Clasificación Avanzada de Nube de Puntos LiDAR con Inteligencia Artificial: el caso práctico de Extremadura
DOI:
https://doi.org/10.17398/3101-7177.2.180Palabras clave:
LiDAR, Deep Learning, Machine Learning, Clasificación LiDARResumen
La tercera cobertura del PNOA-LiDAR proporciona nubes de puntos de alta densidad que permiten mejorar la clasificación por usos y coberturas del suelo del territorio. Este trabajo presenta un enfoque híbrido para la clasificación de nubes de puntos LiDAR, basado en la combinación de técnicas de Deep Learning (DL) y postprocesado, aplicado a datos de Extremadura. El método emplea un modelo de DL entrenado sobre un conjunto de datos representativo y un proceso posterior de refinamiento mediante técnicas de Machine Learning y análisis espacial. La evaluación, realizada mediante un conjunto de datos independiente, alcanza una exactitud global del 88,2 % y muestra mejoras tras el postprocesado, especialmente en vegetación baja y en infraestructuras lineales como carreteras, ferrocarril y puentes. El enfoque propuesto es iterativo y escalable, lo que facilita su aplicación en ámbitos territoriales extensos.
Descargas
Referencias
Jing, Z., Guan, H., Zhao, P., Li, D., Yu, Y., Zang, Y., ... & Li, J. (2021). Multispectral LiDAR point cloud classification using SE-PointNet++. Remote Sensing, 13(13), 2516.
Kowalczuk, Z., & Szymański, K. (2019). Classification of objects in the LIDAR point clouds using Deep Neural Networks based on the PointNet model. IFAC-PapersOnLine, 52(8), 416-421.
Montero-Calvo, A. J., Martín-Tardío, M. A., & Felicísimo, Á. M. (2025). Automated Morphological Characterization of Mediterranean Dehesa Using a Low-Density Airborne LiDAR Technique: A DBSCAN–Concaveman Approach for Segmentation and Delineation of Tree Vegetation Units. Forests, 17(1), 16.
Sultan, R. I., Li, C., Zhu, H., Khanduri, P., Brocanelli, M., & Zhu, D. (2024). GeoSAM: Fine-tuning SAM with multi-modal prompts for mobility infrastructure segmentation. arXiv preprint arXiv:2311.11319.
Thomas, H., Qi, C. R., Deschaud, J. E., Marcotegui, B., Goulette, F., & Guibas, L. J. (2019). Kpconv: Flexible and deformable convolution for point clouds. In Proceedings of the IEEE/CVF international conference on computer vision (pp. 6411-6420).
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Alejandro Redondo, Javier Becerra, Aurelio García, Luis Ruiz Fernández, Pablo Crespo-Peremarch, Juan Pedro Carbonell Rivera (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
