UNIVERSIDAD NACIONAL DE HUANCAVELICA
(FACULTAD DE CIENCIAS DE LA INGENIERIA
ESCUELA PROFESIONAL DE INGENIERIA CIVIL –
HUANCAVELICA )
PROGRAMACION DIGITAL PARA INGENIERIA
( Curso)
Título:
Metodo de interpolación para obtener curvas de nivel
Integrantes :
Fecha :
II
1 Introducción
La representación precisa del relieve terrestre es esencial en disciplinas como la topografía,
la cartografía y la ingeniería civil. La interpolación de curvas de nivel emerge como una
herramienta crucial en la construcción de modelos topográficos detallados a partir de
datos dispersos de elevación. Este proceso implica la estimación y conexión fluida de
puntos de elevación conocidos para crear curvas que describan la variación del terreno.
La topografía, al ser la ciencia que estudia la forma y características de la superficie terrestre, se
beneficia enormemente de técnicas de interpolación avanzadas. Estas
técnicas no solo permiten la generación de representaciones continuas y suaves del terreno, sino
que también facilitan la visualización de características geográficas cruciales
para la planificación y diseño de proyectos.
III
2 Objetivos
El objetivo principal de este trabajo es dar a conocer los métodos y formulas fundamentales
utilizados en la interpolación de curvas de nivel en la topografía. Los objetivos
específicos son:
❼ Analizar los métodos clásicos de interpolación, como la interpolación lineal y de
Lagrange.
❼ Explorar enfoques avanzados como la triangulación de Delaunay y la interpolación
de splines cúbicos.
❼ Comprender la importancia de la interpolación en la representa con precisa del
relieve terrestre.
❼ Evaluar herramientas como Smath Studio y técnicas de programación en Python
para la implementación de soluciones numéricas.
❼ Dar a conocer el tipo de programación que se utiliza mediante la interpolación de
curvas en la topografía
IV
3.-Marco teórico
La interpolación de curvas de nivel se basa en la teoría matemática de representación de
superficies. Este marco teórico abarca conceptos clave como el modelo de elevación del
terreno, la teoría de contornos y los métodos de interpolación
3.1 Interpolación Lineal
Es un método fundamental que conecta dos puntos de manera recta y proporciona una
estima con lineal entre ellos.
Formula: P(t) = P1 + t · (P2 − P1)
3.2 Interpolación de Lagrange
Este método se aplica cuando se tienen varios puntos de control y proporciona un polinomio que
pasa por todos los puntos dados.
Formula:
3.3 Triangulación de Delaunay
La triangulación de Delaunay divide el espacio en triángulos de manera que el círculo
circunscrito a cada triangulo no contiene ningún otro punto de entrada, lo que la hace
ideal para la interpolación de superficies.
3.4 Interpolación de Splines Cúbicos
Divide el dominio en segmentos y utiliza polinomios cúbicos en cada segmento, garantizando
continuidad en las derivadas hasta la segunda orden.
Fórmula:
V
El marco teórico sienta las bases para comprender como estos métodos contribuyen
a la creación de modelos precisos del relieve, considerando tanto la simplicidad de la
interpolación en ´áreas bien definidas como la capacidad de manejar datos dispersos y
heterogéneos.
4.-Métodos de interpolación a partir de puntos
Los diferentes métodos de interpolación desarrollados pueden dividirse en dos
tipos fundamentales:
1. Métodos globales, utilizan toda la muestra para estimar el valor en
cada nuevo punto.
2. Métodos locales, utilizan solo los puntos de muestreo más
cercanos.
4.1. Métodos globales
Los métodos globales asumen la dependencia de la variable a interpolar de
otras variables de apoyo. Pueden darse dos situaciones en función del tipo de
variable de apoyo que se utilice:
4.1.1 Métodos de clasificación
La variable de apoyo es cualitativa (usos del suelo, tipos de suelo o roca, etc). En
este caso se asume que la variable adopta en cada punto el valor medio correspondiente
al valor de la variable de apoyo en ese punto. Por ejemplo si se trata de interpolar el
contenido en arcilla de los suelos, puede utilizarse el tipo de suelo como variable de
apoyo y asignar a cada suelo su contenido medio de arcilla (figura 53). Estos métodos
se basan en una serie de premisas que no se cumplen necesariamente:
1. Las variaciones de Z dentro de las diferentes clases de V son
aleatorias y no auto correlacionadas espacialmente.
2. Z está normalmente distribuida en cada clase y su media y varianza
es la misma en todas las manchas de una misma clase.
3. Los cambios en la variable Z en las fronteras entre clases se
producen de forma brusca.
El resultado es equivalente a una reclasificación que produce un mapa en el que los
diferentes valores de V se transforman en valores de Z.
VI
4.1.2 Métodos de regresión
Implican, como su nombre indica, un análisis de regresión previo a partir del cual
se genera un modelo de interpolación de tipo polinómico. Generalmente se
utilizan X e Y (longitud y latitud) como variables de apoyo ya que no necesitan de
ninguna medición, y también alguna variable cuantitativa V espacialmente distribuida,
un ejemplo habitual es la altitud, y otras variables topográficas derivadas, por su
facilidad de medida, su evidente relación con casi todos los procesos ambientales y por
las posibilidades que un SIG ofrece en cuanto al tratamiento de la elevación e
información derivada. No resulta recomendable utilizar polinomios de grado mayor
que 3 ya que, a pesar de un ajuste cada vez mejor, se hacen cada vez más sensibles a
los valores extremos con lo que cualquier error en los datos podría generar distorsiones
importantes en el resultado final
Figura 1. Modelo de regresión y clasificación del contenido en arcilla
Figura 2. Interpolación por regresión de la temperatura respecto a la altitud
VII
En ambos casos (clasificación y regresión) se requiere una análisis estadístico
previo para determinar que los datos se ajustan al modelo estadístico implicado. En el
caso de la clasificación que las medias de las diferentes clases son significativamente
diferentes y que las desviaciones típicas dentro de las clases son pequeñas (figura 1).
En el caso de la regresión es necesario verificar que el coeficiente de correlación es
significativamente elevado (figura 2).
El problema de los métodos globales es que sólo consiguen modelizar una
componente a escala global de la estructura de variación, pero no las componentes a
escala más detallada, por tanto se utilizan para filtrar esa componente global y
eliminarla de los valores medidos para, posteriormente, estimar tan sólo la componente
local mediante métodos locales.
4.2 Métodos locales basados en medias ponderadas
Los métodos locales se basan en la utilización de los puntos más cercanos al punto
de interpolación para estimar la variable Z en este, llamaremos al conjunto de puntos
más cercanos conjunto de interpolación. Asumen autocorrelación espacial y estiman
los valores de Z como una media ponderada de los valores de un conjunto de puntos de
muestreo cercanos. Exigen tomar una serie de decisiones:
1. Decidir que puntos cercanos van a formar parte del conjunto de
interpolación en función de los siguientes criterios (figura 55):
o Aquellos cuya distancia al punto de
interpolación sea inferior a un valor
umbral r
o Los n puntos más cercanos al punto
de interpolación
El semivariograma nos permite determinar un
valor de distancia de forma objetiva, lógicamente el
valor umbral no debe superar el valor del alcance de
este..
2. Cual será el método de interpolación
o La solución más simple es asignar el
valor del punto más cercano (método
del vecino más próximo), se utilizó
antes de la existencia de ordenadores
ya que resultaba sencillo hacerlo a
mano. Suele dar peores resultados
que los demás
VIII
o Media de los valores de los puntos
incluidos en el conjunto de
interpolación.
o Sin embargo es lógico pensar que
cuanto más apartados estén dos
puntos más diferentes serán sus
valores de Z. Para tener en cuenta
este hecho se utilizan medias
ponderadas utilizando como factor
de ponderación el inverso de la
distancia elevado a algún
exponente k (generalmente k = 2).
Por ejemplo, suponiendo que los
valores de distancia (di) al punto de
interpolación (representado por una x en
la figura 3) y de precipitación (Zi)
medidos en los puntos del conjunto de
interpolación seleccionado en la
figura 3.a son los que aparecen en la
tabla
IX
La estimación de Z en el punto
de interpolación sería:
Vecino más próximo: Z = 45
Media: Z = 39.3
Media ponderada por inverso de
la distancia (k=2): W1 = 0.13,
W2 = 0.044,
W3 = 0.317,
W4 = 0.114,
W5 = 0.273,
W6 = 0.121,
Z = 42.3
Utilización del kriggeado, método desarrollado en el marco de la
teoría geoestadística y que utiliza toda la información procedente
del semivariograma para obtener unos factores de ponderación
optimizados. Se trata de un método muy extendido, pero es
X
bastante complejo matemáticamente y muy exigente en cuanto a la
calidad de la muestra de puntos y las mediciones realizadas de la
variable que se interpola. Si esta no es adecuada son preferibles los
modelos de medias ponderadas que son los más utilizados
tradicionalmente debido a la sencillez de su manejo y a su
robustez. Además hay que tener en cuenta que normalmente la
función semivariograma se calcula globalmente, sin que se hayan
hecho demasiados estudios sobre su variación espacial, y
asumiendo que la variable es estacionaria (la media y varianza son
constantes en el espacio). Los programas de SIG suelen disponer
de herramientas para su utilización o bien de modos de integrar
programas específicos de geoestadística.
Figura 3. Criterios para obtener
un conjunto de puntos de interpolación
XI
Figura 4. Interpolación por media ponderada por el inverso de la distancia
Figura 5. Interpolación por kriggeado
Uno de los problemas más importantes de los métodos basados en medias ponderadas es que,
como su propio nombre indica, interpolan basándose en el valor medio de un conjunto de puntos
situados en las proximidades, por tanto nunca se van a obtener valores mayores o menores que
los de los puntos utilizados para hacer la interpolación. En consecuencia no se van a interpolar
correctamente máximos o mínimos locales y además los puntos de muestreo aparecen en el mapa
final como máximos y mínimos locales erróneos. En la figura 58 se muestra un ejemplo en una
sola dimensión tratando de interpolar el valor de Z en el punto de coordenada X = 7, como puede
verse el método de media ponderada por inverso de la distancia genera un valor poco razonable
entorno a 15 (la X roja) dada la tendencias observada en los puntos.
7
Figura 6. Comparación de resultados con medias ponderadas y con splines
4.3 Interpolación local por splines
El método de los splines ajusta funciones polinómicas en las que las variables
independientes son X e Y. Es similar a una interpolación global mediante regresión,
pero ahora esta interpolación se lleva a cabo localmente. En general producen
resultados muy buenos con la ventaja de poder modificar una serie de parámetros en
función del tipo de distribución espacial de la variable.
La técnica de splines consiste en el ajuste local de ecuaciones polinómicas en las
que las variables independientes son X e Y. La forma de la superficie final va a
depender de un parámetro de tensión que hace que el comportamiento de la superficie
interpolada tienda a asemejarse a una membrana más o menos tensa o aflojada qure
pasa por los puntos de observación.
La ventaja fundamental del método de splines respecto a los basados en medias
ponderadas es que, con estos últimos, los valores interpolados nunca pueden ser ni
mayores ni menores que los valores de los puntos utilizados para interpolar. Por tanto
resulta imposible interpolar correctamente máximos y mínimos. En la
figura 6 podemos ver como el método de splines genera en este caso una estimación
mucho mejor, el valor de la curva a su paso por X=7, al menos visualmente, que da un
valor en torno a 18.
8
Figura 7. Interpolación por splines
4.4 Interpolación local mediante TIN
Las Redes Irregulares de Triángulos (TIN son las iniciales en inglés) se generan a
partir de valores puntuales tratando de conseguir triángulos que maximicen la relación
área/perímetro, el conjunto de todos los triángulos forma un objeto geométrico
denominado conjunto convexo. Suelen utilizarse como método para representar
modelos de elevaciones (y producen resultados visualmente muy buenos) sin embargo
a la hora de integrarlos con el resto de la información ráster es necesario interpolar una
capa ráster a partir de los triángulos (figuras 9 y 10).
Figura 8. Red Irregular de Triangulo formando un conjunto convexo
9
Esta interpolación se basa en que cada uno de los tres vértices de los triángulos tienen unos
valores X, Y y Z a partir de los cuales puede obtenerse un modelo de
regresión Z = AX + BY + C que permite interpolar la variable Z en cualquier punto del
rectángulo. En definitiva puede asimilarse a un método de media ponderada por inverso de la
distancia ya que el resultado siempre va estar acotado por los valores máximo y mínimo de Z en
los vértices del triángulo y será más parecido al del vértice más cercano. En el resultado final de
una interpolación TIN no aparecen artefactos circulares, como en los de inverso de la distancia
puros, pero si aparecen artefactos triangulares.
Figura 9. Interpolación dentro de uno de los triángulos
En el ejemplo de la figura 3 el punto de interpolación estaría en el triángulo formado por los
puntos 3,4 y 5, lo que significa que sus coeficientes de ponderación serían (aplicando la
ecuación con k = 1): W3 = 0.395, W4 = 0.237, W5 = 0.367 Z = 45.1
10
Figura 10. Interpolación mediante Red Irregular de Triángulos
El conjunto convexo así generado tiene otra utilidad, define el área en la que es razonable
interpolar dada la muestra de puntos disponible.
