El índice de visibilidad, también conocido como vista total, ahora disponible en el plugin de análisis de visibilidad de QGIS. Esta métrica nos informa sobre el tamaño del campo visual para cualquier ubicación en un terreno determinado, normalmente cada píxel en un modelo digital de elevación cuadriculado (DEM). En principio, el índice de visibilidad se asemeja a otros índices del terreno, como la posición topográfica, la rugosidad del terreno, etc. Sin embargo, la estructura visual del paisaje es esencialmente una cuestión de percepción humana (o animal) y debe evaluarse dentro de un marco cognitivo/perceptivo específico. Más que como una calidad del terreno, me gusta pensar en el índice de visibilidad como un modelo de calidad de la escena visible.
El índice de visibilidad se calcula como la proporción de conexiones visuales positivas: 1,0 o 100% implica que un punto puede verse desde todos sus vecinos. De hecho, tenemos dos opciones a la hora de asignar estas vistas positivas. La primera es asignar el valor a las ubicaciones vistas, que pueden denominarse vistas entrantes. Esto equivale a una vista acumulativa (véase mi entrada anterior). La segunda opción es asignar las vistas positivas a las ubicaciones del observador, lo que registrará el tamaño de la superficie observada. Estas son, entonces, vistas salientes. El parámetro de dirección de la vista puede, por tanto, utilizarse para distinguir entre la exposición visual de las características del terreno y la cobertura visual desde cada ubicación del terreno.
Lo que ocurre con el índice de visibilidad es que requiere días y semanas de cálculo (véase, por ejemplo, Gillings 2015, que informa de 300 horas de pesado cálculo). Usando los algoritmos estándar de los SIG, ¡tienes suerte si sólo tardas una noche! La razón está en la complejidad de los cálculos de visibilidad. Supongamos que se tarda 1 segundo en producir un solo viewshed: para un MDE de 5 millones de píxeles (que no es nada grande) esto equivale a 1300 horas de cálculo.
Se trata de graves problemas algorítmicos que no son fáciles de resolver. He codificado una solución que a) elimina la redundancia de los cálculos y b) aprovecha al máximo la correlación espacial de los datos geográficos. Funciona como sigue.
Un viewshed típico se calcula proyectando las líneas de visión desde un punto de observación de forma que toquen todos los píxeles dentro del radio especificado. Este procedimiento puede dividirse en dos operaciones: 1) el trazado de líneas y 2) la evaluación de la altura de los píxeles. En el caso de que los puntos del observador ocupen el centro de los píxeles individuales, el conjunto de líneas radiantes puede ser (y debe ser) exactamente el mismo para cada punto. Si una determinada línea de visión que comienza en un píxel de la fila 10, columna 12 está terminando en un píxel de la fila 45, columna 46, entonces para el observador en (20, 22) una línea correspondiente terminará en el píxel (55, 56). Trasladamos las coordenadas por 10. Ahora, cuando todas las líneas visuales posibles describen las mismas traslaciones para todos los demás píxeles de una cuadrícula, podemos aplicar cada línea visual a todos los píxeles simultáneamente (en lugar de repetir el procedimiento para cada punto del observador). Hemos reducido a la mitad (al menos) la complejidad del cálculo.
La segunda optimización se basa en la correlación espacial de los elementos típicos del MDE. Piense en dos píxeles adyacentes en un MDE: lo más probable es que sus valores sean muy similares. Sólo en el caso de la arquitectura en pie o de los acantilados muy escarpados podemos esperar cambios bruscos. Por lo tanto, podemos muestrear con seguridad sólo una fracción de píxeles y seguir obteniendo un índice de visibilidad realista. Sin embargo, si estos píxeles muestreados corresponden a ubicaciones de observadores, nos quedaremos con importantes discrepancias entre los píxeles que se han analizado y los que se han dejado fuera. Esto es especialmente problemático para las ubicaciones de las crestas, donde la dirección de la vista y la cobertura varían significativamente. Un enfoque mejor es muestrear las líneas de visión para que todos los píxeles tengan la misma cobertura con, por ejemplo, 8 líneas de visión. Incluso con un número tan bajo se obtiene un resultado sorprendentemente preciso. A medida que aumentemos el número de estas líneas, el resultado convergerá lentamente a un modelo producido con el análisis de la vista de rango completo. He implementado muestras de 8 a 64 líneas, para satisfacer todos los niveles de precisión.
Bibliografía
M. Gillings 2015: Mapping invisibility: Enfoques SIG para el análisis de la ocultación y la reclusión. Journal of Archaeological Science 62.
T.Brughmans, M. van Garderen, M.Gillings 2018: Introduciendo configuraciones visuales de vecindad para vistas totales. Journal of Archaeological Science 96.
Traducido desde: landscapearchaeology
