Digitale Stadtmodelle · Geoinformatik · Automatisierung

CityGML-Workflows für Blender, Machine Learning und 3D-Geodaten

Ausgewählte Entwicklungsprojekte zur automatisierten Erzeugung, Modellierung und Verarbeitung digitaler Stadtmodelle. Im Mittelpunkt stehen offene Standards, reproduzierbare Geodaten-Workflows und spezialisierte Werkzeuge für CityGML.

Ausgewählte Arbeiten

Projekte

Sechs Entwicklungsbereiche verbinden CityGML, Blender, parametrische Modellierung, Fernerkundungsdaten, Machine Learning und standardisierte Web Processing Services. Entwicklungsstand und Art der Darstellung werden bei jedem Projekt ausdrücklich ausgewiesen.

Funktionsfähiger PrototypTitelgrafik: schematisch

CityGML-Import und -Export in Blender

Das Blender-Plugin unterstützt den georeferenzierten Import, die semantische Bearbeitung und den Export von CityGML 2.0 und 3.0. Es umfasst Datei- und 3DCityDB-Workflows, ModelTyper, Openings Cutter sowie Export- und Prüffunktionen.

Blender CityGML Importer/Exporter auf GitHub Repository, Releases und Quellcode

Dieses Plugin habe ich im Rahmen meiner Tätigkeit bei Virtual City Systems maßgeblich entwickelt. Die aktuelle Open-Source-Fortführung wird von mir eigenständig gepflegt.

Projektbeitrag bei Virtual City Systems lesen
CityGMLBlenderPython
Funktionsfähiger PrototypTitelgrafik: schematisch

Blender Building Detailer – parametrische Gebäudedetails

Das Blender-Plugin erzeugt auf ausgewählten Dach- und Fassadenflächen parametrische Gebäudedetails wie Gauben, Schornsteine, Balkone, Erker und Dachumrandungen. Es unterstützt Platzierung, Snapping, Geometrieprüfung und semantische Finalisierung als verschmolzene Geometrie oder BuildingPart.

Blender Building Detailer auf GitHub Repository, Releases und Quellcode
BlenderBuildingPartsCityGMLLAS
Experimenteller WorkflowSchematisch · keine Benchmark-Darstellung

Openings-Erkennung und -Generierung mittels Machine Learning

Ein experimenteller Entwicklungsworkflow untersucht die Erkennung von Fenstern und Türen in Gebäudefassaden. Detektionen werden geometrisch bereinigt und als Grundlage für CityGML-Openings aufbereitet. Belastbare Kennzahlen werden nur anhand klar abgegrenzter Testdatensätze und definierter Bewertungsmetriken ausgewiesen.

Machine LearningOpeningsCityGML
Funktionsfähiger PrototypTitelgrafik: schematisch

Automatisierte Texturierung von CityGML-Stadtmodellen

Der funktionsfähige Prototyp projiziert georeferenzierte Luftbilder auf CityGML-Oberflächen, bewertet geeignete Kameraperspektiven und erzeugt Texturzuordnungen sowie Atlanten. Der Schwerpunkt liegt auf reproduzierbaren Verarbeitungsschritten und nachvollziehbarer Bildzuordnung.

PhotogrammetrieTexturierungCityGML
EntwicklungsprototypTitelgrafik: schematisch

Automatisierte Generierung von CityGML-Gebäudeobjekten

Der Entwicklungsprototyp kombiniert Gebäudegrundrisse, digitale Geländemodelle und klassifizierte LAS-Punktwolken. Daraus werden georeferenzierte Gebäudegeometrien mit Höhenbestimmung, Dachrekonstruktion und semantischer Flächenzuordnung abgeleitet.

LASDGM3D-Rekonstruktion
Funktionsfähiger PrototypTitelgrafik: schematisch

Web Processing Services für 3D-Geodaten in Blender

Ein Blender-basierter Client bindet standardisierte OGC Web Processing Services in 3D-GIS-Workflows ein. Geometrien, Geodaten und Parameter werden kontrolliert an PyWPS-Dienste übermittelt; erzeugte 3D-Geometrien, Punktwolken sowie Raster- und Vektordaten können georeferenziert in Blender weiterverarbeitet werden.

Blender WPS Client auf GitHub Repository, Releases und Quellcode
WPSPyWPSBlender3D GIS

Temporären Demo-Zugang anfordern

Vom Rohdatensatz zum Stadtmodell

Ein gemeinsamer technischer Schwerpunkt

Die Projekte verfolgen ein gemeinsames Ziel: komplexe Arbeitsschritte in der 3D-Geodatenverarbeitung nachvollziehbar zu automatisieren. Georeferenzierung, semantische Struktur, Austauschformate, Fehlerbehandlung und technische Randbedingungen werden dabei gemeinsam betrachtet.