Muchas señales parecen fractales y tienen auto-similitud en un amplio rango de sus densidades espectrales de potencia. Pueden ser descritas por los llamados procesos de Hermite, entre los cuales el de primer orden se llama movimiento browniano fraccional (fBm), y tiene una amplia gama de aplicaciones. La serie de ruido gaussiano fraccional (fGn) es la diferencia sucesiva entre elementos de una serie fBm; son estacionarios y completamente caracterizados por dos parámetros: la varianza y el coeficiente de Hurst (H). Desde consideraciones físicas, el fGn podría ser utilizado para modelar el ruido de observaciones provenientes de sensores que trabajan con, por ejemplo, diferencias de fase: debido a la alta tasa de registro, se espera que las correlaciones temporales tengan una dependencia de largo alcance (LRD), decayendo hiperbólicamente en lugar de exponencialmente. Para la prueba rigurosa de deformaciones detectadas con escáneres láser terrestres (TLS), la determinación correcta de la estructura de correlación de las observaciones es obligatoria. En este estudio, mostramos que los residuos de aproximaciones de superficies con regresión B-splines a partir de datos TLS simulados permiten la estimación del parámetro de Hurst de un ruido de entrada correlacionado conocido. Derivamos un procedimiento simple para filtrar los residuos en presencia de ruido blanco adicional o bajas frecuencias. Nuestra metodología puede aplicarse a cualquier tipo de residuos, donde la presencia de ruido adicional y/o sesgos debido a muestras cortas o modelado funcional inexacto hacen imprecisa la estimación del coeficiente de Hurst con métodos habituales, como los estimadores de máxima verosimilitud. Demostramos la viabilidad de nuestra propuesta con observaciones reales de una placa blanca escaneada por un TLS.