Extrayendo la altura de los edificios a partir de datos LiDAR

Home »  Modelos urbanos »  Extrayendo la altura de los edificios a partir de datos

LiDAR

Extrayendo la altura de los edificios a partir de datos LiDAROn abril 30, 2015, Posted by Emilio Gómez Fernández, In Modelos urbanos,SIG,

By 3d,lidar,modelo urbano,openstreetmap , With No Comments

Comparte este contenido en tus redes sociales:

inShare

La obtención de modelos virtuales urbanos 3D se ha convertido hoy en día en la

base para un cada vez mayor número de aplicaciones. El potencial de estos modelos

va más allá la representación tridimensional de escenarios virtuales. Este tipo de

información tiene cada vez más significación en campos como la planificación urbana,

el control de variables medioambientales, la gestión de desastres, las

telecomunicaciones o la administración de instalaciones entre otros.

Prueba de su importancia cada vez mayor son los esfuerzos en poder integrar los

modelos 3D urbanos del mundo real que se utilizan en aplicaciones GIS para análisis

geoespaciales con los, cada vez más implantados, modelos de diseños BIM de

propósitos constructivos del ámbito de la ingeniería y la arquitectura, destinados a la

administración de todo el ciclo de vida de los edificios. En ambos casos tanto las

representaciones BIM como de objetos geoespaciales poseen sus propios modelos

semánticos, siendo los más importantes los modelos de

datos CityGML y IFC respectivamente. Del primero ya se habló en este blog de

manera suscinta en un artículo anterior.

En este artículo nos centraremos en la metodología GIS para la extracción de

datos de altura de edificaciones a partir de nubes de puntos LiDAR destinados a

poder genera estos modelos 3D urbanos. Para este ejemplo utilizaremos software

libre y datos provenientes de fuentes abiertas:

Una base de datos PostGIS.

La suite de herramientas de LAStools, o alternativamente LibLAS.

Datos vectoriales de OpenStreetMap con la geometría 2D de edificios.

Datos LiDAR del Centro de Descargas del CNIG.

Lo que perseguimos es, mediante técnicas de cartografía vectorial y a partir de datos altimétricos LiDAR. un sencillo

modelo urbano de un área concreta de la ciudad de Burgos con un nivel de detalle LoD1.

 

Obteniendo e importando los datos básicos necesarios

El primero paso fundamental es descarga la cartografía con la que vamos a trabajar.

En este ejemplo obtendremos de OpenStreetMap la geometría 2D de la base de los

edificios del casco antiguo de la ciudad de Burgos, en España.

Existen diversas formas de descargar cartografía de OSM. Yo aquí voy a acceder

directamente a los datos utilizando la API extendida de OSM y descargarlos en

formato .osm con Wget desde el terminal de Linux.

wget -O burgos.osm http://api.openstreetmap.fr/xapi?way[building=*][bbox=-3.710,42.339

3.696,42.344]

A continuación procedemos mediante GDAL/OGR a importar el archivo a nuestra

base de datos PostGIS que hemos creado previamente en PostgreSQL.

Aprovechamos para reproyectar los datos a EPGS:25830:

ogr2ogr -f PostgreSQL "PG:dbname=burgos user=postgres password=admin host=localhost

port=5432" \

-t_srs EPSG:25830 -lco GEOMETRY_NAME=geom -lco FID=gid burgos.osm

OGR crea varias tablas para los diferentes tipos de geometrías. A nosotros la única

que nos interesa es la tabla denominada “multipolygons”, la cual renombraremos a

“edificaciones” para darle un nombre más descriptivo y eliminaremos las restantes.

1

2

ALTER TABLE multipolygons RENAME TO edificaciones;

DROP TABLE IF EXISTS LINES, multilinestrings, other_relations, points;

A continuación procederemos a obtener los ficheros LiDAR para esta zona de Burgos

del Centro de Descargas del CNIG. Aceptamos la licencia y descargamos todos los

archivos .laz uno por uno, o bien en el caso de lotes más grandes podemos utilizar

alguna alternativa que nos agilice el proceso como iMacros.

Los archivos LiDAR del CNIG se encuentran distribuidos en ficheros de 2×2 km de extensión, con una densidad de

un punto por cada 2 m².

 

Procesando los datos LiDAR

Los archivos LiDAR descargados se encuentran en formato LAZ, un tipo de

compresión estándar de ficheros LAS. LAS a su vez es un formato de archivo binario

de intercambio no muy complejo, que además de la nube de puntos mantiene

información específica de la naturaleza de los datos LiDAR que almacena.

Trabajar con datos LiDAR puede llegar a ser duro en cuanto al manejo y tiempo de

procesado. Los datos LiDAR son un tipo de Big Data que dado su gran volumen

presentan cierta dificultad en su gestión y análisis respecto a las prácticas tradiciones

a las que estamos acostumbrados a aplicar en el ámbito GIS. Para un proyecto típico

el volumen de este tipo de datos puede alcanzar fácilmente el orden de terabytes.

Aunque para este ejemplo manejaremos unos pocos megabytes de información

limitada al centro histórico de la ciudad de Burgos, como podremos imaginar el

procesamiento de estos datos para el fin que perseguimos puede llegar a requerir un

cálculo intensivo en función del dominio al que lo queremos aplicar.

Aquí recurriremos a la suite LASTools, que facilita un conjunto de herramientas para

gestionar este tipos de archivos LAZ/LAS, obviando la interfaz gráfica para agilizar el

proceso. En mi caso utilizaré en Linux los ejecutables .exe de Windows mediante

Wine.

El primer paso será unir todos los ficheros en uno solo, para a continuación exportarlo

a un archivo CSV con el que nos será más sencillo trabajar (este proceso nos puede

llevar unos minutos):

emilio@glados:~/lidar$ wine lasmerge -i *.laz -o lidar.laz

emilio@glados:~/lidar$ wine las2txt -i lidar.laz -o lidar.csv -parse xyz

Si listamos las primeras líneas del archivo CSV creado observamos que por defecto

se guardan los valores XYZ de la nube de puntos en columnas delimitadas por

espacios y sin cabecera.

emilio@glados:~/lidar$ head -n 7 lidar.csv

440000.30 4688395.84 845.52

440000.34 4688395.12 845.45

440000.38 4688394.50 845.53

440000.42 4688393.85 845.46

440000.45 4688393.23 845.50

440000.49 4688392.57 845.42

440000.52 4688391.99 845.43

El siguiente paso será importar este archivo CSV a PostgreSQL. Para ello creamos

una nueva tabla en nuestra base de datos PostGIS en la que copiamos la nube de

puntos.

1

2

3

4

5

CREATE TABLE lidar

(

x DOUBLE PRECISION,

y DOUBLE PRECISION,

z DOUBLE PRECISION

6

7

8

);

COPY lidar FROM '/tmp/lidar.csv' DELIMITER ' ';

A continuación añadimos un nuevo campo geométrico en la tabla “lidar” y lo

actualizamos con las coordenadas de las columnas XY (este proceso nos volverá a

llevar algo de tiempo). Finalmente creamos un índice espacial que nos permitirá

acelerar las consultas que realicemos con posterioridad:

1

2

3

ALTER TABLE lidar ADD geom GEOMETRY(Point, 25830);

UPDATE lidar SET geom = ST_PointFromText('POINT(' || x || ' ' || y ||')', 25830

CREATE INDEX lidar_idx ON lidar USING GIST (geom);

 

Calculando la altura de las edificaciones

Una vez tenemos los ingredientes, es hora de preparar la pizza. Vamos a determinar

la altura del edificio discriminando lógicamente la elevación del terreno sobre el que se

asienta. Antes de empezar debemos tener en cuenta que la altitud registrada por el

LiDAR no permite distinguir entre un edificio situado en una vaguada o si este

se encuentra a una cota elevada, por lo que debemos calcular la altura de este

respecto a la elevación del terreno en su rasante.

Lo primero que haremos es crear nuevas columnas en la tabla “edificaciones” para

almacenar los datos de elevaciones:

1

2

3

ALTER TABLE edificaciones ADD COLUMN elevacion_cubierta NUMERIC(6,2) NULL;

ALTER TABLE edificaciones ADD COLUMN elevacion_rasante NUMERIC(6,2) NULL;

ALTER TABLE edificaciones ADD COLUMN altura NUMERIC(6,2) NULL;

A continuación comenzamos calculando la elevación en lo alto del edificio. Para ello

obtendremos la altura media de todos lo puntos que caen dentro de lo que es la planta

del edificio. Aunque en este caso únicamente utilizaremos el promedio para no

complicar el ejemplo, particularmente suelo también calcular la moda, con el fin de

detectar cubiertas singulares o muy variables con patios interiores que pueden

distorsionar la medida.

1

2

3

UPDATE edificaciones SET elevacion_cubierta = elevacion_media FROM (

SELECT e.gid, AVG(l.z) AS elevacion_media FROM lidar l, edificaciones e WHERE

ST_Within(l.geom, e.geom

4

) GROUP BY e.gid) t

WHERE edificaciones.gid = t.gid;

A continuación pasamos a calcular la elevación pero esta vez en la base de la

edificación. La idea es tomar los valores que caen en el interior de un buffer de 1

metro de ancho situado a nivel de calle, pero no realizar este área de influencia

próxima a la base, sino desplazarla 1 metro más hacia el exterior de la rasante del

edificio. Con ello nos aseguramos, en la medida de los posible, que la estimación sea

más precisa y evitar posibles errores derivados de obstáculos (terrazas, vehículos

aparcados, mobiliario urbano, etc.).

Separando el área de influencia de la base del edificio nos aseguramos la lectura del valor mínimo de elevación del

terreno.

Para ello creamos una copia de la tabla “edificaciones” sobre la que realizaremos

este buffer.

1

CREATE TABLE edificaciones_buffer AS SELECT gid, elevacion_rasante, geom FROM

edificaciones;

Y pasamos a calcular la diferencia de superficie entre un buffer de 2 metros en torno a

los edificios y de otro de 1 metro también alrededor de la base de estos.

1

2

3

4

5

6

UPDATE edificaciones_buffer SET geom = buffer FROM (

SELECT e.gid, ST_Multi(ST_Difference(ST_Multi(ST_Buffer(e.geom, 2)),

ST_Multi(ST_Buffer(e.geom, 1)))) AS buffer

FROM edificaciones_buffer e

WHERE e.gid > 0

) t

WHERE edificaciones_buffer.gid = t.gid;

Ya tenemos nuestra área de influencia de un metro separada otra más de la base del

edificio. Procedemos a continuación a actualiza la tabla “edificaciones_buffer” con el

valor mínimo de la elevación que hay dentro de este área de influencia.

1

2

3

4

5

6

UPDATE edificaciones_buffer SET elevacion_rasante = elevacion_min FROM (

SELECT e.gid, MIN(l.z) AS elevacion_min

FROM lidar l, edificaciones_buffer e

WHERE ST_within(l.geom, e.geom) GROUP BY e.gid

) t

WHERE edificaciones_buffer.gid = t.gid;

Actualizamos ahora la columna en la tabla ‘edificaciones’ con ese valor:

1

2

UPDATE edificaciones e SET elevacion_rasante = e2.elevacion_rasante

FROM edificaciones_buffer e2 WHERE e.gid = e2.gid;

Y por último ya solo nos resta calcular la altura definitiva con la diferencia entre la

medida obtenida en la cubierta y la capturada en la base del edificio:

1 UPDATE edificaciones SET altura = (elevacion_cubierta - elevacion_rasante);

Tabla con la geometría de edificaciones y las tres columnas de alturas calculadas.

Como conclusión podemos ver el resultado de nuestro trabajo realizando una

extrusión prismática de la planta de los edificios en función del valor de altura

que hemos calculado. La escena será un pequeño modelo urbano 3D con un nivel

de abstracción LoD1de bloques simple con cubiertas planas como el que se muestra

a continuación: