Clasificación de nubes de puntos y modelización 3D de edificaciones históricas mediante Sistemas de Información Geográfica

CLASIFICACIÓN DE NUBES DE PUNTOS Y MODELIZACIÓN 3D DE EDIFICACIONES HISTÓRICAS MEDIANTE SISTEMAS DE INFORMACIÓN GEOGRÁFICA. LA MURALLA DE LOS JARDINES DEL VALLE (SEVILLA). Alumno: David Rubia Caba. Tutor: Dr. Emilio J. Mascort Albea. Grupo B: Área de Ingeniería del terreno – Curso 21/22 E.T.S.A. Universidad de Sevilla Agradecimientos: Me gustaría expresar mi más sincera gratitud a mi tutor Emilio Mascort y a Francisco Hidalgo, por estar siempre dispuestos a ayudar sea cual sea el momento, por la gran dedicación, esfuerzo y la confianza que me han brindado para tener la motivación necesaria para seguir adelante, incluso en las peores situaciones. Gracias a Margarita y a Concepción, por ofrecerme la oportunidad de realizar este trabajo partiendo de su proyecto de investigación docente. A mis amigos, por su apoyo incondicional y por acompañarme en este largo camino que es la universidad. A mi pareja, por prestarme su ayuda en todo momento y por ser siempre mi apoyo constante en las peores circunstancias. Y por último, y más importante, a toda mi familia, especialmente a mis padres, por su apoyo incondicional, la confianza plena que siempre han tenido en mí y por ser mis grandes referentes. A todos vosotros, gracias. Resumen y palabras clave Clasificación y modelización 3D SIG 3 RESUMEN Y PALABRAS CLAVE Resumen: Este trabajo reflexiona sobre las ventajas que proporcionan los Sistemas de Información Geográfica (SIG) en la construcción semi-automática de modelos tridimensionales destinados a la gestión de la información del patrimonio arquitectónico. Para ello se ha desarrollado una metodología que permite la generación de modelos 3D- SIG a partir de una nube de puntos de alta densidad obtenida mediante la técnica LIDAR (Light Detection And Ranging). Los procedimientos aplicados se han basado en un conjunto de fases de trabajo que han permitido la clasificación, modelización y publicación de la información procesada. Esta investigación ha seleccionado como caso de estudio un segmento representativo de la muralla medieval de Sevilla, perteneciente al sector de los Jardines del Valle. Este elemento patrimonial forma parte de los edificios pertenecientes al Plan Director de Patrimonio Histórico inmueble de Sevilla (PD-PHiM), y se caracteriza por ser un bien arqueológico de gran extensión y elevada complejidad. Los resultados obtenidos han generado un modelo que incrementa muy significativamente el nivel de detalle (Level of Detail, LOD) del caso de estudio respecto a trabajos precedentes realizados en el marco del PD-PHiM. Del mismo modo, las tablas de datos relativas a dicho bien han sido vinculadas al modelo 3D generado. Todo ello ha contribuido a poner en valor el gran potencial que poseen las estrategias desarrolladas en aquellas tareas relacionadas con la gestión de datos de edificios patrimoniales. Palabras clave: Fotogrametría; Clasificación de puntos LIDAR (Light Detection And Ranging); Patrimonio Arquitectónico; Modelización 3D; Nubes de puntos; Nivel de detalle (Level of Detail, LOD); Muralla medieval de Sevilla; Plan Director de Patrimonio Inmueble de Sevilla (PD-PHiM). Índice Clasificación y modelización 3D SIG 4 RESUMEN Y PALABRAS CLAVE ............................................................................................... 3 1. INTRODUCCIÓN .............................................................................................................. 5 1.1. Motivación................................................................................................................................... 5 1.2. Hipótesis de partida. Relevancia y oportunidad ............................................................... 6 1.3. Selección del caso de estudio ................................................................................................. 7 1.4. Objetivos ..................................................................................................................................... 9 1.5. Metodología ............................................................................................................................. 10 2. ANÁLISIS PRELIMINARES ............................................................................................... 12 2.1. Características del caso de estudio ...................................................................................... 12 2.2. Datos de partida ...................................................................................................................... 14 2.3. Comparación entre fuentes de datos .................................................................................. 15 3. CLASIFICACIÓN DE PUNTOS LIDAR ............................................................................. 19 3.1. Criterios para la clasificación de puntos LIDAR .............................................................. 19 3.1.1. Códigos de clasificación para modelos SIG-3D ...................................................................... 19 3.1.2. Algoritmos de filtrado de puntos LIDAR ................................................................................ 21 3.2. Categorización de los puntos del caso de estudio .......................................................... 23 3.2.1. Clasificación de puntos automatizada .................................................................................. 23 3.2.2. Clasificación de puntos manual ............................................................................................. 28 4. MODELIZACIÓN DE NUBES DE PUNTOS ...................................................................... 31 4.1. Principios básicos para el modelado SIG-3D ..................................................................... 31 4.1.1. Niveles de detalle (Levels of detail, LOD) ................................................................................ 31 4.1.2. Principales procedimientos de modelización ........................................................................ 32 4.2. Modelización del caso del estudio ..................................................................................... 32 4.2.1. Procedimiento manual: LOD1 ................................................................................................ 32 4.2.2. Procedimiento automático: LOD2 ........................................................................................ 33 4.2.3. Procedimiento semiautomático: LOD3 ................................................................................. 40 4.3. Integración de información de contexto .......................................................................... 43 4.3.1. Topografía ............................................................................................................................... 43 4.3.2. Bienes arquitectónicos ........................................................................................................... 47 5. GESTIÓN DE LA INFORMACIÓN ................................................................................... 48 5.1. Vínculo con la información temática.......................................................................... 48 5.1.2. Datos generales del bien ......................................................................................................... 48 5.1.3. Datos específicos de los sectores ............................................................................................. 51 5.2. Publicación de resultados ............................................................................................. 52 6. CONCLUSIONES ............................................................................................................. 54 7. REFERENCIAS ................................................................................................................. 55 8. ABREVIATURAS Y GLOSARIO ....................................................................................... 57 9. ANEXO I: TABLAS DE DATOS DE LAS MURALLAS DEL VALLE ..................................... 58 1. Introducción Clasificación y modelización 3D SIG 5 1. INTRODUCCIÓN 1.1. Motivación El siguiente trabajo de investigación, se centra en uno de los elementos pertenecientes al patrimonio histórico arquitectónico de la ciudad de Sevilla, la Muralla de los Jardines del Valle. Los distintos fragmentos de muralla aún conservados de la ciudad de Sevilla, se encuentran catalogados como Bien de Interés Cultural (BIC) y Patrimonio Histórico de nuestro país. Cabe destacar que, aun tratándose de un BIC, en la actualidad esta parte de la muralla se encuentra en un estado de abandono y de cierto deterioro de sus paramentos principales. Por estos motivos, las líneas de investigación de este trabajo, parten de la utilización de nuevas tecnologías como los SIG (Sistemas de Información Geográfica), para analizar y categorizar los diferentes elementos de la muralla, que ayuden a mejorar su estado de conservación. Este trabajo es una continuación añadida al proyecto desarrollado en el marco del Plan Director de Patrimonio Histórico inmueble (PD-PHiM) realizado por el ayuntamiento de Sevilla (España) para la utilización de modelos tridimensionales SIG para la gestión y conservación del patrimonio histórico arquitectónico (Hidalgo-Sánchez et al., 2022). El punto de partida es el proyecto de innovación docente realizado por Margarita Infante Perea y Concepción Cantillana Merchante, correspondiente al análisis interdisciplinar del patrimonio arquitectónico mediante la digitalización de estos elementos (Fig. 1). Esta tarea, parte como eje vertebrador para el trabajo entre diferentes asignaturas y disciplinas, este TFG formará parte de este proceso. Las diferentes líneas de investigación de este trabajo, se centrarán en el desarrollo de modelizaciones tridimensionales a partir de trabajos de campo, como es el caso del Proyecto de Innovación Docente, los trabajos fotogramétricos. Se generará una nube de puntos a partir de estos trabajos, que permitan la modelización en SIG para la posterior caracterización de sus elementos. Fig.1. Digitalización fragmento de la muralla. Elaborado por Margarita Infante, Concepción Cantillana y el alumno Lorenzo Rodríguez. 1.Introducción Clasificación y modelización 3D SIG 6 1.2. Hipótesis de partida. Relevancia y oportunidad Este trabajo pretende reflexionar sobre la utilidad de las nubes de puntos generadas por trabajos fotogramétricos para contribuir a la generación de modelos digitales 3D para la gestión del conocimiento patrimonial mediante el uso de Sistemas de Información Geográfica (SIG). El desarrollo de esta investigación, es una gran oportunidad de demostrar el potencial de estas tecnologías a la hora de caracterizar y analizar elementos pertenecientes al patrimonio arquitectónico. 1.Introducción Clasificación y modelización 3D SIG 7 1.3. Selección del caso de estudio Para el desarrollo de este trabajo de investigación, el caso de estudio elegido ha sido la muralla de los Jardines del Valle, que resulta un elemento pertinente y representativo para la investigación aplicada que plantea este trabajo. Los principales motivos son los siguientes: • Existencia actual de un convenio vigente, firmado en el año 2019 y titulado “Convenio específico de colaboración entre la Universidad de Sevilla y la Gerencia de Urbanismo, del Ayuntamiento de Sevilla, para el desarrollo de estrategias encaminadas a la restauración y su posterior conservación preventiva de la muralla medieval de Sevilla”. En este sentido, cabe destacar que uno de los miembros del equipo de trabajo de la US es el Dr. Emilio J. Mascort Albea, tutor de la presente investigación. Del mismo modo, el sector de los Jardines del Valle forma parte del conjunto de la muralla medieval urbana y constituye uno de las áreas de trabajo afectadas por dicho convenio. En el marco de este convenio ya se han generado nubes de puntos LIDAR de otros segmentos de la muralla medieval de Sevilla, como es el caso de la muralla de la Macarena (Cabrera-Revuelta et al., 2021). • Durante el presente curso 2021-22 se ha desarrollado el proyecto de innovación docente titulado: “Análisis interdisciplinar del patrimonio arquitectónico, la virtualización como eje vertebrador del trabajo colaborativo entre asignaturas”, dirigido por las profesoras de la ETSIE, las Dras. Margarita Infante y Concepción Cantillana. A través del mismo, se ha propuesto una visión transversal y multidisciplinar de un mismo bien patrimonial en diferentes asignaturas cursadas en la ETSIE y en la ETSA, permitiendo la generación mediante técnicas fotogramétricas de la nube de puntos que constituye el origen de esta investigación. • Adicionalmente, el caso de estudio forma parte de uno de los 115 inmuebles originalmente incluidos en el Plan Director de Patrimonio Histórico inmueble de Sevilla (PD-PHiM). A través de la acción número 3 del PD-PHiM se han establecido estrategias para la modelización 3D de los bienes indicados. Un primer trabajo basado en procedimientos semiautomáticos permitió incrementar significativamente el nivel de detalle (Level od Detail, LOD) de las entidades analizadas. Sin embargo, un representativo grupo de edificios de carácter arqueológico no pudieron ser modelizados debido a las características de la información de partida (Hidalgo-Sánchez et al., 2022). La muralla de los Jardines del Valle formaba parte de ese grupo de inmuebles y las estrategias aportadas en el presente trabajo pretenden dar respuesta a la problemática indicada (Fig. 2). 1.Introducción Clasificación y modelización 3D SIG 8 Fig. 2. Identificación de la muralla de los Jardines del Valle dentro de los elementos modelizados con nulo nivel de detalle (LOD0) en la acción 3 del PD-PHiM. Elaboración propia a partir del artículo (Hidalgo-Sánchez et al., 2022). 1.Introducción Clasificación y modelización 3D SIG 9 1.4. Objetivos La finalidad de este trabajo de investigación realizado, es la de aplicar tecnología SIG para la creación de un método que permita clasificar y modelar nubes de puntos de manera automática para la posterior caracterización de sus unidades particulares. A continuación, se describen los Objetivos Generales y sus respectivos Objetivos Específicos asociados que se abordarán en el trabajo de investigación: • Objetivos Generales: • OG1. Evaluación de procesos de automatización para la generación de modelos SIG-3D a partir de nubes de puntos. • OG2. Verificación de la tecnología SIG para la gestión de la información patrimonial de la arquitectura histórica. • Objetivos Específicos: • OE1.1. Estudio de nubes de puntos obtenidas de fuentes abiertas y trabajos de campo. • OE1.2. Estudio de algoritmos de filtrado de puntos. • OE1.3. Clasificación de nubes de puntos mediante procedimientos automáticos y manuales. • OE1.4. Modelado tridimensional de nubes de puntos. • OE2.1. Segmentación y caracterización de las unidades particulares del caso de estudio. • OE2.2. Vinculación de información temática a los elementos sectorizados. • OE2.3. Publicación de resultados online. 2. Análisis preliminares Clasificación y modelización 3D SIG 16 Fig. 10. Descompresión de archivo LAZ del PNOA para la obtención del archivo LAS. Elaboración propia. Una vez obtenidas las dos nubes de puntos (Fotogrametría y PNOA), se procedió a exportar ambos archivos de nubes de puntos en formato LAS a ArcGIS Pro, creando previamente una escena local (FIg.12 y Fig.13). Para poder trabajar con archivos LAS en ArcGIS, es necesario utilizar la herramienta de geoprocesamiento Crear dataset LAS (Fig. 11), que permite añadir el archivo LAS exportado desde Metashape y crear un Dataset para su visualización. A la hora de definir los parámetros en el panel de la herramienta, es importante añadir de forma correcta el sistema de coordenadas con el que se trabaja para que la nube de puntos se sitúe en la escena de forma correcta, este es el ETRS_1989_UTM_Zone_30N, que es el sistema de coordenadas utilizado en la obtención de la fotogrametría. Fig. 11. Herramienta de geoprocesamiento Crear dataset LAS. Elaboración propia. 2. Análisis preliminares Clasificación y modelización 3D SIG 17 La comparación entre estas fuentes de datos, se basa en los siguientes criterios: número de puntos LIDAR que contiene la nube de puntos, fuente de los datos, clasificación de sus puntos LIDAR y la densidad de puntos por m2. La nube de puntos del PNOA, al tratarse de un sector de la ciudad de Sevilla completo, se ha localizado la zona de los Jardines del Valle para comprobar el estado de los puntos LIDAR correspondientes a la muralla. Se puede observar que los puntos correspondientes a la muralla (Fig. 14) son difícilmente distinguibles del resto de elementos de su entorno como pueden ser árboles, terreno o edificios. La nube de puntos del PNOA contiene una clasificación LIDAR, al comprobar esta clasificación, podemos comprobar que los puntos que corresponden a la muralla son confundidos con el código de clasificación de vegetación (Fig. 15). Fig. 12. Nube puntos muralla, fotogrametría, exportada a ArcGIS Pro. Elaboración propia. Fig. 13. Nube puntos sector, PNOA, exportada a ArcGIS Pro. Elaboración propia. Fig. 14. Entorno muralla de los Jardines del Valle. Elaboración propia. Fig. 15. Puntos LIDAR correspondientes a la clasificación de vegetación. Elaboración propia. 2. Análisis preliminares Clasificación y modelización 3D SIG 18 Una vez creadas las escenas de nube de puntos en ArcGIS, se obtuvieron los siguientes datos de ambas nubes de puntos en función de los criterios expuestos a continuación: Nube de puntos obtenida de la fotogrametría: • Nº de puntos LIDAR: 16.202.043 • Fuente: Proyecto de investigación docente. • Clasificación LIDAR: Ninguna. • Densidad de puntos LIDAR: 127.505 p/m2 Nube de puntos del PNOA: • Nº de puntos LIDAR: 4.001.507 (todo el sector). • Fuente: Abierta. • Clasificación LIDAR: Clasificada. • Densidad de puntos LIDAR: 0,5 p/m2 Tras la realización de la comparación, se observó que la baja densidad de puntos de la nube del PNOA y sus errores de clasificación, provocaron que no fuese una nube de puntos válida ni eficiente para la realización de modelados 3D con altas exigencias de detalle. 3.Clasificación de puntos LIDAR Clasificación y modelización 3D SIG 19 3. CLASIFICACIÓN DE PUNTOS LIDAR En este capítulo, se aborda la clasificación de la nube de puntos LIDAR, tarea necesaria para realizar modelados tridimensionales en softwares SIG. En primer lugar, se analizaron los diferentes criterios y códigos de clasificación de puntos. Seguidamente, se realiza el estudio de los algoritmos utilizados por los diferentes métodos de filtrado automático de puntos y, por último, la realización de la clasificación de la nube mediante dos métodos diferentes de trabajo: Automatizado y manual. 3.1. Criterios para la clasificación de puntos LIDAR En este primer apartado, se introducen los principios teóricos de códigos de clasificación de puntos LIDAR, necesarios para la clasificación de nubes de puntos y su posterior modelización. 3.1.1. Códigos de clasificación para modelos SIG-3D Para la realización de modelados 3D a partir de nubes de puntos, es necesario que dicha nube contenga una clasificación de sus puntos LIDAR, siguiendo un código de clasificación. Esto es debido a que, para la correcta modelización de elementos obtenidos a partir de nubes de puntos, los softwares de tratamientos de puntos LIDAR necesitan diferenciar a que categoría pertenece cada uno de sus puntos y así, no modelizar elementos que no interesen, como puede ser la vegetación colindante. Por esta cuestión, es de vital importancia una correcta clasificación de datos LIDAR para desarrollar los modelos tridimensionales. Para esta fase de la investigación, se utilizará el software ArcGIS Pro perteneciente a la empresa ESRI. Los códigos de clasificación que utiliza ArcGIS para sus puntos LIDAR es la clasificación dada por la American Society for Photogrammetry and Remote Sensing (ASPRS), también utilizada por el Instituto Geográfico Nacional (IGN). Según las especificaciones dadas por la ASPRS, la clasificación de los datos LIDAR vienen dados por las especificaciones LAS (LAS Specification 1.4-R14 Release Information, 2002) , en este caso su versión más reciente, LAS 1.4 (Tabla. 1). Como se ha partido de un trabajo fotogramétrico realizado con el software Agisoft Metashape, dicho programa también contiene un código de clasificación de puntos. Este código de clasificación es similar al utilizado por ESRI, pero con algunas variaciones. A continuación, se detalla una tabla en función de los datos obtenidos del propio programa, asignando unos valores de clasificación similares para clarificar su comparación (Tabla. 2). 3.Clasificación de puntos LIDAR Clasificación y modelización 3D SIG 20 Se puede observar cómo al revisar las dos tablas de clasificación, contienen un código similar, compartiendo algunos de sus códigos y su mismo orden, pero existiendo algunas diferencias como las encontradas en las clasificaciones punto clave de modelo, puntos superpuestos, coche u objetos hechos por el hombre. Estas clasificaciones no aparecen en la dada por la ASPRS en LAS 1.4, sin embargo, aunque tengan algunas diferencias, sus clasificaciones son totalmente compatibles para la exportación de archivos clasificados de un software a otro. Los códigos de clasificación que han sido necesarios para la realización de esta fase se exponen a continuación: • 2 - Base. • 3 - Vegetación baja. • 4 - Vegetación media. • 5 – Vegetación alta. • 6 – Edificio. • 7 – Ruido bajo. • 18 – Ruido alto. Tabla.1 Elaboración propia, a partir de la información sobre la clasificación de puntos de ESRI y la American Society for Photogrammetry and Remote Sensing (ASPRS). Tabla.2 Elaboración propia, a partir de la información sobre la clasificación de puntos de Agisoft y el software Metashape. 3.Clasificación de puntos LIDAR Clasificación y modelización 3D SIG 21 3.1.2. Algoritmos de filtrado de puntos LIDAR En el siguiente apartado, se realiza el análisis de los distintos algoritmos de filtrado de puntos LIDAR (Parra Artero, 2015) (W. B. Barragán Zaque et al., 2017) (Martínez Blanco, 2016) usados por los softwares Metashape y ArcGIS y así, entender su funcionamiento y criterios para el clasificado de puntos. En primer lugar, con el software fotogramétrico Metashape, se han utilizado para este trabajo dos de sus algoritmos de filtrado: Clasificación de puntos del terreno y Selección de puntos mediante color. A continuación, se exponen los algoritmos: Clasificación de puntos del terreno: Para este proceso, el software utiliza un algoritmo basado en tres criterios: ángulo máximo, distancia máxima y tamaño de celda, este algoritmo de filtrado de datos LIDAR está basado en el filtrado de Elevación con ventana expansiva (ETEW) (Zhang & Whitman, 2005). Dicho algoritmo, se basa en identificar y eliminar los puntos que no pertenecen al suelo. Su funcionamiento se detalla a continuación: • En primer lugar, los datos LIDAR se dividen en una matriz de celdas cuadradas donde se añade un valor de elevación mínima, todos los puntos que no se encuentren en ese valor de elevación son descartados. • Seguidamente, las celdas aumentan de tamaño y se determina la elevación mínima de cada celda, provocando que todos los puntos con una elevación mayor a la mínima obtenida sean descartados. • Por último, este proceso se repite aumentando el tamaño de las celdas y de los umbrales de elevación hasta que el algoritmo no descarte ningún punto del proceso o iteración anterior. El algoritmo utiliza las siguientes ecuaciones para el filtrado de datos: Para la iteración Ith, un punto Pi,j se elimina si: Zi, j – Zi, mín > hi, T Donde (Zi, j) representan la elevación del punto (Jth) (Pi,j) en una celda para la iteración (Ith), siendo (Zi, mín) la elevación mínima de la celda y (hi, T) el umbral de altura. El valor (hi, T) esta relacionado con el tamaño de las celdas, es definido por: hi, T = SCi Donde (S) es una pendiente máxima predefinida para el terreno y (C) es el tamaño de la celda para la iteración (Ith). En una implementación de la celda, su tamaño (Ci) se duplica en cada iteración de manera que: Ci = 2Ci – 1 i = 2, 3, …M Siendo (M) el número de iteraciones. 3.Clasificación de puntos LIDAR Clasificación y modelización 3D SIG 22 Selección de puntos mediante color: El siguiente algoritmo de filtrado, se basa en la selección de puntos mediante su clasificación de color, utilizando dos canales o modelos de color distintos, estos son: RGB (Red, Green, Blue) y HSV (Hue, Saturation, Value). Este algoritmo, se encarga de agrupar los puntos que coincidan en su clasificación de color para posteriormente asignar de manera manual el código de clasificación que el usuario estime. En segundo lugar, una vez detallados los algoritmos de filtrado utilizados por Metashape, se detallan los utilizados por el software ArcGIS. Para el desarrollo de investigación, se usarán principalmente los logaritmos utilizados por dos de las herramientas de geoprocesamiento incluidas en la extensión 3D Analyst del software. Siendo estas herramientas Clasificar el terreno LAS y Clasificar edificio de LAS. A continuación, se exponen dichos algoritmos: Clasificación de puntos del terreno: El algoritmo usado por la herramienta Clasificar el terreno LAS, se basa en la selección de tres métodos distintos para el filtrado de los puntos pertenecientes al terreno, dichos métodos se definen a continuación: • Método de clasificación conservadora: este método de clasificación, utiliza una variación de pendiente muy restrictiva, pensada para terrenos con poca curvaturas o topografías poco pronunciadas, permitiendo diferenciar el código de clasificación vegetación baja como puede ser la hierba, arbustos o matorrales. • Método de clasificación estándar: Se trata de la opción predeterminada usada por la herramienta. Este método es más permisivo con la variación de pendiente, permite captar ondulaciones graduales en la topografía del terreno. • Método de clasificación agresiva: Se encarga de detectar terrenos muy pronunciados como colinas o crestas, este método no es recomendable usarlo en zonas urbanas o terrenos con topografías poco pronunciadas puesto que, puede confundir elementos pequeños que no forman parte del suelo como tal, como pueden ser algunas partes de edificios. Principalmente, el algoritmo se basa en la variación de pendientes o diferencia de alturas entre dos puntos, por lo que este algoritmo está basado en el Filtrado de máxima pendiente local (MLS) (Zhang & Whitman, 2005). A su vez, este algoritmo se trata de una variación del filtro de identificación de medidas del suelo que compara las pendientes entre un punto LIDAR y el resto de puntos vecinos (Vosselman, 2000). El funcionamiento del algoritmo de filtrado se detalla a continuación: • Un punto LIDAR, P0 (X0, Y0, Z0), es considerado como suelo si el valor máximo (S0, máx) de las diferentes pendientes entre este punto y cualquier otro punto (pj) dentro de un radio determinado es inferior al umbral preestablecido (S). Se define por la siguiente ecuación: 𝑺𝟎,𝒋 = 𝐙𝟎 −𝐙𝐣 √(𝐗𝟎 −𝐗𝐣)^𝟐 + (𝐘𝟎 −𝐘𝐣)^𝟐 3.Clasificación de puntos LIDAR Clasificación y modelización 3D SIG 23 Donde (S0j) es la pendiente entre p0 y pj, Xj e Yj representan las coordenadas horizontales de pj y Zj su elevación. Clasificar edificio de LAS: Para esta herramienta, el software utiliza un algoritmo basado en dos criterios principales: Altura mínima de tejado y Área mínima, este algoritmo de filtrado está basado en el Filtrado de datos adaptable TIN (Axelsson, 1999) para la clasificación de puntos de edificio y para la obtención del modelado tridimensional de sus cubiertas. A continuación, se detalla el funcionamiento del algoritmo: • Un TIN, es un medio digital para representar la morfología de un asup0erficie, en este caso de las cubiertas de los edificios, se trata de una capa de red irregular triangular. El filtrado TIN, se construye basándose en el algoritmo de triangulación de Delaunay. • Las aristas que contienen las TIN, forman facetas triangulares continuas, que capturan la posición de entidades lineales que forman parte de una superficie. • En primer lugar, este algoritmo se basa en las segundas derivadas de las diferencias de elevación, plantea que los edificios se encuentran formados por superficies planas conectadas. • Las fases TIN vecinas en el mismo plano, tendrán la misma orientación. • Todos los puntos vecinos encontrados en la misma línea de escaneo, se sitúan en una línea recta con las segundas derivadas de las diferencias de altitud con valor cero. 3.2. Categorización de los puntos del caso de estudio 3.2.1. Clasificación de puntos automatizada Una vez detallados los algoritmos de filtrado de datos, se comienza la clasificación de nube de puntos. En primer lugar, se comenzó con la clasificación mediante el software Metashape utilizando los dos algoritmos de clasificación mencionados en el apartado anterior. A continuación, se detallan estos procesos: Clasificación de puntos del terreno: Para la utilización de la herramienta que usa este algoritmo (Fig.16), es necesario definir una serie de parámetros en función de los criterios mencionados en el apartado anterior (ángulo máximo, distancia máxima y tamaño de celda). A continuación, se detallan estos parámetros: • Ángulo máximo: expresado en grados sexagesimales, establece un ángulo límite. Establece una recta que une distintos puntos, si dicha recta, el ángulo que forma no es superior al definido con anterioridad, el software lo tomará como punto del terreno. En este caso al tratarse de un terreno con poca pendiente, se establece como ángulo máx. 1,5. • Distancia máxima: se trata de una limitación de distancia entre el terreno y un punto, si el punto no sobrepasa la distancia definida previamente, lo tomará como punto del terreno. Para este caso, al existir numerosos elementos no 3.Clasificación de puntos LIDAR Clasificación y modelización 3D SIG 24 pertenecientes al suelo como la vegetación de baja altura, se define una distancia de 0,05 m. • Tamaño de celda: entendiendo esto como una la media máxima de algún elemento que no forme parte del suelo, para este caso se ha utilizado el ancho de uno de los torreones, 5 m aproximadamente. Tras aplicar estos parámetros en el panel de la herramienta, podemos observar que el programa no ha conseguido clasificar todos los puntos pertenecientes al terreno. Tras varios intentos de prueba y error, el software solo clasifica el terreno parcialmente (Fig.17), debido a la cantidad de elementos que aparecen en el terreno por el alto de detalle que posee la nube de puntos. Al no conseguir la clasificación usando este método de filtrado, se utiliza el segundo algoritmo de filtrado de puntos usado para esta investigación: Selección de puntos mediante color. Fig. 16. Herramienta de clasificación de puntos del terreno, Metashape. Elaboración propia. Fig.17. Clasificación parcial del terreno, puntos clasificados como suelo marcados en color marrón. Elaboración propia. 3.Clasificación de puntos LIDAR Clasificación y modelización 3D SIG 25 Selección de puntos mediante color: Para la utilización de esta herramienta, es necesario definir una serie de parámetros en su panel (FIg.18). Se definen a continuación: • El primer parámetro a definir es el color, este se puede seleccionar mediante una paleta de colores que combina el RGB y el HSV o mediante la selección de un color en pantalla, este último es más eficaz puesto que se puede seleccionar el color directamente de la fotogrametría. • Seguidamente se selecciona la Tolerancia del color, en este caso se mantiene en 10. • Por último, se marcan las casillas en función del canal de color que se vaya a utilizar para la selección, en este caso se marcan las pertenecientes al canal de color RGB. Tras ejecutar la herramienta, el programa mezcla los puntos de todos los códigos de clasificación (Fig.19), puesto que, la gama de colores de la fotogrametría es muy similar entre sí, confundiendo puntos de la muralla con puntos del terreno o de vegetación. Fig.18. Herramienta de selección de puntos por color. Elaboración propia. Fig.19. Clasificación mediante color, elementos seleccionados marcados en rosa. Elaboración propia. 4.Modelización de nubes de puntos Clasificación y modelización 3D SIG 32 4.1.2. Principales procedimientos de modelización Para el desarrollo de esta fase, se realizó la modelización del caso de estudio en función de tres métodos o procedimientos distintos. El primero de ellos es el manual, realizado mediante herramientas manuales de dibujo en 3D. El segundo corresponde al modelado automático, siendo este realizado mediante herramientas de geoprocesamiento que generan directamente el modelo a partir de la nube de puntos. El último, el semiautomático, que se trata de un modelado automático donde posteriormente se modelan elementos mediante el uso de herramientas o métodos manuales (Gröger & Plümer, 2012). 4.2. Modelización del caso del estudio En este apartado, se detallan los procedimientos por los cuales se obtuvieron los distintos LOD a partir de la modelización de la nube de puntos, obteniendo tres niveles de detalles distintos: LOD1, LOD2 y LOD3. 4.2.1. Procedimiento manual: LOD1 El procedimiento de modelización manual parte de las planimetrías obtenidas del catastro. Mediante la utilización del software AutoCAD, se realiza el modelado utilizando su función de dibujo en 3D. Este método nos permite obtener una volumetría básica del fragmento de la muralla o un LOD 1, donde se pueden apreciar las diferencias de altura entre las torres y el muro. El proceso de modelización se detalla a continuación: - En primer lugar, se crea una nueva capa llamada Levantamiento_3D_Muralla, a la que se le asignará un color. - Una vez creada la capa, se procede a trazar polilíneas sobre la planta de la muralla correspondientes al muro y a las torres. - Por último, mediante la herramienta 3D Extrusión, se crean los prismas que conforman la muralla, definiendo sus alturas. Tras completar este procedimiento, obtenemos el LOD1 (Fig.27) del fragmento de muralla. Es importante resaltar que, gracias a la utilización del resto de herramientas que ofrece el software, se podrían obtener niveles de detalles más altos como LOD2 o LOD3. Sin embargo, sería necesario realizar un trabajo de campo exhaustivo de toma de datos para conseguir una precisión adecuada en el modelo, además, no sería posible su exportación a softwares SIG. Por tanto, no sería un modelo realmente eficiente para los objetivos de este trabajo. 4.Modelización de nubes de puntos Clasificación y modelización 3D SIG 33 4.2.2. Procedimiento automático: LOD2 A continuación, se procede a realizar el modelado de la nube de puntos filtrada mediante un método automatizado, donde se utilizarán una serie de herramientas de geoprocesamiento incluidas en la extensión 3D Analyst de ArcGIS Pro. Este tipo de tareas de modelado con nubes de puntos de alta densidad de puntos LIDAR, provoca que las tareas de modelado puedan llegar a demorarse demasiado, se requiere una gran cantidad de tiempo y un hardware potente. Para el desarrollo de esta tarea dentro del marco de tiempo del trabajo de investigación, es necesario reducir los puntos LIDAR de la nube para optimizarla aún más y agilizar el desarrollo de los diferentes procesos de modelización manteniendo la máxima calidad posible. Esta tarea previa se realiza mediante la herramienta de geoprocesamiento LAS fino (Fig.28). Para este proceso, se realiza un duplicado del archivo Nube_puntos_muralla_clasificada.lasd, obtenido previamente de la exportación del archivo LAS de Metashape a ArcGIS Pro. El archivo duplicado se denominará Nube_puntos_muralla_clasificada_reducir.lasd y se incluirá en el Dataset LAS de entrada. A continuación, se seleccionará una dimensión de simplificación 3D y se le dará un valor de 0,05 a los valores de resolución X, Y, Z para simplificar el volumen de espacio a lo largo de sus ejes y así, conseguir una reducción de sus puntos LIDAR. Como resultado de la aplicación de esta herramienta de geoprocesamiento, a partir de una nube de 16.201.845 puntos LIDAR se obtiene una nube de 919.873 puntos LIDAR (Fig.29). El nombre del archivo resultante será Nube_reducida.lasd. Fig. 27. LOD1, muralla. Elaboración propia. 4.Modelización de nubes de puntos Clasificación y modelización 3D SIG 34 Una vez obtenida la nueva nube de puntos optimizada, se procede a la creación de rásters, necesarios para la creación de modelos 3D, ya que se tratan de mapas de pixeles formados por una cuadricula de celdas que contienen información sobre algún elemento. Para el modelado es necesario crear dos un Modelo Digital de Terreno o DEM (Digital Elevation Model), que contiene información sobre la elevación del suelo, y un Ráster del edificio (muralla) para la extracción de su huella en 2D. A continuación, se expone el proceso de creación de los rásters: • Creación de Modelo Digital del Terreno (DEM): La creación del DEM, parte de la utilización de la herramienta de geoprocesamiento De dataset LAS a ráster (Fig.29). En el panel de esta herramienta se definen los siguientes parámetros: - Como Dataset LAS de entrada, se selecciona Nube_reducida.lasd y como valor de Ráster de salida, nube_reducida_DEM, este último será el nombre del ráster resultante de la aplicación de la herramienta. - En el Campo de valor, se debe seleccionar Elevación, para que seleccione la elevación de los datos LIDAR pertenecientes al terreno de la muralla. - En el Tipo de interpolación, se define como valor Triangulación. - En el Método de interpolación, se selecciona Vecino natural. - En el Tipo se simplificación, se selecciona Sin simplificar. - Respecto a los Tipos de datos de salida, se deja la opción que aparece por defecto: Flotante. - Como últimos datos a introducir, en el Tipo de muestra, se selecciona Tamaño de celda y se le asigna un valor de 0,1 metros para dotar al ráster de una mejor resolución y obtener más detalle. Tras ejecutar la herramienta con estos parámetros, se obtiene el Modelo Digital del Terreno (DEM) (Fig.30), donde se puede apreciar, en una escala de grises, las diferentes alturas que contiene el terreno, siendo las zonas blancas las cotas más altas y las zonas negras las cotas más bajas. Fig. 28. Aplicación herramienta de geoprocesamiento LAS fino. Elaboración propia. Fig. 29. Nube de puntos optimizada mediante la herramienta LAS fino. Elaboración propia. 4.Modelización de nubes de puntos Clasificación y modelización 3D SIG 35 • Creación ráster del edificio (muralla): Una vez creado el DEM, se procede a crear el ráster perteneciente al edificio, en este caso la muralla. Para esta tarea, se utiliza la herramienta Estadísticas de puntos LAS como ráster (Fig.31), que se encarga de buscar todos los puntos pertenecientes clasificación de edificio. En el panel de esta herramienta se definen los siguientes parámetros: - Como Dataset LAS de entrada, se selecciona el archivo Nube_reducida.lasd y como valor de Ráster de salida, nube_reducida_Raster_Muralla, que será el archivo resultante de la aplicación de la herramienta. - En el Método, se selecciona Clase de código más frecuente. - En el Tipo de muestra, Tamaño de celda. - En el Valor de muestra, tenemos que definir el tamaño de celda del ráster de salida, cuyo valor será de 0,1 metros para así obtener una mejor calidad en el ráster resultante, al igual que con el ráster DEM. Fig. 29. Aplicación de herramienta de geoprocesamiento De dataset LAS a ráster. Elaboración propia. Fig. 30. Modelo Digital del Terreno DEM del terreno colindante a la muralla. Elaboración propia. Fig. 31. Aplicación de herramienta de geoprocesamiento Estadísticas de punto de LAS como ráster. Elaboración propia. Fig. 32. Ráster del edificio, huella de la muralla. Elaboración propia. 4.Modelado de nubes de puntos Clasificación y modelización 3D SIG 36 Tras ejecutar la herramienta, se obtiene el Ráster de edificios (Fig.32), donde se puede apreciar la huella extraída en 2D de la muralla. En la Fig. 33, se muestra la superposición de las dos capas ráster: el DEM en escala de grises y el Ráster de edificio en color naranja. Una vez finalizada la tarea de creación de rásters, es necesario depurar la huella del edificio obtenida del Ráster de edificios para generar una capa vectorial definitiva de la huella del edificio. A continuación, se expone el proceso de depuración de la huella del edificio: • Depuración de la huella del edificio: Como paso previo a la depuración, es necesario convertir el ráster a un polígono mediante la herramienta de geoprocesamiento De ráster a polígono (Fig.34) y así, crear una nueva capa formada por polígonos que permita su modificación. En el panel de esta herramienta se definen los siguientes parámetros: - En Ráster de entrada, se selecciona el ráster creado con anterioridad, nube_reducida_Raster_Muralla. - En Campo, se selecciona el valor predeterminado, Value. - En Entidades de polígono de salida, Raster_Muralla_SinProcesar, este será el archivo resultante de la aplicación de la herramienta. - Es importante desmarcar la opción simplificar polígonos, ya que esta tarea se desarrollará de manera más sofisticada mediante otras herramientas de geoprocesamiento posteriormente. Fig. 33. Modelo Digital del Terreno (DEM) y Ráster del edificio superpuestos. Elaboración propia. 4.Modelado de nubes de puntos Clasificación y modelización 3D SIG 37 Como se puede observar en la Fig.35, existen numerosas irregularidades en el polígono del edificio como agujeros o huecos existentes, pequeños polígonos que no pertenecen a la huella real del edificio y bordes irregulares. Es necesario corregir y depurar todos estos elementos para obtener un modelado lo más preciso posible. Como primer paso de esta depuración, se utiliza la herramienta de geoprocesamiento Seleccionar capa por atributo (Fig.36), de la extensión Herramientas de administración de datos, para seleccionar los polígonos no pertenecientes a la huella del edificio y poder eliminarlos. En el panel de esta herramienta se definen los siguientes parámetros: - En Filas de entrada, se selecciona Raster_Muralla_SinProcesar. - En Tipo de selección, Nueva selección. - En el siguiente paso, seleccionamos uno de los pequeños polígonos que no pertenecen a la huella del edificio. En la ventana de información, nos fijaremos en el valor Shape_Area para saber el área en m2 que tienen los polígonos pequeños. Una vez conocido este valor que, en función del polígono seleccionado, ronda entre los 00,1 m2 y 0,07 m2 será necesario utilizar la herramienta que solo seleccione los polígonos superiores a 0,07 m2. Una vez ejecutada la herramienta, se seleccionarán únicamente los polígonos cuyos parámetros se definieron con anterioridad, dejando fuera los polígonos más pequeños que no interesan para la posterior modelización (Fig. 37). Fig. 34. Aplicación de herramienta de geoprocesamiento, De ráster a polígono. Elaboración propia. Fig. 35. Polígono de la huella de la muralla. Elaboración propia. Fig. 36. Aplicación de herramienta de geoprocesamiento, Seleccionar capa por atributo. Elaboración propia. Fig. 37. Resultado de aplicación de la herramienta Seleccionar capa por atributo, se puede apreciar la selección de polígonos. Elaboración propia. 4.Modelado de nubes de puntos Clasificación y modelización 3D SIG 38 Una vez seleccionados lo polígonos válidos para el modelado, el siguiente paso es la eliminación de todos aquellos polígonos que no pertenecen a la huella, mediante la aplicación de la herramienta de geoprocesamiento Eliminar parte del polígono (Fig.38). En el panel de esta herramienta se definen los siguientes parámetros: - En Entidades de entrada, seleccionamos la capa Raster_Muralla_SinProcesar. - En Clase de entidad de salida, la capa resultante de la aplicación de la herramienta se denominará Muralla_Reducida_Limpia. - En Condición, se selecciona Área. - En Área, se seleccionan el atributo definido en la anterior tarea de selección de polígonos que es el valor de 0,07 m2. Una vez ejecutada la herramienta, se puede observar que algunos de los huecos y polígonos no pertenecientes a la huella del edificio han sido eliminados (Fig.39). Como tarea final de la depuración de la huella del edificio, es necesario regularizar los bordes del mismo mediante la herramienta de geoprocesamiento Regularizar huella de edificio (Fig.40). En el panel de esta herramienta se definen los siguientes parámetros: - En Entidades de entrada, se selecciona la capa de Muralla_Reducida_Limpia. - En Clase de entidad de salida, Muralla_Reducida_Limpia_Regularizada. Esta capa será el resultado de la aplicación de esta herramienta. - En Método, tras varios intentos de prueba y error, se encontró que lo más óptimo para la realización de modelados 3D para este tipo de edificios, sin ángulos pronunciados ni geometrías demasiado complejas, es el valor de Ángulos rectos. - Para la Tolerancia, tras realizar varios ensayos de prueba y error, se da un valor de 1. Fig. 38. Aplicación de herramienta de geoprocesamiento, Eliminar parte del polígono. Elaboración propia. Fig. 39. Polígono de la huella de la muralla limpio. Elaboración propia. 4.Modelado de nubes de puntos Clasificación y modelización 3D SIG 39 - Para la Densificación, tras realizar varios ensayos de prueba y error, se da un valor de 1. - En Precisión, se define la precisión de la cuadrícula resultante de la regularización de la huella del edificio, tras realizar varios ensayos de prueba y error, se le da un valor de 0,05. Tras ejecutar la herramienta, obtenemos la huella del edificio completamente regularizada (Fig. 41). Una vez finalizada esta tarea de depuración de la huella de la muralla, se procedió a realizar el modelado 3D. A continuación, se procede a realizar el modelado 3D de la muralla, mediante la herramienta de geoprocesamiento Edificios multiparche LAS (Fig.42), perteneciente a la extensión 3D Analyst. En el panel de esta herramienta se definen los siguientes parámetros: - En Dataset LAS de entrada, seleccionamos la capa de nube de puntos de la que partimos al inicio del proceso de modelado, Nube_reducida.lasd. - En Entidades de entrada, será necesario seleccionar la capa denominada Muralla_Reducida_Limpia_Regularizada. - En Selección de puntos del tejado LAS, se tiene que seleccionar los puntos pertenecientes al código de clasificación de edificio, por lo tanto, se selecciona Puntos clasificados del edificio. - En Altura de suelo, se escoge la opción Capa ráster y se selecciona el DEM obtenido de la nube de puntos, nube_reducida_DEM. - En Clase de entidad multiparche de salida, se detalla el nombre del archivo MODELO3D_MURALLA_REDUCIDA. Este será el archivo resultante de la aplicación de la herramienta. - En Tolerancia de simplificación, se escribe el mismo valor que el tamaño de celda que se introdujo para la creación del DEM: 0,1 metros. Una vez ejecutada esta herramienta, el software procede a realizar el levantamiento 3D del edificio, obteniéndose un modelado 3D en LOD2 (Fig. 43). Fig. 40. Aplicación de herramienta de geoprocesamiento, Regularizar huella de edificio. Elaboración propia. Fig. 41. Huella de la muralla regularizada. Elaboración propia. 4.Modelado de nubes de puntos Clasificación y modelización 3D SIG 40 4.2.3. Procedimiento semiautomático: LOD3 Tras realizar la modelización automatizada, se procedió a realizar el modelado tridimensional en su nivel LOD3. Partiendo del LOD2, mediante el uso de herramientas de edición pertenecientes a la opción de modificación de entidades de ArcGIS Pro, se añadieron los huecos de las entradas pertenecientes a los paramentos verticales o fachadas de la muralla. El desarrollo de esta fase consta de dos tareas principales: la sectorización del modelo LOD2 y la segmentación del mismo mediante la eliminación de entidades para crear los huecos. A continuación, se detallan dichas tareas: • Segmentación del modelo LOD2: La sectorización del modelo se basa en tres criterios distintos: el sector perteneciente a los muros, el sector perteneciente a las torres y el sector perteneciente a los huecos. Estos criterios de sectorización son los utilizados por distintos estudios en la muralla de la Macarena (Quesada Cano et al., 2021) (di Sivo et al., 2019). Como primer paso para la creación de manera manual de los huecos de la muralla, es necesario la sectorización de la misma, para así, estimar la posición de los huecos en sus paramentos verticales y poder realizar la tarea de eliminación de esas zonas correspondientes a los huecos. Esta sectorización parte de la utilización de la herramienta de edición Dividir multiparche (Fig.44) mediante esta, es posible crear un plano de corte editable que permie la división del modelo en varios sectores. Como primer paso, se sectorizan los muros y las torres mediante planos de corte verticales (FIg.45). Finalizada esta sectorización, se procedió a estimar la posición de los huecos mediante la colocación de planos de corte verticales, delimitando el ancho de estos (Fig. 47). Por último, una vez delimitado el ancho de los huecos, se realizó su acotación vertical mediante planos de corte horizontales (Fig.48), creando así los sectores pertenecientes a los huecos de fachada de la muralla (FIg.49). Fig. 42. Aplicación de herramienta de geoprocesamiento, Edificio multiparche LAS. Elaboración propia. Fig. 43. Modelado 3D muralla LOD2 tras la aplicación de la herramienta Edificios multiparche LAS. Elaboración propia. 4.Modelado de nubes de puntos Clasificación y modelización 3D SIG 41 Fig. 44. Herramienta de modificación de entidades Dividir multiparche. Elaboración propia. Fig. 45. Elaboración de la sectorización de la muralla, torres y muros. Elaboración propia. Fig. 46. Sectores resultantes a la aplicación de los planos de corte. Elaboración propia. 5.Gestión de la información Clasificación y modelización 3D SIG 48 5. GESTIÓN DE LA INFORMACIÓN 5.1. Vínculo con la información temática En el siguiente apartado, se detalle el proceso de incorporación de la información a los diferentes elementos que componen la muralla, este proceso se inicia con la sectorización de sus unidades particulares y, por último, la publicación de los resultados obtenidos mediante la plataforma ArcGIS Online. 5.1.2. Datos generales del bien Tras la realización de todo el proceso de modelización 3D, el siguiente paso fue realizar la sectorización para la caracterización de sus paramentos principales y así acercar este trabajo de investigación al contexto del PD-HiM. En primer lugar, siguiendo un procedimiento similar al proceso de segmentación del LOD2 para la creación de los huecos en la muralla, se realizó la sectorización del modelo mediante la utilización de la herramienta de Dividir multiparche de las opciones de Edición de entidades. De esta manera, fue necesario volver a realizar este proceso de sectorización, puesto que, para añadir información a las distintas entidades de los huecos, se necesita una volumetría sólida, debido a que el hueco no es contabilizado como entidad al ser un vaciado del modelo 3D original. Como primer paso, se partió del mismo modelo LOD2 y se realizó la sectorización mediante la utilización de los planos de corte proporcionados por la herramienta, llegando al modelo sectorizado previo a la realización del LOD3. Seguidamente, para la correcta caracterización de los distintos elementos de la muralla, se realizó una agrupación de entidades mediante la utilización de la herramienta Fusionar en el panel de edición de entidades, obteniendo así tres grupos de entidades (Fig.56) de la muralla: los muros, las torres y los huecos. En segundo lugar, una vez se crearon las tres entidades, se procedió a modificar sus atributos para poder diferenciarlas entre sí, ya que no era posible visualizar los huecos ni la posición de los mismos. Para esta tarea, se crearon unos nuevos campos de atributos mediante la edición de campos en la opción de datos del panel de edición de entidades, asi mismo, se crearon dos campos diferentes para facilitar la diferenciación de las Fig.56. Selección de entidades para su fusión, en orden de izquierda a derecha: muros, torres y huecos. Elaboración propia. 5.Gestión de la información Clasificación y modelización 3D SIG 49 entidades, una para los huecos en la muralla denominada Huecos y otra para el resto de entidades denominada Sólido (Fig.57). Una vez creados los nuevos campos, se comprobó su incorporación a la tabla de atributos de las entidades y se les asignó un código numérico para poder añadirlos a las entidades correspondientes (Fig.58), asignando un 1 al campo Hueco e incorporándolo a la entidad correspondiente a los huecos de la muralla y con un 2 al campo Sólido, asignándolo a las entidades de los muros y las torres. Una vez finalizada la tarea de la creación de los nuevos campos de atributos, se procedió a modificar la simbología de las entidades en función de los campos creados y así obtener unas entidades visualmente diferenciadas, por lo tanto, mediante el panel de Simbología de las entidades, se seleccionó una simbología principal en función de Valores únicos, pudiendo asi crear una distinta para cada uno de los campos (Fig.59). Al campo 1 (Hueco) se le asignó un color gris y una transparencia de capa (Fig.60) que provocase el efecto visual de hueco y al campo 2 (Sólido) un color arena con la opacidad de la capa al máximo. Fig.57. Creación de campos: Hueco y Sólido. Elaboración propia. Fig.58. Comprobación y asignación de códigos en la tabla de atributos. Elaboración propia. 5.Gestión de la información Clasificación y modelización 3D SIG 50 Tras finalizar estas tareas de creación de entidades del modelo, se obtuvo un modelo tridimensional sectorizado en un nivel LOD3 (Fig.61). Se pudo comprobar que al realizar una entidad de hueco con una transparencia en vez de con un vaciado del propio modelo, el LOD mantenía información en su interior sobre los huecos situados en sus paramentos verticales que, aunque no se encuentran modelizados, se deja entrever su forma y dimensiones. Fig.59. Simbología de las identidades. Elaboración propia. Fig.60. Valores de transparencia del campo Hueco. Elaboración propia. Fig.61. LOD3 sectorizado. Elaboración propia. 5.Gestión de la información Clasificación y modelización 3D SIG 51 5.1.3. Datos específicos de los sectores Con las nuevas entidades del modelo ya creadas, se realizó la vinculación a estas de información temática desarrollada en el trabajo realizado en el marco del PD-PHiM (Hidalgo-Sánchez et al., 2022). La información recogida del inmueble de la muralla de los Jardines del Valle viene detallada en una tabla de atributos realiza en el software ofimático Excel. Para la vinculación de esta información a la tabla de atributos correspondiente a la capa de la muralla en ArcGIS Pro, en primer lugar, se añadió la hoja de Excel al panel de contenido, seguidamente, mediante la opción Uniones y relaciones de la capa, se realizó la unión de los datos agregando una nueva unión, dando como resultado una nueva tabla de atributos con toda la información temática (Fig.62). Una vez se vinculada la información, es necesario guardar todo el proceso mediante la herramienta de geoprocesamiento Clase de entidad a clase de entidad (Fig.63), dando como resultado una nueva capa tridimensional de la muralla con todos los datos de su tabla de atributos actualizados (Fig.64). Fig.62. Tabla de atributos de las entidades de la muralla con la nueva información vinculada. Elaboración propia. Fig.63. Aplicación de la herramienta de geoprocesamiento De clase de entidad a clase de entidad. Elaboración propia. 5.Gestión de la información Clasificación y modelización 3D SIG 52 5.2. Publicación de resultados En este apartado, una vez vinculada la distinta información temática a los sectores de la muralla, se ha procedido a la publicación de toda la escena tridimensional desarrollada en la plataforma de ArcGIS Online, creando una escena web al alcance de cualquier usuario que desee consultarla. La creación de esta escena web se realizó mediante la opción Compartir escena web (Fig.65), añadiendo un título, un breve resumen del contenido y una serie de etiquetas relacionadas con el tema. Es importante destacar que, para la publicación de una escena web en ArcGIS Online, es necesario establecer el sistema de coordenadas WGS 1984 Web Mercator, puesto que son las coordenadas predeterminadas usadas por el programa para la publicación de datos online. Una vez que el programa finaliza con la publicación de todos los datos y capas que forman la escena web, obtenemos una escena tridimensional de la muralla y su entorno totalmente funcional e interactivo con los distintos elementos que la conforman (Fig.66). Fig.64. LOD3 sectorizado con la tabla de atributos actualizada. Elaboración propia. Fig.65. Aplicación de la opción Compartir escena web. Elaboración propia. 5.Gestión de la información Clasificación y modelización 3D SIG 53 Se puede observar cómo al seleccionar los distintos elementos de la muralla (muros, torres o huecos), la escena nos muestra toda la información vinculada a esta (Fig.67). La escena web puede consultarse en ArcGIS Online mediante el siguiente link: https://arcg.is/1jCX1j O mediante el siguiente código QR: Fig.66. Escena web tridimensional completa de la Muralla de los Jardines del Valle, publicada en la plataforma ArcGIS Online. Elaboración propia. Fig.67. Ejemplo de selección de los elementos pertenecientes a las torres. A la derecha, se observa la tabla de atributos con la información asociada a las torres. Elaboración propia. 6. Conclusiones Clasificación y modelización 3D SIG 54 6. CONCLUSIONES Respecto a los trabajos de clasificación, podemos obtener como conclusión que, debido al alto nivel de detalle y densidad de la nube de puntos, la clasificación mediante herramientas de filtrado automatizadas no es eficiente, ya que los softwares de tratamientos de datos LIDAR no son capaces de distinguir tanta cantidad de puntos, dando como resultado errores en su clasificación o simplemente la imposibilidad de realizar clasificación alguna, mezclando diferentes códigos de filtrado de puntos, por lo tanto, para estos casos de trabajos fotogramétricos de gran detalle, es necesaria una clasificación mediante métodos de filtrado manual. Respecto a la fase de modelización, obtenemos como conclusión que, para el desarrollo de este tipo de trabajos con archivos de nubes de puntos con alta densidad, es necesario contar con un hardware potente o realizar una reducción de su información LIDAR, además, para estas tareas de modelización es necesario la realización de varias tareas de prueba y error que pueden llegar a demorar mucho tiempo para llegar a conseguir un modelo 3D óptimo, con un equilibrio entre el nivel de detalle del mismo y el tiempo de desarrollo que necesitan estas tareas de modelización. Respecto a la fase de procesos de gestión de la información, obtenemos la conclusión de que este tipo de tecnología SIG es de gran utilidad para caracterizar elementos de edificios pertenecientes al patrimonio arquitectónico, concretamente a un yacimiento arqueológico como es la muralla, mediante la vinculación de información relevante. Además, al sectorizar un modelo 3D y añadir valores a sus distintas entidades como transparencias, es posible obtener modelos tridimensionales en niveles LOD3 aún más detallados que con la simple segmentación del modelo, debido a que estos modelos obtenidos de nubes de puntos, aunque modelicen de manera muy simplificada los paramentos verticales, mantienen información de algunos elementos en su interior, como es el ejemplo de los huecos. Respecto a las conclusiones extraídas sobre las diferentes particularidades del caso de estudio, podemos decir que el uso de trabajos de campo fotogramétricos son la mejor opción para crear modelados 3D de elementos arquitectónicos con gran cantidad de detalle y complejidad, además, al tratarse de una construcción maciza con pocas aberturas en sus fachadas, se facilita la obtención de modelados tridimensionales con niveles de detalle más elevados. 7. Referencias Clasificación y modelización 3D SIG 55 7. REFERENCIAS • Agisoft LLC. (2021). Agisoft Metashape User Manual Professional Edition, Version 1.7. • American Society for Photogrammetry and Remote Sensing (ASPRS). (2019). LAS Specification 1.4-R14 Release Information. • Axelsson, P. (1999). Processing of laser scanner data-algorithms and applications. In ISPRS Journal of Photogrammetry & Remote Sensing (Vol. 54). • Barragán Zaque, W. B., Escobar Rey, L. K., & García, L. (2017). Obtención de parámetros óptimos en la clasificación de nubes de puntos LiDAR, a partir de sensores aerotransportados. AVANCES <BR>Investigación En Ingeniería, 14, 9. https://doi.org/10.18041/1794-4953/avances.1.1280 • Cabrera-Revuelta, E., Mascort-Albea, E. J., Hidalgo-Sánchez, F. M., Romero- Hernández, R., & Canivell, J. (2021). Modelado 3D de la muralla de la Macarena (Sevilla). Propuesta metodológica para su integración en trabajos de gestión cartográfica digital. EGE-Expresión Gráfica En La Edificación, 14, 4. https://doi.org/10.4995/ege.2021.15584 • Calama Rodríguez, J. M., & Canivell, J. (2006). Análisis patológico de los paramentos de la muralla almohade de Sevilla: tramo comprendido entre la Puerta de la Macarena y el Jardín del Valle. Construir Con Tierra Ayer y Hoy. V Seminario Iberoamericano de Construcción Con Tierra ; I Seminario Argentino de Arquitectura y Construcción Con Tierra. Celebrado En Mendoza, 14 al 17 de Junio, 2006, 117. • Canivell, J., & Graciani García, A. (2014). Muralla de Sevilla (1984-2008). In La restauración de la tapia en la Península Ibérica: criterios, técnicas, resultados y perspectivas (pp. 218–221). TC Cuadernos. • Canivell, J., Jaramillo-Morilla, A., Mascort Albea, E. J., & Romero-Hernández, R. (2019). Methodological framework to assess military rammed-earth walls. The case of Seville city ramparts. In Science and Digital Technology for Cultural Heritage - Interdisciplinary Approach to Diagnosis, Vulnerability, Risk Assessment and Graphic Information Models (pp. 83–87). CRC Press-Taylor & Francis Group. • Canivell, J., Mascort-Albea, E. J., Cabrera-Revuelta, E., Romero-Hernández, R., Jaramillo-Morilla, A., & Serrano-Chacón, Á. (2020). Marco metodológico para la conservación preventiva de murallas históricas emplazadas en contextos urbanos. Normalización de datos espaciales relativos a la muralla medieval de Sevilla (España): el caso del sector de la Macarena. Ge-Conservacion, 18(1), 44–55. https://doi.org/10.37558/gec.v18i1.762 • di Sivo, Michele., Ladiana, Daniela., & Canivell, Jacinto. (2019). Le mura urbane crollano : conservazione e manutenzione programmata della cinta muraria dei centri storici : atti del seminario internazionale. Pisa University Press. • García-Tapial y León, J., & Cabeza Méndez, J. M. (1988). Restauración de las murallas del Jardín del Valle. Aparejadores: Boletín Del Colegio Oficial de Aparejadores y Arquitectos Técnicos de Sevilla, 26, 26–32. • Gerencia Urbanismo y Medioambiente de Sevilla -GUMS-, & Fundación para la Investigación de la Universidad de Sevilla -FIUS-. (2020). Plan Director del Patrimonio Histórico Municipal de Sevilla (PD-PHiM). Ayuntamiento de Sevilla. https://www.urbanismosevilla.org/ficheros/pdf/plan-director-de-patrimonio-del- patrimonio-historico-municipal 7. Referencias Clasificación y modelización 3D SIG 56 • Graciani García, A. (2008). Propuesta de metodología científica para la caracterización constructiva de fábricas de tapial en los estudios previos. Su aplicación a la muralla de sevilla en en tramo del Jardín del Valle. IX Congreso Internacional de Rehabilitación Del Patrimonio Arquitectónico y Edificación: Patrimonio Cultural e Innovación. Celebrado En Sevilla, Del 9 al 11 de Julio, 2008, 51–56. • Gröger, G., & Plümer, L. (2012). CityGML - Interoperable semantic 3D city models. In ISPRS Journal of Photogrammetry and Remote Sensing (Vol. 71, pp. 12–33). https://doi.org/10.1016/j.isprsjprs.2012.04.004 • Hackel, T., Savinov, N., Ladicky, L., Wegner, J. D., Schindler, K., & Pollefeys, M. (2017). Semantic3D.net: A new Large-scale Point Cloud Classification Benchmark. http://arxiv.org/abs/1704.03847 • Hidalgo-Sánchez, F. M., Mascort-Albea, E. J., Kada, M., Romero-Hernández, R., Canivell, J., & López-Larrínaga, F. (2022). 3D GIS Semi-automatized Modelling Procedure for the Conservation of the PHiM: Heritage Municipal Buildings of Seville (Spain). A New Dimension for Urban Cultural Data Management. Journal on Computing and Cultural Heritage, 15(1). https://doi.org/10.1145/3467976 • Martínez Blanco, M. P. (2016). Evaluación y propuesta de metodologías de clasificación a partir del procesado combinado de datos LiDAR e imágenes aéreas georreferenciadas [Universidad de Cantabria]. http://hdl.handle.net/10803/381249 • Nurminen, K., Karjalainen, M., Yu, X., Hyyppä, J., & Honkavaara, E. (2013). Performance of dense digital surface models based on image matching in the estimation of plot-level forest variables. ISPRS Journal of Photogrammetry and Remote Sensing, 83, 104–115. https://doi.org/10.1016/j.isprsjprs.2013.06.005 • Parra Artero, F. J. (2015). Evaluación de diferentes algoritmos de filtrado de datos LiDAR para la clasificación Automática de suelo desnudo y microrrelieve (edificios,invernaderos y vegetación ). Universidad de Almería. • Quesada Cano, F. (2021). Gestión de datos espaciales e indicadores de riesgo en arquitectura histórica construida con tapia en entornos urbanos: el caso de la Muralla de la Macarena [Trabajo Fin de Grado, Universidad de Sevilla]. https://idus.us.es/handle/11441/126966 • Romero Masero, J. L. (2015). Revitalización de la Murallas de la Macarena, Sevilla [Proyecto Fin de Carrera, Universidad de Sevilla]. http://hdl.handle.net/11441/37563 • Vosselman, G. (2000). Slope based filtering of laser altimetry data Design and analysis of an indoor backpack mounted laser scanning system View project 3D Maps for Enviromental Modelling View project SLOPE BASED FILTERING OF LASER ALTIMETRY DATA. In IAPRS: Vol. XXXIII. https://www.researchgate.net/publication/228719860 • Zhang, K., & Cui, Z. (2007). Airborne LIDAR Data Processing and Analysis Tools ALDPAT 1.0. • Zhang, K., & Whitman, D. (2005). Comparison of Three Algorithms for Filtering Airborne Lidar Data. Photogrammetric Engineering & Remote Sensing, 71(3), 313–324. https://doi.org/10.14358/PERS.71.3.313 8. Abreviaturas y Glosario Clasificación y modelización 3D SIG 57 8. ABREVIATURAS Y GLOSARIO • SIG: Sistema de Información Geográfica. • Puntos LIDAR: Light Detection and Ranging, puntos obtenidos mediante teledetección óptica, poseen información sobre sus coordenadas X, Y, Z. • Nube de puntos: Conjunto de puntos LIDAR. • Archivos LAZ: Datos comprimidos de detección y localización por luz. • Archivos LAS: Formato binario que almacena datos LIDAR, los datos LAS son datos LAZ descomprimidos. • Ráster: Mapa de píxeles formados por una cuadricula de celdas que contiene información sobre algún elemento (edificio, terreno, …). • Dataset LAS: almacena referencias a uno o más archivos LAS, el Dataset LAS es necesario para examinar archivos LAS. • DEM: Digital Elevation Model, modelo digital del terreno, es un tipo de ráster relativo a la topografía. • LOD: (Level of Detail), nivel de detalle estandarizado para modelos tridimensionales SIG • PD-PHiM: Plan Director de Patrimonio Histórico inmueble de la ciudad de Sevilla. • Entidad multiparche: Objeto SIG que almacena información para la representación del límite un objeto tridimensional. (Agisoft LLC, 2021; American Society for Photogrammetry and Remote Sensing (ASPRS), 2019; Axelsson, 1999b; W. Barragán Zaque et al., 2017; Cabrera-Revuelta et al., 2021b; Calama Rodríguez & Canivell, 2006; Canivell et al., 2019, 2020; Canivell & Graciani García, 2014; di Sivo et al., 2019b; García-Tapial y León & Cabeza Méndez, 1988; Gerencia Urbanismo y Medioambiente de Sevilla -GUMS- & Fundación para la Investigación de la Universidad de Sevilla -FIUS-, 2020; Graciani García, 2008; Gröger & Plümer, 2012b; Hackel et al., 2017; Hidalgo-Sánchez et al., 2022b; Martínez Blanco, 2016; Nurminen et al., 2013; Parra Artero, 2015; Quesada Cano, 2021; Romero Masero, 2015; Vosselman, 2000b; Zhang & Cui, 2007; Zhang & Whitman, 2005)