auTOmaTIsmO en la TeCnOlOgÍa mObIle
mappIng.
auTOres: Juan mIguel alvarez, vICenTe de la Cruz, IñakI JImenez.
100. lOs prOCesOs de exTraCCIón de InFOrmaCIón a un pasO del auTOmaTIsmO en la TeCnOlOgÍa mObIle mappIng.
TOPCART 2016: Observación del Territorio.
Fase de recogida de información
La primera optimización del proceso comienza con el propio uso de la tecnología Mobile Mapping como fuente de captura. Pasamos de una toma de datos discreta, basada en metodologías topográficas clásicas, a una toma de datos masiva apoyada en imágenes 360º y nube de puntos. Reduciendo en un 70% el proceso de captura.
Figura 1: Fases en la captura de información
Fundamentos de Mobile Mapping
La tecnología Mobile Mapping consiste en el fotografiado y escaneado de una trayectoria seguida por un conjunto inte- grado de sensores, como pueden ser cámaras fotográficas, escáneres láser, Radar, Lidar, etc. normalmente montado en un coche o todo terreno, aunque también puede ir sobre una persona con una mochila, barco, ferrocarril, etc. Los sistemas que conforman un equipo Mobile Mapping son los siguientes:
• Sistema de posicionamiento global (GNSS), proporciona la posición de la trayectoria del vehículo.
• Sistema de Navegación Inercial (INS), mide las velocidades angulares y las aceleraciones, para poder mejorar la posición del sistema GNSS.
• Escáner láser, mide la posición de millones de puntos de la trayectoria del vehículo. Pueden existir diferentes con- figuraciones en cuanto a los láseres: diferente número de escáneres, diferente orientación de los mismos. Esto depende del tipo de escáner que se utilice y de qué manera tome los datos.
• Cámara fotográfica, que obtiene imágenes de la trayectoria del vehículo, por distancia recorrida (cada 5 metros, por ejemplo) o por tiempo. Existen cámaras de diferentes resoluciones, desde 2 Mgp hasta 5 Mgp por objetivo. También pueden ser cámaras métricas o cámaras panorámicas de 360º.
• Opcionalmente se pueden utilizar odómetros para medir la distancia recorrida por el vehículo, para asegurar el disparo de la cámara por distancias y contribuye la distancia medida, a mejorar el posicionamiento de la trayectoria del vehículo.
Los diferentes sensores integrados, tienen medidos los offset al centro geométrico del equipo, al cual va referida la posición de la trayectoria. Así mismo, para calcular la posición de las imágenes y nubes de puntos respecto a la trayec- toria calculada, es necesario medir la marca de tiempo o “time stamp” con precisión para que tanto las imágenes y las nubes de puntos estén perfectamente georreferenciadas. Así mismo este aspecto es fundamental, para dotar de color
Figura 2: Equipo Mobile Mapping sobre vehículo embarcado y sensores con marca de tiempo.
Los principales fabricantes de equipos Mobile Mapping son: 3DLaserMapping, Riegl, Optech, Trimble, Vexcel, LIdarU- SA, Topcon, Leica, Mandli, EarthMine, Horus, Cyclomedia, Siteco, Zoler+Frohlich, NcTech
En función de la densidad de puntos y la precisión en el posicionamiento de la trayectoria que permitirá posicionar las imágenes y nubes de puntos, los sistemas Mobile Mapping se dividen en:
• Mobile Mapping Surveying o topográfico, para precisiones superiores a 5 cm en el posicionamiento de los datos y una densidad de nube de puntos de más de 100 ptos por m2. Pertenece a esta categoría el equipo Leica Pegasus 2, con más de 500 ptos por m2 y una precisión mejor que 5 cm en absoluto y mejor que 2 cm en relativo.
• Mobile Mapping GIS o de inventario, para precisiones superiores a 20 cm en el posicionamiento de los datos y una densidad de puntos entre 30 y 100 ptos por m2.
Pertenece a esta categoría el equipo Topcon IPS-2, con más de 100 ptos por m2 y una precisión absoluta entre 5 y 10 cm y relativa de algún centímetro.
Post-proceso de la información
Una vez se ha efectuado una captura en el terreno, con cualquiera de los equipos moble Mapping del mercado, es ne- cesario el procesamiento de los datos, que posibilite el ajuste del modelo y, por lo tanto, la mejora del posicionamiento de las trayectorias realizadas.
Para ello, es necesario un software de edición contrastado, entre ellos cabe destacar los ofrecidos por el líder mundial en software para la explotación de datos Mobile Mapping es Orbit GeoSpatial Technologies, que permite cargar datos de cualquier fabricante y dispone de un portfolio de herramientas para la producción de datos Mobile Mapping desti- nados a empresas suministradora de estos servicios, así como otros escalables para la explotación y realización de inventarios y publicación de panoramas y nubes de puntos en entornos web.
Centrándonos en el software de edición de datos Mobile Mapping, concretamente en el producto MM Content Manager de Orbit GT, en las últimas versiones se han desarrollado funcionalidades mejoradas, que reducen y simplifican estas tareas de post-procesado, se trata de la segunda gran fase del proceso de optimización.
Funcionalidades optimizadas para el post-proceso • Importación y organización de trayectorias
La primera de las utilidades de la aplicación es la posibilidad de importar, organizar, limpiar, unir y analizar los datos Mobile Mapping. Dicho gestor de contenido ofrece todas las herramientas necesarias para que de forma sencilla se pueda estructurar y validar la calidad de las distintas trayectorias.
100. lOs prOCesOs de exTraCCIón de InFOrmaCIón a un pasO del auTOmaTIsmO en la TeCnOlOgÍa mObIle mappIng.
TOPCART 2016: Observación del Territorio.
Figura 3: Visualización del conjunto de trayectorias
• Herramienta de ayuda
El aplicativo, durante todo el proceso, ofrece una herramienta de ayuda, que lista y detalla los pasos a realizar en cualquiera de los procesos de ajuste del modelo. Se trata de una base del conocimiento, dentro del propio aplica- tivo, de asistencia al técnico usuario.
Figura 4: Imagen de nube de puntos
• Catálogo de datos Mobile Mapping
Teniendo en consideración que la tecnología Mobile Mapping lleva más de 10 años implantada en Europa, existen muchas entidades públicas y privadas, que ya comienzan a tener, varias campañas anuales y por lo tanto de un histórico Mobile Mapping. Para estructurar y catalogar estas campañas, desde el propio aplicativo se ha gene- rado un nuevo entorno sencillo de visualización de campañas Mobile Mapping, diferenciados por un temático de colores.
• Limpieza en las nubes de puntos
La clave de un buen trabajo Mobile Mapping está en la limpieza de la nube de puntos y en la precisión del mode- lo. Las nuevas funcionalidades, permiten identificar sobre la nube de puntos, aquellos obstáculos fijos que interfie- ren en la continuidad de la malla.
Gracias a la intensidad y el color que recoge cada láser scanner, de forma sencilla se pueden identificar y sólo con su delimitación (definiendo un área de borrado), podemos quitarlos del output final.
Figura 6: Visualización de obstáculos físicos, vehículos aparcados
• Mejora en el ajuste del modelo
Los sistemas de captura, durante el propio proceso de toma de datos, van indicando aquellas zonas de baja ca- lidad en la señal GNSS. Pero en muchos casos son tratados de igual manera en el proceso de producción. Para evitar esto, la herramienta dispone de un análisis gráfico de calidad que permite ajustar de forma diferente los distintos tramos de la trayectoria, ajustando de forma uniforme y lógica cada uno de los recorridos.
Figura 7: Gráfica de calidad, color verde muestra buena señal GNSS
El uso de las distintas funcionalidades que ofrece el aplicativo, garantizan que el dato tomado en campo tenga la preci- sión suficiente como para efectuar cualquier extracción de información, bien para la generación de un inventario como para la realización de una cartografía.
Fase de extracción de información
La tercera gran optimización del proceso Mobile Mapping se encuentra en las herramientas mejoradas de extracción de contenido, pues de forma semi-automática, es posible capturar gran cantidad de información.
100. lOs prOCesOs de exTraCCIón de InFOrmaCIón a un pasO del auTOmaTIsmO en la TeCnOlOgÍa mObIle mappIng.
TOPCART 2016: Observación del Territorio.
Dentro de todas las actividades a realizar, en la parte de gabinete, se utiliza el aplicativo MM Feature Extraction Bundle, también del proveedor Orbit GT. Dicha herramienta, dispone de nuevas funcionalidades que optimizan el proceso. Funcionalidades optimizadas para la extracción de contenido
• Posicionamiento rápido de activos
El software dispone de una funcionalidad de posicionamiento rápido de activos, una vez seleccionada la capa del elemento, clicando sobre el objeto, automáticamente salva su posición y las características comunes a todos. Esta herramienta permite la toma rápida de activos tipo puntos de luz, alcorques, árboles, etc…
Figura 8: Inventario rápido de elementos
• Extracción semi-automática de elementos lineales
La nueva versión de producto ofrece una funcionalidad de detección de elementos lineales, simplemente clicando en la imagen o nube de puntos e indicando la dirección del elemento, esta funcionalidad, extrae el elemento en
Figura 9: Extracción semi-automática de viales de ferrocarril
• Producción y exportación automática de perfiles transversales
También una nueva versión del producto permite generar perfiles cada “n” metros de forma automática y exportar- los en formatos estándares.
Figura 10: Cálculo de perfiles transversales
• Detección de colisiones en túneles y con catenarias
De gran utilidad, aparece esta nueva funcionalidad que posibilita identificar visualmente colisiones o puntos próxi- mos a una superficie definida. Es el claro ejemplo de utilización en túneles donde queremos identificar riesgos en gálibos.
100. lOs prOCesOs de exTraCCIón de InFOrmaCIón a un pasO del auTOmaTIsmO en la TeCnOlOgÍa mObIle mappIng.
TOPCART 2016: Observación del Territorio.
Figura 11: Detección de colisión en infraestructura viaria
Casos de éxito de uso optimizado Mobile Mapping
La metodología desarrollada y la tecnología Mobile Mapping nos ha permitido abordar con éxito inventarios de mobilia- rio y pavimento como son:
• Inventarios de redes de infraestructura en 70 núcleos urbanos de Alava para la DFA. • Inventario del mobiliario urbano y pavimento de la vía pública de Sevilla
• Inventario del mobiliario y pavimento de la vía pública de Vitoria - Gasteiz • Inventario de puntos kilométricos de las carreteras de España.
• Inventario de activos de las carreteras de Salamanca
• Inventario para la actualización de carreteras de España para el IGN. • Inventario de caminos en Alt Penedés.
• Cartografía 1/500 de Dublín
CONCLUSIONES
El automatismo de la tecnología Mobile Mapping ha llegado con el objetivo de optimizar todos los procesos de gene- ración de inventarios y producción cartográfica y permitir así que las distintas entidades públicas y privadas puedan generar de forma sostenible, GeoInformación con garantía y calidad geométrica.
Lo que permitirá que las Ciudades Inteligentes y aquellas que se plantean pertenecer a la RECI, disponer de una he- rramienta más de producción de geoinformación.
REfERENCIAS
[1] Base del conocimiento de la página web de Orbit GT [2] Wikipedia
ABSTRACT
Most of research points that African countries in general, and the countries of the Sahel in particular, are undoubtedly among the most vulnerable of world regions to climate change. The Sahel is a semiarid interface running east–west from the Atlantic Ocean to the Red Sea, and between the arid Sahara desert in the north and the savannas and forests to the south.
Recently various scientists have detected an increase in vegetation cover through satellite imagery in some sahelian countries. Rainfall and/or the implementation of local agroforestry management practices known as Farmer Managed Natural Regeneration (FMNR) are discussed as possible factors explaining this regreening.
The aim of our study is to check and estimate the increase of tree cover in a region of the Southwest of Niger (Dosso) by means of Landsat NDVI differences along thirty years.
We used two Landsat scenes (path/row: 192/051) from 1985-1988 and 2014.-2016 These images were preprocessed using Google Earth Engine. NDVI differences were mapped. An increase of NDVI values was observed, especially in the south of the study area. In addition a validation of the NDVI increase map is being performed using Collect Earth (Open Foris) software. Collect Earth is a free Java-based tool supported by FAO that facilitates land use assessment through a sampling approach and a set of free imagery (i.e. Google Earth, Bing Mpas and Digital Globe).Validation approach is currently being carried out to confirm the tree cover increase in Dosso region.
INTRODUCTION
Climate change is viewed as one of the gravest threats to the future of humanity. Africa is one of the most vulnerable regions in the world to climate change. According the Intergovernmental Panel on Climate Change (IPCC) reports 2007, no continent will be struck as severely by the impacts of climate change as Africa. In this context in particular countries of the Sahel, are one of the most vulnerable to the impacts of climate change.
The Sahel region stretches from the Atlantic coast to the Red Sea coast and is located between the arid Sahara desert in the north and the savannas and forests to the south. It covers an area that receives between 200 and 600 mm mean annual rainfall (Boffa, 1999).
The Sahel is the region that has suffered the greatest variations in rainfall in a climate change perspective (Nicholson 2005). In recent past, it went through 25 years of below-average precipitations, starting in the early 1970s. Within this period, two particularly severe and regional scale droughts occurred in 1972–73 and in 1983–84 which have a dramatic impact on ecosystem (Dardel et al., 2014)
Despite the variability of rainfall and subsequent debate about desertification, recent studies based on analyses of satellite images report an increase in greenness in some region of the Sahel like the Southwest of Niger (Herrmann et al., 2005; Boschetti et al., 2013; Dardel et al., 2014; Hanke et al., 2016). Most of these studies are based on analyses of Normalized Difference Vegetation Index (NDVI) time series from different satellite imagery. Rainfall distribution, soil type, plant physiology or species composition shift are being discussed as possible factors explaining this “re-greening” (Dardel et al., 2014; Hanke et al., 2016). In addition the implementation of local agroforestry management practices