|
||||
1. Introducción Actualmente, el estudio de la condición estructural de la infraestructura de transporte terrestre se basa en inspecciones visuales. así como en mediciones puntuales a través de instrumentos como inclinómetros, medidores de desplazamiento, extensómetros y acelerómetros. Por lo tanto, es complicado en términos económicos y prácticos tener un conocimiento preciso sobre el desempeño de la mayoría de las vías pertenecientes a la red federal carretera. Sin embargo, en la última década, las imágenes satelitales han sido aplicadas en el monitoreo de la salud estructural de diversas obras de ingeniería (Guzman-Acevedo et al., 2024). Esto se debe a que permiten analizar áreas de gran extensión en una sola toma y, en combinación con la percepción remota, es posible extraer características y comportamientos específicos de los elementos evaluados. Bajo esta consideración, los análisis que implementan imágenes satelitales pueden funcionar como una herramienta que complemente la evaluación de diferentes estructuras. Para analizar los cambios presentados en el terreno a través del tiempo es necesario considerar imágenes obtenidas por la técnica Radar de Apertura Sintética (SAR, por sus siglas en inglés) provenientes de la misión satelital Sentinel-1. Éstas son proporcionadas de manera gratuita por la Agencia Espacial Europea, las cuales tienen una resolución de 5 x 20 metros y cubren un área aproximada de 250 x 250 km (Agencia Espacial Europea, 2024). Las imágenes se capturan por un sistema activo montado en los satélites, que emite una señal electromagnética en el rango de las microondas, permitiendo realizar mediciones en cualquier momento del día y en condiciones donde hay presencia de nubes. A partir de por lo menos dos imágenes SAR originarias de la misma zona, pero adquiridas en diferente periodo (Figura 1), se pueden determinar los desplazamientos sufridos por el terreno. Esta metodología se denomina Interferometría de Radar de Apertura Sintética (InSAR, por sus siglas en inglés) (Ferreti et al., 2001) y actualmente contempla un enfoque multi-temporal, por lo que se pueden definir los desplazamientos ocurridos en una zona de interés a través de los años.
Figura 1. Desplazamiento detectado de un edificio con InSAR. Fuente: Kvarken Space Center (2024).
Adicionalmente, el método de procesamiento conocido como Subconjunto de Líneas Base Cortas (SBAS, por sus siglas en inglés) ayuda a incrementar la precisión de InSAR al reducir los errores causados por efectos atmosféricos, deficiencias en el modelo digital de elevación, la baja precisión en las órbitas, entre otros factores (Berardino et al., 2002). SBAS utiliza un conjunto de interferogramas diferenciales con líneas base limitadas en tiempo y espacio, lo que permite obtener información detallada de áreas donde la correlación puede perderse. Esto hace posible analizar con más detalle zonas rurales (Selvakumaran et al., 2018). La metodología SBAS InSAR propuesta por Berardino et al. (2002) se ha usado para el estudio de subsidencia (Hu et al., 2014), monitoreo de deformaciones tras sismos (Wang & Fialko, 2018), observación de la actividad volcánica (Manconi & Casu, 2012) y monitoreo estructural de puentes (Selvakumaran et al., 2018), aeropuertos (Shi et al. 2023) y carreteras (Zhao et al.,2024). En cuanto al estudio de taludes, algunos trabajos relevantes incluyen el de Yao et al. (2022), quienes usaron la metodología de Dispersadores Persistentes (PS, por sus siglas en inglés) y SBAS InSAR para identificar deslizamientos de laderas y validar los resultados, reduciendo el número de falsos positivos en la detección de riesgos. Este estudio se llevó a cabo en Gongjue, China, con 119 imágenes de la misión Sentinel-1 tomadas entre octubre 2017 y diciembre 2021, procesadas con los softwares GAMMA y SARscape para aplicar PS y SBAS InSAR, respectivamente. Los resultados de las series de tiempo se validaron previamente con información de campo adquirida a través de un vehículo aéreo no tripulado. Las metodologías InSAR lograron detectar 14 deslizamientos de laderas, con un comportamiento consistente en términos de tendencia y desplazamientos acumulados. Como observaciones importantes, se definió que PS InSAR tuvo poca información para determinar las deformaciones del terreno y la tendencia de las series de tiempo presentaron correlación respecto a la precipitación mensual. Otro ejemplo es el trabajo de Hu et al. (2021) que estudió la capacidad de identificar riesgos en los taludes de una carretera de 55 km en Longqing Lishui (China), a partir de InSAR. En el estudio se utilizaron 30 imágenes provenientes del satélite A de la misión Sentinel-1, que cubrían el periodo del 8 de agosto del 2020 al 5 de abril del 2021 (resolución espacial de 12 días). Los softwares utilizados durante el procesamiento fueron SNAP y StaMPS/MTI, inicialmente se generó el conjunto de interferogramas bajo el principio de líneas base cortas y posteriormente, se aplicó la metodología de PS InSAR. Las velocidades de los desplazamientos resultantes presentaron un rango desde -58.1 mm/año hasta 78.58 mm/año y un promedio de 5.69 mm/año. Utilizando InSAR y la validación en campo, se detectaron 6 zonas de riesgo potencial, por lo cual, se concluyó que InSAR puede ser una herramienta adecuada para el proceso de inspección en taludes carreteros. Wang et al. (2023) aplicaron InSAR para monitorear la estabilidad de una red carretera en China que abarca un área de 156,700 km2. Utilizaron 10 diferentes escenas con 58 imágenes, cada imagen fue tomada por la misión Sentinel-1 entre marzo del 2017 a diciembre del 2021. Los desplazamientos resultantes tuvieron un rango de -33 a 22 mm/año, donde el 93.47 % se encuentra dentro de ±1 cm/año y 0.04% supera ±2 cm/año. Para validar los resultados obtenidos mediante InSAR se emplearon 65 estaciones GNSS, obteniendo un error medio cuadrático de 2.9 mm/año. Adicionalmente, a partir de la metodología de regresión lineal logística binaria, se definieron los factores que más afectan al ocurrir un desastre en la red de carreteras que, en este caso, fueron elevación, gradiente, precipitación, dureza del lecho rocoso, distribución de la corriente, distribución de las fallas, tráfico y las deformaciones obtenidas por InSAR. De acuerdo con los resultados, la elevación, la pendiente y la distancia a las fallas no contribuyen de manera notoria a los peligros geológicos, como lo hacen el resto de los factores mencionados. Otro estudio representativo para el caso de taludes fue el de Akbarimehr et al. (2013) donde aplicaron SBAS InSAR y mediciones con receptores GNSS para evaluar la estabilidad de taludes en Irán. Para el procesamiento se utilizaron 16 imágenes de la misión Envisat, las cuales cubrían el periodo 2004-2006. Se generaron 34 interferogramas con una línea base máxima de 494 m y 311 días, mientras que, el procesamiento fue desarrollado mediante el software StaMPS. Los resultados identificaron una velocidad promedio de los desplazamientos de 1.2 mm/año y una desviación estándar de 4 mm/año. La principal limitación encontrada en la metodología fue que la vegetación del terreno montañoso afecta el procesamiento de las imágenes, debido a la longitud de onda empleada (banda C). Por último, Zhang et al. (2021) evaluaron las capacidades de la metodología denominada como stacking-InSAR respecto a SBAS InSAR en el monitoreo de taludes. El material empleado fue de 40 imágenes de Sentinel-1 con la línea base de 60 días y 200 m, donde se aplicó el software GAMMA y SARscape para el procesamiento stacking-InSAR y SBAS, respectivamente. De acuerdo con los resultados de stacking-InSAR se identificaron 72 casos de peligro potencial, mientras que SBAS determinó un total de 77, de los cuales 67 fueron definidos por ambas metodologías. En el presente trabajo de investigación se tiene como objetivo principal analizar el potencial de SBAS InSAR para monitorear los taludes que pertenecen a un eje carretero. Esto considerando el estado del arte mencionado y un ejercicio práctico en el talud aledaño al puente Mezcala. Esta estructura se ubica en el estado de Guerrero sobre la autopista del Sol, tiene una longitud total de 911 m, un claro principal de 311 m, 140 tirantes y ha estado en operación 31 años (Anaya-Diaz et al., 2022). De acuerdo con El Sur Periódico de Guerrero (2018), una grieta se generó por el escurrimiento del agua durante la temporada de lluvia del año 2017, dicho daño se localizaba al costado del puente (Figura 2). La grieta se caracterizó por tener un ancho de 2 m con 3 m de profundidad, 20 metros de largo y una cercanía de 3 m a la primera pila del puente. En las Figuras 3, 4 y 5 se presentan los cambios que ha sufrido el talud al lado del puente Mezcala con imágenes satelitales de los años 2017, 2019 y 2023, respectivamente. La Figura 3 correspondiente al año 2017 muestra la grieta mencionada; en la Figura 4, del año 2019, se observa una carpeta de concreto que cubre la grieta, mientras que en la Figura 5, del año 2023, no se observa ningún cambio en la carpeta.
Figura 2. Grieta producida al costado del puente Mezcala Fuente: El Sur Periódico de Guerrero (2018).
Figura 3. Imagen del talud al lado del puente Mezcala (año 2017) Fuente: Google Earth (2024).
Figura 4. Imagen del talud al lado del puente Mezcala (año 2019) Fuente: Google Earth (2024).
Figura 5. Imagen del talud al lado del puente Mezcala (año 2023) Fuente: Google Earth (2024).
2. Metodología Recursos tecnológicos Para realizar el análisis se consideraron 59 imágenes de la misión Sentinel-1 provenientes del satélite-A, adquiridas en órbita ascendente correspondiente a la ruta 78, modo de haz IW, polarización VV, cubriendo un periodo desde el 1 de enero del 2022 hasta el 1 de enero del 2024. Es importante mencionar que, de cada imagen empleada, se utilizó el burst que cubría la zona del puente Mezcala (Figura 6). Por otro lado, en el caso del software se implementó Mintpy (The Miami INsar Time-series software in Python), el cual es distribuido gratuitamente (Mintpy, 2024).
Figura 6. Área cubierta por el burst de la imagen SAR Fuente: Google Earth (2024).
Interferogramas A partir de los 59 elementos burst seleccionados, se generó un conjunto de interferogramas con un total de 111 elementos. La Figura 7 presenta la red de los interferogramas donde el eje vertical indica la distancia perpendicular del satélite durante la adquisición, el eje horizontal el periodo de muestreo de cada imagen, así como los colores representan el valor promedio de coherencia espacial.
Figura 7. Red de interferogramas Fuente: Propia. Los límites de distancia y tiempo para crear los interferogramas fueron 300 m y 24 días, respectivamente. Se contempló una máscara de agua debido a que por la zona de interés pasa un río, además se aplicó un filtro de 10x2 looks. La explicación detallada para generar un interferograma se encuentra en la Publicación Técnica No. 593 del Instituto Mexicano del Transporte, titulada “Análisis del potencial de tecnología satelital InSAR para el monitoreo de la infraestructura carretera”. Principio SBAS El principio de Subconjunto de Líneas Base Cortas consiste en los siguientes pasos (Meyer, 2023a): (a) Determinar un conjunto de interferogramas desenvueltos considerando que la línea base perpendicular y temporal están limitadas a un cierto rango, con el objetivo de reducir la pérdida de coherencia entre las imágenes. (b) Se genera una inversión de la fase para estimar un ajuste de los valores de fase históricos que representan la deformación. La deformación es consistente a través del tiempo, además de que existen mediciones redundantes y están conectadas en conjunto, por lo que se puede aplicar el método de mínimos cuadrados para encontrar la solución, de acuerdo con lo siguiente:
Donde A es la matriz de
diseño, la cual indica las fases que contribuyen a los interferogramas, (c) Debido a que todavía está presente el ruido atmosférico, el error residual de la topografía, así como el error en el desenvolvimiento de la fase, es necesario aplicar diferentes filtros. El error residual por la topografía está relacionado con la línea base perpendicular, el error atmosférico es suave en el espacio y aleatorio en el tiempo, por lo que se puede aplicar un filtro pasa altas en espacio o un filtro pasa bajas en tiempo. 3. Resultados Considerando que la zona de interés es el talud que presentó una grieta cercana al puente Mezcala, solamente se analizaron los desplazamientos resultantes de esa zona. En la Figura 8 se muestran los 4 pixeles que cubren el área del talud, mientras que en las Figuras 9, 10, 11 y 12 se presentan las series del tiempo de los pixeles 1, 2, 3 y 4, respectivamente. Las velocidades encontradas fueron 0.54 cm/año para el pixel 1, 0.07 cm/año en el pixel 2, -0.12 cm/año en el pixel 3 y 0.75 cm/año en el pixel 4. A partir de estas velocidades se calculó el desplazamiento acumulado para los dos años analizados, que resultó en el valor de 1.08 cm (punto 1), 0.14 cm (punto 2), -0.24 cm (punto 3) y 1.5 cm (punto 4). El pixel con el máximo desplazamiento fue el 4, mientras que el mínimo valor ocurrió en la zona del pixel 3. En promedio, los 4 pixeles presentaron una velocidad de 0.31 cm/año y 0.62 cm de desplazamiento acumulado.
Figura 8. Pixeles de interés al costado del puente Mezcala Solidaridad Fuente: Propia.
Figura 9. Series del tiempo del pixel número 1 Fuente: Propia.
Figura 10. Series del tiempo del pixel número 2 Fuente: Propia.
Figura 11. Series del tiempo del pixel número 3 Fuente: Propia.
Figura 12. Series del tiempo del pixel número 4 Fuente: Propia.
4. Conclusiones De este análisis sobre las capacidades de SBAS InSAR se obtuvieron las siguientes conclusiones:
Referencias Agencia Espacial Europea [ESA]. (2023). Sentinel-1. [Consulta en línea]. https://sentinel.esa.int/web/sentinel/missions/sentinel-1/overview Akbarimehr, M., Motagh, M. & Haghshenas-Haghighi, M. (2013). Slope stability assessment of the Sarcheshmeh landslide, Northeast Iran, investigated using InSAR and GPS observations. Remote Sensing, 5(8), 3681-3700. https://doi.org/10.3390/rs5083681 Alaska Satellite Facility [ASF]. (2022). SBAS Search Type. [Consulta en línea]. https://docs.asf.alaska.edu/vertex/sbas/. Anaya, M., Carrión, F., Quintana, J., Martínez, L. & Machorro, J. (2022). Structural health monitoring and modal parameters identification of Mezcala Bridge. Journal of Civil Engineering and Environmental Sciences, 8(2), 062-67. https://dx.doi.org/10.17352/2455-488X.000052 Berardino, P., Fornaro, G., Lanari, R. & Sansosti, E. (2002). A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms. IEEE Transactions on geoscience and remote sensing, 40(11), 2375-2383. 10.1109/TGRS.2002.803792 Ferretti, A., Prati, C. & Rocca, F. (2001). Permanent scatterers in SAR interferometry. IEEE Transactions on geoscience and remote sensing, 39(1), 8-20. 10.1109/36.898661 Flores, A., Herndon, K., Thapa, R. & Cherrington, E. (2019). The SAR Handbook: Comprehensive Methodologies for Forest Monitoring and Biomass Estimation. Global Science. Estados Unidos: National Space Science and Technology Center. Guzman-Acevedo, G. M., Vazquez-Becerra, G. E., Quintana-Rodriguez, J. A., Gaxiola-Camacho, J. R., Anaya-Diaz, M., Mediano-Martinez, J. C., & Viramontes, F. J. C. (2024, May). Structural health monitoring and risk assessment of bridges integrating InSAR and a calibrated FE model. In Structures (Vol. 63, p. 106353). Elsevier. https://doi.org/10.1016/j.istruc.2024.106353 Hu, B., Wang, H. S., Sun, Y. L., Hou, J. G. & Liang, J. (2014). Long-term land subsidence monitoring of Beijing (China) using the small baseline subset (SBAS) technique. Remote Sensing, 6(5), 3648-3661. https://doi.org/10.3390/rs6053648 Hu, Z., Xiao, D., Zhan, W., Yu, Y., Yu, Y., Yan, X. & Pan, C. (2021). Feasibility of Artificial Slope Hazards Identification in Regional Mountainous Highway Using SBAS-InSAR Technique: A Case Study in Lishui, Zhejiang. Applied Sciences, 11(19), 8962. https://doi.org/10.3390/app11198962 Instituto Nacional de Ecología y Cambio Climático [INECC]. (2024). Variables de vulnerabilidad, riesgo y peligros. [Consulta en línea]. https://cambioclimatico.gob.mx/estadosymunicipios/Vulnerabilidad/V_12.html#:~:text=Climatolog%C3%ADa%20estatal,es%20septiembre%20(229.4%20mm). Manconi, A. & Casu, F. (2012). Joint analysis of displacement time series retrieved from SAR phase and amplitude: Impact on the estimation of volcanic source parameters. Geophysical research letters, 39(14). https://doi.org/10.1029/2012GL052202 Meyer, F. (2018). Sentinel-1 InSAR processing using the Sentinel-1 Toolbox. Alaska Satellite Facility. [Consulta en línea]. https://asf.alaska.edu/wp/content/uploads/2019/05/generate_insar_with_s1tbx_v5.4.pdf Meyer, F. (2023a). Lecture The SBAS (Short BAseline Subset) Approach to InSAR Time Series Analysis. University of Alaska Fairbanks. [Consulta en línea]. radar.community.uaf.edu Meyer, F. (2023b). Lecture Properties and propagation of electromagnetic waves. University of Alaska Fairbanks. [Consulta en línea]. Module I: The Basics | (uaf.edu) Mintpy. (2024). insarlab/MintPy. [Consulta en línea]. https://github.com/insarlab/MintPy. Selvakumaran, S., Plank, S., Geiß, C., Rossi, C. & Middleton, C. (2018). Remote monitoring to predict bridge scour failure using Interferometric Synthetic Aperture Radar (InSAR) stacking techniques. International journal of applied earth observation and geoinformation, 73, 463-470. https://doi.org/10.1016/j.jag.2018.07.004 Shi, X., Zhong, J., Yin, Y., Chen, Y., Zhou, H., Wang, M. & Dai, K. (2023). Integrating SBAS-InSAR and LSTM for subsidence monitoring and prediction at Hong Kong international airport. Ore and Energy Resource Geology, 15, 100032. https://doi.org/10.1016/j.oreoa.2023.100032 Veci, Luis. (2016). TOPS Interferometry Tutorial. [Consulta en línea]. http://step.esa.int. Wang, K. & Fialko, Y. (2018). Observations and modeling of coseismic and postseismic deformation due to the 2015 Mw 7.8 Gorkha (Nepal) earthquake. Journal of Geophysical Research: Solid Earth, 123(1), 761-779. https://doi.org/10.1002/2017JB014620 Wang, S., Zhang, G., Chen, Z., Xu, Z., Liu, Y. & Zhao, R. (2023). Evaluating expressway stability using interferometric synthetic aperture radar and measuring its impact on the occurrence of geohazards: a case study of Shanxi Province, China. GIScience & Remote Sensing, 60(1), 2161200. https://doi.org/10.1080/15481603.2022.2161200 Zhao, D., Yao, H. & Gu, X. (2024). Highway Deformation Monitoring by Multiple InSAR Technology. Sensors, 24(10), 2988. https://doi.org/10.3390/s24102988 GUZMÁN Germán Michel HERNÁNDEZ Jorge Alberto RODRÍGUEZ Violeta GASCA Héctor “Las opiniones expresadas en esta publicación son de los autores y no necesariamente reflejan los puntos de vista del Instituto Mexicano del Transporte”
|
es
el vector con la diferencia de la fase resultante de los interferogramas y 
es el vector con el
valor de la fase desconocida. En el caso de que la red de interferogramas este
dividida en dos conjuntos, la solución se encuentra mediante valor singular de
descomposición. 
