DEM aerofotogramétrico del IGN todos llevados a resolución de 10 metros
como se especifica en la Sección 4.3.5. Notar que SRTM es banda L y el DEMIGN es un
modelo obtenido mediante fotogrametría y el DEM COSMO-SkyMed en banda X pero a
fines de la comparación es útil.

44
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO

Figura 4.7: Resultado del proceso InSAR con distancia interpíxel de 10 metros en POSGAR07 y los puntos
GNSS. Nota: las cruces representan la cuadricula con una distancia de 2,5kilometros. Fuente: Elaboración
propia

45
4.4 A JUSTE Y VALIDACIÓN

4.4. Ajuste y validación


Siguiendo el concepto de modelo definido en la Sección 2.9 es que la presente sección define
al objeto de estudio como la superficie topográfica. El resultado del proceso InSAR como el
modelo de dicho objeto y la validación mediante datos GNSS como instancia para determi-
nar la representatividad o no del modelo. Mientras que las superficies de interpolación se
consideran una propuesta de cálculo a partir de datos reales que mejoren los resultados en
la instancia de validación y por lo tanto de la representatividad. El programa utilizado es
diseñado por el equipo de trabajo utilizando el lenguaje de programación Python y utilizan-
do las librerías citadas en la Sección 4.2.4. El mismo consiste de 19 funciones creadas por
el usuario que llaman a funciones de las librerías mencionadas. Las funciones se utilizan
en distintas instancias del algoritmo implementado de la Figura 4.8 y se basa en el trabajo
realizado en 2003 por Euillades y otros [3].

4.4.1. Inicio del programa

El programa consta de dos scripts y son:

Nombre Característica
call_CAAF.py main o principal
CAAF.py Funciones
Tabla 4.13: Scripts desarrollados para los procesos de la Sección 4.4

NOTA: CONAE ASI ASR FAMAF (CAAF) es un acrónimo utilizado para asignar el nombre
a los scripts en referencia a las principales instituciones participantes.
Las primeras líneas de código del script 4.1 describen los procesos que se realizan desde el
mismo, carga la librería CAAF y crea los valores genéricos que pueden ser modificados si
es necesario.
1 # This script have different block, these are:
2 # 17# Generic values
3 # 18# calling functions to adjustment
4 # 19# calling functions to validation
5 # 20# calling functions to show graphics
6 # 21# calling functions to save
7 # 22# call of functions for statistical analysis
8
9 import CAAF
10
11 ####################################################################
12 # 17# Generic values
13 ####################################################################
14 kernel = 7
15 run = ’y’
16 mov = 3
17 shower = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12,
13,14,15,16,17,18,19]
18 #0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13,15,16,17,18,19
19 directory = ’C:\\Users\\jorge\\Desktop\\05_Python\\’
20 dir_saved = directory
21 dir_input = directory+’CSK_10m.tif’
22 dir_csv =(directory+’adjustment.csv’,directory+’validation.csv’)

46
4.4 A JUSTE Y VALIDACIÓN

23

24 to_save = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12,


13,14,15,16,17,18,19]
25 titles=(’00 CSK original’,’01 CSK moved in XY, Z and filled with LPF’
,
26 ’02 First degree spline’,’03 First degree spline with low pass
filter’ ,
27 ’04 Cubic Spline surface’
,
28 ’05 Difference first degree spline LPF and CSK filled’
,
29 ’06 Mean first degree spline LPF and CSK filled’
,
30 ’07 Difference cubic spline and CSK filled’
,
31 ’08 Mean cubic spline and CSK filled’
,
32 ’09 Difference first degree spline LPF and cubic spline’
,
33 ’10 Mean first degree spline LPF and cubic spline’
,
34 ’11 Difference first degree spline with LPF and without’
,
35 ’12 Mean first degree spline with LPF and without’
,
36 ’13 Difference 10 and CSK Filled’,’14 Mean 10 and CSK Filled’
,
37 ’15 Difference 10 and CSK Filled’,’16 Mean 10X.25 and CSK FilledX
.75’ ,
38 ’17 Difference 14 and 16’,’18 Image Resulting with 0’
,
39 ’19 Image Resulting with nan’ )
40 namef=’02_results’
41 #generic values
42 ####################################################################
43 # 17# Generic values
44 ####################################################################
Script 4.1: Importar CAAF en el script main o principal

Las primeras líneas del script 4.2 importan las librerías a utilizar y describen brevemente qué
hace cada función utilizada en el programa.
1 import numpy as np
2 import scipy as sp
3 import csv
4 import gdal
5 import matplotlib.pyplot as plt
6 import os
7

8 # This script have different functions, these are:


9 # 1# Open CSV
10 # 2# Generate list of coordinate
11 # 3# Read and extraction of the geo spatial information
12 # 4# List to array on local coordinate
13 # 5# Correlation values CSK and GNSS
14 # 6# Rood mean square
15 # 7# delta_XY
16 # 8# Validation of movement on XY
17 # 9# Z Difference
18 # 10# Create interpolation and spline surface

47
4.4 A JUSTE Y VALIDACIÓN

19 # 11# LPF
20 # 12# Adjustment
21 # 13# Save a image with spatial information
22 # 14# Plots
23 # 15# Statistics
24 # 16# Organizing
Script 4.2: Librerías importadas en el script CAAF.py

Es importante resaltar que tanto en el script 4.1 como en el 4.2 son sólo las primeras líneas
de dichos scripts y no la totalidad de los mismos.

Figura 4.8: Algoritmo de trabajo desarrollado. Fuente: Elaboración propia

48
4.4 A JUSTE Y VALIDACIÓN

4.4.2. Ejecutar el ajuste de datos

El proceso de ajuste se inicia con la carga del archivo de extensión .csv que contiene los
puntos GNSS (58 puntos en total según la Tabla 4.7) y la imagen DEM COSMO-SkyMed
resultante del proceso InSAR ( Sección 4.3.2). Con las características geométricas de la ima-
gen crea una grilla de iguales características y datos sólo en los píxeles que coinciden con un
punto GNSS y con estos dos generará dos interpolaciones: un spline de primer grado y un
spline cúbico (para simplificar nombres le llamaremos SA-SC. En el caso de la interpolación
lineal por partes (spline de primer grado) se aplica un LPF (Sección 2.10.2) ya que obtiene
vértices y aristas que no existen en el terreno (que a partir de aquí llamaremos SA-SL-LPF).
Por otro lado, la imagen DEM es filtrada en valores mayores a 20 metros y esos valores son
rellenados con una imagen auxiliar creada a partir de un LPF a la misma imagen DEM.
El proceso de ajuste comienza con la georreferenciación en las coordenadas (x, y) y se aplica
buscando el menor RMSE entre las diferencias entre los píxeles del DEM COSMO-SkyMed
y los píxeles con altura GNSS desplazando estos últimos en la primera y segunda vecindad.
El menor valor resultante fue el obtenido desplazando la imagen DEM un píxel al oeste y
cero en sentido norte-sur. Lo dicho anteriormente implica que el DEM COSMO-SkyMed se
ha desplazado 10 metros a la derecha y esto representa un excelente resultado de georeferen-
ciación. El paso siguiente consistió en calcular el error en la coordenada (z) que se definió
como la media de las diferencias entre los píxeles DEM COSMO-SkyMed y los píxeles con
dato GNSS cuyo resultado fue 1,66 metros y por lo tanto se restó a toda la imagen −1,66
metros. RE resultado es una imagen corregida en las coordendas (X,Y,Z) y que para simpli-
ficar nombres llamaremos CSK-LPF-GR.
Posteriormente se filtraron las tres superficies, es decir, la SA-SL-LPF, SA-SC y CSK-LPF-
GR entre si para verificar que en cada una de las tres tenga dato y donde no hay dato no haga
ajustes.
Como instancias de control en los resultados se aplican la media y la diferencia entre SA-
SL-LPF y SA-SC y; SA-SL-LPF y SA-SC con CSK-LPF-GR para evaluar si las imágenes
interpoladas guardan o no relación con el DEM.
La instancia de ajuste en sí mismo consiste en calcular la media entre CSK-LPF-GR con la
media resultante entre SA-SL-LPF y SA-SC.

4.4.3. Ejecutar la validación de datos

Los primeros pasos de la validación son similares al ajuste, donde el programa carga del
archivo de extensión .csv que contiene los puntos GNSS (38 puntos en total según la Tabla
4.7) y la imagen que ingresa será el DEM COSMO-SkyMed ajustado que se obtuvo en la
Sección 4.4.2.

4.4.4. Ventanas gráficas y almacenamiento

Todos los productos son desplegados en ventanas individuales y almacenados con su respec-
tiva especificación de nombre en la variable titles del bloque Generic Values que se visualiza
en el script 4.1. No obstante, siendo valores genéricos, pueden ser modificados por el usuario
para visualizar y/ o guardar sólo los resultados de interés.

49
CAPÍTULO 5

Resultados

5.1. Python
Los resultados de las Secciones 4.3.2 y 4.3.1.2 son los input de la Sección 4.4 para obtener las
visualizaciones de las 20 Figuras 5.1-5.20 donde las escalas inferior e izquierda representan
las coordenadas en la matriz de la imagen y la escala de colores de la derecha representan las
alturas de los píxeles en metros. Estas visualizaciones se obtienen a partir de las imágenes
.tif que conservan la meta data de la imagen DEM original y por lo tanto son imágenes
georreferenciadas en el marco de referencia POSGAR07.

50
5.1 P YTHON

Figura 5.1: Proceso de Python 0

Figura 5.2: Proceso de Python 1

51
5.1 P YTHON

Figura 5.3: Proceso de Python 2

Figura 5.4: Proceso de Python 3

52
5.1 P YTHON

Figura 5.5: Proceso de Python 4

Figura 5.6: Proceso de Python 5

53
5.1 P YTHON

Figura 5.7: Proceso de Python 6

Figura 5.8: Proceso de Python 7

54
5.1 P YTHON

Figura 5.9: Proceso de Python 8

Figura 5.10: Proceso de Python 9

55
5.1 P YTHON

Figura 5.11: Proceso de Python 10

Figura 5.12: Proceso de Python 11

56
5.1 P YTHON

Figura 5.13: Proceso de Python 12

Figura 5.14: Proceso de Python 13

57
5.1 P YTHON

Figura 5.15: Proceso de python 14

Figura 5.16: Proceso de Python 15

58
5.1 P YTHON

Figura 5.17: Proceso de Python 16

Figura 5.18: Proceso de Python 17

59
5.1 P YTHON

Figura 5.19: Proceso de Python 18

Figura 5.20: Proceso de Python 19

Las Figuras 5.21 y 5.22 son los histogramas resultantes de calcular las diferencias entre el
DEM COSMO-SkyMed previo y posterior al proceso de ajuste y validación de la Sección

60
5.2 H ISTOGRAMAS EN QGIS

4.4, es decir, las imágenes de la Figuras 5.1 y 5.20, respectivamente.

5.1.1. Cálculos estadísticos

Los cálculos estadísticos de valores extremos, cuartiles, media y desviación estándar son
calculados para el DEM COSMO-SkyMed que ingresa luego del desplazamiento lineal en la
coordenada (z). Los resultados de este proceso se pueden visualizar en la Tabla 5.1.

Imagen Mínimo 1° cuartil Promedio 3° cuartil Máximo Desv. Stand


1 -9,73 -0,73 1,66 4,71 8,09 3,66
2 -11,39 -2,39 0,00 3,04 6,43 3,66
3 -3,19 -0,72 0,85 2,37 6,02 2,19
Tabla 5.1: Resultado del cálculo de errores del 1) DEM original, 2) desplazado en (x,y) y (z) y 3) ajustado

5.2. Histogramas en QGIS


Los histogramas de esta sección son el resultado de aplicar dicho proceso a las diferencias
entre en DEM COSMO-SkyMed original y el DEM aerofotogramétrico IGN. La Figura 5.21
hace la diferencia con el DEM COSMO-SkyMed previo al ajuste y la Figura 5.22 lo hace
con el posterior al ajuste.

61
5.2 H ISTOGRAMAS EN QGIS

Figura 5.21: Histograma de dif. DEM COSMO-SkyMed original y el DEM aerofotogramétrico IGN

Figura 5.22: Histograma de dif. DEM COSMO-SkyMed ajustado y el DEM aerofotogramétrico IGN

62
CAPÍTULO 6

Conclusiones

En este capítulo se presentan las conclusiones arribadas a partir de los objetivos inicialmente
propuestos, los fundamentos teóricos, las suposiciones y los resultados obtenidos en el tra-
bajo. En algunas ocasiones resulta difícil reconocer donde están los supuestos no asumidos
como considerar el marco teórico correcto, errores en los procesos o interpretar los resulta-
dos con miradas parciales o muy generales. Se intentará ser lo más preciso y exacto posible
para aportar información que sea de interés y utilidad al lector.

6.1. Análisis de resultados

6.1.1. Input/output - GNSS

Los datos de la red ADT son una red geodésica que cuenta con mediciones dobles de cada
vector de los triángulos y además fueron ajustados mediante el método de cuadrados míni-
mos.
Los datos del relevamiento diferencial fueron procesados con la ayuda del Profesor Gustavo
Noguera. Tanto para ADT como para PAF, se relevaron 3 puntos como instancia de control
con deltas menores a ±0,02 metros. Se relevaron 3 puntos ADT asumiendo la posibilidad de
tener un error en la altura de la antena o un movimiento del suelo debido a los fenómenos
de subsidencia y solevamiento mencionados en la Sección 3.3 pero, como se mencionó, los
deltas siempre fueron menores a ±0,02 metros. Estos valores resultan insignificantes a los
fines del presente trabajo y por lo tanto se asumen aceptables los datos GNSS.

6.1.2. Input/output - InSAR

El proceso InSAR se hizo con el software gratuito SNAP ESA diseñado específicamente
para procesar datos de las misiones Sentinel aunque, en este trabajo, se utilizaron datos
COSMO-SkyMed. Los resultados obtenidos se consideran aceptables y prometedores, sin

63
6.2 S OBRE LOS OBJETIVOS

embargo posiblemente podrían ser optimizados con algún software específico que permita
realizar todo el proceso en un mismo software puesto que en el SNAP ESA no está imple-
mentado el desenrrollado de fase.

6.1.3. El ajuste y la validación

El planteo de ajuste se realizó con una implementación programada en Python que, asumien-
do al conjunto de puntos GNSS como suficientes, indican una mejora en el modelo y por lo
tanto aceptables. La imagen de la Figura 5.10 indica zonas con diferencias positiva entre −6
metros y +4 metros entre las superficies de interpolación lineal por partes LPF y el spline
cúbico generadas en la Sección 4.4.2. Asumiendo que algunas de las dos estuviera cercana
a la realidad topográfica y la otra totalmente alejada, estaría agregando un error de −3 me-
tros hasta +2 metros. Esta situación se produce por ser una zona con cambios de pendiente
abruptos y se podría solucionar con densificaciones de puntos GNSS.
Las imágenes de las Figuras 5.21 y 5.22 indican una variación de la media cercana a 0,00
metros aproximadamente, a un valor cercano a −2,5 metros. Esto puede estar indicando un
valor demasiado grande en el ajuste en la coordenada (z) o un valor distinto debido a que
las superficies de interpolación intentan ser representaciones de valores cercanos al suelo,
y los radar en banda X como el COSMO-SkyMed interactúan con retrodispersores como
construcciones, árboles o vehículos. Además, las mismas imágenes de las Figuras 5.21 y
5.22 indican que la media aumentó de frecuencia y varió de una curva simétrica a una curva
asimétrica positiva.

6.2. Sobre los objetivos


Recordando el objetivo general de la Sección 1.1:

Crear una metodología completa para obtener modelos digitales de elevación en áreas
urbanas mediante imágenes SAR satelitales y ajustados mediante datos GNSS medidos
en campo.

y los objetivos específicos:

1. Generar un DEM mediante InSAR con datos COSMO-SkyMed en la ciudad de Rosa-


rio.

2. Georreferenciar un DEM mediante la comparación en los valores de altura respecto a


datos GNSS medidos en campo.

3. Ajustar un DEM a partir de superficies generadas mediante datos GNSS medidos en


campo.

4. Validar un DEM a partir de la comparación con datos GNSS medidos en campo.

5. Calcular las diferencias entre un DEM InSAR y datos GNSS medidos en campo.

y, en función de lo descripto en el Análisis de resultados de la Sección 6.1 se asume cum-


plidos los objetivos.

64
CAPÍTULO 7

Formación y Difusión

Como parte de la maestría se desarrollaron actividades de formación y divulgación relacio-


nadas a la temática de la presente tesis.

7.1. Summer School 2019 - IEEE GRSS IFT-R3S


En julio de 2019 se desarrolló el 3rd Institute of Space Sciences Summer School - 1st IEEE
GRSS Instrumentation and Future Technologies Remote Sensing Summer School (IFT-R3S)
en el Institute of Space Sciences de la Universitat Autònoma de Barcelona (UAB), Belate-
rra, España. Los ejes temáticos de dicha Summer School fueron SAR, InSAR, reflectometría
GNSS y Lidar. Estos ejes revestían particular interés para la presente tesis y por este motivo
el maestrando aplicó para participar como oyente con el aval y autorización de sus tutores de
la ASI. La Summer School permitió afianzar los conocimientos sobre SAR, InSAR, nuevos
usos de los GNSS, programación en Python, idioma inglés, interacción con otros investiga-
dores y líneas de trabajo.

7.2. XII Congreso Nacional de Agrimensura


El mes de octubre del año 2019 reunió a profesionales de la Agrimensura y Afines vincula-
dos a la investigación, gestión pública, docencia y actividad particular, para celebrar el XII
Congreso Nacional de Agrimensura en la ciudad de Mendoza, Argentina. El comité orga-
nizador, mediante la FADA, invitó al maestrando a realizar una disertación y la publicación
de un artículo científico (http://congreso.agrimensuramza.com/#trabajos)
ambos relacionados a la presente tesis.

65
CAPÍTULO 8

Trabajos Futuros

Sobre los input


En relación a los datos de entrada se podría aumentar la cantidad de datos GNSS de campo
considerando en la distribución de puntos a los cambios de pendiente del terreno, procesar
imágenes COSMO-SkyMed en modo Spotlight y procesar imágenes SAOCOM en modo
StripMap.
Sobre el ajuste
Otras opciones interesantes a ser consideradas serían aplicar cuadrados mínimos, kriging u
otros en el ajuste.
Sobre los softwares
Las licencias de software son muy caras y por lo tanto se podría programar la implementa-
ción de la metodología completa en un mismo lenguaje como Python para seguir la línea de
trabajo. Además, se podría programar una interfaz gráfica con botoneras, ayudas y sugeren-
cias que sean amigables para el usuario.
Sobre el análisis de errores
Sólo se aplicó el momento de primer y segundo orden que son la media y la desviación
estándar, pero podrían aplicarse los momentos de orden tres y cuatro que serían la simetría y
la curtosis.
Sobre nuevas implementaciones
Python cuenta con librerías y funciones de inteligencia artificial que se podrían aplicar para
optimizar sobre todo las áreas donde las superficies de ajuste se distancian entre sí y definir
cuáles serían las mejores superficies de ajuste.

66
Referencias bibliográficas

[1] T. G. Farr, P. A. Rosen, E. Caro, R. Crippen, R. Duren, S. Hensley, M. Kobrick, M. Pa-


ller, E. Rodriguez, L. Roth, et al., “The shuttle radar topography mission,” Reviews of
geophysics, vol. 45, no. 2, 2007.

[2] W. Koppe, L. Henrichs, and P. Hummel, “Assessment of worlddemtm global elevation


model using different references,” in 2015 IEEE International Geoscience and Remote
Sensing Symposium (IGARSS), pp. 5296–5299, July 2015.

[3] P. Euillades and M. Vénere, “Corrección de modelos de elevación en base a un con-


junto de puntos seguros,” Revista Internacional de Métodos Numéricos para Cálculo y
Diseño en Ingeniería, vol. 19, no. 1, pp. 33–44, 2003.

[4] E. Huerta, A. Mangiaterra, and G. Noguera, GPS: posicionamiento satelital. Rosario,


Santa Fe, Argentina: UNR Editora, firsth ed., 2005.

[5] A. A. Stahlschmidt, “Disposición marco posgar07,” tech. rep., Boletin Oficial Argenti-
na, 2009.

[6] G. Acosta, G. Dannenberg, and G. Tanabe, Red Geodesica para la Ciudad de Rosario.
2011.

[7] R. F. Hanssen, Radar interferometry. Springer Science & Business Media, dec 2001.

[8] I. Baran, M. Stewart, B. Kampes, Z. Perski, and P. Lilly, “A modification to the golds-
tein radar interferogram filter,” IEEE Transactions on Geosience and Remote Sensing,
vol. 41, pp. 1–5, 10 2003.

[9] C. Fiorentino and M. Virelli, COSMO-SkyMed Mission and Products Description. Ita-
lian Space Agency, 2016.

[10] I. S. Agency, COSMO SkyMed SAR Products Handbook. Agenzia Spaziale Italiana,
2007.

[11] K. Xu, Q. Tian, Y. Yang, Y. Jibo, and S. Tang, “How up-scaling of remote-sensing ima-
ges affects land-cover classification by comparison with multiscale satellite images,”
International Journal of Remote Sensing, pp. 1–27, 10 2018.

67
REFERENCIAS BIBLIOGRÁFICAS

[12] E. W. Cheney and D. R. Kincaid, Numerical Mathematics and Computing. USA:


Brooks/Cole Publishing Co., 6th ed., 2007.

[13] C. B. Barber, D. P. Dobkin, and H. Huhdanpaa, “The quickhull algorithm for convex
hulls,” ACM Transactions on Mathematical Software, vol. 22, no. 4, pp. 469–483, 1996.

[14] G. E. Fasshauer, Meshfree approximation methods with MATLAB, vol. 6. World Scien-
tific, 2007.

[15] IGN, “Modelo Digital de Elevaciones de la República Argentina MDE-Ar,” 2014.

[16] G. Van Rossum and F. L. Drake Jr, Python tutorial. Centrum voor Wiskunde en Infor-
matica Amsterdam, The Netherlands, 1995.

[17] T. Oliphant, “NumPy: A guide to NumPy.” USA: Trelgol Publishing, 2006–. [Online;
accessed <today>].

[18] E. Jones, T. Oliphant, P. Peterson, et al., “SciPy: Open source scientific tools for Pyt-
hon,” 2001–. [Online; accessed <today>].

[19] GDAL/OGR, “GDAL/OGR geospatial data abstraction software library,” 2019.

[20] J. D. Hunter, “Matplotlib: A 2d graphics environment,” Computing in Science & Engi-


neering, vol. 9, no. 3, pp. 90–95, 2007.

68

También podría gustarte