Intelligent techniques on LIDAR for environmental applications

Esta propuesta de tesis está estrechamente relacionada con el campo de las técnicas inteligentes y el soft computing. A lo largo de los nueve capítulos que la conforman, se propone utilizar estas nuevas disciplinas para mejorar los resultados obtenidos por las metodologías y algoritmos clásicos utilizados en el área de la teledetección ambiental, especialmente cuando se aplican a datos provenientes de sensores LIDAR (Light Detection and Ranging). Más concretamente, este documento se centra en la manera de explotar los datos LIDAR para tareas de generación de mapas temáticos y estimación de biomasa y con este fin, nuestro trabajo sugiere el uso de algoritmos nuevos o bien conocidos del mundo de la minería de datos sobre LIDAR, de manera aislada o fusionado con otras fuentes de datos. Las técnicas de clasificación supervisada tradicionalmente han demostrado ser muy útiles a la hora de generar mapas de coberturas y usos del terreno. Este trabajo muestra inicialmente un estudio comparativo de las técnicas de clasificación clásicas sobre una fuente de datos LIDAR de manera aislada. También, describe un conjunto de estadísticas básicas para extraer información significativa de LIDAR cuando se aplica un enfoque orientado a polígono. Más tarde, se trata de mejorar los resultados a través de la fusión de datos entre LIDAR e imágenes aéreas (ortofotos e imágenes multiespectrales) y se muestra un estudio comparativo entre las técnicas de clasificación más extendidas en la fusión de datos. Por ´ultimo, se propone una nueva aproximación denominada SVMNNS para tratar datos LIDAR fusionados con otras fuentes como las imágenes aéreas. SVMNNS se basa en los conceptos de stacking (apilamiento) y clasificación contextual. Este clasificador contextual mejora una clasificación inicial (que se logra mediante una técnica supervisada estándar) en sucesivas iteraciones utilizando la información de la vecindad del elemento a clasificar. SVMNNS, en concreto, utiliza una maquina de vector soporte (SVM) como clasificador inicial y la técnica de los vecinos más cercanos en la fase de refinamiento. Los resultados obtenidos en diversas áreas de estudio muestran que SVMNNS tiene mejores prestaciones que otros clasificadores contextuales basados en refinamiento de SVMs. La regresión es otra técnica muy importante para los investigadores LIDAR. Este documento muestra los resultados obtenidos cuando se aplica una selección de características evolutiva y se aplican ´arboles de regresión con el fin de generar modelos para la estimación de biomasa. Sus prestaciones se comparan con los de la selección de características por pasos y la regresión lineal múltiple (MLR) respectivamente, que son las técnicas tradicionalmente utilizadas por los ingenieros ambientales. Los resultados muestran que las técnicas clásicas se pueden mejorar fácilmente sin pérdida de claridad en el modelo. Las principales contribuciones que se muestran en esta tesis doctoral están directamente relacionadas con importantes tareas en el ámbito medioambiental. Por ejemplo, los mapas de uso del suelo y coberturas del terreno son productos muy importantes para la gestión del territorio, el control de inundaciones o la monitorización de los bosques. Por otro lado, los modelos de regresión a partir de LIDAR son una herramienta clave para monitorizar zonas boscosas naturales o comerciales. De lo anterior, se desprende la gran importancia que tiene la innovación en los métodos clásicos que tradicionalmente generan estos productos y en este sentido, la gran sinergia que puede existir entre las técnicas más potentes de la minería de datos y los datos del sensor LIDAR