Post-procesado de información LIDAR mediante técnicas geoestadísticas

• Delgado García, J. ^[1] ; Pérez García, J. L. ^[1] ; Gómez Molina, A. ^[2] ; Gómez Vidal, M. D. ^[1] ; Soares, A. ^[3]
  1. [1] Universidad de Jaén

     Universidad de Jaén

     Jaén, España

     
  2. [2] Universidad Politécnica de Madrid

     Universidad Politécnica de Madrid

     Madrid, España

     
  3. [3] Universidade Técnica de Lisboa

  Mostrar afiliaciones +
• Localización: El acceso a la información espacial y las nuevas tecnologías geográficas / María Teresa Camacho Olmedo (ed. lit.) , José Antonio Cañete Pérez (ed. lit.), Juan Jesús Lara Valle (ed. lit.), 2006, ISBN 84-338-3944-6, págs. 105-118
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Los sensores LIDAR aerotransportados se plantean como la alternativa de futuro para la captura de datos para la generación de MDE. La información captada por el sensor proporciona una densa nube de puntos XYZ (terreno u objetos situados sobre el mismo) y la intensidad del reflejo del láser. Estos datos presentan dos características, en primer lugar, se trata de puntos que no siguen una distribución regular y, en segundo lugar, incluye puntos en los que se han producido errores en la medida –o están situados sobre elementos sin interés- que deberán ser filtrados. Estos problemas constituyen el objetivo de este trabajo que se aborda desde una metodología geoestadística que presenta la ventaja de emplear en la modelización parámetros derivados de los propios datos. El tratamiento comienza con el cálculo de las funciones de correlación espacial. Debido a las características del terreno es habitual que los variogramas obtenidos a partir de los puntos de cota sean de carácter no estacionario por lo que se presenta una metodología de trabajo a partir de la estimación de la deriva de los datos mediante ajuste polinómico y trabajo posterior con los residuos del ajuste. A continuación se realiza la detección de los puntos anómalos, para ello se emplea el método de validación cruzada a un doble nivel entre los valores de cota y de intensidad, que permitirá la detección de errores de medida o de puntos situados sobre objetos sin interés. Una vez depurados los datos es posible la generación del modelo final de elevaciones a malla regular. Esto se realiza mediante la aplicación del krigeaje de residuos a nivel de bloque y la posterior incorporación del valor de la tendencia, a objeto de proporcionar el valor más significativo de la cota del terreno en la porción de terreno seleccionada a partir del espaciado.

  • English

    Aerial LIDAR sensors are become actually a real alternative for data capture for digital elevation model (DEM) generation. The information provided by the sensor is composed by a very high dense XYZ point cloud (points can be located into the ground or in different objects that are situated on the ground –trees, vehicles …-) and the eco reflectivity of the laser pulse. These data have two main characteristics: in the first place, the points do not present a regular distribution and, secondly, the data includes points that present measuring errors -or they are located on elements without any interest-. These problems define the main objectives of this work that are discussed from a geostatistical point of view. Geostatistics presents the important advantage to include in modelling process parameters that they are derived of the own experimental information. The data geostatistical postprocessing begins with the spatial variability functions calculation. These functions will be basic in the following processes. Due to the terrain characteristics is usually to obtain non-stationary variogram so the proposed methodology is based in the drift estimation using a polynomial regression and the residual calculation (that have a stationary behaviour). Once the spatial variability functions are available, these functions will be used in a cross validation process that it is made that combine the terrain height and intensity information, providing a error anomalous data classification that can be used in order to debugging the experimental data. Once the data are debugged (and data with measuring errors located) it is possible to approach the digital elevation model generation that obtain the final model according a regular grid. This process has been made using a block residual kriging methodology that provides the most representative value of the block (that will be defined by the grid spacing) from the punctual measured residual data. The final model will be obtained adding to the residual estimates the drift values.