Generating 3D city models from open LiDAR point clouds: advancing towards smart city applications

Abstract

En los últimos años, la cantidad de datos espaciales abiertos disponibles relevantes para las ciudades de todo el mundo ha aumentado exponencialmente. Muchas ciudades, estados y países han proporcionado o están lanzando actualmente el suministro de datos geográficos abiertos y gratuitos a través de portales de datos públicos, servicios web y API que son adecuados para aplicaciones urbanas y de ciudades inteligentes. Además de los modelos de ciudades 3D listos para usar, hay muchos conjuntos de datos LiDAR abiertos y gratuitos disponibles. Varios países proporcionan conjuntos de datos LiDAR nacionales de diferente cobertura y calidad como datos abiertos y gratuitos. En esta investigación, presentamos una nueva tubería para generar modelos de ciudad estandarizados de nivel de detalle (LoD) -2 conforme a CityGML para aplicaciones en toda la ciudad mediante el uso de nubes de puntos generadas por LiDAR y polígonos de huella disponibles en portales de datos abiertos y gratuitos. Nuestro método identifica los edificios y las superficies de los tejados dentro de cada huella y los clasifica en una de las cinco categorías de tejados. Cuando hay varios edificios presentes dentro de una huella, se divide en sus zonas correspondientes utilizando un novedoso algoritmo de generalización de contorno basado en esquinas, que aborda la necesidad de huellas y modelos más precisos en términos geométricos y semánticos. Finalmente, los modelos CityGML 2.0 se crean según la categoría seleccionada. Esta tubería se probó y evaluó en un conjunto de datos de nubes de puntos que representan el área urbana de la ciudad española de Logroño. Los resultados muestran la efectividad de la metodología para determinar la categoría de la azotea y la precisión de los modelos CityGML generados. Cuando hay varios edificios presentes dentro de una huella, se divide en sus zonas correspondientes utilizando un novedoso algoritmo de generalización de contorno basado en esquinas, que aborda la necesidad de huellas y modelos más precisos en términos geométricos y semánticos. Finalmente, los modelos CityGML 2.0 se crean según la categoría seleccionada. Esta tubería se probó y evaluó en un conjunto de datos de nubes de puntos que representan el área urbana de la ciudad española de Logroño. Los resultados muestran la efectividad de la metodología para determinar la categoría de la azotea y la precisión de los modelos CityGML generados. Cuando hay varios edificios presentes dentro de una huella, se divide en sus zonas correspondientes utilizando un novedoso algoritmo de generalización de contorno basado en esquinas, que aborda la necesidad de huellas y modelos más precisos en términos geométricos y semánticos. Finalmente, los modelos CityGML 2.0 se crean según la categoría seleccionada. Esta tubería se probó y evaluó en un conjunto de datos de nubes de puntos que representan el área urbana de la ciudad española de Logroño. Los resultados muestran la efectividad de la metodología para determinar la categoría de la azotea y la precisión de los modelos CityGML generados. Se crean 0 modelos según la categoría seleccionada. Esta tubería se probó y evaluó en un conjunto de datos de nubes de puntos que representan el área urbana de la ciudad española de Logroño. Los resultados muestran la efectividad de la metodología para determinar la categoría de la azotea y la precisión de los modelos CityGML generados. Se crean 0 modelos según la categoría seleccionada. Esta tubería se probó y evaluó en un conjunto de datos de nubes de puntos que representan el área urbana de la ciudad española de Logroño. Los resultados muestran la efectividad de la metodología para determinar la categoría de la azotea y la precisión de los modelos CityGML generados.

In the past years, the amount of available open spatial data relevant to cities throughout the world has increased exponentially. Many cities, states, and countries have provided or are currently launching the provision of free and open geodata through public data portals, web-services, and APIs that are suitable for urban and smart cities applications. Besides ready to use 3D city models, many free and open LiDAR data sets are available. Several countries provide national LiDAR datasets of varying coverage and quality as free and open data. In this research, we introduce a novel pipeline to generate standardized CityGML conform Level of Detail (LoD)-2 city models for city-wide applications by using LiDAR generated point clouds and footprint polygons available from free and open data portals. Our method identifies the buildings and rooftop surfaces inside each footprint and classifies them into one of the five rooftop categories. When multiple buildings are present inside a footprint, it is divided into their corresponding zones using a novel corner-based outline generalization algorithm, addressing the need for more precise footprints and models in geometric and semantic terms. Finally, CityGML 2.0 models are created according to the selected category. This pipeline was tested and evaluated on a point cloud dataset which represent the urban area of the Spanish city of Logroño. The results show the effectiveness of the methodology in determining the rooftop category and the accuracy of the generated CityGML models.