Obtención de parámetros óptimos en la clasificación de nubes de puntos LiDAR, a partir de sensores aerotransportados
PDF

Palabras clave

ALS - Airbone laser Scaning
clasificación de nubes de puntos
métodos de interpolación
MDT –Modelos digitales del terreno
nube de puntos LiDAR
validación de datos

Cómo citar

Barragán Zaque, W., Escobar Rey, L., & García, L. (2017). Obtención de parámetros óptimos en la clasificación de nubes de puntos LiDAR, a partir de sensores aerotransportados. Avances: Investigación En Ingeniería, 14(1), 9-20. https://doi.org/10.18041/1794-4953/avances.1.1280

Resumen

En el presente trabajo se utilizó información adquirida a partir de los datos de dos sensores topo­gráficos aerotransportados Light Detection and Ranging - LiDAR1, Riegl VQ 580 y Leica ALS70, obteniendo nubes de puntos de la misma zona con ambos sensores. Realizando un análisis itera­tivo comparado, obteniendo los parámetros óptimos de ángulo de iteración, terreno, pendiente y distancia de iteración, utilizados en la clasificación semiautomática de nubes de puntos generando modelos digitales del terreno (DTM, por sus siglas en inglés). Para analizar el comportamiento de las nubes de puntos y comprobación de la precisión, se realizó un control de cotas y se generaron comparaciones de los diferentes modelos digitales de terreno, construyendo así, esta metodología.

https://doi.org/10.18041/1794-4953/avances.1.1280
PDF

Citas

Jancso, T., & Melykuti, G. (2011). Comparisonof Digital Terrain ModelsGained by Different Tchnologies.Spatial Data Mining and GeographicalKnowledge Services(ICSDM), 6.

A. Ruiz, W. K. (2012). Experiencias y aplicacionesdel lidar. Cataluña: Parc deMontjuïc, s/n.

Gruen, A. (2012). Development and Statusof Image Matching in Photogrammetry.The Photogrammetric Record, 22.

Barragán, W. (2013). Historical documentationin San Agustin (Huila), Colombia,world historical heritage using closerange photogrammetry techniques.Taking the Benefits of GeographicInformation Technologies 93, AppliedGeoinformatics for Society and Environment(AGSE Conferences) Stuttgart.

IDEAM, IGAC y CORMAGDALENA. (2008).Mapa de Cobertura de la Tierra CuencaMagdalena-Cauca: MetodologíaCORINE Land Cover adaptada paraColombia a escala 1:100.000. Institutode Hidrología, Meteorología y EstudiosAmbientales. Bogotá, D.C.: InstitutoGeográfico Agustín Codazzi y CorporaciónAutónoma Regional del ríoGrande de La Magdalena.

Barragán, W. (2016) Automatic generation ofbuilding mapping using digital, verticaland aerial high resolution photographsand lidar point clouds. The InternationalArchives of the Photogrammetry, RemoteSensing and Spatial InformationSciences, Volume XLI-B7, doi:10.5194/isprsarchives-XLI-B7-171. Prague, CzechRepublic

Duque Martinez, J. S. (2015). ComparaciónEstadística de Métodos InterpolaciónDeterminísticos y Estocásticos parala generación de Modelos Digitalesdel Terreno a partir de datos LIDAR,en la parroquia de Tumbabiro, cantónSan Miguel de Urcuquí, provincia deImbabura. Quito.

Gallo, I., Binaghi, E., & Raspanti, M. (2008).Neural disparity computation for densetwo-frame stereo correspondence.Pattern Recognition Letters, 15.

Li, B., Schnabel, R., Klein, R., Cheng, Z.,Dang, G., Jin, S., 2010. Robust normalestimation for point clouds with sharpfeatures. Computers & Graphics 34(2), 94–106.

Binaghi, E., Gallo, I., Marino, G., & Raspanti,M. (2004). Neural adaptive stereo matching.Pattern Recognition Letters, 16.

Chong, M. M., GAY, R. K., NGEE TAN, H., &LIU, J. (2000). GEOMETRIC KNOWLEDGE-BASEDSYSTEMS FRAMEWORKFOR STEREO IMAGE MATCHING. InN. T. University. Singapore: AcademicPress.

Hsieh, Y. C., Perlant, F., & McKeown, D. M.(1990). Recovering 3D Informationfrom Complex Aerial Imagery. IEEE, 11.[13] Gruen, A. W. (1985). adaptive least squarescorrelation: a powerful image matchingtechnique. s Afr J of Photogrammetry,Remote Sensing and Cartography, 13.

Lee, H.-Y., Kim, T., Park, W., & Lee, H. K.(2003). Extraction of digital elevationmodels from satellite stereo imagesthrough stereo matching based onepipolarity and scene geometry. Imageand Vision Computing, 8.

Durgham, M., Habit, A., Kersting, A., &Quackenbush, P. (2008). Error budgetof lidar systems and quality control ofthe derived point cloud. Calgary.

Hannah, M. (1988). Digital Stereo ImageMatching Techniques. InternationalArchives of Photogrammetry and RemoteSensing, 14.

Räsänen, A., Kuitunen, M., Tomppo, E., &Lensu, A. (2014). Coupling high-resolutionsatellite imagery with ALS-basedcanopy height model and digital elevationmodel in object-based borealforest habitat type classification. ISPRS Journal of Photogrammetry and RemoteSensing (94), 169-182.

Nurminen, K., Karjalainen, M., Yu, X.,Hyyppä, J., & Honkavaara, E. (2013).Performance of dense digital surfacemodels based on image matchingin the estimation of plot-level forestvariables. Journal of Photogrammetryand Remote Sensing, 12.

Survey, O. (2015). TerraSan User's guide.Intergraph corporation.

Cai, X., Zhou, D., Li, G., & Zhuang, Z.(2005). A Stereo Matching AlgorithmBased on Color Segments. 6.

Arranz Justel, J. J. (2013). Diseño,optimización y análisis de sistemasbasados en técnicas láser, para elmodelado geométrico, registroy documentación, aplicados aentidades de interés patrimonial.Madrid.

Licencia

Descargas

La descarga de datos todavía no está disponible.