Algoritmo para clasificar la superficie terrestre a partir de una nube de puntos LiDAR Aéreo

Abstract

Este trabajo presentó un sistema para la clasificación del suelo en nubes de puntos LiDAR aéreas. Durante el desarrollo del proyecto se lograron cumplir todos los objetivos específicos. Para ello, se estableció una serie de procesamientos como la normalización de datos y cortes segmentados que permitió hacer un análisis acerca de la nube de puntos para después poder implementar un método de clasificación, como es la red triangular irregular utilizando LAStools.

Para los espacios conflictivos en la nube de puntos causados por la baja densidad de puntos clasificados, se implementaron métodos de interpolación geoespacial como el método de Kriging, lo que permite estimar valores en ubicaciones desconocidas de manera óptima. Gracias a que este método es sumamente estadístico, permitió analizar de manera más profunda la nube de puntos y de esta manera definir un modelo que se adapte correctamente a la nube de puntos. Esto se ve reflejado al momento de realizar las pruebas de hipótesis por medio de una distribución T de Student, la cual demuestra que el promedio de error obtenido se encuentra muy por debajo del mínimo error de 0,00105 permitido al momento de interpolar. Además, este margen de error indica que el método de interpolación escogido presenta una alta precisión con respecto a los valores conocidos.

Adicionalmente, debido a las observaciones realizadas por el experto, las cuales han sido consideradas detenidamente, se asegura que en futuras versiones del sistema no se presentarán las dificultades observadas. No obstante, las pruebas realizadas hasta el momento no han evidenciado dichos problemas, por lo que los resultados obtenidos no se ven afectados. Sin embargo, se reitera que estos errores han sido solucionados y futuras pruebas no presentarán errores, aunque no se encuentren explícitamente reflejados.

This work presented a system for ground classification in aerial LiDAR point clouds. During the development of the project, all the specific objectives were successfully met. A series of processes were established, such as data normalization and segmented cuts, which allowed an analysis of the point cloud to later implement a classification method, such as the irregular triangular network using LAStools.

For the problematic areas in the point cloud caused by the low density of classified points, geospatial interpolation methods, such as the Kriging method, were implemented. This method allows optimal estimation of values at unknown locations. Since Kriging is highly statistical, it enabled a deeper analysis of the point cloud, defining a model that properly adapts to it. This is reflected in the results of hypothesis testing using a Student’s t-distribution, which demonstrates that the average error obtained is well below the minimum error of 0.00105 allowed during interpolation. Additionally, this margin of error indicates that the chosen interpolation method has high accuracy concerning the known values.

Furthermore, due to the observations made by the expert, which have been carefully considered, it is assured that future versions of the system will not present the difficulties observed. However, the tests conducted so far have not shown these issues, so the results obtained are not affected. Nevertheless, it is reiterated that these errors have been resolved, and future tests will not present these issues, even if they are not explicitly reflected.