Cuantificación del efecto de la densidad de datos de LiDAR en la calidad del DEM

Autor: Julián Garzón Barrero, Carlos Eduardo Cubides Burbano, Gonzalo Jiménez-Cleves
Jazyk: angličtina
Rok vydání: 2021
Předmět:
Zdroj: Ciencia e Ingeniería Neogranadina, Vol 31, Iss 2 (2021)
Ciencia e Ingenieria Neogranadina; Vol. 31 No. 2 (2021); 149-169
Ciencia e Ingeniería Neogranadina; Vol. 31 Núm. 2 (2021); 149-169
Ciencia e Ingeniería Neogranadina; v. 31 n. 2 (2021); 149-169
ISSN: 1909-7735
0124-8170
Popis: LiDAR sensors capture three-dimensional point clouds with high accuracy and density; since they are regularly obtained, interpolation methods are required to generate a regular grid. Given the large size of its files, processing becomes a challenge for researchers with not very powerful computer stations. This work aims to balance the sampling density and the volume of data, preserving the sensitivity of representation of complex topographic shapes as a function of three surface descriptors: slope, curvature, and roughness. This study explores the effect of the density of LiDAR data on the accuracy of the Digital Elevation Model (DEM), using a ground point cloud of 32 million measurements obtained from a LiDAR flight over a complex topographic area of 156 ha. Digital elevation models with different relative densities to the total point dataset were produced (100, 75, 50, 25, 10, and 1 % and at different grid sizes 23, 27, 33, 46, 73, and 230cm). Accuracy was evaluated using the Inverse Distance Weighted and Kriging interpolation algorithms, obtaining 72 surfaces from which their error statistics were calculated: root mean square error, mean absolute error, mean square error, and prediction effectiveness index; these were used to evaluate the quality of the results in contrast with validation data corresponding to 10 % of the original sample. The results indicated that Kriging was the most efficient algorithm, reducing data to 1 % without statistically significant differences with the original dataset, and curvature was the morphometric parameter with the most significant negative impact on interpolation accuracy. El presente trabajo tiene como objetivo equilibrar la densidad de muestreo y el volumen de datos al preservar la sensibilidad de representación de formas topográficas complejas en función de tres descriptores de superficie: pendiente, curvatura y rugosidad. Se explora el efecto de la densidad de los datos de LiDAR sobre la precisión del Modelo Digital de Elevación (DEM) mediante una nube de puntos terrestres de 32 millones de mediciones obtenidas de un vuelo LiDAR sobre un área topográfica compleja de 156 ha. Se produjeron modelos digitales de elevación con diferentes densidades relativas al conjunto de datos de puntos totales (100%, 75%, 50%, 25%, 10% y 1% y en diferentes tamaños de cuadrícula de 23cm, 27cm, 33cm, 46cm, 73cm y 230cm). La precisión se evaluó mediante los algoritmos de interpolación de distancia inversa ponderada y de Kriging, con lo que se obtuvo 72 superficies a partir de las cuales se calcularon las estadísticas de error: error cuadrático medio, error medio absoluto, error cuadrático medio e índice de efectividad de predicción. Estos se utilizaron para evaluar la calidad de los resultados en contraste con los datos de validación correspondientes al 10% de la muestra original. Los resultados indicaron que Kriging fue el algoritmo más eficiente al reducir los datos al 1% sin diferencias estadísticamente significativas con el conjunto de datos original, y la curvatura fue el parámetro morfométrico con el impacto negativo más significativo en la precisión de la interpolación.
Databáze: OpenAIRE
Externí odkaz: