Desarrollo de una metodología para generar MDT de arroyos usando SfM con UAV y nubes de puntos LiDAR

Por qué importa mapear el lecho de los ríos

Los ríos hacen mucho más que transportar agua. Sus cauces, barras de arena y riberas regulan las inundaciones, crean hábitats para la vida silvestre y determinan cómo se desplaza la contaminación aguas abajo. Sin embargo, obtener un mapa preciso del lecho y del terreno cercano resulta sorprendentemente difícil, sobre todo en arroyos someros y con mucha vegetación donde las embarcaciones, el sonar y las personas con pértigas topográficas tienen problemas para acceder. Este estudio muestra cómo drones de bajo vuelo, escáneres láser y filtros informáticos inteligentes pueden colaborar para elaborar mapas detallados de «tierra desnuda» de un arroyo en Corea, ofreciendo una visión más segura, rápida y completa de la forma oculta de los ríos.

Nuevos ojos en el cielo sobre un arroyo complejo

Los investigadores se centraron en un tramo de 2,8 kilómetros del arroyo Bokha en Icheon, Corea del Sur, un paisaje de cauces sinuosos, barras de arena, llanuras de inundación y altos árboles ribereños. Los levantamientos tradicionales allí serían lentos, peligrosos e incapaces de capturar cada recodo y depresión. En su lugar, el equipo empleó dos tipos de drones. Uno llevaba un escáner láser (LiDAR) que emite pulsos de luz y mide el tiempo que tardan en regresar, produciendo una densa nube de puntos 3D que puede penetrar el follaje hasta el suelo. El otro voló una cámara multiespectral y utilizó una técnica llamada structure from motion (SfM), cosiendo muchas fotografías solapadas para generar otra nube de puntos 3D. Juntas, estas vistas complementarias ofrecieron una cobertura densa tanto de las riberas vegetadas como del cauce poco profundo y mayormente despejado.

Separar el agua de la tierra y el terreno del ruido

Las nubes de puntos 3D en bruto registran todo: hojas, ramas, edificios, ruido aéreo y reflejos en el agua ondulante. Para modelar solo el terreno real, hay que eliminar esos puntos extras. El equipo primero distinguió el agua de la tierra usando un indicador simple basado en el color llamado Índice de Diferencia Normalizada del Agua (NDWI), que compara el brillo de cada píxel en las bandas verde y del infrarrojo cercano del espectro. Los píxeles con valores por encima de un umbral elegido se marcaron como agua. En las zonas terrestres se priorizaron los puntos LiDAR porque los pulsos láser pueden filtrarse entre las hojas hasta el suelo. En las zonas acuáticas, donde el LiDAR refleja mayormente en la superficie y no «ve» profundidad, los investigadores se apoyaron en los datos fotogramétricos de SfM, que a veces pueden rastrear rasgos del lecho a través de aguas someras y relativamente claras.

Poniendo a prueba tres «escobas» digitales

El siguiente paso, más exigente, fue eliminar la vegetación y otros objetos no pertenecientes al terreno, manteniendo la forma real de riberas y lecho. El equipo comparó tres filtros de terreno ampliamente usados, las llamadas «escobas digitales». El filtro de simulación de tela imagina una sábana flexible drapeada sobre una nube de puntos invertida, tratando la tela como el terreno. El filtro TIN progresivo construye gradualmente una malla a partir de puntos bajos, añadiendo más si cumplen reglas de altura y pendiente. El filtro morfológico simple (SMRF) erosiona y dilata repetidamente la superficie, recortando objetos altos como arbustos y árboles. Para cada método, los investigadores probaron numerosos ajustes de parámetros, afinados para LiDAR en tierra y para SfM en agua, y luego contrastaron el terreno resultante con 11 secciones transversales cuidadosamente medidas con instrumentos topográficos tradicionales.

Encontrando la mejor correspondencia con el río real

La precisión se evaluó usando las diferencias medias y la raíz cuadrática media entre las alturas modeladas y las medidas. Cuando se usaron LiDAR y SfM por separado, el método fotogramétrico rindió mejor en conjunto porque podía capturar parcialmente el lecho sumergido que el LiDAR no alcanzaba. Pero la imagen más clara surgió al combinar ambos conjuntos de datos: LiDAR para tierra, SfM para agua, ambos limpiados con filtros optimizados. Entre los tres algoritmos, SMRF ofreció el mejor rendimiento global, con errores del orden de solo 16 a 21 centímetros en toda el área. Destacó en la eliminación de matorrales densos y árboles altos mientras preservaba rasgos nítidos como pequeñas terrazas y riberas escarpadas, cruciales para modelos realistas de inundación y hábitat, aunque a veces subestimó ligeramente las alturas en zonas acuáticas.

Qué significa esto para los ríos y sus entornos

En términos prácticos, el estudio proporciona una receta probada para convertir mediciones desordenadas de drones en mapas precisos de tierra desnuda de arroyos pequeños y someros. Al separar automáticamente agua y tierra y combinar de forma inteligente datos láser y fotogramétricos, el método supera muchos de los puntos ciegos de los levantamientos tradicionales desde embarcaciones o en tierra. Los autores identifican a SMRF como el filtro de propósito general más fiable para este tipo de corredor fluvial mixto, aunque señalan que otro método, el filtro de simulación de tela, es especialmente estable en áreas acuáticas complicadas con puntos erróneos. En conjunto, estos conocimientos pueden ayudar a ingenieros y ecólogos a construir mejores modelos de inundación, planificar proyectos de restauración y seguir cómo cambian los ríos con el tiempo, todo con menos riesgo y costo de campo. A medida que se generalicen sistemas láser más eficientes y procesos de tratamiento mejorados, este enfoque podría convertir el mapeo de alta resolución del lecho en una herramienta estándar para la gestión de las vías fluviales.

Cita: Gou, J., Lee, H., Park, J. et al. Development of a stream DTM generation methodology using UAV-based SfM and LiDAR point cloud. Sci Rep 16, 5178 (2026). https://doi.org/10.1038/s41598-026-35473-x

Palabras clave: cartografía fluvial, levantamiento con dron, LiDAR, modelo digital del terreno, ecología de arroyos