Métodos de Clasificación con datos obtidos mediante LiDAR

Abstract

O considerable aumento da aparición e severidade de incendios forestais nas últimas decadas, supuxo o inicio de investigacións orientadas a evitar e reducir o seu impacto e aparecemento. Neste marco, xorde o modelo Prometheus como un capaz de resumir de forma representativa a distribución das masas forestais. Este proceso está respaldado pola tecnoloxía LiDAR, que é capaz de obter puntos tridimensionais cunha gran precisión e facilidade para percorrer áreas amplas. Neste traballo proponse a revisión e comparación de algoritmos de clasificación aplicados ao etiquetado de masas forestais seguindo o modelo Prometheus. Deste xeito, realizarase unha introdución á aprendizaxe estatística e de forma máis concreta á clasificación. Tomando o anterior como base, presentaranse distintos métodos aplicables ao problema de estudo, indicando o seu marco teórico e características. Concretamente, estudarase o método de Bayes, KNN e Modelos Lineais Xeneralizados para a súa aplicación ao anterior problema. Na última parte deste traballo, introduciranse as métricas para medir o seu rendemento e analizaranse os resultados obtidos tras a súa aplicación. Deste xeito será posible coñecer a súa eficacia sobre nubes de puntos reais e comparar o seu rendemento.

In recent decades the increase of the appearance and severity of fires led to the outset of several researches for avoiding and reducing its impact. In this situation, the Prometheus model emerge as one capable of summarizing the distribution of the vegetation in forests in a representative way. This process is supported by the LiDAR technology, which is capable of obtaining threedimensional points with high precision and easiness for covering vast areas. The purpose of this project is the revision and comparison of vegetation classification algorithms following the Prometheus model. Primarily, an introduction to statistical learning and, particularly, to classification will be made. Taking into account this, several methods will be presented, specifying its theoretical context and main characteristics. Specifically, Bayes method, KNN and Generalized Additive Models will be studied for its application to this problem. In the last part of this project, some performance metrics will be introduced for measuring and analysing the results of the classifiers. All of this will make possible to evaluate its effectiveness in real cloud points and compare its performance.