Full text
![]() |
PDF
- Users in campus UPM only
- Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (2MB) |
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.
Title: | Refinamiento de la clasificación actual del LiDAR del PNOA mediante análisis combinado de imágenes ráster con Python |
---|---|
Author/s: |
|
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 |
![]() |
PDF
- Users in campus UPM only
- Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (2MB) |
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.
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 |