Semi-automated aerial photogrammetry for long-term topographic changes

Abstract

En las últimas décadas, ha habido un salto en los avances tecnológicos de la fotogrametría aérea. El flujo de trabajo de Estructura a partir de Movimiento (SfM), que nació de la teoría de la visión por computadora, ha desarrollado considerablemente el campo de la fotogrametría. En el caso de la fotogrametría digital convencional, los tiempos de procesamiento son extensos y conlleva el uso de costosas licencias comerciales para programas que tienen una curva de aprendizaje elevada. El análisis de diversos eventos depende de la calidad detallada de Modelos Digitales de Elevación (DEM) y ortofotografía producida por fotogrametría aérea. En el campo de los sistemas de ciencias de la Tierra, algunas de las aplicaciones incluyen riesgos geológicos, vulcanología, glaciología, geomorfología, entre otros. La intensidad laboral, la rigidez de la necesidad de parámetros internos y el alto costo de la fotogrametría convencional son limitaciones que se pueden superar con el desarrollo del enfoque semiautomático propuesto en este proyecto. El presente proyecto tiene como objetivo proponer una metodología para la producción semiautomatizada de Modelos Digitales de Elevación y otros productos derivados, que se puedan utilizar para el estudio de cambios topográficos a largo plazo. Con este fin, se escribió un código de programación basado en Python en conjunto con el software Agisoft Metashape Photoscan para procesar 246 fotografías aéreas del volcán Cayambe (0°2.45' N, 78°8.714' W) tomadas durante un levantamiento geodésico en 2011. Para validar nuestros resultados, se aplicó una técnica de co-registración en áreas de terreno estable alrededor del volcán, lo que dio un error promedio de 0.27 m con un NMAD de 2.20 m. Nuestros resultados sugieren que la fotogrametría semiautomatizada es un método prometedor para reconstruir características topográficas accidentadas en áreas montañosas, al tiempo que se reduce el tiempo de procesamiento, el costo y la curva de aprendizaje. Sin embargo, también puede ser adaptado para procesar fotografías sin posiciones de cámara. Más investigación se necesita para aplicarlo a fotografías tomadas por medios análogos.