Classificação de nuvens de pontos de UAV por algoritmo de aprendizado de máquina da floresta aleatória

Hoje, as imagens baseadas em veículos aéreos não tripulados (UAV) tornaram-se uma importante fonte de dados para pesquisadores que lidam com mapeamento de várias disciplinas em fotogrametria e sensoriamento remoto. A reconstrução de uma área com nuvens de pontos tridimensionais (3D) a partir de imagens baseadas em UAV é um processo essencial a ser utilizado para mapas cadastrais tradicionais em 2D ou para produzir mapas topográficos. As nuvens de pontos devem ser classificadas uma vez que estão sujeitas a várias análises para extração de mais informações a partir dos dados diretos da nuvem de pontos. Devido à alta densidade das nuvens de pontos, o processamento de dados e a coleta de informações tornam a classificação das nuvens de pontos uma tarefa desafiadora e podem levar muito tempo. Portanto, o processamento de classificação permite uma solução ótima para adquirir informações valiosas. Neste estudo, o algoritmo de aprendizado de máquina da floresta aleatória para processamento de classificação é aplicado com características radiométricas (banda vermelha, banda verde e banda azul) e características geométricas derivadas da função de covariância (curvatura, omnivariança, planura, linearidade, variância de superfície, anisotropia e superfície de terreno normalizada) dos pontos. Além disso, o estudo de caso é apresentado para testar a aplicabilidade da metodologia proposta para adquirir precisão e desempenho do método da floresta aleatória na nuvem de pontos baseada em UAV. Após o processamento de classificação, uma classe atribuída a cada ponto do modelo foi comparada com a classe de dados de referência. Por fim, a precisão geral da classificação foi alcançada em 96% e o índice Kappa alcançou 91% no conjunto de dados.