Indicador Integrado Multiparamétrico para la caracterización de espacios peatonales en áreas urbanas a partir de la integración de datos LiDAR procedentes de Mobile Mapping System con otras fuentes de información
Autor: David Fernández Arango
Tutores: Diego González Aguilera y Susana Lagüela López
Escuela Politécnica Superior de Ávila
Universidad de Salamanca
Septiembre 2019
Trabajo Fin de Máster
Máster en Geotecnologías Cartográficas en Ingeniería y Arquitectura
Indicador Integrado Multiparamétrico para la caracterización de espacios peatonales en áreas urbanas a partir de la integración de datos LiDAR procedentes de Mobile Mapping System con otras fuentes de información
move I
g
eo
Estudio dinámico de la movilidad escolar mediante tecnologías web de geolocalización (SPIP2015-01867).
Análisis de indicadores big geo-data sobre viarios urbanos para el diseño dinámico de caminos escolares seguros. (SPIP2017-02340)
move I
g
eo
Geomove Fase I:
Geomove Fase II:
(Díaz Grandío, 2012)
Caracterizar espacios peatonales en áreas urbanas para establecer rutas escolares óptimas
- Integrar diferentes fuentes datos
- Aplicar técnicas de superficie de costes acumulados para cálculo de rutas óptimas
(Díaz Grandío, 2012)
(Varela García, 2013)
Área estudio
Materiales
Método
Pendientes
Bordillos
Otros...
Pasos peatones
Obstáculos para sillas ruedas
Obstáculos para peatones
MMCoruna_023_S1.laz + MMCoruna_023_S2.laz
Merge sensor 1 and sensor 2 data
Classify ground and not ground
Filter ground:
* Normal Z filter
* K-Distance filter
* PMF filter
Create MDE
Create Intensity ground raster
Fill empty ground cells by interpolating with neighboring values. txt
Create wheelchair obstacles raster
Wheelchair_obstacles.tif
Input: MMCoruna_023_S1.laz
Output: out_1_ground_and_hag.las
- Filtro Outlier-statistical method (emplea media y desviación estándar)
-
Filtro PMF. Segmenta ground / not ground (Zhang, 2003)
-
Escribir fichero
Segmentar suelo/no suelo
-
Cargar datos *.laz
-
Seleccionar por NumberOfReturns [1:1]
-
Filtro ELM (Chen, 2012)
Output: out_3_a_normals_filter.las
-
Seleccionar Classification[2:2]
-
Calcular NormalZ (knn=30)
-
Seleccionar normalZ [0:0.6] Classification ->1
-
Seleccionar normalZ ! [0:0.6] Classification ->2
-
Merge suelo / no suelo
-
Escribir fichero
Input: out_2_outlier_filter.las
Filtro Normales Z
Normal Z Filter
Output: out_3_b_kdistance_filter.las
Input: out_3_a_normals_filter.las
-
Seleccionar Classification [2:2]
-
KDistance (k=300)
-
Seleccionar puntos KD >1 -> classification = 1
-
Seleccionar puntos KD <1 -> classification = 2
-
Merge puntos suelo / no suelo
- Escribir fichero
Filtro K-Distance
Output: out_3_c_PMF_filter.las
Input: out_3_b_KDistance_filter.las
-
Seleccionar Classification [2:2]
-
PMF. Segmentar suelo / no suelo
- Escribir fichero
Progressive Morphological Filter
MDE
Interpolación con vecinos más cercanos
-
Calcular HAG
-
Seleccionar HAG [0.05 : 2.20] -> Classification = 1
-
Escribir fichero en GTiff con malla 18cm
-
Cortar tiff con máscara edificaciones
-
gdal_calc --calc "A*B" --format GTiff --type Float32 --outfile <out_10_wheelchair_obstacles_masked.tif> -A <out_8_wheelchair_obstacles_raster.tif> --A_band 1
-B <clipped_extent.tif> --B_band 1
-
Obstáculos para sillas ruedas
Otros resultados
Identificación pasos peatones
Delimitación acera / calzada
Pendientes
Rugosidad
- Integrar diferentes fuentes datos
- Aplicar técnicas de superficie de costes acumulados para cálculo de rutas óptimas
(Díaz Grandío, 2012)(Varela García, 2013)
Muchas gracias
Indicador Interado Multiparamétrico para la caracterización de espacios peatonales en áreas urbanas a partir de la integración de datos LiDAR procedentes de Mobile Mapping System con otras fuentes de información by David Fernández Arango is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Indicador Integrado Multiparamétrico para caracterización de espacios peatonales en áreas urbanas
By darango
Indicador Integrado Multiparamétrico para caracterización de espacios peatonales en áreas urbanas
TFM. Ávila. 12 Septiembre 2019.
