RT Generic
T1 Métodos de Clasificación con datos obtidos mediante LiDAR
A1 Blanco Pérez, Andrea
AB 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 representativaa distribución das masas forestais. Este proceso está respaldado pola tecnoloxía LiDAR, que écapaz de obter puntos tridimensionais cunha gran precisión e facilidade para percorrer áreasamplas.Neste traballo proponse a revisión e comparación de algoritmos de clasificación aplicadosao etiquetado de masas forestais seguindo o modelo Prometheus. Deste xeito, realizarase unhaintrodución á aprendizaxe estatística e de forma máis concreta á clasificación. Tomando o anteriorcomo base, presentaranse distintos métodos aplicables ao problema de estudo, indicando o seumarco teórico e características. Concretamente, estudarase o método de Bayes, KNN e ModelosLineais Xeneralizados para a súa aplicación ao anterior problema.Na última parte deste traballo, introduciranse as métricas para medir o seu rendemento eanalizaranse os resultados obtidos tras a súa aplicación. Deste xeito será posible coñecer a súaeficacia sobre nubes de puntos reais e comparar o seu rendemento.
AB In recent decades the increase of the appearance and severity of fires led to the outset of severalresearches for avoiding and reducing its impact. In this situation, the Prometheus model emergeas one capable of summarizing the distribution of the vegetation in forests in a representativeway. 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 andanalysing the results of the classifiers. All of this will make possible to evaluate its effectivenessin real cloud points and compare its performance.
YR 2022
FD 2022-07
LK http://hdl.handle.net/10347/30185
UL http://hdl.handle.net/10347/30185
LA glg
NO Traballo Fin de Grao en Matemáticas. Curso 2021-2022
DS Minerva
RD 27 abr 2026