Missende hoogtepunten
2018-5 I Geo-Info
41
a Een voor de hand liggende verklaring
voor missende hoogtepunten, is als
er sprake is van een nieuw gebouw.
Maar missende hoogtepunten kunnen
ook worden veroorzaakt door een foute
classificatie van het AHN, zie Figuur 4.
Het kan ook gaan om situaties waar
een laser vanuit de lucht niet bij kan
komen, zoals het maaiveld bij een pand
dat geheel wordt omsloten door andere
gebouwen of panden onder bruggen,
zie Figuur 5.
In een eerdere versie van onze 3D-BAG-
service misten ook hoogtepunten omdat
sommige AHN3-tiles beschikbaar via
PDOK nog niet geheel gevuld zijn (dit is
bediscussieerd op het PDOK-forum forum.
pdok.nl). Om voor deze tiles toch de
Figuur 4 - Het BAG-pand links heeft geen hoogte, omdat de betreffende hoogtepunten zijn geclassificeerd in
AHN ais 'ground points' (rechts).
AHN3-hoogtes gebruiken waar deze wel
beschikbaar zijn, genereren we de 3D-BAG
hier twee keer: één keer met AHN2 en
één keer met AHN3, waarna per pand de
meest recente hoogtes wordt geselec
teerd. Deze bewerking is minder kostbaar
dan een gebied-selectie te maken in de
betreffende AHN2 en AHN3 las bestanden.
Figuur 5 - Panden onder bruggen hebben geen corresponderende hoogtes in AHN Google
Daarnaast bepalen we aan de hand van een
ruimtelijke analyse per pand of er überhaupt
hoogtepunten beschikbaar zijn en berekenen
we het aantal panden waarvoor geen AHN-
hoogtepunten beschikbaar zijn, ook belangrijke
kwaliteitsinformatie. Hierbij maken we onder
scheid tussen missende punten op het maaiveld
en missende non-ground punten. Voor de
September 2018 versie hebben minder dan 1%
van de panden geen dakhoogte en 1% geen
maaiveldhoogte. Mogelijke oorzaken hiervan
worden beschreven in het tekstkader.
Om iets te kunnen zeggen in hoeverre een blok-
model het gebouw in werkelijkheid benadert,
berekenen we ook voor ieder pand voor elk per-
centiel de root mean square error (RMSE) van het
geometrische verschil tussen de puntenwolk en
het opgetrokken 3D-bouwmodel en voegen we
ook deze kwaliteitsgegevens toe als attribuut.
Tenslotte bepalen we het aantal punten dat is
meegenomen om de verschillende percentie-
len te berekenen (zowel voor de pandhoogte
als voor het maaiveld) en voegen dit ook als
attribuut toe. Ook dit is weer een indicatie voor
de kwaliteit.
De informatie over de "te oude" hoogte gege
vens, missende input hoogtepunten, RMSE per
percentiel, platte daken en het aantal punten dat
is meegenomen bij de statistische berekeningen
wordt voor iedere update opnieuw berekend en
opgeslagen.
Daarnaast wordt deze statistiek samengevat en
gepubliceerd op onze 3D-BAG website zodat er
ook een beeld is van de kwaliteit van de gehele
3D-BAG-dataset.
Kwaliteit van opgetrokken geometrie
Om inzicht te krijgen in hoeverre de opgetrokken
geometrie voor de verschillende percentielen
het werkelijke gebouw representeert, hebben
we voor 470 gebouwen in Delft de RMSE nader
bekeken. De RMSE-berekening neemt zowel de
punten op de muren mee, als op het dak. Voor
deze analyse hebben we onderscheid gemaakt in
platte en niet-platte daken. Deze informatie heb
ben we met de hand geclassificeerd (maar zullen
we in de nabije toekomst automatisch genere
ren). De resultaten hiervan staan in Figuur 6.
Hieruit is te concluderen dat voor panden met
platte daken, het 75e percentiel het 'dichtstbij'
de werkelijke geometrie van het gebouw ligt.
Daarbij is de RMSE gemiddeld slechts 25 cm (al
hebben het 90s en 95s percentiel ook maar een
kleine fout). Zelfs voor panden met niet-platte
daken blijft de RMSE binnen het bereik van
50-100 cm voor percentielen 75-99. Hieruit kun
nen we concluderen dat automatisch gegene
reerde LoD1 panden inderdaad geschikt zijn
voor de meeste GIS-analyses.
