universidad distrital francisco josÉ de caldas facultad de...
TRANSCRIPT
1
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
Facultad de Ingeniería
Maestría Ciencias de la Información y las Comunicaciones
Énfasis en Geomática
TESIS DE MAESTRÍA
EVALUACIÓN DE LA CONDICIÓN DE ENVEJECIMIENTO EN
PAVIMENTOS FLEXIBLES MEDIANTE TÉCNICAS DE
ESPECTRORADIOMETRÍA Y CLASIFICACIÓN EN IMÁGENES
MULTIESPECTRALES
Autor: Ing. Indira Paola Pachón Cendales
Director: Ing. Ph.D. Wilmar Darío Fernández Gómez
Codirector: Ing. M.Sc. Alexander Ariza Pastrana
Bogotá D.C., Colombia
Junio de 2016
AGRADECIMIENTOS
A la Universidad francisco José de Caldas por brindarme la oportunidad de hacer parte de
ella, en especial al proyecto curricular de la Maestría en Ciencias de la Información y las
Comunicaciones por apoyar mi formación como magister y como investigadora.
Al grupo de estudios en pavimentos y materiales sostenibles de la Universidad Distrital
Francisco José de Caldas por hacerme parte de el a través de esta investigación.
A mi director de tesis, el profesor Wilmar Darío Fernández Gómez por su constante interés,
apoyo y motivación durante el desarrollo de esta investigación. También, a mi codirector el
profesor Alexander Ariza Pastrana por compartir sus conocimientos y por sus valiosas
orientaciones, siendo fundamental su acompañamiento en este proceso.
A los revisores y jurados, los profesores Javier Medina Daza y Fernando Cancino de Greiff
por sus valiosas correcciones y por su orientación en el documento.
A mi familia, en especial a mis padres Fermín Pachón y Yenny Cendales, y a mis
hermanas, por el tiempo de compartir con ellos que tuve que sacrificar durante el desarrollo
de esta investigación, gracias por su apoyo, fuerza y constante motivación.
A mi compañero, amigo y colega de la maestría el Ingeniero M.Sc. Salomón Ramírez, por
su valioso apoyo, colaboración y motivación durante el desarrollo de la maestría y en
especial de mi investigación.
Al Grupo de Percepción Remota y Aplicaciones Geográficas del Centro de Investigación y
Desarrollo en Información (CIAF) del Instituto geográfico Agustín Codazzi (IGAC), en
especial a los ingenieros Sergio Rojas, Osman Roa y Sergio García, por su apoyo técnico e
interés en el desarrollo de esta investigación.
Al Ingeniero Iván Plata Arango de la Vicepresidencia Técnica y de Desarrollo de Ecopetrol
por su apoyo técnico y logístico en el préstamo del espectroradiómetro ADS, muchas
gracias a él, ya que con su ayuda pude dar inicio a esta investigación.
A la empresa Procalculo Prosis S.A. quien fue proveedor gratuito de la imagen
multiespectral WorldView-3 empleada como insumo para el desarrollo de la investigación,
a ellos mis más sinceros agradecimientos.
A la empresa ESRI Colombia quien me realizo el préstamo gratuito de una licencia
académica del software ENVI® 5.2, a ellos muchas gracias por su aporte a mi investigación.
“El viaje no acaba nunca. Solo los viajeros acaban. E
incluso estos pueden prolongarse en memoria, en
recuerdo, en relatos. Cuando el viajero se sentó en la
arena de la playa y dijo: “no hay nada más que ver”,
sabía que no era así. El fin de un viaje es sólo el inicio
de otro. Hay que ver lo que no se ha visto, ver otra vez
lo que ya se vio, ver en primavera lo que se había visto
en verano, ver de día lo que se vio de noche, con el sol
lo que antes se vio bajo la lluvia, ver la siembra
verdeante, el fruto maduro, la piedra que ha cambiado
de lugar, la sombra que aquí no estaba. Hay que volver
a los pasos ya dados, para repetirlos y para trazar
caminos nuevos a su lado. Hay que comenzar de nuevo
el viaje. Siempre. El viajero vuelve al camino.
—Viaje a Portugal, José Saramago (1999) —”
RESUMEN
Esta investigación presenta una metodología aplicable a nivel de red, la cual permite
obtener rendimientos mayores frente a la técnica convencional PCI (Pavement Condition
Index) para la evaluación del deterioro en pavimentos flexibles. En el desarrollo
metodológico se empleó una imagen multiespectral obtenida del sensor WorldView – 3
sobre un área localizada en un tramo de la Troncal 80 en la ciudad de Bogotá D.C., también
se contó con información espectral de las diferentes condiciones de deterioro de pavimento
flexible, esta información se adquirió en campo mediante un espectroradiómetro ADS
(Analytical Spectral Devices, Inc.) modelo FieldSpect 4. La clasificación de la imagen se
realizó mediante el algoritmo de clasificación espectral orientado a pixel SAM (Spectral
Angle Mapper). En términos de exactitud temática, la exactitud global de la clasificación
obtenida en la evaluación fue de 85% y el valor del estadístico Kappa obtenido fue de 70%,
desde el punto de vista práctico se pudo observar que la metodología permite hacer la
estimación del estado del pavimento con un buen grado de ajuste entre las clases predichas
y las clases reales a nivel de red vial.
Palabras Clave: Deterioro del Pavimento, Pavimento Flexible, Imágenes WorldView – 3,
SAM (Spectral Angle Mapper).
Índice General
Capítulo 1. ........................................................................................................................... 10
Introducción ........................................................................................................................ 10
1.1. Antecedentes ..................................................................................................................... 10
1.2. Planteamiento del Problema .............................................................................................. 13
1.3. Propósito y Objetivos ........................................................................................................ 14
1.4. Preguntas de Investigación ................................................................................................ 14
1.5. Hipótesis de Investigación ................................................................................................ 14
1.6. Delimitación y Alcance ..................................................................................................... 15
1.7. Importancia y Justificación ............................................................................................... 15
1.8. Organización del Documento ............................................................................................ 16
Capítulo 2. ........................................................................................................................... 17
Revisión de Literatura ....................................................................................................... 17
2.1. Fundamentos Teóricos ........................................................................................................... 17
2.1.1. Definición del pavimento flexible o asfáltico................................................. 17
2.1.2. Definición del envejecimiento del pavimento asfáltico ................................. 18
2.1.3. Caracterización del envejecimiento del pavimento asfáltico a partir de los
patrones de agrietamiento.............................................................................................. 19
2.1.4. Índice de condición del pavimento (PCI) ....................................................... 22
2.1.5. Espectroradiometría en la evaluación de la condición de envejecimiento en
pavimentos flexibles ...................................................................................................... 25
2.1.6. Propiedades espectrales de la superficie de pavimentos asfálticos ................ 26
2.1.7. Clasificación espectral de imágenes satelitales: Algoritmo Spectral Angle
Mapper (SAM) .............................................................................................................. 27
2.1.8. Validación temática de la clasificación .......................................................... 29
2.2. Estado del Arte .................................................................................................................. 30
Capítulo 3. ........................................................................................................................... 33
Metodología ......................................................................................................................... 33
3.1. Descripción de la Zona de Estudio ......................................................................................... 35
3.2. Adquisición de Datos: Toma en campo de firmas espectrales .............................................. 36
3.3. Procesamiento de Datos ......................................................................................................... 44
3.3.1. Procesamiento de firmas espectrales ................................................................... 44
3.3.2. Pre-procesamiento imagen WorldView-3 ........................................................... 45
3.3.2. Proceso de clasificación SAM............................................................................. 47
3.4. Metodología de Validación de los Datos Obtenidos .............................................................. 47
3.6. Software y Hardware .............................................................................................................. 48
Capítulo 4. ........................................................................................................................... 50
Resultados y Análisis .......................................................................................................... 50
4.1. Propiedades Espectrales de Pavimentos Flexible Relacionados con el Envejecimiento y el
Deterioro ....................................................................................................................................... 50
4.2. Análisis de los Datos Clasificados en la Imagen .................................................................... 54
4.3. Análisis de la Validación........................................................................................................ 60
Capítulo 5. ........................................................................................................................... 62
Conclusiones ........................................................................................................................ 62
5.1. Discusión ................................................................................................................................ 62
5.2. Conclusiones .......................................................................................................................... 63
Glosario ............................................................................................................................... 65
Anexo 1 ................................................................................................................................ 68
Especificaciones Técnicas Espectroradiómetro FieldSpect® 4 Hi-Res (ASD).............. 68
Anexo 2 ................................................................................................................................ 69
Descripción de las Imágenes Multiespectral: WorldView-3 (DigitalGlobe) ................. 69
BIBLIOGRAFÍA ................................................................................................................ 71
Índice de Figuras
Figura 1. Patrones de Agrietamiento Característicos del Envejecimiento del Pavimento
Asfáltico ............................................................................................................................... 22
Figura 2. Efectos Espectrales del Envejecimiento de la Superficie Asfáltica ..................... 27
Figura 3. Flujo General Fases Metodológicas del Proyecto de Investigación .................... 34
Figura 4. Localización de la Zona de Estudio (polígono rojo punteado) ............................ 36
Figura 5. Diagrama de Procesamiento Librería Espectral Deterioro del Pavimento ......... 44
Figura 6. Diagrama de Procesamiento Clasificación Espectral Deterioro del Pavimento .. 46
Figura 7. Validación de la Clasificación ............................................................................. 48
Figura 8. Firmas Espectrales del Envejecimiento por Deterioro del Pavimento ................. 51
Figura 9. Firmas Espectrales del Envejecimiento por Agrietamiento del Pavimento ......... 52
Figura 10. Firmas Espectrales Otras Superficies en el Pavimento ...................................... 53
Figura 11. Librería espectral por Deterioro del Pavimento ................................................. 55
Figura 12. Librería espectral por Agrietamiento o Estés del Pavimento ............................. 55
Figura 13. Clasificación de las Imágenes con Respecto a la Condición del Pavimento
Asfáltico.. ............................................................................................................................. 57
Figura 14. Clasificación SAM Deterioro del Pavimento .................................................... 58
Figura 15. Definición de Puntos de Muestreo para Validación .......................................... 59
Figura 16. Validación de la Clasificación respecto a la evaluación PCI para el año 2014 (c)
con relación a los resultados obtenidos en la clasificación SAM (d). .................................. 59
Índice de Tablas
Tabla 1. Clasificación General del Deterioro en Pavimentos Asfálticos ............................ 20
Tabla 2. Clasificación del PCI ............................................................................................. 23
Tabla 3. Clase y Severidad de Daños en PCI ...................................................................... 24
Tabla 4. Valoración del Índice Kappa (k) ............................................................................ 30
Tabla 5. Unidades de Análisis para el Muestreo ................................................................. 37
Tabla 6. Cálculo de la Altura Instrumental .......................................................................... 40
Tabla 7. Muestreo de Campo por Unidad de Análisis ......................................................... 42
Tabla 8. Información Recolectada en la Campaña de Campo ............................................. 43
Tabla 9. Evaluación Algoritmos de Clasificación Librería Deterioro del Pavimento ......... 56
Tabla 10. Evaluación Algoritmos de Clasificación Librería Agrietamiento del Pavimento56
Tabla 11. Calificación estado del Pavimento para Clasificación ........................................ 56
Tabla 12. Resultados estadísticos de la Clasificación SAM ................................................ 58
Tabla 13. Matriz de Confusión y Medidas de Fiabilidad Global ........................................ 60
Tabla 14. Especificaciones Técnicas FieldSpect® 4 Hi-Res (ASD) .................................. 68
Tabla 15. Descripción resolución Espectral por Banda. ...................................................... 69
Abreviaturas
ACC - Abreviatura en ingles de Accuracy o Exactitud
ASD - Abreviatura en ingles de Analytical Spectral Devices, Inc.
DEM – Abreviatura en ingles de Digital Elevation Model o Modelo Digital de Elevación
ENVI - Environment for Visualizing Images
FOV - Abreviatura en ingles de Field of View o Punto de Visión
GPS – Abreviatura en ingles de Global Position System o Sistema de Posicionamiento
Global
IDU – Instituto de Desarrollo Urbano
IGAC – Instituto Geográfico Agustín Codazzi
INVIAS – Instituto Nacional de Vías
IR - Abreviatura en ingles de Infra Red o Infra Rojo
MAGNA – Marco Geocéntrico Nacional
nm - Nanómetros
PCI - Abreviatura en ingles de Pavement Condition Index o Índice de Condición del
Pavimento
PDI – Abreviatura en ingles de Processing Digital Image o Procesamiento Digital de
Imágenes
RMS – Abreviatura en ingles de Root Mean Square o Error Medio Cuadrático
SAM - Abreviatura en ingles de Spectral Angle Mapper
SWIR – Abreviatura en ingles de Infra Rojo de Onda Corta
SAMS - Spectral Analysis and Management System
un - Micrones
WV3 - WorldView – 3
10
CAPÍTULO 1.
INTRODUCCIÓN
Esta investigación se encuentra enmarcada en la aplicación de técnicas cuantitativas con el
fin de automatizar la identificación de objetos en una escena de una imagen satelital
WorldView-3, siendo objeto de estudio la evaluación del estado de condición de
envejecimiento en pavimentos flexibles mediante el análisis de datos multiespetrales
empleando la técnica de clasificación orientada a píxel SAM (Spectral Angle Mapper) que
se encuentra basada en la medición de la similitud espectral entre los espectros de la
imagen de referencia y los espectros de reflectancia obtenidos en campo. La motivación
personal para abordar este tema radica en la posibilidad del uso de técnicas alternativas que
apoyen la actual evaluación de la condición de envejecimiento de pavimentos flexibles PCI
(Pavement Condition Index) con el fin de obtener una caracterización acertada de esta
condición mejorando el tiempo y el área de la evaluación.
1.1. Antecedentes
La infraestructura vial tiene una gran influencia en el desarrollo de los países, esto se
evidencia en la fuerte relación que presenta la densidad de la red de carreteras con el
Producto Interno Bruto (PIB) para cada país [1]. Sin embargo, la condición o estado de la
red resulta ser un aspecto clave para garantizar esta relación. En esta medida, la
disponibilidad de vías adecuadas para el transporte, es fundamental para promover el
desarrollo local y la calidad de vida de sus habitantes [2].
De acuerdo con el Ministerio de Transporte (MINTRANSPORTE) y el Instituto Nacional
de Vías (INVIAS), la recuperación y mantenimiento de la red vial, por medio de obras de
rehabilitación, se hace necesaria por una o más de las siguientes razones: Incomodidad para
la circulación vehicular, exceso de defectos superficiales, reducción de la adherencia entre
la calzada y los neumáticos de los vehículos, necesidad excesiva de servicios de
mantenimiento rutinario, costos de operación elevados para los usuarios [3].
El sistema vial de un país representa un capital de gran valor, esto se debe a la significativa
inversión que implica a lo largo del tiempo para construirlo y mantenerlo, es por ello que
los programas de mantenimiento vial representan un factor de valorización de este capital
físico [2].
En Colombia, para la Ciudad de Bogotá, el Instituto de Desarrollo Urbano (IDU), es la
entidad encargada de construir y mantener las vías de la ciudad. De acuerdo con las últimas
estadísticas oficiales un 36% de las vías de la ciudad se encuentran en buen estado, un 19%
se encuentran en estado regular, y un 45% se encuentra en mal estado [4] [5].
Las técnicas usadas actualmente por el IDU para determinar la condición del estado
superficial de las vías para la ciudad, consisten en métodos de inspección visual tales como
el Índice de Condición del Pavimento (PCI por sus siglas en inglés), este es un parámetro
que permite calificar la condición superficial del pavimento y depende del Índice de
Rugosidad Internacional (IRI) el cual estima la regularidad superficial del pavimento, y del
Índice de fallas (IF) que determina el nivel de fallas superficiales que se presentan en el
pavimento [6] [7].
Estas técnicas permiten la evaluación del estado superficial de los pavimentos flexibles
mediante formularios de inspección visual diligenciados por personal técnico especializado.
Algunas desventajas en el empleo de estas técnicas consisten en demoras para la obtención
de los datos, muchas veces ocasionadas a inconvenientes por la circulación constante de
vehículos, y también debido a las grandes extensiones a evaluar. Otras desventajas se
relacionan con la experiencia del técnico que las realiza, lo que implica que la evaluación
sea subjetiva, ocasionando falta de confiabilidad en los resultados y por ende que se
produzcan errores en la interpretación de los mismos distorsionando el resultado final,
también se encuentran desventajas debido a los grandes volúmenes de información
obtenidos, demoras en el procesamiento de resultados y datos incomparables [7] [8].
La evaluación del estado del pavimento es realizado mediante la inspección visual, esta
puede ser aplicada de forma manual o automatizada. En otros países se aplican técnicas de
obtención de la misma información de alto rendimiento utilizando equipos de visión
artificial que toman datos en continuo y que se complementan con algoritmos que permiten
resultados similares en menor tiempo [1] [9], sin embargo estas inspecciones toman
tiempos prolongados y requieren de personal y equipos calificados para llevarlas a cabo.
A pesar del apoyo en la determinación del estado del pavimento que brindan las técnicas
actuales en la clasificación cualitativa de los pavimentos en términos de sus tasas de
deterioro, persiste la necesidad de una herramienta de apoyo que permita realizar de manera
ágil, automatizada y objetiva, el levantamiento de la condición del pavimento para realizar
una planificación eficaz del mantenimiento preventivo del pavimento, ya que una superficie
en mal estado incide económicamente en el desarrollo del país, como por ejemplo en los
siguientes costos de operación: combustibles, lubricantes, llantas, reparación y refacciones,
depreciación, seguros y tiempo de transporte de las mercancías. Por lo anterior, durante la
vida en servicio de una estructura de pavimento, se debe evaluar periódicamente su estado
superficial, de serviciabilidad, capacidad estructural y seguridad [7].
La estructura del pavimento presenta tres tipos de fallas: estructural, funcional y secundaria
[10]. La falla estructural se presenta cuando uno o más de los componentes que constituyen
la estructura del pavimento falla, éstas se manifiestan en la superficie como formación de
huellas, fracturas longitudinales y transversales, sangrado, falla de la base, drenaje no
adecuado y falla por fatiga. Las fallas funcionales se presentan cuando la carpeta asfáltica
del pavimento no puede desempeñarse adecuadamente, y se encuentra relacionada con
deformaciones en longitudinales, transversales y de irregularidad superficial del pavimento
[10].
La falla secundaria más importante, que no está asociada a la estructura o funcionalidad de
la superficie de rodamiento, y la cual es objeto del presente estudio, es el envejecimiento de
la carpeta asfáltica. Este fenómeno natural es producido por dos tipos de variables que
afectan el desempeño de los pavimentos: las variables intrínsecas y las variables
extrínsecas. Las variables intrínsecas corresponden a los materiales y al momento de
realizar la mezcla [11], y las variables extrínsecas corresponden a todas las variables que
involucran los efectos ambientales: agua por precipitación pluvial, ozono, oxígeno del aire,
radiación solar, rayos UV, temperatura y presión barométrica, composición química del
cemento asfáltico y condiciones de operación en la elaboración del concreto asfáltico [10].
El envejecimiento del cemento asfáltico es considerado como una causa del deterioro de los
pavimentos flexibles, que se presenta como desprendimientos del agregado pétreo y
específicamente la pérdida de la capa de rodadura [10]. El cemento asfáltico que se
encuentra en las grietas sufre el mismo proceso al quedar expuesto al medio ambiente, con
lo que se generan grietas mayores. El envejecimiento de la carpeta asfáltica se manifiesta
en la superficie a través de los siguientes patrones de agrietamiento: fisuras longitudinales,
fisuras transversales, fisuras de malla eslabonada, piel de cocodrilo y descascaramiento [3]
[7] [10].
En la última década, se han realizado varios estudios del potencial de las técnicas usadas en
teledetección para la evaluación de la condición del pavimento [12] [13] [14] [15], en
donde se resalta el trabajo realizado mediante la toma de información espectral con
espectroradiometría de campo, esta técnica se ha usado para obtener información de la
superficie de la tierra por medio de investigación de la reflectancia espectral (medida como
la relación entre la luz reflejada y la luz incidente) de las diferentes composiciones de
materiales. De acuerdo con esto, los estudios realizados con espectroradiometría de campo
y de laboratorio han mostrado que el envejecimiento del asfalto y el deterioro muestran
cambios mensurables en los espectros de cada una de las superficies evaluadas [16]
[14][17].
La espectrometría presenta muchos beneficios a los estudios de teledetección dado a que
estos sensores utilizan un número de muestras de bandas espectrales más amplio, por lo
tanto es posible distinguir los objetos entre sí en términos de sus curvas de reflectancia,
para cada objeto puede diferenciarse una curva espectral distinta como resultado de sus
características físicas y químicas [18]. Con el uso de la espectroradiometría se han realizado
varios estudios para extraer información acerca de texturas urbanas y materiales de la
superficie [9] [19] [21] en imágenes hiperespectrales y multiespectrales mediante el uso de
espectrometría, los cuales demuestran que es posible mapear las condiciones de la
superficie de la carretera utilizando estas tecnologías.
En este sentido, una alternativa para lograr la evaluación de la condición de envejecimiento
en pavimentos flexibles, es mediante la clasificación e interpretación de imágenes
multiespectrales, ya que el análisis de imágenes de superficies de pavimentos puede agilizar
el proceso y reducir la subjetividad de los resultados. En este estudio, se pretende realizó
una investigación para entender el comportamiento espectral del asfalto, en términos de su
envejecimiento, también se evaluó la viabilidad del uso sensores satelitales multiespectrales
ampliamente disponibles en la determinación de las condiciones de la superficie de la
carretera.
1.2. Planteamiento del Problema
(1) El primer problema de investigación consiste en determinar si el uso de técnicas de
espectroradiometría de campo y clasificación de imágenes permiten realizar una
evaluación alternativa al método PCI usado actualmente en la ingeniería de
pavimentos dado a las desventajas que ofrece esta técnica, en cuanto a demoras para
la obtención de la información de campo, inconvenientes por el tránsito de
vehículos, el clima, grandes volúmenes de información, y evaluación,
procesamiento e interpretación de la información de forma subjetiva ya que depende
del técnico especializado.
(2) El segundo problema de investigación consiste en implementar esta evaluación
alternativa en mayores extensiones viales, ya que las técnicas empleadas
actualmente consisten en formularios manuales diligenciados por técnicos
especializados lo hace que ocupe un mayor tiempo la toma de información en áreas
mayores.
1.3. Propósito y Objetivos
El objetivo general de esta investigación se enfoca en la evaluación del estado de condición
de envejecimiento en pavimentos flexibles mediante técnicas de espectroradiometría de
campo y clasificación en imágenes multiespectrales.
Los objetivos específicos de este estudio son los siguientes:
1. Obtener mediante espectroradiometría de campo la respuesta espectral de las
diferentes muestras que nos permitan reconocer la condición de envejecimiento
en pavimentos flexibles.
2. Realizar la clasificación de la condición de envejecimiento de pavimentos
flexibles empleando la técnica de clasificación orientada a píxel SAM (Spectral
Angle Mapper) sobre una imagen multiespectral del sensor WorldView-3.
3. Evaluar la exactitud temática de la clasificación realizada de la condición de
envejecimiento de pavimentos flexibles.
1.4. Preguntas de Investigación
1. ¿Las técnicas de espectroradiometría de campo permiten discriminar las firmas
espectrales características para realizar la evaluación del estado de envejecimiento
en pavimentos flexibles?
2. ¿El empleo de técnicas de teledetección mediante el uso de imágenes
multiespectrales permite clasificar de manera significativa el estado de
envejecimiento en pavimentos flexibles?
3. ¿Existen diferencias significativas de exactitud en la evaluación del estado de
envejecimiento de pavimentos flexibles a partir de técnicas de teledetección
mediante el uso de imágenes multiespectrales y las técnicas convencionales?
1.5. Hipótesis de Investigación
El presente estudio se basa en la siguiente hipótesis:
1. La toma de información mediante espectroradiometría de campo permite
discriminar las firmas características para la evaluación del estado de
envejecimiento en pavimentos flexibles.
2. Al emplear la técnica de clasificación SAM sobre imágenes multiespectrales del
sensor WorldView-3, es posible clasificar de manera significativa el estado de
envejecimiento en pavimentos flexibles.
3. La clasificación en imágenes multiespectrales WorldView-3 presenta un grado
de ajuste entre el 60% y el 80% del índice Kappa en la evaluación de la
exactitud temática de la clasificación entre las clases predichas y las clases
reales.
1.6. Delimitación y Alcance
Se propone con la presente investigación evaluar el potencial de las firmas espectrales
asociadas al estado de envejecimiento de la calzada en pavimento flexible y su clasificación
sobre en imágenes multiespectrales del sensor WorldView-3 para una vía principal y de
gran importancia en la movilidad de la ciudad de Bogotá D.C. como lo es la Troncal 80
entre la Avenida Carrera 86 y la Carrera 110.
La toma de firmas espectrales en campo de las diferentes superficies características del
envejecimiento en pavimentos flexibles se realizó con el espectroradiómetro Analytical
Spectral Devices, Inc. (ASD) Field Spect 4, este equipo posee un rango espectral entre los
350 y los 2500 nanómetros (nm) (Ver Anexo 1).
Las imágenes a usar en el estudio para la clasificación corresponden con las adquiridas por
el sensor WorldView-3, y se encuentran conformadas por 1 banda pancromática de los 450
nm a los 800 nm, 8 bandas multiespectrales (red, red edge, coastal, blue, green, yellow,
near-IR1 and near-IR2) entre los 400 nm - 1040 nm. La resolución espacial para la imagen
pancromática es de 0.50 metros (m), para las imágenes multiespectrales de 2.2 m (Ver
Anexo 2).
1.7. Importancia y Justificación
Esta investigación explora la posibilidad del uso de técnicas de teledetección tales como
espectroradiometría, corrección y clasificación de imágenes, como una alternativa que
apoye a la evaluación del estado de envejecimiento en pavimentos flexibles y que permita
su mapeo, con el fin obtener una caracterización acertada de la condición de envejecimiento
en áreas más extensas a las que actualmente se pueden evaluar con la técnica de PCI. Otro
de los beneficios que se pretenden con los resultados de la presente investigación, es evitar
problemas comunes como el retraso en los diagnósticos, y falta de mantenimiento oportuno
de la red vial de la ciudad, dado a que esta caracterización resulta ser usada como insumo
en la implementación de programas de gestión de pavimentos para la intervención en
cuanto a rehabilitación o construcción de las vías.
1.8. Organización del Documento
Lo que resta del documento se encuentra organizado de la siguiente manera: En el capítulo
2 se presentan los fundamentos teóricos que soportaron la investigación, así como el estado
del arte del tema objeto de estudio. En el capítulo 3 se describe el área de estudio, los datos,
los métodos y las herramientas que se emplearon durante el desarrollo de la investigación.
El capítulo 4 presenta los resultados obtenidos en la investigación con sus respectivos
análisis. En el capítulo 5 se muestran las conclusiones de la investigación, mostrando los
principales aportes de la misma.
CAPÍTULO 2.
REVISIÓN DE LITERATURA
En este capítulo se muestra la base teórica en la cual se fundamenta el proyecto de
investigación y se encuentra dividido en tres secciones: En la primera sección se presenta
inicialmente una revisión teórica para orientar al lector sobre los conceptos básicos que
permitirán una mejor comprensión del documento, en la segunda sección se presentan los
trabajos realizados por los autores más influyentes en la temática y finalmente se presentan
los trabajos y técnicas más concluyentes que permitirán abordar la metodología del
proyecto.
2.1. Fundamentos Teóricos
2.1.1. Definición del pavimento flexible o asfáltico
En la ciudad de Bogotá alrededor del 65% de las vías se encuentra construido en pavimento
asfáltico [7], las vías generalmente son construidas con dos tipos de pavimento: Pavimento
flexible y pavimento rígido, estos tipos de pavimento corresponden a estructuras
conformadas por varias capas superpuestas con materiales apropiados y adecuadamente
compactados, y tienen como función principal facilitar el adecuado desplazamiento de los
vehículos y soportar las cargar del tránsito [22].
El pavimento flexible o pavimento asfáltico está compuesto por una capa asfáltica apoyada
generalmente sobre dos capas no rígidas, la base y la sub base, cada capa recibe las cargas
en su superficie y se extienden a lo largo de ella [22]. Entre las funciones que se atribuyen a
la capa asfáltica se encuentran la de proporcionar una superficie uniforme y estable al
tránsito, de textura y color conveniente y resistir los efectos abrasivos que el transito tiene
sobre ella, impermeabilizar hasta donde sea posible el paso del agua al interior del
pavimento y su resistencia a la tensión complementa la capacidad estructural del pavimento
[23] [22], estas características resaltan la importancia de mantener en buen estado la carpeta
o capa asfáltica del pavimento mediante acciones preventivas y correctivas oportunas.
La estructura del pavimento flexible sufre deterioro a través del tiempo debido a factores de
diferente origen los cuales determinan alteraciones de la superficie de rodamiento de los
pavimentos que afectan la seguridad, comodidad y velocidad con la que debe circular el
tránsito [22]. Entre los factores que producen con frecuencia deterioro en la capa asfáltica
se encuentra [8] [22]:
Elevado incremento de las cargas circulantes y de su frecuencia con respecto a las
previstas en el diseño original.
Deficiencia durante el proceso constructivo en la calidad de los materiales,
espesores o en las operaciones de construcción.
Diseños deficientes.
Factores climáticos regionales desfavorables.
Mantenimiento deficiente por escasez de recursos económicos disponibles, equipo
maquinaria especializada y personal capacitado.
Estas estructuras sufren deterioro a través del tiempo debido a la carga, las condiciones
ambientales, y el desgaste normal, con frecuencia el deterioro se manifiesta en forma de
fallas en la superficie [24].
2.1.2. Definición del envejecimiento del pavimento asfáltico
De acuerdo con la clasificación sugerida por Barriga & Chávez, 2009, el pavimento flexible
presenta tres tipos de fallas caracteristicas del deterioro o envejecimiento: estructural,
funcional y secundaria. La Falla Estructural se presenta cuando uno o más de los
componentes que constituyen la estructura del pavimento falla, ésta se manifiesta en la
superficie como: formación de huellas, fallas por corte, fracturas longitudinales y
transversales, consolidación de la base, sangrado, desintegración por enfriamiento, falla de
la base, drenaje no adecuado y falla por fatiga [10].
Las Falla Funcional se presenta cuando la carpeta asfáltica del pavimento no puede
desempeñar el trabajo para el que fue diseñado, que es el de proveer una capa de
rodamiento segura, plana, con resistencia al deslizamiento, a la carga y a la deformación
permanente. Las fallas funcionales de la carpeta asfáltica están relacionadas con las
deformaciones que ésta presenta, las cuales son: longitudinales, transversales y de
irregularidad superficial [10].
La Falla secundaria asociada al deterioro, es el envejecimiento de la carpeta asfáltica, este
fenómeno natural ha sido relacionado con los factores ambientales: agua por precipitación
pluvial, ozono, oxígeno del aire, radiación solar, rayos UV, temperatura y presión
barométrica, composición química del cemento asfáltico (Variables Extrínsecas) y
condiciones de operación en la elaboración del concreto asfáltico (Variables intrínsecas),
dado a que los componentes del cemento asfáltico se oxidan con rapidez al estar expuestos
al aire y al sol [10][11][25].
De acuerdo con esto, el Envejecimiento del Pavimento Asfáltico o Pavimento Flexible se
refiere a las propiedades físicas que intervienen en el cambio de asfalto que transcurre a lo
largo del tiempo, debido a los cambios en su composición química [26]. Siendo, entre
varios de los factores ya mencionados, los rayos UV de la radiación solar uno de los
factores más influyentes en la oxidación del cemento asfáltico por transformarse una parte
de los máltenos en asfáltenos, originando un cambio de equilibrio físico/ químico entre
estos dos seudo componentes, y por lo tanto un cambio en su propiedades como son el
endurecimiento del cemento asfáltico que envuelve al agregado pétreo produciendo una
película bituminosa cuya estructura molecular tiende a contraerse y producir grietas [10].
En conclusión el envejecimiento es considerado una causa del deterioro de los pavimentos
flexibles y se presenta debido al desprendimiento del agregado pétreo y específicamente a
la pérdida de la capa de rodadura o capa asfáltica.
2.1.3. Caracterización del envejecimiento del pavimento asfáltico a partir
de los patrones de agrietamiento
El envejecimiento de la carpeta asfáltica se manifiesta en la superficie a través de patrones
de agrietamiento característicos que pueden ser clasificados en cuatro categorías [3]:
Fisuras, deformaciones, perdida de la capas estructurales, daños superficiales. Dentro de
estas categorías se encuentran distintos deterioros que indican el envejecimiento en
pavimentos flexibles, y dentro de los cuales se pueden destacar las fisuras longitudinales,
fisuras transversales, fisuras de malla eslabonada, piel de cocodrilo y descascaramiento [7].
Los deterioros anteriormente descritos presentan características específicas en la forme de
manifestarse sobre la superficie asfáltica y se encuentran clasificados de acuerdo a sus
severidades o a la intensidad con la que se muestra el deterioro sobre la misma, estas
severidades se clasifican en Baja, Media y Alta. De acuerdo con la guía metodológica para
el diseño de obras de rehabilitación de pavimentos asfálticos en carreteras del instituto
nacional de vías de Colombia (INVIAS) [27], en la Tabla 1 se puede observar un resumen
de las diferentes categorías características del deterioro del pavimento asfáltico, en clases,
tipos y causas u origen de los deterioros los causa del tránsito, las condiciones climáticas,
materiales de la vía y del asfalto o a técnicas al momento de la construcción.
Para el caso de estudio se seleccionaron los tipos de deterioro particulares de la zona de
estudia o que al mismo tiempo caracterizaran la condición de envejecimiento del pavimento
asfáltico o pavimento flexible dentro de estas se encuentran las fisuras longitudinales,
fisuras transversales, fisuras de malla eslabonada, piel de cocodrilo y descascaramiento. A
continuación se describen cada uno de estos deterioros representados gráficamente en la
Figura 1.
Tabla 1. Clasificación General del Deterioro en Pavimentos Asfálticos
Clase Tipo de Deterioro
Causas
Principales:
Tránsito
Causas Principales:
Materiales, Clima,
Construcción
Fisuramientos Fisuramiento por fatiga (grietas
longitudinales en la huella y piel de
cocodrilo)
Fisuramiento en Bloque
Fisuramiento de Borde
Fisuramiento Longitudinal (no de fatiga)
Fisuramiento Transversal
x
x
x
x
x
Deformaciones Ahuellamiento
Abultamientos
Depresiones (baches)
x
x
x
Desprendimientos Pulimiento de Agregados
Ojos de Pescado
Descascaramiento
Pérdida de Película de Ligante
Perdida de Agregado
x
x
x
x
x
Afloramientos Exudación
Afloramiento de Agua
Afloramiento de Finos
x
x
x
Fuente: Tomado de INVIAS, 2008
Las Fisuras Longitudinales (Figura 1a) son producidas por un fenómeno denominado
Fatiga (falla de un material por repetición de carga), producido por el paso continuo de
vehículos lo que hace que la capa asfáltica flexione, generando esfuerzos de tensión en el
extremo inferior de la misma. El problema de la aparición de este tipo de agrietamiento es
que una vez que se produce, la vida del pavimento disminuye de manera exponencial por
que penetra más fácilmente el agua y el aire, envejeciendo la capa asfáltica y disminuyendo
la capacidad portante de los granulares y la subrasante al aumentar la humedad [7]. Estas
fisuras se encuentran generalmente paralelas al eje del pavimento y su causa también se
encuentra asociada a la contracción de la superficie de concreto asfáltico debido a bajas
temperaturas o al envejecimiento del asfalto [8].
Las Fisuras Transversales (Figura 1b), por lo general ocurren por fenómenos térmicos
(agrietamiento por baja temperatura y fatiga térmica) y/o por envejecimiento de la mezcla
asfáltica. En el agrietamiento por baja temperatura el esfuerzo interno que se induce genera
fisuración cuando dicho esfuerzo es superior a la resistencia de la mezcla. Para el caso de la
fatiga térmica, son los gradientes de temperatura los que generan cambios en los esfuerzos
internos (los cuales son cíclicos, se repiten en el tiempo), y si dichos esfuerzos son mayores
a la resistencia de la mezcla, éstos generan el agrietamiento. La grieta que se forma por
ambos fenómenos se observa por lo general en el sentido transversal a la dirección de los
vehículos. El primero de estos fenómenos ocurre por lo general con temperaturas inferiores
a -7°C, mientras que la fatiga térmica tiende a ocurrir entre -7° y 21°C [7].
Otras causas de ocurrencia de grietas transversales son: la reflexión de grietas de materiales
estabilizados, riego de liga insuficiente y espesor inadecuado de la capa asfáltica (diseño).
Cuando un ligante asfáltico envejece genera disminución en la adherencia entre el agregado
pétreo y el ligante (aumentado la probabilidad de incremento del fenómeno de “stripping”),
cambio del comportamiento dúctil a frágil del ligante y la mezcla asfáltica acompañado de
un incremento en su rigidez [7]. La causa más común que genera ambos tipos de fisuras se
relaciona con la rigidización de la mezcla asfáltica por perdida de flexibilidad o al
envejecimiento del asfalto, ocurre ante bajas temperaturas o gradientes térmicos altos,
generalmente superiores a 30° [23].
La evolución probable de las fisuras longitudinales y transversales es la fisura de Malla
Eslabonada (Figura 1c). Al inducirse la fisura longitudinal o transversal, el agua lluvia
penetra a la estructura del pavimento, disminuyendo su resistencia y envejeciendo la capa
asfáltica. En este mecanismo de daño, se observa la formación de cuadriculas con
dimensiones promedio longitudinales mayores a 15 cm. Cuando dichas longitudes son
inferiores a 15 cm (las cuadriculas disminuyen su tamaño), el mecanismo de daño adquiere
la denominación de piel de lagarto o cocodrilo, por lo general la Piel de Cocodrilo viene
acompañada con hundimiento del área afectada (Figura 1d) [7].
Un mecanismo de daño similar en apariencia a la piel de cocodrilo son las fisuras en
bloque. La Fisuración en Bloque (Figura 1e) es causada principalmente por la contracción
del concreto asfáltico debido a la variación de la temperatura durante el día, lo que se
traduce en ciclos de esfuerzo y deformaciones sobre la mezcla. La presencia de este tipo de
fisuras indica que el asfalto se ha endurecido significativamente, esto sucede debido al
envejecimiento de la mezcla o al uso de un tipo de asalto inadecuado para las condiciones
climáticas de la zona [7] [3].
El Descascaramiento (Figura 1f) consiste en el desprendimiento de la capa asfáltica
superficial (por lo general la rodadura o parte de ella) sin afectar la capa que le subyace
(base intermedia o base asfáltica). Algunas de las causas que producen este mecanismo de
daño son: Espesor insuficiente de la capa de rodadura, ligante asfáltico inadecuado,
compactación localizada insuficiente, baja afinidad entre el ligante asfáltico y el agregado
pétreo, extensión y compactación de mezcla asfáltica durante lluvia, riego de liga
deficiente, mezcla asfáltica permeable, envejecimiento del ligante asfáltico [7]. Dentro de
este tipo de deterioro se encuentran los ojos de pescado que corresponden a baches de
forma redondeada y profundidad variable, con bordes bien definidos que resultan de una
deficiencia localizada en las capas estructurales. Este tipo de deterioro puede presentarse
por la retención de agua en zonas fisuradas que ante la acción del tránsito produce
reducción de esfuerzos efectivos generando deformaciones y la falla del pavimento y ocurre
siempre como evolución de otros daños, especialmente de piel de cocodrilo [3].
La técnica que se usa actualmente en Colombia para determinar la condición del estado
superficial de las vías consiste en un método de inspección visual conocido como el Índice
de Condición del Pavimento (PCI) por sus siglas en inglés, el cual es un parámetro que
permite calificar la condición superficial del pavimento y en su evaluación contempla las
fallas físicas que se manifiestan por el envejecimiento de la carpeta asfáltica.
a. Fisura Longitudinal b. Fisura Transversal c. Agrietamiento de Tipo Malla
Eslabonada
d. Agrietamiento de Tipo Piel
de Cocodrilo
e. Fisura en Bloque f. Descascaramiento
Figura 1. Patrones de Agrietamiento Característicos del Envejecimiento del Pavimento Asfáltico
Fuente: Tomado de Rondón et al., 2012
2.1.4. Índice de condición del pavimento (PCI)
El deterioro de la estructura de pavimento es una función de la clase de daño, severidad y
cantidad o densidad del mismo. Para ello se introdujeron “valores deducidos”, como un
modelo de factor de ponderación, con el fin de indicar el grado de afectación que cada
combinación de clase de daño, nivel de severidad y densidad tiene sobre la condición del
pavimento a partir de la medición de un índice conocido como PCI por sus siglas en inglés
o Índice de Condición del Pavimento [28].
El índice de condición de pavimentos PCI, fue publicado por el cuerpo de Ingenieros de la
Armada de Estados Unidos en 1978. Es un índice sencillo de emplear, no requiere de
equipos especiales para ejecutar la evaluación vial, el procedimiento se valida mediante una
inspección de campo y ofrece buena repetitividad y confiabilidad estadística de los
resultados suministrando información confiable sobre las fallas que presenta el pavimento,
su severidad y área afectada [7].
Este índice permite calificar la condición superficial de la estructura del pavimento y se
basa en los resultados de un estudio visual de la condición del pavimento, en el que se
identifican la clase, la extensión y la severidad del daño que se presenta. El diagnóstico de
las vías está asociado al estado de condición de cada una, mediante la medición del PCI que
varía desde cero (0), para un pavimento fallado o en mal estado, hasta cien (100) para un
pavimento en perfecto estado. En la Tabla 2 se presentan los rangos de PCI con la
correspondiente descripción cualitativa de la condición del pavimento [5].
Tabla 2. Clasificación del PCI
Rango PCI Calificación
85-100 Excelente
70-85 Muy Bueno
55-70 Bueno
40-55 Regular
25-40 Malo
10-25 Muy Malo
0-10 Fallado
Fuente: Tomado de Vásquez, 2002
El procedimiento para la evaluación de la condición del pavimento flexible consiste en la
selección y determinación de las unidades de muestreo para la evaluación en donde se
registra de manera ordenada en formularios la información del inventario vial tal como
daño, severidad y la cuantificación de las mimas de acuerdo a unidad de muestreo. En la
Tabla 3 se observan la clasificación del deterioro de las clases objeto de estudio de la
presente investigación por tipo de daño y medida de severidad de acuerdo a la evaluación
que se realiza en PCI.
Tabla 3. Clase y Severidad de Daños en PCI
Ítem Tipo de Daño Nivel de Severidad Descripción
1 Fisura Longitudinal
y Transversal
Baja Grietas de ancho menor a 10 mm.
Media Grietas de ancho entre 10mm y 76 mm
rodeadas de grietas aleatorias pequeñas.
Alta
Grietas mayores a 76 mm rodeadas de
un agrietamiento aleatorio altamente
fracturado.
2 Piel de Cocodrilo
Baja
Grietas finas longitudinales de forma
paralela con pocas o ninguna
interconexión con agrietamientos a lo
largo de las mismas.
Media
Grietas interconectadas en forma de
eslabón que presenta un ligero
descascaramiento.
Alta
Grietas bien definidas con
desprendimientos de material en los
bordes.
3 Fisura en Bloque
Baja
Bloques definidos con grietas
longitudinales y transversales de
severidad baja.
Media
Bloques definidos con grietas
longitudinales y transversales de
severidad media.
Alta
Bloques definidos con grietas
longitudinales y transversales de
severidad alta.
4 Parcheo
Baja
El parche presenta una buena condición
y la calidad del tránsito se califica como
de baja severidad o mejor.
Media
Parche moderadamente deteriorado o la
calidad del tránsito se califica como de
severidad media.
Alta
El parche está muy deteriorado o la
calidad del tránsito se califica como de
alta severidad.
5 Descascaramiento y
Huecos
Baja
Diámetro medio: 102 a 203 mm.
Profundidad máxima del hueco: 12.7 a
25.4 mm y ˃ 25.4 mm a 50.8 mm.
Diámetro medio: 203 a 457 mm.
Profundidad máxima del hueco: 12.7 a
25.4 mm.
Media
Diámetro medio: 102 a 203 mm.
Profundidad máxima del hueco ˃ 50.8
mm.
Diámetro medio: 203 a 457 mm.
Profundidad máxima del hueco: 12.7 a
25.4 mm y ˃ 25.4 mm a 50.8 mm.
Diámetro medio: 457 a 762 mm.
Profundidad máxima del hueco 12.7 a
25.4 mm.
Alta
Diámetro medio: 457 a 762 mm.
Profundidad máxima del hueco ˃ 25.4
mm a 50.8 mm y ˃ 50.8 mm.
6 Desprendimiento de
Agregado
Baja
Se inicia el desprendimiento de
agregados o pérdida del ligante
asfáltico, la superficie empieza a
deprimirse.
Media
Perdida de agregados o ligante asfáltico,
su textura es ligeramente rugosa y
ahuecada.
Alta
Perdida de agregados o ligante asfáltico
en forma considerable, su
textura es rugosa y
extremadamente ahuecada con
diámetros menores a 10.0 mm
de y 13.0 mm de profundidad.
Fuente: Adaptado de Díaz, 2013
2.1.5. Espectroradiometría en la evaluación de la condición de
envejecimiento en pavimentos flexibles
Las técnicas de teledetección o percepción remota permiten la captura de información de
objetos sobre la superficie terrestre sin tener contacto con ellos, esto es posible mediante la
medición de fenómenos físicos como la reflexión, la refracción y la absorción de energía
proveniente de la luz solar, que genera cada objeto de la superficie terrestre en distintas
longitudes de onda del espectro electromagnético, denominado firma espectral o huella
espectral, siendo esta única para cada objeto [29].
Hoy en día existen estudios que aplican el uso de la radiación espectral, capturada por
espectroradiómetros de campo, para determinar las características de los materiales y/o
coberturas sobre la superficie terrestre; entre los cuales se encuentran los estudios
realizados sobre la condición del pavimento para la evaluación de carreteras de asfalto, en
donde se muestra que el envejecimiento del asfalto y el deterioro producen cambios
mensurables en los espectros evaluados cada una de estas superficies [9], [14] .
2.1.6. Propiedades espectrales de la superficie de pavimentos asfálticos
Los pavimentos construidos en asfalto se componen básicamente de elementos rocosos y
mezcla asfáltica, la naturaleza química del pavimento asfáltico es esencialmente una mezcla
de hidrocarburos con 50-1000 átomos de carbono, además de suficiente hidrógeno,
oxígeno, azufre, nitrógeno y sustituyentes para dar algunas de las moléculas de un carácter
polar. Más específicamente, los componentes químicos de la mezcla de asfalto son carbono
(80% - 87%), hidrógeno (9% - 11%), oxígeno (2% - 8%), nitrógeno (0% - 1%), azufre
(0,5% -1%), y algunas trazas de metales [16].
Después del proceso de "envejecimiento" de la superficie asfáltica, un proceso que en
términos simples se puede definir como la pérdida de la capa bituminosa o de asfalto y el
afloramiento de los materiales agregados de la capa asfáltica, se presenta en las firmas
espectrales un ligero aumento en la reflectancia y la aparición de picos absorción
relacionada con las características mineralógicas de fragmentos de roca [9], [14]. Debido al
tiempo y los procesos de degradación, las superficies de asfalto pierden componente
bituminoso lo que genera un aumento de los valores de reflectancia. De hecho, los procesos
de oxidación y la exposición de los componentes líticos modifica la firma espectral del
asfalto que muestra el aspecto de los picos de absorción de óxidos de hierro en 520 nm, 670
nm y 870 nm, mientras que la pérdida de los compuestos oleosos determina la desaparición
de picos característicos de hidrocarburos [12].
La absorción de los hidrocarburos que componen el asfalto, particularmente evidentes en
superficies de asfalto nuevas, afecta la reflectancia en los 1750 nm y después de 2100 nm
con medidas significativas en los 2310 y 2350 nm [30]. Por otro lado, en los asfaltos viejos
o deteriorados, hay un cambio significativo en la pendiente de la firma espectral entre 2100
nm - 2200 nm y 2250 nm - 2300 nm, respectivamente, debido a la influencia de los
minerales de silicato e hidrocarburos [31].
En la Figura 2 se muestran los efectos espectrales de daños estructurales o grietas con
diferente intensidad en la señal espectral. El principal impacto espectral de las fisuras es la
reflectancia de los objetos en todas las partes del espectro. Al aumentar la rugosidad de la
superficie y sombras causan diferencias de reflectancia entre el 7% - 8% en el las
longitudes de onda del NIR (Infra Rojo cercano) y SWIR (Infra Rojo de Onda Corta) entre
las firmas espectrales de pavimento nuevo y pavimento con alta severidad. Las superficies
agrietadas tienen características de absorción de hidrocarburos más intensas en la región de
1700 y 2300 nm [12].
Figura 2. Efectos Espectrales del Envejecimiento de la Superficie Asfáltica
Fuente: Tomado de Herold, 2007
Los resultados sugieren que los análisis espectroradiómetricos se pueden utilizar para
establecer nuevos, eficientes y rápidos procedimientos de evaluación vial para apoyar las
actividades de los sistemas de gestión de pavimentos mediante la interpretación de imágenes
de percepción remota [17].
2.1.7. Clasificación espectral de imágenes satelitales: Algoritmo Spectral
Angle Mapper (SAM)
De acuerdo con Chuvieco (2008), la clasificación de imágenes es la etapa de extracción de
información radiométrica y espectral de la imagen con el objetivo de automatizar la
identificación de los elementos contenidos en ella. Esto implica el uso de algoritmos en el
análisis de los datos espectrales para establecer la identidad de cada uno de los píxeles.
Como fruto de la clasificación digital se obtiene una cartografía e inventario de las
categorías o clases objeto de estudio. Para ello, se genera una nueva imagen, en la que el
valor que se define para cada píxel no tiene relación con la reflectancia detectada por el
sensor, sino que se trata de una etiqueta que identifica la categoría asignada a ese píxel [29].
La etapa de clasificación involucra las siguientes fases: entrenamiento y aplicación del
algoritmo de clasificación. El entrenamiento del algoritmo de clasificación se realiza a partir
de las firmas espectrales características de las superficies de interés, en la etapa de
entrenamiento se le indica al algoritmo la respuesta espectral que debe tener cierta
cobertura, con el fin de correlacionar dicha respuesta con el valor correspondiente a cada
píxel contenido en la imagen. La aplicación del algoritmo de clasificación consiste en el uso
de técnicas cuantitativas con el fin de automatizar la identificación de cada píxel de la
imagen dándole un valor correspondiente a cada una de las categorías seleccionadas en la
fase de entrenamiento a los objetos que se desea clasificar en la imagen. De acuerdo con
esto, y el caso de estudio planteado en la investigación, se realizó la selección de un
algoritmo de clasificación espectral angular basado en pixeles el cual se describe a
continuación.
Dentro de las técnicas más usadas en la literatura se encuentra la Técnica de Clasificación
Angular Spectral Angle Mapper (SAM), este algoritmo está basado en la medición de la
similitud espectral entre dos espectros de la imagen con referencia a los espectros de
reflectancia. Esta similitud espectral, se obtiene teniendo en cuenta cada espectro como un
vector en un espacio de dimensionaldad igual al número de bandas [32].
Este algoritmo se basa en el cálculo de la similaridad espectral ( ) entre dos espectros del
mismo objeto, esta similaridad es obtenida considerando cada espectro como un vector de
n dimensiones en el espacio. El cálculo consiste en la medida del arco coseno del producto
escalar de los dos espectros (S1y S2), como indica la ecuación (1) [33] [34]:
α = cos−1 (∑ 𝑆1 𝑆2𝑛
𝑖=1
(∑ 𝑆22𝑛𝑖=1 )
1/2. (∑ 𝑆12𝑛
𝑖=1 )1/2) (1)
Dónde n es el número de bandas espectrales, y S1 y S2, son los dos espectros comparados.
El ángulo entre estos dos espectros es proporcional a su similaridad.
Este método clasifica la imagen en función de los espectros de campo, asignando a cada
píxel de la imagen, la clase con la que forma un menor ángulo, siempre que el ángulo no
sea mayor que un valor de tolerancia establecido por el usuario [33]. Los ángulos
espectrales pequeños entre vectores corresponden a alta similitud, mientras que los ángulos
más grandes, corresponden a las categorías menos similares. Por lo tanto, el píxel se asigna
a la categoría de referencia con un valor angular más pequeño [29].
A diferencia de otras técnicas, este método es insensible a cambios en la iluminación de la
imagen, ya que utiliza el ángulo entre vectores y no de sus longitudes, característica que
hace a este clasificador prácticamente insensible a la presencia de sombras en la imagen
[35].
2.1.8. Validación temática de la clasificación
La etapa de clasificación aún no se encuentra completa hasta tanto no se haya realizado la
etapa de validación de la información clasificada a partir del algoritmo seleccionado, en
esta etapa se verifica la exactitud de la clasificación a partir del grado de concordancia entre
la categoría asignada por el clasificador (SAM) y la clasificación real en el terreno la cual
debe ser muestreada previamente. Dentro de los métodos más usuales de validación de la
clasificación de imágenes satelitales se encuentra la evaluación de la exactitud mediante la
matriz de confusión, también llamada matriz de error o de contingencia [29].
La matriz de confusión es una matriz, cuadrada de n x n, donde n es el número de clases, y
muestra la relación entre dos clasificaciones correspondientes al área en estudio. La primera
corresponde a la clasificación real muestreada del terreno para una muestra de puntos
seleccionados (clasificación de usuario) y la segunda corresponde a la clasificación
realizada por el algoritmo (clasificación de productor) [29] [36].
En una matriz de confusión las columnas corresponden a la clasificación de usuario,
mientras que las filas corresponden a la clasificación automatizada o de productor, los
elementos en la diagonal de la matriz indica los pixeles correctamente clasificados en las
dos clasificaciones, mientras que todos los elementos que estén por fuera de la diagonal
indican errores de omisión o de comisión. Los errores de omisión corresponden a los
elementos no diagonales de las columnas. Los errores de comisión corresponden a los
elementos no diagonales de las filas [36].
A partir de la matriz de confusión pueden generarse una serie de medidas estadísticas que
permiten validar numéricamente los resultados de la técnica de clasificación. Dentro de
estas se encuentra el cálculo del índice de fiabilidad global y el índice Kappa (k). La
precisión general se calcula dividiendo el número total de pixeles correctamente
clasificados por el número total de pixeles de referencia y se expresa como porcentaje. Este
es el índice de fiabilidad global estudiado en la ecuación (2).
�̂� =∑ 𝑥𝑖𝑖𝑖=1,𝑛
∑ 𝑖=1,𝑛 ∑ 𝑥𝑖𝑗𝑗=1,𝑛 (2)
El Índice estadístico k, mide la diferencia entre el acuerdo observado y el que cabría
esperarse simplemente por azar. Este índice estadístico intenta delimitar el grado de ajuste
debido solo a la exactitud de la clasificación, prescindiendo del causado por valores
aleatorios. La estimación de k se obtiene a partir de la siguiente ecuación (3).
�̂� =𝑛 ∑ 𝑋𝑖𝑖 − ∑ 𝑋𝑖+𝑋+𝑖𝑖=𝑖,𝑛𝑖=1,𝑛
𝑛2− ∑ 𝑋𝑖+𝑋+𝑖𝑖=𝑖,𝑛 (3)
Donde n es el tamaño de la muestra, Xii el acuerdo observado (productor), (Xi+, X+1) el
acuerdo esperado (usuario) en cada categoría i. El acuerdo observado aparece en la
diagonal de la matriz, mientras el esperado nos sirve para calcular la exactitud entre la
clasificación obtenida y la clasificación real. El estadístico de k permite conocer si el grado
de acuerdo observado se aleja o no significativamente del esperado. La máxima
concordancia posible corresponde a k = 1. El valor k = 0 se obtiene cuando la concordancia
observada es precisamente la que se espera a causa exclusivamente del azar. Si la
concordancia es mayor que la esperada simplemente a causa del azar, κ > 0, mientras que si
es menor, κ < 0. En la Tabla 4 se muestra la valoración del índice k de acuerdo a su
concordancia en la clasificación [37].
Tabla 4. Valoración del Índice Kappa (k)
Fuente: Tomado de López et al., 2001
2.2. Estado del Arte
El monitoreo de la condición de envejecimiento en pavimentos asfalticos mediante técnicas
de teledetección como es el caso de la espectroradiometría y la clasificación de imágenes
usando firmas espectrales de la superficie terrestre, ha sido estudiada desde la década de los
70. Adquirir y analizar los datos pertinentes a la planificación de las carreteras se hizo más
atractivo dado a que estos datos resultaban ser muy útiles para la identificación de los
diferentes elementos de una carretera a ser inventariados, así como el tipo y el estado de las
carreteras existentes, las condiciones de drenaje y la extracción de características
geométricas de una carretera [38].
La teledetección tiene el potencial de proporcionar metodologías que permiten la obtención
de mapas detallados de las carreteras y puede ofrecer mayor costo beneficio al igual que
métodos más rentables para mejorar las prácticas comunes en las aplicaciones de la red de
Valor de k Concordancia
< 0.20 Pobre
0.21 – 0.40 Débil
0.41 – 0.60 Moderada
0.61 – 0.80 Buena
0.81 – 1.00 Muy Buena
vial [39]. La evolución en las técnicas de teledetección ha permitido realizar estudios que
requieren mayor detalle, como es el caso de la estimación de la condición de
envejecimiento o deterioro en pavimentos asfalticos, estudios realizados por medio de
técnicas de espectroradiometría de campo y espectrometría de imagen han proporcionado
evidencia espectral del envejecimiento del pavimento como uso potencial para el mapeo de
esta condición en imágenes multiespectrales [9] [14].
A partir de los trabajos pioneros realizados por de Herold, Gardner & Roberts (2003) donde
se emplearon el uso de librerías espectrales características de los diferentes elementos de la
superficie urbana como lo son el asfalto, el concreto, las construcciones, la vegetación,
entre otras coberturas del suelo, para su posterior clasificación mediante el método de
separabilidad espectral conocido como distancia de Bhattacharyya, evaluando el
rendimiento de la clasificación espectral en imágenes multiespectrales con precisiones de
clasificación para 26 clases de cobertura del suelo urbano a partir de un índice kappa del
66.6%. Este valor indica un grado de ajuste medio con relación a la clasificación del suelo
real urbano, resultado de la similitud espectral de algunas de las coberturas urbanas y la
cobertura del pavimento [19]. Sin embargo estos estudios ayudan a identificar el potencial
de la resolución multiespectral para cartografía detallada de los materiales urbanos y su
condición con base a su señal espectral. Una evaluación de las longitudes de onda más
adecuadas para la separación de la ocupación del suelo urbano permiten identificar
características espectrales específicas en algunos picos sobre el rango del espectro visible y
el infrarrojo de onda corta, de las diferentes coberturas urbanas como es el caso del
deterioro de las superficies de pavimento asfaltico [40].
Los trabajos propuestos por Herold & Roberts (2005) incurrieron específicamente en la
estimación de la condición de envejecimiento y deterioro del asfalto, integrando técnicas de
espectrometría de campo con espectrometría de imágenes encontrando una fuerte evidencia
espectral para el envejecimiento del asfalto y el deterioro. Sin embargo, encuentran que el
potencial para el mapeo está limitado por los requisitos de resolución espacial fina y
resolución espectral donde la banda más adecuada para la clasificación en imágenes
multiespectrales en términos de envejecimiento es la banda del infrarrojo cercano [9], [14],
[16]. El análisis de los datos recogidos en muchos de los trabajos estudiados indica que la
estimación de la condición del pavimento a partir de las técnicas de teledetección son
comprobables estadísticamente para validar su veracidad, aportando económicamente a este
tipo de estudios ya que se pueden cubrir grandes áreas, en la identificación de pequeñas
características [17] [18] [21] [41] [42].
Los estudios más recientes se encuentran en los trabajos de Mei et al (2011 - 2013) con su
investigación de análisis de imágenes Quickbird e IKONOS para la identificación y
clasificación de las superficies pavimentadas. En dichos estudios se compara el uso de
firmas espectrales de los diferentes tipos de deterioro del pavimento asfaltico y su posterior
clasificación en imágenes multiespectrales mediante el algoritmo de clasificación SAM,
explorando resoluciones espaciales entre los 3 m y 1 m metros obteniendo resultados en la
clasificación con valores del índice Kappa entre el 95% y el 98% en la bondad de ajuste
entre las clases clasificadas y las reales [41], lo que indica la posibilidad del uso de
imágenes satelitales multiespectrales en el uso de la caracterización del envejecimiento de
las superficies pavimentadas, lo cual parte de la necesidad de más información acerca de la
edad y el deterioro de las vías, y permite una rápida actualización de bases de datos viales
y, en consecuencia, para alcanzar una gestión rápida de la red vial [21].
CAPÍTULO 3. METODOLOGÍA
Dado que el propósito general de esta investigación es evaluar el estado de envejecimiento
de los pavimentos flexibles en un tramo de vía en la ciudad de Bogotá, en el siguiente
capítulo se muestran las actividades que permitieron alcanzar los objetivos propuestos
mediante una investigación experimental cualitativa, para lo que se requirió del desarrollo
de cuatro (4) fases metodológicas observadas en la Figura 3 y se explican detalladamente
durante el desarrollo de este capítulo.
En una primera fase (i) fue necesario obtener la respuesta espectral (firmas espectrales) de
cada uno de los daños característicos del envejecimiento en pavimentos flexibles, presentes
la zona de estudio a partir de una campaña de espectroradiometría o espectrometría de
campo, y de la cual se cuenta con una imagen multiespectral del sensor WorldView-3 de la
misma zona de estudio adquirida en el mismo periodo en el que se realizó la campaña de
campo.
En la segunda fase (ii), se realizó, por un lado, procesamiento de las firmas espectrales
tomadas de los 7 tipos de deterioro del pavimento encontrados en la zona de estudio. Por
otro lado, se realizó el pre procesamiento (correcciones geométrica, radiométrica y
atmosférica) de la imagen satelital para posteriormente ser clasificada en la categorización
de la condición de envejecimiento del pavimento flexible según su estado (bueno, malo,
regular). Esta clasificación se realizó con el empleo del algoritmo de clasificación orientado
a pixeles SAM.
En la tercera fase (iii) se realizó la validación de la clasificación obtenida por el algoritmo y
la evaluación real que realiza la ingeniería de pavimentos mediante el método PCI. Para
ello se empleó el método de evaluación a partir de una matriz de correlación y el índice
kappa. Finalmente una cuarta fase (iv) corresponde a la difusión y divulgación de la
metodología y los resultados obtenidos en la investigación, mediante el presente documento
y un artículo publicable.
Figura 3. Flujo General Fases Metodológicas del Proyecto de Investigación
3.1. Descripción de la Zona de Estudio
La zona de estudio se encuentra localizada sobre la Avenida Medellín Calle 80 o Troncal
80, entre la Carrera 102 y la Carrera 94L del Sector de Villas de Granada de la ciudad de
Bogotá, con coordenadas geográficas WGS-84 del centroide Latitud: 4°42'35,20474"N y
Longitud: 74°06'42,93624"W. La vía está compuesta por 4 carriles dos en cada sentido (E-
W y W-E.), cada calzada tiene dos carriles de circulación de 3 metros de ancho, presenta un
tránsito promedio diario (TPD) de 2788 vehículos al día [7]. La zona de estudio tiene un
área de 6.3 Km2, y se pretende clasificar a partir de espectrometría la condición de
envejecimiento del pavimento flexible de la vía en estudio, esta vía presenta una longitud
de 2.5 kilómetros (Ver Figura 4).
Este tramo fue seleccionado por dos condiciones favorables. La primera correspondió a la
variabilidad del índice de condición del pavimento PCI en esta zona dado que se
encontraron pavimentos flexibles en todos los rangos de condición, es decir, de excelente a
malo, y que además la evaluación que fue realizada por el IDU se tenía disponible. La
segunda fue la geometría de la vía especialmente el ancho de 3 metros de carril, ya que este
es apropiado teniendo en cuenta la resolución espacial (2 m) de la imagen WorldView-3.
Figura 4. Localización de la Zona de Estudio (polígono rojo punteado)
Fuente: DigitalGlobe®
, Imagen satelital sensor WorldView-3, RGB (321) Bogotá, fecha de toma 05 de Enero
de 2015.
3.2. Adquisición de Datos: Toma en campo de firmas espectrales
En esta primera fase (i), se realizó la adquisición de datos en campo, para ello fue necesario
realizar inicialmente un reconocimiento en campo de los patrones característicos del
envejecimiento de pavimentos asfálticos para la toma de las firmas espectrales y que a su
vez se encuentran descritos en la Tabla 5. Para la toma de la respuesta espectral de las fallas
características de envejecimiento en campo se siguió el protocolo para captura de firmas
espectrales en campo aplicada al levantamiento de suelos usado por el Centro de
Investigación y Desarrollo de Información Geográfica (CIAF) [43].
El flujo de trabajo que corresponde a la captura de las firmas espectrales en campo se
encuentra comprendido inicialmente por la selección del número de muestras características
de la condición de envejecimiento en pavimentos flexibles en la zona de estudio y su
respectiva localización en campo mediante el sistema de posicionamiento global (GPS).
Para el desarrollo de esta etapa se identificaron previamente siete (7) unidades de análisis
características del envejecimiento (Tabla 5), las cuales corresponden con: Pavimento
nuevo, fisuras transversales y longitudinales, agrietamiento de tipo piel de cocodrilo,
pavimento con desgaste superficial leve o menor (raveling), grava, y baches o huecos.
También se capturo información de las firmas espectrales de elementos que se encuentran
presentes en la vía y que no corresponden con información referente al envejecimiento del
pavimento tales como sello grieta lechada, manchas de aceite y pintura, para un total de
diez (10) unidades de análisis.
Tabla 5. Unidades de Análisis para el Muestreo
ID Unidad de Análisis Descripción Fotografía
1 Pavimento Nuevo Pavimento en estado inicial o
nuevo.
2
Pavimento con desgaste
superficial leve o menor
(Raveling)
Pavimento con pérdida de la
superficie asfáltica en menor
grado.
3 Grava
Característica de
envejecimiento avanzado y
pérdida de gran parte de la
superficie asfáltica.
4 Piel de Cocodrilo
Grieta en forma de malla en la
que se evidencia la pérdida de
la superficie asfáltica.
5 Grietas Longitudinales
Grietas producidas por la
humedad que aparecen
paralelas o longitudinalmente
al eje de la vía.
6 Grietas Transversales
Grietas producidas por la
humedad que aparecen de
forma transversal al eje de la
vía.
7 Baches
Pérdida completa de la capa de
rodadura de la superficie
asfáltica.
8 Sello grieta lechada
Rehabilitación del pavimento
mediante el sellado de grietas
con bitumen.
9 Pintura de la Vía
Pintura de señalización vial
que se encuentra sobre el
pavimento.
10 Manchas de Aceite
Manchas de aceite producidas
por los carros sobre el
pavimento.
Luego de seleccionadas las unidades de análisis, se deben tener en cuenta las siguientes
consideraciones en el momento de la captura:
Muestreo. Dada la naturaleza de las variables de tipo discreto, se consideró la determinación
de las unidades de muestreo para evaluación como se haría en la evaluación usada por la
metodología PCI [28]. En la evaluación se deben inspeccionar todas las unidades; sin
embargo, de no ser posible, el número mínimo de unidades de muestreo que deben
evaluarse o en este caso tomar muestra de su firma espectral, se obtiene mediante la
Ecuación 4, la cual produce un estimado del PCI ± 5 del promedio verdadero con una
confiabilidad del 95%.
𝑛 =𝑁∗𝜎2
𝑒2
4∗(𝑁−1)+𝜎2
(4)
En dónde n es el número mínimo de unidades de muestreo a evaluar, N Número total de
unidades de muestreo en la sección del pavimento, e el error admisible en el estimativo del
PCI de la sección (e = 5%), y σ la desviación estándar del PCI entre las unidades.
Durante la inspección inicial se supone una desviación estándar (σ) del PCI de 10 para
pavimento asfáltico. Cuando el número mínimo de unidades a evaluar es menor que cinco
(n < 5), todas las unidades deberán evaluarse.
Definidas las unidades de análisis (Tabla 5), se determinó el número de unidades de
muestreo en la evaluación y captura de su firma espectral característica en campo, para lo
que se inspeccionaron cuatro carriles de 3 metros de ancho sobre una sección de pavimento
de 600 metros de longitud sobre la troncal 80. Encontrando un total de 35 unidades de
muestreo (N) sobre esta sección del pavimento. El número mínimo de unidades de muestreo
a evaluar (n) obtenidas aplicando la ecuación (4) corresponde con 11 unidades.
Información para el metadato de las firmas espectrales. Con el fin de alimentar el metadato
correspondiente a cada una de las firmas tomadas para cada una de las unidades de análisis
seleccionadas, se registró la siguiente información al momento de la captura de las
muestras:
Tipo de Fisura
Nombre Firma Espectral
Fecha
Hora
Ubicación (Coordenadas GPS)
Altura Instrumental (Desde el suelo a la Fibra Óptica)
Fotografía (Cámara)
Presencia Sombras (Al momento de la toma)
Presencia de Nubes
Temperatura (Al momento de la toma)
Cálculo de la altura instrumental de la fibra óptica. Como posterior a el proceso de
adquisición de datos en campo, las firmas espectrales fueron clasificadas sobre una imagen
multiespectral del sensor WorldView-3, que posee una resolución espacial en la
Pancromática de 0.5 m y en las bandas multiespectrales de 2.2 m, con un FOV (Field of
View o ángulo de campo en el que el sensor alcanza a registrar información) al momento de
la toma de 23° en condiciones ambientales y de nubes favorables, parámetros con los cuales
se realizó la selección de la altura instrumental más conveniente para la toma de los datos
en campo. En la Tabla 6 resume la altura instrumental a la cual fue colocada la fibra óptica
de acuerdo al área efectiva que se quería registrar.
Tabla 6. Cálculo de la Altura Instrumental
FOV Tamaño Píxel (m) Área Efectiva (m2) Altura Instrumental (m)
25° 0,5 0,25 1,2 – 1,3
25° 2,0 4,84 4,2 – 4,5
Fuente: Adaptada de Protocolo para el proceso de captura de firmas espectrales aplicada al levantamiento de
suelos CIAF, 2013 [43]
Para la captura de las muestras para cada una de las unidades de análisis, se registró
información con la fibra óptica a 1 y 2 metros de altura.
Fecha y Hora de Toma del Muestreo. La toma de las muestras se realizó el día domingo 08
de marzo entre las 10:30 a.m. hasta la 1:20 de la tarde, este horario se encuentra dentro del
recomendado en el protocolo de campo [43]. Cabe anotar que si bien se pudo realizar el
registro de los datos dentro del horario recomendado, la toma de las firmas espectrales
sobre una vía vehicular altamente transitada no resulto ser tarea fácil, ya que se debió
realizar control del tráfico para realizar cada toma y no se capturaron todas las fallas
presentes a lo largo del tramo estudiado, sino que se tomaron muestras representativas de
las fallas comunes en toda la zona.
Orientación del Muestreo. El registro de las firmas espectrales se realizó por un operador
ubicado mirando hacia el Norte o Sur de la zona de estudio.
Registro de los datos de las firmas espectrales. El registro de las firmas por muestra fue de
10 con intervalos de 3 segundos entre toma y toma.
Cantidad de Muestras: la toma se realizó para un total de dieciocho (18) muestras a 1 y 2
metros de altura en cada una las diez (10) unidades de análisis seleccionadas. Para un total
de treinta y seis (36) muestras espectrales recolectadas en la campaña de campo, por cada
muestra se tomaron diez (10) registros de su firma espectral para un total de 360 registros
de firmas espectrales. En la Tabla 7, se puede observar un resumen de los datos obtenidos
resultado de la campaña.
Otras Consideraciones. Se hizo uso de ropa oscura preferiblemente en algodón para la
captura de las firmas espectrales. También se realizó una señalización adecuada al
momento de la toma, ya que esta se realizó sobre una vía altamente transitada.
Equipo de captura de datos espectrales. Las lecturas de las firmas espectrales del estado
del pavimento fueron adquiridas con un espectroradiómetro ASD modelo FieldSpec 4
Standard-Res Spectroradiometer. Este instrumento captura longitudes de onda entre 350-
2500 nm, con una separación en el espectro electromagnético de 3 nm a 700 nm y de 10 nm
a 1400/2100 nm. Con una exactitud en la longitud de onda de 0.5 nm (Ver Anexo 1). Para
cada lectura se calibró el instrumento con el spectralon (blanco de referencia), se tomaron
alrededor de 10 lecturas por muestra a una altura instrumental de 1 y 2 metros para evitar
cualquier sesgo o error instrumental. El instrumento directamente proporciona valores de
reflectancia y absorbancia.
Un aspecto importante en la toma de las firmas espectrales en campo correspondió con la
calibración del sensor antes del registro de datos para cada muestra, tomando el blanco de
referencia antes del registro si se presentaban cambios en las condiciones atmosféricas al
momento de la captura.
En la Tabla 7 se pueden observar las unidades de análisis encontradas en las zonas de
estudio y el número de muestras adquiridas de acuerdo a la altura instrumental al momento
de la toma.
Tabla 7. Muestreo de Campo por Unidad de Análisis
id Unidad de
Análisis
No. Muestras
Adquiridas a 1 m
de altura
instrumental
No. Muestras
Adquiridas a 2 m
de altura
instrumental
1 Pavimento Nuevo 2 2
2 Pavimento con
Raveling 2 2
3 Grava 2 2
4 Piel de Cocodrilo 2 2
5 Grietas Longitudinales 1 1
6 Grietas Transversales 2 2
7 Baches 1 1
8 Sello Grieta Lechada 3 2
9 Pintura Vía 1 1
10 Manchas de Aceite 3 2
Total 19 17
36
Paralelo al proceso de registro de firmas espectrales se georeferenciaron cada una de las
muestras adquiridas en campo, esto se realizó mediante un posicionamiento estático
cinemático con receptores TOPCON HiPer de doble frecuencia, en donde se consideró un
receptor de rastreo continuo en un vértice conocido con placa IGAC de nombre 19-BGT
con coordenadas planas MAGNA Colombia Bogotá Norte= 112259.3 m y Este= 96576.9, y
otro receptor posicionando cada muestra. En la Tabla 8 se puede observar el metadato para
cada una de las muestras obtenidas en campo, las coordenadas norte, Este y elevación en el
sistema de referencia MAGNA Colombia Bogotá, la condición climática al momento de la
captura, la temperatura y las diferentes alturas instrumentales a las que fue capturada esa
muestra.
Tabla 8. Información Recolectada en la Campaña de Campo
Id Tipo de Falla Norte Este Elevación Condición
Climática
Temperatura
(°C)
Altura
Instrumental
(m)
1 Pavimento con
Raveling 1012492,119 996271,418 2577,471 Soleado 18 1 - 2
2 Sello Grieta
Lechada 1012499,471 996244,858 2577,695 Soleado 18 0.5 - 1 - 2
3 Grava 1012523,504 996226,36 2578,543 Soleado 18 1 - 2
4 Sello Grieta
Lechada 1012559,804 996181,366 2577,518 Soleado 18 1 - 2
5 Grava 1012586,344 996162,202 2576,093 Soleado 19 1 - 2
6 Pavimento con
Raveling 1012662,031 996082,115 2577,279 Nublado 19 1 - 2
7 Manchas de Aceite 1012656,775 996081,078 2577,317 Soleado 19 0.5
8 Manchas de Aceite 1012681,166 996063,182 2575,588 Soleado 20 1 - 2
9 Pavimento Nuevo 1012401,403 996317,924 2578,501 Soleado 20 1 - 2
10 Manchas de Aceite 1012404,34 996309,995 2576,785 Soleado 20 1 - 2
11 Grietas
Transversales 1012402,81 996311,968 2576,732 Soleado 20 1 - 2
12 Piel de Cocodrilo 1012358,573 996357,871 2577,979 Soleado 20 1 - 2
13 Pavimento Nuevo 1012357,793 996368,199 2578,147 Soleado 20 1 - 2
14 Piel de Cocodrilo 1012303,117 996413,386 2577,933 Soleado 20 1 - 2
15 Baches 1012293,264 996425,134 2578,625 Soleado 20 1 - 2
16 Grietas
Transversales 1012285,207 996433,999 2577,673 Soleado 20 1 - 2
17 Grietas
Longitudinales 1012281,163 996446,688 2578,173 Nublado 19 1 - 2
18 Pintura Vía 1012255,213 996425,738 2577,331 Soleado 20 1 - 2
Para el desarrollo de la Fase 2 (ii) se contó con una imagen satelital capturada el 05 de
Enero del 2015 por el sensor WorldView-3. Este sensor presenta una rango espectral entre
los 470 y los 940 nm [19], de acuerdo con los estudios de Herold y Gardner [44] este rango
cubre la longitud de onda en el espectro suficiente para la categorización en superficies
urbanas, de igual forma la imagen cuenta con una resolución espacial de 2 m, lo que
garantiza la correspondencia entre el área de registro de la respuesta espectral para cada
tipo de falla y el área del píxel en las imágenes.
3.3. Procesamiento de Datos
La Fase 2 (ii) se encuentra comprendida por tres etapas significativas: La primera etapa
consistió en el procesamiento de las firmas espectrales tomadas de cada una de las muestras
en campo para los diferentes tipos de falla característicos del envejecimiento.
Posteriormente se realizó la elaboración de una librería espectral con las firmas
características para la clasificación (Ver Figura 5). En la segunda etapa se realizó el pre-
procesamiento de la imagen y la clasificación de la condición del estado envejecimiento en
pavimentos flexibles con SAM como se indica detalladamente en la Figura 6. Finalmente
en la tercera etapa se realizó la validación de la exactitud temática de los resultados
obtenidos en la clasificación (Ver Figura 7).
3.3.1. Procesamiento de firmas espectrales
Seguido de la adquisición de las firmas espectrales características (1) tal como se expuso en
la fase de adquisición de datos en campo, se realizó el procesamiento de las firmas
espectrales (2A) tal como se muestra en el flujo de trabajo indicado en la Figura 5. Este
procedimiento requirió evaluar la homogeneidad y heterogeneidad de los perfiles
espectrales entre las muestras para cada una de las fallas, esta evaluación se realizó a partir
de un análisis de respuestas medias.
Figura 5. Diagrama de Procesamiento Librería Espectral Deterioro del Pavimento
El análisis de respuestas medias permitió identificar la heterogeneidad y homogeneidad
entre las muestras minimizando la suma de cuadrados entre las muestras para un mismo
grupo. La heterogeneidad entre las muestras se puede cuantificar con la disminución en el
porcentaje de la varianza cuantificada en el coeficiente de desviación estándar (SD) [45]
(5).
𝑆′(𝑊𝑘) = (1
𝑛−1∑ [𝑆𝑖(𝑊𝑘) − 𝑆′′
𝑖(𝑊𝑘)]2𝑖 )
1/2
(5)
Donde 𝑆′′(𝑊𝑘) es la media en la longitud de onda, (𝑊𝑘 )
El coeficiente SD varía entre 0 y 1, un grupo de muestras con un valor cercano a 0 puede
ser considerado altamente homogéneo, y un valor cercano a 1, altamente heterogéneo. Este
análisis se desarrolló con el paquete SAMS (Spectral Analysis and Management System)
de la Universidad de Davis, California [45].
Después de identificar la homogeneidad y heterogeneidad entre las fallas evaluadas de la
condición de envejecimiento o deterioro en pavimentos flexibles, se seleccionaron las
muestras homogéneas para calcular la mediana y definir el perfil espectral característico
para cada muestra de deterioro mediante el cálculo de la media para cada firma
seleccionada [45] (6).
𝑆′′(𝑊𝑘) = (1
𝑛 ∑ 𝑆𝑖
𝑛𝑖=1 (𝑊𝑘)) (6)
Las firmas finalmente obtenidas se integraron en una librería espectral de deterioro del
pavimento (2B) mediante el módulo de construcción de librerías espectrales del software de
procesamiento ENVI® (Environment for Visualizing Images). La librería espectral contiene
las diferentes unidades de análisis representativas de las condiciones del envejecimiento en
pavimentos flexibles como lo son 1- grava, 2 - pavimento con desgaste superficial
moderado, 3 - pavimento nuevo, y algunos tipos de fallas o deterioros del pavimento
causados por desgastes superficiales como 4- grietas longitudinales y 5 - transversales, 6 -
piel de cocodrilo y 7 - baches.
3.3.2. Pre-procesamiento imagen WorldView-3
En la segunda etapa de la fase de procesamiento se realizaron las corrección o pre-
procesamiento de la imagen satelital WV3 (Anexo 2) como se muestra en la Figura 6 (2C),
las correcciones consisten en una preparación previa de la imagen para permitir la
clasificación espectral, en donde inicialmente se corrige la geometría de la imagen
haciéndola planimetría. Para esta corrección se usaron 11 puntos de control terrestres (GCP
por sus siglas en ingles de Ground Control Points) con coordenadas planas MAGNA
Colombia Bogotá. La función de transformación y ajuste geométrico empleada fue el
modelo de Toutin (Riguroso), con un mínimo de 11 GCP, también se hizo uso de un
modelo digital de elevación (DEM) a 5 metros de resolución para la ciudad de Bogotá. Los
datos obtenidos en este proceso de corrección corresponden con residuales por debajo de 1
píxel en el error medio cuadrático (RMS por sus siglas en ingles de Root Mean Square)
para cada uno de los GCP empleados. Este procedimiento se desarrolló sobre el módulo
Ortho Engine del Software PCI Geomatics®
.
Figura 6. Diagrama de Procesamiento Clasificación Espectral Deterioro del Pavimento
El segundo proceso de corrección aplicado en la imagen es el proceso de corrección
atmosférica, esta corrección permite llevar los valores de los niveles digitales (ND) de
reflectancia recolectados por el sensor al momento de la toma a valores de reflectancia real
del terreno, esta corrección se hizo mediante el modelo de corrección atmosférica ATCOR
en donde se calculan los errores atmosféricos producidos sobre las imágenes al momento de
la toma y realiza una corrección de estos efectos obteniendo valores de reflectancia
corregidos a terreno, este modelo de corrección se implementó en el módulo Geomática del
software PCI Geomatics®
.
3.3.2. Proceso de clasificación SAM
Finalmente en una tercera etapa de procesamiento (a), se realizó la clasificación de la
condición de envejecimiento en pavimentos flexibles. Esta etapa consistió en una
clasificación orientada a pixeles, en donde se clasifico el valor espectral de cada píxel con
relación a los valore obtenidos en la librería espectral del deterioro categorizando el estado
del pavimento en bueno, regular o malo, y para ello se requirió establecer un rango de
evaluación de la condición del pavimento el cual corresponde con la clasificación realizada
por el método PCI en una escala de 0 a 100, donde 0 se asigna a una calificación de fallado
y 100 corresponde a una calificación de excelente estado [28].
El proceso de clasificacion de la imagen se realizó con la técnica de clasificación angular
SAM, esta técnica permito comparar los espectros desconocidos de la imagen con otros de
referencia, contenidos en la libreria espectral construida para evaluar el deterioro del
pavimento [29]. El coeficiente angular ( ) se usó en un rango entre 0.7 y 0.8 de acuerdo a
los estudios realizados por Herold (2008) y Mei (2011,2013) quienes validan que son los
angulos de clasificación mas apropiados para discriminar espectralmente le deterioro del
pavimento.
El procedimiento se realizó mediante el uso del módulo de clasificación supervisada SAM
del software ENVI®.
Este módulo permitió enmascarar las coberturas que no pertenecían a
la categoría de pavimento, lo que permitió realizar la clasificación espectral con la librería
de deterioro elaborada de un área total seleccionad de 8.94 hectáreas de vía.
3.4. Metodología de Validación de los Datos Obtenidos
Para la fase de validación (3) se consideraron la matriz de confusión y el índice k, índices
globales para evaluación de la exactitud temática de la clasificación, estos índices buscan
evaluar la clasificación obtenida con SAM (productor) y su correspondencia real en la
evaluación realizada en campo (usuario) para los mismos puntos.
La evaluación cuantitativa de la exactitud requirió de la evaluación de treinta y tres (33)
puntos de validación tomados en campo y de los cuales también se conocía la evaluación
PCI de la ingeniería de pavimentos para conocer posteriormente su concordancia con los
puntos homólogos del mapa clasificado. El resultado obtenido en la evaluación produjo un
valor de k mayor al 60%, lo que indica un buen grado de ajuste entre la clasificación
obtenida y los datos reales del terreno. La validación de los resultados fue implementada
mediante el uso del paquete Visualizing Categorical Data (VCD) de R.
Figura 7. Validación de la Clasificación
3.6. Software y Hardware
El procedimiento de clasificación de la condición de envejecimiento en pavimentos
flexibles propuesta en esta investigación fue implementado mediante el uso de licencias
académicas suministradas por las casas de cada software usado. Para el procesamiento de
las firmas espectrales se hizo uso del software SAMS (Spectral Analysis and Management
System) de la Universidad de Davis, California. Este software es de uso gratuito y se
desarrolla en un ambiente colaborativo.
Para el pre-procesamiento de la imagen multiespectral WV3, se usaron los módulos Ortho
Engine y Geomática del software fotogramétrico PCI Geomatics®
. La elaboración de la
librería espectral y la clasificación de la imagen con la técnica SAM se hizo con el uso de
las herramientas de procesamiento digital de imágenes (PDI) del software ENVI®
(Environment for Visualizing Images).
La validación de los resultados fue implementada mediante el uso del paquete Visualizing
Categorical Data (VCD) de R, un lenguaje y entorno de software libre para la computación
y análisis estadístico. El computador empleado durante la investigación, corresponde a un
computador personal estándar; portátil con procesador Intel® CORE™ i5 de 64 bits y
velocidad de 1.60 GHz, 4GB de memoria RAM y sistema operativo Windows 7.
CAPÍTULO 4.
RESULTADOS Y ANÁLISIS
En este capítulo se presentan los resultados obtenidos con el desarrollo de la presente
investigación, así como el análisis descriptivo de los mismos, siendo estos evaluados
mediante una validación cuantitativa. Además se brinda una discusión sobre dichos
resultados y se validan los objetivos de la investigación.
4.1. Propiedades Espectrales de Pavimentos Flexible Relacionados con el
Envejecimiento y el Deterioro
El envejecimiento del cemento asfáltico es considerado como una causa del deterioro de los
pavimentos flexibles, que se presenta como desprendimientos del agregado pétreo y
específicamente la pérdida de la capa de rodadura [10]. El cemento asfáltico que se
encuentra en las grietas experimenta el mismo proceso al quedar expuesto al medio
ambiente, con lo que se generan grietas mayores. El envejecimiento de la carpeta asfáltica
se manifiesta en la superficie a través de los siguientes patrones de agrietamiento: fisuras
longitudinales, fisuras transversales, fisuras de malla eslabonada, piel de cocodrilo y
descascaramiento [3][10][7].
Las señales o firmas espectrales obtenidas para cada tipo de superficie característica del
deterioro en pavimentos flexibles presentan diferencias significativas como se muestra en la
Figura 8, por lo que pueden ser fácilmente distinguibles al momento de ser clasificadas en
las imagen multiespectral WV3.
Para el análisis se usaron 9 firmas características del envejecimiento en pavimentos
flexibles que se clasificaron en tres grupos. El primero, corresponde a la pérdida de asfalto
en la superficie (Figura 8) Pavimento Nuevo, pavimento con desgaste superficial leve
(Raveling) y pavimento con pulimiento de agregado o cabezas duras (Grava). En segundo
lugar, agrietamiento por fatiga del pavimento (Figura 9), pavimento sin agrietamiento,
agrietamiento de baja severidad (Grietas Transversales y Longitudinales), agrietamiento de
alta severidad (Piel de Cocodrilo, Baches), y finalmente algunas firmas características de
otros elementos que pueden ser encontrado en la superficie asfáltica como manchas de
aceite o gasolina, huellas de neumáticos y material sellante de fisuras o Grieta Lechada
(Figura 10).
Longitud de onda (um)
1) Grava 2) Pavimento Nuevo 3) Pavimento con Raveling
Figura 8. Firmas Espectrales del Envejecimiento por Deterioro del Pavimento
Los espectros 2 y 3 en la Figura 8 se comparan con un pavimento nuevo de una superficie
asfáltica (2) y con un pavimento que presenta pérdida leve de la capa asfáltica (3) o
afloramiento de agregado (grava). El desmoronamiento exhibe una mayor cantidad de
componentes rocosos en la superficie, por lo que esto incrementa el brillo de la superficie
debido al aumento de reflectancia producida por el componente mineral presentando
absorciones de asfalto menos destacadas.
El Espectro (1) refleja una superficie de grava con un deterioro más avanzado. En
comparación con la de pavimento nuevo (2), esta superficie tiene mayor reflectancia en el
visible y el infrarrojo cercano debido a la ausencia en la absorción de hidrocarburos
contenidos en el material asfaltico [14].
2)
Va
lore
s d
e R
efle
cta
nci
a
1)
3)
2)
Longitud de onda (um)
4) Pavimento sin Agrietamiento 5) Agrietamiento por Baja Severidad 6) Agrietamiento por Alta Severidad
Figura 9. Firmas Espectrales del Envejecimiento por Agrietamiento del Pavimento
El agrietamiento o fisuramiento del pavimento es el indicador más conocido para medir la
calidad del pavimento, especialmente las grietas longitudinales y transversales al igual que
la piel de cocodrilo indican un fallo estructural de la superficie de la vía debido a las altas
cargas de tráfico sobre esta. Este tipo de fallas producidas por el agrietamiento del
pavimento promueven a la infiltración de la humedad en la capa asfáltica lo que aumenta la
pérdida de material y produce rugosidad en la superficie de la vía lo que empeora aun su
condición de deterioro convirtiendo este tipo de fisuras en baches o huecos. En la Figura 9
se muestran las firmas espectrales de los daños estructurales o grietas de acuerdo a la
gravedad de la falla y de igual manera se diferencia un cambio espectral para cada una de
ellas.
El agrietamiento expone capas más profundas de la calzada con contenidos más altos de la
mezcla de asfalto original que se manifiesta entonces en un aumento en las medidas de
4)
5)
6)
Grietas Piel de Cocodrilo
Va
lore
s d
e R
efle
cta
nci
a
absorción de hidrocarburo. Este hecho pone de manifiesto la señal espectral opuesta entre el
deterioro de la capa de pavimento (Figura 8) y de la gravedad de los daños estructurales
(Figura 9).
Una superficie de la carretera envejecida se hace más brillante por la disminución de
absorción de hidrocarburos, las fallas estructurales causan menos reflectancia con el
aumento de las funciones de hidrocarburos. Aunque la diferencia de reflectancia y la
intensidad de las absorciones de hidrocarburos es menor para las grietas (Espectros 5 y 6)
que en el agrietamiento del pavimento que para nuevas superficies de asfalto (Espectro 4).
Longitud de onda (um)
7) Manchas de Aceite 8) Neumáticos 9) Grieta Lechada
Figura 10. Firmas Espectrales Otras Superficies en el Pavimento
Finalmente se recolectaron y procesaron las firmas espectrales de algunas superficies que
influenciaban la respuesta espectral característica del pavimento, pero las cuales no fueron
tenidas en cuenta al momento de la elaboración de las librerías espectrales y de la
clasificación de la imagen. Dentro de las superficies que también se encuentran en el
pavimento están las marcas producidas por los vehículos que circulan la vía como por
7)
8)
9)
Va
lore
s d
e R
efle
cta
nci
a
ejemplo manchas de aceite, marcas de neumáticos y algunas marcas correspondientes a
reparaciones de la vía como es el caso de el sellado de grietas conocido como grieta
lechada. En la Figura 10 se pueden observar en los espectros que representan estos
elementos en el pavimento, los espectros (7) y (8) poseen su punto más alto de reflectancia
entre los 5.4 y 5.6 micrones (un), a diferencia del espectro (9) el cual sigue un
comportamiento similar al del asfalto esto debido a que la superficie está casi
completamente cubierta con la mezcla de asfalto y lechada. Las características de
hidrocarburos sólo son distinguibles para las superficies de asfalto nuevo y desaparecen con
la edad a medida que la superficie empobrece su condición.
4.2. Análisis de los Datos Clasificados en la Imagen
Para la clasificación sobre la imagen multiespectral WV3 se elaboraron dos librerías
espectrales correspondientes la caracterización del envejecimiento del pavimento descrito
en el ítem anterior. De acuerdo con esto, se elaboró una librería espectral correspondiente
al envejecimiento producido por deterioro del pavimento donde se caracterizaron las
firmas espectrales de pavimento nuevo, pavimento con Raveling o medianamente
deteriorado y pavimento con afloramiento de agregado o deteriorado como se muestra en
la Figura 11. La segunda librería espectral corresponde con la caracterización del deterioro
de acuerdo a la fatiga o agrietamiento del pavimento, esta librería contiene las firmas
características del agrietamiento del pavimento como pavimento con bajo agrietamiento
(Grietas), y alto agrietamiento (Baches, Piel de cocodrilo) (Figura 12).
Longitud de onda (nm)
Figura 11. Librería espectral por Deterioro del Pavimento
Longitud de onda (nm)
Figura 12. Librería espectral por Agrietamiento o Estés del Pavimento
Va
lore
s d
e R
efle
cta
nci
a
Va
lore
s d
e R
efle
cta
nci
a
Las dos librerías fueron evaluadas con las firmas obtenidas para estas mismas coberturas en
las imágenes, de tal forma que se pudiera seleccionar un método de clarificación efectivo.
En las Tablas 9 y 10 se puede observar el resultado obtenido en la evaluación de cada una
de las coberturas para cada librería con los algoritmos de clasificación Score (Binary
Encoding Classification), SAM (Spectral Angle Mapper Classification), y SFF (Spectral
Feature Fitting). De acuerdo con esto el algoritmo de clasificación que presento mejores
resultados fue SAM sobre la librería espectral del Deterioro del pavimento, por lo tanto esta
fue seleccionada para realizar el proceso de clasificación.
Tabla 9. Evaluación Algoritmos de Clasificación Librería Deterioro del Pavimento
Firma Evaluada Score SAM SFF
Pavimento Normal 0.180 0.6 0
Pavimento con Raveling 0.162 0.541 0
Pavimento con Grava 0.183 0.611 0
Tabla 10. Evaluación Algoritmos de Clasificación Librería Agrietamiento del Pavimento
Firma Evaluada Score SAM SFF
Pavimento sin Agrietamiento 1.710 0.570 0
Agrietamiento por Baja Severidad 1.718 0.573 0
Agrietamiento por Alta Severidad 1.760 0.587 0
Para la clasificación espectral de la imagen se seleccionaron las clases características de la
librería espectral del Deterioro del Pavimento ya que estas presentaban una separabilidad
espectral notables entre las clases. Las clases fueron calificadas para la condición de
envejecimiento del pavimento en estado Bueno, Malo y Regular como se muestra en la
Tabla 11, esta clasificación también corresponde a la categorización realizada en la
evaluación de campo con PCI. Para la clasificación SAM se usó un coeficiente angular ( )
de 0,7. En la Figura 13 se muestran los resultados obtenidos en la clasificación.
Tabla 11. Calificación estado del Pavimento para Clasificación
Clase Tipo de Deterioro Calificación Estado Color
1 Pavimento Nuevo Bueno Rojo
2 Pavimento con Raveling Regular Verde
3 Pavimento con Grava Malo Azul
a) b)
Figura 13. Clasificación de las Imágenes con Respecto a la Condición del Pavimento Asfáltico. (a)
Vista de la Zona de Estudio (b) Imagen Clasificada de la Zona de Estudio. Se puede observar en
color rojo las zonas de pavimento nuevo, en verde una calidad de buena a regular y en azul se
muestran las zonas clasificadas con baja calidad o pavimento deteriorado.
De acuerdo con la evaluación obtenida que se enseña en la Figura 13, se clasifico un área
total de 8.94 hectáreas, correspondientes a 2.5 kilómetros lineales en la evaluación del
estado de deterioro del pavimento a nivel de red vial para cuatro carriles. En la Tabla 12 se
puede observar que del total de cobertura clasificada 0.8 Ha corresponden a pavimento
nuevo o en buen estado (color rojo), 4.8 Ha clasificaron en pavimento con un desgaste
superficial o menor (color verde), 0.02 Ha correspondieron con la cobertura de pulimiento
de agregado, cabezas duras o pavimento en mal estado (color azul) y 3.32 Ha clasificaron
en otro tipo de coberturas como sobras, separadores naturales, árboles y automóviles.
Se estimó una clase predominante en color verde definida como pavimento con Raveling en
un estado de deterioro de medio a regular, lo cual corresponde con la evaluación PCI para
el año 2014 suministrada por el IDU para la zona estimada. La clase de color azul
(Pavimento Deteriorado) no resulta predominante dado a que en la zona no se localizan
muchos deterioros por agrietamiento, esto también puede ser consecuencia de la resolución
espacial de las imágenes. Finalmente la clase de color rojo (Pavimento Nuevo) se presenta
regularmente, pero no por la presencia de un alto % de cobertura de pavimento nuevo en la
zona de estudio, sino porque el algoritmo tiende a clasificar las zonas de sombra de los
edificios, automóviles y árboles en esta categoría, incurriendo a una falta en la clasificación
(Ver Figura 14).
En la Figura 14 también se puede observar como el algoritmo discriminó la clase de
vegetación (Arboles y pasto del separador) la cual se representa en color negro, también se
pueden observar sombras clasificadas como pavimento nuevo, al igual que la clasificación
de una zona dentro de esta clase que si corresponde a pavimento nuevo.
Tabla 12. Resultados estadísticos de la Clasificación SAM
Clase Color Tipo de Deterioro
Área
Clasificada
(Ha)
Evaluación
PCI Observación Cobertura
1 Rojo Pavimento Nuevo 0.8 Bueno Pavimento en buen estado
2 Verde Pavimento con
Raveling 4.8 Regular
Desgaste superficial o
menor
3 Azul Pavimento con
Grava 0.02 Malo
Pulimiento de agregado o
cabezas duras
0 Negro Otras Coberturas 3.32 Ninguna
Separadores naturales,
sombras, árboles y
automóviles
Total 8.94
Figura 14. Clasificación SAM Deterioro del Pavimento
Figura 15. Definición de Puntos de Muestreo para Validación
c) d)
Figura 16. Validación de la Clasificación respecto a la evaluación PCI para el año 2014 (c) con
relación a los resultados obtenidos en la clasificación SAM (d).
4.3. Análisis de la Validación
La validación de los resultados se llevó a cabo mediante un análisis de error empleando las
métricas de fiabilidad global tales como la matriz de confusión y el índice k. Para la
validación se tomó un total de 33 muestras validadas en campo (Ver Figura 15), que
cuentan en igual medida con la evaluación de la condición de deterioro del pavimento PCI
de la zona de estudio para cada uno de los 33 puntos (Ver Figura 16). La cantidad de
muestras de validación fue seleccionada de acuerdo a la inspección realizada en campo.
En la Tabla 13, se presenta la matriz de confusión construida mediante los recuentos de la
muestra, donde las filas corresponden a las clases del mapa clasificado por SAM, y las
columnas a las clases de referencia evaluadas en campo (PCI) adecuada con la realidad del
terreno. Adicionalmente se presentan las medidas de fiabilidad correspondiente a las
exactitudes de usuario y productor estimadas de manera directa sobre los recuentos de las
clases. En términos generales, se observa que se obtuvieron unas exactitudes favorables.
Al respecto, se observa en la matriz que la ACC del usuario más alta estuvo asociada a la
cobertura Regular, con un 95% de la exactitud en clasificación. Por otra parte, la ACC más
alta asociada al productor corresponde con la clase denominada Bueno con un 100%.
Respecto a la ACC global entre usuario y productor se puede observar que las exactitudes
obtenidas para el productor son más altas que las obtenidas para el usuario en toda la
clasificación. En cuanto a los errores de omisión y comisión se evidencian un mayor
número de coberturas (Bueno y Malo) clasificadas en comisión donde la cobertura obtenida
mediante la clasificación SAM no correspondió a la misma clase en la realidad.
Tabla 13. Matriz de Confusión y Medidas de Fiabilidad Global
Referencia
Bueno Malo Regular Total ACC
Usuario
Error
Comisión
Cla
se
Bueno 5 0 3
8 0,63 0,38
Malo 0 3 1
4 0,75 0,25
Regular 0 1 20
21 0,95 0,05
Total 5 4 24
33
ACC
Productor 1,00 0,75 0,83
Error
Omisión 0,00 0,25 0,17
Fiabilidad Global 0.8485
Índice Kappa 0.6881
En términos de exactitud ACC temática, la fiabilidad global de la clasificación obtenida en
la evaluación fue del 85%, lo que indica que en definitiva, puede asegurarse, con un 95%
de probabilidad, que la exactitud global del mapa se encuentra en un 85% de la fiabilidad
real alcanzada por la clasificación.
Para realizar las relaciones múltiples entre las distintas categorías, uno de los índices más
empleado es Kappa, el cual indica la diferencia entre la realidad y los valores leídos o
extraídos de la imagen (clasificados), en donde, para el caso de la imagen WV3 clasificada
mediante la técnica SAM, el valor del estadístico Kappa obtenido fue de 0.6881
correspondiente al 70% lo que significa un buen grado de ajuste entre las clases obtenidas
en la evaluación temática entre las clases predichas y las clases reales, mejores a lo
esperable al azar. Esto indica además, que la discriminación de las categorías de interés es
significativamente mayor a las obtenidas en la asignación aleatoria, por lo tanto presenta
buena concordancia.
Desde el punto de vista práctico se puede observar que la metodología permite hacer la
estimación del estado del pavimento con un 70% de concordancia a nivel de red vial a
razón de 2.5 Km en un proceso metodológico que abarco un total de 4 días entre
actividades de campo y oficina.
CAPÍTULO 5.
CONCLUSIONES
5.1. Discusión
De acuerdo con las muestras de firmas espectrales obtenidas de los diferentes tipos de
deterioro del pavimento, se evidencio que la toma de información mediante
espectroradiometría de campo permite discriminar las firmas espectrales características
para la evaluación del estado de envejecimiento en pavimentos flexibles, dado que al
comparar las firmas de los diferentes estados de deterioro del pavimento se encontraron
diferencias significativas en los niveles de reflectancia para cada tipo de deterioro. Cada
uno de los espectros obtenidos fue analizado en un rango de los 400 a los 700 nm con el fin
de verificar la posibilidad de su clasificación en imágenes multiespectrales, obteniendo una
respuesta favorable en el rango estudiado.
Al emplear la técnica de clasificación SAM sobre imágenes multiespectrales del sensor
WorldView-3, fue posible clasificar de manera significativa el estado de envejecimiento en
pavimentos flexibles. En lo que respecta, algunos autores que emplearon metodologías
similares en sus estudios, corroboran que es posible clasificar los diferentes deterioros del
pavimento con este algoritmo obteniendo resultados favorables [16][18][19][40]. Sin
embargo, a pesar de contar con información espectral de campo suficiente para ser
clasificada sobre imágenes multiespectrales, se obtienen valores de exactitudes sustanciales
en la clasificación debido a la resolución espacial de las imágenes empleadas. Trabajos
como los de Herold, Salvatori y Mei, emplean imágenes de mayor resolución espacial y
clasificación con datos espectrales obteniendo exactitudes en la clasificación mayores a los
estudios anteriormente mencionados [14][20][41].
Como se indicó anteriormente, la metodología empleada en la clasificación de la imagen
multiespectral WorldView-3 de la zona de estudio, presento un grado de ajuste del 70%, lo
que lo ubica entre el 60% y el 80% del índice Kappa en la evaluación de la exactitud
temática de la clasificación entre las clases predichas y las clases reales, tal como fue
planteado inicialmente en la hipótesis. Sin embargo, el grado de ajuste puede verse
mejorado mediante el empleo de imágenes multiespectrales de mayor resolución espacial.
Estudios resientes como los de Mei y Resende, lograron mejorar en gran medida no solo la
exactitud de la clasificación mediante el empleo de imágenes hipesespectrales de alta
resolución espacial, sino también, aumentaron el campo de estudio en cuanto a las
diferentes propiedades de los pavimentos que son observables en un rango espectral más
amplio [17][15].
La metodología propuesta en esta investigación frente a la metodología PCI usada
actualmente en la ingeniería de pavimentos, presenta ventajas en cuanto al rendimiento a
nivel de red vial. Los resultados obtenidos permitieron evaluar la condición de deterioro del
pavimento para un área total de 8.94 Ha en un procedimiento metodológico de 4 días entre
actividades de campo y procesamiento de información en oficina. A diferencia de la técnica
tradicional se puede evaluar el estado general de la red vial para un área más extensa
empleando un menor tiempo, lo que promueve la viabilidad económica debido a las
reducción de los costos empleados en la evaluación, además de permitir la pronta toma de
decisiones a nivel macro sobre el estado de la red vial. Otra de las ventajas se encuentra
asociada a que al ser una metodología que no requiere de mucho tiempo en campo como si
es el caso de PCI, permite ganar tiempo en cuanto a retrasos producidos por el tráfico, el
clima y la seguridad de la zona.
5.2. Conclusiones
Como objetivo general de esta investigación se realizó una contribución al proporcionar
espectros de muestras de deterioro en el pavimento asfaltico del mundo real utilizando un
espectroradiómetro ASD y al demostrar que las imágenes WV-3 pueden ser usadas para
monitorear la condición de envejecimiento y deterioro del pavimento flexible.
Las curvas espectrales de las muestras fueron analizadas para comprender el
comportamiento de la reflectancia de los componentes del pavimento asfaltico en distintos
estados de deterioro, con el fin de analizar su conducta obteniendo diferencias significativas
en la respuesta espectral del deterioro del pavimento asfaltico para cada una de las clases
evaluadas, lo que permitió la creación de una librería espectral para la posterior
clasificación del estado del pavimento en la zona de estudio, comprobando la primera
hipótesis, en donde se establece que si es posible discriminar los diferentes estados de
condición de envejecimiento del pavimento flexible mediante firmas espectrales.
En este trabajo se realizó una estimación de la clasificación del envejecimiento del
pavimento flexible existente en el área de estudio, mediante la definición de tres clases
temáticas (Buena, regular y mala) atribuidas al estado de deterioro del pavimento asfaltico
con el objetivo de comprobar que si puede hacerse una evaluación rápida del estado de
deterioro a nivel de red vial mediante la aplicación de algoritmo SAM obteniendo
exactitudes sustanciales en la clasificación.
Desde el punto de vista práctico se pudo observar que la metodología permitió hacer la
estimación del estado del pavimento con un 70% de concordancia a nivel de red vial a
razón de 5 Ha en un proceso metodológico que abarco un total de 4 días entre actividades
de campo y oficina, lo que implica rendimientos mayores frente a los rendimientos
obtenidos con la metodología PCI.
La exactitud de la clasificación permite confirmar que si bien el método depende de la
precisión de los datos empleados, la confiabilidad de la clasificación permite realizar la
evaluación a nivel de red lo que facilita la valoración económica global para la toma de
decisiones a nivel de presupuesto y programación de proyectos. El proceso de validación es
de fácil aplicación lo que permite realizar un permanente control de calidad sobre la
evaluación resultado de la metodología empleada.
Glosario
ABSORCIÓN: La absorción de la radiación electromagnética es el proceso por el cual
dicha radiación es captada por la materia. Cuando la absorción se produce dentro del rango
de la luz visible, recibe el nombre de absorción óptica. Esta radiación, al ser absorbida,
puede, bien ser reemitida o bien transformarse en otro tipo de energía, como calor o energía
eléctrica.
BANDA ESPECTRAL: Hace referencia al rango de longitud de onda que es capturada en
una imagen digital. Ej.: Banda Azul, Banda Roja, Banda Verde.
ESPECTRORADIOMETRIA: La espectroscopia es el estudio de la luz en función de la
longitud de onda que ha sido emitida, reflejada o dispersada por un sólido, un líquido o un
gas.
ESPECTRO VISIBLE (RGB): Rango del espectro electromagnético que el ojo humano
es capaz de percibir. Son longitudes de onda desde 400 a 700 nanómetros, y corresponden a
los todos los posibles colores que se pueden distinguir. Por definición, se especifica los
colores Azul, Verde y Rojo.
ERROR MEDIO CUADRATICO (RMS): El error medio cuadrático es una variable
estadística la cual define el error que tiene una medida con respecto al valor verdadero y se
calcula hallando la raíz cuadrada de la suma de los cuadrados de los errores individuales de
las lecturas.
EXACTITUD TÉMATICA: Descripción del grado de veracidad de los valores asignados
a los atributos de los elementos en una base de datos. Sus subelementos de calidad son:
Exactitud de clasificación, Exactitud de un atributo cualitativo y Exactitud del valor dado a
un atributo cuantitativo.
FIRMA ESPECTRAL: La firma espectral se define como el comportamiento diferencial
que presenta la radiación reflejada (reflectancia) o emitida (emitancia) desde algún tipo de
superficie u objeto terrestre en los distintos rangos del espectro electromagnético. La firma
espectral es la medida cuantitativa de las propiedades espectrales de un objeto en una o
varias bandas espectrales.
GEORREFERENCIACIÓN: Proceso de ajuste de la geometría de una imagen digital por
el cual se asignan coordenadas del terreno a cada uno de los pixeles.
GPS (GLOBAL POSITIONING SYSTEM): Sistema de Posicionamiento Global.
Sistema compuesto por una red de 30 satélites denominada NAVSTAR, situados en una
órbita a unos 20.000 km. de la Tierra, y por receptores, que permiten determinar la posición
de un objeto en cualquier lugar del planeta, bajo cualquier condición meteorológica.
IMÁGENES SATELITALES: Imágenes digitales que son capturadas con sensores
montados en un satélite artificial como plataforma.
INFRARROJO CERCANO (NIR): Rango del espectro electromagnético que
corresponden a longitudes de onda desde 800 y 2500 nanómetros. Está ubicada entre el
espectro visible y el infrarrojo medio. Es utilizada para el estudio de estados fenológicos y
vigor en la vegetación.
LIBRERÍA ESPECTRAL: Las librerías espectrales son similares a las bases de datos de
las huellas dactilares, pero en vez de contener huellas dactilares se encuentran perfiles
espectrales que son únicos a los materiales de los objetos que se encuentran en la superficie
terrestre.
MODELOS DIGITALES DE TERRENO (DTM): Estructura numérica de datos que
representa la distribución espacial de una variable cuantitativa y continúa. Recrea la forma
del terreno una vez que fueron removidos todos los elementos ajenos al mismo como son la
vegetación, edificaciones y demás elementos que no forman parte del terreno.
REFLECTANCIA ESPECTRAL: La cantidad de energía que es reflejada por un objeto
en diferentes longitudes de onda (relativa a la energía que recibe) es denominada la
reflectancia espectral que es una propiedad intrínseca de cada material.
RESOLUCIÓN: Medida de la habilidad de un sensor para discriminar información dentro
de la imagen.
RESOLUCIÓN ESPACIAL: Mínimo tamaño de un elemento en terreno que puede ser
representado por una celda o píxel.
RESOLUCIÓN ESPECTRAL: Número de bandas y rango del espectro electromagnético
que puede discriminar un sensor.
RESOLUCIÓN RADIOMÉTRICA: número de niveles digitales en Bits que puede
capturar un sensor. Ej. 8 Bits 28 = 256 valores. Sensibilidad radiométrica se refiere al
número de niveles digitales usados para expresar la información colectada por el sensor en
una escala de gris (brillo). Se expresa comúnmente como el número de bits (dígitos
binarios) necesarios para almacenar el nivel máximo de información.
RESOLUCIÓN TEMPORAL: Tiempo necesario que necesita un sensor para visitar de
nuevo la misma área y capturar información, con las mismas características.
SENSOR: Instrumento capaz de detectar energía, principalmente electromagnética. El
sensor convierte la señal y la transmite en una forma susceptible de ser procesada.
SENSORES REMOTOS: sistemas o instrumentos para captar información de un objeto a
distancia.
TELEDETECCIÓN: Técnica que permite obtener información sobre un objeto, área o
fenómeno a través del análisis de los datos adquiridos por un instrumento que no está en
contacto con el objeto, área o fenómeno bajo investigación.
Anexo 1
Especificaciones Técnicas Espectroradiómetro FieldSpect® 4 Hi-
Res (ASD)
FieldSpec® 4 Hi-Res es un espectroradiómetro de alta resolución espectral diseñado para la
medida de datos espectrales más rápidos, más precisos y para una amplia gama de
aplicaciones de teledetección.
El 3 nm en VNIR y los 8 nm en SWIR de resolución espectral del espectroradiómetro
FieldSpec 4 Hi-Res proporcionan un rendimiento espectral superior a través del espectro de
la radiación solar gama completa (350 nm - 2500 nm). La resolución espectral mejorada en
el rango SWIR (1000 nm - 2500 nm) es particularmente útil para la detección y la
identificación de compuestos con características espectrales estrechas en las mayores
longitudes de onda tales como la mineralogía, alteración y gases para el análisis
atmosférica.
Además, la resolución de 8 nm cumple o excede la resolución espectral de la mayoría de
los sensores hiperespectrales que hacen el espectroradiómetro FieldSpec 4 Hi-Res una
excelente opción para la validación del sensor y la calibración, así como la verificación
sobre el terreno y la construcción de librerías espectrales.
Tabla 14. Especificaciones Técnicas FieldSpect® 4 Hi-Res (ASD)
Referencia Especificaciones
Rango espectral 350-2500 nm
Resolución espectral 3 nm a 700 nm
8 nm @ 1400/2100 nm
Muestreo espectral (ancho de
banda)
1,4 nm @ 350 a 1000 nm
1.1 nm @ 1001-2500 nm
El tiempo de escaneado 100 milisegundos
Reproducibilidad de la
longitud de onda
0.1 nm
Exactitud de la longitud de
onda
0.5 nm
Fuente: Tomado de ASD Inc., 2016
Anexo 2
Descripción de las Imágenes Multiespectral: WorldView-3
(DigitalGlobe)
WorldView -3 fue lanzado en agosto de 2014. Es el primer satélite multiespectral y
superespectral, cuenta con una resolución espacial de 0,31 metros para la banda
pancromática y 1.24 metros para las multiespectrales [46].
Especificaciones técnicas:
Resolución Espacial: 31 cm en pancromática y 1.24 m en multiespectral.
Resolución Espectral:
Tabla 15. Descripción resolución Espectral por Banda.
Fuente: Tomado de DigitalGlobe, 2014
Resolución Radiométrica: 11 bits por píxel pancromático y multiespectral
(MS).
Resolución del sensor (o distancia de muestra del piso [Ground Sample
Distance, GSD]; fuera del nadir es la media geométrica):
Banda λ (nm)
Pancromática 450 - 800
Costero 400 - 450
Azul 450 - 510
Verde 510 - 580
Amarillo 585 - 625
Infrarrojo 1 1195 - 1225
Infrarrojo 2 1550 – 1590
Infrarrojo 3 1640 – 1680
Infrarrojo 4 1710 - 1750
Agua 3 405 - 420
Verde 525 - 585
Aerosol 2 620 - 670
Agua 1 845 - 885
Agua 2 897 - 927
Nadir pancromático: 20° fuera del nadir:
Nadir multiespectral: 20° fuera del nadir:
Ancho de Barrido: En el nadir 13.1 km
Frecuencia de la revisita (a 40° latitud N):
GSD de 1 m: <1.0 día
4.5 días 20° fuera del nadir o menos CE90
Precisión de la geolocalización (error circular del 90 % [circular error of
90%, CE90]): CE90 <3.5 m previsto sin control terrestre.
Capacidad: 680,000 km2 por día.
BIBLIOGRAFÍA
[1] R. Barrante, “La Evaluación de las Redes Viales como una Herramienta de Gestión,”
Costa Rica, 2010.
[2] Corporación Andina de Fomento, Mantenimineto Víal. Informe Sectorial. 2010.
[3] Ministerio de Transporte and Instituto Nacional de Vias, “Manual para la Inspección
Visual de Pavimentos Flexibles - Estudio de Investigación del Estado Actual de las
Obras de la Red Nacional de Carreteras,” 2006.
[4] Departamento Nacional de Planeación, “Plan Nacional de Desarrollo 2010 - 2014,”
2011.
[5] Secretaria Distrital de Movilidad, “Movilidad en Cifras 2012,” 2012.
[6] Alcaldia Mayor de Bogotá D.C., “Formulación del Plan Maestro de Movilidad para
Bogotá D.C., que Incluye Ordenamiento de Estacionamientos. Infraestructura Víal -
V8,” 2005.
[7] H. Rondón, W. Fernandez, and L. Fuentes, Evaluación de Pavimentos Flexibles.
2012.
[8] M. Corros, E. Urbáez, and G. Corredor, Manual de Evaluación de Pavimentos.
Venezuela, 2009.
[9] M. Herold and D. Roberts, “Spectral characteristics of asphalt road aging and
deterioration: implications for remote-sensing applications,” Appl. Opt., vol. 44, no.
20, pp. 4327–34, Jul. 2005.
[10] C. Barriga and L. Chávez, “Estado del Arte y Perspectiva del Envejecimiento de los
Pavimentos Asfálticos,” vol. 19, no. 77, pp. 30–39, 2009.
[11] D. Brock, “Oxidacón del Asfalto,” E.U.A., 1994.
[12] M. Herold, D. Roberts, O. Smadi, and V. Noronha, “Road Condition Mapping With
Hyperspectral Remote Sensing,” 2004.
[13] V. Noronha, M. Herold, D. Roberts, and M. Gardner, “Spectrometry and
Hyperspectral Remote Sensing for Road Centerline Extraction and Evaluation of
Pavement Condition,” National Consortium on Remote Sensing in transportation -
Infraestructure Management, 2002.
[14] M. Herold, D. Roberts, V. Noronha, and O. Smadi, “Imaging Spectrometry and
Asphalt Road Surveys,” Transp. Res. Part C Emerg. Technol., vol. 16, no. 2, pp.
153–166, Apr. 2008.
[15] M. Resende, L. Bernucci, and J. Quintanilha, “Monitoring the condition of roads
pavement surfaces: proposal of methodology using hyperspectral images,” J. Transp.
…, vol. 8, pp. 201–220, 2014.
[16] M. Herold, “Spectral Characteristics of Asphalt Road Surfaces,” pp. 237–248, 2007.
[17] A. Mei, N. Fiore, R. Salvatori, A. D’Andrea, and M. Fontana, “Spectroradiometric
Laboratory Measures on Asphalt Concrete: Preliminary Results,” Procedia - Soc.
Behav. Sci., vol. 53, pp. 514–523, Oct. 2012.
[18] T. Kavzoglu, Y. Sen, and M. Cetin, “Mapping Urban Road Infrastructure Using
Remotely Sensed Images,” Int. J. Remote Sens., vol. 30, no. 7, pp. 1759–1769, Apr.
2009.
[19] M. Herold, M. Gardner, and D. Roberts, “Spectral Resolution Requirements for
Mapping Urban Areas,” vol. 41, no. 9, pp. 1907–1919, 2003.
[20] R. Salvatori, A. Mei, and R. Salzano, “Caratterizzazione spettrale di superficie
asfaltate e realizzazione di una libreria di firme spettrali,” no. Bassi 1993, pp. 1697–
1702, 2009.
[21] A. Mei and R. Salvatori, “URBAN MAPPING USING IKONOS IMAGERY,” Int.
J. Remote Sens. Geosci., vol. 2, no. 3, pp. 55–58, 2013.
[22] A. Montejo, Ingeniería de Pavimentos de Carreteras. Bogotá, D.C.: Agora Editores,
2002.
[23] Ministerio de Transporte, “Manual para el Manteniemiento de la Red Vial
Secundaria (Pavimentada y en Afurmado),” 2007.
[24] Consejo de Directores de Carreteras de Iberia e Iberoamérica, “Catálogo de
Deterioros de Pavimentos Flexibles,” 2002.
[25] W. Fernández, H. Rondón, and F. . Reyes, “A review of Asphalt and Asphalt
Mixture Aging,” vol. 33, no. 1, pp. 5–12, 2013.
[26] J. Petersen, A Review of the Fundamentals of Asphalt Oxidation, no. October.
Washington, DC: Transportation Research Board of the National Academies, 2009.
[27] F. Sánchez Sabogal, P. Lederman Szteinman, H. A. Posso Prado, H. O. Fernández O,
F. Estrada Sánchez, P. M. Leguízamo M, R. A. González M, T. A. Sánchez V, and
H. A. Posso M, “Guía metodológica para el diseño de obras de rehabilitación de
pavimentos flexibles,” vol. 2, p. 509, 2008.
[28] R. Vásquez, “Pavement Condition Index (PCI) para Pavimentos Asfálticos y de
Concreto en Carreteras,” p. 90, 2002.
[29] E. Chuvieco, Teledetección Ambiental - La Observacion de la Tierra desde el
Espacio. 2010.
[30] E. Cloutis, “Spectral reflectance properties of hydrocarbons: remote-sensing
implications,” Science (80-. )., vol. 245, no. 4914, pp. 165–8, Jul. 1989.
[31] R. Levinson, P. Berdahl, H. Akbari, W. Miller, I. Joedicke, J. Reilly, Y. Suzuki, and
M. Vondran, “Methods of creating solar-reflective nonwhite surfaces and their
application to residential roofing materials,” Sol. Energy Mater. Sol. Cells, vol. 91,
no. 4, pp. 304–314, Feb. 2007.
[32] C. Hecker, M. van der Meijde, H. van der Werff, and F. van der Meer, “Assessing
the Influence of Reference Spectra on Synthetic SAM Classification Results,” IEEE
Trans. Geosci. Remote Sens., vol. 46, no. 12, pp. 4162–4172, Dec. 2008.
[33] I. Carpintero, M. Chica, J. P. Rigos, and E. Pardo, “Aplicación de imágenes ASTER
y ETM+ para el estudio de la susceptibilidad a la erosión en una zona semiárida (SE
España),” Rev. …, pp. 13–23, 2007.
[34] P. B. Garcia-Allende, O. M. Conde, J. Mirapeix, A. M. Cubillas, and J. M. López-
Higuera, “Data processing method applying principal component analysis and
spectral angle mapper for imaging spectroscopic sensors,” IEEE Sens. J., vol. 8, no.
7, pp. 1310–1316, 2008.
[35] S. Van Der Linden, “Investigating the potential of hyperspectral remote sensing data
for the analysis of urban imperviousness – a Berlin case study,” no. November 2007,
2008.
[36] C. Antonio, O. Vieira, P. M. Mather, A. S. Silva, D. D. Rodrigues, J. Gripp, A. S.
Ferraz, and J. C. De Oliveira, “Methods for Assessing the Positional and Thematic
Accuracy of Remotely Sensed Products,” Geoenseñanza, vol. 11, no. 1, pp. 5–15,
2006.
[37] A. López, D. U. Galparsoro, and P. Fernández, “Medidas de concordancia : El Índice
de Kappa,” Cad Aten Primaria, pp. 2–6, 2001.
[38] A. Schafer and R. Loch, “Aplicação do sensoriamento remoto em projetos
rodoviários: um histórico, uma realidade e uma necessidade como disciplina em
cursos de engenharia,” Vasa, pp. 1361–1368, 2005.
[39] J. Jensen and D. Cowen, “Remote sensing of urban/suburban infrastructure and
socio-economic attributes,” Photogramm. Eng. Remote Sensing, 1999.
[40] M. Herold, D. Roberts, M. Gardner, and P. Dennison, “Spectrometry for urban area
remote sensing - Development and analysis of a spectral library from 350 to 2400
nm,” Remote Sens. Environ., vol. 91, no. 3–4, pp. 304–319, Jun. 2004.
[41] A. Mei, R. Salvatori, F. Cipolletti, and A. Allegrini, “Analisi di immagini Quickbird
per l ’ identificazione e la classificazione delle superfici asfaltate,” no. 2008, pp.
1521–1525, 2011.
[42] R. Moreira and L. Galvão, “Variation in spectral shape of urban materials,” Remote
Sens. Lett., vol. 1, no. 3, pp. 149–158, Sep. 2010.
[43] CIAF, “Protocolo para Captura de Firmas Espectrales en Campo Aplicado al
Levantamiento de Suelos,” Bogotá D.C., 2013.
[44] M. Herold, M. Gardner, B. Hadley, and D. Roberts, “The spectral dimension in
urban land cover mapping from high-resolution optical remote sensing data,” 3rd
Symposium on Remote Sensing of Urban Areas, no. June, 2002.
[45] C. A. Rueda and A. F. Wrona, “SAMS Spectral Analysis and Management System,”
Database, pp. 0–40, 2003.
[46] DigitalGlobe, “Hoja de Datos WorldView-3,” 2014.