Effiziente Bestandsaktualisierung von 3D-Stadtmodellen durch Analyse multitemporaler 3D-Punktwolken

Transkript

1 Effiziente Bestandsaktualisierung von 3D-Stadtmodellen durch Analyse multitemporaler 3D-Punktwolken Rico Richter, FG Computergrafische Systeme Prof. Döllner Workshop 3D-Stadtmodelle 2014

2 Kontext und Problemstellung - Anwendungsfelder Virtuelle 3D-Stadmodelle sind eine digitale Momentaufnahme, die ab dem Tag der Erfassung altert. Aktuelle Datengrundlage erforderlich für verschiedene Einsatzbereiche, z.b.: Planung, Monitoring, Dokumentation, Stadtmarketing, Analysen, Simulation und Katastrophenmanagement Solarpotentialanalyse für das 3D-Stadtmodell Berlin 2

3 Kontext und Problemstellung - Datenquellen & Konstruktion Die Aufbereitung und Konstruktion von 3D-Stadtmodellen erfordert in der Regel verschiedene Datenquellen:... Luftbilder (z.b. Orthophotos, Schrägluftbilder) 3D-Punktwolken (z.b. aus LiDAR oder Bildmatching) Oberflächenmodelle (z.b. DSM, DTM) Grundrisse und Lagepläne (z.b. ALKIS, ALK) Vegetationsmodelle (z.b. Baumkataster) Schrägluftbilder 3D-Punktwolke + Luftbildfarben 3D-Stadtmodell Berlin 3

4 Kontext und Problemstellung - Datenerfassung 1) Datenerfassung wird regelmäßig (z.b. jährlich), flächendeckend und hochauflösend für Städte, Metropolregionen und Bundesländer durchgeführt. 2) Die Ableitung von qualitativ hochwertigen, semantikreichen, geometrisch komplexen und flächendeckenden 3D-Stadtmodellen kann nicht auf einen vollautomatisierten Prozess abgebildet werden. Qualitätssicherung, Modellierung und Korrektur ist mit einem hohen manuellen Aufwand verbunden. Es sind hohe zeitliche und finanzielle Aufwendungen erforderlich. Lange Zeitspanne zwischen der Erfassung und der tatsächlicher Verfügbarkeit des 3D-Stadtmodells. Detailliert modelliertes 3D-Gebäudemodell. 4

5 Kontext und Problemstellung - Effiziente Bestandsaktualisierung Schlussfolgerung: Die Ableitung eines 3D-Stadmodells nach jeder neuen Datenerfassung (z.b. Befliegung) ist aus wirtschaftlicher Sicht nicht praktikabel. These: Die Analyse multitemporaler 3D-Punktwolken ermöglicht die effiziente Bestandsaktualisierung und damit eine kontinuierliche Fortführung von 3D-Stadtmodellen. 3D-Stadmodell visualisiert mit thematischen Informationen. 5

6 Agenda Kontext & Problemstellung Analyse von multitemporalen 3D-Punktwolken Klassifizierung Veränderungsanalyse Vergleich mit Bestandsdaten Aktualisierung 3D-Stadtmodell Berlin Baumextraktion & Visualisierung Fazit 6

7 Effiziente Bestandsaktualisierung Anforderungen: Vollautomatische Prozessierung Verarbeitung von dichten 3D-Punktwolken (z.b. 100 Punkte/m²) Umgang mit Massendaten (z.b. 100 TB Datenvolumen) Hocheffiziente Analyse (z.b. wenige Wochen Rechenzeit) Festplatten mit dem Datenaufkommen einer Befliegung. 7

8 Effiziente Bestandsaktualisierung - Ablauf 8

9 1) Klassifikation Strukturanalyse der Erfassungsdaten - 3D-Punktwolke texturiert mit Luftbild 9

10 1) Klassifikation Strukturanalyse der Erfassungsdaten - Detektion von Bodenpunkten 10

11 1) Klassifikation Strukturanalyse der Erfassungsdaten - Detektion von Vegetation 11

12 1) Klassifikation Strukturanalyse der Erfassungsdaten - Detektion von Bebauung 12

13 1) Klassifikation Strukturanalyse der Erfassungsdaten - Gesamtergebnis Klassifikation 13

14 1) Klassifikation Strukturanalyse der Erfassungsdaten Datengrundlage: 3D-Punktwolke (LiDAR) oder Oberflächenmodell (Bildmatching) Vollautomatische und hocheffiziente Klassifizierung auf Basis der Struktur Unklassifizierte 3D-Punktwolke Klassifizierte 3D-Punktwolke 14

15 2) Veränderungsanalye Vergleich von 3D-Punktwolken Vergleich von multitemporalen 3D-Punktwolken Detektion von räumlichen (z.b. baulichen) Veränderungen 15

16 3) Vergleich mit Bestandsdaten - Vergleich mit Grundrissen im Bestand Zielstellung: Auffinden von neuen, abgerissenen und veränderten Bauwerken Gebäude im Bestand aber nicht in der 3D-Punktwolke Gebäude in der 3D-Punktwolke aber nicht im Bestand Gebäude mit fehlerhaftem Grundriss im Bestand Gebäude mit baulichen Veränderung (z.b. Volumenänderung) Neu Abgerissen Verändert 16

17 Beispiel - Aktualisierung 3D-Stadmodell Berlin (2013/2014) Kennzahlen: 890 km² Stadtgebiet 120 TB Erfassungsdaten Gebäude Projektbeteiligte: Datengrundlage: 3D-Punktwolke Punkte/m² 5 Mrd. Punkte 3D-Punktwolke Punkte/m² 80 Mrd. Punkte Grundrisse aus ALK Klassifizierte 3D-Punktwolke, Bereich Berlin Schloss Charlottenburg. 17

18 Beispiel - Aktualisierung 3D-Stadmodell Berlin - Ergebnisse: Abgerissene Bauwerke Ergebnisse ALK Evaluation: Grau aktuell; Rot veraltet. 18

19 Beispiel - Aktualisierung 3D-Stadmodell Berlin - Ergebnisse: Siedlung mit Neubauten Vergleich Gebäudebestand altes 3D-Stadtmodell und neues 3D-Stadtmodell. 19

20 Beispiel - Aktualisierung 3D-Stadmodell Berlin - Ergebnisse: Siedlung mit Neubauten Vergleich Gebäudebestand altes 3D-Stadtmodell und neues 3D-Stadtmodell. 20

21 Beispiel - Aktualisierung 3D-Stadmodell Berlin - Ergebnisse: Neue, abgerissene und veränderte Bauwerke Neu Abgerissen Verändert Vergleich Gebäudebestand altes 3D-Stadtmodell und neues 3D-Stadtmodell. 21

22 Beispiel - Aktualisierung 3D-Stadmodell Berlin - Ergebnisse: Neue, abgerissene und veränderte Bauwerke Neu Abgerissen Verändert Vergleich Gebäudebestand altes 3D-Stadtmodell und neues 3D-Stadtmodell. 22

23 Beispiel - Aktualisierung 3D-Stadmodell Berlin Ergebnisse: Alter Datenbestand: Gebäude Neuer Datenbestand: Gebäude Rechenzeiten: Klassifikation: 0,33 Mrd. Punkte/Stunde Veränderungsanalyse: 5,0 Mrd. Punkte/Stunde Gesamtrechenzeit: ca. 4 Wochen Durch parallele Verarbeitung auf mehreren Rechnern kann die Rechenzeit weiter reduziert werden. 23

24 Aktualisierung des Baumbestandes (Baumkataster) - Motivation Vegetation ist ein wichtiger Bestandteil für ein ansprechendes und hochwertiges Erscheinungsbild von 3D-Stadtmodellen. 3D-Stadtmodelle beinhalten oft nur Vegetationsmodelle für Bäume aus dem Baumkataster (z.b. Straßenbäume). Parkanlagen, Wälder und Hinterhöfe sind oft unzureichend kartiert. 24 3D-Stadtmodell dargestellt mit Straßenbäumen.

25 Aktualisierung des Baumbestandes (Baumkataster) Baumextraktion & Visualisierung Klassifizierte 3D-Punktwolken können für die Ableitung von Baumstandorten verwendet werden. Automatisierte Evaluierung und Erstellung eines Baumkatasters Kennzahlen: Höhe, Volumen, Farbe, Hauptspezies Extrahierte Einzelbäume durch die Analyse der 3D-Punktwolke. 25

26 Aktualisierung des Baumbestandes (Baumkataster) Baumextraktion & Visualisierung Visualisierung im Kontext von 3D-Stadtmodellen Echtzeit-Darstellung von mehreren Bäumen Individuelle Parametrisierung auf Basis der realen Erscheinung (Form, Farbe) 26 Extrahierte Einzelbäume durch die Analyse der 3D-Punktwolke.

27 Prozessübersicht 27

28 Systemmerkmale der entwickelten Software für die Aktualisierung von 3D-Stadtmodellen Skalierbare und effiziente Verarbeitung auf Basis von hoch-performanten GPU-Implementierungen. Keine Größenbeschränkung für die Eingabedaten. "Ausdünnung" der Eingabedaten ist nicht notwendig das gesamte Potential und die volle Auflösung der Daten können genutzt werden. Visualisierungssystem für die Exploration und Interaktion. Echtzeit-Rendering von beliebig großen 3D-Punktwolken. Darstellung im Kontext mit Luftbildern, Gelände- und 3D-Stadtmodellen. Bereitstellung für verschiedene Zielsysteme und IT-Infrastrukturen. Schnittstellen für die Integration in bestehende Workflows, GIS-Systeme und Web-Services. Bereitstellung als Desktop-System oder alternativ als Software-as-a-Service (SaaS) oder Web-Service. 28

29 Fazit Die Bestandsaktualisierung von virtuellen 3D-Stadtmodellen kann effizient und damit kostengünstig durch die automatisierte Analyse von multitemporalen 3D-Punktwolken durchgeführt werden. Bestandsaktualisierung kann als Prozess etabliert werden. Vorgestellte Analyse ist geeignet für massive und hochauflösende 3D-Punktwolken. Die regelmäßige Bestandaktualisierung ist nach jeder Befliegung möglich. Mehrwerte: Beschleunigen aktueller Workflows und Verfahren. Verbesserung der Aktualität und Datenqualität. Erschließen neuer Anwendungsfelder. 29

30 Projektpartner Unterstützt von: Das Berliner 3D-Stadtmodell wurde durch den Europäischen Fonds für Regionale Entwicklung (EFRE) gefördert. 30

31 Danke für Ihre Aufmerksamkeit! Fragen? Anmerkungen? Rico Richter Lehrstuhl für Computergrafische Systeme Prof. Dr. Jürgen Döllner 31