i
ii
10 I Geo-Info I 2021-1
AHIM3 puntenwolk LoDl.2
WÊ
LODL3 LöD2.2
202i-i 1 Geo-Info
men in de 3D-reconstructie. We identificeren
drie verschillende situaties:
Het gebouw staat op de grond
Het gebouw bevindt zich geheel
ondergronds (zoals een metrostation of
ondergrondse parkeergarage)
Het gebouw overlapt in 3D met een ander
object, dat wil zeggen met de weg, water
of een ander gebouw
L0D1.2
Voor de LoDi.2 modellen berekenen we de
referentiehoogtes op dezelfde manier als voor
LoDi.3, dat wil zeggen: op basis van de punten
die op de dakvlakken zijn gedetecteerd. Maar
hiervoor nemen we de gehele BAG-polygoon
als basis. Ook voor LoDi.2 genereren we zowel
de 3D-blokmodellen op basis van het 70e
percentiel van de hoogtepunten die op de
dakvlakken van het betreffende BAG-pand
vallen, als de 2D+ referentie-hoogtegegevens.
Figuur5 LoD2.2 reconstructie van een kas blijkt moeizaam.
a) AHN3-puntenwolk (groen: maaiveldpunten, bruin:gebouwpunten).
b) 2.5D hoogteveld met maximale hoogte voor iedere pixel.
c,e) LoD2.2 reconstructie resultaat.
d) Luchtfoto en BAG-polygoon.
De eerste twee gevallen worden geïdenti
ficeerd in een voorbewerking, waarbij het
BAG-polygoon wordt vergeleken met de
alpha-shape van de (AHN-)hoogtepunten van
dat gebouw. De laatste categorie gebouwen
wordt gedetecteerd door de BAG-panden te
overlappen met de andere BAG-panden en
de BGT-klassen weg en water. De resulterende
classificatie wordt toegekend aan de gerecon
strueerde objecten.
Gebouwen die zich geheel ondergronds
bevinden (2e categorie) worden niet meege
nomen bij de 3D-reconstructie. Gebouwen die
zich deels ondergronds bevinden worden wel
meegenomen en hun ondergrondse delen
worden gedetecteerd in het BAG polygoon-
opdelingsproces aan de hand van maaiveld-
punten en vervolgens afgesneden (Figuur 3.5
groene deel). Deze afgesneden ondergrondse
delen worden wel als zodanig meegeleverd in
de totale dataset.
Kassen behandelen we ook apart omdat de
glazen daken ervan lastig met lidar in te meten
zijn en daardoor niet goed in de AHN-punten-
wolk zitten. Door de spiegelende werking van
het glasoppervlak komen niet alle reflecties
terug in de laserscanner. Het resultaat is dat
grote delen van het dak ontbreken in de
puntenwolk, terwijl de vloer onder het glas
wel is ingemeten. Deze delen worden dan
incorrect als 'ondergronds' gemarkeerd en van
het gebouw afgeknipt (zie Figuur 5). Daarnaast
hebben kassen en ook warenhuizen vaak een
a. Geheel ondergronds BAG-pand b. Gedeelte van BAG-pand is ondergronds
c. BAG-pand boven weg d. BAG-pand boven ander BAG-pand
Figuur 4. Voorbeelden van overlappende/ondergrondse BAG-panden (rood). Luchtfoto 2020 25 cm
RGB open data. Het Waterschapshuis
hoogtepunten (minimum en maximum; 50e
en 70e percentiel). De LoDi.3 modellen worden
in 3D gereconstrueerd op basis van het 70e
percentiel, waarbij ook weer inwendige muren
worden voorkomen. Daarnaast genereren we
een 2D+hoogtes-bestand waarbij de verschil
lende referentiehoogtes als attribuut worden
toegekend. Via het oorspronkelijke BAG-ID kan
worden achterhaald welke 2D-dakdelen tot
één specifiek BAG-pand behoren. Deze 2D+
hoogtegegevens bieden de mogelijkheid om
de 2D-grondvlakken tot een eigen gewenste
referentiehoogte op te trekken.
Ondergrondse/overlappende
BAG-panden en kassen
De BAG-polygonen beschrijven de maximale
omtrek van gebouwen. Dat betekent dat
eventuele ondergrondse delen ook binnen
de polygoon vallen, zie Figuur 4. Uiteraard
moeten deze delen niet worden meegeno-
Figuur 6. Gebouw van de faculteit Elektrotechniek, Wiskunde Informatica op de TU Delft-campus.
AHN3-puntenwolk en reconstructies in LoDi.2, LoDi.3 en LoD2.2.
erg groot oppervlakte. Dit maakt het recon
structieproces langzaam voor deze panden.
Daarom selecteren we kassen en warenhuizen
op basis van hun TOPi0NL-classificatie en
trekken we deze in hun geheel op vanaf de
oorspronkelijke BAG-polygoon tot aan de
berekende hoogte.
Implementatie en openlijke beschik
baarheid via download en 3D-viewer
De reconstructie van alle hierboven beschre
ven LoD-versies (zie Figuur 6) vindt plaats via
een tiling-aanpak, waarna de resultaten in een
PostGIS-database worden weggeschreven.
Ons tiling-schema is een quadtree; iedere
tile is vierkant en de afmeting is zodanig dat
iedere tile ongeveer 3500 gebouwen bevat.
Dit zorgt ervoor dat de reconstructietijd per
tile ongeveer gelijk is en ook dat de tiles
ongeveer even groot zijn om te downloaden.
Het reconstrueren van de i0 miljoen modellen
in Nederland duurt circa 40 uur op een enkele
machine. Vanuit de database worden tiles in
verschillende formaten gegenereerd die door
gebruikers kunnen worden gedownload.
We hebben veel tijd gestoken in het optima
liseren van de automatisering en efficiëntie
van het proces zodat we snel een nieuwe
iteratie kunnen draaien bij verbeteringen in
het algoritme of wanneer er nieuwe brondata
beschikbaar zijn.
Voor de visualisatie en bevraging van de
diverse representaties, en het downloaden
ervan, hebben we een website met een
3D-viewer ontwikkeld (www.3dbag.nl) die ook
moest kunnen werken op minder krachtige
apparaten zoals mobiele telefoons. Off-the-
shelf-oplossingen voldeden niet aan onze
eisen en daarom hebben we een eigen oplos
sing ontwikkeld. De data zijn als open data
beschikbaar en te downloaden in de volgende
formaten: comma-separated values (CSV),
GeoPackage, PostGIS backup, Wavefront OBJ
en CityJSON (www.cityjson.org). De viewer
bevat ook een terugmeld-functie waarmee
gebruikers eventuele fouten in de data
eenvoudig kunnen rapporteren zodat we het
proces nog verder kunnen verbeteren.
Kwaliteit
Omdat de automatische reconstructie wordt
toegepast op de gehele BAG-dataset, is het
handmatig of visueel checken van de kwaliteit
voor ieder gebouw niet meer mogelijk. Kwali
teitsinformatie is nodig om bijvoorbeeld een
slechte reconstructie of een uitzonderings
situatie op te sporen waarmee het algoritme
nog geen rekening houdt. We monitoren
gedurende het gehele proces kwaliteitsinfor
matie die we toekennen aan de uiteindelijke
modellen, zodat deze informatie toegankelijk
wordt voor de gebruiker. Met deze informatie
hebben we tijdens de ontwikkeling de recon
structie continu verbeterd en kunnen dit bij de
doorontwikkeling blijven doen.
De kwaliteitsinformatie die we monitoren en
toekennen aan de modellen bestaat uit de
volgende informatie:
Kwaliteit van de puntenwolk
Het aantal punten beschikbaar per pand-
polygoon of dakdeel kan variëren van enkele
tot honderden of duizenden punten. AHN3
kan gaten bevatten, bijvoorbeeld veroorzaakt
door occlusie, water/ramen op de daken of
de scanhoek bij inwinning. Soms is ook de
AHN3 niet goed geclassificeerd in grond- en
gebouwpunten. Het aantal beschikbare
punten en de verdeling over het dakvlak heeft
grote invloed op de nauwkeurigheid van de
reconstructie. Om hier een idee van te krijgen
berekenen we het aantal gebruikte punten en
de oppervlakte binnen het pand, waarvoor
geen maaiveld- of gebouwpunten beschik
baar zijn (het no-data-oppervlak).
Temporele mismatch tussen AHN en BAG
BAG-panden die nieuwer zijn dan de AHN
kunnen niet in 3D worden gereconstrueerd.
Deze nieuwe panden worden niet meegeno
men in het constructieproces maar meegele
verd met hun oorspronkelijke 2D-geometrie.
We kunnen deze temporele informatie niet
tot op de dag nauwkeurig bepalen. Zo bevat
AHN3 alleen de datum dat een specifieke tegel
is gemaakt; niet de precieze inwindatum per
punt. Daarom bepalen we een middenklasse
('onzeker') voor die gebouwen waarvoor de
punten in hetzelfde jaar ingewonnen zijn als
het bouwjaar van het pand. De verdeling over
deze drie klassen in de dataset van januari 202i
is 4% verouderd, i% onzeker en 95% actueel.
Daktype
Aan de hand van de hoeken van de dakvlak
ken, bepalen we het daktype. We onderschei
den de volgende waarden (tussen haakjes de
waarden voor januari 202i):
2 - Dak met ten minste één schuin dakvlak
(63,8%)
i - Dak met uitsluitend horizontale dakdelen
(8,i%)
0 - Dak bestaande uit één horizontaal dakvlak
(26,3%)
-i - Er is geen enkel dakpunt gevonden voor
dit gebouw (i,5%)
-2 - Er kon geen dakvlak worden gereconstru
eerd, ondanks aanwezige punten (0,3%)
Andere kwaliteitsfactoren
Ten slotte bepalen we een aantal andere
kwaliteitsfactoren die we toevoegen aan de
modellen, zoals de kwadratisch gemiddelde
fout (RMSE) met de puntenwolk van iedere
reconstructie, de maximale fout tussen de
gereconstrueerde mesh en de input-punten-
wolk en eventuele geometrische invaliditeits-
codes van ieder pand, zowel in 2D als in 3D. De
RMSE voor LoD2.2 is minder dan 36 cm voor
95% van de modellen en kleiner dan i0 cm
voor 75% van de modellen, berekend op de
hele dataset.
3D Basisvoorziening Kadaster
De 3D BAG-service is deels in onderzoekspro
jecten ontwikkeld, zoals in projecten gefinan-