A Semi-Automatic Roof Type-Driven Workflow for LoD2 Building Reconstruction from Orthophotos and Photogrammetric Point Clouds

기술 요약: LoD2 건물 재구성을 위한 반자동 지붕 유형 기반 워크플로우

문제 정의
명시적인 지붕 기하구조와 기본적인 의미론적 세분화가 요구되는 LoD2(Level of Detail 2) 건물 모델 생성은 정사영상과 사진측량 점군(point cloud)으로부터 유도할 때 여전히 까다로운 과제로 남아 있다. 기존 방식들은 다음과 같은 한계에 직면해 있다: 순수 기하학적 접근 방식은 노이즈와 복잡한 지붕 형태에 취약하며 완전하고 의미론적으로 구조화된 솔리드를 생성하는 데 실패하는 경우가 많다; 절차적 모델링(예: CGA)은 규칙 설계와 플랫폼 생태계에 크게 의존하여, 관찰된 윤곽선과 생성된 기하구조 사이의 괴리를 발생시킬 수 있다; 또한, 완전 자동화된 AI 기반 시스템은 해석 가능성이 제한적이고 계산 요구량이 높은 "블랙박스"로 작용하는 경우가 많다. 나아가, 지붕 유형을 단순한 속성이 아니라 재구성 규칙의 핵심 동인으로 취급하면서, 동시에 고도 파생물(DTM, DSM, 경사도, 방위각)을 기하구조 생성을 위한 명시적인 추론 변수로 활용하는 워크플로우에도 공백이 존재한다.

방법론
본 연구는 LoD2 건물 모델을 재구성하기 위해 Python으로 구현된 반자동 지붕 유형 기반 워크플로우를 제안한다. 이 과정은 인간의 상호작적인 해석과 규칙 기반의 경계 표현(BREP) 재구성을 통합한다. 워크플로우는 세 가지 주요 단계로 구성된다:

1. 고도 추출: 사진측량 점군은 지면과 비지면 점을 분리하도록 분류된다. 이를 통해 수치지형모델(DTM)과 수치표면모델(DSM)을 생성할 수 있다. 이로부터 정규화된 DSM(nDSM/객체 높이 모델), 경사도, 방위각 레이어가 도출된다. 이러한 파생물들은 건물 높이와 지붕 평면의 방향을 추정하기 위한 추론 매개변수로 사용된다.
2. 지붕 윤곽 디지털화 및 분류: 가시적인 지붕 가장자리를 추적함으로써 정사영상으로부터 지붕 윤곽을 상호작적으로 디지털화한다. 각 폴리곤에는 평지붕(flat), 박공지붕(gable), 모지붕(hip), 외지붕(shed), 피라미드형 지붕(pyramid) 중 하나에 해당하는 의미론적 레이블이 수동으로 할당된다.
3. 규칙 기반 BREP 재구성: 디지털화된 폴리곤과 지붕 유형 레이블은 할당된 지붕 클래스에 따라 특정 기하 규칙을 적용하는 Python 스크립트의 입력값으로 사용된다:
   • 평지붕 (Flat Roofs): 평균 지붕 고도에서의 단일 수평 평면으로 생성된다.
   • 박공지붕 (Gable Roofs): 지붕 폴리곤이 회전 및 세분화된다. 방위각 값을 클러스터링하여 두 개의 지배적인 방향을 식별한다. 용마루 선은 이 평면들의 교차점을 통해 도출되며, 용마루 고도는 객체 높이 모델(nDSM)과 경사각을 사용하여 계산된다.
   • 모지붕 (Hip Roofs): 후보 용마루 선은 중심점을 통해 마주 보는 가장자리들을 연결함으로써 정의된다. 지붕 세그먼트는 관찰된 표면 데이터와 기하구조가 일치하도록 DSM에서 가장 높은 고도를 샘플링하여 식별된다.
   • 외지붕 (Shed Roofs): 경사 방향은 낮은 처마 가장자리에서 높은 처마 가장자리 방향으로 결정된다. 꼭짓점 고도는 처마와 지붕 가장자리 사이의 선형 보간을 통해 계산된다.
   • 피라미드형 지붕 (Pyramid Roofs): 정점(apex)은 폴리곤의 중심점에 정의되며, 지붕 평면은 처마 꼭짓점들을 이 중심점으로 연결함으로써 구축된다.

생성된 기하구조는 의미론적 표면(GroundSurface, WallSurface, RoofSurface)으로 조직되어 CityJSON으로 내보내지며, 이후 상호운용성을 보장하기 위해 CityGML로 변 conversion된다.

핵심 기여

• 동인으로서의 지붕 유형: 본 연구는 일반적인 기하학적 추출을 적용하는 대신, 다섯 가지 흔한 지붕 클래스에 대한 특정 규칙 세트를 정의함으로써 지붕 유형을 재구성 로직의 핵심 동인으로 명시적으로 취급한다.
• 데이터 소스의 통합: 상호작적인 정사영상 해석(윤곽선 및 분류용)과 점군 유래 고도 파생물(높이 및 방향 추론용)을 효과적으로 결합한다.
• 상호운용 가능한 출력: 본 워크플로우는 CityJSON의 완전한 BREP 기반 솔리드를 생성하며, 이는 CityGML로 변환 가능하다. 이를 통해 기하 재구성과 표준화된 3D 도시 모델링 사이의 간극을 메운다.
• 반자동의 균형: 이 접근 방식은 완전 수동 모델링과 완전 자동 파이프라인 사이의 절충안을 제공하며, 효율성을 유지하면서도 지붕 기하구조에 대한 해석 가능성과 제어권을 우선시한다.

결과
워크론은 인도네시아 싱카왕 시 자와 지역의 371개 건물 재구성에 적용되었다. 재구성된 건물의 분포는 박공지붕 71%, 모지붕 15%, 평지붕 6%, 외지붕 5%, 피라미드형 지붕 3%였다.

• 시각적 정확도: 정사영상 참조 모델에 대한 혼동 행렬(confusion matrix)에서 도출된 완전성(completeness), 정확성(correctness), 품질(quality) 지표를 사용하여 30개 건물을 대상으로 평가하였다. 결과는 평균 100%의 완전성을 보였으며, 정확성과 품질은 모두 평균 98.33%를 기록했다. 이 값들은 이러한 평가에서 흔히 권장되는 85% 임계값을 크게 상회한다.
• 기하학적 정확도: 모델 차원(길이, 너비, 높이)을 점군으로부터의 참조 측정값과 비교하여 차원적 충실도를 평가하였다. 평균 제곱근 오차(RMSE)는 0.90m로 나타났으며, 이는 CityGML 규격에서 LoD2 모델에 일반적으로 채택되는 허용 오차인 2m 미만 기준을 충분히 만족한다.

의의 및 주장
본 논문은 지붕 유형 기반의 반자동 워크플로우가 사진측량 데이터로부터 해석 가능하고, 의미론적으로 일관되며, 상호운용 가능한 LoD2 건물 모델을 제공할 수 있다고 주장한다. 그 의의는 기존의 3D 도시 모델 표준(CityGML/CityJSON)을 준수하면서 지붕 기하구조에 대한 명시적인 제어를 유지할 수 있다는 점에 있다. 저자들은 이 접근 방식이 재구성 로직의 투명성을 제공하고 딥러닝 파이프라인의 "블랙박스" 특성을 피함으로써, 완전 자동화된 시스템에 대한 강력한 대안을 제공한다고 주장한다. 본 연구는 현재의 워크플로우가 윤곽선 디지털화를 위한 수동 입력이 필요하지만, 지붕 형태 분류, 기하 규칙 형성, 그리고 표준화된 모델링을 성공적으로 연결하여 데이터 품질이 다양하고 특정 지붕 유형이 존재하는 중규모 LoD2 생산에 적합하다고 결론짓는다. 향러 작업으로는 딥러닝을 이용한 윤곽선 추출 및 분류 단계의 자동화와 더 복잡한 지붕 유형으로의 규칙 기반 확장을 제안한다.