Aplicación de la fotogrametría con drones al control deformacional de estructuras y terreno

1.1. Los drones

La palabra “dron” (en plural “drones”) procede del inglés “drone” y tiene la traducción literal al castellano como “abeja macho” derivado del zumbido que este produce al volar. La Agencia Estatal de Seguridad Aérea (AESA) describe como dron o RPA (Remotely Piloted Aircraft) las aeronaves pilotadas por control remoto, también enmarcadas en el grupo de vehículos aéreos no tripulados “VANT” (1(1) Ministerio de Fomento, G. de E. (2018). Plan estrategico para el desarrollo del sector civil de drones en España 2018-2021. Madrid. España. 73 pp.
), conocidos como UAV (Unnamed Aerial Vehicle) en inglés.

Atendiendo a su arquitectura, los drones se pueden clasificar principalmente en dos categorías: ala fija y multirrotores. El Plan Estratégico de Drones del Ministerio de Fomento de 2018 establece una clasificación más detallada (1(1) Ministerio de Fomento, G. de E. (2018). Plan estrategico para el desarrollo del sector civil de drones en España 2018-2021. Madrid. España. 73 pp.
).

1.2. Tendencias generales

El desarrollo de los drones y por tanto su utilidad y diversidad de aplicación, ha crecido exponencialmente en los últimos años (2(2) Cuerno-Rejado, C., Garcia-Hernandez, L., Sanchez-Carmona, A., Carrio-Fernandez, A., Sanchez-Lopez, J., Campoy-Cervera, P. (2015). Evolution of the Unmanned Aerial Vehicles until present. DYNA Mayo 2015 90 (3): 281-288, doi: http://dx.doi.org/10.6036/7781.
), lo que ha provocado la necesidad de elaborar una normativa específica, así como la obligatoriedad de que los pilotos de drones obtengan licencias específicas y que las empresas que trabajen con drones se acrediten cómo “operadoras aéreas”. Todo ello mediante escuelas acreditadas ATO (Approved Training Organization) y la propia AESA (Agencia Estatal de Seguridad Aérea).

La evolución de esta nueva tecnología y, por tanto, el uso de los drones en gran diversidad de ámbitos, se refleja de forma directa en el número creciente de artículos técnicos publicados en los últimos años. El número de publicaciones sobre UAV y drones se ha triplicado en los últimos cuatro años llegando a más de 1500 publicaciones anuales en Web of Science en 2017 (3(3) Chabot, D. (2018). Trends in drone research and applications as the Journal of Unmanned Vehicle Systems turns five. Journal of Unmanned Vehicle Systems 6: vi-xv, doi https://doi.org/10.1139/juvs-2018-0005.
).

El sector de las infraestructuras supone más del 35% de las inversiones del mercado de drones (4(4) Patterson, B. J. (2018). An Aerial View of the Future - Drones in Construction. Geospatialworld. https://www.geospatialworld.net/blogs/an-aerial-view-of-the-future-drones-in-construction/.
), destacando la correspondiente al mantenimiento de las mismas tanto en edificación como en grandes infraestructuras, donde forman parte las presas.

Un segundo indicador del desarrollo de esta nueva tecnología, es la previsión de inversión que cada país hace y tiene previsto hacer en este sector. Goldman Sachs, líder a escala global en banca de inversión, presentó en 2018 una previsión económica de inversiones por países desde 2017 hasta 2021 (5(5) Goldman Sachs (2018). The opportunity ahead. https://www.goldmansachs.com/insights/technology-driving-innovation/drones/.
), en la que Estados Unidos llega a los 17,5 millones de dólares, China a los 4,5 y Reino Unido 3,5 millones de dólares invertidos en este sector.

Los nuevos sistemas inteligentes aplicados a la construcción, como el Building Information Modelling “BIM”, se consideran parte de la “revolución digital” dentro de este sector (4(4) Patterson, B. J. (2018). An Aerial View of the Future - Drones in Construction. Geospatialworld. https://www.geospatialworld.net/blogs/an-aerial-view-of-the-future-drones-in-construction/.
), y están directamente relacionados con los drones, incluyendo:

Los nuevos desarrollos tanto en los propios drones, como en los sensores, sistema de transmisión de datos entre la estación y en el dron, y las mejoras de posicionamiento en tiempo real (RTK / PPK), permiten conseguir precisiones inferiores al centímetro, tal y como se presenta en este artículo.

1.3. La fotogrametría con drones con la técnica “Structure From Motion”.

La fotogrametría tradicional requiere que las imágenes adquiridas tengan posiciones y ángulos de incidencia conocidos. Por el contrario, con la técnica Structure From Motion (SFM) se pueden emplear fotografías tomadas desde distintos ángulos y distancias, incluso sin ser conocida su posición (6(6) Nissen, E., Arrowsmith, J. R., & Crosby, C. (2010). Introduction to Structure-from-Motion. Geological Society of America Annual Meeting Short Course, Denver, CO. https://kb.unavco.org.
)(7(7) Furukawa, Y., & Ponce, J. (2010). Accurate, dense, and robust multiview stereopsis. IEEE Transactions on Pattern Analysis and Machine Intelligence 32. Doi: https://doi.org/10.1109/TPAMI.2009.161.
). De esta forma, el desarrollo de los vehículos aéreos no tripulados (drones), la mejora y reducción de peso de diferentes sensores (especialmente las cámaras tipo RGB) junto con la adecuada estabilización de los mismos, con sistemas inerciales de 3 ejes, ha hecho que la fotogrametría clásica haya sido sustituida en gran medida por la técnica SFM (8(8) Souto-Vidal, M., Ortiz-Sanz, J., Gil-Docampo, M. (2015). Implementación del levantamiento eficiente de fachadas mediante fotogrametría digital automatizada y el uso de software gratuito. Informes de la Construcción, 67(539): e107, doi: http://dx.doi.org/10.3989/ic.14.098.
).

Así, con la posibilidad de adquirir imágenes desde cualquier posición y orientación, la fotogrametría con drones ha evolucionado en nuevas aplicaciones. En este sentido, el uso de la fotogrametría con drones en el ámbito de la ingeniería, es ya una realidad con aplicaciones en el visible y el térmico (9(9) Gonzalez-Rodrigo, B., Tendero-Caballero, R., Garcia-De Viedma, M., Pestana-Puerta, J., Carrio-Fernandez, A., Sanchez-Lopez, J., Suarez-Fernandez, R., Campoy-Cervera, P., Bonatti-Gonzalez, J., Rejas-Ayuga, J., Martinez-Marin, R., Marchamalo, M. (2016). Thermal UAV monitoring of facades: application for building rehabilitation. DYNA, 91(5). 571-577. doi: http://dx.doi.org/10.6036/7899
).

En el caso de la seguridad de presas, la combinación de imágenes y vídeos junto con la obtención de modelos georreferenciados y escalados en los que se puedan realizar mediciones (Figura 1), constituye una característica importante de esta técnica. Esto, junto con la competitividad económica que ofrece, lo convierte en una tecnología con grandes posibilidades.

La mejora de la velocidad de cálculo de los nuevos ordenadores y el desarrollo computacional de la fotogrametría (10(10) Hartley, R., & Zisserman, A. (2000). Multiple View Geometry in Computer Vision. Cambridge University Press. Nueva York USA. ISBN: 978-0521623049. 624 pp.
), ha hecho que, junto con la evolución de los drones, se obtengan resultados de mayor calidad y mejor precisión. En esa línea, el desarrollo de softwares basados en SFM (Tabla 1) permite la obtención de nubes de puntos y modelos 3D con gran rapidez.

El fundamento teórico de la técnica SFM (11(11) Ullman S. (1979). The Interpretation of Structure from Motion. Proceedings of the Royal Society of London. Series B, Biological Sciences 203(1153). doi: http://doi.org/10.1098/rspb.1979.0006
) se basa en la superposición de imágenes para obtener el modelo 3D, es decir, a partir de, al menos dos imágenes que tengan pixeles comunes (homólogos), se obtiene la posición y orientación de la cámara, así como las coordenadas del punto correspondiente al pixel en cuestión.

Con los nuevos algoritmos, la obtención de dichas nubes de puntos a partir del proceso SFM, se lleva a cabo en base a las correspondencias detectadas entre las imágenes. Estas correspondencias o emparejados se realizan mediante la transformación característica de escala invariante (SIFT) (12(12) Lowe, D. G. (1999). Object Recognition from Local Scale-Invariant Features. Proceedings of the Seventh IEEE International Conference on Computer Vision. 20-27 Sept. 1999. doi: 10.1109/ICCV.1999.790410
), que permite dicho emparejado incluso con grandes variaciones de escala, posición e incluso iluminación. Estos parámetros influyen en el grado de precisión deseado.

Como se ha dicho, una de las ventajas que caracteriza a la técnica SFM es que no es necesario que las imágenes a partir de las cuales se realiza el procesado, estén referenciadas, escaladas etc. por lo que, de ser así, el modelo 3D resultante estará referenciado en coordenadas relativas.

Esto no implica que no se pueda obtener un modelo georreferenciado en coordenadas absolutas. Es aquí, donde se incorpora el concepto de Puntos de Apoyo o Ground Control Points (GCPs). Dotando a estos puntos de apoyo de unas coordenadas conocidas (GCPs), se obtiene el modelo a partir de la técnica SFM en coordenadas absolutas.

A continuación, se procede a desarrollar la técnica SFM de forma sucinta y “paso a paso” según las fases propuestas por (6(6) Nissen, E., Arrowsmith, J. R., & Crosby, C. (2010). Introduction to Structure-from-Motion. Geological Society of America Annual Meeting Short Course, Denver, CO. https://kb.unavco.org.
).

Paso 1

 ⌅

Para llevar a cabo la reconstrucción de la escena, se comienza por la búsqueda de los puntos de interés (keypoints), que son comparados entre sí para obtener correspondencias (matching) entre las imágenes. La aproximación más utilizada para llevar a cabo este paso es la técnica SIFT (transformación de la escala invariante) (12(12) Lowe, D. G. (1999). Object Recognition from Local Scale-Invariant Features. Proceedings of the Seventh IEEE International Conference on Computer Vision. 20-27 Sept. 1999. doi: 10.1109/ICCV.1999.790410
) que permite ganar calidad en los resultados. El objetivo es obtener el movimiento entre las cámaras, es decir, medir las distancias entre ellas en el plano de imagen de la cámara.

Desde los puntos de observación O y O’ (centros de cámara), se tiene que la proyección de O’ se ve en la imagen 1, concretamente en el punto e (epipolo). De forma análoga se obtiene e’ y si esto no sucede es que una cámara no observa a la otra. Extrapolando esta deducción a la proyección de todos los puntos comprendidos en OX, se obtiene en la imagen 2 la línea l’, línea epipolar. El plano formado por los centros de las cámaras O y O’ y el punto X obtenido por triangulación, es el plano epipolar (Figura 2).

Figura 2.  Geometría epipolar. Elaboración propia basada en (10(10) Hartley, R., & Zisserman, A. (2000). Multiple View Geometry in Computer Vision. Cambridge University Press. Nueva York USA. ISBN: 978-0521623049. 624 pp.
)

La obtención de estas correspondencias entre imágenes para conseguir la orientación y posición de las cámaras (en coordenadas relativas), requiere, además, de la matriz fundamental (F) y la matriz esencial (E). La matriz fundamental, es una matriz de 3x3 de segundo rango que realiza el mapeo de un punto de la primera imagen a uno de la línea epipolar de la segunda (Figura 2). De esta forma, dado el plano epipolar P, los puntos x y x’ (proyecciones del punto X en ambas imágenes en coordenadas homogéneas) y al estar x’ en la línea epipolar l’ se tiene (Hartley & Zisserman, 2000(10) Hartley, R., & Zisserman, A. (2000). Multiple View Geometry in Computer Vision. Cambridge University Press. Nueva York USA. ISBN: 978-0521623049. 624 pp.
) (Figura 2):

 [1]

La matriz fundamental cumple la condición que para cada par de puntos x, x’:

 [2]

Lo cual es cierto ya que si para cada (x, x’), x’ se encuentra sobre línea epipolar l’=F·x correspondiente al punto x, se tiene:

 [3]

De aquí, se obtiene que para n correspondencias entre imágenes se verifica (10(10) Hartley, R., & Zisserman, A. (2000). Multiple View Geometry in Computer Vision. Cambridge University Press. Nueva York USA. ISBN: 978-0521623049. 624 pp.
):

 [4]

En la matriz fundamental, las coordenadas de los puntos de la imagen vienen definidos en píxeles. Para que queden expresados en coordenadas normalizadas, hay que introducir el concepto de matriz esencial (E), a partir de la cual se puede obtener las matrices de proyección de las cámaras. Definiendo v como la inversa del punto x a través de una matriz K conocida, la matriz esencial se define por la ecuación:

 [5]

Para las correspondencias x y x’ expresado en términos de imágenes con coordenadas normalizadas, se puede expresar:

 [6]

 [7]

Que se pueden sustituir en la ecuación anterior dando lugar a:

 [8]

Finalmente se obtiene:

 [9]

A partir de la matriz esencial, se obtienen las matrices de proyección de las cámaras mediante su descomposición en dos matrices (W de traslación y Z de rotación). De la factorización de la matriz esencial se calcula el vector de traslación de la matriz de proyección (P) suponiendo los autovalores de la matriz esencial E unitarios.

Con la información anterior se obtiene el punto X, que es aquel cuya posición minimiza el error o distancia entre sus proyecciones en las dos imágenes y los puntos de correspondencia (Figura 3).

Como resultado de todos estos procesos, se calculan las ubicaciones coincidentes (puntos homólogos) de varios puntos en dos o más fotografías, para los que normalmente hay una única solución matemática que indica dónde se tomaron dichas fotografías. Así, se obtienen las posiciones de cámara (x, y, z), (x’, y’, z’), orientaciones j, j’, longitudes focales o, o’, y posiciones relativas m, n (Figura 4).

Figura 3.  Geometría epipolar. Triangulación y error de proyección. Elaboración propia basada en (10(10) Hartley, R., & Zisserman, A. (2000). Multiple View Geometry in Computer Vision. Cambridge University Press. Nueva York USA. ISBN: 978-0521623049. 624 pp.
).

Figura 4.  Posiciones de cámara, orientación, longitudes focales y posiciones relativas.

Paso 2

 ⌅

Como se ha visto anteriormente, la obtención de esta “única” solución matemática lleva consigo una serie de procesos y transformaciones, que junto con el “ruido” de las imágenes utilizadas en el proceso, da lugar a posibles errores de reproyección (Figura 5). Este error se debe minimizar en la mayor parte de lo posible, lo cual se lleva a cabo mediante un ajuste denominado “Bundle adjustment” (o “Ajuste por Haces”).

El “Ajuste por Haces” es una optimización con la finalidad de refinar las posiciones de la cámara y las coordenadas 3D de los puntos. Matemáticamente se define como el método no lineal para minimizar los errores de la proyección que calcula la distancia sobre la imagen entre el punto proyectado “x” y medido “X”:

 [10]

Figura 5.  Error de proyección d: Matriz de Proyección P, punto proyectado X y su proyección x.

En cada ajuste, la matriz jacobiana se puede separar en los cálculos, hecho que en combinación con el procesado en paralelo mediante los nuevos softwares (Tabla 1), hace que se puedan resolver trabajos mediante SFM de gran cantidad de imágenes.

Paso 3

 ⌅

A continuación, se determina la nube de puntos densa y una superficie 3D utilizando los parámetros de cámara conocidos y utilizando los puntos obtenidos.

De forma genérica, todos los píxeles de las imágenes se utilizan para que la nube de puntos densa (Figura 6) sea lo más similar posible en resolución, a las fotografías, aunque algunos softwares hacen distinción y solo utilizan píxeles con una cierta redundancia. Este paso recibe el nombre de “Multi View Stereo Matching” (MVS).

Figura 6.  Nube de puntos densa en modelo realizado en Azud con 955 pts/m².

1.4. Posicionamiento en tiempo real: RTK / PPK.

El RTK (Real Time Kinetic) o geoposicionamiento automático en tiempo real de cada imagen tomada por el dron, hace que la simple comparativa de imágenes en dos periodos de tiempo, tengan la misma perspectiva, con un error en posición de 2-4 cm. De esta forma, incluso sin necesidad de llegar a establecer complejos modelos 3D mediante fotogrametría se puede tener una rápida comparativa para analizar la evolución de la zona de la infraestructura estudiada.

1.5. La auscultación con drones

El seguimiento, vigilancia y auscultación de una gran estructura, tiene como punto de partida la inspección visual de la misma. Por definición, la auscultación con drones parte de esa premisa, debido a que es a partir de las imágenes tomadas en el vuelo, con las que se inicia el trabajo y procesado de las mismas. Mediante programas comerciales como los indicados en la Tablas 1 y 2, se obtiene la nube de puntos y modelo 3D en color verdadero.

La comparativa de dos modelos, en diferentes instantes de tiempo, permite obtener las diferencias entre ambos, pero si además están georreferenciados en el mismo sistema de coordenadas, se obtienen desplazamientos y/o deformaciones.

De esta manera, la mejora de los propios drones unida al desarrollo de los softwares de procesado, implica que la inspección, vigilancia, análisis y control de movimientos de las grandes estructuras con drones, sea una realidad en casos como:

1.6. Objetivos

El objetivo fundamental de esta investigación consiste en desarrollar una metodología innovadora para el control de movimientos, en estructuras y taludes, mediante técnicas fotogramétricas basadas en adquisiciones de imágenes con dron. La validación de esta metodología se realizará mediante comparación con técnicas clásicas de auscultación. Además, se analizan los condicionantes y limitaciones de la misma y se aplica a un estudio de caso en una presa arco-gravedad.

2.1. Aplicación a presas, laderas y macizos rocosos

Los artículos se han resumido y ordenado atendiendo al país donde se aplica la técnica (Figura 7), año de publicación (Figura 8) y su tipología (Figura 9).

Al tratarse de una nueva tecnología, las publicaciones de los artículos relacionados son recientes. De esta forma se puede concluir que, la extensión del uso de drones en aspectos relacionados con la seguridad de presas y laderas, ha tenido lugar en los últimos cinco años (Figura 8).

2.2. Desarrollo por países

En primer lugar, se encuentran con seis artículos cada uno, Italia (13(13) Barberini, M., Rubboli, M. (2016) Il Rilievo fotogrammetrico con il Drone alla Diga di Ridracoli. GEOmedia 19 (6): 2283-5687. http://ojs.mediageo.it/index.php/GEOmedia/article/view/1280.
,14(14) Ridolfi, E., Buffi, G., Venturi, S. & Manciola, P. (2017). Accuracy Analysis of a Dam Model from Drone Surveys. Sensors 17, 1777, doi:10.3390/s17081777
,15(15) Pagliari, D., Rossi L., Passoni, D., Pinto, L., De Michele, C. & Avanzi, F. (2017) Measuring the volume of flushed sediments in a reservoir using multi-temporal images acquired with UAS, Geomatics, Natural Hazards and Risk, 8:1, 150-166, doi: 10.1080/19475705.2016.1188423
,16(16) Buffi, G., Manciola, P., De Lorenzis, L., Cavalagli, N., Comodini, F., Gambi, A., Gusella, V., Mezzi, M., Niemeier, W., Tamagnini, C. (2017). Calibration of finite element models of concrete arch-gravity dams using dynamical measures: The case of Ridracoli. Procedia Eng. 2017, 199, 110-115. https://doi.org/10.1016/j.proeng.2017.09.169
,17(17) Buffi, G., Manciola, P., Grassi, S., Gambi, A., Barberini, M. (2017). Survey of the Ridracoli Dam: UAV-Based Photogrammetry and Traditional Topographic Techniques in the inspection of Vertical Structures. Geomat. Nat. Hazards Risk 2017, 8: 1562-1579. https://doi.org/10.1080/19475705.2017.1362039
,18(18) Ridolfi, E.; Manciola, P. (2018). Water Level Measurements from Drones: A Pilot Case Study at a Dam Site. Water 2018, 10, 297,doi:10.3390/w10030297.
) y Austria (19(19) Tillian M., Sulzer, W. (2015). Remote Sensing (UAV) for torrent inspection /survey in the alpine municipality of Weng im Gesäuse (Austria). 17th International Symposium “Landscape and Landscape Ecology”, 27-29 May 2015, Nitra, Slovakia. Editors: Martin Boltižiar & Andrej Bača. Bratislava, Slovakia. ISBN 978-80-89325-27-6
,20(20) Kaufmann, V., Seier, G.. (2016). Long-Term Monitoring of Glacier Change at Gössnitzkees (Austria) Using Terrestrial Photogrammetry. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XLI-B8: 495-502, doi:10.5194/isprsarchives-XLI-B8-495-2016.
,21(21) Kaufmann, V., Seier, G., Sulzer, W., Wecht, M., Liu, Q., Lauk, G., and Maurer, M. (2018) Rock glacier monitoring using aerial photographs: conventional vs. UAV-based mapping - a comparative study. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLII-1: 239-246, doi: https://doi.org/10.5194/isprs-archives-XLII-1-239-2018, 2018
,22(22) Seier G., Stangl, S., Schöttl, S., Sulzer, W. & Sass, O. (2017) UAV and TLS for monitoring a creek in an alpine environment, Styria, Austria. International Journal of Remote Sensing, 38:8-10, 2903-2920, doi: 10.1080/01431161.2016.1277045.
,23(23) Seier, G., Kellerer-Pirklbauer, A., Wecht, M., Hirschmann, S., Kaufmann, V., Lieb, G. K., and Sulzer, S. (2017). UAS-Based Change Detection of the Glacial and Proglacial Transition Zone at Pasterze Glacier, Austria. Remote Sensing 9: 549. doi:10.3390/rs9060549.
,24(24) Seier, G., Sulzer, W., Lindbichler, P., Gspurning, L., Hermann, S., Konrad, H.M., Irlinger, G. & Adelwöhrer, R. (2018) Contribution of UAS to the monitoring at the Lärchberg-Galgenwald landslide (Austria), International Journal of Remote Sensing, 39:15-16, 5522-5549, doi: 10.1080/01431161.2018.1454627
), aunque bien es cierto que en el caso de Italia varios de ellos son referentes a la Presa Ridracoli (13(13) Barberini, M., Rubboli, M. (2016) Il Rilievo fotogrammetrico con il Drone alla Diga di Ridracoli. GEOmedia 19 (6): 2283-5687. http://ojs.mediageo.it/index.php/GEOmedia/article/view/1280.
,16(16) Buffi, G., Manciola, P., De Lorenzis, L., Cavalagli, N., Comodini, F., Gambi, A., Gusella, V., Mezzi, M., Niemeier, W., Tamagnini, C. (2017). Calibration of finite element models of concrete arch-gravity dams using dynamical measures: The case of Ridracoli. Procedia Eng. 2017, 199, 110-115. https://doi.org/10.1016/j.proeng.2017.09.169
,17(17) Buffi, G., Manciola, P., Grassi, S., Gambi, A., Barberini, M. (2017). Survey of the Ridracoli Dam: UAV-Based Photogrammetry and Traditional Topographic Techniques in the inspection of Vertical Structures. Geomat. Nat. Hazards Risk 2017, 8: 1562-1579. https://doi.org/10.1080/19475705.2017.1362039
). A continuación se sitúan China (25(25) Gao, A., Wu, S., Wang, F., Wu, X., Xu, P., Yu, L., Zhu, S. (2019). A Newly Developed Unmanned Aerial Vehicle (UAV) Imagery Based Technology for Field Measurement of Water Level. Water 2019, 11, 124. doi:10.3390/w11010124
,26(26) Yu, J., Gan, Z., Zhong, L. & Deng, L. (2018) Research and practice of UAV remote sensing in the monitoring and management of construction projects in riparian areas. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-3, 2018: 2161-2165 doi: 10.5194/isprs-archives-XLII-3-2161-2018
,27(27) Li, Y., Gong, J. H., Zhu, J., Ye, L., Song, Y. Q., and Yue, Y. J.: Efficient dam break flood simulation methods for developing a preliminary evacuation plan after the Wenchuan Earthquake. Nat. Hazards Earth Syst. Sci., 12, 97-106, https://doi.org/10.5194/nhess-12-97-2012, 2012.
,28(28) Yang, M., Huang, K. & Tsai, H. (2016) Monitoring and Measurement of an Artificial Landslide Dam Using UAV Images and Image-Based Modeling. 2016 International Conference on Mathematical, Computational and Statistical Sciences and Engineering (MCSSE 2016)
,29(29) Zhang, S., Lv, P., Yang, X., Chen, X. & Zhou, J. (2018). Spatiotemporal distribution and failure mechanism analyses of reservoir landslides in the Dagangshan reservoir, south-west China. Geomatics, Natural Hazards and Risk, 9:1, 791-815, doi: 10.1080/19475705.2018.1480536
) y EEUU (30(30) US Society on Dams. (2016) US Committee on Monitoring of Dams and Their Foundations; USSD Committee on Levees. Monitoring Levees. 42 pp.
,31(31) Koparan, C., Koc, A. B., Privette, C. V & Sawyer, C. B. (2018). In Situ Water Quality Measurements Using an Unmanned Aerial Vehicle ( UAV ) System. Water 2018, 10, 264. doi:10.3390/w10030264
,32(32) Khaloo A, Lattanzi D, Jachimowicz A and Devaney, C. (2018) Utilizing UAV and 3D Computer Vision for Visual Inspection of a Large Gravity Dam. Front. Built Environ. 4:31. doi: 10.3389/fbuil.2018.00031
,33(33) Matthew D. Larson, Simic Milas A., Vincent, R.K., & Evans, J.E. (2018) Multi-depth suspended sediment estimation using high-resolution remote-sensing UAV in Maumee River, Ohio, International Journal of Remote Sensing, 39:15-16, 5472-5489, doi: 10.1080/01431161.2018.1465616
,34(34) Benson, J. et al. Microorganisms Collected from the Surface of Freshwater Lakes Using a Drone Water Sampling System (DOWSE). Water 2019, 11, 157. doi:10.3390/w11010157
), siendo los norteamericanos los únicos que cuentan con un documento oficial “Monitoring Levees” (30(30) US Society on Dams. (2016) US Committee on Monitoring of Dams and Their Foundations; USSD Committee on Levees. Monitoring Levees. 42 pp.
) en el que se hace referencia explícita al uso de drones en la seguridad de presas.

España, a pesar de tener más de 1200 grandes presas e innumerables balsas, presenta tres artículos siendo además dos de ellos correspondientes a laderas (35(35) Jordá-Bordehore, L., Riquelme, A., Tomás, R. & Cano, M. (2016). Análisis estructural y geomecánico en zonas inaccesibles de cavernas naturales mediante técnicas fotogramétricas: aplicación en la entrada de la cueva de Artá (Mallorca). El karst y el hombre las cuevas como Patrim. Mundial. 528 (2016).
,36(36) Tomás, R., Riquelme, A., Cano, M., Abellán, A, Jordá, L.. (2016). Structure from Motion (SfM): una técnica fotogramétrica de bajo coste para la caracterización y monitoreo de macizos rocosos. 10o Simp. Nac. Ing. Geotécnica, A Coruña, España 1, 209-216 (2016). ISBN 978-84-945284-2-2, págs. 209-216
). El más reciente incluye un análisis interesante de dos configuraciones SFM (37(37) Villanueva, J. R. E., Martinez, L. I., & Montiel, J. I. P. (2019). DEM Generation from Fixed-Wing UAV Imaging and LiDAR-Derived Ground Control Points for Flood Estimations. Sensors. 2019, 19, 3205. https://doi.org/10.3390/s19143205
).

Como puede observarse, y a pesar de ser una técnica relativamente reciente, ya se ha utilizado en varios países, probablemente por su bajo coste y la expansión general de las tecnologías basadas en drones.

2.3. Evolución temporal y por campos de aplicación

La evolución de las publicaciones es un buen análisis indicativo de la tendencia de una técnica. En este sentido, y dentro del sector de la inspección y auscultación de estructuras, y en concreto de las presas, se puede observar que su mayor desarrollo se ha producido en los últimos cinco años. El desarrollo e inversión tecnológica actual y futura de los drones, sensores y software de procesado, junto con la necesidad de mejora en materia de seguridad de las estructuras, hace prever que se dispare a corto plazo la aplicación de esta técnica, tal y como se puede apreciar en la Figura 8.

En el caso de aplicación a presas y laderas, las publicaciones se han clasificado en tres grandes grupos según se puede observar en la Figura 9. Estos son: el relacionado con las estructuras tipo “Presa”, el aplicado a la gestión y calidad de embalses “Gestión del Agua” y el que hace referencia a laderas “Laderas”.

3.1. Trabajo de campo

En el caso de estudio, los vuelos se realizaron sobre una presa Arco-Gravedad, utilizándose sensores de tipo RGB. Las altitudes de los vuelos fueron variables entre los 20 m y los 80m., todos ellos realizados a velocidad constante de 4m/s y toma de imágenes equidistante. Además, se han tenido en cuenta parámetros de la cámara, lente, y distribución de los puntos de apoyo.

En la planificación se consideró un solape longitudinal del 90% y el transversal del 70% entre cada fotograma. Para la realización del modelo, se seleccionaron un total de 788 imágenes de las obtenidas, descartando todas aquellas no útiles. Con ello, la precisión media obtenida fue de ±2-3 mm, siendo el parámetro Ground Sampling Distance (GSD) de 1,2 mm (Figura 10).

Las campañas fotogramétricas se realizaron en dos periodos diferentes del año, determinando el movimiento de la presa en ese periodo de tiempo y poder compararlo con los datos de la auscultación clásica de la presa. Las fechas en las que se realizaron fueron:

Los GCPs utilizados en los modelos en planta fueron de dos tipologías, tal y como se puede apreciar en la Figura 11. La primera de ellas, consiste en placas metálicas con adhesivo amarillo y negro, estando el centro definido con una marca de 1 mm². Se distribuyeron sobre ambas aceras de la presa con una equidistancia de 30m. La segunda tipología, consistió en marcas pintadas sobre el eje de la presa, en las que también se marcó el centro de 1mm x 1mm. La distribución de los GCPs fue de forma alterna, con el objetivo de poder realizar diferentes combinaciones en el procesado. En el caso de los modelos realizados en alzado, se utilizaron como GCPs las propias dianas de auscultación de la presa.

Un buen resultado fotogramétrico, tiene su fundamento en una correcta toma de datos de campo, así como el conocimiento de los parámetros que intervienen en el procesado durante las campañas.

Así, en función de la campaña y el tipo de modelo, se recogen en la tabla 3 las características técnicas y meteorológicas con la siguiente leyenda : (1) GCPs tipo placa; (2) Dron Phantom 4 Pro con objetivo FOV84º 8.8mm/24mm y sensor 1”CMOS; (3) Dron Matrice 210 RTK con cámara Zenmuse X4s, objetivo F/2.8 - 11, 8.8mm y sensor 1” CMOS; (4) Resolución fotográfica 5472x3078 pixeles; (5) Orientación cenital. (6) Orientación normal (90º).

3.2. Procesado y resultados

Las tareas en la fase de procesado fueron las siguientes:

Una vez procesados los modelos en ambas campañas, y obtenidas las ortofotografías, modelos 3D y nubes de puntos, se llevó a cabo tanto la comparativa entre ambas como el análisis de los resultados obtenidos. Es destacable la cantidad de puntos obtenida en los modelos con más de 100 millones de puntos cada uno.

Con objeto de verificar las diferencias entre mediciones topográficas y fotogramétricas, se llevó a cabo un control de calidad (Figura 13) basado en la comparativa de las coordenadas obtenidas para los clavos de nivelación existentes en la presa por ambas metodologías. Evidentemente, estos datos topográficos no se introdujeron en el procesado fotogramétrico. Este control de calidad estimó unas diferencias entre mediciones en promedio de 1 mm.

Se presenta a continuación un primer resultado obtenido, en el que se puede ver el movimiento de la coronación de la presa arco-gravedad estudiada (Figuras 14 y 15). Se observa el movimiento tanto en 2D, mediante la comparativa de las ortofotografías, como en 3D, mediante la comparativa de las nubes de puntos.

3.3. Aplicaciones al control deformacional geotécnico

La aplicación de la tecnología fotogramétrica con dron al caso de estudio de laderas es un aporte innovador de esta investigación, tal y como se ha visto previamente en el análisis documental realizado. En estudios geotécnicos, la precisión necesaria es de ±3-4 cm., siendo la accesibilidad el condicionante fundamental en el que basar un estudio de deformaciones, por lo que el uso de esta técnica es de gran utilidad.

El segundo caso de estudio corresponde a la auscultación del movimiento de una ladera (Figura 16). Para ello se realizó una Campaña específica para comparar con la primera. Los resultados obtenidos, en relación con el movimiento observado, se muestran en la Figura 17.

La precisión alcanzada al comparar la técnica fotogramétrica con la topografía clásica, es 2 cm. Valor razonable para control de deformaciones asociados a laderas y estudios geotécnicos.