Professional Documents
Culture Documents
Investigador:
MARIAM RIVAS DIAZGRANADOS
Investigador:
MARIAM RIVAS DIAZGRANADOS
Director:
Msc WILSON ERNESTO VARGAS VARGAS
Debo agradecer a todas las personas que estuvieron involucradas en esta etapa de mi vida
y que sin su colaboración no hubiese sido posible terminar con éxito este trabajo; en
especial a mis compañeros de estudio que fueron un apoyo incondicional durante el tiempo
que estuvimos en este proceso.
Debo dar gracias a mi familia, ya que con su apoyo, ayuda y paciencia fue posible terminar
este gran paso de mi vida.
Gracias a mi director de proyecto Ingeniero Wilson Ernesto Vargas Vargas por aceptar la
tutoría y creer en mí; gracias al profesor Hugo Alexander Rondón quien fue mi principal
apoyo para poder realizar este trabajo, ya que sin su asesoría jamás hubiese sido posible
culminar; y un agradecimiento a la Universidad Distrital Francisco José de Caldas por
haberme dado la oportunidad de estudiar y prepararme cada día más.
TABLA DE CONTENIDO
RESUMEN ....................................................................................................................... 16
ABSTRACT...................................................................................................................... 17
1. INTRODUCCIÓN ...................................................................................................... 18
1.2 JUSTIFICACIÓN................................................................................................ 21
UN PAVIMENTO ...................................................................................................... 24
2.2.1.2 Microtextura............................................................................................... 32
3. METODOLOGÍA .......................................................................................................... 42
4. RESULTADOS Y DISCUSIÓN..................................................................................... 62
4.1.4 Análisis de las Áreas Calculadas en las Imágenes Procesadas ..................... 101
ANEXOS………………………………………………………………………………………….134
SVM… …………………………………………………………………………………………..134
Ecuación 1 ....................................................................................................................... 25
Ecuación 2 ....................................................................................................................... 25
Ecuación 3 ....................................................................................................................... 27
Ecuación 4 ....................................................................................................................... 55
Ecuación5 ........................................................................................................................ 58
Ecuación 6 ....................................................................................................................... 59
RESUMEN Y ABSTRACT MARIAM RIVAS DIAZGRANADOS
RESUMEN
La identificación de estos factores siempre han sido evaluados por medio de ensayos de
laboratorio, los cuales algunos de ellos resultan ser costosos y requieren de mucho tiempo
para realizar las pruebas. Por tal motivo, este estudio muestra una comparación entre
imágenes tomadas con una cámara convencional marca Nikon COOLPIX S2900 y ensayos
de laboratorio como el péndulo TRRL Resistencia al deslizamiento mediante el péndulo
(INV E 792) y el Círculo de Arena (INV E-791), para analizar si por medio del procesamiento
de imágenes, se puede determinar la textura y rugosidad de un pavimento flexible.
El estudio está realizado en briquetas elaboradas por método Marshall para muestras tipo
MDC- 19, MDC- 25 y MDC- 10 realizadas para 75, 50 y 25 golpes, teniendo una totalidad
de 27 briquetas. Con el coeficiente de rozamiento y la profundidad de la textura obtenidos
en laboratorio, se realiza una comparación con las áreas calculadas mediante el
procesamiento de las imágenes tomadas a cada briqueta y a partir de análisis gráficos, se
obtiene un resultado final por cada briqueta.
16
RESUMEN Y ABSTRACT MARIAM RIVAS DIAZGRANADOS
ABSTRACT
The state of the rolling surface or bearing layers is one of the most important factors to
consider on the roads, because the finality of the way is give safety and comfort to the user;
because of that the road should remain the original design conditions during the operation
time and is important to evaluate with regularity the surface and texture of the layers that is
make it up.
The identification of this factors have always been evaluate through laboratory test, some of
those test at the end are expensive and require a lot of time to do the test. For this reason,
this study show a comparison between the images taken with a conventional camera Nikon
COOLPIX S2900 and the laboratory test like the TRRL pendulum slip resistance (INV E
792) and the sand circle (INV E-791) to know if by the images process, you can determinate
the texture and rugosity of a flexible flooring.
The study is made on briquettes made it by the Marshall method for types samples MDC-
19, MDC-25 and MDC-10 compacted with 75, 50 and 25 hits, with a total of 27 briquettes
with the coefficient of friction and the depth of the texture obtained in the laboratory, we
make a comparison with the calculated areas by the image process taken to each briquettes
and starting from graphic analysis, we get a final result for each briquette.
17
MARIAM RIVAS DIAZGRANADOS
1. INTRODUCCIÓN
Existen diferentes ensayos que permiten evaluar estas dos propiedades en los pavimentos,
los cuales varían tanto en tiempo de trabajo, tipo de medida y el costo del equipo; es por
esto que este estudio se centra en dos ensayos específicos para determinar la microtextura
llamado Resistencia al Deslizamiento Mediante el Péndulo TRRL (INV E- 792) y para la
18
MARIAM RIVAS DIAZGRANADOS
A partir de fotografías tomadas con una cámara Nikon S2900 a cada briqueta y mediante
el procesamiento digital de las imágenes, se calculan las áreas de los componentes en cada
una de ellas (espacios de vacíos, espacios con asfalto, espacios sin asfalto y contenido de
agregados pétreos) y se correlacionan con los valores obtenidos de la resistencia al
deslizamiento mediante el péndulo TRRL y el Circulo de Arena, con el fin de aplicar un
método más simple y económico a partir de una fotografía convencional con una cámara
común y que no se utilizaran equipos sofisticados que requieren de más tiempo y costo
para su ejecución.
19
MARIAM RIVAS DIAZGRANADOS
Este estudio muestra las correlaciones de los datos obtenidos en laboratorio con los
obtenidos mediante procesamiento digital de las imágenes, donde se pudo comprobar que
la textura y la regularidad superficial no se pueden determinar mediante una fotografía en
dos dimensiones, es necesario obtener otra variable como la elevación para posiblemente
determinar estas propiedades en el pavimento.
20
MARIAM RIVAS DIAZGRANADOS
1.2 JUSTIFICACIÓN
En el país parte de la accidentalidad vial es por consecuencia del mal estado de la capa
asfáltica. (Ministerio de transporte, 2014). Por esto la duración de la capa de rodadura
depende del proyecto inicial, la calidad de los procesos constructivos del pavimento, los
materiales utilizados, el desgaste producido por los vehículos, factores climáticos, entre
otros.
21
MARIAM RIVAS DIAZGRANADOS
menor longitud de onda dentro de valores que aseguren una adecuada resistencia al
deslizamiento durante el ciclo de vida de un pavimento: Diseño, Construcción y
Mantenimiento. Sin embargo, la resistencia al deslizamiento por si sola resulta inadecuada
e insuficiente para lograr este propósito.
Es por esto que los métodos de evaluación de pavimentos recomiendan aparte de medir la
regularidad superficial (rugosidad), medir la resistencia al deslizamiento de la superficie de
rodadura (textura), ya que esta debe ser tal que los vehículos puedan frenar fácilmente, es
decir, que exista un buen coeficiente de fricción entre la llanta del vehículo y la superficie
de rodadura, ya que este es uno de los factores causante de la accidentalidad vial en el
país. (Caro, Peña, 2012)
Existen ensayos que se realizan en campo y laboratorio que permiten determinar la textura
y la rugosidad los cuales emplean equipos que en algunos casos resultan ser costosos y
que requieren de mayor tiempo en su ejecución. Es por esto que se realiza el análisis de
estas propiedades a partir de imágenes tomadas con una cámara convencional y
determinar si es factible su evaluación a partir del procesamiento digital de las imágenes.
1.3 OBJETIVOS
1.3.1 Objetivo General
Analizar la rugosidad y la textura en pavimentos flexibles, empleando procesamiento digital
de imágenes tomadas a partir de una cámara no métrica Nikon S2900. Para tal fin se
correlacionaron las mediciones utilizando equipos típicos que emplea la ingeniería de
pavimentos, con las obtenidas mediante la cámara fotográfica.
Diseñar de forma manual las briquetas que van a ser analizadas mediante método
Marshall.
Mostrar ensayos realizados en laboratorio de Círculo de Arena y el Péndulo TRRL
directamente en las briquetas diseñadas.
Tomar fotografías en las briquetas y clasificarlas según sus componentes, por el
método de Maquinas de Soporte Vectorial (SVM).
22
MARIAM RIVAS DIAZGRANADOS
23
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
2. MARCO TEÓRICO
2.1 ANTECENDENTES
Realizar la inspección de las condiciones del pavimento desempeña un papel fundamental
en la durabilidad y buen estado de este. Las irregularidades superficiales en un pavimento
propician aceleraciones verticales a los vehículos en movimiento, generando que la
circulación se vuelva incómoda, insegura y antieconómica.
En este capítulo se revisa la literatura con el fin de entender mejor los procedimientos que
se realizan para determinar la regularidad superficial y la textura en laboratorio como así
también se explicaran los estudios que se han venido realizando en los últimos años en las
imágenes digitales para evaluar la textura y la rugosidad por medio de imágenes de alta
resolución.
El DF Téster (ver Figura 1) es un instrumento portátil y fácil de usar para medir el coeficiente
de fricción dinámico. Los principios físicos que intervienen en la medición de la fricción son
sencillos, pero su aplicación para fines prácticos puede resolver una amplia gama de
problemas. El DF Téster es un instrumento que puede determinar las propiedades físicas
necesarias por diferentes industrias, ya que puede medir el coeficiente de fricción bajo
diversas condiciones. Por ejemplo en el caso de la resistencia al deslizamiento que está
estrechamente relacionado con el rendimiento de los automóviles, no hubo tal instrumento
24
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
que podría medir directamente el coeficiente de fricción, aunque hubo algunos instrumentos
de medición que se correlacionan a ella. (ASTM E-1911, 1998).
Figura 1 DF Tester para medir fricción dinámica en pavimentos. Fuente: ASTM E-1911. [En
línea. http: //www.tics.hu/DFTester.htm, 2002]
Este instrumento se puede utilizar para todas las mediciones de coeficiente de fricción,
especialmente para la medición de pavimentos. Hoy, el mundo está mirando el rendimiento
y su uso es ampliamente estudiado (ASTM E-1911, 1998).
μ=F/W (Ecuación 1)
μ=K*F (Ecuación 2)
25
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
Para realizar este ensayo se eligen las zonas a ensayar (ver figura 2), las cuales se
marcarán convenientemente en la calzada. En cada ensayo se realizará un mínimo de cinco
determinaciones, alineadas en la dirección del eje de la vía y separadas a 1 m entre sí.
Figura 2 Ensayo Círculo de Arena Fuente: Norma I.N.V. E – 791 – 07, 2007
26
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
4𝑥𝑉
𝐻=
𝜋 𝑥 𝐷2
(Ecuación 3)
Donde:
H = profundidad de textura en una medición, mm,
27
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
28
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
En cuanto a los estudios realizados para detectar textura mediante imágenes, se menciona
la Universidad del sur de Florida donde desarrollo una investigación mediante la cual se
estudió una relación teórica entre los anchos de las fisuras con la profundidad, teniendo en
cuenta la intensidad del pixel máximo con el contraste de las grietas en las imágenes; para
esto se tomaron fotografías progresivas en una misma acera capturadas en diferentes
momentos para el control estricto de las grietas y el desgaste, donde se reveló que el
pavimento modelo formado mediante las imágenes presento cambios cuantificables en el
brillo de las imágenes debido a los cambios del pavimento relacionadas con el desgaste en
profundidad de textura y el espacio (longitud de onda) (Amarasiri, 2011).
29
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
La medición de estas propiedades en los pavimentos ha sido de gran interés en los últimos
años por algunos países entre los cuales se destaca Estados Unidos, el cual ha venido
trabajando la medición de la textura en los pavimentos por medio de imágenes; siendo esta
característica del pavimento una de las más importantes para determinar el buen estado
del pavimento para que brinde mayores efectos de comodidad y seguridad a los usuarios.
Al estudiar estas investigaciones se puede ver que la rugosidad va de la mano con la textura
por lo cual se entiende que por medio de la determinación de las longitudes de onda de la
textura se podrá determinar la rugosidad en el pavimento también. En Colombia no se han
realizado estudios exhaustivos acerca de la medición de la textura y la rugosidad por medio
de imágenes, por lo cual se tiene claro que para poder obtener resultados satisfactorios en
este estudio, las imágenes a utilizar debe tener una buena resolución y por medio de
cálculos estadísticos calcular parámetros que permitan llegar al objetivo principal.
30
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
La calidad funcional afecta a las características superficiales del pavimento, que es la parte
que está en contacto con los vehículos y que se conoce también con el nombre de capa de
rodadura y sobre cuya calidad se va a hablar en esta ponencia (Crespo del Rio, 1999).
Desde un punto de vista general la capa de rodadura debe ser cómoda, segura, duradera,
poco ruidosa, producir un desgaste mínimo en los vehículos y debe facilitar la evacuación
del agua en la zona de contacto con el neumático. En la siguiente sección se describirá dos
características fundamentales en el pavimento como lo son la textura y la rugosidad.
2.2.1 Textura
La textura del pavimento es un parámetro crítico en la comodidad y la seguridad de los
usuarios, necesario para la conservación de las carreteras. La textura influye directamente
en la capacidad del pavimento para evacuar el agua de la interface neumático-pavimento
31
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
y, de forma indirecta en el valor del coeficiente de rozamiento del pavimento, que tiene gran
importancia para la adecuada adherencia entre neumático y pavimento. Además, la textura
es la característica determinante en el nivel de ruido del tráfico, tanto del que perciben los
ocupantes de los vehículos como el ruido de entorno que condiciona la calidad de vida de
las zonas colindantes. En el aspecto económico, la textura del pavimento influye en el
consumo de gasolina, en el deterioro de los vehículos y sobre todo en el desgaste de los
neumáticos (Crespo del Rio, 1999).
Presenta longitudes de onda del mismo orden que los elementos de labrado del
neumático en la zona de contacto con el pavimento.
Es necesaria para una adecuada resistencia al deslizamiento a altas velocidades en
condición de superficie húmeda (MINTRANSPORTE, INVIAS, 2008).
2.2.1.2 Microtextura: La microtextura de un pavimento es la desviación que presenta su
superficie con respecto a una superficie plana de dimensiones características en sentido
longitudinal inferiores a 0,5 mm (correspondiente a la longitud de onda de textura obtenida
con bandas de un tercio de octava con ondas de no más de 0,4 mm). La amplitud entre
picos suele variar entre 0,001 y 0,5 mm. Este tipo de textura es la que hace al pavimento
más o menos áspero, pero normalmente es tan pequeña que no puede observarse a simple
vista (Crespo del Rio, 1999).
32
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
De acuerdo con Higuera (2008), la rugosidad del pavimento se puede medir por medio de
los siguientes equipos: SCRIM, Quarter – Car (INV. E-94-07), Microperfilógrafo, Medidor de
fricción dinámica (ASTM E-1911), Sistema de rayo láser, Método estereofotográfico, El
ensayo del círculo de arena (INV. E-791-07), Equipos de medida de drenaje superficial
(ASTM E-2380), Péndulo de la TRRL (INV. E-792-07), Rugosímetro MERLIN. (Rondón,
H.A, 2012).
2.2.2 Rugosidad
La regularidad superficial, conocida también como rugosidad, es la desviación que presenta
la superficie con respecto a una superficie plana con dimensiones características en sentido
longitudinal correspondientes a una longitud de onda comprendida entre 0.5 y 50 metros.
Los defectos de regularidad influyen en la masa suspendida de los vehículos, afectando la
33
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
Por estas razones, conocer la regularidad superficial del pavimento en cualquier momento
desde el inicio de su periodo de servicio o de la vida útil, permitirá definir las acciones de
conservación o rehabilitación necesarias en el momento pertinente. Debido a esto, muchos
países han utilizado el Índice de Regularidad Internacional (IRI), como parámetro para
evaluar la regularidad y reflejar el confort y seguridad de los usuarios (Badilla Vargas, 2009).
TIPO DENOMINACION
POR TIPO DE GRANULOMETRIA
Mezclas densas MDC
Mezclas semidensas MSC
Mezclas gruesas MGC
MEZCLAS ESPECIALES
Mezclas de Alto modulo MAM
Fuente: INV art 450-13
Son mezclas que presentan agregados pétreos con granulometría bien gradada y con
tamaños de partículas sólidas diferentes (gravas, arenas, finos, llenante mineral),
mezcladas con cemento asfaltico. (Rondón, H.A, 2012). Estas mezclas deben fabricarse,
34
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
El propósito del método Marshall es determinar el contenido óptimo de asfalto para una
combinación específica de agregados. El método también provee información sobre
propiedades de la mezcla asfáltica en caliente, y establece densidades y contenidos
óptimos de vacío que deben ser cumplidos durante la construcción del pavimento.
(Cáceres, 2007)
35
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
36
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
3) Las briquetas son compactadas mediante golpes del martillo Marshall de compactación.
El número de golpes del martillo (25, 50, ó 75) depende de la cantidad de tránsito para la
cual la mezcla está siendo diseñada. Ambas caras de cada briqueta reciben el mismo
número de golpes. Así, una probeta Marshall de 25 golpes recibe, realmente, un total de 50
golpes. Una probeta de 50 golpes recibe 100 impactos. Después de completar la
compactación las probetas son enfriadas y extraídas de los moldes. (Cáceres, 2007)
37
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
Para el caso de una imagen digital los puntos en cuestión son los pixeles que conforman la
imagen. Sin importar el tipo de proceso que se esté haciendo, se presupone por lo general
que la imagen es lo suficientemente grande para considerar que la información que brinda
un pixel es de carácter infinitesimal. (Cortes, 2011).
Inicialmente surgió lo que hoy se conoce como teoría de “bajo nivel”. Esta consiste en
estudiar una imagen conociendo como es el nivel de intensidad de un punto de la misma
con respecto a sus vecinos sin tener conocimiento de otra información de “alto nivel”, es
decir, sin tener conocimiento de los objetos presentes en la imagen. (Cortes, 2011).
Así, en el procesamiento de imágenes de bajo nivel hay muy poco uso del conocimiento
que se pueda tener sobre el contenido de las imágenes. Normalmente para el
procesamiento de bajo nivel se conocen cuatro pasos:
Adquisición de la imagen.
Pre-procesamiento.
38
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
Segmentación de la imagen.
Descripción y clasificación de objetos.
En sí, el procesamiento digital de imágenes consiste en un conjunto de operaciones que se
llevan a cabo sistemáticamente sobre la imagen con el propósito de obtener mediciones
cuantitativas de la misma. Esta información cuantitativa permite describir la imagen y
extraer características que se utilizan para perfeccionar y/o detallar la imagen. (Cortes,
2011).
39
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
mapeados por la SVM a R3) y encuentra un hyperplano que los separe y maximice el
margen m entre las clases en este espacio como se muestra en la Figura 5.
Las SVM están basadas en la teoría del aprendizaje estadístico la cual fue desarrollada por
V. Vapnik y A. Chervonenkis, hacia 1992 al proponer un modelo matemático para la solución
de problemas de clasificación y regresión (Vapnik, 1998). Al aplicar el algoritmo de SVM se
tiene tres ventajas: posee una sólida fundamentación matemática; se basa en el concepto
de minimizar la probabilidad de una clasificación errónea sobre nuevos ejemplos,
particularmente si se disponen pocos datos de entrenamiento y se disponen de potentes
herramientas y algoritmos para hallar la solución de una manera rápida y eficiente. (Burges,
1999)
Este algoritmo se puede aplicar cuando se tienen puntos que pueden ser linealmente
separables, donde se encuentra un hyperplano óptimo, para el cual, el margen entre los
puntos de entrenamiento de dos diferentes clases es maximizado. Cuando se tienen puntos
que no son linealmente separables se redefine el hyperplano óptimo y se aplica una función
kernel para solucionar el problema eficientemente. (Burges, 1999).
40
MARCO TEÓRICO MARIAM RIVAS DIAZGRANADOS
La Nikon Coolpix S2900 está diseñada para ser utilizada sin demasiado esfuerzo, y sin
tener que configurarla en exceso. Es una cámara cuyo uso es simple, rápido y sin
complicaciones para el usuario. Cuenta con un modo automático de escenas, con el cual la
Nikon ajustara de forma automática los ajustes necesarios para cada situación. Cuenta
además con 8 filtros, o efectos para decorar y dar un toque original a nuestras fotografías.
Cualquier imperfección puede retocarse desde la propia cámara utilizando el suavizado de
piel digital con el que cuenta. Su valor aproximado es de $400000 pesos colombianos.
(Http://prialert.com, 2015). Las especificaciones generales de la cámara Nikon Coolpix
S2900 se presentan en la tabla 2.
Velocidad máxima de disparo Hasta 6 disparos a aprox. 1.1 cuadros por segun
continuo a máxima resolución do
41
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
3. METODOLOGÍA
Este capítulo describe los procesos que se realizaron para evaluar la rugosidad y la textura
en pavimentos flexibles, empleando procesamiento digital de imágenes en fotografías
tomadas con una cámara NIKON COOLPIX S2900. Para dar más cubrimiento a la
investigación se realizaron ensayos en laboratorio para hacer una comparación de los datos
medidos con los obtenidos mediante el procesamiento digital de las imágenes.
Como estrategia para este estudio se toma en consideración unas fases propuestas que
permiten organizar por medio de pautas el desarrollo del estudio, estas fases se describen
a continuación.
Se hace la toma de la imágenes a las briquetas diseñadas con una cámara convencional
marca NIKKON, para luego proceder a clasificarlas y procesarlas utilizando el método de
Maquinas de Soporte Vectorial (SVM). A partir de las clases obtenidas se realizó la
validación de la información clasificada a partir del procesamiento de las imágenes por
medio de las matrices de confusión, los índices Kappa y los porcentajes correctamente
clasificados.
En la figura 6 se muestran las fases que se siguieron para el desarrollo del proyecto.
42
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
43
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
Se realizaron 27 briquetas Marshall para mezclas densas en caliente tipo MDC-19, MDC-
25 y MDC-10 compactadas a 25, 50 y 75 golpes para tener diferentes granulometrías y
diferentes contenidos de vacíos. Se seleccionaron estas mezclas, ya que son las mezclas
más utilizadas en Colombia por ser mezclas de alta calidad, la cuales pueden conformar
cualquier capa de rodadura, al igual que presentan un bajo contenido de vacíos con aire, lo
cual las hace tener una porosidad baja. Los agregados pétreos que se utilizan deben
satisfacer los parámetros de granulometría y calidad del agregado grueso como se puede
ver en la tabla 3.
TAMIZ
37.5 25 19 12.5 9.5 4.75 2 0.425 0.18 0.075
TIPO DE MEZCLA
1 " 1" " ⅜" N° 4 N° 10 N° 40 N° 80 N° 200
% PASA
MDC-25 100 80-95 67-85 60-77 43-59 29-45 14-25 8 -17 4 -8
DENSA MDC-19 100 80-95 70- 88 49-65 29-45 14- 25 8- 17 4 -8
MDC- 10 100 65- 87 43-61 16-29 9-19 5-10
MSC-25 100 80-95 65-80 55-70 40-55 24-38 9-20 6-12 3-7
SEMIDENSA
MSC-19 100 80-95 65-80 40-55 24-38 9-20 6-12 3-7
MGC-38 100 75-95 65-85 47-67 40-60 28-46 17-32 7-17 4-11 2-6
GRUESA
MGC-25 100 75-95 55-75 40-60 28-46 17-32 7-17 4-11 2-6
ALTO
MAM-25
MODULO 100 80-95 65-80 55-70 40-55 24-38 10-20 8-14 6-9
TOLERANCIAS EN
PRODUCCION SOBRE LA
FORMULA DE TRABAJO
( ±) 4% 3% 2%
Tanto los agregados pétreos como el cemento asfaltico utilizado para la fabricación de las
briquetas, provienen de Concretos Asfálticos de Colombia CONCRESCOL; estos
materiales han sido ampliamente caracterizados y utilizados por el grupo de Investigación
TOPOVIAL adscrito a la Universidad Distrital Francisco José de Caldas Facultad de Medio
Ambiente y Recursos Naturales. En la tabla 4 se puede ver la caracterización del agregado
pétreo utilizado en la investigación.
44
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
El cemento asfaltico que se utilizó para mezclar con los agregados pétreos fue un asfalto
60-70, ya que su uso es más común en el país por el volumen de transito alto que soporta
y por el clima tropical con el que cuenta teniendo temperaturas mayores a 24°C. Este
cemento debe cumplir unos requisitos mínimos de calidad los cuales son controlados en
Bogotá a través de las especificaciones del IDU Instituto de Desarrollo Urbano (2011,
articulo 200), (Rondón, H.A, 2012) y en Colombia por el INVIAS. (INVIAS, 2013, articulo
400). En la tabla 5 se muestra las características generales del cemento asfaltico 60-70
utilizado para realizar las mezclas.
Requisito
Ensayo Método Unidad Valor
Mínim o Máxim o
Ensayos sobre el CA original
Penetración (25°C, 100 g, 5 s) ASTM D-5 0.1 mm 60 70 61.1
Punto de ablandamiento ASTM D-36-95 °C 48 54 50.5
Viscosidad absoluta (60°C) ASTM D-4402 Poises 1500 - 1652
AASHTO T 228-
Gravedad específica - - - 1.012
04
Viscosidad a 135° C AASHTO T-316 Pa-s - - 0.45
45
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
El ensayo Marshall (INV. E-748-13) es una metodología utilizada para determinar el diseño
volumétrico de una mezcla de concreto asfaltico por medio de parámetros como son los
contenidos de vacíos, la composición volumétrica de la mezcla y la resistencia bajo la carga
monotónica (estabilidad- fluencia). Las muestras se diseñaron de la siguiente manera:
2. Preparación de agregados: Se debe reunir las muestras del asfalto (ver figura 7), que
cumpla con unas cualidades como lo son la estabilidad, durabilidad, trabajabilidad,
resistencia al deslizamiento entre otros, y del agregado pétreo se debe conocer la relación
viscosidad- temperatura para establecer la temperatura de mezclado y compactación.
46
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
La temperatura a la cual se debe calentar el cemento asfáltico para las mezclas, será la
requerida para producir una viscosidad de 170 ±20 centiStokes. (1 centistoke = 1 mm2/s).
La temperatura a la cual se deberá calentar el cemento asfáltico para que tenga una
viscosidad de 280 ± 30 centiStokes, será la temperatura de compactación.
47
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
Fuente: propia
48
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
No. Golpes 75 50 25
No. Golpes 75 50 25
49
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
Preparación del instrumento: La zapata del péndulo se debe fijar de manera que apenas
establezca contacto con la superficie que se va a ensayar. El péndulo se levanta y se
asegura en su posición inicial y luego se suelta permitiendo el rozamiento entre la zapata y
la superficie de ensayo como se puede ver en la figura 11.
Las briquetas deben estar limpias de partículas sueltas y se deben sostener firmemente, de
forma que no se muevan con la fuerza del péndulo.
50
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
Nivelación: Se nivela el instrumento con exactitud (ver figura 12), girando los tornillos de
nivelación hasta que la burbuja está centrada en el nivel. Se levanta el mecanismo del
péndulo soltando el tornillo de seguridad (ubicado directamente detrás del pivote del
péndulo) y se gira cualquiera de los dos tornillos de movimiento de la cabeza ubicados en
el centro del instrumento, para permitir que la zapata realice libremente el movimiento
oscilatorio. Se aprieta firmemente el tornillo de seguridad. Se coloca el péndulo en la
posición horizontal de reposo y se rota la aguja indicadora en sentido contrario al de las
manecillas del reloj hasta que alcance la posición de reposo contra el tornillo de ajuste en
el brazo del péndulo. Se libera el péndulo y se anota la lectura de la aguja indicadora. Si la
lectura no es cero, se afloja el anillo de seguro y se gira suavemente el anillo de fricción en
el eje de soporte y se asegura de nuevo. Se repite la prueba y se ajusta el anillo de fricción
hasta que el movimiento oscilatorio del péndulo lleve la aguja a cero. (I.N.V, E-792, 2013).
51
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
52
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
El CRD se calcula promediando los valores que se obtuvieron de cada lectura; para obtener
el valor de los coeficientes de rozamiento se calcula el promedio de CRD y se divide en
100.
Este procedimiento se debe realizar con las briquetas secas y humedecidas. Se debe
aplicar suficiente agua para cubrir totalmente el área de la briqueta.
53
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
4. Se esparce el material con esmero, de manera que forme una superficie circular,
realizando movimientos rotatorios hasta conseguir un área enrasada lo más circular posible
en la que el material granular (arena) rellene todas las oquedades y depresiones de la
superficie. (ver figura 17)
Con ayuda de la regla se determina el diámetro del área circular formada por el material
granular, se calcula el valor medio de las tres medidas de diámetro, el cual se expresa en
milímetros como se puede en la figura 18.
54
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
∗𝑉𝑂𝐿 𝐴𝑅𝐸𝑁𝐴
H= (Ecuación 4)
𝜋∗𝐷^2
Figura 19 Imagen tomada cámara Nikon a muestra de pavimento Tipo MDC-19. Fuente
Propia
55
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
Se procede a clasificar cada uno de los componentes de la imagen en cuatro clases siendo
los agregados pétreos, el contenido de asfalto, los espacios de vacíos y los espacios sin
asfalto. Al realizar esta clasificación, se utilizó un método de clasificación supervisada
llamado Maquinas de Soporte Vectorial (Support Vector Machines, SVM) como se puede
ver en el diagrama de flujo figura 20, siendo gran clasificador de máxima probabilidad
basado en el cálculo de correlaciones, seleccionando 150 puntos de entrenamiento y 300
puntos para la validación. Esta clasificación se realiza bajo un código realizado en la guía
Getting Started with Rgis- V0.1 (Lizarazo, 2013) el cual se puede ver en el Anexo A.
56
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
Figura 21 Diagrama de flujo para el cálculo de las áreas clasificadas. Fuente Propia
57
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
Vacío 29 1 2 0 32 9% 91%
Agregado 1 164 0 2 167 2% 98%
Asfalto 2 0 88 0 90 2% 98%
Sin Clasificar 0 1 1 9 11 18% 82%
Total 32 166 91 11
Comisión 9% 99% 98% 100%
300
Exactitud
91% 1% 2% 0%
Productor
Fuente propia
(Ecuación5)
58
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
(Ecuación 6)
59
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
Se realizan los gráficos de dispersión de cada una de las variables calculadas como son
las áreas de vacíos, las áreas de agregados pétreos, áreas de contenido de asfalto y las
áreas sin asfalto.
Estos gráficos de dispersión (figura 22) permiten comprobar si existe relación lineal entre
las variables con el coeficiente de rozamiento calculado en laboratorio y con la profundidad
de la textura calculada también en laboratorio.
0.60
0.55
0.50
0.45
0.40
0.35
0.30
0.25
0.20
0.0 5.0 10.0 15.0 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0
AREAS CLASIFICADAS BRIQUETAS
60
METODOLOGIA MARIAM RIVAS DIAZGRANADOS
Una vez se realizan estas gráficas se calculan las matrices de correlación las cuales
permiten deducir si las variables se corresponden o no tienen ningún tipo de asociación. En
la tabla 10 se muestra la matriz de correlación para las muestras secas.
MATRIZ DE CORRELACIÓN
ÁREA ÁREA SIN COEF
ÁREAS ÁREA VACIOS AGREGADOS ÁREA ASFALTO ASFALTO ROZAMIENTO
ÁREA VACIOS 1.0000000
ÁREA AGREGADOS -0.4989632 1.0000000
ÁREA ASFALTO -0.2341034 -0.7040869 1.0000000
ÁREA SIN ASFALTO -0.3591885 0.7621596 -0.6947220 1.0000000
COEF ROZAMIENTO 0.0422305 0.0215254 -0.0358442 -0.0428515 1.0000000
Fuente: propia
61
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
4. RESULTADOS Y DISCUSIÓN
VALOR
No. VALOR COEFICIENTE
No. LECTURAS CORREGIDO TEMPERATURA TEXTURA
BRIQUET EFECTIVO DE SUPERFICIE
GOLPES CRD POR ENSAYO (°C) (TERMINO)
A CRD ROZAMIENTO
TEMPERATURA
26
27
RUGOSA
75 30 28.000 27.985 0.280 17.8 SECA
(MEDIO)
28
29
1
12
10
RUGOSA
75 12 11.400 11.385 0.114 17.8 HUMEDA
(MEDIO)
11
12
62
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
VALOR
VALOR COEFICIENTE
No. No. LECTURAS CORREGIDO TEMPERATURA TEXTURA
EFECTIVO DE SUPERFICIE
BRIQUETA GOLPES CRD POR ENSAYO (°C) (TERMINO)
CRD ROZAMIENTO
TEMPERATURA
31
27
RUGOSA
75 30 30.200 30.185 0.302 17.8 SECA
(MEDIO)
32
31
2
12
13
RUGOSA
75 12 12.000 11.985 0.120 17.8 HUMEDA
(MEDIO)
11
12
32
32
RUGOSA
75 33 31.200 31.185 0.312 17.8 SECA
(MEDIO)
29
30
3
11
11
RUGOSA
75 11 11.400 11.385 0.114 17.8 HUMEDA
(MEDIO)
12
12
59
57
RUGOSA
50 60 58.800 58.785 0.588 17.8 SECA
(MEDIO)
59
59
4
32
33
RUGOSA
50 31 31.600 31.585 0.316 17.8 HUMEDA
(MEDIO)
30
32
60
61
RUGOSA
50 62 60.600 60.585 0.606 17.8 SECA
(MEDIO)
60
60
5
33
30
RUGOSA
50 29 30.000 29.985 0.300 17.8 HUMEDA
(MEDIO)
27
31
63
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
VALOR COEFICIENT
No. VALOR TEXTURA
No. LECTURAS CORREGIDO E DE TEMPERATUR SUPERFICI
BRIQUET EFECTIVO (TERMINO
GOLPES CRD POR ROZAMIENT A ENSAYO (°C) E
A CRD )
TEMPERATURA O
58
59
RUGOSA
50 62 60.000 59.985 0.600 17.8 SECA
(MEDIO)
61
60
30
6
30
32
31 RUGOSA
50 30.600 30.585 0.306 17.8 HUMEDA
(MEDIO)
30
28
26
RUGOSA
25 26 27.000 26.985 0.270 17.8 SECA
(MEDIO)
27
28
7
10
9
RUGOSA
25 8 9.400 9.385 0.094 17.8 HUMEDA
(MEDIO)
10
10
30
27
RUGOSA
25 26 27.800 27.785 0.278 17.8 SECA
(MEDIO)
28
28
8
9
9
RUGOSA
25 10 9.800 9.785 0.098 17.8 HUMEDA
(MEDIO)
11
10
29
28
RUGOSA
25 28 28.200 28.185 0.282 17.8 SECA
(MEDIO)
28
28
9
10
8
RUGOSA
25 8 8.800 8.785 0.088 17.8 HUMEDA
(MEDIO)
7
11
Fuente: propia
64
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
VALOR COEFICIENT
VALOR TEXTURA
No. No. LECTURAS CORREGIDO E DE TEMPERATUR SUPERFICI
EFECTIVO (TERMINO
BRIQUETA GOLPES CRD POR ROZAMIENT A ENSAYO (°C) E
CRD )
TEMPERATURA O
38
37
RUGOSA
75 37 37.400 37.385 0.374 17.8 SECA
(MEDIO)
38
37
10
14
15
RUGOSA
75 14 14.600 14.585 0.146 17.8 HUMEDA
(MEDIO)
15
15
40
38
RUGOSA
75 38 39.000 38.985 0.390 17.8 SECA
(MEDIO)
39
40
11
13
15
RUGOSA
75 15 14.400 14.385 0.144 17.8 HUMEDA
(MEDIO)
14
15
38
39
RUGOSA
75 39 38.600 38.585 0.386 17.8 SECA
(MEDIO)
39
38
12
14
14
RUGOSA
75 14 14.000 13.985 0.140 17.8 HUMEDA
(MEDIO)
13
15
52
50
RUGOSA
50 53 52.600 52.585 0.526 17.8 SECA
(MEDIO)
56
52
13
20
19
RUGOSA
50 21 20.000 19.985 0.200 17.8 HUMEDA
(MEDIO)
20
20
65
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
VALOR
VALOR COEFICIENTE
No. No. LECTURAS CORREGIDO TEMPERATURA TEXTURA
EFECTIVO DE SUPERFICIE
BRIQUETA GOLPES CRD POR ENSAYO (°C) (TERMINO)
CRD ROZAMIENTO
TEMPERATURA
54
51
RUGOSA
50 52 52.600 52.585 0.526 17.8 SECA
(MEDIO)
53
53
14
22
21
RUGOSA
50 21 21.600 21.585 0.216 17.8 HUMEDA
(MEDIO)
22
22
54
51
RUGOSA
50 52 52.200 52.185 0.522 17.8 SECA
(MEDIO)
52
52
15
23
21
RUGOSA
50 21 21.200 21.185 0.212 17.8 HUMEDA
(MEDIO)
20
21
55
57
RUGOSA
25 59 57.400 57.385 0.574 17.8 SECA
(MEDIO)
58
58
16
22
23
RUGOSA
25 24 23.400 23.385 0.234 17.8 HUMEDA
(MEDIO)
24
24
59
60
RUGOSA
25 58 58.600 58.585 0.586 17.8 SECA
(MEDIO)
58
58
17
22
22
RUGOSA
25 24 22.800 22.785 0.228 17.8 HUMEDA
(MEDIO)
23
23
66
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
VALOR
VALOR COEFICIENTE
No. No. LECTURAS CORREGIDO TEMPERATURA TEXTURA
EFECTIVO DE SUPERFICIE
BRIQUETA GOLPES CRD POR ENSAYO (°C) (TERMINO)
CRD ROZAMIENTO
TEMPERATURA
59
58
RUGOSA
25 57 58.200 58.185 0.582 17.8 SECA
(MEDIO)
59
58
18
22
21
RUGOSA
25 20 21.400 21.385 0.214 17.8 HUMEDA
(MEDIO)
22
22
Fuente: propia
VALOR
VALOR COEFICIENTE
No. No. LECTURAS CORREGIDO TEMPERATURA TEXTURA
EFECTIVO DE SUPERFICIE
BRIQUETA GOLPES CRD POR ENSAYO (°C) (TERMINO)
CRD ROZAMIENTO
TEMPERATURA
24
24
RUGOSA
75 25 24.400 24.385 0.244 17.8 SECA
(MEDIO)
24
25
19
6
7
RUGOSA
75 6 6.200 6.185 0.062 17.8 HUMEDA
(MEDIO)
6
6
26
27
RUGOSA
75 25 25.600 25.585 0.256 17.8 SECA
(MEDIO)
25
25
20
7
8
RUGOSA
75 7 7.200 7.185 0.072 17.8 HUMEDA
(MEDIO)
7
7
25
26
RUGOSA
75 25 25.200 25.185 0.252 17.8 SECA
(MEDIO)
25
25
21
9
8
RUGOSA
75 8 8.000 7.985 0.080 17.8 HUMEDA
(MEDIO)
8
7
67
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
VALOR
VALOR COEFICIENTE
No. No. LECTURAS CORREGIDO TEMPERATURA TEXTURA
EFECTIVO DE SUPERFICIE
BRIQUETA GOLPES CRD POR ENSAYO (°C) (TERMINO)
CRD ROZAMIENTO
TEMPERATURA
35
36
RUGOSA
50 36 35.800 35.785 0.358 17.8 SECA
(MEDIO)
36
36
22
13
15
14 RUGOSA
50 14.200 14.185 0.142 17.8 HUMEDA
(MEDIO)
14
15
37
35
RUGOSA
50 36 36.000 35.985 0.360 17.8 SECA
(MEDIO)
36
36
23
13
14
RUGOSA
50 14 13.800 13.785 0.138 17.8 HUMEDA
(MEDIO)
14
14
36
35
RUGOSA
50 36 35.400 35.385 0.354 17.8 SECA
(MEDIO)
35
35
24
15
15
RUGOSA
50 15 15.200 15.185 0.152 17.8 HUMEDA
(MEDIO)
16
15
25
25
RUGOSA
25 25 25.000 24.985 0.250 17.8 SECA
(MEDIO)
25
25
25
10
12
RUGOSA
25 10 10.600 10.585 0.106 17.8 HUMEDA
(MEDIO)
11
10
68
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
VALOR COEFICIENT
No. VALOR TEXTURA
No. LECTURA CORREGIDO E DE TEMPERATUR SUPERFICI
BRIQUET EFECTIVO (TERMINO
GOLPES S CRD POR ROZAMIENT A ENSAYO (°C) E
A CRD )
TEMPERATURA O
26
26
25 RUGOSA
25 25.400 25.385 0.254 17.8 SECA
(MEDIO)
25
25
26
11
11
RUGOSA
25 11 10.800 10.785 0.108 17.8 HUMEDA
(MEDIO)
11
10
24
25
RUGOSA
25 25 24.600 24.585 0.246 17.8 SECA
(MEDIO)
25
24
27
9
10
RUGOSA
25 9 9.400 9.385 0.094 17.8 HUMEDA
(MEDIO)
9
10
Fuente: propia
VOLUMEN
LECTURAS DIAMETRO PROFUNDIDAD
No. PROBETA ARENA TEXTURA
No. GOLPES DIAMETRO PROMEDIO DE TEXTURA
O BRIQUETA UTILIZADA (TERMINO)
(mm) (mm) (mm)
(mm3)
49
1 4 51 50 0.002037 S-A
50
50
2 75 4 51 51 0.001984 S-A
51
50
3 4 49 50 0.002065 S-A
50
69
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
VOLUMEN
LECTURAS DIAMETRO PROFUNDIDAD
No. PROBETA ARENA TEXTURA
No. GOLPES DIAMETRO PROMEDIO DE TEXTURA
O BRIQUETA UTILIZADA (TERMINO)
(mm) (mm) (mm)
(mm3)
45
4 4 47 46 0.002407 S-A
46
46
5 4 47 47 0.002339 S-A
50
47
47
6 4 46 46 0.002372 S-A
46
43
7 4 45 44 0.002631 S-A
44
45
8 25 4 45 45 0.002553 S-A
44
43
9 4 41 42 0.002842 S-A
43
Fuente: propia
VOLUMEN
No. LECTURAS DIAMETRO PROFUNDIDAD
ARENA TEXTURA
PROBETA O No. GOLPES DIAMETRO PROMEDIO DE TEXTURA
UTILIZADA (TERMINO)
BRIQUETA (mm) (mm) (mm)
(mm3)
45
10 4 48 46 0.002372 S-A
46
48
11 75 4 45 47 0.002339 S-A
47
46
12 4 48 47 0.002306 S-A
47
43
13 50 4 42 42 0.002934 S-A
40
70
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
VOLUMEN
No. LECTURAS DIAMETRO PROFUNDIDAD
ARENA TEXTURA
PROBETA O No. GOLPES DIAMETRO PROMEDIO DE TEXTURA
UTILIZADA (TERMINO)
BRIQUETA (mm) (mm) (mm)
(mm3)
44
14 4 43 44 0.002671 S-A
44
50
45
15 4 44 44 0.002631 S-A
43
39
16 4 41 41 0.003030 S-A
43
42
17 25 4 42 41 0.002981 S-A
40
39
18 4 40 40 0.003183 S-A
41
Fuente: propia
VOLUMEN
No. LECTURAS DIAMETRO PROFUNDIDAD
ARENA TEXTURA
PROBETA O No. GOLPES DIAMETRO PROMEDIO DE TEXTURA
UTILIZADA (TERMINO)
BRIQUETA (mm) (mm) (mm)
(mm3)
53
19 4 56 55 0.001704 S-A
55
54
20 75 4 54 54 0.001725 S-A
55
56
21 4 55 55 0.001684 S-A
54
48
22 50 4 48 48 0.002180 S-A
49
71
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
VOLUMEN
No. LECTURAS DIAMETRO PROFUNDIDAD
ARENA TEXTURA
PROBETA O No. GOLPES DIAMETRO PROMEDIO DE TEXTURA
UTILIZADA (TERMINO)
BRIQUETA (mm) (mm) (mm)
(mm3)
49
23 4 50 49 0.002093 S-A
49
50
52
24 4 53 52 0.001908 S-A
50
46
25 4 47 47 0.002339 S-A
47
47
26 25 4 46 46 0.002407 S-A
45
47
27 4 49 48 0.002242 S-A
47
Fuente: propia
4.1.3. Clasificación de las Imágenes por Medio del Método de Maquinas de Soporte
Vectorial (SVM)
De las fotografías tomadas con la cámara NIKON se obtienen imágenes RGB (rojo, verde,
azul); no se tiene en cuenta la banda en infrarrojo, ya que el estudio debía ser de una
manera sencilla y con una cámara convencional que estuviera al alcance de todos.
En este tipo de imágenes RGB aparece cada color en componentes espectrales primarios,
los cuales hacen que los pixeles que conforman la imagen puedan tener una diferencia y
así poder clasificarla en cuatro (4) clases como lo son los espacios de vacío (negros), los
agregados pétreos (amarillos o cafés), contenido de asfalto (grises) y los espacios sin
asfalto (blancos). Al utilizar el método de Maquinas de Soporte Vectorial permite clasificar
la superficie a partir de un conjunto de clases conocidas y creando fronteras de decisión a
partir de puntos de entrenamiento obteniendo las clases necesarias teniendo una
clasificación supervisada (Pérez U, 2005)
Para determinar la exactitud temática de cada una de las clasificaciones se generan las
matrices de confusión, se calculan el índice Kappa (el cual indica que si el resultado es
próximo a uno (1), existe un acuerdo entre la imagen clasificada y la realidad, si se tiene un
72
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
valor de Kappa igual a cero (0) se deduce que es azar y un valor de kappa negativo sería
una clasificación muy pobre), el porcentaje correctamente clasificado y el intervalo de
confianza del 95%.(Chuvieco, 2002).
MUESTRA 1
VALIDACION
Exactitud
Clase Vacío Agregado Asfalto Sin Clasificar Total Omisión
Usuario
PREDICCION
Vacío 1 2 0 32 9% 91%
29
Agregado 1 164 0 2 167 2% 98%
Asfalto 2 0 88 0 90 2% 98%
Sin
0 1 1 9 11 18% 82%
Asfalto
Total 32 166 91 11
Comisión 9% 99% 98% 100% 300
Exactitud
91% 1% 2% 0%
Productor
Fuente: propia
Kappa 0.94
PPC 97%
Error Estándar 0.02
I.C 95% 0.91 0.98
Fuente: propia
73
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
La clase peor clasificada en la muestra 1 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 82%, con un porcentaje correctamente clasificado
(PPC) de 97% y un índice Kappa de 0.94 lo cual indica que la clasificación es 94% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.91 y 0.98, con
un error de 0.02. (Ver tabla 17 y 18).
MUESTRA 2
VALIDACION
Exactitud
Clase Vacío Agregado Asfalto Sin Clasificar Total Omisión
Usuario
PREDICCION
Vacío 29 0 1 0 30 3% 97%
Agregado 0 167 0 1 168 1% 99%
Asfalto 1 0 89 0 90 1% 99%
Total 30 168 91 11
Comisión 3% 100% 99% 100% 300
Exactitud
97% 0% 1% 0%
Productor
Fuente: propia
74
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.97
PPC 98%
Error Estándar 0.013
I.C 95% 0.95 1.00
Fuente: propia
La clase peor clasificada en la muestra 2 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 83%, con un porcentaje correctamente clasificado
(PPC) de 98% y un índice Kappa de 0.97 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.95 y 1.0, con
un error de 0.013. (Ver tabla 19 y 20).
MUESTRA 3
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 29 0 1 0 30 3% 97%
Agregado 0 166 0 1 167 1% 99%
Asfalto 1 0 89 0 90 1% 99%
Total 30 167 92 11
Comisión 3% 100% 99% 100% 300
Exactitud Productor 97% 0% 1% 0%
Fuente: propia
75
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.97
PPC 98%
Error Estándar 0.014
I.C 95% 0.94 0.99
Fuente: propia
La clase peor clasificada en la muestra 3 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 77%, con un porcentaje correctamente clasificado
(PPC) de 98% y un índice Kappa de 0.97 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.94 y 0.99, con
un error de 0.014. (Ver tabla 21 y 22).
MUESTRA 4
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 29 0 1 0 30 3% 97%
Agregado 0 166 0 1 167 1% 99%
Asfalto 1 0 89 0 90 1% 99%
Total 31 167 91 11
Comisión 6% 100% 99% 100% 300
Exactitud Productor 94% 0% 1% 0%
Fuente: propia
76
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.97
PPC 98%
Error estándar 0.01
I.C 95% 0.94 0.99
Fuente: propia
La clase peor clasificada en la muestra 4 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 77%, con un porcentaje correctamente clasificado
(PPC) de 98% y un índice Kappa de 0.97 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.94 y 0.99, con
un error de 0.014. (Ver tabla 23 y 24).
MUESTRA 5
VALIDACION
Exactitud
Clase Vacío Agregado Asfalto Sin Clasificar Total Omisión
Usuario
PREDICCION
Vacío 27 0 2 0 29 7% 93%
Agregado 0 165 1 2 168 2% 98%
Asfalto 0 0 94 0 94 0% 100%
Total 27 165 97 11
Comisión 0% 100% 98% 100%
300
Exactitud
100% 0% 2% 0%
Productor
Fuente: propia
77
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.97
PPC 98%
Error estándar 0.013
I.C 95% 0.95 1.00
Fuente: propia
La clase peor clasificada en la muestra 5 fue los espacios de vacío lo cual se ve reflejado
en la exactitud del usuario con un valor de 93%, con un porcentaje correctamente clasificado
(PPC) de 98% y un índice Kappa de 0.97 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.95 y 1.0, con
un error de 0.013. (Ver tabla 25 y 26).
MUESTRA 6
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 28 0 2 0 30 7% 93%
Agregado 0 164 1 2 167 2% 98%
Asfalto 0 0 90 0 90 0% 100%
Total 28 164 93 15
Comisión 0% 100% 98% 100% 300
Exactitud Productor 100% 0% 2% 0%
Fuente: propia
78
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.97
PPC 98%
Error estándar 0.013
I.C 95% 0.95 1.00
Fuente: propia
La clase peor clasificada en la muestra 6 fue los espacios de vacío lo cual se ve reflejado
en la exactitud del usuario con un valor de 93%, con un porcentaje correctamente clasificado
(PPC) de 98% y un índice Kappa de 0.97 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.95 y 1.0, con
un error de 0.013. (Ver tabla 27 y 28).
MUESTRA 7
VALIDACION
Exactitud
Clase Vacío Agregado Asfalto Sin Clasificar Total Omisión
Usuario
PREDICCION
Total 27 175 89 9
Comisión 0% 99% 98% 100% 300
Exactitud
100% 1% 2% 0%
Productor
Fuente: propia
79
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.92
PPC 96%
Error estándar 0.021
I.C 95% 0.88 0.96
Fuente: propia
La clase peor clasificada en la muestra 7 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 73%, con un porcentaje correctamente clasificado
(PPC) de 96% y un índice Kappa de 0.92 lo cual indica que la clasificación es 92% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.88 y 0.96, con
un error de 0.021. (Ver tabla 29 y 30).
MUESTRA 8
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Total 27 174 88 11
Comisión 0% 99% 98% 100% 300
Exactitud Productor 100% 1% 2% 0%
Fuente: propia
80
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.93
PPC 96%
Error estándar 0.020
I.C 95% 0.89 0.96
Fuente: propia
La clase peor clasificada en la muestra 8 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 77%, con un porcentaje correctamente clasificado
(PPC) de 96% y un índice Kappa de 0.93 lo cual indica que la clasificación es 93% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.89 y 0.96, con
un error de 0.020. (Ver tabla 31 y 32).
MUESTRA 9
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 30 0 0 0 30 0% 100%
Agregado 0 165 0 2 167 1% 99%
Asfalto 1 0 89 0 90 1% 99%
Total 31 165 89 15
Comisión 3% 100% 100% 100% 300
Exactitud Productor 97% 0% 0% 0%
Fuente: propia
81
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.98
PPC 99%
Error estándar 0.01
I.C 95% 0.96 1.00
Fuente: propia
La muestra número 9 tiene una clasificación muy precisa puesto que las exactitudes del
usuario son valores entre el 99% y el 100%, lo cual indica que los pixeles se clasificaron
con eficiencia. (Ver tabla 33 y 34).
MUESTRA 10
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Total 28 165 92 15
Comisión 4% 100% 97% 100% 300
Exactitud Productor 96% 0% 3% 0%
Fuente: propia
82
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.95
PPC 97%
Error estándar 0.02
I.C 95% 0.92 0.99
Fuente: propia
La clase peor clasificada en la muestra 10 fue los espacios de vacío lo cual se ve reflejado
en la exactitud del usuario con un valor de 90%, con un porcentaje correctamente clasificado
(PPC) de 97% y un índice Kappa de 0.95 lo cual indica que la clasificación es 95% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.92 y 0.99, con
un error de 0.020. (Ver tabla 35 y 36).
MUESTRA 11
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 29 0 1 0 30 3% 97%
Agregado 0 166 0 1 167 1% 99%
Asfalto 2 0 88 0 90 2% 98%
Total 32 166 89 13
Comisión 9% 100% 99% 100% 300
Exactitud Productor 91% 0% 1% 0%
Fuente: propia
83
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.97
PPC 98%
Error estándar 0.013
I.C 95% 0.95 1.00
Fuente: propia
La clase peor clasificada en la muestra 11 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 92%, con un porcentaje correctamente clasificado
(PPC) de 98% y un índice Kappa de 0.97 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.95 y 1.0, con
un error de 0.013. (Ver tabla 37 y 38).
MUESTRA 12
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
PREDICCION
Clasificar Usuario
Vacío 30 0 0 0 30 0% 100%
Agregado 0 164 0 3 167 2% 98%
Asfalto 3 1 86 0 90 4% 96%
Sin Asfalto 0 2 0 11 13 15% 85%
Total 33 167 86 14
Comisión 9% 100% 100% 100% 300
Exactitud Productor 91% 0% 0% 0%
Fuente: propia
84
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.95
PPC 97%
Error estándar 0.017
I.C 95% 0.92 0.98
Fuente: propia
La clase peor clasificada en la muestra 12 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 85%, con un porcentaje correctamente clasificado
(PPC) de 97% y un índice Kappa de 0.95 lo cual indica que la clasificación es 95% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.92 y 0.98, con
un error de 0.017. (Ver tabla 39 y 40).
MUESTRA 13
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 30 0 0 0 30 0% 100%
Agregado 0 165 0 2 167 1% 99%
Asfalto 3 0 87 0 90 3% 97%
Total 33 168 87 12
Comisión 9% 100% 100% 100% 300
Exactitud Productor 91% 0% 0% 0%
Fuente: propia
85
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.95
PPC 97%
Error estándar 0.016
I.C 95% 0.92 0.99
Fuente: propia
La clase peor clasificada en la muestra 13 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 77%, con un porcentaje correctamente clasificado
(PPC) de 97% y un índice Kappa de 0.95 lo cual indica que la clasificación es 95% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.92 y 0.99, con
un error de 0.016. (Ver tabla 41 y 42).
MUESTRA 14
VALIDACION
Exactitud
Clase Vacío Agregado Asfalto Sin Clasificar Total Omisión
PREDICCION
Usuario
Vacío 29 0 0 0 29 0% 100%
Agregado 0 166 0 2 168 1% 99%
Asfalto 3 0 88 0 91 3% 97%
Sin Asfalto 0 3 0 9 12 25% 75%
Total 32 169 88 11
Comisión 9% 100% 100% 100%
300
Exactitud
91% 0% 0% 0%
Productor
Fuente: propia
86
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.95
PPC 97%
Error estándar 0.016
I.C 95% 0.92 0.99
Fuente: propia
La clase peor clasificada en la muestra 14 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 75%, con un porcentaje correctamente clasificado
(PPC) de 97% y un índice Kappa de 0.95 lo cual indica que la clasificación es 95% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.92 y 0.99, con
un error de 0.016. (Ver tabla 43 y 44).
MUESTRA 15
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 30 0 0 0 30 0% 100%
Agregado 0 165 0 2 167 1% 99%
Asfalto 2 0 88 0 90 2% 98%
Total 32 167 88 13
Comisión 6% 100% 100% 100% 300
Exactitud Productor 94% 0% 0% 0%
Fuente: propia
87
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.97
PPC 98%
Error estándar 0.014
I.C 95% 0.94 0.99
Fuente: propia
La clase peor clasificada en la muestra 15 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 85%, con un porcentaje correctamente clasificado
(PPC) de 98% y un índice Kappa de 0.97 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.94 y 0.99, con
un error de 0.014. (Ver tabla 45 y 46).
MUESTRA 16
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 30 0 0 0 30 0% 100%
Agregado 0 165 0 2 167 1% 99%
Asfalto 0 0 90 0 90 0% 100%
Total 30 168 90 12
Comisión 0% 100% 100% 100% 300
Exactitud Productor 100% 0% 0% 0%
Fuente: propia
88
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.97
PPC 98%
Error estándar 0.013
I.C 95% 0.95 1.00
Fuente: propia
La clase peor clasificada en la muestra 18 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 77%, con un porcentaje correctamente clasificado
(PPC) de 98% y un índice Kappa de 0.97 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.95 y 0.1.0, con
un error de 0.013. (Ver tabla 47 y 48).
MUESTRA 17
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 30 0 0 0 30 0% 100%
Agregado 0 164 0 3 167 2% 98%
Asfalto 2 0 88 0 90 2% 98%
Total 32 165 88 15
Comisión 6% 100% 100% 100% 300
Exactitud Productor 94% 0% 0% 0%
Fuente: propia
89
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.97
PPC 98%
Error estándar 0.014
I.C 95% 0.94 0.99
Fuente: propia
La clase peor clasificada en la muestra 17 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 92%, con un porcentaje correctamente clasificado
(PPC) de 98% y un índice Kappa de 0.97 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.94 y 0.99, con
un error de 0.014. (Ver tabla 49 y 50).
MUESTRA 18
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 30 0 0 0 30 0% 100%
Agregado 0 165 0 2 167 1% 99%
Asfalto 2 0 88 0 90 2% 98%
Total 32 165 88 15
Comisión 6% 100% 100% 100% 300
Exactitud Productor 94% 0% 0% 0%
Fuente: propia
90
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.98
PPC 99%
Error estándar 0.01
I.C 95% 0.96 1.00
Fuente: propia
Como en la muestra número 18 se obtiene una exactitud del usuario con valores entre el
99% y el 100%, se deduce que la clasificación se realizó con eficiencia. (Ver tabla 51 y 52).
MUESTRA 19
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 30 0 0 0 30 0% 100%
Agregado 0 164 0 3 167 2% 98%
Asfalto 0 0 90 0 90 0% 100%
Total 30 165 90 15
Comisión 0% 100% 100% 100% 300
Exactitud Productor 100% 0% 0% 0%
Fuente: propia
91
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.98
PPC 99%
Error estándar 0.011
I.C 95% 0.96 1.00
Fuente: propia
La clase peor clasificada en la muestra 19 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 92%, con un porcentaje correctamente clasificado
(PPC) de 99% y un índice Kappa de 0.98 lo cual indica que la clasificación es 98% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.96 y 1.0, con
un error de 0.011. (Ver tabla 53 y 54).
MUESTRA 20
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 29 0 1 0 30 3% 97%
Agregado 0 164 0 3 167 2% 98%
Asfalto 3 0 87 0 90 3% 97%
Total 32 165 88 15
Comisión 9% 100% 99% 100% 300
Exactitud Productor 91% 0% 1% 0%
Fuente: propia
92
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.96
PPC 97%
Error estándar 0.016
I.C 95% 0.92 0.99
Fuente: propia
La clase peor clasificada en la muestra 20 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 92%, con un porcentaje correctamente clasificado
(PPC) de 97% y un índice Kappa de 0.96 lo cual indica que la clasificación es 96% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.92 y 0.99, con
un error de 0.016. (Ver tabla 55 y 56).
MUESTRA 21
VALIDACION
Exactitud
Clase Vacío Agregado Asfalto Sin Clasificar Total Omisión
PREDICCION
Usuario
Vacío 30 0 1 0 31 3% 97%
Agregado 0 163 0 3 166 2% 98%
Asfalto 3 0 87 0 90 3% 97%
Sin Asfalto 0 1 0 12 13 8% 92%
Total 33 164 88 15
Comisión 9% 100% 99% 100%
300
Exactitud
91% 0% 1% 0%
Productor
Fuente: propia
93
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.96
PPC 97%
Error estándar 0.016
I.C 95% 0.92 0.99
Fuente: propia
La clase peor clasificada en la muestra 21 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 92%, con un porcentaje correctamente clasificado
(PPC) de 97% y un índice Kappa de 0.96 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.92 y 0.99, con
un error de 0.016. (Ver tabla 57 y 58).
MUESTRA 22
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Total 28 169 92 11
Comisión 4% 100% 97% 100% 300
Exactitud Productor 96% 0% 3% 0%
Fuente: propia
94
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.95
PPC 97%
Error estándar 0.016
I.C 95% 0.92 0.99
Fuente: propia
La clase peor clasificada en la muestra 22 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 77%, con un porcentaje correctamente clasificado
(PPC) de 97% y un índice Kappa de 0.95 lo cual indica que la clasificación es 95% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.92 y 0.99, con
un error de 0.016. (Ver tabla 59 y 60).
MUESTRA 23
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Total 30 168 90 12
Comisión 10% 100% 97% 100% 300
Exactitud Productor 90% 0% 3% 0%
Fuente: propia
95
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.94
PPC 96%
Error estándar 0.018
I.C 95% 0.90 0.97
Fuente: propia
La clase peor clasificada en la muestra 23 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 77%, con un porcentaje correctamente clasificado
(PPC) de 97% y un índice Kappa de 0.94 lo cual indica que la clasificación es 94% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.90 y 0.97, con
un error de 0.018. (Ver tabla 61 y 62).
MUESTRA 24
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 29 0 1 0 30 3% 97%
Agregado 0 166 0 1 167 1% 99%
Asfalto 1 0 89 0 90 1% 99%
Total 31 167 91 11
Comisión 6% 100% 99% 100% 300
Exactitud Productor 94% 0% 1% 0%
Fuente: propia
96
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.97
PPC 98%
Error estándar 0.014
I.C 95% 0.94 0.99
Fuente: propia
La clase peor clasificada en la muestra 24 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 77%, con un porcentaje correctamente clasificado
(PPC) de 98% y un índice Kappa de 0.97 lo cual indica que la clasificación es 97% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.94 y 0.99, con
un error de 0.014. (Ver tabla 63 y 64).
MUESTRA 25
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 30 0 0 0 30 0% 100%
Agregado 0 165 0 2 167 1% 99%
Asfalto 1 0 89 0 90 1% 99%
Total 31 165 89 15
Comisión 3% 100% 100% 100% 300
Exactitud Productor 97% 0% 0% 0%
Fuente: propia
97
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.98
PPC 99%
Error estándar 0.01
I.C 95% 0.96 1.00
Fuente: propia
Como en la muestra número 25 se obtiene una exactitud del usuario con valores entre el
99% y el 100%, se deduce que la clasificación se realizó con eficiencia. (Ver tabla 65 y 66).
MUESTRA 26
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 30 0 0 0 30 0% 100%
Agregado 0 165 0 2 167 1% 99%
Asfalto 3 0 87 0 90 3% 97%
Total 33 168 87 12
Comisión 9% 100% 100% 100% 300
Exactitud Productor 91% 0% 0% 0%
Fuente: propia
98
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.95
PPC 97%
Error estándar 0.016
I.C 95% 0.92 0.99
Fuente: propia
La clase peor clasificada en la muestra 26 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 77%, con un porcentaje correctamente clasificado
(PPC) de 97% y un índice Kappa de 0.95 lo cual indica que la clasificación es 95% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.92 y 0.99, con
un error de 0.016. (Ver tabla 67 y 68).
MUESTRA 27
VALIDACION
Sin Exactitud
Clase Vacío Agregado Asfalto Total Omisión
Clasificar Usuario
PREDICCION
Vacío 30 0 0 0 30 0% 100%
Agregado 0 164 0 3 167 2% 98%
Asfalto 0 0 90 0 90 0% 100%
Total 30 165 90 15
Comisión 0% 100% 100% 100% 300
Exactitud Productor 100% 0% 0% 0%
Fuente: propia
99
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Kappa 0.98
PPC 99%
Error estándar 0.011
I.C 95% 0.96 1.00
Fuente: propia
La clase peor clasificada en la muestra 27 fue los espacios sin asfalto lo cual se ve reflejado
en la exactitud del usuario con un valor de 92%, con un porcentaje correctamente clasificado
(PPC) de 99% y un índice Kappa de 0.98 lo cual indica que la clasificación es 98% mejor
que la confiabilidad esperada. Se puede analizar también el intervalo de confianza del 95%
lo cual nos indica que la fiabilidad real de los datos clasificados esta entre 0.96 y 1.0, con
un error de 0.011. (Ver tabla 69 y 70).
100
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MUESTRA 1
MUESTRA 1
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 7.915
Agregado 9.554
0.280 0.114 0.00204
Asfalto 63.053
Sin
0.139
Asfalto
MUESTRA 2
MUESTRA 2
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 5.359
Agregado 21.604
0.302 0.120 0.00198
Asfalto 43.225
101
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MUESTRA 3
MUESTRA 3
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 3.425
Agregado 10.162
0.312 0.114 0.00206
Asfalto 66.412
Sin
0.663
Asfalto
MUESTRA 4
MUESTRA 4
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 8.513
Agregado 13.344
Asfalto 58.008 0.588 0.316 0.00241
Sin
0.796
Asfalto
MUESTRA 5
MUESTRA 5
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 4.960
Agregado 2.817
0.606 0.300 0.00234
Asfalto 72.419
Sin
0.456
Asfalto
102
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MUESTRA 6
MUESTRA 6
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 21.671
Agregado 6.354
0.600 0.306 0.00237
Asfalto 52.480
MUESTRA 7
MUESTRA 7
PROCESAMIEN
TO LABORATORIO
COEFICIENT COEFICIENT
E DE E DE TEXTUR
Clase Área
ROZAMIENT ROZAMIENT A
O SECO O HUMEDO
Vacío 8.513
Agregad 13.34
o 4
58.00 0.270 0.094 0.00263
Asfalto
8
Sin
0.796
Asfalto
MUESTRA 8
MUESTRA 8
PROCESAMIENTO LABORATORIO
COEFICIENTE
COEFICIENTE DE
DE
Clase Área ROZAMIENTO TEXTURA
ROZAMIENTO
HUMEDO
SECO
Vacío 12.071
Agregado 10.344
0.278 0.098 0.00255
Asfalto 57.558
Sin
0.690
Asfalto
103
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MUESTRA 9
MUESTRA 9
PROCESAMIENTO LABORATORIO
COEFICIENTE
COEFICIENTE DE
DE
Clase Área ROZAMIENTO TEXTURA
ROZAMIENTO
HUMEDO
SECO
Vacío 15.297
Agregado 2.669
0.282 0.088 0.00284
Asfalto 62.675
MUESTRA 10
MUESTRA 10
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 15.637
Agregado 4.935
0.374 0.146 0.00237
Asfalto 60.003
Sin Asfalto 0.084
MUESTRA 11
MUESTRA 11
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 6.879
Agregado 6.839
0.390 0.144 0.00234
Asfalto 66.922
Sin Asfalto 0.019
104
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MUESTRA 12
MUESTRA 12
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 9.754
Agregado 6.114
0.386 0.140 0.00231
Asfalto 64.614
Sin Asfalto 0.178
MUESTRA 13
MUESTRA 13
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 14.598
Agregado 3.061
0.526 0.200 0.00293
Asfalto 62.967
Sin Asfalto 0.034
MUESTRA 14
MUESTRA 14
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 2.827
Agregado 20.797
0.526 0.216 0.00267
Asfalto 52.655
Sin Asfalto 4.372
105
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MUESTRA 15
MUESTRA 15
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 9.850
Agregado 12.815
0.522 0.212 0.00263
Asfalto 57.236
MUESTRA 16
MUESTRA 16
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 10.693
Agregado 8.297
0.574 0.234 0.00303
Asfalto 61.315
Sin
0.355
Asfalto
MUESTRA 17
MUESTRA 17
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 14.110
Agregado 4.594
Asfalto 61.754 0.586 0.228 0.00298
Sin
0.203
Asfalto
106
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MUESTRA 18
MUESTRA 18
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 15.933
Agregado 1.828
Asfalto 62.861 0.582 0.214 0.00318
Sin
0.039
Asfalto
MUESTRA 19
MUESTRA 19
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 11.917
Agregado 3.864
0.244 0.062 0.00170
Asfalto 64.785
Sin Asfalto 0.093
MUESTRA 20
MUESTRA 20
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 11.105
Agregado 3.207
0.256 0.072 0.00173
Asfalto 66.322
107
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MUESTRA 21
MUESTRA 21
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 17.259
Agregado 8.287
0.252 0.080 0.00168
Asfalto 54.051
Sin Asfalto 1.054
MUESTRA 22
MUESTRA 22
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 7.487
Agregado 8.743
0.358 0.142 0.00218
Asfalto 64.228
Sin Asfalto 0.200
MUESTRA 23
MUESTRA 23
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 7.298
Agregado 4.143
0.360 0.138 0.00209
Asfalto 69.184
Sin Asfalto 0.032
108
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MUESTRA 24
MUESTRA 24
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 11.584
Agregado 3.164
Asfalto 65.749 0.354 0.152 0.00191
Sin
0.143
Asfalto
MUESTRA 25
MUESTRA 25
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 6.964
Agregado 6.649
0.250 0.106 0.00234
Asfalto 66.954
Sin Asfalto 0.093
MUESTRA 26
MUESTRA 26
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 19.852
Agregado 5.550
0.254 0.108 0.00241
Asfalto 55.104
Sin Asfalto 0.162
109
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MUESTRA 27
MUESTRA 27
PROCESAMIENTO LABORATORIO
COEFICIENTE COEFICIENTE
DE DE
Clase Área TEXTURA
ROZAMIENTO ROZAMIENTO
SECO HUMEDO
Vacío 11.583
Agregado 3.163
0.246 0.094 0.00224
Asfalto 65.749
Sin Asfalto 0.143
110
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Calculando los rangos mínimos y máximos para cada variable se obtienen los datos que
se muestran en la tabla 73.
En el área de los agregados pétreos el rango máximo es 19.341 y su dato máximo es 21.
604; en el área de asfalto el rango mínimo es de 45. 834 y el valor mínimo es 43. 225; en
el área de asfalto el rango máximo es de 1.558 y su valor máximo es de 10.464; por lo cual
en estas áreas existen algunos valores atípicos. El área de agregados y el área sin asfalto
tienen un sesgo hacia la derecha lo cual indica que la mayoría de los datos se encuentran
a la izquierda de la media; el área sin asfalto tiene un sesgo a la izquierda lo cual indica que
la mayoría de los datos se encuentran a la derecha de la media. En la variable del
coeficiente de rozamiento los datos comprendidos entre el 50% y el 74% son más dispersos
que entre el 25% y el 50%.
A partir de estos datos se realizan gráficas para encontrar una correlación o similitud entre
las áreas clasificadas y el coeficiente de rozamiento obtenido en laboratorio, para evaluar
las características superficiales del pavimento, como la resistencia al deslizamiento
principalmente las cuales tienen asociadas los parámetros de textura y rugosidad.
111
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
0.500
R² = 0.0018
0.450 vacios
0.400
0.350
0.300
0.250 Lineal
0.200 (vacios)
0.150
0.100
0.050
0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
area de vacios
y = 0.0006x + 0.3867
0.500 R² = 0.0005
0.450
0.400 agregados
0.350
0.300
0.250 Lineal
0.200 (agregado
0.150 s)
0.100
0.050
0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
area de agregados
112
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
0.500
y = -0.0008x + 0.439
0.450
R² = 0.0013
0.400
0.350
0.300 ASFALTO
0.250
Lineal (ASFALTO)
0.200
0.150
0.100
0.050
0.000
40 45 50 55 60 65 70 75
AREA ASFALTO
0.550
0.500
0.450 y = -0.0028x + 0.3933
0.400 R² = 0.0018
0.350
0.300 SIN ASFALTO
0.250
0.200 Lineal (SIN ASFALTO)
0.150
0.100
0.050
0.000
0 1 2 3 4 5 6 7 8 9 10 11
AREA SIN ASFALTO
A partir del análisis de las variables (coeficiente de rozamiento y áreas) se considera que
los datos se encuentran muy dispersos por lo tanto no se corresponden en lo absoluto
(figuras 78, 79, 80 y 81); a partir de los coeficientes de correlación (r) no existe ninguna
asociación y por tanto ninguna correlación entre las variables. Mediante el cálculo de una
regresión lineal se obtiene un coeficiente de determinación para cada grafica lo cual indica
113
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
que no se puede establecer relación entre cada una de las áreas calculadas con el
coeficiente de rozamiento.
Además se puede percibir que en la graficas de las áreas de los agregados pétreos, los
contenidos de asfalto y sin asfalto tienen valores atípicos porque están fuera del rango de
los valores normales, pero que no tienen tampoco ningún tipo de afectación si se llegasen
a discriminan del cálculo.
En la figura 82 se puede ver todas las áreas calculadas a partir del procesamiento de las
imágenes con el coeficiente de rozamiento, donde se muestran los datos atípicos obtenidos
en cada una de las áreas estudiadas.
0.65
0.60
COEFICIENTE ROZAMIENTO
0.55
0.50
0.45
0.40
0.35
0.30
0.25
0.20
0.0 5.0 10.0 15.0 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0
AREAS CLASIFICADAS BRIQUETAS
Se puede apreciar que aun así se discrimen esos datos atípicos no influye para que se
llegue a dar algún tipo de tendencia en las áreas estudiadas. Cabe resaltar que se realizaron
transformaciones para estabilizar la varianza como exponenciales, logarítmicas, potencial
y polinómica pero ninguna presentó una mejora en el coeficiente de correlación.
114
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
MATRIZ DE CORRELACIÓN
ÁREAS ÁREAS ÁREAS ÁREAS SIN COEF
ÁREAS VACIOS AGREGADOS ASFALTO ASFALTO ROZAMIENTO
ÁREAS VACIOS 1.0000000
ÁREAS AGREGADOS -0.4989632 1.0000000
ÁREAS ASFALTO -0.2341034 -0.7040869 1.0000000
ÁREAS SIN ASFALTO -0.3591885 0.7621596 -0.6947220 1.0000000
COEF ROZAMIENTO 0.0422305 0.0215254 -0.0358442 -0.0428515 1.0000000
Fuente: propia
0.350
COEFICIENTE DE ROZAMIENTO VS ÁREAS DE VACIOS
Coeficiente de rozamiento
0.300
0.250
y = 0.0003x + 0.1536
0.200 R² = 0.0004
vacios
0.150 Lineal
0.100 (vacios)
0.050
0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
area de vacios
0.350
COEFICIENTE DE ROZAMIENTO VS ÁREAS DE AGREGADOS
Coeficiente de rozamiento
0.300
0.250 y = 0.0011x + 0.1485
R² = 0.0061
0.200 AREA
0.150
AGREGADOS
0.100
0.050
0.000
0 2 4 6 8 10 12 14 16 18 20 22 24
area de agregados
115
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
0.260
0.240
0.220
0.200 y = -0.0009x + 0.2104
0.180 R² = 0.0054
0.160 asfalto
0.140
Lineal (asfalto)
0.120
0.100
0.080
0.060
0.040
0.020
0.000
40 45 50 55 60 65 70 75
area de asfalto
0.260
0.240
0.220
0.200
0.180
0.160 sin asfalto
0.140
Lineal (sin asfalto)
0.120
0.100
y = -0.0007x + 0.1575
0.080
R² = 0.0004
0.060
0.040
0.020
0.000
0 1 2 3 4 5 6 7 8 9 10 11
area sin asfalto
116
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
La figura 87 se puede ver que los datos son muy dispersos lo cual no se tiene ningún tipo
de correlación entre la variable del coeficiente de rozamiento con las áreas de vacíos,
asfalto, agregados y sin asfalto.
0.300
0.250
0.200 vacios
0.150 agregados
0.100 asfalto
0.000
0.000 10.000 20.000 30.000 40.000 50.000 60.000 70.000 80.000
areas clasificadas briquetas
MATRIZ DE CORRELACION
AREA SIN COEF
AREA VACIOS AREA AGREGADOS AREA ASFALTO ASFALTO ROZAMIENTO
AREA VACIOS 1
AREA AGREGADOS -0.498963 1
AREA ASFALTO -0.234103 -0.704086 1
AREA SIN ASFALTO -0.359188 0.762159 -0.694722 1
COEF ROZAMIENTO 0.020074 0.077877 -0.07377 -0.018799 1
Fuente: propia
117
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
ÁREA VACIOS
0.0035 y = 2E-05x + 0.0022
0.003 R² = 0.0332
TEXTURA 0.0025
0.002
0.0015 AREA
0.001 VACIOS
0.0005
0
0.000 5.000 10.000 15.000 20.000 25.000
AREAS VACIOS
0.004
ÁREA AGREGADOS
0.002 AGREGADOS
ÁREA ASFALTO
0.0035
0.003
AREA
0.0025 ASFALTO
TEXTURA
0.002
0.0015 Lineal (AREA
ASFALTO)
0.001
y = -4E-06x + 0.0026
0.0005 R² = 0.0046
0
0.000 20.000 40.000 60.000 80.000
AREA CONTENIDO DE ASFLATO
118
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
0.0035
0.002
0.0015
Lineal
0.001 (AREA SIN
ASFALTO)
0.0005
0
0.000 2.000 4.000 6.000 8.000 10.000 12.000
AREA SIN ASFALTO
0.002
0.001
0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
AREAS CLASIFICADAS
Se puede ver que no existe tampoco ninguna tendencia entre los datos calculados, por lo
tanto existe ninguna asociación por lo tanto no hay correlación.
119
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
AREA VACIOS 1
AREA AGREGADOS -0.4989632 1
AREA ASFALTO -0.2341034 -0.70408685 1
AREA SIN ASFALTO -0.3591885 0.76215955 -0.6947220 1
PROFUNDIDAD TEXTURA 0.1821654 -0.03337966 -0.0678598 -0.1313580 1
Fuente: propia
0.600
0.500
0.400
0.300
0.200
0.100
0.000
0.000 10.000 20.000 30.000 40.000 50.000 60.000 70.000 80.000
AREAS CALCULADAS
120
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
COEFICIENTE DE
ROZAMIENTO
0.600
AREA VACIOS
0.400
AREA AGREGADOS
0.200
AREA ASFALTO
0.000
0.000 20.000 40.000 60.000 80.000 AREA SIN ASFALTO
AREAS
0.350
AREA VACIOS
0.300
AREA AGREGADOS
0.250
AREA ASFALTO
0.200
0.000 20.000 40.000 60.000 80.000 AREA SIN ASFALTO
AREAS
0.400
0.200
0.000
0.000 10.000 20.000 30.000 40.000 50.000 60.000 70.000 80.000
AREAS DE MEZCLAS COMPACTADAS A 75 GOLPES
121
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
COEFICIENTE DE ROZAMIENTO
0.600
0.500
0.400
0.300
0.200
0.100
0.000
0.000 10.000 20.000 30.000 40.000 50.000 60.000 70.000 80.000
AREAS DE MEZCLAS COMPACTADAS A 50 GOLPES
0.600
0.500
0.400
0.300
0.200
0.100
0.000
0.000 10.000 20.000 30.000 40.000 50.000 60.000 70.000 80.000
AREAS DE MEZCLAS COMPACTADAS A 25 GOLPES
Como se pudo analizar y apreciar anteriormente no existe ningún tipo de correlación entre
los datos que se tomaron en el laboratorio con las áreas calculadas en el procesamiento de
las imágenes, por lo cual no se puede continuar con ningún tipo de análisis.
Se entiende que las muestras al ser compactadas con diferentes números de golpes
poseen diferentes espacios de vacíos, es por esto que las mezclas que fueron compactadas
a 75 golpes son menos porosas que las que se compactan a 25 golpes.
122
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Según las matrices de correlación se puede ver que existe correlación positiva entre las
áreas sin asfalto con el área de los agregados pétreos por lo cual se puede deducir que
encontrándose las muestras húmedas o secas, a mayor área sin asfalto se encontraran
mayores áreas de agregados pétreos; al igual que existe una correlación negativa entre las
áreas de contenido de asfalto con las áreas de los agregados pétreos lo cual se deduce
que si se tiene mayor contenido de asfalto se tendrá menor cantidad de agregados pétreos.
Una de las razones es porque las imágenes con las que se generó el estudio son imágenes
planas (x. y), tomadas desde un plano horizontal lo cual no permite obtener ningún tipo de
ondulación o desviaciones en las muestras; por lo tanto se genera problema con los
modelos obtenidos para el análisis. Por otra parte se quiso realizar un modelo digital de la
briqueta pero tampoco era la solución a este problema puesto que si se hiciese la
reconstrucción del modelo a partir de varias fotografías tomadas desde diferentes ángulos,
el modelo quedaría totalmente plano en todas sus caras, por lo tanto se llega a la conclusión
que una posible solución puede ser determinando las protuberancias o diferencias en altura
en las muestras. Es importante lograr hacer un perfil en cada una de las briquetas y así
realizar el análisis mediante alturas y poder posiblemente determinar unas longitudes de
onda que permitan relacionarlas con las especificaciones existentes para el cálculo de la
microtextura y la macrotexytura.
Otra posible razón por la cual no se obtuvo correlación con los datos obtenidos es porque
puede incidir, que la toma de las fotografías no se hizo con la misma altura por lo que puede
causar variación en la luz y al procesarlas puede que se obtengan errores en la asignación
de los niveles digitales, por lo tanto, existe un porcentaje de la briqueta sin clasificar, más
sin embargo se pudo comprobar que a partir de la validación de la información clasificada
los porcentajes calculados están dentro de un margen adecuado. Cabe resaltar que las
imágenes se tomaron a la luz del día sin uso de flash para que no interfiera en ningún caso
problemas de brillo en las fotografías. Tal vez se hubiera podido obtener una mejor
percepción de la superficie de las briquetas si se hubiera tomado desde una distancia
123
RESULTADOS Y DISCUSIÓN MARIAM RIVAS DIAZGRANADOS
Es posible que en el ensayo del Circulo de Arena no se tengan los resultados más óptimos
debido a que no se cumplía con el diámetro descrito en la norma INVIAS por lo cual se
puede obtener una desviación en los datos calculados mediante este laboratorio, al igual si
se hiciera el estudio a partir de equipos más sofisticados y sobre tramos de vías con una
determinada longitud puede que arrojen mejores resultados que los que se obtuvieron.
124
CONCLUSIONES MARIAM RIVAS DIAZGRANADOS
5. CONCLUSIONES
Se considera que se debe calcular otra variable que permita analizar con tres ejes x, y, z. y
así, por medio de un perfil de la briqueta, obtener longitudes de onda para el análisis de la
microtextura y macrotextura.
Por medio del método de SVM se obtienen resultados óptimos en la clasificación de las
fotografías, ya que ninguna presenta bajos porcentajes en la exactitud del usuario, pero se
debe tener en cuenta que al procesar mediante el programa R Project se requiere de un
computador que permita una velocidad de ejecución alta porque se trabaja con un conjunto
de datos grandes.
El número de golpes con las que son compactadas las briquetas tienen gran incidencia en
el porcentaje de vacíos, ya que a mayor número de golpes (75) se encuentran menos
porcentajes de vacíos en la mezcla total y compactando a menor número de golpes se tiene
menos porcentaje de vacíos llenos de asfaltos.
Aunque las imágenes quedaron bien clasificadas no se puede descartar que si tienen en
cuenta solo tres bandas (R, G, B), puede que existan niveles digitales que se confundan
con otros por lo que se presentan algunos datos atípicos en los resultados.
125
CONCLUSIONES MARIAM RIVAS DIAZGRANADOS
Realizar el estudio directamente in-situ en un tramo de vía específico, puede llegar ser más
efectivo para obtener áreas más grandes de trabajo y resultados más favorables en los
ensayos de laboratorio.
126
RECOMENDACIONES MARIAM RIVAS DIAZGRANADOS
6. RECOMENDACIONES
Para poder evaluar y realizar una mejor clasificación de la información, se puede hacer el
estudio tomando las fotografías con la banda del infrarrojo, ya que tal vez puede clasificar
con mucha más precisión los niveles digitales teniendo así un porcentaje más bajo de
pixeles que se queden sin clasificar.
Una posible solución es calcular las desviaciones que se tengan en el pavimento y permita
obtener las diferencias de nivel para generar un perfil por muestra y obtener otra variable
de comparación en el estudio.
Realizar comparaciones con otros ensayos de laboratorio más específicos como los
equipos topográficos clásicos, perfilógrafo láser, rugosímetro de Merlín entre otros y
comparar si se pueden obtener resultados más favorables.
127
BIBLIOGRAFIA MARIAM RIVAS DIAZGRANADOS
7. BIBLIOGRAFÍA
Amarasiri, Saumya Priyadari. Optical Texture-Based Tools for Monitoring Pavement Surface
Wear and Cracks Using Digital Images. Universidad del Sur de Florida. Ingeniería Civil y
Ambiental. 2011.
ASTM E-1911. Individual Commitment y Group Effort TICS.Ltd. Dynamic friction Tester. [en
línea: http://www.tics.hu/DFTester.htm].
128
BIBLIOGRAFIA MARIAM RIVAS DIAZGRANADOS
C. Burges. A tutorial on support vector machines for pattern recognition. Data Mining and
Knowledge Discovery, vol. 2, no. 2, 1998.
F. Caro, G. Peña. Análisis y criterios para el cálculo del Índice de Rugosidad Internacional
(IRI) en vías urbanas colombianas que orienten la elaboración de una especificación
técnica. Intekhnia. 2012.
Gutiérrez, M., & eT al. (2005). Clasificación no supervisada de coberturas vegetales sobre
imágenes digitales de sensores remotos: “landsat – etm+”. Medellín: Universidad Nacional.
Recuperado el 19 de agosto de 2015,
129
BIBLIOGRAFIA MARIAM RIVAS DIAZGRANADOS
Instituto del Cemento Portland Argentino ICPA. Avances en la rugosidad IRI. 1995
Instituto Nacional de Vías. Norma I.N.V. E – 748 – 07, Resistencia de Mezclas Asfálticas en
Caliente Empleando El Aparato Marshall. Bogotá, Colombia: 2007, p. 2. Impreso Ediciones
LTDA.
Instituto Nacional de Vías. Norma I.N.V. E – 790 – 07, Determinación del Índice
Internacional de Rugosidad (IRI) para Medir la Rugosidad de los Pavimentos, Bogotá,
Colombia: 2007, p. 2. Impreso Ediciones LTDA.
Instituto Nacional de Vías. Norma I.N.V. E – 791 – 07, Textura Superficial De Un Pavimento
Mediante El Método Del Círculo De Arena. Bogotá, Colombia: 2007, p. 2. Impreso Ediciones
LTDA.
Instituto Nacional de Vías. Norma I.N.V. E – 791 – 13, Textura Superficial De Un Pavimento
Mediante El Método Del Círculo De Arena. Bogotá, Colombia: 2013, p. 2. Impreso Ediciones
LTDA.
Instituto Nacional de Vías. Norma I.N.V. E – 792 – 13, Medida Del Coeficiente De
Resistencia Al Deslizamiento Usando El Péndulo Británico. Bogotá, Colombia: 2013, p. 2.
Impreso Ediciones LTDA.
130
BIBLIOGRAFIA MARIAM RIVAS DIAZGRANADOS
Kraemer C, Rocci S, Ingeniería de carreteras. Vol.2, 1ª ed., Editorial McGraw Hill, 2004.
Lizarazo Ivan. Getting Started with Rgis V- 0.1. Facultad de Ingeniería. Universidad Distrital
Francisco José de Caldas. Bogotá, agosto 2013..
Lizarazo, I., & Medina, R. (2014). Evaluación de la fusión de imágenes satelitales usando
la transformada de Wavelet con relación a los métodos tradicionales. Universidad Distrital.
Recuperado el 08 de Mayo de 2013.
Maila Paucar Manuel Elías. Comportamiento De Una Mezcla Asfáltica Modificada Con
Polímero Etileno Vinil Acetato (Eva). Facultad De Ingeniería, Ciencias Físicas y Matemática.
Universidad Central Del Ecuador. Quito – Ecuador. 2013
Moliard, Jean-Marc; Chambon, Sylvie. Automatic Road Pavement Assessment with Image
Processing. Departement of MACS, Institut Francais des Sciences et Technologies des
Transports, de l’Am´enagement et des R´eseaux (IFSTTAR), France. 2011.
131
BIBLIOGRAFIA MARIAM RIVAS DIAZGRANADOS
V.Ñ. Vapnik. The nature of statistical learning theory. New York: Springer-Verlag, 1995.
3DRiskMapping. (2008). Teoría y práctica del escaneo laser terrestre. Preparado por el
proyecto herramientas de aprendizaje para el levantamiento tridimensional avanzado en la
conciencia de riesgos.
132
ANEXOS MARIAM RIVAS DIAZGRANADOS
# Cargar la imagen en R
library(foreign)
library(raster)
library(kernlab)
library(mda)
library(vcd)
library(sp)
library(rgdal)
library(scatterplot3d)
library(maptools)
# cargar imagen
muestra<-stack("22_8.tif")
muestra
# class : RasterStack
# dimensions : 3867, 5147, 19903449, 3 (nrow, ncol, ncell, nlayers)
# resolution : 0.002999, 0.002999 (x, y)
# extent : -2.620497, 12.81536, -5.629455, 5.967678 (xmin, xmax, ymin, ymax)
# coord. ref. : +proj=tmerc +lat_0=4.596200416666666 +lon_0=-74.07750791666666 +k=1
+x_0=1000000 +y_0=1000000 +ellps=GRS80 +towgs84=0,0,0,0,0,0,0 +units=m +no_defs
# names : X22.1, X22.2, X22.3
# min values : 0, 0, 0
# max values : 255, 255, 255
# Composición a color
par(mfrow=c(1,1))
plotRGB(muestra, r=3, g=2, b=1)
# Estadísticas Unibandas
resumen <- summary(muestra)
resumen
# Matriz de Covarianza
covar <- cov(as.matrix(muestra))
covar
133
ANEXOS MARIAM RIVAS DIAZGRANADOS
# Matriz de Correlación
corr <- cor(as.matrix(muestra))
corr
# Ploteos de Dispersión
pairs(muestra)
# Archivo de cobertura
vector=readOGR(dsn="E:/Mariam/Shape",layer="Muestra")
vector
plot(vector, col='orange')
# Visualización entrenamiento
plotRGB(muestra,r=3,g=2,b=1)
plot(vector,col='red', add=TRUE)
plot(sp.train,col='red', add=TRUE)
134
ANEXOS MARIAM RIVAS DIAZGRANADOS
# Visualización validación
plot(vector)
plot(sp.test ,col='blue', add=TRUE)
# Entrenamiento de SVM
svp_1 <- ksvm(trainvals,resp, type="C-svc",kernel='rbf',kpar=list(sigma=2.5),C=50)
svp_1
# Vectores de soporte
alpha(svp_1)
alphaindex(svp_1)
b(svp_1)
# Predicción modelo
clasepred <- predict(svp_1,getValues(muestra))
clasepred
Muestra
# Creación del un raster con las clases de cobertura obtenidas por el algoritmo SVM
Predicción <- raster(ncols=5147,nrows=3867,xmn=-2.620497, xmx=12.81536, ymn=-
5.629455, ymx=5.967678)
predicción[1:19903449] <- clasepred
r<-predicción
Predicción
# raster de clases existentes en el terreno y el raster de clases obtenidas mediante SVM
plot(vector, main="Clases existentes en el terreno")
plot(predicción, main="Clases obtenidas mediante SVM")
# escribir la imagen
library(rgdal)
rf<-writeRaster(r,filename="muestreo_22.tif",format="GTiff",overwrite=TRUE)
135
ANEXOS MARIAM RIVAS DIAZGRANADOS
136