Obtencin̤ de parm̀etros p̤timos en la clasificacin̤ de nubes de puntos LiDAR, a partir de sensores aerotransportados
En el presente trabajo se utiliz ̤informacin̤ adquirida a partir de los datos de dos sensores topogrf̀icos aerotransportados Light Detection and Ranging - LiDAR, Riegl VQ 580 y Leica ALS70, obteniendo nubes de puntos de la misma zona con ambos sensores. Realizando un anl̀isis iterativo comparado, ob...
Kaydedildi:
| Diğer Yazarlar: | , , , |
|---|---|
| Materyal Türü: | Kitap |
| Dil: | İspanyolca |
| Konular: | |
| Online Erişim: | Obtencin̤ de parm̀etros p̤timos en la clasificacin̤ de nubes de puntos LiDAR, a partir de sensores aerotransportados |
| Etiketler: |
Etiketle
Etiket eklenmemiş, İlk siz ekleyin!
|
MARC
| LEADER | 00000nam a22000004a 4500 | ||
|---|---|---|---|
| 001 | vpro4173 | ||
| 005 | 20201223000000.0 | ||
| 008 | 121206s2017 ck # g## #001 0#spa#d | ||
| 020 | |a 2619-6581 (versin̤ electrn̤ica); 1794-4953 (versin̤ impresa) | ||
| 022 | |||
| 040 | |a CO-BoINGC | ||
| 041 | 0 | |a spa | |
| 245 | 1 | 0 | |a Obtencin̤ de parm̀etros p̤timos en la clasificacin̤ de nubes de puntos LiDAR, a partir de sensores aerotransportados |
| 246 | |a Obtaining optimal parameters in the classification of LiDAR points clouds, from airborne sensors | ||
| 264 | |a Bogot ̀(Colombia) : |b Revista VirtualPRO, |c 2017 | ||
| 520 | 3 | |a En el presente trabajo se utiliz ̤informacin̤ adquirida a partir de los datos de dos sensores topogrf̀icos aerotransportados Light Detection and Ranging - LiDAR, Riegl VQ 580 y Leica ALS70, obteniendo nubes de puntos de la misma zona con ambos sensores. Realizando un anl̀isis iterativo comparado, obteniendo los parm̀etros p̤timos de ǹgulo de iteracin̤, terreno, pendiente y distancia de iteracin̤, utilizados en la clasificacin̤ semiautomt̀ica de nubes de puntos generando modelos digitales del terreno (DTM, por sus siglas en inglš). Para analizar el comportamiento de las nubes de puntos y comprobacin̤ de la precisin̤, se realiz ̤un control de cotas y se generaron comparaciones de los diferentes modelos digitales de terreno, construyendo as,̕ esta metodologa̕.1. Introduccin̤La tecnologa̕ LiDAR a nivel mundial es una de las principales herramientas para realizar modelos tridimensionales del terreno y posteriormente poder ser aplicados a diferentes estudios, por ejemplo, diseǫ y mantenimiento vial, localizacin̤ de obra de infraestructura e inventarios forestales. A pesar de esto, el procesamiento de nubes de puntos LiDAR es conocido y su utilizacin̤ puede ser poco comn͠, en algunos casos, se desconocen las precisiones y calidad de los datos, en comparacin̤ a otras metodologa̕s para la representacin̤ del terreno [1].En medio de la construccin̤ de proyectos de diseǫ es importante contar con un <U+0093>SET2<U+0094> de datos adecuado, el cual garantice la precisin̤. Es fundamental que el modelo basado en datos LiDAR vaya acorde con la realidad del terreno [2]. Dependiendo del tipo de terreno sobre el cual se va a trabajar se puede garantizar cierta precisin̤, debido a que en zonas de alta montaą y gran vegetacin̤ es difc̕il realizar trabajos que brinden datos confiables o que cumplan con precisiones altas [3]. Para el anl̀isis de la calidad de los datos es necesario tener en cuenta factores como: la topografa̕ del terreno y la cobertura.En este trabajo, se plante ̤una metodologa̕ que permita garantizar la obtencin̤ de parm̀etros p̤timos en la clasificacin̤ de nubes de puntos LiDAR[4] para zonas de alta y baja densidad de vegetacin̤, as ̕como alta pendiente. Para tal fin, se realizaron comparaciones entre nubes de puntos tomadas con dos tipos de sensores LiDAR (Riegl VQ 580 y Leica ALS70) con diferentes densidades por metro cuadrado, se aplicaron mťodos de clasificacin̤ para procesar informacin̤, validando y garantizando el cumplimiento de estǹdares de calidad en Colombia [5].Por otra parte, las zonas de estudio escogidas para realizar el anl̀isis iterativo comparado para la obtencin̤ de parm̀etros p̤timos en la clasificacin̤ de nubes de puntos LiDAR con los sensores Riegl VQ580 y leica ALS70, fueron aquellas que presentaron alta y baja densidad de vegetacin̤, y altas pendientes respectivamente [6]. Para esto fue necesario realizar comparaciones entre las clasificaciones de terreno, realizar control de cotas y analizar el comportamiento de los modelos digitales de terreno mediante mťodos de validacin̤ cruzada [7]. | |
| 650 | \ | \ | |a Topografa̕ |
| 650 | \ | \ | |a Modelo digital de elevacin̤ MDE |
| 650 | \ | \ | |a Topography |
| 650 | \ | \ | |a Digital elevation model DEM |
| 650 | \ | \ | |a ALS - Airbone laser Scaning |
| 650 | \ | \ | |a clasificacin̤ de nubes de puntos |
| 650 | \ | \ | |a mťodos de interpolacin̤ |
| 650 | \ | \ | |a MDT <U+0096>Modelos digitales del terreno |
| 650 | \ | \ | |a nube de puntos LiDAR |
| 650 | \ | \ | |a validacin̤ de datos. |
| 650 | \ | \ | |a ALS - Airbone laser Scanning |
| 650 | \ | \ | |a Data validation |
| 650 | \ | \ | |a Dot cloud classification |
| 650 | \ | \ | |a Digital field models |
| 650 | \ | \ | |a DTM Interpolation methods |
| 650 | \ | \ | |a Point cloud LiDAR |
| 700 | \ | \ | |a Barragǹ Zaque William Benigno |
| 700 | \ | \ | |a Escobar Rey Lusette Karime |
| 700 | \ | \ | |a Garcia Leydi |
| 700 | \ | \ | |a Universidad Libre, Bogot̀ |
| 856 | |z Obtencin̤ de parm̀etros p̤timos en la clasificacin̤ de nubes de puntos LiDAR, a partir de sensores aerotransportados |u https://virtualpro.unach.elogim.com/biblioteca/obtencion-de-parametros-optimos-en-la-clasificacion-de-nubes-de-puntos-lidar-a-partir-de-sensores-aerotransportados | ||