Digital Elevation Model Differencing and Error Estimation from

Multiple Sources: A Case Study from the Meiyuan Shan

Landslide in Taiwan
In this study, six different periods of digital terrain model (DTM) data obtained from various
flight vehicles by using the techniques of aerial photogrammetry, airborne LiDAR (ALS), and
unmanned aerial vehicles (UAV) were adopted to discuss the errors and applications of
these techniques. Error estimation provides critical information for DTM data users. This study
conducted error estimation from the perspective of general users for mountain/forest areas
with poor traffic accessibility using limited information, including error reports obtained from
the data generation process and comparison errors of terrain elevations. Our results suggested
that the precision of the DTM data generated in this work using different aircrafts and
generation techniques is suitable for landslide analysis. Especially in mountainous and densely
vegetated areas, data generated by ALS can be used as a benchmark to solve the problem of
insufficient control points. Based on DEM differencing of multiple periods, this study suggests
that sediment delivery rate decreased each year and was affected by heavy rainfall during each
period for the Meiyuan Shan landslide area. Multi-period aerial photogrammetry and ALS can
be effectively applied after the landslide disaster for monitoring the terrain changes of the
downstream river channel and their potential impacts.

En este estudio, se adoptaron seis períodos diferentes de datos del modelo digital del terreno
(DTM) obtenidos de varios vehículos de vuelo mediante el uso de las técnicas de fotogrametría
aérea, LiDAR en el aire (ALS) y vehículos aéreos no tripulados (UAV) para discutir los errores y
las aplicaciones de Estas técnicas. La estimación de errores proporciona información crítica para
los usuarios de datos DTM. Este estudio realizó una estimación de errores desde la perspectiva
de los usuarios generales para áreas de montaña / bosque con poca accesibilidad de tráfico
utilizando información limitada, incluidos informes de errores obtenidos del proceso de
generación de datos y errores de comparación de elevaciones de terreno. Nuestros resultados
sugieren que la precisión de los datos DTM generados en este trabajo utilizando diferentes
aeronaves y técnicas de generación es adecuada para el análisis de deslizamientos de tierra.
Especialmente en áreas montañosas y densamente vegetadas, los datos generados por ALS
pueden usarse como punto de referencia para resolver el problema de puntos de control
insuficientes. Basado en la diferencia de DEM de múltiples períodos, este estudio sugiere que
la tasa de entrega de sedimentos disminuyó cada año y se vio afectada por fuertes lluvias
durante cada período en el área del deslizamiento de tierra de Meiyuan Shan. La fotogrametría
aérea de períodos múltiples y la ELA se pueden aplicar de manera efectiva después del desastre
del deslizamiento de tierra para monitorear los cambios en el terreno del canal del río aguas
abajo y sus posibles impactos.

Introduction
Multi-source, multi-period DTM data are not only a critical tool for research on the mechanism
of landslides, but also considered as greatly useful information regarding active faults,
earthquake disasters [1–4], and flooding/river bank erosion [5]. When it comes to the
comparison of this type of terrain information, error estimation of data obtained in various
periods using various techniques becomes crucial. Almost every technology, including
theodolites, GPS, photogrammetry, InSAR, airborne LiDAR (ALS), and ground LiDAR, has its
application ranges and restrictions in terms of spatial and time scales when employed to obtain
3-D terrain data [6,7]. By comparing the information with various precision and resolution
methods that are collected during different periods, these multi-method, multi-period data of
digital terrain models (DTM) have been used in landslide mechanism-related research [8],
observations of surficial activity [9–11], landslide volume calculations [12–14], and volume
variation estimations [15], as well as disaster scale assessment and simulation [16]. Most of the
previous comparative studies on multi-period DTM data have adopted ground control points,
e.g., the discussion of landslide and river terrain variation by comparing the DTM data
from ground measurements and those from aerial photogrammetry and ALS measurements
[10,17–19], analysis of river terrain variation and slope earthflows by contrasting between two-
period [20,21] or three-period [22] ALS data and ground measurement data, evaluation of
earthflow terrain variation using airborne and ground LiDAR data, and error assessment of these
two techniques [23], using InSAR-derived DTM to discuss terrain changes before and after the
landslide event [7], and error assessment based on the two LiDAR datasets of Taiwan [24]. All of
these studies mentioned above were conducted based on accessible ground measurement
points. However, difficulties associated with ground measurements might occur if the target
areas were located on high and steep mountains or densely vegetated areas, which could
potentially affect the assessment of errors. Moreover, Tseng et al. calculated errors based on
the undisturbed areas [25] and regarded the standard deviation of distribution of elevation
difference as the average difference and error range of the two-period digital elevation model
(DEM), respectively. Such an assessment method tended to be affected by the selected
undisturbed areas. Hence, data obtained using different DTM generating techniques under
various terrains or landscapes could lead to varied errors, which would eventually impact
the rationality of the subsequent analysis or assessment.

Los datos de DTM de múltiples fuentes y períodos múltiples no solo son una herramienta crítica
para la investigación sobre el mecanismo de deslizamientos de tierra, sino que también se
consideran información de gran utilidad con respecto a fallas activas, terremotos [1–4] e
inundaciones / erosión de las riberas [5 ] Cuando se trata de la comparación de este tipo de
información del terreno, la estimación de errores de los datos obtenidos en varios períodos
utilizando diversas técnicas se vuelve crucial. Casi todas las tecnologías, incluidos los teodolitos,
GPS, fotogrametría, InSAR, LiDAR aerotransportado (ALS) y LiDAR terrestre, tienen sus rangos
de aplicación y restricciones en términos de escalas espaciales y temporales cuando se emplean
para obtener datos de terreno en 3D [6,7] . Al comparar la información con varios métodos de
precisión y resolución que se recopilan durante diferentes períodos, estos datos de varios
métodos y períodos de modelos digitales del terreno (DTM) se han utilizado en investigaciones
relacionadas con mecanismos de deslizamientos de tierra [8], observaciones de actividad
superficial [9–11], cálculos de volumen de deslizamientos de tierra [12–14] y estimaciones de
variación de volumen [15], así como evaluación y simulación de escala de desastres [16]. La
mayoría de los estudios comparativos previos sobre datos de DTM de períodos múltiples han
adoptado puntos de control de tierra, por ejemplo, la discusión de la variación del terreno de
deslizamientos de tierra y ríos comparando los datos de DTM de mediciones de tierra y de
fotogrametría aérea y mediciones de ALS [10,17–19 ], análisis de la variación del terreno del río
y los flujos de tierra de la pendiente mediante el contraste entre los datos de ALS de dos períodos
[20,21] o de tres períodos [22] y los datos de medición del suelo, la evaluación de la variación
del terreno del flujo de la tierra utilizando datos LiDAR aerotransportados y terrestres, y la
evaluación de errores de estas dos técnicas [23], utilizando DTM derivado de InSAR para discutir
los cambios de terreno antes y después del evento de deslizamiento de tierra [7], y la evaluación
de errores basada en los dos conjuntos de datos LiDAR de Taiwán [24]. Todos estos estudios
mencionados anteriormente se realizaron en base a puntos de medición de terreno accesibles.
Sin embargo, las dificultades asociadas con las mediciones en el suelo pueden ocurrir si las áreas
objetivo se ubican en montañas altas y empinadas o áreas densamente vegetadas, lo que podría
afectar la evaluación de errores. Además, Tseng et al. calculó los errores basados en las áreas
no perturbadas [25] y consideró la desviación estándar de la distribución de la diferencia de
elevación como la diferencia promedio y el rango de error del modelo de elevación digital de
dos períodos (DEM), respectivamente. Tal método de evaluación tendía a verse afectado por
las áreas no perturbadas seleccionadas. Por lo tanto, los datos obtenidos utilizando diferentes
técnicas de generación de DTM en diversos terrenos o paisajes podrían conducir a errores
variados, lo que eventualmente afectaría la racionalidad del análisis o evaluación posterior.

Due to the highly unpredictable feature of landslide incidents, few practically measured
landslide volume values exist. Most research work conducted in the past evaluated slide volume
by measuring the landslide area on the obtained image and then estimating the average depth
[26–28]. However, the certainty of landslide depth is often difficult to evaluate due to the lack
of terrain information before the disaster, which would affect the accuracy of landslide volume
estimation. As a result, there also exist a number of studies where statistical/empirical
equations, i.e., relations between area and volume derived by compiling a large quantity of
landslide cases, are used to approximate the potential landslide volume based on a certain
landslide area. Nevertheless, this type of method is also restricted by various factors such as
area features, landslide type, slope morphology, and rock properties [29]. With the
development of DTM data, it has become feasible to adopt various techniques such as
photogrammetry, ALS, and ground LiDAR, along with multi-period terrain information
to calculate landslide volume [10,12–16,19]. This work used the multi-period aerial
photogrammetry, UAV, and ALS techniques to explore the application of data generated from
different techniques in DEM differencing analysis after landslide hazards, as well as to calculate
the earthflow volume produced by massive landslides. Specifically, through error assessment of
multi-source, multi-period DTM data obtained from a densely-vegetated mountain area, this
research attempted to examine the applicability of various techniques in massive landslides
under such terrain conditions. The landslide volume and the subsequent volume variation were
also calculated using DTM data from multiple periods. This research enables researchers who
apply multi-period DEMs to know more about the characters, activities, and potential effects of
landslides and, thereby, offering effective guidance on the assessment of landslide hazards.

Debido a la característica altamente impredecible de los incidentes de deslizamientos de tierra,

existen pocos valores de volumen de deslizamientos prácticamente medidos. La mayoría del
trabajo de investigación realizado en el pasado evaluó el volumen del portaobjetos midiendo el
área de deslizamiento de tierra en la imagen obtenida y luego estimando la profundidad
promedio [26-28]. Sin embargo, la certeza de la profundidad del deslizamiento es a menudo
difícil de evaluar debido a la falta de información del terreno antes del desastre, lo que afectaría
la precisión de la estimación del volumen del deslizamiento. Como resultado, también existen
varios estudios en los que las ecuaciones empíricas / estadísticas, es decir, las relaciones entre
el área y el volumen derivadas de la recopilación de una gran cantidad de casos de
deslizamientos de tierra, se utilizan para aproximar el volumen potencial de deslizamientos de
tierra en función de un área determinada. Sin embargo, este tipo de método también está
restringido por varios factores, como las características del área, el tipo de deslizamiento de
tierra, la morfología de la pendiente y las propiedades de las rocas [29]. Con el desarrollo de
los datos DTM, se ha hecho posible adoptar diversas técnicas, como la fotogrametría, ALS y
LiDAR terrestre, junto con información del terreno de varios períodos para calcular el volumen
de deslizamientos de tierra [10,12-16,19]. Este trabajo utilizó las técnicas de fotogrametría
aérea de varios períodos, UAV y ALS para explorar la aplicación de datos generados a partir de
diferentes técnicas en el análisis de diferenciación DEM después de los riesgos de deslizamientos
de tierra, así como para calcular el volumen de flujo de tierra producido por deslizamientos de
tierra masivos. Específicamente, a través de la evaluación de errores de datos DTM de múltiples
fuentes y múltiples períodos obtenidos de un área de montaña densamente vegetada, esta
investigación intentó examinar la aplicabilidad de varias técnicas en deslizamientos de tierra
masivos bajo tales condiciones de terreno. El volumen de deslizamientos de tierra y la variación
de volumen posterior también se calcularon utilizando datos DTM de múltiples períodos. Esta
investigación permite a los investigadores que aplican DEM de períodos múltiples saber más
sobre los personajes, las actividades y los posibles efectos de los deslizamientos de tierra y, por
lo tanto, ofrecer una guía efectiva sobre la evaluación de los riesgos de deslizamientos de tierra.

Materials and Methods

2.1. Study Area

In 2008, Taiwan region was struck by the massive rainfall brought by Typhoon Sinlaku.
The mountainous area in Central Taiwan received over 1000 mm of rainfall, with a maximum
accumulated precipitation of more than 1600 mm [29], which caused severe geological hazards
in this area. The restaurant buildings in the Lushan hot spring area in Nantou County collapsed
and the Houfeng Bridge in Taichung City was damaged by floods [30]. The Meiyuan Shan
landslides (Figure 1) occurred near Ren’ai Township, in Nantou County in Central Taiwan, near
Huisun Experimental Forest Station, within the river basin of Meitangan River of the Beigang
River system. The significantly heavy rain brought by Typhoon Sinlaku on 14–15 September 2008
caused the rain gauge at the Qingliu station to reach 761 mm. As a result, a large-scale landslide
with an area of about 0.9 km2 occurred on the southeastern slope of Meiyuan Shan (1785 m),
which led to a large landslide. Subsequently, the large body of rocks and sediments propagated
downstream with water, depositing at the confluence of the Beigang and Meitangan Rivers
(Figure 2). The base of the Tou 80 County Road and the slope next to the camping area within
the Huisun Experimental Forest Station were seriously hollowed out, and the collapsed
sediments congested the Meitangan River, forming a landslide dam. The main geomorphological
features of this area (marked by the blue boundary in Figure 1) are described here: Ridges
stretch from Baxianshan in the northeast to Meiyuan shan in the southwest, with the dominant
southeast slope aspect; The flow of the Meitangan River system is naturally bounded by the
ridge boundaries, i.e., flowing from the northeast toward the southwest and then converging
into the major river in this area, the Beigang River;

In addition to the Huisun Experimental Forest Station, villages such as Qingliu, Chungyuan,
and Meiyuan are all located along the bank of the Beigang River. While these villages can
communicate with the outside area through the county road, the study area cannot be reached
through any roads other than walking in the countercurrent direction. Near the study area, there
is a rain gauge station close to Qingliu Village set by the Central Weather Bureau and a
flowmeter set by the Water Resource Agency, Ministry of Economic Affairs can also be found
downstream (Figure 1). The data from the rain gauge station and the flow monitoring station
during 2005 to 2013 are shown in Figure 3.

Materiales y métodos

2.1. Área de estudio

En 2008, la región de Taiwán fue golpeada por la lluvia masiva traída por el tifón Sinlaku. El área
montañosa en el centro de Taiwán recibió más de 1000 mm de lluvia, con una precipitación
máxima acumulada de más de 1600 mm [29], lo que causó graves riesgos geológicos en esta
área. Los edificios del restaurante en el área de aguas termales de Lushan en el condado de
Nantou se derrumbaron y el puente Houfeng en la ciudad de Taichung fue dañado por las
inundaciones [30]. Los deslizamientos de tierra de Meiyuan Shan (Figura 1) ocurrieron cerca del
municipio de Ren’ai, en el condado de Nantou en el centro de Taiwán, cerca de la estación
forestal experimental Huisun, dentro de la cuenca del río Meitangan del sistema del río Beigang.
La lluvia significativamente fuerte que trajo el tifón Sinlaku del 14 al 15 de septiembre de 2008
hizo que el pluviómetro en la estación de Qingliu alcanzara los 761 mm. Como resultado, se
produjo un deslizamiento de tierra a gran escala con un área de aproximadamente 0,9 km2 en
la ladera sureste de Meiyuan Shan (1785 m), lo que provocó un gran deslizamiento de tierra.
Posteriormente, el gran cuerpo de rocas y sedimentos se propagó río abajo con agua,
depositándose en la confluencia de los ríos Beigang y Meitangan (Figura 2). La base de Tou 80
County Road y la pendiente al lado del área de campamento dentro de la Estación Forestal
Experimental Huisun se ahuecaron seriamente, y los sedimentos colapsados congestionaron el
río Meitangan, formando una presa de deslizamiento de tierra. Aquí se describen las principales
características geomorfológicas de esta área (marcadas por el límite azul en la Figura 1): los
puentes se extienden desde Baxianshan en el noreste hasta Meiyuan Shan en el suroeste, con
el aspecto dominante de la ladera sureste; El flujo del sistema del río Meitangan está
naturalmente limitado por los límites de la cresta, es decir, fluye desde el noreste hacia el
suroeste y luego converge en el río principal en esta área, el río Beigang;

Además de la Estación Forestal Experimental de Huisun, pueblos como Qingliu, Chungyuan y

Meiyuan están ubicados a lo largo de la orilla del río Beigang. Si bien estas aldeas pueden
comunicarse con el área exterior a través de la carretera del condado, no se puede llegar al área
de estudio a través de ningún camino que no sea caminar en dirección contracorriente. Cerca
del área de estudio, hay una estación de pluviómetros cerca de la aldea de Qingliu establecida
por la Oficina Meteorológica Central y un medidor de flujo establecido por la Agencia de
Recursos de Agua, el Ministerio de Asuntos Económicos también se puede encontrar aguas
abajo (Figura 1). Los datos de la estación pluviómetro y la estación de monitoreo de flujo durante
2005 a 2013 se muestran en la Figura 3.

Geological Setting

This area is part of the Hsueshan Range zone in terms of geological setting. The exposure
strata of its adjacent areas contain the Tachien Sandstone, Chiayang Formation, Paileng
Formation, Shuichangliu Formation, terrace deposits, and lateritic terrace deposits (Figure 1).
The study area was mainly in the range of the Paileng Formation, with exposure rocks of white
or grey, fine or coarse quartzitic sandstone, and interbedding of grey dense sandstone and dark
grey argillite or slate. With high rock strength and weather resistance, this type of sandstone is
a major feature of the main northeast–southwest ridge in this area, forming the above-
mentioned dip slope terrain. The main geological structures in this area are the Meiyuan Fault
and the Guandaosan Fault. The Meiyuan Fault stretches from northeast to southwest,
coincidently passing through the confluence of the Yangan River and the Beigang River within
the study area. It is an eastwardly tilted, high-angle thrust fault, located west of the study area.
The Guandaosan Fault lays southeast of the Meiyuan Fault, running almost south to north. It is
also an eastwardly tilted, high-angle thrust fault, with the Paileng Formation to its west and the
Tachien Sandstone and slate of Chiayang Formation to its east. Figure 2. Panorama of the
Meiyuan Shan landslide. The left image, a view from the south of Meiyuan shan, illustrates that
the Meiyuan shan terrain along the northeast–southwest direction is a dip slope. It also shows
the alluvial fan generated by rock slides and debris flows. The Meitangan River feeds into the
Beigang River, the main river in this area, which is shown at the right side of this image. The
right image, a view from the east of the Meiyuan Shan landslide, displays the relatively smooth
surface of the zone of depletion revealed after the landslide. A large body of rock and sediments
can still be clearly observed at the foot of the slope. Remote Sens. 2016, 8, 199 4 Figure 2.
Panorama of the Meiyuan Shan landslide. The left image, a view from the south of
Meiyuan shan, illustrates that the Meiyuan shan terrain along the northeast–southwest
direction is a dip slope. It also shows the alluvial fan generated by rock slides and debris flows.
The Meitangan River feeds into the Beigang River, the main river in this area, which is shown at
the right side of this image. The right image, a view from the east of the Meiyuan Shan landslide,
displays the relatively smooth surface of the zone of depletion revealed after the landslide. A
large body of rock and sediments can still be clearly observed at the foot of the slope. Figure 3.
The green bars show the rainfall data recorded by the Qingliu rainfall monitoring station from
2005 to 2013. The blue lines are the flowrate data measured in Beigang River, and the dash
lines representing typhoon and torrential rain incidents during this period of time. The purple
lines indicate the times when aerial photography and ALS measurements were conducted in this
study.

Entorno geológico

Esta área es parte de la zona de la Cordillera de Hsueshan en términos de entorno geológico.

Los estratos de exposición de sus áreas adyacentes contienen la arenisca de Tachien, la
formación Chiayang, la formación Paileng, la formación Shuichangliu, los depósitos de terraza y
los depósitos de terraza lateríticos (Figura 1). El área de estudio se encontraba principalmente
en el rango de la Formación Paileng, con rocas de exposición de arenisca cuarcítica fina o gruesa
blanca o gris, e intercalación de arenisca densa gris y argilita o pizarra gris oscuro. Con alta
resistencia a la roca y resistencia a la intemperie, este tipo de arenisca es una característica
importante de la cresta principal noreste-suroeste en esta área, formando el terreno de
pendiente de inmersión mencionado anteriormente. Las principales estructuras geológicas en
esta área son la falla de Meiyuan y la falla de Guandaosan. La falla de Meiyuan se extiende de
noreste a suroeste, pasando coincidentemente por la confluencia del río Yangan y el río Beigang
dentro del área de estudio. Es una falla de empuje de ángulo alto inclinada hacia el este, ubicada
al oeste del área de estudio. La falla de Guandaosan se encuentra al sureste de la falla de
Meiyuan, corriendo casi de sur a norte. También es una falla de empuje de ángulo alto inclinada
hacia el este, con la Formación Paileng al oeste y la Arenisca Tachien y la pizarra de la Formación
Chiayang al este. Figura 2. Panorama del deslizamiento de tierra Meiyuan Shan. La imagen de la
izquierda, una vista desde el sur de Meiyuan Shan, ilustra que el terreno de Meiyuan Shan a lo
largo de la dirección noreste-suroeste es una pendiente de inmersión. También muestra el
abanico aluvial generado por deslizamientos de rocas y flujos de escombros. El río Meitangan se
alimenta al río Beigang, el río principal en esta área, que se muestra en el lado derecho de esta
imagen. La imagen de la derecha, una vista desde el este del deslizamiento de tierra de Meiyuan
Shan, muestra la superficie relativamente lisa de la zona de agotamiento revelada después del
deslizamiento de tierra. Todavía se puede observar claramente un gran cuerpo de rocas y
sedimentos al pie de la pendiente. Remote Sens. 2016, 8, 199 4 Figura 2. Panorama del
deslizamiento de tierra Meiyuan Shan. La imagen de la izquierda, una vista desde el sur de
Meiyuan Shan, ilustra que el terreno de Meiyuan Shan a lo largo de la dirección noreste-suroeste
es una pendiente de inmersión. También muestra el abanico aluvial generado por
deslizamientos de rocas y flujos de escombros. El río Meitangan se alimenta al río Beigang, el río
principal en esta área, que se muestra en el lado derecho de esta imagen. La imagen de la
derecha, una vista desde el este del deslizamiento de tierra de Meiyuan Shan, muestra la
superficie relativamente lisa de la zona de agotamiento revelada después del deslizamiento de
tierra. Todavía se puede observar claramente un gran cuerpo de rocas y sedimentos al pie de la
pendiente. Figura 3. Las barras verdes muestran los datos de lluvia registrados por la estación
de monitoreo de lluvia Qingliu de 2005 a 2013. Las líneas azules son los datos de caudal medidos
en el río Beigang, y las líneas de trazos que representan incidentes de tifones y lluvias
torrenciales durante este período de tiempo. Las líneas moradas indican los momentos en que
se realizaron fotografías aéreas y mediciones de ALS en este estudio.

2.2. Geological Setting

This area is part of the Hsueshan Range zone in terms of geological setting. The exposure
strata of its adjacent areas contain the Tachien Sandstone, Chiayang Formation, Paileng
Formation, Shuichangliu Formation, terrace deposits, and lateritic terrace deposits (Figure 1).
The study area was mainly in the range of the Paileng Formation, with exposure rocks of white
or grey, fine or coarse quartzitic sandstone, and interbedding of grey dense sandstone and dark
grey argillite or slate. With high rock strength and weather resistance, this type of sandstone is
a major feature of the main northeast–southwest ridge in this area, forming the above-
mentioned dip slope terrain. The main geological structures in this area are the Meiyuan Fault
and the Guandaosan Fault. The Meiyuan Fault stretches from northeast to southwest,
coincidently passing through the confluence of the Yangan River and the Beigang River within
the study area. It is an eastwardly tilted, high-angle thrust fault, located west of the study area.
The Guandaosan Fault lays southeast of the Meiyuan Fault, running almost south to north. It is
also an eastwardly tilted, high-angle thrust fault, with the Paileng Formation to its west and the
Tachien Sandstone and slate of Chiayang Formation to its east. Figure 3. The green bars show
the rainfall data recorded by the Qingliu rainfall monitoring station from 2005 to 2013. The blue
lines are the flowrate data measured in Beigang River, and the dash lines typhoon and torrential
rain incidents during this period of time. The purple lines indicate the times when aerial
photography and ALS measurements were conducted in this study. 2.2. Geological Setting This
area is part of the Hsueshan Range zone in terms of geological setting. The exposure strata of its
adjacent areas contain the Tachien Sandstone, Chiayang Formation, Paileng
Formation, Shuichangliu Formation, terrace deposits, and lateritic terrace deposits (Figure 1).
The study area was mainly in the range of the Paileng Formation, with exposure rocks of white
or grey, fine or coarse quartzitic sandstone, and interbedding of grey dense sandstone and dark
grey argillite or slate. With high rock strength and weather resistance, this type of sandstone is
a major feature of the main northeast–southwest ridge in this area, forming the above-
mentioned dip slope terrain. The main geological structures in this area are the Meiyuan Fault
and the Guandaosan Fault. The Meiyuan Fault stretches from northeast to southwest,
coincidently passing through the confluence of the Yangan River and the Beigang River within
the study area. It is an eastwardly tilted, high-angle thrust fault, located west of the study area.
The Guandaosan Fault lays southeast of the Meiyuan Fault, running almost south to north. It is
also an eastwardly tilted, high-angle thrust fault, with the Paileng Formation to its west and the
Tachien Sandstone and slate of Chiayang Formation to its east.

2.2. Entorno geológico

Esta área es parte de la zona de la Cordillera de Hsueshan en términos de entorno geológico.

Los estratos de exposición de sus áreas adyacentes contienen la arenisca de Tachien, la
formación Chiayang, la formación Paileng, la formación Shuichangliu, los depósitos de terraza y
los depósitos de terraza lateríticos (Figura 1). El área de estudio se encontraba principalmente
en el rango de la Formación Paileng, con rocas de exposición de arenisca cuarcítica fina o gruesa
blanca o gris, e intercalación de arenisca densa gris y argilita o pizarra gris oscuro. Con alta
resistencia a la roca y resistencia a la intemperie, este tipo de arenisca es una característica
importante de la cresta principal noreste-suroeste en esta área, formando el terreno de
pendiente de inmersión mencionado anteriormente. Las principales estructuras geológicas en
esta área son la falla de Meiyuan y la falla de Guandaosan. La falla de Meiyuan se extiende de
noreste a suroeste, pasando coincidentemente por la confluencia del río Yangan y el río Beigang
dentro del área de estudio. Es una falla de empuje de ángulo alto inclinada hacia el este, ubicada
al oeste del área de estudio. La falla de Guandaosan se encuentra al sureste de la falla de
Meiyuan, corriendo casi de sur a norte. También es una falla de empuje de ángulo alto inclinada
hacia el este, con la Formación Paileng al oeste y la Arenisca Tachien y la pizarra de la Formación
Chiayang al este. Figura 3. Las barras verdes muestran los datos de lluvia registrados por la
estación de monitoreo de lluvia Qingliu de 2005 a 2013. Las líneas azules son los datos de caudal
medidos en el río Beigang, y las líneas de guión de tifones y los incidentes de lluvia torrenciales
durante este período de tiempo. Las líneas moradas indican los momentos en que se realizaron
fotografías aéreas y mediciones de ALS en este estudio. 2.2. Entorno geológico Esta área es parte
de la zona del rango de Hsueshan en términos de entorno geológico. Los estratos de exposición
de sus áreas adyacentes contienen la arenisca de Tachien, la formación Chiayang, la formación
Paileng, la formación Shuichangliu, los depósitos de terraza y los depósitos de terraza lateríticos
(Figura 1). El área de estudio se encontraba principalmente en el rango de la Formación Paileng,
con rocas de exposición de arenisca cuarcítica fina o gruesa blanca o gris, e intercalación de
arenisca densa gris y argilita o pizarra gris oscuro. Con alta resistencia a la roca y resistencia a la
intemperie, este tipo de arenisca es una característica importante de la cresta principal noreste-
suroeste en esta área, formando el terreno de pendiente de inmersión mencionado
anteriormente. Las principales estructuras geológicas en esta área son la falla de Meiyuan y la
falla de Guandaosan. La falla de Meiyuan se extiende de noreste a suroeste, pasando
coincidentemente por la confluencia del río Yangan y el río Beigang dentro del área de estudio.
Es una falla de empuje de ángulo alto inclinada hacia el este, ubicada al oeste del área de estudio.
La falla de Guandaosan se encuentra al sureste de la falla de Meiyuan, corriendo casi de sur a
norte. También es una falla de empuje de ángulo alto inclinada hacia el este, con la Formación
Paileng al oeste y la Arenisca Tachien y la pizarra de la Formación Chiayang al este.

Aerial Photogrammetry

Aerial photogrammetry is one of the commonly adopted techniques for obtaining 3-D terrain
information, which can be used to generate DTM data from aerial images through
digital photogrammetry. It is often employed in studies of landslide geomorphology. In most
cases, complete DTM data prior to the landslide event are not necessarily available. In a situation
like this, however, historical aerial images can be used to generate DTM through digital aerial
photogrammetry. The Aerial Survey Office, Forest Bureau (ASO), has conducted aerial
photography for Taiwan forests on a regular basis, the images obtained from which could be
used as orthoimage and DTM data before landslide events for analysis. Each photo had to be
checked for factors, such as cloud content and the existence of fog to ensure the image quality
for subsequent processing. Photos would not be usable with blurry images, fog, excessive
shadows, or clouds (shadows). By searching the historical images taken before the 2008
Meiyuan Shan landslide incident, three periods of datasets are suitable for post-processing, i.e.,
those taken on 22 October 2005, 23 October 2007, 11 November 2007, 10 October 2008, and
30 November 2008 were selected and obtained from Geoforce Company and the ASO historical
aerial photogrammetry database [31]. The set from 2005 contained 203 images taken
by ULTRACAM. The set from 2007 was composed of four images taken by RMK TOP and seven
taken by an Intergraph digital mapping camera (DMC). The set from 2008 had seven images
taken by DMC and an air route covered by a Leica airborne digital sensor 40 (ADS40). Ground
sample distances (GSD) were 0.17 m, 0.19 m, and 0.18 m, respectively. All three datasets used
the same 15 ground control points and were processed by SimActive software and aerial
photogrammetry work stations. The processing of the aerial photogrammetry data is briefly
described here:

After appropriate aerial images were chosen and aerotriangulation mapping was done,
models based on the accurate parameters of exterior orientation of every image and
superimposition of high-precision GPS coordinates were made.
When conducting aerotriangulation adjustment, the 15 ground control points were also taken
into consideration to improve the accuracy of the parameters of exterior orientation. The
control point errors of three data sets after aerotriangulation adjustment are shown in Table 1.
The distribution of the 15 ground control points are shown in Figure 1.
Then stereo image pairs, DTM, as well as orthoimages, could eventually be generated.
The resolutions of orthoimages and DTM were 25 cm and 2 m, respectively.

Fotogrametría Aérea

La fotogrametría aérea es una de las técnicas comúnmente adoptadas para obtener

información del terreno en 3D, que se puede utilizar para generar datos DTM a partir de
imágenes aéreas a través de la fotogrametría digital. A menudo se emplea en estudios de
geomorfología de deslizamientos de tierra. En la mayoría de los casos, los datos completos de
DTM antes del evento de deslizamiento de tierra no están necesariamente disponibles. Sin
embargo, en una situación como esta, las imágenes aéreas históricas pueden usarse para
generar DTM a través de la fotogrametría aérea digital. La Oficina de Inspección Aérea, Forest
Bureau (ASO), ha realizado fotografías aéreas de los bosques de Taiwán de forma regular,
cuyas imágenes obtenidas podrían utilizarse como datos de ortoimagen y DTM antes de los
eventos de deslizamiento de tierra para su análisis.

Cada foto tuvo que verificarse por factores, como el contenido de la nube y la existencia de
niebla para garantizar la calidad de la imagen para el procesamiento posterior. Las fotos no
serían utilizables con imágenes borrosas, niebla, sombras excesivas o nubes (sombras).

Al buscar las imágenes históricas tomadas antes del incidente del deslizamiento de tierra de
Meiyuan Shan en 2008, tres períodos de conjuntos de datos son adecuados para el
procesamiento posterior, es decir, los tomados el 22 de octubre de 2005, el 23 de octubre de
2007, el 11 de noviembre de 2007, el 10 de octubre de 2008 y el 30 de noviembre de 2008
fueron seleccionados y obtenidos de Geoforce Company y la base de datos de fotogrametría
aérea histórica de ASO [31].

El conjunto de 2005 contenía 203 imágenes tomadas por ULTRACAM. El set de 2007 estaba
compuesto por cuatro imágenes tomadas por RMK TOP y siete tomadas por una cámara de
mapeo digital Intergraph (DMC). El conjunto de 2008 tenía siete imágenes tomadas por DMC y
una ruta aérea cubierta por un sensor digital 40 Leica en el aire (ADS40). Las distancias de
muestreo en tierra (GSD) fueron de 0.17 m, 0.19 my 0.18 m, respectivamente. Los tres conjuntos
de datos utilizaron los mismos 15 puntos de control en tierra y fueron procesados por el
software SimActive y las estaciones de trabajo de fotogrametría aérea.

El procesamiento de los datos de fotogrametría aérea se describe brevemente aquí:

1. Después de que se eligieron las imágenes aéreas apropiadas y se realizó el mapeo de

aerotriangulación, se hicieron modelos basados en los parámetros precisos de
orientación exterior de cada imagen y la superposición de coordenadas GPS de alta
precisión.
2. Al realizar el ajuste de aerotriangulación, los 15 puntos de control en tierra también se
tuvieron en cuenta para mejorar la precisión de los parámetros de orientación exterior.
3. Los errores de puntos de control de tres conjuntos de datos después del ajuste de
aerotriangulación se muestran en la Tabla 1. La distribución de los 15 puntos de control
en tierra se muestra en la Figura 1. Luego, podrían generarse pares de imágenes
estéreo, DTM, así como ortoimágenes. Las resoluciones de ortoimágenes y DTM fueron
de 25 cm y 2 m, respectivamente.

Los vehículos aéreos no tripulados (UAV) se han aplicado cada vez más en defensa nacional,
asuntos militares y aplicaciones civiles en los últimos años. También se ha convertido en una de
las principales técnicas de DEM debido a sus ventajas de bajos costos de operación, alta
velocidad de procesamiento de datos, baja altura de vuelo y conveniente preparación de vuelo.
Los UAV son una técnica importante en la respuesta posterior a un desastre cuando se trata de
un entorno confinado, un terreno particular o la necesidad de un monitoreo constante después
de los desastres. Por las razones mencionadas anteriormente, este estudio también adoptó
técnicas de UAV para examinar el área del deslizamiento de tierra de Meiyuan Shan en junio de
2013, utilizando un dron de ala fija con una altura de vuelo de 2500–2750 m, una cámara Canon
500D con una lente con una distancia focal de 50 mm, y la distancia planificada de muestreo del
suelo (GSD) de 8–19 cm. Durante la operación de vuelo, se tomaron 868 imágenes, que luego
se procesaron utilizando el mismo método aplicado para datos de fotogrametría aérea con el
software Pix4D. Treinta puntos de control en tierra que se muestran en la Figura 1 se utilizaron
para la fotogrametría aérea de UAV. Los RMS de los cambios en los puntos de control fueron
0.055 m (x), 0.018 m (y) y 0.362 m (z). Las resoluciones de ortoimagen y DTM generadas fueron
de 25 cm y 2 m, respectivamente.

Unmanned aerial vehicles (UAV) have been applied more and more widely in national
defense, military affairs, and civil applications in recent years. It has also become one of the
main DEM techniques due to its advantages of low operation costs, high data processing speed,
low flying height, and convenient flying preparation. UAVs are an important technique in post-
disaster response when it comes to a confined environment, particular terrain, or the need for
consistent monitoring after disasters. For the reasons mentioned above, this study also adopted
UAV techniques to survey the Meiyuan Shan landslide area in June 2013, using a fixed wing
drone with a flying height of 2500–2750 m, a Canon 500D camera with a lens with focal length
of 50 mm, and planned ground sample distance (GSD) of 8–19 cm. During the flight operation,
868 images were taken, which were then processed using the same method applied for aerial
photogrammetry data with the Pix4D software. Thirty ground control points shown in Figure 1
were used for UAV aerial photogrammetry. The RMS of changes at control points were 0.055 m
(x), 0.018 m (y), and 0.362 m (z). Resolutions of the generated orthoimage and DTM were 25 cm
and 2 m, respectively.
Los vehículos aéreos no tripulados (UAV) se han aplicado cada vez más en defensa nacional,
asuntos militares y aplicaciones civiles en los últimos años. También se ha convertido en una de
las principales técnicas de DEM debido a sus ventajas de bajos costos de operación, alta
velocidad de procesamiento de datos, baja altura de vuelo y conveniente preparación de vuelo.
Los UAV son una técnica importante en la respuesta posterior a un desastre cuando se trata de
un entorno confinado, un terreno particular o la necesidad de un monitoreo constante después
de los desastres. Por las razones mencionadas anteriormente, este estudio también adoptó
técnicas de UAV para examinar el área del deslizamiento de tierra de Meiyuan Shan en junio de
2013, utilizando un dron de ala fija con una altura de vuelo de 2500–2750 m, una cámara Canon
500D con una lente con una distancia focal de 50 mm, y la distancia planificada de muestreo del
suelo (GSD) de 8–19 cm. Durante la operación de vuelo, se tomaron 868 imágenes, que luego se
procesaron utilizando el mismo método aplicado para datos de fotogrametría aérea con el
software Pix4D. Treinta puntos de control en tierra que se muestran en la Figura 1 se utilizaron
para la fotogrametría aérea de UAV. Los RMS de los cambios en los puntos de control fueron
0.055 m (x), 0.018 m (y) y 0.362 m (z). Las resoluciones de ortoimagen y DTM generadas fueron
de 25 cm y 2 m, respectivamente.

Airborne LiDAR (ALS)

For regional wide-range topographic surveying and mapping, ALS is currently considered as the
technique able to obtain terrain data with the best resolution and precision. The data used in
this study were measured by the Geological Survey in August 2011 and September 2012,
respectively. The former was a surveying and mapping program for DTM data over the whole
island of Taiwan conducted by the Geological Survey. The program was aimed to obtain DTM
data with a resolution of 1 m; that is, a point cloud with a density of 1.5 points/m2 was expected
at a monitoring height of 800 m. Flight parameters are shown in Table 2. The latter was the
repeated LiDAR DTM survey work for the Meiyuan Shan landslide, data which were assumed to
be the same as the former. Flight parameters of this program are also shown in Table 2. These
two ALS datasets were processed using the same method, as given here: Data obtained from
the flight operation were calculated to get information about each air route for flight strip
adjustment. Original point clouds were gained after adjustment, followed by point cloud
classification. The point clouds of these two operations were divided into four categories:
ground points, non-ground points, water body points, and outlier point clouds. Then the digital
surface model (DSM) and digital elevation model (DEM) were generated. The DSM represents
the Earth’s surface, including all objects on it. The DEM represents bare ground surface without
any objects, like vegetation and buildings. The term DTM comprises both DSM and DEM in this
study. The two LiDAR survey programs took aerial photos, which were used to generate
orthoimages with a resolution of 25 cm. This study adopted data from both 2011 and 2012.
LiDAR data of 2011 were set as the benchmark for precision assessment due to wide coverage
and completeness. For comparison purposes, the TWD 97 ground coordinate system [32] was
employed for all of the data sets, and the Taiwan Vertical Datum 2001 (TWVD 2001) [33] was
selected as the vertical coordinate system.

LiDAR en el aire (ALS)

Para topografía y mapeo topográfico regional de amplio alcance, ALS se considera actualmente
como la técnica capaz de obtener datos del terreno con la mejor resolución y precisión. Los
datos utilizados en este estudio fueron medidos por el Servicio Geológico en agosto de 2011 y
septiembre de 2012, respectivamente. El primero fue un programa de topografía y mapeo de
datos DTM en toda la isla de Taiwán realizado por el Servicio Geológico. El programa tenía como
objetivo obtener datos DTM con una resolución de 1 m; es decir, se esperaba una nube de
puntos con una densidad de 1.5 puntos / m2 a una altura de monitoreo de 800 m.

Los parámetros de vuelo se muestran en la Tabla 2. Este último fue el trabajo repetido de la
encuesta LiDAR DTM para el deslizamiento de tierra Meiyuan Shan, datos que se suponía que
eran los mismos que los primeros. Los parámetros de vuelo de este programa también se
muestran en la Tabla 2. Estos dos conjuntos de datos de ALS se procesaron utilizando el mismo
método, como se indica aquí: Los datos obtenidos de la operación de vuelo se calcularon para
obtener información sobre cada ruta aérea para el ajuste de la franja de vuelo. Las nubes de
puntos originales se obtuvieron después del ajuste, seguido de la clasificación de las nubes de
puntos. Las nubes de puntos de estas dos operaciones se dividieron en cuatro categorías: puntos
de tierra, puntos no terrestres, puntos de cuerpos de agua y nubes de puntos atípicos. Luego se
generaron el modelo digital de superficie (DSM) y el modelo digital de elevación (DEM). El
DSM representa la superficie de la Tierra, incluidos todos los objetos que contiene. El DEM
representa la superficie del suelo sin objetos, como vegetación y edificios. El término DTM
comprende tanto DSM como DEM en este estudio. Los dos programas de encuestas LiDAR
tomaron fotos aéreas, que se utilizaron para generar ortoimágenes con una resolución de 25
cm. Este estudio adoptó datos de 2011 y 2012. Los datos de LiDAR de 2011 se establecieron
como punto de referencia para la evaluación de precisión debido a la amplia cobertura e
integridad. Para propósitos de comparación, el sistema de coordenadas de tierra TWD 97 [32]
fue empleado para todos los conjuntos de datos, y el Datum Vertical 2001 de Taiwán (TWVD
2001) [33] fue seleccionado como el sistema de coordenadas verticales.

Results

3.1. Orthoimage

This study employed orthoimages generated using various aerial photogrammetry cameras
from six different periods, and the results are shown in Figure 4. These aerial photogrammetry
orthoimages show changes before and after the Meiyuan Shan landslide. Figure 4a,b, obtained
prior to the disaster, show that only occasional shallow landslides occurred on some upstream
slopes. Figure 4c–f were obtained after the disaster. It can be clearly seen that, in 2008, a
landslide dam was formed due to a large body of landslide rocks, and a blue waterbody existed
in the river channel at the toe of the landslide. Parts of the waterbody are still visible in Figure
4d, and the area of the landslide dam has reduced to less than half, though still existing in this
basin. By comparing Figures 3 and 4 it can be inferred that the landslide dam might have existed
for almost four years before being damaged by the torrential rain in June 2012.

Digital Terrain Model

This study used six periods of DTM data, which comprise both DEM and DSM data,
obtained from aerial photogrammetry, ALS, and UAV techniques. All three DTM techniques can
be used to generate DSM and DEM data. Since the actual ground points under plants can be
scanned by the infrared laser, ALS is able to obtain the DEM data of actual ground elevation
without being affected by ground vegetation [34,35]. However, aerial photogrammetry is only
able to gain the actual ground elevations of exposed areas because of the limited ability of only
mapping ground elevation displayed in the images. In plant-covered areas, potential real
elevations can be determined from DSM data and elevations of the exposed areas, which might
produce relatively large errors. In this study, the discussed landslide area and affected river
channel were both considered as exposed areas without plant coverage. Hence, DSM data were
used to analyze terrain change before and after the landslide disaster. Results of this comparison
are shown.

Resultados
3.1. Ortoimagen
Este estudio empleó ortoimágenes generadas usando varias cámaras de fotogrametría aérea
de seis períodos diferentes, y los resultados se muestran en la Figura 4. Estas ortoimágenes de
fotogrametría aérea muestran cambios antes y después del deslizamiento de tierra de
Meiyuan Shan. La Figura 4a, b, obtenida antes del desastre, muestra que solo se produjeron
deslizamientos de tierra superficiales ocasionales en algunas laderas aguas arriba. Las Figuras 4c
– f se obtuvieron después del desastre. Se puede ver claramente que, en 2008, se formó una
presa de deslizamiento de tierra debido a un gran cuerpo de rocas de deslizamiento de tierra,
y existió un cuerpo de agua azul en el canal del río en la punta del deslizamiento de tierra.
Algunas partes del cuerpo de agua aún son visibles en la Figura 4d, y el área de la presa de
deslizamiento de tierra se ha reducido a menos de la mitad, aunque todavía existe en esta
cuenca. Al comparar las Figuras 3 y 4 se puede inferir que la presa de deslizamiento de tierra
podría haber existido durante casi cuatro años antes de ser dañada por la lluvia torrencial en
junio de 2012.

Modelo de terreno digital

Este estudio utilizó seis períodos de datos DTM, que comprenden datos DEM y DSM, obtenidos
de técnicas de fotogrametría aérea, ALS y UAV. Las tres técnicas DTM pueden usarse para
generar datos DSM y DEM. Dado que el láser infrarrojo puede escanear los puntos reales del
suelo debajo de las plantas, ALS puede obtener los datos DEM de la elevación real del suelo sin
verse afectado por la vegetación del suelo [34,35]. Sin embargo, la fotogrametría aérea solo
puede obtener las elevaciones reales del terreno de las áreas expuestas debido a la capacidad
limitada de mapear solo la elevación del terreno que se muestra en las imágenes. En áreas
cubiertas por plantas, las elevaciones reales potenciales se pueden determinar a partir de datos
DSM y elevaciones de las áreas expuestas, lo que puede producir errores relativamente grandes.
En este estudio, el área de deslizamiento discutida y el canal del río afectado se consideraron
áreas expuestas sin cobertura vegetal. Por lo tanto, los datos del DSM se usaron para analizar el
cambio de terreno antes y después del desastre del deslizamiento de tierra. Se muestran los
resultados de esta comparación.

Error Estimation

Error assessment is critical information for DTM data users. Most users do not
necessarily participate in the production of DTM data. When it comes to comparative analysis
of DTM data, especially for those areas with terrain variation, differences of data obtained from
different levels of precision would affect the results of any comparison. Most of the previous
comparative studies as aforementioned in the introduction on multi-period DTM data have
adopted ground control points to evaluate errors of individual DTM data sets. From the
perspective of general users, this study conducted error assessments for mountain and forest
areas with poor traffic accessibility using limited information, including error reports obtained
from the data generation process and comparison errors of terrain elevations. Generally
speaking, users can get aerotriangulation errors and interpolation errors from the
data generation process. Aerotriangulation errors are the errors in X, Y, and Z directions after
the aerotriangulation adjustment, which can be obtained using survey adjustment software
and calculating the difference between aerotriangulation matching points and applied ground
control points, i.e., the aerotriangulation σ shown in Table 3. Interpolation errors refer to the
errors originated during interpolation, which is used to generate gridded DTM data after stereo
pairs are matched. This type of error can be obtained by calculating the difference between the
estimated elevation of gridded data and the actual ground elevation, as interpolation σ shown
in Table 3. These two errors then can be used to calculate the total error based on the simple
error propagation theory, as shown in Equation (1) [36]. Among these periods, the gridded DTM
data from 2011 and 2012 were generated based on point clouds using the ALS technique.
Therefore, their total errors were achieved directly clouds using the ALS technique. Therefore,
their total errors were achieved directly from the difference between the actual terrain
measured elevation and the calculated elevation: total a 1 2 􀀀 22 (1) Ground control points or
image characteristic points are usually assigned to those identifiable, flat, hardly-vegetated
spots or characteristic points of buildings for error estimation. They can be used in terrain GPS
measurements to represent the real ground elevation. However, most landslide disasters occur
in areas with high mountains and forests that are rugged and hardly accessible. Hence,
selection of the image characteristic points would be greatly restricted, and the
representativeness of the error assessment would be affected due to the insufficiency of
measurement points. The LiDAR data used in this study were from 2011 and 2012. In order to
make error assessments for each period complete and representative, the 2011 DEM data were
adopted as the terrain benchmark due to their wide coverage. The elevation values at selected
characteristic points of each period were mapped with the elevation values at the same points
of the 2011 DEM. Then their differences were the errors [37], as shown in Table 3. Errors in this
paper were all given in the form of root-mean-square error (RMSE), which is a commonly used
error expression [38,39]. The terrain change could be found by comparing data from different
periods. Therefore, the errors between the two successive periods were also calculated
using the described error relation. The results are shown in Table 4.

Estimación de error

La evaluación de errores es información crítica para los usuarios de datos DTM. La mayoría de
los usuarios no necesariamente participan en la producción de datos DTM. Cuando se trata de
un análisis comparativo de datos DTM, especialmente para aquellas áreas con variación del
terreno, las diferencias de datos obtenidos a partir de diferentes niveles de precisión afectarían
los resultados de cualquier comparación. La mayoría de los estudios comparativos anteriores,
como se mencionó anteriormente en la introducción de datos DTM de períodos múltiples, han
adoptado puntos de control en tierra para evaluar errores de conjuntos de datos DTM
individuales. Desde la perspectiva de los usuarios generales, este estudio realizó evaluaciones
de errores para áreas de montaña y bosques con poca accesibilidad al tráfico utilizando
información limitada, incluidos informes de errores obtenidos del proceso de generación de
datos y errores de comparación de elevaciones de terreno.

En términos generales, los usuarios pueden obtener errores de aerotriangulación y errores de

interpolación del proceso de generación de datos. Los errores de aerotriangulación son los
errores en las direcciones X, Y y Z después del ajuste de aerotriangulación, que se pueden
obtener utilizando el software de ajuste de levantamiento y calculando la diferencia entre los
puntos de coincidencia de aerotriangulación y los puntos de control de tierra aplicados, es decir,
la aerotriangulación σ que se muestra en la Tabla 3.
Los errores de interpolación se refieren a los errores originados durante la interpolación, que
se utiliza para generar datos DTM cuadriculados después de que se emparejan los pares
estéreo.

Este tipo de error puede obtenerse calculando la diferencia entre la elevación estimada de los
datos en cuadrícula y la elevación real del suelo, como se muestra en la Tabla 3. La interpolación
σ se puede utilizar para calcular el error total en función de la propagación del error simple.
teoría, como se muestra en la ecuación (1) [36].

Entre estos períodos, los datos DTM cuadriculados de 2011 y 2012 se generaron en base a
nubes de puntos utilizando la técnica ALS.

Por lo tanto, sus errores totales se lograron directamente nubes usando la técnica ALS.

CÁLCULO DEL ERROR

Por lo tanto, sus errores totales se lograron directamente a partir de la diferencia entre la
elevación medida real del terreno y la elevación calculada: total a 1 2 􀀀 22 (1).

Los puntos de control del suelo o puntos característicos de la imagen generalmente se asignan
a aquellos identificables, planos, apenas vegetados puntos o puntos característicos de
edificios para estimación de errores.

Se pueden utilizar en mediciones GPS del terreno para representar la elevación real del terreno.

Sin embargo, la mayoría de los desastres por derrumbes ocurren en áreas con altas montañas y
bosques que son escarpados y de difícil acceso. Por lo tanto, la selección de los puntos
característicos de la imagen estaría muy restringida, y la representatividad de la evaluación de
errores se vería afectada debido a la insuficiencia de los puntos de medición.

Los datos LiDAR utilizados en este estudio fueron de 2011 y 2012.

Con el fin de realizar evaluaciones de error para cada período completo y representativo, los
datos DEM de 2011 se adoptaron como punto de referencia del terreno debido a su amplia
cobertura.

Los valores de elevación en los puntos característicos seleccionados de cada período se

mapearon con los valores de elevación en los mismos puntos del DEM 2011. Luego, sus
diferencias fueron los errores [37], como se muestra en la Tabla 3.

Los errores en este documento se dieron en forma de error cuadrático medio (RMSE), que es
una expresión de error comúnmente utilizada [38,39]. El cambio de terreno se puede encontrar
comparando datos de diferentes períodos. Por lo tanto, los errores entre los dos períodos
sucesivos también se calcularon utilizando la relación de error descrita. Los resultados se
muestran en la Tabla 4.

DEM Differencing

The method of using multi-period DTM data to investigate terrain evolution has recently
been applied in various studies regarding river bed sediment transport, landslide, and earthflow
[16,25,40–42]. One of the most straightforward ways is to subtract an earlier terrain elevation
from a later one. As six periods of DTM data were employed in this work, five values of terrain
elevation change could be successively calculated in chronological order. Data from 2005–2007,
as shown in Figure 6a, demonstrated the terrain change of this basin before the landslide
disaster, whereas the other four periods, as shown in Figure 6b–e, demonstrated the terrain
changes observed in each year after the disaster. Warm colors with negative values stand for a
decrease in terrain elevation in these images, i.e., the occurrence of surface erosion; and cold
colors with positive values represent an increase in terrain elevation, i.e., the occurrence of
surface deposition. Through the color changes, the terrain evolution and sediment
transportation of the river channel prior and subsequent to the landslide incident can
be observed directly. Figure 6a mainly shows sediment deposition in the river channel from the
upstream catchment before the landslide. Figure 6b demonstrates the terrain change before
and after the incident, in which the zone of depletion of the Meiyuan Shan landslide (shown in
yellow and red) is the main source of sediment and the blue area is the zone of sliding sediment
deposition. Obviously in the blue area, a large body of sediments deposited from the middle of
the slope all the way to the foot, creating a river blocking at the foot of the slope, which is typical
for landslide terrain. Figure 6c–e illustrate sediment erosion and deposition in different areas
within the landslide affected range after the incident. There was small-scale erosion in the zone
of depletion after the incident, but the majority of the area did not change. Erosion was the main
feature in the zone of sediment deposition, which was the main source of the sediments
downstream after the disaster. Regarding the river channel range evolution after the incident,
deposition, and partial erosion has happened since the disaster until the year of 2011 and
elevation only changed by several meters; whereas, river channel erosion played a critical role
from 2011 to 2013, and elevation changes due to river bank erosion were be more than 10 m
in some parts. As for the unchanged areas, it is difficult to homogenize the DTMs from different
time periods because in these areas vegetation was dominant. The DTMs from these areas
tended to show differencing noises that were either resulted from tree growth, wind effects, or
forest farming. For this reason, we have intentionally avoided the unchanged areas and masked
them out before our landslide change analysis. As for the landslide affected areas, they are
generally bare grounds and the DTMs from these areas show much better quality in comparison
with those from the unchanged areas. Thus, we mainly focused on the landslide and river
channel areas where vegetation was limited. Remote Sens. 2016, 8, 199 10 sediment erosion
and deposition in different areas within the landslide affected range after the incident. There
was small-scale erosion in the zone of depletion after the incident, but the majority of the area
did not change. Erosion was the main feature in the zone of sediment deposition, which was the
main source of the sediments downstream after the disaster. Regarding the river channel
range evolution after the incident, deposition, and partial erosion has happened since the
disaster until the year of 2011 and elevation only changed by several meters; whereas, river
channel erosion played a critical role from 2011 to 2013, and elevation changes due to river bank
erosion were be more than 10 m in some parts. As for the unchanged areas, it is difficult to
homogenize the DTMs from different time periods because in these areas vegetation was
dominant. The DTMs from these areas tended to show differencing noises that were either
resulted from tree growth, wind effects, or forest farming. For this reason, we have intentionally
avoided the unchanged areas and masked them out before our landslide change analysis. As for
the landslide affected areas, they are generally bare grounds and the DTMs from these areas
show much better quality in comparison with those from the unchanged areas. Thus, we mainly
focused on the landslide and river channel areas where vegetation

Diferenciación DEM

El método de usar datos DTM de múltiples períodos para investigar la evolución del terreno
se ha aplicado recientemente en varios estudios sobre el transporte de sedimentos del lecho del
río, deslizamientos de tierra y flujo de tierra [16,25,40–42]. Una de las formas más directas es
restar una elevación del terreno anterior de una posterior.

Como se emplearon seis períodos de datos DTM en este trabajo, cinco valores de cambio de
elevación del terreno podrían calcularse sucesivamente en orden cronológico.

Los datos de 2005–2007, como se muestra en la Figura 6a, demostraron el cambio de terreno
de esta cuenca antes del desastre del deslizamiento de tierra, mientras que los otros cuatro
períodos, como se muestra en la Figura 6b – e, demostraron los cambios de terreno observados
en cada año después del desastre.

 Los colores cálidos con valores negativos representan una disminución en la elevación
del terreno en estas imágenes, es decir, la aparición de erosión de la superficie; y los
colores fríos con valores positivos representan un aumento en la elevación del
terreno, es decir, la aparición de depósitos en la superficie.

A través de los cambios de color, se puede observar directamente la evolución del terreno y el
transporte de sedimentos del canal del río antes y después del incidente del deslizamiento de
tierra. La Figura 6a muestra principalmente la deposición de sedimentos en el canal del río desde
la cuenca aguas arriba antes del deslizamiento de tierra. La Figura 6b muestra el cambio de
terreno antes y después del incidente, en el que la zona de agotamiento del deslizamiento de
tierra Meiyuan Shan (que se muestra en amarillo y rojo) es la principal fuente de sedimento y el
área azul es la zona de depósito de sedimentos deslizantes. Obviamente en el área azul, un gran
cuerpo de sedimentos depositados desde el centro de la pendiente hasta el pie, creando un río
que se bloquea al pie de la pendiente, lo cual es típico del terreno con deslizamientos de tierra.
La Figura 6c – e ilustra la erosión y deposición de sedimentos en diferentes áreas dentro del
rango afectado por deslizamientos de tierra después del incidente. Hubo erosión a pequeña
escala en la zona de agotamiento después del incidente, pero la mayoría del área no cambió. La
erosión fue la característica principal en la zona de deposición de sedimentos, que fue la
principal fuente de sedimentos aguas abajo después del desastre.

Con respecto a la evolución del rango del canal del río después del incidente, la deposición y
la erosión parcial ha ocurrido desde el desastre hasta el año 2011 y la elevación solo cambió
en varios metros; mientras que la erosión de los canales fluviales desempeñó un papel
fundamental entre 2011 y 2013, y los cambios de elevación debidos a la erosión de la orilla del
río fueron de más de 10 m en algunas partes.

En cuanto a las áreas sin cambios, es difícil homogeneizar los DTM de diferentes períodos de
tiempo porque en estas áreas la vegetación era dominante.

Los DTM de estas áreas tendían a mostrar ruidos diferenciados que eran resultado del
crecimiento de los árboles, los efectos del viento o la agricultura forestal. Por esta razón, hemos
evitado intencionalmente las áreas sin cambios y las hemos ocultado antes de nuestro análisis
de cambio de deslizamientos de tierra.

En cuanto a las áreas afectadas por deslizamientos, generalmente son terrenos descubiertos y
los DTM de estas áreas muestran una calidad mucho mejor en comparación con los de las áreas
sin cambios. Por lo tanto, nos centramos principalmente en las áreas de deslizamientos de tierra
y canales de ríos donde la vegetación era limitada. Remote Sens.2016, 8, 199 10 erosión y
deposición de sedimentos en diferentes áreas dentro del rango afectado por deslizamientos
después del incidente. Hubo erosión a pequeña escala en la zona de agotamiento después del
incidente, pero la mayoría del área no cambió.

La erosión fue la característica principal en la zona de deposición de sedimentos, que fue la

principal fuente de sedimentos aguas abajo después del desastre.

Con respecto a la evolución del rango del canal del río después del incidente, la deposición y la
erosión parcial ha ocurrido desde el desastre hasta el año 2011 y la elevación solo cambió en
varios metros; mientras que la erosión de los canales fluviales desempeñó un papel fundamental
entre 2011 y 2013, y los cambios de elevación debidos a la erosión de la orilla del río fueron de
más de 10 m en algunas partes. En cuanto a las áreas sin cambios, es difícil homogeneizar los
DTM de diferentes períodos de tiempo porque en estas áreas la vegetación era dominante. Los
DTM de estas áreas tendían a mostrar ruidos diferenciados que eran resultado del crecimiento
de los árboles, los efectos del viento o la agricultura forestal. Por esta razón, hemos evitado
intencionalmente las áreas sin cambios y las hemos ocultado antes de nuestro análisis de cambio
de deslizamientos de tierra. En cuanto a las áreas afectadas por deslizamientos, generalmente
son terrenos descubiertos y los DTM de estas áreas muestran una calidad mucho mejor en
comparación con los de las áreas sin cambios. Por lo tanto, nos enfocamos principalmente en
las áreas de deslizamientos de tierra y canales de ríos donde la vegetación

Volume Estimation

Volume calculations were implemented in the Spatial Statistics module of ArcGIS, and a
brief description is given here:
Calculate the difference between the elevation values at a characteristic point from a later
DTM dataset and an earlier dataset, which could be either positive or negative.
If resolution discrepancy of DTM data exists between the two periods, the higher resolution
scale should be converted to the lower one.
Then the deposition volume (positive result) and erosion volume (negative result) can
be calculated based on the same resolution level.
The summation of these two values is the net rock volume change over this period.
Furthermore, with the calculated deposition area and erosion area and the previously
obtained error value, the volume estimation error can also be gained, as shown in Table 5
[15]. Volume change showed a positive value in 2005–2007, but it remained negative in the
other four periods. This suggested that earth and rocks brought from upstream of this basin
deposited in the area before the Meiyuan Shan landslide; on the other hand, the earthflow
produced from the landslide became the main source of sediments in Beigang River after the
disaster, as indicated by the negative sign. The volume loss reached its peak in the disaster year
and has decreased every year since then. During 2007–2008, the erosion and deposition
volumes were 16.7 and 12.6 million m3, respectively. Neglecting rock volume expansion and
supplemental debris from upstream, at least 16.7 million m3 of sediment were moved during
the Meiyuan Shan landslide.

Estimación de volumen

Los cálculos de volumen se implementaron en el módulo de Estadísticas Espaciales de ArcGIS,

y aquí se proporciona una breve descripción:

 Calcule la diferencia entre los valores de elevación en un punto característico de un

conjunto de datos DTM posterior y un conjunto de datos anterior, que podría ser
positivo o negativo.
  Si existe una discrepancia de resolución de los datos DTM entre los dos períodos, la
escala de resolución más alta debe convertirse a la más baja.

 Luego, el volumen de deposición (resultado positivo) y el volumen de erosión (resultado

negativo) se pueden calcular en función del mismo nivel de resolución.

 La suma de estos dos valores es el cambio neto en el volumen de roca durante este
período.

Además, con el área de deposición calculada y el área de erosión y el valor de error obtenido
previamente, también se puede obtener el error de estimación de volumen, como se muestra
en la Tabla 5 [15].

El cambio de volumen mostró un valor positivo en 2005–2007, pero se mantuvo negativo en

los otros cuatro períodos. Esto sugirió que la tierra y las rocas traídas aguas arriba de esta
cuenca se depositaron en el área antes del deslizamiento de tierra de Meiyuan Shan; Por otro
lado, el flujo de tierra producido por el deslizamiento de tierra se convirtió en la principal fuente
de sedimentos en el río Beigang después del desastre, como lo indica el signo negativo. La
pérdida de volumen alcanzó su punto máximo en el año del desastre y ha disminuido cada año
desde entonces.

Durante 2007–2008, los volúmenes de erosión y deposición fueron de 16,7 y 12,6 millones de
m3, respectivamente. Sin tener en cuenta la expansión del volumen de roca y los escombros
suplementarios del río arriba, se movieron al menos 16,7 millones de m3 de sedimento durante
el deslizamiento de tierra Meiyuan Shan.

Profiles

It is a common analytical method to discuss terrain evolution using terrain profiles.

Most traditional methods generate terrain profiles by extracting elevation values passing
through a straight line. However, pure line-extracting generated profiles often fail to truly
represent the real terrain [43]. When generating profiles using a single straight line, the selection
position is not likely to be objective, and it also might be subject to stochastic terrain or
deviation. Thus, it is possible to generate misleading or incorrect information. In order to avoid
or mitigate these stochastic deviations and their miscomprehension, more profile lines can be
added. As a result, a profiling method that stack elevation values on parallel, equally-spaced
tangents has been developed, i.e., the swath profile method. Applications of the swath profile
method can often be found in the analysis of large-scale regional terrain issues, such as tectonic
structures or landslides [44–46].

To discuss terrain and river channel changes before and after the large-scale landslide
incident, both conventional straight line profiling and swath profiling techniques were used in
this study to generate profiles. For the conventional straight line profiling method, the starting
and ending points were first selected, and elevation values between the points were calculated.
A terrain profile could be eventually generated based on the distribution of elevations. The
spacing between elevation values was set at the DEM resolution in this study. In addition to
terrain profiles calculated using the straight line method (Figure 7), based on artificial selection,
the profiling calculation was also conducted using polyline profiles over the critical range (Figure
7). For a swath profile, a rectangular area is usually selected as the target. Then DEM data within
this rectangle are rotated so that the side to be profiled is parallel with the south to north
direction. Then, the maxima, minima, average, and standard deviation of each elevation row can
be calculated and drawn in profiles. The minima scenario was employed in this work to generate
profiles (Figure 8). Additionally, irregular areas were also selected to generate swath profiles.
Similarly, DEM data within this irregular area were rotated so that the side to be profiled was
parallel with the south to north direction before generating profiles (Figure 8) using the above-
mentioned calculation approach. Remote Sens. 2016, 8, 199 selected as the target. Then DEM
data within this rectangle are rotated so that the side to be profiled is parallel with the south to
north direction. Then, the maxima, minima, average, and standard deviation of each elevation
row can be calculated and drawn in profiles. The minima scenario was employed in this work to
generate profiles (Figure 8). Additionally, irregular areas were also selected to generate swath
profiles. Similarly, DEM data within this irregular area were rotated so that the side to be
profiled was parallel with the south to north direction before generating profiles (Figure 8) using
the above-mentioned calculation approach.

Perfiles
Es un método analítico común para discutir la evolución del terreno utilizando perfiles de
terreno. La mayoría de los métodos tradicionales generan perfiles de terreno extrayendo
valores de elevación que pasan a través de una línea recta.

Sin embargo, los perfiles generados por extracción de línea pura a menudo no pueden
representar realmente el terreno real [43]. Al generar perfiles usando una sola línea recta, la
posición de selección no es probable que sea objetiva, y también puede estar sujeta a terreno
estocástico o desviación. Por lo tanto, es posible generar información engañosa o incorrecta.
Para evitar o mitigar estas desviaciones estocásticas y su incomprensión, se pueden agregar más
líneas de perfil. Como resultado, se ha desarrollado un método de creación de perfiles que apila
valores de elevación en tangentes paralelas, equidistantes, es decir, el método de perfil de
franja. Las aplicaciones del método de perfil de franja a menudo se pueden encontrar en el
análisis de cuestiones de terreno regional a gran escala, como estructuras tectónicas o
deslizamientos de tierra [44-46].

Para analizar los cambios en el terreno y en los canales del río antes y después del incidente
del deslizamiento de tierra a gran escala, en este estudio se utilizaron técnicas convencionales
de perfil en línea recta y de perfil de franja para generar perfiles.

Para el método de perfil de línea recta convencional, primero se seleccionaron los puntos inicial
y final, y se calcularon los valores de elevación entre los puntos. Eventualmente se podría
generar un perfil de terreno basado en la distribución de elevaciones.

El espacio entre los valores de elevación se estableció en la resolución DEM en este estudio.
Además de los perfiles de terreno calculados utilizando el método de línea recta (Figura 7),
basado en la selección artificial, el cálculo del perfil también se realizó utilizando perfiles de
polilínea sobre el rango crítico (Figura 7). Para un perfil de franja, generalmente se selecciona
un área rectangular como objetivo. Luego, los datos DEM dentro de este rectángulo se rotan de
modo que el lado a perfilar sea paralelo con la dirección sur a norte. Luego, los máximos,
mínimos, promedio y desviación estándar de cada fila de elevación se pueden calcular y dibujar
en perfiles. El escenario mínimo se empleó en este trabajo para generar perfiles (Figura 8).
Además, también se seleccionaron áreas irregulares para generar perfiles de franja. Del mismo
modo, los datos de DEM dentro de esta área irregular se rotaron de modo que el lado a perfilar
fuera paralelo a la dirección sur a norte antes de generar perfiles (Figura 8) utilizando el enfoque
de cálculo mencionado anteriormente. Remote Sens.2016, 8, 199 seleccionados como objetivo.
Luego, los datos DEM dentro de este rectángulo se rotan de modo que el lado a perfilar sea
paralelo con la dirección sur a norte. Luego, los máximos, mínimos, promedio y desviación
estándar de cada fila de elevación se pueden calcular y dibujar en perfiles. El escenario mínimo
se empleó en este trabajo para generar perfiles (Figura 8). Además, también se seleccionaron
áreas irregulares para generar perfiles de franja. Del mismo modo, los datos de DEM dentro de
esta área irregular se rotaron de modo que el lado a perfilar fuera paralelo a la dirección sur a
norte antes de generar perfiles (Figura 8) utilizando el enfoque de cálculo mencionado
anteriormente.

Discussion

4.1. Use of Data and Error Estimates The six periods of DTM and orthoimage data used in this
study were obtained from various aerial vehicles using multiple techniques such aerial
photogrammetry and ALS. The generated data all had different errors that originated from their
data generation methods and flight operations. Therefore, in a DTM application, the data
acquisition procedure needs to be carefully determined once the data quality requirement is
known. This is especially true for those flight parameters regarding the target area that would
affect data resolution and errors, such as flying height, flying speed, flight direction, and
overlapping strips. For terrain data produced using aerial photogrammetry, the elevation error
is, generally speaking, about 0.2~1.3 m [37,38]. In a normal processing approach with sufficient
ground control points, errors are mostly determined by the value of GSD [38]. Elevation error of
ALS, on the other hand, is about 0.15~0.3 m [24,39,47]. Under regular processing, errors tend to
be impacted by slope angle, plant type, and vegetation density; though, generally, errors of bare
flat areas would be superior to those of bare slope areas and errors of hardly vegetated areas
would be superior to those of densely vegetated areas. For the six periods of DTM data
generated in this work, with the difference between the elevation of set control points and
calculated elevation, the statistical data errors were expressed in the form of RMSE. For the four
periods of data generated using aerial photogrammetry, the errors of total ranged from 0.22 m
to 0.40 m (Table 3). The comparison with the image GSD values indicated that total error was
0.98~2.1 times that of GSD, which was in good agreement with similar previous studies [37,38].
This suggested that the precision of generated DTM data in this work based on historical aerial
images and UAV images using aerial photogrammetry was suitable for landslide analysis.

Discusión

4.1. Uso de datos y estimaciones de errores Los seis períodos de datos de DTM y ortoimágenes
utilizados en este estudio se obtuvieron de varios vehículos aéreos utilizando múltiples
técnicas como la fotogrametría aérea y la ELA. Todos los datos generados tenían diferentes
errores que se originaron a partir de sus métodos de generación de datos y operaciones de
vuelo. Por lo tanto, en una aplicación DTM, el procedimiento de adquisición de datos debe
determinarse cuidadosamente una vez que se conoce el requisito de calidad de datos. Esto es
especialmente cierto para aquellos parámetros de vuelo con respecto al área objetivo que
afectarían la resolución de datos y los errores, tales como altura de vuelo, velocidad de vuelo,
dirección de vuelo y franjas superpuestas. Para los datos del terreno producidos usando
fotogrametría aérea, el error de elevación es, en términos generales, de aproximadamente 0.2
~ 1.3 m [37,38]. En un enfoque de procesamiento normal con suficientes puntos de control en
tierra, los errores están determinados principalmente por el valor de GSD [38]. El error de
elevación de ALS, por otro lado, es de aproximadamente 0.15 ~ 0.3 m [24,39,47]. Bajo un
procesamiento regular, los errores tienden a verse afectados por el ángulo de la pendiente, el
tipo de planta y la densidad de la vegetación; sin embargo, en general, los errores de las áreas
planas desnudas serían superiores a los de las áreas de pendientes desnudas y los errores de las
áreas con poca vegetación serían superiores a los de las áreas densamente vegetadas. Para los
seis períodos de datos DTM generados en este trabajo, con la diferencia entre la elevación de
los puntos de control establecidos y la elevación calculada, los errores de datos estadísticos
se expresaron en forma de RMSE. Para los cuatro períodos de datos generados mediante
fotogrametría aérea, los errores del total oscilaron entre 0.22 ma 0.40 m (Tabla 3). La
comparación con los valores de GSD de la imagen indicó que el error total fue de 0.98 ~ 2.1
veces mayor que el de GSD, lo cual estuvo de acuerdo con estudios previos similares [37,38].
Esto sugirió que la precisión de los datos DTM generados en este trabajo basados en imágenes
aéreas históricas e imágenes UAV utilizando fotogrametría aérea era adecuada para el análisis
de deslizamientos de tierra.

The method of estimating errors via ground control points could provide reference for
applications. However, due to the facts that most landslide areas are often located in areas with
high mountains and forests featuring rugged terrain and poor traffic accessibility, with only a
limited number of image characteristic points, the representativeness of error assessment might
be adversely influenced due to the lack of sufficient ground measurement points, leading to
potential underestimation. There are reported studies in which aerotriangulation or aerial
photogrammetry operations were conducted by using high-precision LiDAR DEM data as control
points or a reference terrain surface [48–50]. With the six periods of DTM data generated using
various techniques in this study, in order to avoid the impacts of insufficient ground control
points on error estimation, the DEM data from 2011 were used as the reference elevation. Then
the elevation difference between other data sets and the reference at the same image
characteristic point could be calculated as 2011 DEM. The error range was 0.43~0.75 m (Table
4), which was higher than total. This might be attributed to the fact that in such a
densely vegetated area with rugged terrain, the originally measured errors from the ground
control points tend to underestimate the elevation. Another possibility was that errors might
get magnified when using the 2011 DEM data as reference due to the errors of the reference
itself. However, it should be kept in mind that those identifiable spots in bare and flat areas can
be selected as characteristic points and only minor errors will be produced when applying ALS
in such areas. Moreover, it would be helpful to have a common terrain reference for
comparisons between various data sets from different periods. Therefore, it is legitimate to
choose at least one period of ALS DEM data as the benchmark for error assessment of multi-
period DTM data. Similar concepts could also be applied to forest or mountainous areas with
only a few or no control points. For example, after an earthquake or hurricane, when rapid and
efficient DTM and orthoimage generation is required or subsequent post-disaster
comparisons are needed, one period of ALS data can be used as a terrain reference to select
ground control points as needed.

El método de estimación de errores a través de puntos de control en tierra podría proporcionar

una referencia para las aplicaciones. Sin embargo, debido al hecho de que la mayoría de las
áreas de deslizamientos de tierra a menudo se encuentran en áreas con altas montañas y
bosques con terreno accidentado y poca accesibilidad al tráfico, con solo un número limitado de
puntos característicos de la imagen, la representatividad de la evaluación de errores puede verse
afectada negativamente debido a falta de suficientes puntos de medición del terreno, lo que
lleva a una posible subestimación.

Existen estudios informados en los que se realizaron operaciones de aerotriangulación o

fotogrametría aérea mediante el uso de datos LiDAR DEM de alta precisión como puntos de
control o una superficie de terreno de referencia [48-50]. Con los seis períodos de datos DTM
generados utilizando diversas técnicas en este estudio, para evitar los impactos de puntos de
control de tierra insuficientes en la estimación de errores, los datos DEM de 2011 se utilizaron
como elevación de referencia.

Luego, la diferencia de elevación entre otros conjuntos de datos y la referencia en el mismo

punto característico de la imagen podría calcularse como 2011 DEM. El rango de error fue de
0.43 ~ 0.75 m (Tabla 4), que fue mayor que el total.

Esto podría atribuirse al hecho de que en un área tan densamente vegetada con terreno
accidentado, los errores originalmente medidos desde los puntos de control del suelo tienden
a subestimar la elevación.

Otra posibilidad era que los errores se magnificaran al usar los datos DEM 2011 como
referencia debido a los errores de la referencia misma.

Sin embargo, debe tenerse en cuenta que esos puntos identificables en áreas desnudas y
planas pueden seleccionarse como puntos característicos y solo se producirán errores
menores al aplicar ALS en dichas áreas. Además, sería útil tener una referencia de terreno
común para las comparaciones entre varios conjuntos de datos de diferentes períodos.

Por lo tanto, es legítimo elegir al menos un período de datos ALS DEM como punto de referencia
para la evaluación de errores de datos DTM de períodos múltiples. Conceptos similares también
podrían aplicarse a bosques o áreas montañosas con solo unos pocos o ningún punto de control.
Por ejemplo, después de un terremoto o huracán, cuando se requiere una generación rápida y
eficiente de DTM y ortoimagen o se necesitan comparaciones posteriores al desastre, se puede
usar un período de datos de ALS como referencia del terreno para seleccionar puntos de
control en tierra según sea necesario.

The basic idea of the multi-period DTM error estimation method employed in this paper was to
calculate errors using known elevation check points and then to estimate errors between
two successive periods using the error propagation equation. The advantage of this approach
was that fairly accurate error values could be gained by comparing the known elevation
inspection point data with the measured results. However, considering the fact that those
identifiable and measurable points are mostly selected in flat, bare, and easily accessible areas,
errors might be underestimated due to neglecting the practical slope terrain and vegetation.
Moreover, in densely vegetated mountain areas, practical measurable control points are
difficult to assign due to the impacts of plants and poor accessibility. An alternative DTM error
estimation method is to calculate errors based on the undisturbed terrain areas [25]. The core
of this method is to find the elevation differences of the undisturbed area and regard the
average value and standard deviation of distribution of elevation difference as the average
difference and error range of the two-period DEM, respectively. However, this assessment
method tends to be affected by the selected undisturbed areas as the variant areas
in mountains/forests might be included in calculations. Hence, one period of ALS data is utilized
as the terrain reference for selecting ground control points. In addition to the advantages of the
high resolution and precision of the DTM data obtained using ALS, this method can also solve
the problema of insufficiency of elevation check points in areas with high mountains and forests
due to measurement difficulties. The work by Podobnikar [51] also proposed the use of a known
and high-quality DTM dataset as an important reference for combining different DTM datasets
into a better DTM dataset. It applied more rigorous ideas of regionalization and parameter
weighting to help improve the quality of the combined DTM data set. In our study, we similarly
utilized one period of ALS data as a reference for error estimation but emphasized its
convenience and cost-effectiveness for estimating landslide volume under users’ demands. As
shown in Table 3, the estimated errors of various DTM data sets based on the reference of 2011
DEM do reflect the potential error range of the DEM data.

La idea básica del método de estimación de errores DTM de múltiples períodos empleado en
este documento fue calcular los errores utilizando puntos de verificación de elevación
conocidos y luego estimar los errores entre dos períodos sucesivos utilizando la ecuación de
propagación de errores.

La ventaja de este enfoque era que se podían obtener valores de error bastante precisos al
comparar los datos conocidos del punto de inspección de elevación con los resultados medidos.
Sin embargo, teniendo en cuenta el hecho de que esos puntos identificables y medibles se
seleccionan principalmente en áreas planas, desnudas y de fácil acceso, los errores pueden
subestimarse debido a que se descuidan el terreno práctico de la pendiente y la vegetación.
Además, en zonas de montaña densamente vegetada, los puntos de control medibles prácticos
son difíciles de asignar debido a los impactos de las plantas y la escasa accesibilidad. Un método
alternativo de estimación de errores DTM es calcular los errores en función de las áreas de
terreno no perturbadas [25].

El núcleo de este método es encontrar las diferencias de elevación del área no perturbada y
considerar el valor promedio y la desviación estándar de la distribución de la diferencia de
elevación como la diferencia promedio y el rango de error del DEM de dos períodos,
respectivamente. Sin embargo, este método de evaluación tiende a verse afectado por las
áreas no alteradas seleccionadas, ya que las áreas variantes en montañas / bosques podrían
incluirse en los cálculos.

Por lo tanto, se utiliza un período de datos de ALS como referencia del terreno para seleccionar
puntos de control en tierra. Además de las ventajas de la alta resolución y precisión de los datos
DTM obtenidos con ALS, este método también puede resolver el problema de la insuficiencia de
los puntos de control de elevación en áreas con altas montañas y bosques debido a dificultades
de medición. El trabajo de Podobnikar [51] también propuso el uso de un conjunto de datos
DTM conocido y de alta calidad como una referencia importante para combinar diferentes
conjuntos de datos DTM en un mejor conjunto de datos DTM.

Aplicó ideas más rigurosas de regionalización y ponderación de parámetros para ayudar a

mejorar la calidad del conjunto de datos DTM combinado. En nuestro estudio, utilizamos de
manera similar un período de datos de ALS como referencia para la estimación de errores, pero
enfatizamos su conveniencia y rentabilidad para estimar el volumen de deslizamientos de tierra
bajo las demandas de los usuarios. Como se muestra en la Tabla 3, los errores estimados de
varios conjuntos de datos DTM basados en la referencia del DEM 2011 reflejan el rango de error
potencial de los datos del DEM.

UAVs have been applied more and more widely in various applications. It has also became one of
the common tools for landslide disaster research due to its advantages of low operating cost,
high data processing speed, low flying height, convenient flying preparation, and the ease of
generating orthoimage and DTM data. Error range evaluation associated with the generated
image and DTM data also attracts attention in the research community. The results obtained
from this work (Table 3) showed that the error range of DTM data obtained from UAV, which
was not equipped with conventional aerial photogrammetry camera, was not significantly
different from those of the other three DTM datasets obtained from aircraft equipped with
conventional aerial photogrammetry cameras. It should be considered as the optimal choice for
investigations over small areas due to its advantages of portability, low cost, and high data
processing speed. Due to the highly unpredictable nature of landslide incidents, few measured
landslide volume values exist. It is common practice to evaluate slide volume by measuring the
landslide area on the obtained image and then estimating the average depth [26–28]. However,
the certainty of landslide depth is often difficult to evaluate due to the lack of terrain
information before the disaster, which would affect the accuracy of landslide volume
estimation. As a result, there also exist a number of studies where statistical/empirical
equations, i.e., relations between area and volume derived by compiling a large quantity of
landslide cases, were used to approximate the potential landslide volume based on a certain
landslide area. Nevertheless, this type of method is also restricted by various factors such as
area features, landslide type, slope morphology, and rock properties [28]. With the utilization of
multi-period DTM data in this work, the appearance of the entire landslide area, both before
and after, the disaster could be clearly observed thanks to the terrain data obtained from the
historical aerial photogrammetry images. The Meiyuan Shan landslide incident with a
sliding area of about 0.55 km2 was analyzed as an example in this paper. In 2008, the disaster
produced 16 million m3 of rock volume, 12 million m3 of which was deposited in the landslide
dam, and 4 million m3 of which entered the mainstream of Beigang River. The volume changes
could be clearly calculated. The use of high-resolution DTM data obtained from multi-period
aerial photogrammetry, UAV aerial measurement, and ALS has been proven to be an efficient
method to calculate landslide volumes. Specifically, small-area investigations can be
implemented using UAV by taking advantage of its portability and speed, whereas large area
investigations can employ aerial photogrammetry or ALS to obtain data. Additionally, ALS is also
applicable for regional investigations since it possesses the best data precision.

Los UAV se han aplicado cada vez más en diversas aplicaciones. También se ha convertido en
una de las herramientas comunes para la investigación de desastres por deslizamientos de tierra
debido a sus ventajas de bajo costo operativo, alta velocidad de procesamiento de datos, baja
altura de vuelo, preparación de vuelo conveniente y la facilidad de generar datos de ortoimagen
y DTM. La evaluación del rango de error asociada con la imagen generada y los datos DTM
también atrae la atención de la comunidad de investigación. Los resultados obtenidos de este
trabajo (Tabla 3) mostraron que el rango de error de los datos DTM obtenidos del UAV, que
no estaba equipado con una cámara de fotogrametría aérea convencional, no era
significativamente diferente de los de los otros tres conjuntos de datos DTM obtenidos de
aviones equipados con aviones convencionales.

cámaras de fotogrametría aérea. Debe considerarse como la opción óptima para investigaciones
en áreas pequeñas debido a sus ventajas de portabilidad, bajo costo y alta velocidad de
procesamiento de datos. Debido a la naturaleza altamente impredecible de los incidentes de
deslizamientos, existen pocos valores medidos de volumen de deslizamientos. Es una práctica
común evaluar el volumen del portaobjetos midiendo el área de deslizamiento en la imagen
obtenida y luego estimando la profundidad promedio [26–28].

Sin embargo, la certeza de la profundidad del deslizamiento es a menudo difícil de evaluar

debido a la falta de información del terreno antes del desastre, lo que afectaría la precisión de
la estimación del volumen del deslizamiento.

Como resultado, también existen varios estudios en los que las ecuaciones empíricas /
estadísticas, es decir, las relaciones entre el área y el volumen derivadas de la recopilación de
una gran cantidad de casos de deslizamientos de tierra, se utilizaron para aproximar el volumen
potencial de deslizamientos en función de un área determinada. Sin embargo, este tipo de
método también está restringido por varios factores, como las características del área, el tipo
de deslizamiento de tierra, la morfología de la pendiente y las propiedades de las rocas [28].

Con la utilización de datos DTM de múltiples períodos en este trabajo, la aparición de toda el
área de deslizamientos de tierra, tanto antes como después, el desastre se pudo observar
claramente gracias a los datos del terreno obtenidos de las imágenes históricas de
fotogrametría aérea.

El incidente del deslizamiento de tierra de Meiyuan Shan con un área de deslizamiento de

aproximadamente 0,55 km2 se analizó como ejemplo en este documento. En 2008, el desastre
produjo 16 millones de m3 de volumen de roca, de los cuales 12 millones de m3 fueron
depositados en la presa de deslizamiento de tierra, y 4 millones de m3 ingresaron a la corriente
principal del río Beigang. Los cambios de volumen podrían calcularse claramente. Se ha
demostrado que el uso de datos DTM de alta resolución obtenidos de la fotogrametría aérea de
múltiples períodos, la medición aérea de UAV y ALS es un método eficiente para calcular los
volúmenes de deslizamientos de tierra. Específicamente, las investigaciones de áreas pequeñas
se pueden implementar utilizando UAV aprovechando su portabilidad y velocidad, mientras que
las investigaciones de áreas grandes pueden emplear fotogrametría aérea o ALS para obtener
datos. Además, ALS también es aplicable para investigaciones regionales, ya que posee la mejor
precisión de datos.

Profile Comparison

Profiling is a commonly used method in terrain research, among which straight line profiling is
the most straightforward, convenient, and rapid approach. As the section AA’ shows in Figure
7, the elevation values located on this straight line were selected to generate profiles. Although
easy and fast, this approach would also pass non-target areas. Incorporation of unnecessary
terrain into the profile would lead to abnormal or irregular terrain information, which might be
misleading. Polyline profiling could extract necessary elevation points to generate profiles using
a polyline, as the BB’ section shows in Figure 8. Compared with the AA’ straight line profiling,
this approach requires manual selection of polyline sections. Although selection of non-target
area data can be mitigated, misleading abnormal, or irregular profiles are still not completely
avoidable. The method of swath profiling has been mostly employed in large-scale terrain
applications, such as tectonic structures. However, it was adopted in this work to analyze a small
scale slope. Rectangle and the irregular ranges, such as the Meiyuan Shan landslide and the river
channel, were used for swath profiling with the minimum amount of horizontal rows. Shown in
the top of Figure 8 is a profile based on rectangles, while the irregular shapes of the Meiyuan
Shan landslide and the river channel are shown in the bottom of the figure. The major
differences between these two were the surroundings of the original landslide on the left and
the vicinity of the slope foot, with the rest of the selected elevation values remaining the same.
As the profile was based on the minimum values of each row, it could reflect the real landslide
situation through the DTM elevation change before and after the disaster, including obvious
descent of the original area and clear ascent of the slope middle and the river channel. The trend
of elevation change also demonstrated the variations of erosion of the collapse origin and
deposition of the rock accumulation area with the profile position. There is a clear elevation
change at around 1900 m in the bottom subfigure of Figure 8, which should be the
location between the landslide deposition toe and the river channel deposition. This change
cannot be observed from the two profiles in Figure 7. Multiple parallel straight line profiling had
been previously utilized in landslide discussions [16,52]. Instead, the swath profile method is
able to express the landslide terrain using the maxima, minima, or average of each row, which
is helpful in landslide interpretation and analysis.

Usually after a landslide event, the sliding sediments would not entirely propagate
downstream at once. The remaining body in most cases would be moved downstream due to a
subsequent heavy rainfall and, thus, the remaining rocks and the moving earthflow are threats
to the downstream area. The ratio between the sediment volume flowing out of the landslide
dam and the total sediment volume within the landslide dam can be defined as the sediment
delivery rate [21,53,54]. This can represent degrees of erosion and sediment outflow in the
water accumulation area and, thereby, provide references for hydraulic engineering or landslide
disaster prevention planning. Since we were able to calculate five terrain variations from six
DTM data sets, along with the fact that the data we have in this work covered an entire water
accumulation area, sediment delivery rate calculations could be conducted. Thus, the sediment
volume and the delivery rate of earthflow propagation from this area to the downstream main
river channel (Beigang River) could be obtained. Using the volume around the incident of the
Meiyuan Shan landslide as a calculation benchmark, the delivery rates up to 2008, 2011, 2012,
and 2013 were 24.6%, 14.3%, 9.8%, and 4.2%, respectively, declining year by year. In fact, the
heavy rainfall that occurred during these years also played a critical role. By looking into the total
sediment volume generated after the landslide, there were more than six years during which
47.1% of the total volume remained within the landslide dam. This indicated that the sliding
sediments would not entirely propagate downstream in a short period of time but, instead, the
remaining bulk of these sediments would be moved downstream by subsequent heavy
rainfall over time. Therefore, after a landslide, these sediments should be carefully monitored
as potential post disaster hazards. Aerial photogrammetry and ALS can be continuously applied
after the disaster subsequent to a massive landslide to gather terrain information around the
landslide area in order to monitor the terrain changes of the downstream river channel and their
potential impacts.

Comparación de perfil

El perfilado es un método comúnmente utilizado en la investigación del terreno, entre los cuales
el perfilado en línea recta es el enfoque más directo, conveniente y rápido. Como se muestra en
la sección AA 'de la Figura 7, los valores de elevación ubicados en esta línea recta se
seleccionaron para generar perfiles. Aunque fácil y rápido, este enfoque también pasaría áreas
no objetivo. La incorporación de terreno innecesario en el perfil conduciría a información de
terreno anormal o irregular, lo que podría ser engañoso.

El perfil de polilínea podría extraer los puntos de elevación necesarios para generar perfiles
usando una polilínea, como se muestra en la sección BB 'en la Figura 8. En comparación con el
perfil de línea recta AA', este enfoque requiere la selección manual de secciones de polilínea.

Aunque la selección de datos de área no objetivo puede mitigarse, los perfiles anormales o
irregulares engañosos aún no son completamente evitables.

El método de perfil de franja se ha empleado principalmente en aplicaciones de terreno a gran

escala, como las estructuras tectónicas. Sin embargo, se adoptó en este trabajo para analizar
una pendiente a pequeña escala. El rectángulo y los rangos irregulares, como el deslizamiento
de tierra de Meiyuan Shan y el canal del río, se utilizaron para el perfil de franja con la cantidad
mínima de filas horizontales.
En la parte superior de la Figura 8 se muestra un perfil basado en rectángulos, mientras que las
formas irregulares del deslizamiento de tierra Meiyuan Shan y el canal del río se muestran en la
parte inferior de la figura. Las principales diferencias entre estos dos fueron los alrededores del
deslizamiento de tierra original a la izquierda y la vecindad del pie de la pendiente, con el resto
de los valores de elevación seleccionados siendo los mismos.

Como el perfil se basó en los valores mínimos de cada fila, podría reflejar la situación real de
deslizamiento de tierra a través del cambio de elevación DTM antes y después del desastre,
incluido el descenso obvio del área original y el ascenso claro de la pendiente central y el canal
del río. La tendencia del cambio de elevación también demostró las variaciones de erosión del
origen del colapso y la deposición del área de acumulación de roca con la posición del perfil. Hay
un claro cambio de elevación alrededor de 1900 m en la subfigura inferior de la Figura 8, que
debería ser la ubicación entre el dedo del pie de deposición de deslizamiento de tierra y la
deposición del canal del río. Este cambio no puede observarse a partir de los dos perfiles en la
Figura 7. Múltiples perfiles de líneas rectas paralelas se habían utilizado previamente en
discusiones sobre deslizamientos de tierra [16,52].

En cambio, el método de perfil de franja es capaz de expresar el terreno de deslizamiento de

tierra utilizando los máximos, mínimos o promedio de cada fila, lo que es útil en la interpretación
y análisis de deslizamientos de tierra.

Por lo general, después de un evento de deslizamiento de tierra, los sedimentos deslizantes no

se propagarían por completo aguas abajo de una vez. El cuerpo restante en la mayoría de los
casos se movería río abajo debido a una fuerte lluvia posterior y, por lo tanto, las rocas restantes
y el flujo de tierra en movimiento son amenazas para el área río abajo. La relación entre el
volumen de sedimento que fluye de la presa de deslizamiento de tierra y el volumen total de
sedimento dentro de la presa de deslizamiento de tierra puede definirse como la tasa de entrega
de sedimento [21,53,54].

Esto puede representar grados de erosión y salida de sedimentos en el área de acumulación de

agua y, por lo tanto, proporcionar referencias para la ingeniería hidráulica o la planificación de
prevención de desastres por deslizamientos de tierra. Como pudimos calcular cinco variaciones
del terreno a partir de seis conjuntos de datos DTM, junto con el hecho de que los datos que
tenemos en este trabajo cubrieron un área de acumulación de agua completa, se pudieron
realizar cálculos de la tasa de entrega de sedimentos. Por lo tanto, se pudo obtener el volumen
de sedimento y la tasa de distribución del flujo de tierra desde esta área hasta el canal principal
del río aguas abajo (río Beigang).

Usando el volumen alrededor del incidente del deslizamiento de tierra de Meiyuan Shan como
punto de referencia de cálculo, las tasas de entrega hasta 2008, 2011, 2012 y 2013 fueron 24.6%,
14.3%, 9.8% y 4.2%, respectivamente, disminuyendo año tras año. De hecho, las fuertes lluvias
que ocurrieron durante estos años también jugaron un papel crítico. Al observar el volumen
total de sedimento generado después del deslizamiento de tierra, hubo más de seis años
durante los cuales el 47.1% del volumen total permaneció dentro de la presa de deslizamiento.
Esto indicó que los sedimentos deslizantes no se propagarían enteramente aguas abajo en un
corto período de tiempo, sino que, en su lugar, el grueso restante de estos sedimentos se
movería aguas abajo por las fuertes lluvias posteriores a lo largo del tiempo. Por lo tanto,
después de un deslizamiento de tierra, estos sedimentos deben ser monitoreados
cuidadosamente como posibles peligros posteriores al desastre. La fotogrametría aérea y la ELA
se pueden aplicar continuamente después del desastre posterior a un deslizamiento de tierra
masivo para recopilar información del terreno alrededor del área de deslizamiento con el fin de
monitorear los cambios en el terreno del canal del río aguas abajo y sus posibles impactos

Conclusions

For the six periods of DTM data generated in this work, the error of ALS was about 0.15 m–0.18
m, the smallest among these DTM generation techniques. For the four periods of data generated
using aerial photogrammetry (including UAV images), the errors of total ranged from 0.22 m to
0.40 m. The comparison with the image ground sample distance (GSD) values indicated that
total error was 0.98–2.1 times that of GSD. This suggested that the precision of the DTM data
generated in this work using different aircrafts and generation techniques is suitable for
landslide analysis. Especially in mountainous and densely vegetated areas, data generated by
ALS can be used as a benchmark to solve the problem of insufficient control points. The error
range of DTM data obtained from UAVs was not significantly different from those of the other
three DTM datasets obtained using the traditional aerial photogrammetry technique. This
suggested that UAV aerial photogrammetry should be considered as the optimal choice for
investigations over small areas due to its advantages of portability, low costs, and speedy data
processing. DTM data were compared in this study to calculate the sediment volume and terrain
change before and after the landslide incident. The comparison between the traditional straight
line profile and swath profile suggested that the swath profile method is able to express
landslide terrain using the maxima, minima, or average of each row, which is helpful in landslide
interpretation and analysis. Sediment delivery rate can be determined based on sediment
volume change calculated by contrasting DTM data. It was shown that sediment delivery rate
decreased each year and was affected by heavy rainfall during each period. Since the Meiyuan
Shan landslide in 2007 to 2013, there were more than six years during which approximately half
of the total sediment volume remained within the landslide dam. This indicated that the sliding
sediments would not entirely propagate downstream in a short period of time. Therefore, after
a landslide, these sediments should be carefully monitored as potential post disaster hazards.
Aerial photogrammetry and ALS can be applied after the disaster as often as necessary to gather
terrain information around the landslide area in order to monitor the terrain changes of the
downstream river channel and their potential impacts subsequent to a massive landslide.

Conclusiones

Para los seis períodos de datos de DTM generados en este trabajo, el error de ALS fue de
aproximadamente 0.15 m – 0.18 m, el más pequeño entre estas técnicas de generación de DTM.
Para los cuatro períodos de datos generados mediante fotogrametría aérea (incluidas imágenes
UAV), los errores del total oscilaron entre 0.22 ma 0.40 m. La comparación con los valores de
distancia de la muestra de tierra de la imagen (GSD) indicó que el error total fue de 0,98 a 2,1
veces el de GSD. Esto sugirió que la precisión de los datos DTM generados en este trabajo
utilizando diferentes aeronaves y técnicas de generación es adecuada para el análisis de
deslizamientos de tierra. Especialmente en áreas montañosas y densamente vegetadas, los
datos generados por ALS pueden usarse como punto de referencia para resolver el problema de
puntos de control insuficientes. El rango de error de los datos DTM obtenidos de los UAV no fue
significativamente diferente de los de los otros tres conjuntos de datos DTM obtenidos
mediante la técnica tradicional de fotogrametría aérea. Esto sugirió que la fotogrametría aérea
de UAV debería considerarse como la opción óptima para investigaciones en áreas pequeñas
debido a sus ventajas de portabilidad, bajos costos y procesamiento rápido de datos.
Los datos de DTM se compararon en este estudio para calcular el volumen de sedimento y el
cambio de terreno antes y después del incidente del deslizamiento de tierra. La comparación
entre el perfil de línea recta tradicional y el perfil de franja sugirió que el método de perfil de
franja es capaz de expresar el terreno de deslizamiento de tierra utilizando los máximos,
mínimos o promedio de cada fila, lo que es útil en la interpretación y análisis de deslizamientos
de tierra. La tasa de suministro de sedimento se puede determinar en función del cambio de
volumen de sedimento calculado mediante el contraste de los datos DTM. Se demostró que la
tasa de entrega de sedimentos disminuyó cada año y se vio afectada por fuertes lluvias durante
cada período.

Desde el deslizamiento de tierra de Meiyuan Shan en 2007 a 2013, hubo más de seis años
durante los cuales aproximadamente la mitad del volumen total de sedimento permaneció
dentro de la presa de deslizamiento. Esto indicó que los sedimentos deslizantes no se
propagarían enteramente aguas abajo en un corto período de tiempo. Por lo tanto, después de
un deslizamiento de tierra, estos sedimentos deben ser monitoreados cuidadosamente como
posibles peligros posteriores al desastre. La fotogrametría aérea y la ELA se pueden aplicar
después del desastre con la frecuencia necesaria para recopilar información del terreno
alrededor del área de deslizamiento de tierra con el fin de monitorear los cambios de terreno
del canal del río aguas abajo y sus posibles impactos posteriores a un deslizamiento de tierra
masivo.