Una vez manejados con relativa soltura los datos LIDAR que el CNIG nos ofrece, nos hemos preguntado, a modo de conclusión, por la precisión de los mismos. ¿Realmente los puntos LIDAR aparecen bien clasificados según el terreno que representan? ¿Qué fiabilidad tienen? Cuando un punto aparece clasificado como Alta Vegetación o como Edificio, ¿es realmente cierto sobre el terreno? Sinceramente que miles de puntos recogidos de una manera masiva tuvieran una precisión y realismo exactos nos parecía algo casi milagroso, por lo que hemos hecho algunas pruebas al respecto.
Abrimos en Global Mapper la ortofoto de la zona de pruebas: un pequeño pueblo de montaña que conocemos bien a fin de tener tanto vegetación como edificios en el área de estudio.
Cargamos la cuadrícula LIDAR de la zona. Es más, cargamos solamente los puntos que cubren nuestra ventana a fin de que el rango de alturas se ajuste lo máximo posible a este área (no al área de la cuadrícula LIDAR completa). Empezamos coloreando los puntos LIDAR por elevación.
 |
| LIDAR coloreado por elevación. La precisión parece magnífica: cambio de tonos en el comienzo de las montañas, diferencia de tono entre suelo y edificios, algunos grupos de árboles muy altos,... |
Cambiamos el coloreado del LIDAR por altura respecto al suelo. La escala de alturas de Global Mapper se reajusta y de nuevo la precisión nos parece muy buena: tono rojo general para la altura del suelo, y edificios y grupos de árboles con distinto tono de altitud.
Por tanto, la precisión por alturas de los datos recogidos parece no tener ningún problema. Ello nos permite obtener, como hemos visto ya, modelos de superficie de una fiabilidad pasmosa. Os pongo una muestra de la zona de estudio para que comprobéis el nivel de detalle que puede captar la nube de puntos (todos los puntos activados):
 |
| Impresionante capacidad de los datos LIDAR para captar las elevaciones del terreno. Pequeños huertos con frutales, iglesia y cementerio, o una pista de tierra, como vemos señalados en rojo, quedan fielmente reflejados. |
Distinto asunto parece el de la clasificación de estos puntos. Filtramos los puntos para visualizar sólo los correspondientes a suelo, vegetación y edificios (colores marrón, verde y rojo respectivamente).
 |
| Vemos que los colores empiezan a entremezclarse con algo de caos, y muchos puntos situados sobre los tejados de las casas aparecen clasificados como vegetación (verde). |
Activamos todos los puntos disponibles en el LIDAR y descubrimos que la mayoría de la zona nos aparece cubierta por puntos clasificados como Overlap (superpuestos o coincidentes) y nos preguntamos si estos overlap points son la razón de la poca precisión en la clasificación de edificios y vegetación en ese área.
 |
| Overlap points en morado con todos los puntos LIDAR activos. |
Así pues, ¿podríamos concluir que los puntos están ahí, perfectamente captados, y que el único "problema" para rozar la perfección sería la clasificación de los mismos? Entendemos que la captación de los puntos, con su altitud y coordenadas, está perfectamente conseguido... Pero, ¿podemos decir lo mismo del método de clasificación? Esto nos lleva a que si seleccionamos sólo los puntos que representan los tres tipos de vegetación, los resultados son bastante inexactos en esta zona concreta:
 |
| Multitud de puntos clasificados como vegetación se encuentran evidentemente sobre edificios. |
Y si hacemos lo mismo visualizando solamente los puntos clasificados como edificios, aún peor:
 |
| Los puntos clasificados como edificios son, a todas luces, insuficientes. |
Sin una clasificación más exacta de estos puntos los resultados en la zona evidentemente están algo lejos de la realidad. Desconozco si esto pasa en todas las zonas, si ha sido casualidad en este ejemplo, o si a estas escalas con las que hemos probado a los puntos LIDAR no se les puede pedir más y están pensados para extraer datos más en general. Pero si en estas condiciones extraemos una malla de elevaciones (suelo+edificios) el resultado es este:
 |
| Así se da la paradoja de que, si queremos representar con más fiabilidad los edificios, es preferible extraer una malla de elevaciones incluyendo todos los puntos ya que, aunque erróneamente clasificados, al menos el volumen será representado. |
Global Mapper nos permite clasificar manualmente los puntos de la nube LIDAR. Esto es importantísimo. Quizá no para un Modelo Digital de Superficie (en el que en el fondo todo queda representado y nos puede resultar indiferente a veces si esa elevación es un edificio o un grupo de árboles), pero sin duda lo es si queremos elaborar otros modelos digitales. Si los puntos tienen una clasificación errónea, difícilmente nuestro modelo quedará realista. Si tenemos puntos clasificados como alta vegetación donde no la hay, creeremos que hay árboles donde no los hay. Hemos cambiado, de manera tosca y sin mucha precisión, muchos de los puntos clasificados como vegetación que en la anterior captura estaban evidentemente sobre los edificios, y los hemos clasificado como
Building. Sin haber sido meticulosos como digo, el cambio en la malla de elevaciones (suelo+edificios) respecto a la captura anterior ya es evidente:
Resumiendo, la clasificación de los puntos LIDAR, que imagino se hace en base a complicadas fórmulas matemáticas respecto a puntos vecinos, parece no ser muy precisa cuando entramos al detalle.
Y así como sus datos de altura y posición seguramente sean incontestables, la clasificación a posteriori de los puntos puede no ser tan fiable como quisiéramos a la hora de trabajar en zonas más pequeñas. Obviamente esta mala clasificación, que supone un problema inapreciable a la hora de elaborar un MDT de muchos kilómetros cuadrados, puede no ser tan menor si queremos conocer con cierta exactitud las masas de arbolado de una zona más concreta o la existencia de edificios aislados. Quizá le estoy pidiendo a los datos LIDAR lo que no pueden dar... En cualquier caso ahí quedan mis experimentos; ojalá los que sabéis más de esto comentéis el artículo para corroborar o desmentir mis novatas impresiones. Gracias y saludos.
