Op weg naar 3D BGT: Het gebruiken en standaardiseren van LiDAR en AI

Met de toenemende vraag voor het gebruik van een Digital Twin neemt ook de vraag naar LiDAR datasets en het verwerken daarvan toe. De 3D scans, oftewel LiDAR data, maakt het mogelijk om 3D modellen te maken, snel een meeting te doen en de huidige situatie te analyseren in een 3D omgeving. Voor het maken van een zo compleet en correct mogelijke Digital Twin is input vanuit LiDAR noodzakelijk. De vraag naar meer 3D objecten creëert  de vraag naar meer data wat weer vervolgens weer de vraag voor automatisering verhoogd.

Maar waar staan we nu met automatische detectie en classificatie van objecten uit grote LiDAR datasets?
GeoSignum ontwikkeld al jaren Artificial Intelligence software technologie voor het automatisch detecteren, classificeren, analyseren en vectoriseren van objecten uit grote LiDAR dataset. In de afgelopen jaren heeft de Geosignum Pointer AI softwarecatalogus zich uitgebreid naar BGT, BAG en BOR objecten en assets. We pionieren al jaren op het gebied van het ontwikkelen van meer toegankelijkheid van grote datasets en het automatiseren van objectdetectie. De afgelopen jaren heeft GeoSignum een ruime ervaring opgedaan van het classificeren en vectoriseren van LiDAR datasets van een gehele gemeentes.

Recentelijk was GeoSignum betrokken bij het project Totaal 3 Dimensionaal (T3D). T3D is gestart door de Vereniging van Nederlandse Gemeenten (VNG). De 3 grootste gemeenten van Nederland, Amsterdam, Rotterdam en Den Haag werken bij dit project samen met een aantal commerciële bedrijven. Het onderwerp van dit project is het onderzoeken en het standaardiseren van het inwinnen, registreren en het gebruik van de 3D dimensie in geo-informatie (i.e. 3D BGT). Momenteel worden de gegevens nog in 2D bijgehouden, maar dit zal in de nabije toekomst 3D gaan worden. LiDAR is het aangewezen middel om deze 3D informatie op een efficiënte manier te verkrijgen.

Maar hoe pak je dat dan aan? En over welke zaken moet er goed nagedacht worden?

Binnen dit project heeft GeoSignum voor een buurt in Rotterdam objecten automatisch gedetecteerd uit een mobiele LiDAR puntenwolk. Deze vervolgens geclassificeerd, gevectoriseerd en geanalyseerd. We hebben in totaal 20 objecten geclassificeerd, met name objecten ten behoeve van het watermanagement. Zoals dorpels, kolken, putten, roosters in de gevels, stoepranden etc. Daarnaast hebben we ook gekeken naar wat zijn de laagste punten in huizen waar er water naar binnen kan, zoals dorpels, rooster en lage ramen. Oude wijken in Rotterdam kennen veel huizen met lage ramen die tot op straatniveau komen, met achterliggende (halve) kelder woonlagen. In het geval van wateroverlast kunnen deze gemakkelijk vol lopen. Daarom is het belangrijk om deze ook goed in beeld te hebben.

Bij aanvang van dit project was één van de vragen van GeoSignum: “Hoe gaan we het doen met de nummering van de classificaties en wat is de visie voor de toekomst hiervoor? Moet er gekeken worden naar een Nederlandse standaard?”. 

Het nummeren van classificaties is niet iets nieuws. Er bestaat een officiële standaard voor, de ASPRS standaard.

Hierin zijn al een aantal objecten zoals grond en vegetatie al opgenomen, maar hoe nummer je de andere objecten die we voor dit project hebben geclassificeerd en wat is de visie voor de toekomst voor het nummeren van BAG, BGT en BOR objecten?

Met de toenemende vraag naar het gebruik en classificeren van LiDAR is het nu een goed moment om te kijken of je vanuit de gebruikers tot een nederlandse standaard kan komen. De nieuwe classificaties kunnen ingedeeld worden worden vanaf nummer 64. Het lijkt GeoSignum niet verstandig om dit random in oplopende volgorde te gaan nummeren met de objecten die je momenteel beschikbaar hebt. Maar om nu al na te denken over een structuur en het groeperen van objecten met oog op de toekomst. GeoSignum heeft een voorstel geschreven voor een mogelijk opzet van deze nummering op basis van de bestaande IMGEO rangschikking. Dit document heeft alleen als doel de discussie op gang te brengen met betrekking tot de nummering zodat het later verder uitgedacht kan worden.

Maar voordat je kan classificeren heb je een eerst een LiDAR puntenwolk nodig. De kwaliteit van de puntenwolk is ontzettend belangrijk voor de mate van automatische detectie die je er mee kan bereiken. Naast de bestaande standaard kwaliteitsparameters is de  totale dekking van het gebied belangrijk en moet er rekening gehouden worden met de eventuele invloed die het jaargetijde kan hebben op het goed kunnen inwinnen van objecten.

Voor het kunnen detecteren van kleinere objecten is een hoge puntdichtheid een vereiste. Een puntenwolk kan kwalitatief goed zijn, maar als de puntdichtheid te laag is kunnen kleinere objecten niet worden ingewonnen. Denk daarbij bijvoorbeeld aan de AHN. Dit is een prima puntenwolk, maar door het beperkt aantal punten niet geschikt voor het detecteren en karteren van straatmeubilair. Voor het project T3D hadden we de beschikking over een mobiele puntenwolk met een erg hoge puntdichtheid. Hierdoor was het mogelijk om erg kleine objecten zoals de kleine ventilatierooster in de dorpels ook te kunnen classificeren.

Voor de toekomstige vraagstelling vanuit de gebruiker zal een goede puntenwolk niet meer voldoende zijn om alle vragen te beantwoorden en zal er meer objectgericht ingewonnen moeten gaan worden. Daarnaast zal een puntenwolk voor sommige objecten altijd een bepaalde beperking hebben. Denk daarbij bijvoorbeeld aan auto’s die op kolken staan geparkeerd, waardoor je deze nooit honderd procent dekkend in kaart zal kunnen brengen. Het is daarom voor aanvang van een project belangrijk om vooraf goed te bepalen welke objecten belangrijk zijn, welke informatie wil je echt verkrijgen. En daarna met een gedetailleerde uitvraag met een inwinnende partij om tafel te gaan zitten voor een goed uitvraag.

Weet wat je wil, onderzoek wat er kan en stel de juiste vragen. De mogelijkheden met LiDAR zijn enorm en zullen in de toekomst niet meer weg te denken zijn.

Published: bignieuws.nl