ESTUDIO COMPARATIVO DE LOS DISTINTOS MÉTODOS DE

CÁLCULO DE PENDIENTES DERIVADOS DE MODELOS DIGITALES

DEL TERRENO

CASTILLEJO GONZÁLEZ, Isabel Luisa (1); FERNÁNDEZ LÓPEZ, Pedro (1);

GARCÍA-FERRER PORRAS, Alfonso (1); SÁNCHEZ DE LA ORDEN, Manuel (1)
(1)
Universidad de Córdoba, España
ETSIAM, Dpto. de Ingeniería Gráfica e Ingeniería y Sistemas de Información Cartográfica
e-mail: ilcasti@uco.es

RESUMEN

Actualmente, una de las principales preocupaciones que se observan en agricultura es obtener

producciones competitivas sin que se produzca degradación del medio. En España se observan muchas
zonas de cultivo con pendientes más o menos pronunciadas que imposibilitan poner en práctica una
agricultura compatible con el medio ambiente, al ser este factor el responsable de diversos efectos
negativos entre los que destaca la erosión, responsable de la pérdida de las capas más superficiales del
suelo y de la degradación de éste.

Por este motivo, las distintas administraciones han comenzado a tomar medidas de prevención como la
limitación de ciertas actividades agrarias cuando exista una pendiente suficientemente pronunciada para
producir desequilibrios medioambientales.

Aprovechando la difusión de MDE realizados por la Administración para la realización de

ortofotografía, se ha propuesto como objetivo de este trabajo evaluar algunos de los métodos más
utilizados para la obtención de modelos de pendientes, comprobando así el algoritmo que mejor se ajusta
a la realidad. Para ello se han elegido zonas con diferente cobertura de suelo y se ha utilizado diferente
información de partida (MDE), permitiendo no sólo la evaluación de los distintos algoritmos de cálculo
empleados, sino la respuesta de éstos bajo diferentes circunstancias.

Palabras clave: Modelo Digital de Elevaciones (MDE), algoritmos cálculo pendientes

ABSTRACT

Nowadays, one of the main problems of the agriculture is to obtain great crop production without a
degradation of soil properties. In Spain there are a lot of plots where it is very difficult to have a
suitable agriculture because they present high slopes that cause a decrease of soil fertility and erosion.

The aim of this study is to evaluate some of the most common slope algorithms, checking which of
them presents the most similar values to the real ones. To value this, we have chosen 3 zones with
different vegetation coverage and we have used different elevation models. Because of this, we
evaluate the way the algorithms work and the values they obtain in different circumstances.

Key words: Digital Elevation Model (DEM), slope algorithms

1.- Introducción

Las características actuales del mercado han dado lugar a una agricultura muy competitiva en la que se
prima las alta producción sin tener en cuenta, en muchos casos, la degradación que sufre el medio para
conseguirla. Por este motivo, cada vez es más frecuente que las distintas administraciones fomenten
un cambio en los sistemas de cultivo más agresivos con el medio, fomentando otras técnicas más
favorables o, incluso, incentivando la forestación de las tierras agrícolas que presentan mayores
riesgos de desequilibrio medioambiental.

Debido a la orografía peninsular, uno de los desequilibrios medioambientales más importantes que
presenta nuestra agricultura, y que se está intentando atajar por parte de las administraciones, se debe a
la implantación de cultivos en zonas donde la pendientes es más o menos pronunciadas y ese tipo de
explotación del suelo no está indicado. Esta situación de desequilibrio da lugar a problemas de erosión
del suelo que repercuten en graves alteraciones en la estructura, composición y biodiversidad de éste
como consecuencia de la disminución de la fertilidad y la acumulación de sedimentos en las zonas
bajas debido a la pérdida de las capas más superficiales de éste.

Por todo ello, se ha planteado como objeto de este trabajo evaluar algunos de los métodos más
utilizados para la obtención de modelos de pendientes, intentando identificar el modelo que mejor se
ajusta a la realidad. Para ello se han elegido zonas con diferente cobertura de suelo y se ha utilizado
diferente información de partida (MDE), permitiendo no sólo la evaluación de los distintos algoritmos de
cálculo empleados, sino la respuesta de éstos bajo diferentes circunstancias.

La necesidad de realizar esta evaluación de métodos de obtención de pendientes se debe a que el

cálculo de ésta se puede realizar a partir de distintos algoritmos de cálculo y partiendo de información
planimétrica muy diferente, lo que puede dar lugar a unos valores más o menos aproximados a lo
reales que presente el terreno. Sin embargo, si a la hora de aplicar con un determinado fin un sistema
de cálculo de pendiente no se ajusta a la realidad, éste puede perturbar el resultado final, no
consiguiendo en todos los casos el efecto deseado.

2.- Algoritmos de pendientes

La pendiente es una variable difícil de cuantificar debido a su complejidad de concepto. La definición

más generalizada define la pendiente en un punto como el ángulo que forma la normal a la superficie
en dicho punto con el eje vertical Z (Fig.1) [1].

Figura1: Pendiente en un punto

Según la estructura que presenten los datos espaciales, (planimetría y altimetría), el cálculo de
pendientes se hará de una forma y otra. En el caso de que los datos se presenten en un modelo
vectorial de redes de triángulos irregulares (TIN), la pendiente se calcula como el máximo índice de
cambio en la elevación del triángulo. Sin embargo, en el caso de una estructura espacial matricial o
raster, la pendiente se calcula como el cambio en la elevación para cada celda en función de las celdas
vecinas.
En nuestro caso, al igual que ocurre en la mayor parte de los estudios de pendiente, se ha realizado el
cálculo a partir de Modelos Digitales de Elevaciones raster compuestos por mallas de puntos
regulares. Por ese motivo, a continuación se va a realizar una breve revisión de los algoritmos más
destacados para este tipo de estructuras de datos.

Existen diversos algoritmos de cálculo de pendiente para modelos matriciales en función del peso e
intervención de las celdas vecinas a la celda de cálculo. La mayor parte de ellos se basan en máscaras
de 3x3 en la que, según el tipo de algoritmo, se comparan las diferencias de altura de la celda central
con sus cuatro u ocho vecinos más próximos (Fig. 2) [2].

Zn cota de la celda situada al norte. Zne cota de la celda situada al noreste.

znw zn zne
Zs cota de la celda situada al sur. Zse cota de la celda situada al sureste.

zw z ze Ze cota de la celda situada al este. Zsw cota de la celda situada al suroeste.

Zw cota de la celda situada al oeste. Z cota de la celda central.

zsw zs zse
Znw cota de la celda situada al noroeste.

Figura 2: Matriz 3x3.

2.-1 Dos vecinos

Batson & otros (1975): calcula la componente de la pendiente en la dirección de uno de los vecinos
más cercanos, normalmente al este o al oeste, asignando el valor de la pendiente a un punto situado a
una distancia media entre el punto y el vecino.

2.-2 Tres vecinos

O'Neill & Marck (1987): utiliza el punto central y sus vecinos del norte y del este (Z, Zn, y Ze) para
calcular la pendiente y orientación sobre una faceta triangular y no sobre el punto en que la pendiente
cambia, asignando los valores del triángulo al punto del centro, asumiendo que cubre una cuadrícula
rectangular.

Onorati y otros, (1992): cálculo de Sub-pixeles. Este método calcula la pendiente que tienen los
cuatro triángulos formados por los puntos centrales de las celdas situadas de la siguiente forma: (Z,
Zn, Zw), (Z, Zn, Ze), (Z, Zs, Zw), y (Z, Zs, Ze).

2.-3 Cuatro vecinos

Zevenbergen y Thorne (1987); Ritter (1987); Band (1989); Eyton (1991); Carter (1992): Llamado
el método de Evans-Young. Obtiene una aproximación a las componentes del vector normal que
define la pendiente a partir de las diferencias de las celdas este y oeste para la componente en X y
norte y sur para la componente en Y y calcula la pendiente y la orientación en dichos ejes. El valor es
asignado al punto central, aunque su elevación no se utilice en el cálculo.

Ritters Diagonal propuesto por Jones (1998): este método se basa en los 4 vecinos situados en
dirección diagonal. Obtiene un dx del Znw-Zse, y un dy del Zne-Zsw, y calcula la pendiente y la
orientación de ellos. Esto promedia las pendientes sobre una mayor distancia, ya que las diagonales
son más largas que las distancias a los vecinos más cercanos. El valor es asignado al punto central,
aunque su elevación no se utilice en el cálculo.
 2.-3 Ocho vecinos

Horn method (Horn, 1981), también conocido como operador de Sobel. Este método es una mezcla
de los dos anteriores de cuatro vecinos ya que utiliza para el cálculo el valor de los vecinos cercanos y
los vecinos diagonales teniendo, los vecinos más cercanos mayor peso que los vecinos diagonales. El
valor es asignado al punto central, aunque su elevación no se utilice en el cálculo.

Sharpnack & Akin (Sharpnack y Akin, 1969) también llamado “mean method”. Basa el cálculo en
el valor de los vecinos cercanos y los vecinos diagonales, considerando que todos los vecinos tienen la
misma importancia, a diferencia del método anterior, donde los vecinos más cercanos tienen mayor
peso que los diagonales. El valor es asignado al punto central, aunque su elevación no se utilice en el
cálculo.

2.-4 Nueve vecinos

Steepest Adjacent Neighbor (Collins, 1975; Travis et al. 1975, Dep. of Agricultura Forest Service
Technical Report citado en Jones 1998; software de ELAS citado en Ritter, 1987): Calcula la
pendiente en las ocho direcciones posibles, partiendo de que la distancia diagonal es la más larga y
que los espaciamientos X e Y son diferentes. Una vez calculada las ocho pendientes escoge como
pendiente final la mayor de las ocho. Por ello, este método por lo que muestra los resultados más
elevados de todos los métodos descritos, sobreestimando las pendientes en la mayoría de los casos. El
valor es asignado al punto central.

Average neighbor: este método, tras calcular las pendientes en las ocho direcciones posibles, hace un
promedio de las pendientes obtenidas para cada dirección. Su estimación está cerca de 50% del
método anterior. El valor es asignado al punto central.

3.- Descripción de los algoritmos de pendientes utilizados.

Tras evaluar los algoritmos que se emplean para la obtención de pendientes en diferentes programas
comerciales, el estudio se ha centrado en tres de los anteriormente expuestos al ser los más utilizados
generalmente: Zevenbergen y Thorne, Horn y Sharpnack & Akin.

3.-1 Zevenbergen y Thorne

Como se ha comentado anteriormente, este método calcula la pendiente a partir de los valores de
elevación de los cuatro vecinos más próximos a la celda estudiada: arriba(Zn), abajo (Zs), izquierda
(Zw) y derecha (Ze), asignando el valor obtenido al punto central (Z), cuyo valor no se utiliza en el
cálculo [3].

A continuación se expone dicho algoritmo de cálculo de pendientes [4].

Ze − Z w
Sx =
2c x
S = S x2 + S y2 Pte(%) = S × 100
Zn − Z s
Sy =
2c y
Donde Z son las cotas de las celdas vecinas (Fig.2), S es la pendiente al ángulo que muestra el máximo
descenso y c la resolución de la celda.
 3.-2 Método de Horn

Este algoritmo calcula la pendiente teniendo en cuenta los valores de elevación de los ocho vecinos
más próximos a la celda estudiada, pero teniendo mayor peso los vecinos más cercanos que los
diagonales. El valor obtenido se asigna al punto central (Z), cuyo valor no se utiliza en el cálculo [5].

A continuación se expone dicho algoritmo de cálculo de pendientes [6].

( Z nw + 2Z w + Z sw ) − ( Z ne + 2 Z e + Z se )
Sx =
8c x
S = S x2 + S y2 Pte(%) = S × 100
(Z nw + 2Z n + Z ne ) − ( Z sw + 2 Z s + Z se )
Sy =
8c y

Donde Z son las cotas de las celdas vecinas (Fig.2), S es la pendiente al ángulo que muestra el máximo
descenso y c la resolución de la celda.

3.-3 Sharpnack & Akin

Este algoritmo también calcula el valor de la pendiente teniendo en cuenta los ochos vecinos más
próximos a la celda estudiada pero, a diferencia del método anterior, considera que todos ellos tienen
la misma importancia. El valor obtenido se asigna al punto central (Z), cuyo valor no se utiliza en el
cálculo [7].

A continuación se expone dicho algoritmo de cálculo de pendientes [8].

( Z nw + Z w + Z sw ) − ( Z ne + 2 Z e + Z se )
Sx = cx
3
S = S x2 + S y2
(Z nw + 2Z n + Z ne ) − ( Z sw + 2 Z s + Z se )
Sy = cy
3

Pte(%) = S × 100 si S ≤ 1

100
Pte(%) = 200 − si S > 1
S
Donde Z son las cotas de las celdas vecinas (Fig.2), S es la pendiente al ángulo que muestra el máximo
descenso y c la resolución de la celda.
4.- Metodología

La metodología llevada a cabo para la realización de este estudio se ha basado en 5 fases:

1.- Estudio de los algoritmos de cálculo de pendiente existentes y elección de los algoritmos más
utilizados por diferentes programas informáticos.

Tras recopilar información sobre los algoritmos de cálculo que existen actualmente, se plantea utilizar
para el cálculo aquellos que realmente son utilizados por los usuarios. Para ello se evalúan los
programas informáticos más utilizados en el mercado y se observa que la mayoría de ellos basan la
obtención de pendientes en tres algoritmos principalmente, que son los que se emplearán para este
estudio: Zevenbergen y Thorne, Horn y Sharpnack & Akin.

2.- Recopilación de información.

Para el cálculo de pendientes con los tres algoritmos de cálculo anteriormente citados se han utilizado
dos modelos del terreno:

- Modelo Digital de Elevaciones (MDE) de 20x20 metros de resolución planimétrica. Generado por la
Consejería de Medio Ambiente de la Junta de Andalucía a partir de un vuelo color a escala 1:60.000.

-Modelo Digital de Elevaciones (MDE) de 10x10 metros de resolución planimétrica. Generado por la
Consejería de Medio Ambiente de la Junta de Andalucía a partir de un vuelo b/n a escala 1:20.000.

3.- Obtención de las pendientes a partir de diferentes algoritmos.

El cálculo de las pendientes de los dos modelos del terreno anteriormente descritos se ha realizado con
tres programas informáticos de alta difusión dentro del sector del tratamiento de información espacial:

- IDRISI (Dpto. de Geografía. Universidad de Clark, EE.UU.): cálculo de la pendiente mediante el

algoritmo de Zevenbergen y Thorne.

- ArcGIS (Enviromental System Research Institute (ESRI)): cálculo de la pendiente mediante el

método de Horn.

- ERDAS Imagine (Earth Resources Data System (ERDAS): cálculo de la pendiente mediante el
algoritmo de Sharpnack & Akin.

4.- Obtención de datos de pendiente en campo.

El objetivo principal de este estudio es evaluar el algoritmo de pendiente que obtiene los resultados
más cercanos a la realidad. Por tanto, para poder evaluar si los valores obtenidos son o no aceptables,
se debe comparar con valores reales obtenidos en las zonas estudiadas.

A la hora de realizar el estudio, se han elegido tres zonas con diferente cobertura de suelo: cultivos
herbáceos, olivar y monte (Fig.3). El motivo de la elección de estas zonas es el poder hacer una
comparación de los resultados obtenidos en cada una de ellas y deducir si la información de partida
(MDE) puede propiciar una desviación en los datos obtenidos independientemente del algoritmo de
cálculo. El problema que puede ocurrir se debe a que en zonas de abundante cobertura, como puede
ser el caso del monte denso, es necesaria una corrección posterior a la autocorrelación digital que, si
no se realiza correctamente, origina Modelos Digitales de Elevaciones menos precisos.
 Figura 3: coberturas del suelo estudiadas.
Una vez definidas las zonas sobre una ortofotografía, se ha ido al campo y con la ayuda del GPS se
han definido 35 puntos al azar para cada zona de estudio en los que se ha medido el desnivel existente
con una estación total en 10 y 20 metros de distancia en proyección, en la dirección de la máxima
pendiente, para posteriormente obtener la pendiente a partir de dicho desnivel (Fig. 4). Este diseño se
ha hecho con objeto de hacer el cálculo lo más parecido a la operabilidad de los algoritmos usados con
los modelos de 10 y 20 metros de celda.

Figura 4: Esquema de trabajo en campo.

Las pendientes en campo se han medido en zonas de ladera uniforme donde apenas existe variación de
la pendiente, por lo que se llevado a simplificar los valores, tomando como valor final de la pendiente
la semisuma de las pendientes en cada punto de muestreo.

5.- Análisis y comparación de los datos de pendientes obtenidos en el estudio.

Para el estudio de las pendientes se ha realizado un estudio estadístico de las pendientes obtenidas con
cada método y se ha calculado el error existente entre las pendientes reales (pendientes obtenidas en
campo) y las pendientes obtenidas con los distintos algoritmos de cálculo con los MDE de 10 y 20 m
de resolución.

5.- Estudio estadístico de las pendientes obtenidas con cada método.

El estudio estadístico que se expone a continuación muestra información sobre la distribución de las
pendientes y el comportamiento de los distintos programas y métodos usados para el cálculo. En el
estudio se ha realizado una valoración de los datos de pendientes obtenidos con cada algoritmo de
cálculo tanto con el MDE de 10x10 m de resolución como con el de 20x20 m, elaborando una tabla
como resumen estadístico de las pendientes obtenidas para cada una de las zonas estudiadas y otra de
forma general para todas las zonas a la vez (Tablas 1-4). Para una mayor comprensión de los
resultados, también se muestran las rectas de regresión de los datos estadísticos obtenidos (Fig. 5-7).
 Tabla 1: Pendientes generales (%).

ARCGIS 20 ERDAS 20 IDRISI 20 ARCGIS 10 ERDAS 10 IDRISI 10 CAMPO

1 1 3 3 2 5 2 MIN

32 31 36 38 37 41 40 MAX

12 11 12 15 14 15 15 MEDIA

5,43 5,63 5,77 7,78 7,74 8,09 8,01 DESV ESTAND

Tabla 2: Pendientes en la zona de cultivos herbáceos (%).

ARCGIS 20 ERDAS 20 IDRISI 20 ARCGIS 10 ERDAS 10 IDRISI 10 CAMPO

1 1 3 3 2 5 2 MIN

20 29 22 17 17 21 20 MAX

9 8 9 9 9 9 9 MEDIA

3,50 4,67 3,47 3,41 3,44 3,69 3,80 DESV ESTAND

Tabla 3: Pendientes en la zona de olivar (%).

ARCGIS 20 ERDAS 20 IDRISI 20 ARCGIS 10 ERDAS 10 IDRISI 10 CAMPO

6 4 5 3 2 5 4 MIN

19 19 19 21 20 21 20 MAX

11 10 11 12 11 12 12 MEDIA

2,96 3,18 3,07 3,94 3,99 4,25 3,64 DESV ESTAND

Tabla 4: Pendientes en la zona de monte (%).

ARCGIS 20 ERDAS 20 IDRISI 20 ARCGIS 10 ERDAS 10 IDRISI 10 CAMPO

8 6 8 10 9 11 9 MIN

32 31 36 38 37 41 40 MAX

17 15 17 24 23 24 23 MEDIA

5,84 6,09 6,58 6,25 6,25 6,38 6,94 DESV ESTAND

Figura 5: Rectas de regresión programa ArcGIS con MDE de 20 m y 10 m.

Figura 6: Rectas de regresión programa Erdas con MDE de 20 m y 10 m.

Figura 7: Rectas de regresión programa Idrisi con MDE de 20 m y 10 m.

Estas rectas de regresión muestran claramente el grado de dispersión de los datos y, por tanto, la
variación de las pendientes obtenidas con los distintos algoritmos de cálculo tanto con el MDE de
10x10 m de resolución como con el de 20x20 m.

En la figura que se muestra a continuación (Fig. 8) se observa una comparativa de la inclinación que
toman las rectas de regresión en cada caso estudiado y de forma general para todos los puntos de
muestreo.

Figura 8: Comparativa de rectas de regresión de todos los casos estudiados.

Tras observar como se comportan cada uno de los algoritmos de cálculo de pendiente, se ha procedido
a calcular el error existente entre las pendientes reales (pendientes obtenidas en campo) y las
calculadas con los diferentes algoritmos de cálculo con los MDE de 10 y 20 m de resolución.

Para la determinación de errores se ha definido como error el valor real de la pendiente tomada en
campo menos el valor de la pendiente calculada con los diferentes algoritmos de cálculo, todos
expresados en %.

A continuación se exponen la tabla con los errores en cada zona de estudio y sus variables estadísticas.

Tabla 5: Errores generales (%).

ERROR ERROR ERROR ERROR ERROR ERROR

ARCGIS 20 ERDAS 20 IDRISI 20 ARCGIS 10 ERDAS 10 IDRISI 10

0,00 0,01 0,05 0,03 0,01 0,00 MIN

21,08 23,62 22,62 11,05 9,95 9,55 MAX

4,06 4,77 4,57 1,87 1,91 2,40 MEDIA

4,34 4,98 4,58 1,79 1,78 2,06 DESV ESTAND

 Tabla 6: Errores en la zona de cultivos herbáceos (%).

ERROR ERROR ERROR ERROR ERROR ERROR

ARCGIS 20 ERDAS 20 IDRISI 20 ARCGIS 10 ERDAS 10 IDRISI 10

0,00 0,01 0,07 0,07 0,01 0,14 MIN

10,13 12,23 10,03 5,82 4,82 7,80 MAX

2,14 2,53 2,55 1,59 1,58 1,75 MEDIA

2,24 2,93 2,55 1,39 1,21 1,54 DESV ESTAND

Tabla 7: Errores en la zona de olivar (%).

ERROR ERROR ERROR ERROR ERROR ERROR

ARCGIS 20 ERDAS 20 IDRISI 20 ARCGIS 10 ERDAS 10 IDRISI 10

0,14 0,18 0,37 0,03 0,05 0,00 MIN

10,55 12,55 12,55 8,78 9,58 8,58 MAX

2,45 3,02 2,93 1,71 1,80 2,42 MEDIA

2,12 2,53 2,23 1,68 1,88 2,08 DESV ESTAND

Tabla 8: Errores en la zona de monte (%).

ERROR ERROR ERROR ERROR ERROR ERROR

ARCGIS 20 ERDAS 20 IDRISI 20 ARCGIS 10 ERDAS 10 IDRISI 10

0,29 0,06 0,05 0,08 0,11 0,23 MIN

21,08 23,62 22,62 11,05 9,95 9,55 MAX

7,59 8,75 8,23 2,32 2,35 3,03 MEDIA

5,36 6,04 5,66 2,17 2,09 2,34 DESV ESTAND

6.- Comparación de los resultados obtenidos.

Una vez realizado el estudio estadístico, se ha procedido a comparar los resultados obtenidos. Para ello
se han analizado los valores de los diferentes algoritmos utilizados tanto con el MDE de 10 como de
20 m de resolución y se ha estudiado el comportamiento de dichos algoritmos ante distintos grados de
cobertura de vegetación.

6.-1 Comparación de los algoritmos de cálculo de pendiente.

Tras evaluar los datos obtenidos por los diferentes algoritmos de cálculo, se observa que las mayores
pendientes se obtienen al aplicar el algoritmo Zevenbergen y Thorne (programa Idrisi), que basa su
cálculo en los datos de altitud de los cuatro vecinos más cercanos al punto de estudio.
Al analizar los algoritmos a partir de los datos observados en las rectas de regresión también se
observa que la dispersión de los puntos es mayor en los datos obtenidos con el algoritmo Zevenbergen
y Thorne que con los otros algoritmos utilizados, lo cual indica que tanto el método de Horn como el
algoritmo de Sharpnack & Akin ofrecen resultados más fiables.

Respecto a la información de partida, a la hora de calcular la pendiente se observa que las pendientes
obtenidas con el MDE de 10x10 m de resolución son mayores que las obtenidas con el MDE de 20x20
m, de lo que se puede deducir, comparándolas con la pendiente real, que con el MDE de 20x20 m se
subestimas las pendientes.

Finalmente, observando las rectas de regresión se aprecia que la nube de puntos en todos los
algoritmos calculados con el MDE de 20x20 m presentan una gran dispersión, mientras que los
aplicados con el MDE de 10x10 m presentan menor dispersión, encontrándose los puntos más
próximos a la recta, lo que indica menores variaciones de pendiente en este caso.

6.-2 Comparación de los errores obtenidos.

Por su parte, el estudio de los errores obtenidos muestra que los algoritmos que se basan en el cálculo
de los 8 vecinos, método de Horn y algoritmo de Sharpnack & Akin, ofrecen resultados más cercanos
a la realidad que el método basado en 4 vecinos, Zevenbergen y Thorne. Sin embargo, es importante
destacar que respecto a los dos métodos que basan el cálculo en los 8 vecinos más próximos, el
método de Horn ofrece mejores resultados tanto de forma general como para cada zona concreta
estudiada.

Al igual que ocurría cuando valoramos los distintos algoritmos de cálculo, la valoración de los errores
producidos en el cálculo a partir de los distintos MDE muestran que el modelo de 10x10 m ofrece
mejores resultados que el de 20x20 m, ya que se obtienen errores menores tanto de forma general
como para cada zona de estudio por separado.

Finalmente, al evaluar los errores en cada una de las zonas estudiadas se observa que la zona donde se
han obtenido valores mínimos de error ha sido la de cultivos herbáceos, seguida de la zona de olivar y
de la zona de monte, donde el error es mayor.

7.- Conclusiones.

La variación del factor pendiente calculado según distintos métodos puede afectar en muchos casos de
forma considerable, como puede ser el caso de aplicación de medidas agroambientales donde esta
variación puede afectar de forma importante a la hora de poder realizar algunas actividades agrarias y
forestales o a la hora de poder cobrar ayudas a los cultivos. Sin embargo, no sólo nos podemos centrar
en el tema de las medidas agroambientales de reciente implantación sino que debemos tener en cuenta
que un cálculo de pendientes que no se ajuste a la realidad puede afectar a muchos otros casos en los
que interviene el factor pendiente como la estimación de pérdidas del suelo, simulaciones de
comportamiento del fuego, erosión,…

Tras el estudio realizado y una vez analizados los datos se puede deducir las siguientes conclusiones:

La calidad de la información de partida a la hora de calcular la pendiente es determinante para obtener

buenos resultados. De los dos modelos utilizados en este estudio, el MDE de 10x10 m ofrece datos
muchos más fiables y cercanos a la realidad que el de 20x20 m.

En cuanto a la zona de estudio, y debido a las características de la información de partida, se observa

que los errores van siendo cada vez mayores conforme aumenta el nivel de cobertura de vegetación y
la irregularidad de ésta, obteniendo errores menores en la zona de cultivos herbáceos y errores
bastante elevados en la zona de monte denso. Esta variación se puede deber a dos motivos principales,
la rugosidad del terreno, de modo que a mayor rugosidad más difícil es calcular con exactitud la
pendiente real y la calidad en la obtención del MDE, ya que a la hora de la restitución para generarlo
es probable que mientras más vegetación exista, más puntos caigan encima de la cubierta vegetal y nos
dé una información errónea de las cota del terreno en esos puntos si no se ha corregido
convenientemente.

Finalmente, a la hora de valorar todos los algoritmos de cálculo aplicados en este estudio, se puede
indicar que el método más fiable es el de Horn, el cual basa el cálculo en la altura de los ocho vecinos
más próximos al punto estudiado.

Referencias
[1] GARCÍA-FERRER, A. Y SÁNCHEZ DE LA ORDEN, M. (2004).- Sistemas de Información Geográfica
en Ingeniería.

[2] JENNESS, J. (2004).- Calculating landscape surface area from digital elevation models. Wildlife
Society Bulletin 32(3):829-839.

[3] ZEVENBERGEN, L. W. AND C. R. THORNE (1987).-Quantitative Analysis of Land Surface

Topography, Earth Surface Processes and Landforms, Vol. 12, pp. 12.

[4] IDRISI 32 USING HELP.- Departamento de Geografía de la Universidad de Clark EE.UU.

[5] HICKEY, R., A. SMITH AND P. JANKOWSKI (1994).- Slope Length Calculations from a DEM within
Arc/Info GRID, Computing, Environment and Urban Systems, Vol. 18, No. 5, pp. 365-380.

[6] ESRI SUPPORT CENTER.-Technical Articles.

[7] SHARPNACK, D. A. AND AKIN, G. (1969).-An algorithm for computing slope and aspect from
elevations. Photogrammetric Engineering 35(3), 247-248.

[8] ERDAS IMAGINE HELP.- Earth Resources Data System (ERDAS).