EXTRACCIÓN SEMIAUTOMÁTICA DE ASENTAMIENTOS INFORMALES EN LA ZONA ALTA DE LA LADERA SUROCCIDENTAL DE CALI A PARTIR DE FOTOGRAFIAS AEREAS.

Catalina Rojas Monsalve 1228746

Programa de Ingeniería TopográficaEscuela de Ingeniería Civil y Geomática, Universidad del ValleCali, Colombia – Marzo 4 de 2015.

INTRODUCCION

En Colombia los asentamientos informales o también llamados como Asentamientos Humanos de Desarrollo Incompleto (AHDI) se conocen desde finales del siglo XIX pero dada su magnitud, tuvieron su mayor auge a finales del siglo XX al comenzar el proceso de urbanización de las ciudades colombianas. Este fenómeno es el resultado de diferentes problemas en la población colombiana, entre ellos factores como el desplazamiento forzado, la pobreza, el déficit de vivienda y la aplicación incorrecta de políticas públicas.

A partir de procesos fotogramétricos sobre fotografías aéreas se busca la extracción de manera semiautomática de estos asentamientos para tener una cuantificación de estos para el año de estudio. Esto se realizara a partir de unos antecedentes con la misma problemática donde se utilizaron diversos métodos y un modelo en común (Snake) para la detección de bordes de estructuras o también conocido como “modelo de contornos activos” para lograr la extracción semiautomática de edificios, en este trabajo edificios y predios establecidos de manera informal. Esto, debido a que los procesos de interpretación manual ocupan mucho tiempo de trabajo para su realización.

La obtención de información actual y precisa sobre este tipo de asentamientos es de carácter fundamental para la gestión eficaz de estos asentamientos que no cuentan con una debida planificación y la toma de decisiones sobre estos.

Figura 1. Ladera alta de Cali (Barrio Siloé).

2

ANTECEDENTES

Según Rüther et al. (2002) Los asentamientos informales también conocidos como “áreas marginales” y su evolución, son un fenómeno inevitable en la zona urbana de una ciudad. Este fenómeno es muy común en países en desarrollo como resultado de múltiples necesidades de refugio de la comunidad menos favorecida. En el objetivo de estudiar el comportamiento de estos, no se encuentran técnicas automatizadas y por esto las técnicas semiautomáticas de extracción juegan un papel importante en el desarrollo del trabajo. Los datos adquiridos de asentamientos informales son de fotogrametría y otras técnicas convencionales de mapeo los cuales no logran cubrir áreas densamente pobladas.

Debido a esto, los autores basados en el modelo de contornos activos “Snake” y la técnica de optimización dinámica de programación proponen un algoritmo semiautomático para la extracción de zonas de asentamientos informales a partir de fotografías aéreas.

El primer paso es el pre procesamiento de las fotografías aéreas convencionales escaneadas y la creación del Modelo Digital de Superficie, la generación de una orto imagen a partir del Modelo Digital de Terreno, la definición y optimización aproximada de los contornos de construcción. A partir del software ERDAS IMAGINE 8.3.1 se aplicó el filtro Wallis para el mejoramiento del impacto visual de las fotografías. Las estructuras son modeladas como bultos llamados manchas de elevación, obtenidas por una umbralización altimétrica del MDS. Al generar las orto fotos del MDT, los objetos como edificios sufrirán un desplazamiento radial el cual es pequeño debido a la poca altura de los edificios.

Se comienza con el establecimiento de los contornos aproximados de construcción con el modelo Snake que toma cada contorno a partir de los nodos (n), donde la posición del contorno es definida por la discretización de la función de mérito de la energía que actúa sobre el contorno, dada por:

E snake=∑i=1

n

¿¿ (1)

Donde E snake es la energía de la serpiente, V(s) la función vectorial que transforma la longitud s a los puntos (x,y), V s ( Si)y V ss (Si )son derivadas de primer y segundo orden respectivamente en el nodo i, α (Si) y β (Si) son los pesos de cada posición que conforman la forma del contorno, ℜ la energía radiométrica y no el número total de funciones de la energía radiométrica usadas, G la función 2D de nivel de gris dela imagen y nel número total de nodos.

Seguido de esto, se formula el modelo matemático genérico del edificio con propiedades radiométricas y geométricas y es discretizado para poder ser aplicado en la optimización de contorno en una función como:

3

TE=∑i=1

n

E(N i−1 ,N i , N i+1)(2)

Donde TE es la energía total (radiométrica y geométrica) a partir de los 3 nodos consecutivos en el contorno N i−1 ,N i , N i+1 y E(N i−1 , N i ,N i+1) es la energía del contorno a partir de los 3 nodos consecutivos.

En la implementación se involucran 3 nodos los cuales tienen diferentes combinaciones donde todas son tenidas en cuenta en el proceso de optimización (proceso iterativo), el cual al finalizar cada iteración, inicia una búsqueda desde la última matriz de posición hacia la primera matriz de condiciones a determinar para cada nodo del contorno. Una de las aplicaciones fue en el área de Manzese en Tanzania que posee edificios avecinados con un material de techo similar pero diferente forma geométrica. En la figura 1 se puede observar las manchas de elevación superpuestas en la orto foto, en la figura 2 los contornos aproximados de cada edificio y en la figura 3 los contornos extraídos de cada edificio.

Figura 1. Manchas de elevación superpuestas en la orto foto, sitio de ensayo Manzese.

4

Figura 2. Contornos aproximados de cada edificio superpuestos en la orto foto, sitio de ensayo Manzese.

Figura 3. Contornos de edificio extraídos superpuestos en la orto foto, sitio de ensayo Manzese.

Se realizó una comparación con datos métricos obtenidos a partir de valores reales de la zona donde son extraídos edificio por edificio. Se obtuvo una tasa de obtención de 62% no totalmente satisfactoria pero que muestra un ahorro de mano de obra y el camino a la automatización.

Según Kabolizade (2010) debido a que la interpretación manual de fotografías es un proceso extenso y que requiere mucho tiempo, por esto se está trabajando cada día más en mejorar los métodos automáticos y semiautomáticos de extracción. Para esto los autores proponen un conjunto de técnicas y algoritmos para la construcción de modelos 2D y 3D usando fotografías aéreas. Proponiendo un método para detectar el contorno basado en el modelo Snake, siendo más rápido en zonas de mayor complejidad.

Se generaron: Un Modelo Digital de Superficie usando datos Lidar, seleccionando los puntos iniciales a partir del Modelo Digital de Superficie Normalizado que cubrieran la zona de estudio y se realiza una triangulación encontrando el punto más bajo y añadiéndolo y volviendo a triangular, repitiendo este proceso hasta añadirlos todos. El Modelo Digital de Elevación se realizó con la interpolación de los puntos de terreno usando el método del vecino más cercano, ya que los árboles y los edificios se encuentran muy juntos y tienen alturas similares se aplicó un índice de vegetación que usa la relación de la diferencia de las bandas verdes y rojas y la suma de estas, dejando así caracterizadas las áreas de vegetación y enmascarando estas sobre el MDS.

El modelo Snake está clasificado en dos tipos: paramétrico y geométrico. Se utilizó el modelo paramétrico que define el contorno en función de la longitud del arco normalizado (s) como:

V (s )=(X (s ) ,Y ( s)) (3)

5

Se encontraron dos problemas, uno con el modelo original de Snake definido por las energía y el segundo dado al situar erróneamente contornos pertenecientes a otros edificios cercanos al punto Snake, esto se solucionó estableciendo un umbral de longitud para los bordes y eliminando los menores a este. Se realizó la comparación con el modelo tradicional, el Snake GVF y el modelo mejorado mostrados en la figura 4.

Figura 4. Extracción final del edificio a partir de (a) Modelo tradicional, (b) Modelo de globo, (c) Modelo GVF y (d) Modelo mejorado.

Se muestran resultados de una prueba realizada en la zona central de la ciudad Taft en Irán donde se obtuvo una tasa de obtención de 87% la cual es bastante buena mostrando un gran refinamiento (figura 5) a la estructura real y un gran acercamiento al procedimiento automático de extracción.

6

Figura 5. Refinamiento para el contorno del edificio: (a) Imagen del edificio, (b) Semillas iniciales, (c) Resultado Snake.

Según Ahmadi (2010) la actualización de bases de datos de SIG para áreas urbanas a partir de fotografías aéreas, pero debido a que lleva tanto tiempo de trabajo se ve la necesidad de procesos automáticos. Los autores proponen un modelo para la extracción de bordes de edificios usando el modelo de contornos activos.

La detección de los límites de edificios se hace a través de ciertos puntos introducidos alrededor de los edificios, evitando curvas iniciales al igual que en el modelo Snake. Este modelo propuesto por los autores sin necesidad de datos de elevaciones detecta límites de construcción para distinguir los edificios. El modelo de contornos activos se divide en dos: paramétricos y geométricos, se trabajó con los contornos activos geométricos pues dependen de la homogeneidad de las características espaciales como la intensidad del color, el nivel de gris y otras características de pixeles.

El modelo se define con la nueva función:

Etotal=μ E1+v E2+λ1 E3+λ2 E4+α E5+β E6 (4)

Donde µ,v, λ1, λ2, α y β son coeficientes constantes.

El modelo de extracción se compone de 5 etapas donde:

- Se realizan las correcciones geométricas y radiométricas de la fotografía de entrada.

- Se presentan los valores adecuados de pixel para los puntos dentro y los puntos fuera del límite de construcción apropiado, en función del número de edificios.

- Extracción de los límites de construcción.- Se suavizan las líneas irregulares de los límites extraídos mediante ángulos

perpendiculares y líneas rectas.- Evaluación de la exactitud de los límites.

7

La implementación es realizada en Lavasan, Irán con fotografías del año 2005, donde se introducen datos de dos clases de edificios y se generan las curvas iniciales y círculos en la imagen. Se establecen los parámetros del modelo y al cabo de 10 iteraciones las curvas son relacionadas con los límites de construcción, ya que los límites fueron muy irregulares se generalizaron como se ve en la figura 6 y se suprimieron los que no servían, obteniendo así los bordes regulares de los edificios con una exactitud del 85%.

Figura 6. Límites de construcción generalizados.

Figura 7. (a) Edificios inexactos y (b) Zoom a un edificio extraído de forma inexacta.

En la figura 7 se ve como algunos edificios no son extraídos correctamente ya que su característica radiométrica es parecida al fondo de la fotografía. Se concluye con

8

un modelo que detecta los límites de construcción y evita la extracción de objetos no deseados de la fotografía.

Según Loannidis (2009) las técnicas de fotogrametría modernas pueden reducir el costo de detección de asentamientos ilegales. Estos han llegado a ser un gran problema para Grecia por su cantidad que sigue en aumento en las periferias urbanas, zonas costeras y tierras agrícolas, los cuales a diferencia de otros lugares del mundo no se caracterizan por ser barrios bajos o marginados sino que por el contrario son casas de alto nivel y buenas condiciones. Después de estudiar la información estadística se conoció que el mayor problema se da en la zona costera.

Los puntos de apoyo fueron medidos con GOS y la triangulación aérea se hizo en Leica photogrammetric suite. La dificultad del algoritmo de extracción es que puede incluir o suprimir objetos que no son edificios como arboles (pues se asemejan en elevación). Son excluidos usando un índice normal de vegetación (NDVI)

NDVI=NIR−REDNIR+RED (5)

Donde NIR es el valor de referencia del pixel en el canal infrarrojo, RED es el valor de reflectancia del pixel en el canal rojo. Para indicar existencia de vegetación NDVI debe ser superior a 0.15.

A partir del Modelo Digital de Superficie y el Modelo Digital de Elevación, obteniendo un Modelo Digital de Superficie Normalizado que solo cuenta con los objetos por encima del suelo, se generó un ortofoto-mosaico.

Se calcula el valor del pixel correspondiente y se dan las zonas posibles de cambio (en total 37, con 13 falsos), utilizando el algoritmo se forman polígonos alrededor de los edificios restantes, con la dificultad de que los pixeles homogéneos no son reconocidos. Los polígonos correctos se representan en color verde, los falsos polígonos de cambio en rojo, los que no tienen cambio en negro y los edificios cambiados en azul.

9

Figura 8. Superposición de polígonos: (a) sobre la ortofoto año 2001 (b) en el mapa de cambio creado manualmente.

Se concluye que utilizando procesos automatizados se contó con un 72% de efectividad en la detección de nuevos edificios y un 35% no hizo referencia a cambios reales, también que los MDS entre más precisos sean mejor será el resultado. Se recomienda usar sensores Lidar con la desventaja que trae más costo en el trabajo.

Según Fazan (2011) la extracción semiautomática y automática de edificios son nuevos métodos para aplicaciones de mapeo que han tenido una gran acogida y que cada día se busca mejorar. Los modelos de serpientes (Snake) y de programación dinámica (PD) son los más usados para estas aplicaciones.

Los autores proponen un modelo matemático para la representación de los contornos del techo de los edificios a partir de fotografías aéreas con el modelo Snake de base.

La curva V es el polígono que representa el contorno del edificio. Una serpiente en una imagen es la curva que se mueve por las direcciones (x,y) bajo la influencia de fuerzas externas e internas. Está dada por la longitud de la línea poligonal definida por n vértices y sus posiciones, como se ve en la fórmula 1:

Vi=[Xi ,Yi ] , i=0 ,…,n−1¿ (6)

Ya que algunas variables no se relacionan entre si se utiliza la técnica de programación dinámica (PD) que es muy eficiente para la optimización de la función de la energía, quedando así 6 variables (dos para cada vértice) interrelacionadas simultáneamente. Quedando optimizada la ecuación de la energía así:

10

E (v )=∑i=0

n−1

Ei (V i−1 ,V i ,V i+1 ) (7)

En uno de los experimentos para evaluar el método de extracción de techos, se eligió un edificio con límites bien definidos, a pesar de que uno de los segmentos fue extraído incorrectamente por la presencia de una sobra del límite real del techo. Este problema se vio también con la influencia de objetos vecinos como árboles (figura 9).

Figura 9. Contornos de extracción aproximados utilizados al iniciar el modelo.

Se llega a la conclusión de que este método es satisfactorio a la hora de extraer techos de edificios donde no haya mucha influencia de objetos cercanos.

Figura 10. Contornos extraídos por el método de extracción computacional.

PLANTEAMIENTO DEL PROBLEMA

11

Dado el crecimiento poblacional en el municipio de Cali, capital de nuestro departamento Valle del Cauca y a la escasa oferta de vivienda, los asentamientos informales en la zona urbana es el producto del problema de ordenamiento territorial de la ciudad, esto relacionado a las posibilidades de acceso al suelo de los menos favorecidos y un conjunto de acciones y omisiones por parte de la administración municipal, quien es la obligada de resolver las demandas de vivienda (Informalidad Urbana en Cali, Alex Garcés).

Al no tenerse una buena respuesta de cumplimiento de demanda de vivienda, una salida es la instalación en zonas no permitidas, surgiendo así los asentamientos informales o asentamientos no planificados, que en la mayoría de los casos no son lugares aptos para vivienda y con dificultades como lo son el no contar con los servicios públicos necesarios de vivienda. El área de estudio, la zona alta de la ladera suroccidental de Cali cuenta con este problema, donde barrios de la comuna 20 como Pueblo Joven, La sultana, Altos de lleras no cuentan con servicio de alcantarillado. (Comuna 20, Alcaldía de Santiago de Cali). Para esto es necesario conocer el entorno donde se encuentran estos asentamientos, entornos donde la pobreza es uno de los mayores problemas de la comunidad.

Es necesario identificar estos lugares con el fin de cuantificar el área ocupada por estos, obteniendo así información actualizada y precisa para el año de estudio. El tiempo y costo que esta labor implica, teniendo en cuenta la complejidad de estos sectores lo vuelven un trabajo complejo. Para solucionar esto se propone trabajar a partir de procedimientos semiautomáticos de extracción de asentamientos utilizando técnicas de la fotogrametría digital.

JUSTIFICACION

Es de gran importancia la realización de este proyecto.

METODOLOGIA

Zona de Estudio:

Fuentes de Información:

12

La información utilizada para el desarrollo del proyecto consta de 5 fotografías de una misma línea de vuelo sobre la ladera montañosa de Santiago de Cali, obtenidas en el departamento de planeación.

13

BIBLIOGRAFIA

Ahmadi, S., Valdan Zoej, M., Ebadi, H., Moghaddam, H., & Mohammadzadeh, A. (2010). Automatic urban building boundary extraction from high resolution aerial images using an innovate model of active contourns. International Journal of Applied Earth Observation and Geoinformation(12), 150-157.

Fazan, A. J., & Dal Poz, A. P. (2011). EXTRAÇÃO SEMIAUTOMÁTICA DE CONTORNOS DE TELHADO DE EDIFÍCIOSCOMBASEEM SNAKES E PROGRAMAÇÃO DINÂMICA. Boletin de Ciencias Geodesicas, 17(3), 340-360.

Kabolizade, M., Ebadi, H., & Ahmadi, S. (2010). An improved snake model for automatic extraction of buildings from urban aerial images and LiDAR data. Computers, Enviroment and Urban Systems(34), 435-441.

Loannidis, C., Psaltisodoulos, C., & Potsiou, C. (2009). Towards a strategy for control of suburban informal buildings through automatic change detection. Computers, Enviroment and Urban Systems(33), 64-74.

Rüther, H., Martine, H., & Mtalo, E. (2002). Application of snakes and dynamic programming optimisation technique in modeling of buildings in informal settlement areas. Photogrammetry & Remote Sensing(56), 269-282.