O'Connor, J. G. Metodología para Ajuste y Validación de DEMs InSAR en Áreas Urbanas Con Datos GNSS
O'Connor, J. G. Metodología para Ajuste y Validación de DEMs InSAR en Áreas Urbanas Con Datos GNSS
O'Connor, J. G. Metodología para Ajuste y Validación de DEMs InSAR en Áreas Urbanas Con Datos GNSS
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
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.
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
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
GK Proyección Gauss-Krüger
NaN No un Número
RS Remote Sensing
Introducción
1.1. Objetivos
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
5. Calcular las diferencias entre un DEM InSAR y datos GNSS medidos en campo.
2
CAPÍTULO 2
Marco Teórico
2.1. Antecedentes
3
2.2 E RROR EXPERIMENTAL DEL CASO DE ESTUDIO
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).
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
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).
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]
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 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:
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
Los sistemas GNSS como por ejemplo el NAVSTAR-GPS, constan de 3 segmentos bien
definidos (Figura 2.4):
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.
Los sistemas GNSS están sujetos a varios tipos de errores que generan una degradación en
el resultado final y son:
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.
8
2.4 M ARCO G EODÉSICO A RGENTINO
Figura 2.5: Red Argentina de Monitoreo Satelital Continuo (RAMSAC) en POSGAR07. Fuente: IGN
9
2.4 M ARCO G EODÉSICO A RGENTINO
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
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.
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).
11
2.5 O BTENCIÓN DE UN DEM MEDIANTE I N SAR
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.
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
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:
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:
13
2.5 O BTENCIÓN DE UN DEM MEDIANTE I N SAR
θ ángulo de mirada
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
4π
∂ φp = − ∂ ∆R (2.10)
λ
4π
∂ φp = − B cos(θ 0 − a)∂ θ (2.13)
λ
λ R1p sinθ p0
Hp = − ∂ φp (2.14)
4πB0⊥,p
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
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:
γDC : decorrelación Centroide Doppler, causada por la diferencia en los centroides Dop-
pler de dos adquisiciones.
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.
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.
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.
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.
17
2.6 L A MISIÓN COSMO-S KY M ED
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.
18
2.7 R EMUESTREO DE DATOS RASTER
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
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.
20
2.8 M ÉTODOS DE INTERPOLACIÓN
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
Hay una partición del intervalo a = t0 < t1 < < tn = b tal que S es un polinomio lineal
en cada subintervalo [ti ,ti+1 ].
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.
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.
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:
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
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.
24
2.10 P ROCESAMIENTO 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
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:
26
CAPÍTULO 3
Área de estudio
Sur: ciudad conurbada de Villa Gobernador Gálvez (separado por el río Saladillo).
27
3.2 C ARACTERÍSTICAS URBANÍSTICAS
28
3.3 C ARACTERÍSTICAS AMBIENTALES
Figura 3.2: Izquierda:Rosario en Santa Fe; Derecha: Limite de la ciudad de Rosario. Fuente: Elaboración
propia
29
CAPÍTULO 4
Metodología e implementación
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
31
4.1 I NPUT DATA
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
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.
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
Filtrado espacial
Enmascarado de límites
33
4.2 S OFTWARE
4.2. Software
La Tabla 4.2 incluye los softwares utilizados en los procesos técnicos desarrollados para el
cumplimiento de los objetivos especificados.
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
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
4.2.4. Python
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
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:
Altura(DEM) + Altura(Interpolaciones)
Altura(A juste) = (4.4)
2
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
Rotondas y avenidas
Baldíos
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
De estos puntos es necesario aclarar que algunos puntos responden a mediciones de puntos
de la red ADT y PAF para control y vinculación.
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
4.3.2.1. 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.
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:
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
40
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO
Figura 4.5: Interferograma y coherencia interferométrica para el par seleccionado. Fuente: Elaboración propia
41
4.3 I MPLEMENTACIÓN EN EL ÁREA DE ESTUDIO
Figura 4.6: Ejecución de SNAPHU del archivo a desenrollar. Fuente: Elaboración propia
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
Copias los archivos resultantes de proceso de la Tabla 4.11 en el directorio bin men-
cionado 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).
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:
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
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.
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.
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
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
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
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.
48
4.4 A JUSTE Y VALIDACIÓN
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.
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.
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
51
5.1 P YTHON
52
5.1 P YTHON
53
5.1 P YTHON
54
5.1 P YTHON
55
5.1 P YTHON
56
5.1 P YTHON
57
5.1 P YTHON
58
5.1 P YTHON
59
5.1 P YTHON
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
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.
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.
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.
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.
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.
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.
5. Calcular las diferencias entre un DEM InSAR y datos GNSS medidos en campo.
64
CAPÍTULO 7
Formación y Difusión
65
CAPÍTULO 8
Trabajos Futuros
66
Referencias bibliográficas
[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
[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.
[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>].
68