Modelos Digitales de Elevaciones a partir de Nubes de Puntos: Un Caso Práctico con LiDAR

Introducción

Los Modelos Digitales del Terreno (MDT) y los Modelos Digitales de Superficie (MDS) son representaciones clave del relieve terrestre utilizadas en múltiples disciplinas: planificación urbana, gestión del riesgo, estudios ambientales, modelado hidrológico, entre otros.

Es importante distinguir entre el Modelo Digital del Terreno (DTM) y el Modelo Digital de Superficie (DSM). El primero representa únicamente el terreno desnudo, sin vegetación ni estructuras, mientras que el MDS incluye todos los elementos presentes sobre la superficie, como edificios o árboles.

Su creación a partir de nubes de puntos, especialmente las capturadas mediante tecnología LiDAR, permite una representación precisa y detallada del entorno. En este post presento un caso práctico de procesamiento de nubes de puntos para generar un MDT de alta calidad, describiendo el flujo de trabajo, los datos empleados y el valor que ofrecen estos productos en distintos ámbitos.

Caso de uso: Análisis de una nube de puntos

El objetivo principal del proyecto fue generar un MDT preciso para representar únicamente el terreno desnudo, eliminando todos los elementos que pudieran distorsionar el relieve natural, como vegetación, edificios y otras estructuras artificiales. La nube de puntos, capturada mediante un sistema Lidar aerotransportado, contenía millones de puntos con coordenadas XYZ y atributos como intensidad o clase.

Datos utilizados

Se trabajó con datos del cliente y datos abiertos públicos:

• Una nube de puntos LiDAR en formato LAZ.
• Plantas de edificaciones industriales para identificar techos extensos y planos que podían confundirse con el suelo por los algoritmos de detección de suelo.

Flujo metodológico del análisis

El flujo de trabajo se dividió en varias fases:

1. Georreferenciación: Es fundamental alinear correctamente la nube de puntos con coordenadas geográficas precisas para asegurar que toda la información espacial tenga sentido dentro de su contexto real. Este paso inicial garantiza que los análisis posteriores sean fiables y precisos.
2. Exploración y filtrado de clases: Mediante el análisis detallado de los metadatos y atributos de la nube de puntos, es posible identificar cómo han sido clasificados inicialmente los puntos por el sistema automático. Es necesario revisar visualmente estas clases para detectar errores comunes, como extensos techos de edificios planos que a veces son confundidos con el terreno.
3. Eliminación de ruido: Es necesario aplicar filtros específicos que permitan eliminar puntos aislados o claramente erróneos. Estos puntos, si se mantienen, pueden distorsionar el modelo final y generar inconsistencias visuales o topográficas.

1. Extracción del terreno: Se requiere filtrar la nube para conservar únicamente los puntos identificados como suelo. En esta etapa, es imprescindible complementar la clasificación automática con información externa (como planos de edificaciones) para descartar superficies artificiales que podrían haber sido mal clasificadas.

1. Interpolación y generación del modelo triangular: Mediante técnicas de triangulación, es posible interpolar áreas donde no se registraron retornos, como zonas cubiertas por agua. Este paso permite cerrar el modelo y obtener una representación continua del terreno.

Herramientas utilizadas

Existen diversas herramientas para trabajar con datos LiDAR. En este caso, nos centraremos en aquellas que son de código abierto o que disponen de componentes open source, como es el caso de LAStools.

• LAStools: La parte open source de esta herramienta resulta especialmente útil para explorar rápidamente los atributos de la nube de puntos y aplicar filtros por clasificación de manera eficiente.
• CloudCompare: Este software destaca por su utilidad en la visualización, edición y comparación de nubes de puntos. Cuenta con una interfaz amigable e intuitiva que facilita su uso incluso para quienes no tienen experiencia previa.

• QGIS: Es una herramienta clave para la integración de datos vectoriales , lo que la convierte en un complemento esencial en flujos de trabajo basados en SIG. Además, QGIS desde la versión 3.32 incorpora herramientas que permiten procesar datos LiDAR.
• Python (PDAL): Permite automatizar tareas específicas dentro del flujo de procesamiento, como la limpieza de datos o la detección automatizada del suelo, aportando flexibilidad y escalabilidad al análisis.

El valor de los Modelos Digitales de Elevaciones

Este tipo de productos, como los Modelos Digitales del Terreno, ofrecen un gran potencial en sectores que van desde la ingeniería hasta la gestión ambiental. Permiten realizar análisis precisos del relieve, optimizar obras civiles, identificar riesgos naturales o diseñar territorios de forma más informada.

La ingeniería civil puede calcular movimientos de tierra con mayor precisión, mientras que en el ámbito ambiental se facilita el análisis de cuencas y la evaluación del riesgo de inundaciones, incluso cambios temporales. El urbanismo se beneficia del modelado de visibilidad y del análisis del impacto visual de nuevas construcciones.

Incluso en la arqueología y la agricultura, los MDT permiten descubrir patrones invisibles a simple vista o planificar el uso del suelo con mayor eficiencia.

Si trabajas en sectores donde el terreno marca la diferencia —ya sea en construcción, conservación, planificación o exploración—, estos modelos pueden convertirse en la base para tomar decisiones más inteligentes, sostenibles y alineadas con la realidad física del entorno. No dudes en ponerte en contacto con nuestro equipo. Estaremos encantados de ayudarte a dar el siguiente paso hacia una gestión del territorio más eficiente y basada en nubes de puntos.