AIHR AIIH XXIII CONGRESO LATINOAMERICANO DE HIDRÁULICA CARTAGENA DE INDIAS COLOMBIA, SEPTIEMBRE 2008

HORUS: SISTEMA DE VIDEO PARA CUANTIFICAR VARIABLES AMBIENTALES EN ZONAS COSTERAS

Andrés F. Osorio1*, Juan C. Perez1 2, Cristian A. Ortiz1, Raúl Medina3. 1 Grupo de Investigación en Oceanografía e Ingeniería Costera (OCEANICOS). Escuela de Geociencias y Medio Ambiente. Universidad Nacional de Colombia.

2 Escuela de Matemáticas. Universidad Nacional de Colombia. 3 Grupo de Ingeniería Oceanográfica y de Costas. Universidad de Cantabria (GIOC)

afosorioar@unal.edu.co, jcperezm@unalmed.edu.co, caortiz1@unalmed.edu.co, medinar@unican.es RESUMEN:

Uno de los mayores problemas al momento de estudiar e intervenir sistemas naturales, en particular entornos costeros, es la carencia de información. La importancia de estos sistemas dadas las diversas funciones que cumplen, ha motivado el uso de métodos como la teledetección, el radar, la fotografía aérea y los sistemas basados en video y/o imágenes digitales (Osorio et al, 2007) para suplir la deficiencia de información e incluso conseguir un volumen de datos más grande y confiable. El presente trabajo pretende dar a conocer los resultados obtenidos dentro del proyecto HORUS (http://horus.unalmed.edu.co), el cual ha permitido desarrollar una herramienta de investigación y gestión de información basada en cámaras de video; compuesta por un sistema de toma de datos, almacenamiento, preprocesamiento, procesamiento y publicación de resultados en un sistema web. HORUS ha sido financiado por el “IH Cantabria” y ha sido desarrollado en conjunto entre por diversos investigadores de los grupos de investigación GIOC de la Universidad de Cantabria (España) y OCEANICOS de la Universidad Nacional de Colombia. Se convierte en una alternativa novedosa para hacer seguimiento de los procesos costeros y de las dinámicas de uso, arrojando información útil para entender los procesos y apoyar la toma de decisiones de los gestores de estas zonas costeras.

ABSTRACT:

One of the greater problems at the time of studying and taking part natural systems, particularly coastal systems, is the lack of information. The importance of these systems given the diverse functions that fulfill, has motivated the use of methods like the teledetección, the radar, the aerial photography and the video and/or digital images based systems (Osorio et al, 2007) to replace the information deficiency and to even obtain greater and reliable a volume of data. This paper aims to raise awareness the results obtained within the Horus project (http://horus.unalmed.edu.co) which has aided to develop a tool for research and coastal managment based in cameras, this consists of a system for data collection, storage, preprocessing, processing and publication of results in a Web system. Horus was funded by the "IH Cantabria" and has been developed jointly between the research groups GIOC of the University of Cantabria (Spain) and OCEANICOS of the National University of Colombia. It becomes a novel alternative to monitor coastal processes and the dynamics of use, yielding useful information to understand the processes and support the decisions of managers of these coastal areas.

PALABRAS CLAVES: Monitorización, gestión costera, sensores remotos

1 INTRODUCCIÓN Los sistemas naturales tales como los entornos costeros cumplen diversas funciones, regulación del clima, protección de las poblaciones ante eventos naturales extremos, proveedores de recursos, espacios lúdicos, entre muchos otros. Pero dichos sistemas son sometidos a presiones antrópicas y naturales que amenazan con deteriorarlos y afectar el cumplimiento de sus funciones, por tanto es de gran importancia conocerlos y gestionarlos adecuadamente. Uno de los principales problemas identificados al momento llevar a cabo investigaciones científicas e interventciones de gestión adecuadas sobre los entornos costeros es la falta de información. Para suplir dicha deficiencia de información han surgido diversas iniciativas mundiales y regionales que intentan suministrarla con nuevos métodos, tales como la teledetección, el radar, la fotografía aérea y los sistemas basados en video y/o imágenes digitales, entre otros (Osorio et al, 2007; Holman and Stanley, 2007 Lillesand et al., 1984); estos últimos se pueden destacar porque permiten realizar un seguimiento continuo de diversas variables en las zonas costeras, entre las que se puede mencionar: línea de costa, perfiles de playa, batimetrías y topografías, oleaje, sistemas de corrientes en el mar, vertidos en el mar, número de usuarios en las playas y el número de barcos en los puertos, entre otros. Depués de un trabajo contínuo de más de 5 años entre diversos investigadores del Grupo de Ingeniería Oceanográfica y de Costas de la Universidad de Cantabria (España) y el Grupo de investigación en Oceanografía e Ingeniería Costera (OCEANICOS) de la Universidad Nacional de Colombia y el presente trabajo pretende dar a conocer los resultados obtenidos, enmarcados dentro del desarrollo y montaje del sistema HORUS, un sistema capaz de cuantificar de forma continua los cambios en diversas zonas naturales (particularmente en las zonas costeras en su etapa inicial). Se compone de un sistema de toma de datos basado en cámaras de video, un software de tratamiento de la información y un sistema de visualización de los resultados vía Web.

2 PREPROCESAMIENTO

2.1 ESTRUCTURA DEL SISTEMA DE TOMA DE DATOS Una de las características más importantes al realizar mediciones de fenómenos naturales es la manera en que la escala espacio – temporal de muestreo afecta los datos obtenidos y limita los procesos que éstos pueden representar. Para tratar de afrontar este problema de recolección de información, en la Universidad de Oregon (Estados Unidos) se comenzó a experimentar con imágenes obtenidas a partir de cámaras de video con la intención de poder capturar series de runup1 en una porción de playa (Holman y Bowen, 1984). De esta primera iniciativa surgió el sistema ARGUS, el cual ha sido el pionero en este tipo de sistemas (Holman y Stanley, 2007). Sin embargo el desarrollo tecnológico en la capacidad de procesamiento y en la resolución de captura de imágenes y videos digitales, ha permitido un avance importante en el alcance de las aplicaciones desarrolladas para el monitoreo ambiental en general, como son los casos del proyecto INDIA (Morris et al., 2001), el proyecto HORS (Takewaka et al., 2002) para el monitoreo costero a través de un globo aerostático y el proyecto CAM-ERA, entre otros. En esta línea e incorporando los últimos avances en tecnología, el sistema HORUS, en su configuración básica de Hardware, consiste de una estación de cámaras digitales, un computador local que almacena la información y a su vez la transmite (generalmente vía Internet) a otro computador de respaldo y procesamiento como se muestra en la Figura 1. En el computador de procesamiento se encuentra instalado todo el software, desarrollado en Matlab®, correspondiente al 1 Sobreelevación del nivel del mar en cercanías a la costa por causa del oleaje.

pre-procesamiento, procesamiento de la información y la generación de los datos que posteriormente se publican en la web. Actualmente el sistema HORUS cuenta con dos estaciones de cámaras instaladas en la península de La Magdalena, Santander, en el norte de España.

Figura 1. Configuración del hardware del sistema HORUS.

2.2 UBICACIÓN DE LAS CÁMARAS Según la necesidad, es importante definir la cantidad y ubicación de las cámaras de acuerdo al tamaño de la región de interés y de la resolución espacial deseada. La resolución espacial es un término usado en el procesamiento digital de imágenes para referirse al mínimo tamaño que debe tener un objeto para ser reconocido dentro de la imagen. Por ejemplo, una imagen del satélite Landsat 1 (en el espectro visible), tiene una resolución espacial de 79m x 79m. La resolución espacial depende de la distancia a la que se encuentra la cámara de la región de interés y la cantidad de píxeles que tiene su sensor. A mayor resolución espacial, es posible distinguir objetos mas pequeños en la imagen (de la Escalera, 2001). En el caso de las plataformas para el monitoreo de variables ambientales basadas en imágenes y video, no es posible tomar imágenes que tengan una resolución espacial constante porque para esto es necesario una ubicación perpendicular a la superficie, por lo que éstas son tomadas normalmente de forma oblicua a la región de interés. En la Figura 2 se muestra la resolución espacial en algunos puntos de una imagen correspondiente al sistema de medición montado y gestionado por la Universidad de Cantabria, el cual está ubicado en la playa La Magdalena, Santander, en el norte de España.

Figura 2. Resolución espacial (dist. horizontal X dist. vertical en metros) en varios puntos

de una imagen de 1280 x 1022 píxeles correspondiente al sistema en la playa La Magdalena.

Otro aspecto a tener en cuenta al definir la orientación final de las cámaras es que contenga un número suficiente de puntos de control en tierra (GCPs) de los cuales se conocen sus coordenadas en el espacio real (x,y,z) y que son fácilmente identificables en la imagen (coordenadas U,V), pues son estos los que permiten establecer una relación matemática entre cualquier punto en el espacio y su proyección en la imagen. En ambientes diferentes al urbano, la definición de GCPs claros se convierte en una tarea complicada pues no existe infraestructura fija y fácilmente identificable como esquinas de edificios, ventanas, postes de luz, etc.

2.3 TOMA DE DATOS Dependiendo de la necesidad se pueden tomar muchos tipos de datos, en el caso de sistemas de monitoreo costero los más comunes son:

• Fotos instantáneas tomadas a la región que cubre una o varias cámaras. • Grupos de imágenes o de píxeles en las imágenes capturados en un tiempo de exposición fijo,

sobre los cuales se aplica algún tipo de operador estadístico o matemático, como el caso de un promedio, varianza, mediana, entre otros. Este tipo de procesamiento permite inferir otro tipo de información al incluir la variable temporal. En el caso del oleaje se puede conocer las zonas de disipación de energía, formación de barras, canales, etc. (Aarninkhof, S.G.J.,2003).

• Otros programados desde el sistema de captura o procesamiento. La resolución temporal se refiere al tiempo que transcurre entre dos observaciones consecutivas realizadas por la cámara y ésta es definida dependiendo de la aplicación. En el caso de imágenes del tipo instantáneas, ésta es indicada por el intervalo de tiempo entre sensado, para imágenes que son resultado de aplicar algún operador matemático o estadístico la resolución estará dada por el mayor intervalo entre dos datos consecutivos utilizados para su calculo.

2.4 CALIBRACIÓN DE CÁMARAS Sobre las imágenes se pueden hacer observaciones cualitativas de algunas variables, pero no es posible todavía hacer mediciones de distancias dentro si no se cuenta con una resolución espacial constante asociada a un sistema de coordenadas (x,y,z) . Dado que en los sistemas de monitoreo las imágenes son oblicuas, la estrategia más usada es obtener un modelo de la cámara que relacione las coordenadas de un punto visible en la imagen con las coordenadas de dicho punto en el mundo real. Normalmente estos modelos tienen en cuenta parámetros que están relacionados con el hardware de captura de las imágenes: la distancia focal de los lentes, f, la distorsión debida a los lentes, el tamaño del sensor de la cámara, el factor de escala que representa la relación entre el tamaño del píxel y el tamaño del sensor de la cámara y la ubicación del punto principal de la imagen, (u0, v0), que es el punto del plano de la imagen por el que pasa el eje focal. Estos parámetros son conocidos como parámetros intrínsecos de la cámara y normalmente se miden con pruebas de laboratorio o son dados por el fabricante (ver Heikkilä y Silvén, 1997. Hartley y Zizzerman , 2003 y Wolf , 2000). Los otros parámetros usados en dichos modelos son los llamados extrínsecos, los cuales permiten obtener la descripción geométrica de la orientación y posición de la cámara respecto a un sistema de coordenadas en el campo. Normalmente corresponden a los ángulos de rotación y los valores de traslación del plano de la imagen respecto al sistema de referencia. Un modelo usualmente empleado es el modelo pinhole para cámaras (Abdel–Aziz y Karara, 1971; de la Escalera, 2001; Heikkilä y Silvén, 1997; Holland et al; 1997), basado en el principio de colinealidad, el cual asume

que cada punto en el espacio es proyectado en la imagen por una línea recta que pasa por el foco de la imagen. Si aceptamos que las coordenadas de la cámara en el sistema de referencia, (xc, yc, zc), coinciden con las coordenadas del foco de la imagen y tomamos el punto (x, y z) en el espacio, su correspondiente proyección en la imagen se encuentra en el punto de coordenadas (u, v) tal y como se presenta en la Figura 3.

Figura 3. Diagrama de proyección de la cámara bajo el principio de colinealidad. El

parámetro f corresponde a la distancia focal de la imagen y los ángulos σ, τ y φ representan la rotación del plano de la imagen respecto al sistema de referencia.

El tratamiento matemático para la solución de estos modelos es un tema amplio de investigación y puede ser visto en detalle en Osorio et al; (2007), Heikkilä y Silvén (1997), Faugeras y Toscani (1987), Hartley y Zizzerman (2003), entre otros. En la Figura 4 se presenta una imagen correspondiente a una cámara ubicada en la Playa de La Magdalena, Santander - España, y la imagen rectificada correspondiente a un área señalada en la imagen.

Figura 4. Playa de la Magdalena (Izq) e imagen rectificada correspondiente a la región

marcada (der).

3 PROCESAMIENTO

3.1 DETECCIÓN DE LA LÍNEA DE COSTA Y ESTIMACIÓN DE LA BATIMETRÍA INTERMAREAL

Para el análisis morfodinámico de una playa necesitamos conocer la evolución de las geoformas que la conforman a través de un seguimiento espacio-temporal de éstas. Aprovechando las ventajas que ofrecen los sistemas de monitoreo basados en imágenes de video en la toma de datos, podemos capturar cambios rápidos como los que sufren los perfiles de playa a causa de los temporales (horas-días) y aquellos de mediano a largo plazo producidos en planta, ocasionados por transporte de sedimentos estacionales, entre otros.

3.1.1 Detección de Bordes Según investigadores como Hernández (2000); Guru (2004); Singer y Bilgram (2004), la detección de bordes se basa en la identificación de discontinuidades locales en los niveles de intensidad o en la amplitud de la señal, que generalmente corresponden a los bordes de un objeto. Dichas discontinuidades no están definidas con el significado matemático conocido, sino como los cambios súbitos de bajos a altos niveles de intensidad o viceversa. La determinación de la interfaz agua-tierra en todo instante de tiempo puede interpretarse entonces como un problema de detección de bordes desde el campo del tratamiento digital de imágenes, el cual puede partir de varios enfoques:

• Localización de discontinuidades en los valores de intensidad en la imagen. • Cambios en el color. • Cambio en las propiedades de textura. • Modelos híbridos.

Si a los contornos detectados pueden ser asignados valores de elevación, podemos reconstruir la batimetría contenida en la zona intermareal. Para este propósito han sido empleadas diferentes metodologías que van desde la estereoscopia hasta la utilización de datos hidrodinámicos externos tales como la marea, oleaje y viento (Kingston et al, 2003; Plant y Holman, 1997; Aarninkhof, 2003; Davidson et al, 1997). Desarrollar un herramienta automática de detección de línea de costa es un problema complejo, debido a la cantidad de fenómenos (cambios de luz, condiciones climatológicas, variaciones en el nivel del mar, oscilaciones en el frente de playa debido a las condiciones de oleaje) y factores (resolución de la imagen a lo largo de un tramo de costa, objetos sobre tierra o agua que afecten los patrones de los valores de intensidad, etc.) que entran en juego al intentar detectar la interfase agua-tierra en la imagen completa. Por esta razón la primera simplificación que se hace es abordar el problema desde un perfil de playa (como se muestra en la Figura 5), y no desde la línea de costa, el cual está directamente relacionado con un perfil de intensidades obtenido a partir de las coordenadas (u, v) sobre la imagen. Por medio de la solución de las ecuaciones de colinealidad y del modelo pinhole, es posible establecer las coordenadas (x,y,z) de la detección sobre la banda extraída (ilustrada en la Figura 5) y, si esta detección logra realizarse en los múltiples niveles de marea, se puede entonces estimar el perfil intermareal tal y como se ilustra en la Figura 6.

Figura 5. Extracción de una banda según el perfil de detección elegido. Simplificación del

problema de detección de 2D a 1D.

Figura 6. Esquema de estimación del perfil intermareal a través de detecciones de la

línea de costa sobre un perfil de detección fijo para varios niveles de marea.

Tratamiento de los datos La medición a través de sensores remotos está sujeta a los problemas que las condiciones climáticas conllevan. La simple variación en la luminosidad ocasionada por el paso de una formación nubosa puede alterar significativamente los resultados obtenidos por los diferentes algoritmos para la detección de bordes. Por este motivo se han buscado metodologías que permitan darle más confiabilidad a las detecciones obtenidas por el sistema. El modulo de línea de costa de la plataforma HORUS, llamado PSDMHORUS, contiene siete algoritmos de detección de bordes los cuales son aplicados sobre la banda extraída de la imagen original de manera simultanea.

Los criterios empleados dentro del modelo PSDM para seleccionar si una detección corresponde acertadamente con la interfaz agua-tierra se basan en conceptos estadísticos y físicos. Los primeros fundamentan su eficacia en la idea de que todos los algoritmos aportan información a la hora de definir el borde más adecuado, por tanto, en una imagen donde se pueda identificar claramente el borde es muy probable que la mayoría de los métodos hagan correctas detecciones, mientras que en el caso contrario es muy poco probable que los métodos acierten (Ver Figura 7). Por otro lado, el concepto físico parte de la idea que para un nivel de marea determinado debe existir un rango limitado de posibles distancias, estableciendo una relación entre estas variables que debe ser actualizada cada cierto tiempo, dependiendo de la dinámica de la playa. Este criterio utiliza datos marcados manualmente para calcular una regresión lineal y sus bandas de confianza del 90% para definir la zona donde se admiten las detecciones, si éstas caen por fuera son rechazadas (Ver Figura 8).

Figura 7. Histograma de posiciones de bordes detectados por el algoritmo PSDMHORUS.

Aplicados estos dos criterios a las detecciones realizadas por el PSDMHORUS tenemos entonces detecciones mucho más fiables. Como dichas detecciones se realizan sobre una imagen que tiene una hora asociada, a través de los datos externos de marea y oleaje se le puede vincular una elevación y así construir un perfil intermareal. Debemos anotar que la utilización de varios perfiles permite entonces, la estimación de superficies a través de nubes de puntos muy similares a las campañas batimétricas tradicionales realizadas con equipos de topografía, al igual que tasas de erosión y acreción al estudiar la evolución de los mismos (ver Figura 9).

Figura 8. Región admisible de detección definida por las bandas de confianza de una

regresión lineal a datos marcados manualmente.

Figura 9. Ejemplo de un perfil intermareal estimado para la playa de La Magdalena,

Santander – España.

3.2 DETECCIÓN Y SEGUIMIENTO DE USUARIOS Publicaciones como la de Jiménez et al; (2007) y Osorio et al; (2007) muestran aplicaciones importantes para la gestión de costa como uso turístico, donde se usa la detección y el seguimiento espacio – temporal de usuarios de playa con miras a optimizar la infraestructura disponible y determinar índices de saturación de espacio. La detección de los usuarios se lleva a cabo con técnicas de detección de objetos propias del procesamiento digital de imágenes, entre ellas la que usa el sistema HORUS consiste en dos pasos:

• Umbralización: Es el proceso mediante el cual se identifican las características del fondo de la imagen de modo que es posible separarlo de los objetos, asignándole un valor de intensidad uniforme y distinto al valor de intensidad asignado a los objetos. Las técnicas de umbralización se basan en que los objetos tienen una superficie parecida y el fondo es uniforme (De la Escalera, 2001). Para umbralizar pueden usarse características estadísticas de la imagen, conocimiento del tamaño de los objetos, características de color o detección de bordes conectados (Pratt, 2001). Generalmente, la umbralización entrega una imagen binaria (en blanco y negro) donde un píxel en nivel alto pertenece a un objeto mientras un píxel en nivel bajo pertenece al fondo.

• Etiquetado: Después de identificados (separados) los objetos del fondo, todos tienen un mismo valor de intensidad y, por lo tanto, no es posible distinguir un objeto de otro, lo que hace necesario etiquetar cada objeto. El etiquetado se basa en conceptos de vecindad de píxeles y permite determinar cada uno de los píxeles correspondientes a un objeto pues hace un recorrido por toda la imagen de modo que al primer píxel en nivel alto le asigna la etiqueta 1 y examina sus píxeles vecinos para ver si tienen también un nivel alto. Cuando se encuentra un píxel en nivel alto que no es vecino de los píxeles con etiqueta 1, se le asocia la etiqueta 2 y así sucesivamente (Pratt, 2001). En la Figura 10 se presenta un ejemplo de una imagen con 5 objetos encontrados y etiquetados.

Figura 10. Ejemplo de una imagen con 5 objetos etiquetados.

Debido a que la detección de usuarios es un proceso que exige alto consumo computacional y, que además puede verse afectado por la presencia de contrastes en la iluminación o por la presencia de patrones distintos a los usuarios (por ejemplo las marcas dejadas por un vehículo al pasar por la arena), es necesario determinar si esa imagen tiene o no usuarios antes de intentar identificarlos. Para esto, el sistema HORUS tiene implementado un algoritmo de clasificación de imágenes que agrupa cada una en uno de 3 grupos: Alta, media y baja densidad de usuarios. Este algoritmo recurre a la medición de algunas propiedades del histograma de la imagen y a la construcción de una matriz de calibración que permite usar la Descomposición en Valores Singulares (SVD, por sus siglas en inglés), para determinar a que grupo corresponde cada una de las imágenes. Para profundizar sobre la SVD y sus aplicaciones en la clasificación de elementos en bases de datos consultar Laub (2005) y Berry et al (1995). El histograma de una imagen mide la frecuencia con la que aparece cada nivel de intensidad en la imagen, para entender esto, es útil pensar en una imagen digital como una matriz donde cada elemento representa el valor de intensidad del píxel, de modo que el histograma muestra para cada nivel de intensidad el número de píxeles que tienen dicho nivel. En el caso de una imagen en escala de grises de 8 bits, el nivel 0 representa el negro y el nivel 255 representa el blanco, y cada una de las tonalidades de gris está representada con un valor entre 0 y 255. En la Figura 11 se presenta un ejemplo de histograma para una imagen oscura, una imagen saturada y una imagen balanceada.

Figura 11. Histograma asociado a una imagen balanceada (izquierda), una imagen oscura

(centro) y una imagen saturada (derecha).

Cuando ya se han detectado los objetos de una imagen, es necesario determinar si éstos son usuarios o no. Para esto se estima el tamaño en el espacio real del objeto detectado de modo que aquellos inferiores a un tamaño mínimo no son considerados usuarios y aquellos superiores a un tamaño promedio son potenciales grupos de usuarios que debido a la resolución de la imagen o a su ubicación respecto a la cámara aparecen unidos. Para poder estimar el tamaño de un objeto es necesario contar con algún modelo de calibración para la cámara, como la DLT usada por el sistema HORUS. En la Figura 12 se presenta una imagen correspondiente al sistema en la playa de La Magdalena y los objetos (en blanco) encontrados en dicha imagen.

Figura 12. Imagen de La Magdalena y objetos detectados en blanco.

Para hacer más eficiente la detección de usuarios, el sistema HORUS usa regiones de interés definidas para cada cámara por los usuarios del sistema, de modo que no se tengan en cuenta edificios o áreas que normalmente están ocupadas por agua como las que se ve en la Figura 12 También puede observarse como algunos usuarios están tan cerca en la imagen que son detectados como un solo objeto. En la Figura 13 se presenta una imagen de la cámara 2 de La Magdalena con la región de interés (ROI) definida por el usuario.

Figura 13. Imagen de la cámara 2 de La Magdalena con una ROI definida por el usuario.

El aporte más importante que hace el sistema HORUS a los gestores e investigadores es la generación de informes de seguimiento a los usuarios, los cuales permiten estudiar el comportamiento de los usuarios y adicionalmente permiten generar indicadores útiles para los gestores, estos informes pueden ser diarios, semanales o mensuales (incluso horarios, aunque esta no es una resolución temporal importante), y se generan con los datos obtenidos al ejecutar el algoritmo de detección y ubicación de usuarios en las imágenes correspondientes a un período de tiempo dado, aunque el sistema también permite marcar manualmente los usuarios en las imágenes, y luego usar estos datos generados manualmente para obtener informes que incluso pueden ser usados para comparación y/o validación de los datos obtenidos de forma automática con los algoritmos. El sistema está en la posibilidad de generar mapas de densidad de usuarios, los cuales indican que zonas son las más usadas de la playa y si hay o no saturación de la misma, esto se logra asociando a cada región de la playa un valor de la densidad de usuarios, que está dada en m2/usuario medio horario, indicando el área que ocupo en promedio un usuario en dicha región. También permite generar mapas de distancia de los usuarios respecto la línea de costa, los cuales permiten estudiar el comportamiento y/o preferencias de los usuarios a la hora de decidir en que lugar de la playa ubicarse. La distancia a la línea de costa se mide respecto a una posición fija (promedio) de la interfaz tierra-agua, de modo que la distancia de cada usuario es la mínima distancia a la curva que define la línea de costa fijada. En la Figura 14 y Figura 15 se presentan un mapa de densidad de usuarios y un informe de distancia a la línea de costa, respectivamente, para la Playa de La Magdalena. El informe de distancia a la línea de costa presenta un grafico de la evolución de las distancias en el tiempo (figura superior izquierda), la evolución de la media y la desviación estándar de dichas distancias (centro a la izquierda), la evolución del numero de personas en la playa (figura inferior izquierda) y un histograma de las distancias medidas (figura a la derecha).

Figura 14. Mapa de densidad de usuarios para el mes de Julio de 2007 en la playa de la

Magdalena.

Figura 15. Informe de la distancia de los usuarios a la línea de costa durante el mes de

Julio de 2007 en la playa de la Magdalena.

CONCLUSIONES

La utilización de técnicas basadas en sensores remotos constituye una alternativa muy atractiva para superar el problema de disponibilidad de información de variables ambientales. A parte de representar costos muy bajos en comparación con métodos tradicionales, los progresos tecnológicos hacen que cada vez se obtengan datos con mejor calidad y donde sistemas como HORUS posibilitan su manejo y procesamiento La instalación del sistema basado en imágenes digitales, permite explicar paso a paso los diferentes elementos involucradas en la implementación de estas nuevas técnicas para medir variables ambientales. Aspectos tan importantes como la disposición de las cámaras (resolución espacial y temporal), calibración y posibilidades en la toma de datos han quedado lo suficientemente claros, definiendo sus múltiples posibilidades, pero también aclarando sus limitaciones. Además, se muestra como transformar la información cualitativa (espacio bidimensional en la imagen) a información cuantitativa (espacio real), las ecuaciones involucradas, las variables a resolver y los métodos posibles. Se explica en la etapa de post-procesamiento lo referente al tratamiento digital de imágenes, donde la posibilidad de generar un imagen ortogonal de una zona en estudio, en la cual se pueden observar y cuantificar variables se ve claramente cuando se ilustra la rectificación y la fusión. Finalmente, la breve introducción que se hace al mundo de la detección de bordes y objetos muestra como todo lo que observamos en una imagen (variables ambientales en un espacio natural) se puede detectar de manera fiable y precisa con novedosas técnicas. Dada la experiencia de los autores en temas marino-costeros, se muestran las principales aplicaciones desarrolladas en el sistema HORUS relacionadas con problemáticas ambientales en el

ámbito costero; se proponen nuevas ideas, algunas por abordar, otras en desarrollo y unas ya desarrolladas, donde la implementación y aplicación de estas tecnologías en problemas reales costeros muestra el potencial que tienen dichos sistemas para resolver otro tipo de problemáticas ambientales.

REFERENCIAS Aarninkhof, S.G.J. (2003), Nearshore Bathymetry derived from Video Imagery, PhD Thesis, Delft University of Technology, Delft, The Netherlands.

Abdel–Aziz, Y.I., y Karara, H.M. (1971), Direct linear transformation from comparator coordinates into object spaces coordinates in close–range photogrametry, Proc. ASP/UI Symp, Close–Range Photogrametry, Urbana, IL.

Berry, M., Dumais, S. y O’Brien, W. (1995). “Using Linear Algebra for Intelligent Information Retrieval”. SIAM Review, Vol. 37, No. 4. pp. 573-595.

Davidson, M., Huntley, D., Holman, R. And George, K. (1997), The evaluation of large (km) intertidal beach morphology on a macrotidal beach using video images, Inc: Proc. Coastal Dynamics’97, New York: ASCE, pp. 385-394.

De la Escalera, A. (2001) Visión por Computador. Fundamentos y métodos. Pearson Education, S.A., Madrid, 274 p.

Faugeras, O. D. y Toscani, G. (1987) Camera calibration for 3D computer vision. Proc. Internacional Workshop on Industrial Applications of Machina Vision and Machina Intelligence, Silben, Japan, p. 240-247.

Guru ,D.S., Shekar, B.H., Nagabhushan, P. (2004), A simple and robust line detection algorithm based on small eigenvalue analysis, Pattern Recognition Letters 25, pp. 1–13.

Hartley, R. y Zizzerman, A. (2003). Multiple View Geometry in Computer Vision, 2d Edition. Cambridge University Press, New York, NY, USA., 700 p.

Heikkilä, J. y Silvén, O. (1997). ”A Four-step Camera Calibration Procedure with Implicit Image Correction”. Proc. of IEEE Computer Vision and Pattern Recognition, pp. 1106-1112.

Hernández, J. F. (2000), Extracción de contornos rectos, Universidad Politécnica deMadrid.

Holland, K.T. y Holman, R.A. (1997), Video estimation of foreshore topography using trinocular stereo, Journal of Coastal Research, 13 (1).

Holman, R.A. y Bowen, A.J. (1984). “Longshore structure of infragravity wave motions”. Journal of Geophysical Research, 89 (C4), p. 6446-6452.

Holman, R.A. y Stanley, J., (2007), The history, capabilities and future of Argus. Coastal Engineering Special Issue of the CoastView project. Vol 54 (6-7), p. 477-491.

Jiménez, J.A., Osorio, A., Marino-Tapia, I., Kroon, A., Medina, R., Davidson, M., Archetti, R., Ciavola, P., Aarninkhof, S., (2007). “Beach recreation planning using video derived coastal state indicators”. Coastal Engineering Special Issue of the CoastView project. Vol 54 (6-7), p. 507 – 521.

Kingston, K.S., Mallet, C., Plant, N.G. and Davidson, M.A. (2003), Intertidal Mapping of Morphological Features from Remotely Sensed Data, Submitted to Marine Geology.

Lillesand, T.M, Kiefer, R.W. (1984), Remote Sensing and image interpretation, By Jhon Wiley & Sons, Inc.

Laub, A. (2005). Matrix Analysis for Scientist & Engineers. SIAM. 2005. Morris, B.D., Davidson, M.A. & Huntley, D.A. (2001), Measurements of the response of a coastal inlet using video monitoring techniques, Marine Geology, 175, p. 251 - 272.

Osorio, A.F. (2005) Desarrollo de técnicas y metodologías basada en sistemas de vídeo para la gestioón de la costa. Phd Tesis. Universidad de Cantabria - España.

Osorio, A., Pérez, J., Ortiz, C., y Medina, R. (2007). “Técnicas basadas en imágenes de video para cuantificar variables ambiéntales en zonas costeras”. Avances en recursos Hidraulicos, No 16, pp 51-64.

Plant, N.G. y Holman, R.A. (1997), Intertidal beach profile estimation using video images. Marines Geology 140 (1-2), p. 1-24.

Pratt, W. (2001). Digital Image Processing: PIKS Inside, 3d Edition. John Wiley y Sons, Inc., USA.

Takewaka, S., Misaki, S. y Nakamura, T. (2003), Dye diffusion experiment in a longshore current field, Coastal Engineering Journal, Vol. 45, No. 3, pp. 471-487

Singer, H.M., Bilgram, J.H. (2004), Extracting contours of crystals, Journal of Crystal Growth 261, pp. 122–134.

Wolf, P. (2000). Elements of Photogrammetry with Applications in GIS, 3d Edition. McGraw-Hill, Boston, Massachusetts, 608 p.