sistema automático de obtención de coeficiente de manning ... · la cámara fotogramétrica dmc...

Tema B: Hidrología y Gestión del Agua

Sistema automático de obtención de coeficiente de Manning

y de Modelos digitales de elevaciones a partir de imágenes

aéreas y datos LIDAR para modelos hidráulicos: LHIDRA-

MANNING

Ing. Informático. Alfonso Andrés Urrutia ([email protected])

Responsable del Departamento de I+D+i. INCLAM S.A.

Doctor en Ciencias Químicas. Estíbaliz Martínez Izquierdo ([email protected])

Profesora Titular de Universidad. Facultad de Informática UPM

Doctor en Ciencias Químicas. Agueda Arquero Hidalgo ([email protected])

Profesora Titular de Universidad. Facultad de informática UPM

Ingeniero Técnico en Topografía. Tomás Fdz de Sevilla Riaza ([email protected])

Director Div. Tecnología e I+D. Stereocarto, S.L

Lic. Ciencias Ambientales, Ing. Tec. Obras Públicas, Ing. Tec. Forestal.

Fco. Javier Sánchez Martínez ([email protected])

Subdirección General de Gestión del DPH. Subdirec. Gen. del Agua. Ministerio de Medio

Ambiente y Medio Rural y Marino

1 Objetivos del Proyecto y Novedad Tecnológica aportada El proyecto LHidra-Manning nace como respuesta a la necesidad de controlar, analizar y gestionar de forma

eficiente las avenidas de los ríos, con la finalidad de minimizar los daños tanto humanos como económicos. En

él se aplican las nuevas tecnologías de toma de datos cartográficos para conseguir su adaptación para la

resolución de problemas hidráulicos.

El objetivo general del proyecto es el desarrollo de una aplicación o software que permita la realización de

simulaciones hidráulicas a partir de datos fiables y precisos.

La modelización hidráulica tiene múltiples aplicaciones, como el estudio de ubicaciones idóneas de obras

públicas, en función de la resistencia que ofrecen al cauce del río y la delimitación de zonas habitables,

determinando las zonas de inundabilidad. También permite controlar y gestionar los recursos hidráulicos tanto en

situaciones normales como extraordinarias: aumento repentino del volumen de agua debido a un aumento de las

precipitaciones o debido a la rotura de presas o balsas de agua. Esto permite minimizar los efectos de las

inundaciones.

En este proyecto se han planteado una serie de novedades tecnológicas que representan una gran mejora a los

procesos actuales de creación de Modelos Digitales de Elevaciones (MDE) para su uso en modelos hidráulicos.

El uso de LIDAR para la obtención de MDE nos brinda una gran exactitud altimétrica (error < 20 cm) y una

mejor resolución espacial (pasos de malla decimétricos). Este gran volumen de datos presenta problemas en la

capacidad de cálculo de los modelos, por lo que, una de las novedades que presenta el proyecto, es la creación de

una malla estructurada con la precisión necesaria para la ejecución de un modelo hidráulico, sin destruir, en el

proceso de reajuste de la resolución, las actuaciones o elementos característicos que tienen una gran importancia

hidráulica.

Otro de los requisitos de dichos modelos, es la necesidad de incorporar los coeficientes de rugosidad de Manning

asociados al terreno. Este proceso, generalmente se ha venido realizando manualmente por un técnico, sin

embargo, en este proyecto se plantea el uso de las últimas técnicas de clasificación de terrenos mediante el uso

de cámaras fotogramétricas digitales, que poseen cinco rangos espectrales (Pancromático, Rojo, Azul, Verde e


IR Cercano). En la actualidad, ninguno de los modelos hidráulicos ni los sistemas de información geográfica

comerciales son capaces de ofrecer este tipo de avances.

2 Metodología empleada Para realizar este modelo de simulación hidráulica se ha requerido cumplir una serie de tareas:

2.1 Toma de datos

La captura de la información espacial básica para la ejecución del proyecto se ha realizado mediante la

utilización de sensores aereotransportados. Se ha utilizado una cámara digital fotogramétrica de gran formato, el

sistema DMC de ZI, y un sistema LiDAR ALS50_II de Leica Geosystems. Ambos sistemas iban a bordo de un

avión bimotor, con doble ventana fotogramétrica. Lo cual supone la gran ventaja de poder capturar

simultáneamente ambos tipos de información, reduciendo el coste de la operación de vuelo y conseguiendo que

ambos tipos de información, imagen y datos de elevación, sean coherentes entre si desde el punto de vista

temporal.

La cámara fotogramétrica DMC permite obtener imágenes matriciales de gran formato de 13.824 x 7.680

píxeles, con una focal de 120 mm. Simultáneamente puede capturar imágenes pancromáticas y multiespectrales

de 4 bandas en el rango espectral del rojo, verde, azul e infrarrojo cercano, con una resolución radiométrica de

12 bits, lo que equivale a representar cada píxel de la imagen con 4.096 valores digitales.

El sistema LiDAR aéreo ALS50_II permite capturar datos de elevación del terreno mediante uno de los métodos

más directos existentes en la actualidad, frente a las técnicas fotogramétricas o topográficas, en el cual mediante

la observación del tiempo de ida y vuelta del pulso láser emitido, se realiza la estimación de la distancia entre el

sensor y la superficie terrestre. Además de observar el tiempo, también se toma el dato de intensidad de retorno

de la señal láser representándola con 256 valores. Este sistema tiene una frecuencia de pulsación máxima de

150.000 Hz, para cada pulso emitido se puede recibir hasta 4 ecos, puede operar entre 200 y 5.000 m sobre el

terreno. La densidad de puntos con la que se puede barrer el terreno utilizando un avión depende de la velocidad

del mismo junto a la altura de vuelo, y puede variar entre 12 pto/m2 y 0,5 pto/m

2. Los puntos obtenidos tienen

una precisión altimétrica entre 10 y 30 cm, dependiendo de la altura de vuelo. La alta densidad de puntos para

representar la superficie terrestre, la precisión y la homogeneidad de la información que ofrece el LiDAR son sus

principales ventajas para las aplicaciones hidráulicas.

La planificación de la operación de vuelo se ha diseñado realizando pasadas paralelas, en dirección Este-Oeste

cubriendo las zonas de pruebas, a una altura de 1.000 m sobre el terreno y una velocidad de 150 knt. Para la

captura simultánea de datos de imagen y alturas se ha realizado una parametrización de los sensores compatible

entre ellos. Las imágenes de alta resolución resultantes tienen un tamaño de pixel sobre el terreno de 10 cm, con

un solape longitudinal y transversal del 60% y 50% respectivamente. Para el sensor LiDAR se ha fijado su

ángulo de apertura (FOV: Field of view) en 45º, seleccionando una frecuencia de pulsación de 96.100 Hz, se

obtiene una densidad promedio de 1,5 pto/m2 , con una precisión estándar esperada de 10 cm.

Ambos sensores, cámara y LiDAR, incluyen sistemas integrados de posicionamiento y orientación GPS-INS que

se utilizan tanto para la navegación y ejecución del vuelo planificado, como para el cálculo preciso de la

trayectoria. Así mismo, es necesario recibir simultáneamente al momento del vuelo datos GPS con una estación

en tierra con coordenadas conocidas para utilizar posteriormente el método de cálculo diferencial de dichos

datos. En este caso se utilizó una estación de referencia GPS a una distancia inferior a 70 km, obteniendo una

precisión estándar en el cálculo de la trayectoria mejor que 3 cm en planimetría y 5 cm en altimetría. Con este

método se obtiene la coherencia espacial necesaria para los dos tipos de información. El sistema de referencia

elegido ha sido ETRS89 con alturas ortométricas.

Después de obtener la nube de puntos LiDAR y proceder a su clasificación y revisión, se ha elegido el modelo

digital de superficie de paso de malla regular de 1m x 1m como la representación más adecuada para la

aplicación del proyecto.

Finalmente la información espacial se ha empaquetado en un fichero imagen en formato TIFF de 5 bandas, 4

bandas de imagen multiespectral más 1 banda con el modelo de superficie, realizando previamente una

normalización de la información numérica.


2.2 Metodología del algoritmo de clasificación

El proceso de clasificación en Teledetección consta de un conjunto de etapas que persiguen como objetivo final,

delimitar las regiones asociadas a cada clase temática presente, en un espacio multidimensional de los píxeles de

la imagen multibanda registrada por el sensor (Mather 1999). La clasificación debe satisfacer requisitos como:

que no haya píxeles de imagen sin clase asignada, que sea posible diferenciar las clases adecuadamente con el

clasificador seleccionado y finalmente, que estas cubran las necesidades del usuario. En general los métodos de

clasificación de imágenes pueden ser agrupados según diferentes criterios, siendo uno de los mas conocidos el

que se subdivide en supervisados y no supervisados (Lu 2007).

Los métodos se denominan supervisados, si se utilizan patrones de entrenamiento. Las clases temáticas son

definidas mediante la selección de un conjunto de datos de referencia que se utilizan para el entrenamiento del

clasificador, que clasifica datos espectrales generando un mapa temático. En el caso de los no supervisados, se

utilizan algoritmos de clustering (agrupamiento espectral) para generar una partición de la imagen en un número

de clases basándose en información estadística inherente. En este caso no hay una definición previa de las clases

y el analista será el responsable del etiquetado y reconsideración de las clases obtenidas.

Los métodos supervisados parten de un conocimiento previo del terreno. En cambio, los no supervisados se

buscan automáticamente grupos de valores espectrales homogéneos en la imagen para que después el usuario

intente encontrar las correspondencias entre esos grupos seleccionados automáticamente y las categorías que le

puedan ser de interés.

En este sentido, es necesario distinguir entre los dos tipos de clases que pueden intervenir en la clasificación

temática: informacionales o temáticas y espectrales. Las primeras se establecen por el usuario y forman la

leyenda del mapa temático final. Las segundas corresponden a grupos de respuestas espectrales homogéneas

(reflectividad similar) y se deducen de los valores digitales (VD) de la imagen. No siempre existe una

correspondencia perfecta entre una sola clase temática, es decir, una sola clase de cobertura y una sola clase

espectral. Así el método de entrenamiento supervisado pretende distinguir clases temáticas, mientras que el no

supervisado trata de diferenciar las clases espectrales. Ninguno de los dos métodos es perfecto ya que en el

método supervisado se puede forzar a diferenciar categorías sin un claro significado espectral; y en el método no

supervisado se pueden distinguir clases que no contengan una información de interés.

De manera general, las metodologías clásicas de clasificación de imágenes se pueden subdividir en:

metodologías de clasificación con entrenamiento y sin entrenamiento. De estas últimas, la metodología mas

utilizada es la apoyada en el clustering basado en el algoritmo ISODATA (Iterative Self-Organizing Data

Analysis Technique) (Tou 1974).

La nueva propuesta es aplicar una metodología sencilla e híbrida que permita aprovechar las ventajas de los

métodos supervisados y las de los métodos de agrupamiento o clustering por similitud espectral. Para ello se

propone utilizar el algoritmo ISODATA, modificándolo en su primera etapa introduciendo información

supervisada.

2.2.1 ISODATA Clásico (bidimensional)

Es un algoritmo interactivo para generar agrupamientos o cluster de puntos. En su versión clásica no es

necesario especificar el número de agrupamientos. Comienza con un cluster inicial y aplica una técnica de

subdivisión y mezclado (split and merge) para progresivamente ir creando particiones de los puntos dentro de

cluster a través de cálculos de similitud dentro de él (clase o grupo). La similitud de los puntos dentro del cluster

es medido mediante desviaciones estándar de los puntos en ambas direcciones X e Y, esto es σx y σy. El

procedimiento es el siguiente:

• Determinación de los valores adecuados para las desviaciones estándar, σx,max y σy,max.

• Determinación del número de cluster y del número de iteraciones. Esto puede ser opcional.

• Consideración de todos los puntos del mismo cluster para calcular las medias o centroides en X e Y

(Cantiguo,X y Cantiguo,Y), y las desviaciones estándar (σx y σy) en X e Y.

• Determinación de la necesidad de subdividir el cluster. Ya que si σx < σx,max y σy < σy,max entonces se

para la subdivisión. Si el número de iteraciones especificadas o el número de cluster es alcanzado

igualmente se para la subdivisión.

Entonces, si σx > σy se considera la dirección X, o si no, se considera la dirección Y.


• Se separa o subdivide el cluster en dos, en la dirección X, si σx > σy y σx > σx,max. Los nuevos

centroides (temporalmente) son (Cantiguo,X - σx) y (Cantiguo,X + σx). Los puntos del antiguo cluster se

clasifican en dos nuevos agrupamientos basados en el criterio de distancia.

Sin embargo, si σy > σx y σy > σy,max, la subdivisión será en la dirección Y.

• Para cada uno de los nuevos agrupamientos se repiten los pasos 4 y 5.

• Cada punto es testeado para ver si la distancia a su centroide de cluster es menor que las distancias a los

demás centroides. Si no es así se reclasifica el punto y se recalcula el centroide correspondiente.

2.2.2 ISODATA aplicado a imágenes multibanda

El algoritmo ISODATA n-dimensional aplicado a imágenes multibanda tiene en cuenta el espacio de

características de los píxeles. Dicho espacio se encuentra limitado, en cada una de sus dimensiones, por el valor

de las medias o centroides (µ1, µ2, µ3, …..µn) y las desviaciones estándar (σ1, σ2, σ3, …..σn) en n-dimensiones.

ISODATA usa la mínima distancia espectral para asignar un agrupamiento a cada píxel candidato. Clasifica o

agrupa los píxeles de una imagen utilizando las distancias espectrales, redefiniendo el criterio para cada clase y

clasificando nuevamente, hasta que los patrones de distancia espectral de los datos emergen gradualmente.

Incorpora una serie de heurísticas con objeto de: eliminar agrupamientos poco numerosos, mezclar

agrupamientos cercanos y dividir agrupamientos dispersos.

La propuesta nueva para la aplicación de este algoritmo en este proyecto, es la definición por parte del operador

de los valores de los centroides iniciales seleccionados de manera supervisada por el operador, indicando su

denominación, etiqueta mediante un color y asignación de un parámetro físico para generación de mapas

temáticos con diversos etiquetados: parámetros y clases de terreno.

En el algoritmo de clasificación implementado y utilizado se pueden definir los siguientes parámetros:

• Numero de clases. Coincidirán con el número de centroides seleccionados.

• Tolerancia. La tolerancia o error de clúster es la diferencia que hay entre dos agrupamientos

consecutivos.

• Número de iteraciones máximas. Es el máximo número de bucles que realiza el algoritmo y puede ser

variable, sin embargo, un número alto es innecesario ya que el algoritmo no vuelve a recalcular los

centroides cuando llega a la tolerancia deseada.

• Número mínimo de píxeles por clúster o agrupamiento. Este dependerá de tamaño de la imagen.

• Mínima distancia de centros por clúster. Se utiliza para comprobar que la distancia entre dos clústeres

es menor que cierto valor, si esto se produce habrá que fusionar los dos clústeres en uno.

2.2.3 Metodología del proceso con datos e imágenes

La metodología especificada se ha aplicado al tratamiento de una escena SPOT (2251x2254 píxeles)

multiespectral en sustitución de imágenes DMC (imagen óptima para los desarrollos) por la situación del caso de

estudio, (cercanías del río Jiloca) que previamente había sido fusionada con la banda pancromática, con lo que la

resolución espacial de los píxeles es de 2,5 m. Todo proceso de fusión implica que la imagen resultante presenta

una mejor resolución espacial pero una peor calidad espectral que la imagen de origen, lo cual puede afectar

negativamente a los resultados de la aplicación del algoritmo ISODATA para la discriminación de clases.

Además se disponía de datos LIDAR de la misma zona. Una adición de estos datos a la información

multiespectral aumenta la dimensión del espacio de características, lo que va a permitir optimizar resultados en

la clasificación final.

Los centroides han sido introducidos mediante supervisión espectral del operador y se les ha asignado

denominación, color y el coeficiente Manning para modelado hidráulico. Así se obtiene el mapa clasificado de

clases de terreno y el mapa Manning.

El esquema del flujo metodológico llevado a cabo se muestra en la Figura 1.


Figura 1 Flujo metodológico

2.2.4 Resultados de la clasificación

Los resultados de clasificación obtenidos son buenos, aún cuando la calidad espectral de las imágenes SPOT

fusionadas pudiera afectar al proceso. Se eligieron centroides iniciales en toda la imagen de acuerdo con la

metodología propuesta. Para generar la máscara adecuada a los datos LIDAR se les asignó un mismo color

(negro) a los centroides correspondientes, para que los resultados finales se obtuvieran enmascarando las zonas

sin estos datos.

El número de clases obtenidas se corresponde con el de centroides iniciales y el comportamiento del algoritmo es

adecuado, observándose la evolución de dichos centroides hacia las firmas medias finales, que presentan valores

de desviaciones estándar buenos. Estos resultados estadísticos junto con el número de píxeles asociados a cada

clase se recogen en un fichero tipo texto. Los valores de las medias (centros finales) y la población asignada se

representan en la Figura 2.


0.00

50.00

100.00

150.00

200.00

250.00

300.00

G R NIR Lidar

BANDAS

VD

c1

c2

c3

c4

c5

c6

c7

c8

c9

c10

c11

c12

c13

c14

0 200000 400000 600000 800000 1000000 1200000 1400000

c1c2c3c4c5c6c7c8c9

c10c11c12c13c14

Nº Píxeles

Figura 2 Firmas espectrales medias (izq) y población asociada a cada clase (der)

Figura 3 Imagen de Coeficientes de Manning coloreada (izq) y en blanco y negro (centro) con valores asociados

Aunque los datos de origen han sufrido la pérdida de calidad espectral comentada anteriormente, los resultados

obtenidos para los coeficientes de Manning asociados son muy buenos para el fin deseado en este proyecto. La

aplicación de esta metodología a imágenes de mayor resolución espacial original y buena calidad espectral

optimizaría la bondad de los resultados.

2.3 Desarrollo del modelo de simulación hidráulica

Para el conocimiento de la utilidad y necesidad de las herramientas desarrolladas, se han desarrollado varios

ejemplos en los que se ha demostrado la variabilidad de los resultados, haciendo uso de distintos coeficientes de

rugosidad de Manning, distintos modelos con distintas características geográficas y distintos caudales. Los

modelos que se han llevado a cabo, corresponden con una tramo del río Jiloca entre los términos municipales de

Murero y Manchones en la provincia de Zaragoza. Jiloca. Del tramo seleccionado, se han distinguido tres casos

diferentes caracterizados por sus distintas características geográficas:

• Jiloca – Principal: El primer caso se caracteriza por ser un tramo del río Jiloca, comprendido en los

municipios de Murero y Manchones con una importante región meandrosa, y parcelas de cultivo a

ambas márgenes del cauce. Así mismo, este cauce cuenta con una serie de núcleos urbanos cercanos.

• Afluente 1: El segundo de los casos de estudio, corresponde a uno de los afluentes que confluyen a la

margen izquierda del río Jiloca, con una pendiente media del 5% y que confluye con el río principal

aguass arriba de una estructura hidráulica.

0,025

0,036

0,04

0,045

0,047

0,05

0,055

0,06

0,00

0,032


Estos casos de estudio, tienen distintos caudales teóricos, con los que se ha estudiado el comportamiento del

fluido, y la influencia de los coeficientes de Manning asignados a cada celda del terreno. Estos caudales para

cada uno de los escenarios que se han tenido en cuenta, los podemos ver en la tabla siguiente. En ninguno de los

escenarios contemplados, se han realizado modificaciones de las condiciones de generación de la malla de

simulación pues, se han identificado unos parámetros fijos para la generación de la malla de terreno y

únicamente se ha observado la variación del flujo del agua influenciada por los distintos coeficientes de

rugosidad de Manning.

Los distintos casos y escenarios en los que se ha probado la influencia de los datos de rugosidad de Manning son

los siguientes:

Tabla 1 Tabla de casos de estudio, características y datos de simulación hidráulica bidimensional

Caso de Prueba Escenario Caudal Punta Coef. Manning Características de Malla1

Escenario 1 200 m3/seg (0,032 – 0,05) Triángulo Max: 20 m; Error Max: 15 cm

Escenario 2 200 m3/seg Valores * Triángulo Max: 20 m; Error Max: 15 cm

Escenario 32 10 m3/seg (0,032 – 0,05) Triángulo Max: 20 m; Error Max: 15 cm Jiloca


Escenario 1 100 m3/seg (0,032 – 0,05) Triángulo Max: 20 m; Error Max: 15 cm Afluente


A continuación en la siguiente imagen se pueden ver un detalle de los modelos de terreno usados para cada uno

de los casos de estudio del presente artículo, con un detalle de la triangularización de la malla realizada con el

paquete de simulación hidráulica bidimensional GUAD 2D4 llevada a cabo con los parámetros indicados en la

tabla anterior.

1 Malla de terreno de 1.993.744 celdas, transformada a 1.386.282 triágulos

2 El escenario 3 del caso de prueba Jiloca no se incluye en el presente documento y se expondra en las

conferencias JIA 2009

3 El escenario 4 del caso de prueba Jiloca no se incluye en el presente documento y se expondra en las

conferencias JIA 2009

4 http://www.inclam.com/INCLAMSOFT/is_hidraulica.php


Figura 4 Detalle de malla triangular y terreno de los casos Jiloca (izq) y Afluente (der) estudiados

Como se ha indicado anteriormente, y se puede observar en la figura 4, los valores que se indican en la tabla 1

como “Valores *” representan 10 valores distintos de coeficientes de rugosidad de Manning, que ocupan un

espectro entre 0,00 (Valores fuera del dominio del terreno usado en el estudio) hasta 0,06 que representan

valores de rugosidad muy alta identificado como Monte bajo.

Tabla 2 Tabla de coeficientes de rugosidad de Manning usada en los casos identificados en tabla 1 como Valores *

Nombre de clase Coef. de Manning Color Descripción

Monte fuera lidar 0,00 Zona fuera de dominio LIDAR

Suelo claro fuera lidar 0,00 Zona fuera de dominio LIDAR

Parcela fuera lidar 0,00 Zona fuera de dominio LIDAR

Parcela vega fuera lidar 0,00 Zona fuera de dominio LIDAR

Urbano 1 0,025 Suelo urbano carreteras ciudad

Urbano 2 0,025 Carreteras alfaltadas

Parcela Vega 0,032 Parcelas de cultivocercanas a cauces

Terreno humedo 0,036 Terreno influenciado por cauce, vegetación ligera

Suelo cercano 0,04 Terreno influenciado por cauce, vegetación de ribera

Suelo claro 0,045 Suelo de vegetación clara

Suelo claro monte 0,047 Suelo de monte de vegetación clara

Suelo medio monte 0,050 Suelo de monte de vegetacion media

Monte Bajo claro 0,055 Monte bajo de vegetación clara

Monte Bajo 0,06 Monte bajo de vegetación densa

3 Resultados obtenidos A continuación en este punto veremos una breve comparativa de los casos estudiados, identificando primero, la

corrección del proceso de generación de la malla y comprobando el grado de error introducido en este proceso en

determinados puntos del tramo seleccionado, e identificando finalmente las diferencias más importantes respecto

de los distintos escenarios tratados para finalizar con una serie de conclusiones obtenidas durante el proceso

seguido.

3.1 Generación de malla del tramo seleccionado

La generación de la malla del terreno seleccionado, a partir de los datos LIDAR, se ha generado con los

parámetros de triangularización siguientes: lado máximo de triángulo 20 metros y error máximo de triángulo 15

centímetros. Estos parámetros, hacen que en el proceso de triangularización no se genere ningún triángulo que

incumpla las condiciones impuestas, por lo que se materializará una malla triangular con error altimétrico <


15cm. A continuación y gracias a la generación de una sección en el terreno, se puede ver en la siguiente imagen

un ejemplo del error cometido en el proceso de triangularización, donde los puntos singulares y críticos del

terreno para una simulación hidráulica bidimensional correcta no han sufrido ninguna variación respecto de los

datos originales, y los puntos de llanura de inundación pueden inducir hasta un error máximo altimétrico de 15

cm. En el caso que nos ocupa, el error máximo cometido en el triángulo con mayor error ha sido de 11 cm.

Figura 5 Gráfica de terreno resultante (linea) y terreno original (barras)

3.2 Caso de Prueba Jiloca

En el caso de prueba, correspondiente a un tramo del río Jiloca entre los municipios de Murero y Manchones, se

han generado cuatro escenarios distintos, a los cuales como se puede ver en la tabla 1, se le han asignado

caudales de 200 y 10 m3/seg, y rugosidades obtenidas mediante las herramientas Lhidra-Manning y con valores

de 0,032 y 0,05.

3.2.1 Escenario 1 y 2

Los escenarios 1 y 2 se caracterizan por hacer mantener un caudal máximo de 200 m3/seg, y una rugosidad de

0,032 y 0,05 para el escenario 1 y una rugosidad obtenida mediante las tablas de coeficientes reflejadas en la

tabla 2 para el escenario 2.

Para la comparación de estos escenarios se ha hecho uso de las envolventes de calado obtenidas de un cálculo

que simula ambos escenarios. En este tipo de situaciones, uno de los elementos de estudio, son los calados que

se obtienen, obteniendo unas diferencias entre ambos escenarios que pueden llegar a diferencias significativas de

0,2 o 0,5 metros de calado en determinadas zonas, que son, lógicamente, las zonas donde se encuentra una mayor

diferencia de la rugosidad de ambos escenarios. A continuación se muestra una imagen de diferencias de calados

observados entre las envolventes de la simulaciones realizadas con GUAD 2D del escenario 1 y 2 del presente

caso de prueba.

Figura 6 Imagen general, de detalle y leyenda de diferencias de calados en los escenarios 1 y 2 del Jiloca


3.3 Caso de Prueba Afluente

En el caso de prueba, correspondiente a un afluente del río Jiloca por la margen izquierda, con una pendiente

media del 5%, se han generado dos escenarios distintos, a los cuales como se puede ver en la tabla 1, se le han

asignado caudales de 100 m3/seg, y rugosidades obtenidas mediante las herramientas Lhidra-Manning y con

valores de 0,032 y 0,05.

3.3.1 Escenario 1 y 2

Estos esenarios, caracterizados por la fuerte pendiente de la zona inicial del modelo, en la que el flujo discurrre

en régimen rápido, y la parte media con una pendiente menor y afectada por una estructura hidráulica de cruce

transversal del cauce del Jiloca, se han analizado las envolventes de velocidad, ya que en este caso y debido a la

estructura del modelo, las implicaciones más importantes vienen por la velocidad de cada una de las celdas, y de

cómo el coeficiente de rugosidad afecta al flujo. En estos escenarios, podemos observar, que las mayores

diferencias, se centran tanto en el tramo de gran pendiente, como en la zona aguas arriba de la estructura que

afecta al flujo de agua, que llegan a valores más de 2 m/s de diferencia de velocidad entre los dos escenarios. Los

resultados comparativos de las velocidades, se pueden observar en las figuras siguientes:

Figura 7 Imagen general, de detalle y leyenda de diferencias de velocidad en los escenarios 1 y 2

3.4 Conclusiones

A tenor de los resultados obtenidos en las pruebas que se han realizado durante el proyecto, pueden sacarse

multiples conclusiones de distinta índole. Estas conclusiones están relacionadas con la necesidad y

obligatoriedad de generación de la malla base para la simulación hidráulica, el uso de coeficientes de rugosidad

de Manning muy detallados, y con los resultados que los mecanísmos de obtención de este tipo de mapa de

rugosidades nos han ofrecido dentro del proyecto.

• De la primera afirmación que se hizo en el proyecto LHIDRA-MANNING de hacer necesario el uso de

herramientas de generación de mallas de terreno que se adaptasen a la perfección, o lo mejor posible, a

las condiciones de terreno, se ha llegado a la conclusión que estas mallas, mejoran indiscutiblemente los

resultados obtenidos en las simulaciones, debido entre otros factores a que las modificaciones en el

tamaño de celda usado, generalmente hacen modificaciones en las cotas del terreno (incontroladas por

el usuario) que provoquen el deconocimiento de la precisión obtenida sobre los resultados generados,

por lo que la adopción de la malla elegida ha de mantener balanceados los aspectos de capacidad de

cálculo de los modelos existentes y adecuación de los resultados generados.

• La segunda conclusión a la que se ha llegado a raíz de las investigaciones realizadas, es que, el uso de

mapas de coeficientes de rugosidad de Manning usados en las simulaciones bidimensionales, afectan en

cierto sentido a los resultados que los modelos, por lo que el uso de este tipo de sistemas es

recomendable, sobre todo en modelos en los que la rugosidad plantee un peso específico importante en


las ecuaciones generales de la hidráulica, principalmete en los escenarios de poco calado o de velocidad

elevada.

• La tercera y última conclusión que se observa en los trabajos llevados a cabo, es la capacidad de los

métodos de teledetección, para clasificar zonas semejantes en número de Manning, a lo que ha de

añadirse la experiencia del usuario para la caracterización de dicho coeficiente en función de los

parametros físicos del terreno. Este trabajo, que normalmente está basado en las publicaciones de

distintas tablas sobre coeficientes de rugosidad, ha de ser contrastado y comprobado de forma que los

mapas de coeficientes de rugosidad se ajusten en la máxima medida a la realidad del terreno.

4 Referencias Lu, D. and WENG, Q., 2007, A survey of image classification methods and techniques for improving

classification performance, International Journal of Remote Sensing Vol. 28, No. 5, 823–870.

Mather, P., 1999, Computer processing of remotely-sensed images: An introduction. Chichester, John Wiley and

Sons. p. 306.

Tou, J.T. and Gonzalez, R.C., 1974. Pattern Recognition Principles, Addison-Wesley, Reading, MA.

Ven Te Chow. 1959. Open-Channels Hydraulics. McGraw-Hill.

sistema automático de obtención de coeficiente de manning ... · la cámara fotogramétrica dmc...

Documents