Refinamiento de la clasificación actual del LiDAR del PNOA mediante análisis combinado de imágenes ráster con Python

Ramos Samboni, Nicolás (2022). Refinamiento de la clasificación actual del LiDAR del PNOA mediante análisis combinado de imágenes ráster con Python. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. en Topografía, Geodesia y Cartografía (UPM), Madrid.

Description

Title: Refinamiento de la clasificación actual del LiDAR del PNOA mediante análisis combinado de imágenes ráster con Python
Author/s:
  • Ramos Samboni, Nicolás
Contributor/s:
Item Type: Final Project
Degree: Grado en Ingeniería de las Tecnologías de la Información Geoespacial
Date: July 2022
Subjects:
Freetext Keywords: Nubes de puntos LiDAR, Modelo digital del terreno, Plan Nacional de Ortofotografía Aérea, Teledetección, Procesamiento de imágenes, Sistemas inteligentes, Deep learning
Faculty: E.T.S.I. en Topografía, Geodesia y Cartografía (UPM)
Department: Ingeniería Topográfica y Cartografía
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[thumbnail of TFG_NICOLAS_RAMOS_SAMBONI.pdf] PDF - Users in campus UPM only - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (2MB)

Abstract

El Instituto Geográfico Nacional (IGN), a través del Plan Nacional de Ortofotografía Aérea (PNOA), pone a disposición del público una serie de datos entre los que se encuentran las nubes de puntos LiDAR, las cuales sirven de base para generar modelos digitales del terreno, entre otros. En este proyecto se pretende encontrar un método que complemente el proceso de clasificación de la nube de puntos LiDAR. Para ello se propone una metodología atípica, con base en el tratamiento de datos ráster, que pretende solucionar algunos de los problemas que se encuentran en la clasificación proporcionada por el IGN.

Concretamente, la metodología consiste en clasificar las ortofotos del PNOA de manera automática, por píxel y por objeto, para localizar las zonas de vegetación baja. Superponiendo sobre ellas los puntos LiDAR de esa clase, se detectan los que tienen una clasificación errónea y se propone su reclasificación. Con el fin de implementar esta metodología son necesarios una serie de procesos de aprendizaje automático que se han programado en Python.

El resultado muestra que se consigue localizar hasta un 29,3% de puntos LiDAR clasificados erróneamente como vegetación baja y se corrige su clasificación asignándolos a otras clases, como pavimento o asfalto.

More information

Item ID: 74072
DC Identifier: https://oa.upm.es/74072/
OAI Identifier: oai:oa.upm.es:74072
Deposited by: Biblioteca Universitaria Campus Sur
Deposited on: 26 May 2023 11:39
Last Modified: 26 May 2023 11:39
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM