Generating LoD2 City Models Using a Hybrid-Driven Approach: A Case Study for New Brunswick Urban Environment
Notice bibliographique
Résumé
Today 55% of the world's population lives in urban areas, a proportion that is expected to increase to 68% by 2050 (UN, 2018). 3D city models can be used to prepare for the future city, enabling informed analysis and sustainable development. Based on the Open Geospatial Consortium (OGC) standard, i.e. cityGML, 3D city models can be produced in different levels of detail (LOD). CityGML-3 introduces five predefined LODs (LOD0-4), with LOD0 being a building footprint and LOD4 being a realistic model representing the exterior and interior of the buildings. Currently, LOD0 and LOD1 are available for most cities in developed countries while LOD2+ are superior for informed analysis in different applications such as disaster management and insurance. However, with the current status of knowledge and technology, the production, storage and maintenance of such models are very time-consuming and expensive. This paper presents an initial study for 3D city model generation with a focus on the urban structure of New Brunswick, Canada, which is an introductory part of a larger project for 3D city modelling and maintenance in Canada. This paper intended to explore existing off-the-shelf 3D city modelling products and check their accuracies. Furthermore, inspired by existing literature, we proposed a decision-tree-based methodology for LoD2 3D city model generation, which follows a combination of data-driven and model-driven approaches, i.e. a hybrid approach. We tested the quality of the final 3D models using different metrics such as overall accuracy, Kappa Coefficient, Root Mean Square Error (RMSE) and slope difference. Besides, we compared our results to two off-the-shelf products, namely Schematic Local Government City Engine LOD2 (SLGCE) modelling and OpenStreet Map City Engine (OSMCE) LOD2 modelling. The results showed that the proposed hybrid approach achieved higher accuracies using the mentioned metrics. This paper also discusses the pros and cons of the proposed method and offers insights for improving the results even further.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».