APLICACIÓN DE INTELIGENCIA ARTIFICIAL EN LA CLASIFICACIÓN AUTOMÁTICA DE PUNTOS LiDAR PARA LA GENERACIÓN DE MODELOS DIGITALES DEL TERRENO CON FINES CARTOGRÁFICOS (CASO: CRUCE GSCY – RÍO GRANDE)

Resumen

La generación de Modelos Digitales del Terreno (MDT) a partir de nubes de puntos LiDAR aerotransportados es esencial para la cartografía aplicada a proyectos de ingeniería y planificación territorial. Sin embargo, los métodos tradicionales de clasificación automática, como los implementados en TerraScan sobre MicroStation V8i, presentan limitaciones en áreas con vegetación densa, donde se produce confusión entre puntos de terreno y vegetación baja. En este contexto, la presente investigación evalúa la aplicación de técnicas de Inteligencia Artificial (IA) para optimizar la clasificación automática de nubes de puntos LiDAR en un entorno operativo real, aplicado al proyecto “Ampliación Cruce GSCY – Río Grande”, ubicado en el municipio de Cabezas, departamento de Santa Cruz, Bolivia.

Los datos LiDAR fueron adquiridos mediante una aeronave Cessna C-402 equipada con sensor Leica ALS70, obteniéndose una nube bruta de aproximadamente 16.9 millones de puntos. La clasificación convencional en TerraScan alcanzó una densidad de 6.5 puntos/m² clasificados como terreno. Posteriormente, se implementó un modelo de Inteligencia Artificial supervisado, basado en el algoritmo Random Forest, en entorno Jupyter Notebook (Python 3.14), utilizando las librerías Scikit-Learn, NumPy, Pandas, Laspy y Plotly, logrando 9.6 puntos/m² clasificados como terreno, con mejor densidad de puntos, mejor dispersión y menor error por confusión.

Los resultados demuestran que la IA, particularmente mejora significativamente la clasificación en zonas de vegetación tupida, optimizando la generación de MDT y curvas de nivel con mayor precisión geométrica. Su aplicación reduce errores sistemáticos y dependencia manual, constituyéndose como una alternativa técnica eficaz para la clasificación de nube de puntos LiDAR.