1. Introducción

La forma de las edificaciones puede variar significativamente entre escenarios urbanos, lo que puede estar asociado a factores como el grado de desarrollo local, el relieve, el clima, la cultura y la antigüedad de los edificios. La gestión de activos urbanos requiere modelos ricos en características, actualizados y precisos, dentro de márgenes compatibles con el problema en estudio. Además del área planimétrica construida, estos modelos deben considerar las variaciones altimétricas de los objetos urbanos. Aunque la elaboración y el mantenimiento de modelos tridimensionales de ciudades representan desafíos parcialmente resueltos, los esfuerzos recientes en fotogrametría basada en visión por computador proporcionan indicios del interés científico en mejorar los resultados ofrecidos (Lussange et al., 2025).

Las técnicas de teledetección ofrecen fuentes relevantes para la generación de modelos 3D, aunque los levantamientos catastrales también contribuyen a su enriquecimiento. Las imágenes y nubes de puntos obtenidas por sensores embarcados en plataformas aéreas u orbitales conservan registros (brutos o poco tratados) de las formas construidas reales. Sin embargo, su análisis exige un procesamiento computacional intensivo. El desarrollo de aplicaciones sobre estos conjuntos de datos requiere la individualización de objetos de interés, como las edificaciones, y la abstracción de características. Cuanto mayor sea el nivel de características preservadas, mayores tienden a ser los esfuerzos humanos y computacionales necesarios.

Por representar con razonable precisión el entorno construido y otros elementos urbanos, los modelos tridimensionales de ciudades despiertan el interés de gestores públicos, empresas privadas y la sociedad civil. Según Biljecki et al. (2015), el interés creciente en estos modelos se debe a su amplia gama de aplicaciones, como, por ejemplo, el catastro, las visitas virtuales, la detección de cambios, la planificación urbana, el análisis de la movilidad, la respuesta a emergencias, los estudios ambientales y la evaluación de la calidad de vida. En los estudios ambientales, las edificaciones o partes de ellas, como cubiertas y fachadas, forman barreras físicas en diversos fenómenos. Sus superficies son mucho menos permeables que la vegetación arbórea y más complejas que el terreno y otros elementos de la infraestructura urbana. Esto motiva la discusión sobre los niveles de detalle necesarios y viables para su representación en las dinámicas de fenómenos aplicadas a los distintos estudios ambientales.

En lo que respecta a la insolación y a la formación de áreas sombreadas, por ejemplo, las edificaciones interactúan reduciendo la incidencia de la radiación solar directa y contribuyendo a la propagación difusa y/o especular (dependiendo de la superficie), lo que exige el cálculo mediante algoritmos como el ray tracing (Robinson; Stone, 2004). Este uso de los modelos de edificaciones puede viabilizar la producción de mapas de radiación para la estimación del sombreado a lo largo del tiempo, con aplicaciones directas en eficiencia energética, la identificación de islas de calor urbanas y las estimaciones de confort térmico. Esto permite analizar impactos sobre el microclima mediante la adición de nuevas edificaciones o la simulación del crecimiento vertical dentro del volumen urbano preexistente (Falcão et al., 2025). Además, los modelos de cubiertas de las edificaciones también pueden enriquecerse mediante el mapeo de superestructuras como chimeneas, copas de árboles, claraboyas o maquinaria, mejorando la estimación del potencial solar (Krapf et al., 2022b).

De manera análoga, estos algoritmos pueden utilizarse en estudios sobre la propagación del ruido y la contaminación acústica, lo que requiere la estimación de índices de reflexión y absorción de ondas mecánicas para las diferentes clases de objetos sobre el terreno (Stoter et al., 2020). En proyectos de telecomunicaciones, esto puede adaptarse para verificar la cobertura u oclusión de ondas electromagnéticas, al planificar la configuración de dispositivos y evaluar interferencias relacionadas con sombras de señal e impactos de nuevas construcciones, que apoyen la optimización y la operación de sus redes urbanas (Seilov et al., 2021).

En los contextos de la ventilación urbana y la propagación de contaminantes, los edificios influyen directamente en los campos de velocidad, la turbulencia y la dispersión del flujo atmosférico. Estos efectos se investigan habitualmente mediante la dinámica de fluidos computacional y, en aplicaciones más detalladas, mediante la simulación de grandes vórtices (Buccolieri; Hang, 2019), que permiten representar con mayor fidelidad la interacción entre la morfología urbana y los procesos de transporte.

Por su parte, las dinámicas de inundaciones se basan tradicionalmente en modelos de elevación del terreno y en estimaciones del uso del suelo, la permeabilidad y las capacidades de retención. La incorporación explícita de la geometría de las edificaciones permite definir con mayor precisión los patrones de captación, almacenamiento y direccionamiento del escurrimiento superficial. El reconocimiento de estos patrones contribuye al análisis del riesgo de inundaciones y a la elaboración de estrategias para el drenaje urbano sostenible (Wang, C. et al., 2019). Esto también permite refinamientos en la evaluación de la contribución de techos verdes, reservorios de detención y sistemas de aprovechamiento de aguas pluviales para la resiliencia urbana (Angrill et al., 2017).

Definir niveles de detalle para los modelos de ciudades ayuda a formalizar las necesidades y capacidades para la abstracción del entorno urbano en el levantamiento de los requisitos de cada aplicación. Los servicios de mapas globales, por ejemplo, se benefician de la disponibilidad de proyecciones de edificaciones ofrecidas en modelos con niveles de detalle más bajos, debido a la volumetría más compacta de estas representaciones. Además, estos servicios se benefician de la amplia disponibilidad de algoritmos capaces de automatizar la captura de entidades en este nivel de detalle, incluso en regiones cartografiadas mediante diferentes técnicas de Observación de la Tierra. A su vez, los modelos de bloques, que comprenden un nivel intermedio de detalle, pueden ser más adecuados para análisis estratégicos de planificación y visualización rápida. Por último, los modelos de edificaciones en niveles más altos, con geometrías detalladas y distinción semántica de las superficies observadas (cubiertas y fachadas), atienden aplicaciones de ingeniería, simulaciones ambientales y otras consultas a datos espaciales que demandan una elevada fidelidad con el mundo real.

La relevancia de los esfuerzos para disponibilizar modelos oficiales en diferentes niveles de detalle se evidencia en las limitaciones de los catastros urbanos tradicionales para representar adecuadamente la geometría y la semántica de las edificaciones (Biljecki et al., 2015). Esta deficiencia dificulta la adopción de modelos urbanos tridimensionales en niveles más avanzados de detalle. Hasta donde se sabe, cuando están disponibles, los modelos vectoriales con alto nivel de detalle se concentran mayoritariamente en ciudades del Norte Global (Wysocki et al., 2024). En ciudades metropolitanas, como Río de Janeiro, resulta de interés evaluar la aplicabilidad de técnicas empleadas con éxito en grandes volúmenes de datos de otras regiones.

Tomando como referencia el conjunto de datos acumulado a lo largo de los años para actualizar las bases catastrales del entorno urbano y los sistemas publicados por la administración municipal, puede concluirse que el modelo de edificaciones es compatible con un nivel intermedio de detalle. Así, los registros vectoriales de edificaciones del catastro municipal vigente pueden ser transmitidos en un nivel de detalle de bloques, más específicamente en el Nivel de Detalle 1 (LoD 1) del estándar CityGML (Gröger; Plümer, 2012). Este estándar, mantenido por el Open Geospatial Consortium (OGC), define niveles de detalle y un modelo conceptual para la representación, el almacenamiento y el intercambio de datos urbanos.  

Un ejemplo de aplicación del modelo LoD 1, demostrado en el proyecto Reviver Centro^[1] de la Secretaría Municipal de Desarrollo Urbano y Licenciamiento, permite visualizar inmuebles bajo monitoreo en la ciudad. El principal recurso utilizado por el visor es la base vectorial de edificaciones de la Prefeitura de la Ciudad de Río de Janeiro, que contiene información planimétrica y altimétrica de las proyecciones de las edificaciones. Aunque resulta útil para visualizaciones rápidas, el modelo de bloques no es recomendable para aplicaciones sensibles a las formas de los techos. Las construcciones asimétricas, como se ejemplifica en la Figura 1, o las complejas, pueden ser difíciles de representar bajo este tipo de modelado.

Figura 1: Tres diferentes posibilidades para el modelado por bloques de un edificio (saltbox)

Fuente: (Stoter et al., 2020)

En este estudio, se adoptó como objetivo principal proponer un enfoque para la actualización catastral orientado a la incorporación de nuevas características en los registros urbanos, viabilizando la compatibilidad del modelo de edificaciones en el Nivel de Detalle 2 (LoD 2). Este nivel presupone la representación explícita de las formas geométricas de las cubiertas y su separación semántica con respecto a las fachadas y a otros elementos constructivos. Para evaluar la viabilidad de la propuesta, los datos municipales fueron procesados mediante un software de código abierto originalmente desarrollado para viabilizar este tipo de modelos en los Países Bajos^[2] (Peters et al., 2022).

Las demás secciones de este artículo se organizan de la siguiente manera: la Sección 2 aborda los trabajos relacionados con el mismo tema, enfatizando el contexto teórico; la Sección 3 caracteriza los conjuntos de datos del municipio y justifica las elecciones de los recortes realizados; la Sección 4 presenta la metodología empleada para la aplicación de los algoritmos al nuevo conjunto de datos; la Sección 5 presenta y discute los resultados obtenidos; y la Sección 6 expone las consideraciones finales de este trabajo.

2. Trabajos relacionados

La literatura sobre la producción de modelos 3D de edificaciones presenta diferentes enfoques que pueden dar lugar a distintos niveles de detalle. En primer lugar, las fuentes de datos consideradas pueden provenir tanto de levantamientos aéreos u orbitales como de levantamientos terrestres. De manera opcional, pueden incorporarse datos preexistentes en los catastros formales de edificaciones, tales como planos arquitectónicos, catastros multifinalitarios, registros inmobiliarios y bases cartográficas oficiales que describen la geometría, el uso y la ocupación de las edificaciones. Estos enfoques también pueden diferir según sus bases metodológicas, que pueden estar orientadas tanto a los datos como a los modelos, siendo posible encontrar asimismo enfoques híbridos o difíciles de categorizar dentro de esta dicotomía entre datos y modelos.

2.1 Caracterización de las fuentes de datos y enfoques de procesamiento 

Según Wang, R. (2013), los conjuntos de imágenes de alta resolución pueden ser ricos en información semántica, pero dependen de métodos específicos para la recuperación de la geometría tridimensional. Por otro lado, las nubes de puntos obtenidas por sensores LiDAR (Light Detection and Ranging) representan directamente la geometría, pero normalmente alcanzan resoluciones más bajas y una semántica limitada. Por ello, para realizar modelado 3D a partir de imágenes pueden utilizarse técnicas de aprendizaje automático para estimar elevaciones de forma monoscópica, o técnicas de medición de coordenadas tridimensionales en pares estereoscópicos, empleando principios fotogramétricos que generalmente permiten una mejor comprensión de la exactitud asociada a las elevaciones obtenidas.

No obstante, es posible integrar imágenes y nubes de puntos mediante procesos de registro que establecen correspondencias entre las coordenadas proyectadas en el plano de las imágenes y las coordenadas del espacio geométrico del mundo real, preservadas en las nubes de puntos. Esta integración caracteriza un enfoque de fusión de datos multimodales, en el que se combinan de forma consistente informaciones complementarias procedentes de distintos sensores. En general, estos procesos pueden emplearse tanto para el aumento virtual de la resolución espacial de las nubes de puntos como para la realización de segmentaciones guiadas por imágenes, explotando simultáneamente las características geométricas y semánticas almacenadas en los conjuntos de datos.

En los enfoques que operan directamente sobre nubes de puntos, las etapas centrales incluyen la clasificación y el filtrado de los datos, con el fin de separar las edificaciones de otros objetos presentes en el entorno urbano. Como señalan Wang, R., Peethambaran y Chen (2018), este tipo de enfoque depende de la calidad y la resolución de los datos de entrada. En general, el proceso implica la segmentación de superficies coherentes o de sus aristas — por ejemplo, mediante primitivas planares o lineales — seguida del establecimiento de relaciones topológicas entre los objetos identificados.

En contraste, los enfoques orientados a modelos se centran en la selección y el ajuste de estructuras geométricas parametrizables para representar los edificios como objetos topológicamente consistentes. En el caso de los modelos de cubiertas, estas estructuras pueden incluir pirámides, conjuntos de uno o más planos y, para contemplar estilos constructivos específicos, también pueden considerarse geometrías como conos, cilindros o esferoides. Sin embargo, esta estrategia tiende a estar limitada por la cantidad de formas previamente definidas y por las combinaciones posibles entre ellas.

Figura 2: Panorama general de las entradas y salidas de los procesos de modelado 3D de edificaciones con datos de Observación de la Tierra y de los objetos tratados en los distintos enfoques.

Fuente: Los autores (2025)

A pesar de la dicotomía entre los enfoques presentados en la literatura, los datos y los modelos están intrínsecamente relacionados en los procesos observados. El diagrama de la Figura 2 presenta una visión general de las entradas y salidas y de sus relaciones en los procesos estudiados. Puede afirmarse que los datos se estructuran para formalizar modelos. Por lo tanto, existen procesos difíciles de categorizar o que deben tratarse como enfoques híbridos. Estos pueden conducir a estrategias equilibradas entre precisión y capacidad de modelar una gran variedad de edificaciones, considerando adaptaciones que permitan superar las limitaciones discutidas.

Asumiendo un enfoque basado en datos, la segmentación de primitivas geométricas puede realizarse tanto en nubes de puntos como en imágenes. Hao, Zhang y Cao (2016), por ejemplo, proponen una técnica para pares estereoscópicos de imágenes aéreas que utiliza un método de correspondencia de entidades (puntos y líneas) entre imágenes aéreas de múltiples ángulos de una misma escena. Utilizando modelos de fotogrametría clásica y reglas de correspondencia, las líneas se agrupan y sus alturas se extraen mediante intersección espacial. Otra propuesta realizada por Mohammadi, Samadzadegan y Reinartz (2019) está dirigida a imágenes satelitales de alta resolución y deriva un mapa de disparidad utilizando la correspondencia semiglobal de Hirschmüller (2011). En este caso, la segmentación se realiza mediante un núcleo de corte de grafos en el espacio de características, que incluye las bandas radiométricas, el mapa de disparidad y un índice de vegetación visible.

Recientemente, la adopción de redes neuronales profundas se ha destacado en enfoques de segmentación que preceden a la reconstrucción de cubiertas de edificios urbanos. Esto puede implicar, por ejemplo, aislar edificios en nubes de puntos mediante técnicas de agrupamiento y segmentar edificios individuales con un algoritmo basado en RANSAC (RANdom SAmple Consensus) (Sun et al., 2024). En imágenes satelitales se ha propuesto algo similar en dos etapas: primero se realiza la segmentación de edificaciones y posteriormente se ajustan estructuras geométricas predefinidas sobre modelos digitales de superficie derivados del conjunto de imágenes (Ismael; Sadeq, 2025).

2.2 Características dos produtos possíveis 

En las edificaciones del mundo real, muchos de los materiales de revestimiento utilizados en la composición de cubiertas presentan patrones característicos, frecuentemente ondulados, que favorecen el escurrimiento de las aguas pluviales y generan desniveles asociados a la superposición de sus piezas. Existen también edificaciones cuyas cubiertas son losas planas impermeabilizadas, así como techos que incorporan áreas técnicas horizontales para dar soporte a la instalación de diversos equipos, como antenas, tanques de agua, maquinaria extractora y sistemas de refrigeración. Además, es común la presencia de otras estructuras observables sobre las cubiertas, como vegetación, chimeneas, pretiles u otros elementos verticales, que pueden generar oclusiones para los sensores remotos y dificultar el registro preciso de la geometría de las cubiertas.

Por estas razones, interpolar modelos digitales de superficie (DSM - Digital Surface Models) o estructurar redes irregulares de triángulos (TIN - Triangular Irregular Networks) directamente sobre nubes de puntos, sin texturas, puede dar lugar a modelos poco convincentes para el ojo humano. Las mallas capturan la rugosidad, pero no necesariamente pueden mantenerse a altas resoluciones con suficiente precisión para la interpretación de detalles más finos en cartografías de gran escala. Por su parte, la interpolación de modelos regulares suaviza las superficies y puede interferir en la localización de discontinuidades (Guo et al., 2024).

Asumir la simplificación de geometrías mediante planos es una estrategia para reducir el consumo de recursos computacionales en el almacenamiento, la transmisión y la visualización de datos. Esto también evita el sobreajuste de los modelos producidos, preservando únicamente las estructuras más estables y relevantes para la descripción volumétrica de las edificaciones. Las caras planas crean una abstracción de la superficie real, que normalmente no es plana, pero puede aproximarse mediante uno o más segmentos planos. Existe, por tanto, un compromiso para encontrar una representación compacta de las superficies dentro de un margen de error tolerable. A diferencia de las TIN, solo se almacenan los vértices seleccionados para formar el polígono límite de cada segmento planar ajustado. De manera similar a los DSM, puede producirse interpolación para registrar la elevación de los vértices sin imponer la necesidad de regularizar el muestreo de sus coordenadas planimétricas almacenadas. Esto también implica que solo son necesarios los vértices extremos de cada segmento de línea en los límites de los planos. Según Verma, Kumar y Hsu (2006), para que los planos formen estructuras consistentes en los modelos finales es necesario conocer si se respetan las relaciones espaciales entre planos, si la semántica y la cantidad de planos mapeados son correctas, si los planos están bien posicionados y si su forma y orientación se ajustan a lo esperado.

La propia caracterización de qué planos deben registrarse depende del nivel de detalle esperado para el modelo. El concepto de niveles de detalle, siguiendo la nomenclatura definida en el estándar CityGML 2.0 (Gröger; Plümer, 2012), prevé una escala creciente del grado de fidelidad de los modelos 3D de edificaciones. Desde los más bajos hasta los más elevados, pueden describirse de la siguiente manera: LoD 0 se satisface con la restitución planimétrica de los contornos de las edificaciones (también denominados footprints); LoD 1 requiere la adición de información altimétrica y permite la elaboración de modelos de bloques; LoD 2 introduce el detallado geométrico de las cubiertas de las edificaciones y superficies semánticamente diferenciadas; y LoD 3 añade información arquitectónica de las fachadas, haciendo deseable el levantamiento terrestre para complementar el aerolevantamiento. Además de estos niveles, ilustrados en la Figura 3, se ha propuesto el nivel más elevado (LoD 4), con el detallado de interiores, que puede llegar a requerir la adopción de técnicas más invasivas que las utilizadas convencionalmente en los servicios de Observación de la Tierra. No obstante, se considera que este nivel es factible para la ciudad formal, si se tienen en cuenta los documentos del catastro municipal de edificaciones, y para desarrollos modernos donde se implemente la estrategia nacional de difusión del Building Information Modelling (BIM) (Brasil, 2024).

Figura 3: Los cuatro primeros niveles del estándar CityGML 2.0 para el detalle de edificaciones.

Fuente: Adaptado de (Biljecki; Ledoux; Stoter, 2016)

Por lo tanto, el procesamiento de un catastro vectorial 3D para modelar edificaciones constituye un refinamiento de datos de gran volumen con baja complejidad estructural. Está orientado a preservar, estructurar y destacar los vértices límite de los conjuntos de planos que permiten abstraer la forma de las construcciones. La elaboración de un modelo en LoD 2, por ejemplo, puede ir acompañada de la extracción de características de las cubiertas útiles para aplicaciones como el estudio de la incidencia solar, tales como el tipo, la inclinación y la orientación de los techos disponibles. De igual modo, los catastros de nivel intermedio de detalle pueden actualizarse aprovechando el potencial latente de los conjuntos de datos preexistentes que los hicieron posibles. Para ello, es necesaria la segmentación de instancias de las diferentes facetas o aguas de los techos, cuando estas no sean cubiertas planas (ya satisfechas por el modelo anterior), así como la indicación de superestructuras presentes, favoreciendo la usabilidad de los modelos para estudios de implantación de paneles fotovoltaicos (Krapf et al., 2022a).

3. Conjuntos de datos espaciales del municipio

El municipio de Río de Janeiro actualiza periódicamente su base cartográfica mediante recubrimiento aerofotogramétrico. A partir del año 2019, los mosaicos^[3] de esta naturaleza han sido publicados como ortofotos verdaderas, con corrección de paralaje para el terreno y para los objetos en la superficie, como edificaciones y vegetación. La generación de estos productos suele utilizar fotografías aéreas corregistradas con datos de sensores LiDAR embarcados en un mismo vuelo. De manera opcional, para vuelos aislados, es posible realizar posprocesamiento para el registro entre imágenes y nubes de puntos. Los mosaicos resultantes, almacenados en formato TIF, presentan una resolución espacial (GSD - Ground Sample Distance) de aproximadamente 15 cm/píxel y una resolución radiométrica de 8 bits por banda, y están destinados a aplicaciones catastrales (Paiva; Badolato; Coelho, 2024). Para el año 2019, este volumen de datos alcanza casi 1 TB, de los cuales el 65% corresponde a nubes de puntos almacenadas en formato LAS. La densidad de las nubes de puntos fue proyectada para 8 puntos/m² (Topocart Aerolevantamentos, 2019).

El acceso a los datos del municipio está garantizado a través del portal de datos abiertos de la Prefeitura de la Ciudad de Río de Janeiro, disponible en www.data.rio. La Ordenanza n.º 53^[4], de 3 de diciembre de 2010, regula la cesión gratuita de datos geoespaciales a universidades, vinculada a proyectos de interés público, con o sin contrapartidas. Según la ordenanza, la cesión de uso de los productos que estén disponibles en los portales oficiales del Instituto Municipal de Urbanismo Pereira Passos (IPP) queda ya autorizada. Para otros productos, como la base vectorial de edificaciones y las nubes de puntos utilizadas en este trabajo, debe formalizarse un acuerdo de cesión entre las instituciones.

El catastro municipal de edificaciones actualizado sobre el conjunto de datos levantados en 2019 reúne poco más de 1,5 millones de edificaciones. Las características no geométricas (como el uso residencial unifamiliar o multifamiliar, comercial o mixto) quedan fuera del alcance de este estudio y, para garantizar el cumplimiento de la Ley General de Protección de Datos (LGPD) (Brasil, 2018), los registros anonimizados no pueden relacionarse con otras tablas. Dichos registros incluyen geometrías de diversas proyecciones planas para describir diferentes alturas de una misma edificación observada. A estas geometrías se les asignan altitudes de base y de cima, útiles para la extrusión de bloques en un modelo compatible con LoD 1. También existe un campo para la descripción de la tipología, con el fin de ordenar las proyecciones y distinguir edificios funcionales de construcciones en ejecución o ruinas. Por último, un identificador de edificaciones permite disolver las proyecciones en un único polígono de footprint. La Figura 4 muestra la densidad de edificaciones (representadas por sus footprints) en una cuadrícula con celdas rectangulares de hasta 550 metros, con aproximadamente 0,3 km².

Figura 4: Densidad de edificaciones del catastro municipal de 2019.

Fuente: Los autores (2025)

Cabe destacar que, debido a la informalidad, las edificaciones en favelas representan desafíos constantes para el mantenimiento del catastro. La alta densidad constructiva, la irregularidad de los terrenos ocupados y el crecimiento espontáneo de las unidades edificadas, frecuentemente superpuestas verticalmente o interconectadas, generan cuestiones sobre cómo individualizar las construcciones. Además, la ausencia de documentación oficial dificulta que los restitutores humanos que no están familiarizados con la comunidad a ser cartografiada puedan asignar identificadores para la individualización en los registros administrativos. Así, en los casos en que la disolución por identificador de edificación resulta inviable, se hace necesaria una heurística de separación espacial para aislar aquellas proyecciones que no compartan un área común superior a 1 m². La tolerancia de pequeñas áreas superpuestas es necesaria para evitar que pequeños errores de restitución de las entidades en el catastro produzcan footprints de grandes aglomeraciones de edificaciones.

4. Metodología empleada

Los modelos tridimensionales actualizados del entorno construido de los Países Bajos fueron desarrollados en el ámbito del grupo de investigación en geoinformación 3D, que forma parte de la Sección de Ciencia de Datos Urbanos de la Universidad Tecnológica de Delft (TU Delft). Estos modelos combinan datos de la base catastral oficial (BAG – Basisregistraties Adressen en Gebouwen) con nubes de puntos disponibles a escala nacional (AHN – Actueel Hoogtebestand Nederland) para la generación de vectores de edificaciones en LoD 1 y LoD 2. Dentro del ecosistema de aplicaciones desarrolladas con este fin, el principal programa utilizado para la construcción de los modelos se denomina roofer^[5]. Este fue empleado para integrar datos de elevación presentes en las distintas versiones del AHN (2, 3 y 4), dando lugar a diferentes modelos. Dichos modelos, integrados con los registros preexistentes de edificaciones procedentes del BAG, constituyen la base para la actualización catastral a escala nacional.

El proceso automatizado de roofer se basa en la detección de primitivas planares sobre la nube de puntos mediante un algoritmo de crecimiento de regiones, y en la derivación de primitivas lineales en los bordes externos (boundary lines) y en las intersecciones (intersection lines) utilizando el algoritmo de la forma alfa. Las primitivas lineales se agrupan por orientación y distancia y se regularizan para formar representaciones únicas de los contornos. Estos contornos se utilizan para particionar el polígono de footprint en 2D, y las particiones se optimizan mediante un algoritmo de corte de grafos. El objetivo de esta etapa es minimizar una función de energía para lograr un equilibrio entre la suavidad y la desviación de las caras planares resultantes respecto a la referencia de la nube de puntos. Finalmente, se propone una extrusión (Figura 5) para las caras planares resultantes y las edificaciones se almacenan en formato CityJSON, que es significativamente más compacto y se basa en el estándar CityGML.

Figura 5: Principales etapas de procesamiento de la reconstrucción implementada en roofer: 1) entrada de datos; 2) detección de primitivas planares; 3) detección de primitivas lineales; 4) partición proyectada en 2D; 5) partición optimizada; y 6) salida vectorial tras la extrusión.

Fuente: (Peters et al., 2022)

La inicialización del proceso automatizado requiere que las nubes de puntos cuenten, como mínimo, con una clasificación de los puntos observados que identifique áreas edificadas (building points) y suelo (terrain points). En este caso, se adoptó la clasificación previa del conjunto de datos municipal ofrecido en formato de archivos LAS (Graham, 2012). Los puntos de ambas clases dentro de una zona de amortiguamiento alrededor del footprint de cada edificación se consideran para estimar la elevación de la base para la extrusión. Las caras planares con menos de 16 puntos se descartan, lo que impone un área mínima de aproximadamente 2 m² para segmentos individualizables de edificaciones, considerando la resolución de los datos disponibles para la ciudad de Río de Janeiro. Este enfoque está fuertemente basado en datos; por lo tanto, la calidad de los resultados depende directamente de la calidad de los datos de entrada.

El esfuerzo computacional de este proceso crece de forma casi lineal a medida que aumenta la cantidad de edificaciones procesadas. Sus desarrolladores recomiendan dividir los conjuntos de datos en bloques de edificaciones espacialmente próximas, subdividiendo aquellos bloques que contengan más de 3.500 polígonos de footprints.

Para la ciudad de Río de Janeiro, la definición de los bloques de procesamiento tuvo en cuenta el centroide de cada polígono de footprint preprocesado (tras disolver las proyecciones de la base catastral) y el recorte definido por la nomenclatura de las hojas cartográficas del mapeo sistemático municipal a escala 1:1.000. Con el objetivo de procesar todo el conjunto de edificaciones disponible, excluyendo áreas sin construcciones, se identificaron aproximadamente 3.400 bloques de procesamiento, con un promedio de 468 edificaciones por bloque. El tiempo medio de procesamiento observado por bloque fue inferior a 30 segundos (≈ edificaciones por segundo). Sin embargo, las variaciones en la densidad edificatoria, evidenciadas en la Figura 4, dieron lugar a diferentes ventanas de procesamiento. Así, aunque el tiempo de espera típico por bloque no superó un minuto, en el 13% de los bloques, donde la densidad de edificaciones era muy elevada, el procesamiento se extendió más allá de un minuto.

El tiempo total de procesamiento bajo esta configuración fue cercano a 30 horas en un hardware de alto rendimiento con elevada disponibilidad de memoria principal. El equipo dedicado a este estudio contó con 128 GB de RAM y un procesador Intel i9-12900 con 8 núcleos E y 8 núcleos P, capaz de operar a frecuencias que varían entre 1,8 y 3,8 GHz y entre 2,4 y 5,1 GHz, respectivamente. Esta configuración permite el procesamiento de hasta 24 hilos en paralelo. Cada hilo actúa en la reconstrucción de una edificación a la vez.

La llamada para el procesamiento de cada bloque fue automatizada mediante una rutina propia desarrollada para el conjunto de datos del municipio. Dicha rutina se encargó de localizar los archivos de footprints preprocesados de los distintos bloques e invocar roofer a través de la línea de comandos del sistema operativo, proporcionando como argumentos el directorio donde se almacenaban las nubes de puntos y una ruta para la persistencia de los resultados. La misma rutina también registró los tiempos de ejecución por cada bloque de edificaciones procesado.

En su versión 1.0 (beta 5), del 27/08/2025, roofer se ejecuta en paralelo en procesadores modernos, pero no cuenta con recursos de aceleración mediante unidades de procesamiento gráfico (GPU). Una vez en ejecución, un controlador principal se encarga de orquestar las actividades de cada subproceso para la lectura y el recorte de datos de las nubes de puntos correspondientes a edificaciones individuales, que posteriormente avanzan hacia las etapas principales descritas en la Figura 5. El controlador también reúne las respuestas de los subprocesos para garantizar la persistencia de los datos como una secuencia de entradas destinadas a componer el archivo CityJSON final^[6]. Eventuales fallos en el procesamiento de una edificación individual pueden dar lugar a diferentes tratamientos, desde la ausencia del objeto en LoD 2 en el resultado final, cuando no se identifican planos, hasta la interrupción del procesamiento de un bloque completo, en caso de que no se cumplan las premisas básicas del tratamiento de los datos proporcionados.

Con el fin de evitar la pérdida de bloques procesados, se elaboró una rutina de verificación de la calidad individual de los polígonos de footprint suministrados. Esta rutina extrae previamente de los bloques aquellos registros que no cumplen con un conjunto de reglas de conformación y alimenta un registro de backlog, anotando las entidades del catastro que requieren revisión manual. En total, 1.250 edificaciones distribuidas en todo el municipio, equivalentes al 0,08% del total, se encuentran incluidas en dicho registro.

La visualización de los modelos resultantes puede realizarse mediante diferentes herramientas, como QGIS utilizando un complemento adecuado^[7], o visualizadores optimizados para su presentación en navegadores web^[8]. Las salidas del modelo conservan identificadores que pueden utilizarse para actualizar las bases de datos preexistentes. No obstante, la rutina de entrega de los resultados actualizados de la investigación aún requiere la interacción con los interlocutores de la Prefeitura de la Ciudad de Río de Janeiro. Se considera que el consumo de datos en LoD 2 está bien consolidado, pero se espera que el análisis de la calidad de los modelos generados de forma automática pueda mejorarse. De igual manera, se recomienda establecer un proceso formal de actualización que atienda a las especificidades municipales.

5. Discusión de resultados

En total, considerando la suma de las entidades proporcionadas al software en los bloques preprocesados, y descontando las entidades incluidas en el backlog, se procesaron 1.593.006 polígonos de footprint. El número de edificaciones reconstruidas con éxito asciende a 1.428.248 entidades (89,6 % del conjunto de datos de entrada). Las entidades resultantes son multiparte; es decir, cada entidad en el resultado final puede contener una o más partes asociadas a las distintas caras planares de las cubiertas. Las fachadas no fueron consideradas en el análisis de los resultados en LoD 2.

Tabla 1: Distribución de las edificaciones según el número de aguas

Fuente: Los autores (2025)

La Tabla 1 contabiliza los resultados totales y porcentuales según el número de aguas, es decir, las caras de las cubiertas, observadas en las edificaciones procesadas, y se asume la categoría “Indefinido” para aquellas edificaciones que no pudieron ser reconstruidas en LoD 2. En el caso de edificaciones con un número de aguas indefinido, aún es posible mantener las entidades preexistentes en LoD 1 en el catastro de la ciudad para viabilizar aplicaciones. Entre los motivos comunes de la indefinición se incluyen la presencia de footprints con caras individuales de áreas muy pequeñas, zonas en oclusión o fallos en la clasificación de la nube de puntos.

Tabla 2: Forma predominante para describir las cubiertas de las edificaciones

Fuente: Los autores (2025)

Las entidades resultantes se categorizan de acuerdo con la clase predominante de inclinación de las formas de las cubiertas segmentadas, conforme a la Tabla 2. Esta taxonomía distingue edificaciones con cubiertas horizontales simples, aquellas con múltiples niveles horizontales y aquellas en las que predominan caras inclinadas. La clase “Desconocido” agrupa edificaciones que no pudieron ser disponibilizadas en LoD 2 o que no pueden clasificarse adecuadamente. Las entidades en LoD 2 se centran en el detalle de las cubiertas y, típicamente, como en el caso de las rutinas implementadas por roofer, las fachadas resultan de una extrusión. Desde la vista superior, resulta complejo describir si existen retranqueos de fachadas o vacíos en las construcciones debido a la presencia de estructuras en voladizo. Por ello, lo convencional es el cierre de prismas mediante la adición de planos verticales desde los bordes de las cubiertas hasta un nivel medio del suelo, omitiendo información relativa a la existencia de aleros.

La forma de los tejados también puede describirse según la caracterización de las adyacencias de sus caras o aguas. Los tipos de tejados más simples, mostrados en la Figura 6 en perspectiva y proyectados en el plano, son los de una agua (flat o shed), de dos aguas (gable o decoupled) y de tres o más aguas (half-hip, hip, pyramid, mansard o complex).

Figura 6: Tipos de cubiertas de las edificaciones en perspectiva y proyecciones en el plano: 1) flat; 2) shed; 3) gable; 4) decoupled; 5) half-hip; 6) hip; 7) pyramid; 8) mansard; y 9) complex.

Fuente: Adaptado de (Mohajeri et al., 2018)

Del análisis exploratorio, como se ilustra en la Figura 7, es posible observar que el modelo identifica correctamente los tipos de tejados, principalmente en edificios de tipologías regulares. El enfoque utilizado favorece el tratamiento de tejados complejos, incluso cuando superficies curvas se aproximan mediante varios segmentos planos. No obstante, la cantidad de puntos necesaria para definir planos individuales hace que el área total de las caras individualizables de las edificaciones modeladas, en sus distintos niveles, sea directamente proporcional a la calidad de la representación que puede alcanzarse con el modelo LoD 2 resultante. Esto se justifica porque en superficies curvadas pequeñas se observan representaciones de baja fidelidad, mientras que las formas libres de grandes dimensiones parecen favorecer el éxito de la modelización.

Para la verificación de la calidad, se solicitó a un especialista humano la rotulación de entidades 2D en los mosaicos de 2019. La información sobre las nubes de puntos, su clasificación y los resultados del procesamiento se omitieron en esta etapa para evitar el sesgo de las muestras en la ground truth (verdad del terreno) resultante. Sin embargo, la corrección geométrica de los mosaicos está asociada a la nube de puntos LiDAR utilizada en el procesamiento de las entidades en LoD 2; por lo tanto, las coordenadas planimétricas de las entidades rotuladas en los mosaicos están co-registradas en un mismo referente. Así, utilizando los mosaicos como base de vectorización, la validación de los segmentos de tejado puede realizarse directamente en 2D. La Figura 8 muestra la superposición de los límites de las regiones rotuladas manualmente, en rosa discontinuo, y las regiones segmentadas por el proceso automatizado, en azul, sobre el mosaico de 2019.

Figura 7: Visualización del modelo para una manzana en las inmediaciones del barrio de Mangueira: 1) Fotografía de la región en 2025; 2) Mosaico ortorrectificado de 2019; 3) Nube de puntos LiDAR; 4) Visualización del modelo 3D de edificaciones en QGIS; 5) Vectorización en LoD 2; y 6) Footprints utilizados como entrada para la individualización de edificaciones.

Fuente: Los autores (2025)

Figura 8: Verificación de la superposición de segmentos de tejados sobre el mismo referente.

Fuente: Los autores (2025)

De esta forma, se restituyeron en total 225 edificaciones, 116 con tejados de hasta 5 aguas y 109 con tejados complejos, distribuidas en 5 regiones distintas del municipio. Las caras planas se contabilizaron como “Aciertos” cuando se observó correlación cruzada, es decir, cada vez que algún segmento del conjunto resultante pudo asociarse a un único segmento del conjunto de referencia. Las áreas verdes en la Figura 9 ejemplifican segmentos con correlación cruzada. Los “Errores” se contabilizaron para caras segmentadas incorrectamente en casos de subsegmentación o sobresegmentación. Las áreas en rojo en los ítems 1 y 2 de la Figura 9 ejemplifican estos casos. Las “Omisiones” resultan de la suma de caras sin correspondencia, en los casos en que porciones de las edificaciones dejaron de representarse en las regiones segmentadas automáticamente o durante la rotulación manual de las edificaciones del conjunto analizado (ejemplificado por las áreas en amarillo en la Figura 9).

Figura 9: Ejemplos de errores y omisiones observados durante la correlación de segmentos: 1) Errores por subsegmentación; 2) Error por sobresegmentación; y 3) Omisiones.

Fuente: Los autores (2025)

La Tabla 3 resume la evaluación cualitativa del proceso de individualización de los segmentos de cubiertas. En este estudio no se contabilizaron las desviaciones en los límites de los segmentos proyectados en el plano, pero el conjunto de datos resultante dispone de métricas de residuo (error cuadrático medio, o root mean square, RMS presentado en la Tabla 2) entre las caras de los tejados modeladas y las nubes de puntos utilizadas como entrada.

Tabla 3: Evaluación de la calidad de los segmentos planos de cubiertas aislados

Fuente: Los autores (2025)

La Figura 10 presenta una comparación entre la segmentación manual y la automatizada de los tejados. Los recortes del mosaico y la clasificación de la nube de puntos contribuyen a la elucidación de las diferencias observables entre los conjuntos de vectores. Se adoptó el color marrón para el suelo, el rojo para las edificaciones y el verde para la vegetación arbórea. Los puntos de esta última categoría no se utilizan durante el procesamiento, pero pueden ayudar en el análisis de los resultados. Para las edificaciones no rotuladas manualmente, se omitieron las entidades análogas obtenidas de forma automatizada. Por su parte, las entidades rotuladas que no pudieron ser producidas por el método automatizado se evidencian en la comparación.

Los errores de modelado observados con mayor frecuencia se derivan de puntos de las nubes que fueron clasificados incorrectamente, ya sea como cobertura arbórea o como alguna estructura presente sobre el tejado. La baja densidad de puntos o las oclusiones generan vacíos y pueden provocar desviaciones en los bordes de los planos reconstruidos. Esto refuerza la comprensión de que los esfuerzos para crear nuevos procesos multimodales pueden aprovechar mejor el conjunto de información disponible para el municipio de Río. Además, entradas auxiliares como la altitud estimada de la base pueden proporcionarse utilizando información de los catálogos preexistentes, evitando errores groseros cuando el área de amortiguamiento para la recolección de puntos de suelo es insuficiente en regiones con múltiples edificios aglomerados.

Figura 10: Comparación entre la segmentación manual y la automatizada de los tejados.

Fuente: Los autores (2025)

Por lo tanto, a pesar de demostrarse que existe potencial en los conjuntos de datos preexistentes, también se constata que existen vacíos que deben ser abordados en estudios posteriores. Trabajos futuros pueden considerar asimismo la revisión de la clasificación previa de la nube de puntos utilizando la información semántica de las imágenes como referencia. Otros esfuerzos contemplados en esta línea de investigación incluyen cuestiones como la actualización simultánea de la base planimétrica, o en una etapa de preprocesamiento, de modo que nubes de puntos más recientes puedan procesarse con menor costo. Finalmente, las lagunas observadas en el conjunto de resultados pueden tratarse mediante la modelización simultánea de las incertidumbres, de forma que puedan seleccionarse las entidades más relevantes para su revisión humana. 

6. Consideraciones finales

La propuesta de procesamiento del conjunto de datos del municipio de Río de Janeiro, utilizando datos del año 2019 para generar entidades en LoD 2, demostró ser factible. Las contribuciones de este trabajo incluyen la selección de datos a gran escala, su compatibilización para viabilizar el procesamiento y la evaluación de la calidad y de los factores limitantes, además de su carácter inédito, dado que el conjunto de algoritmos utilizado ha sido probado mayoritariamente en escenarios distintos de los observados en ciudades del Sur Global.

Tal como fue concebido, el flujo de actividades no contempla la actualización del área plana construida ni la detección de nuevas edificaciones. No obstante, nada impide su extensión mediante una etapa preliminar con estos fines. De igual forma, el catastro de la municipalidad de Río de Janeiro incluye datos altimétricos de base y de techo asociados a las huellas de las entidades espaciales de las edificaciones, que pueden considerarse como entradas en regiones con edificaciones aglomeradas.

Se entiende, por tanto, que el potencial para el aprovechamiento de datos de levantamientos preexistentes ha quedado demostrado. Sin embargo, se sugiere complementarlo con investigaciones sobre los métodos de clasificación de las nubes de puntos para el refinamiento de los datos de entrada, así como con posibles actualizaciones del enfoque de procesamiento hacia entradas multimodales.

Referencias

ANGRILL, Sara et al. Urban rainwater runoff quantity and quality – A potential endogenous resource in cities? Journal of Environmental Management, v. 189, p. 14–21, 2017. ISSN 0301-4797. DOI: 10.1016/j.jenvman.2016.12.027.

BILJECKI, Filip; LEDOUX, Hugo; STOTER, Jantien. An improved LOD specification for 3D building models. Computers, environment and urban systems, Elsevier, v. 59, p. 25–37, 2016. DOI: 10.1016/j.compenvurbsys.2016.04.005.

BILJECKI, Filip et al. Applications of 3D City Models: State of the Art Review. ISPRS International Journal of Geo-Information, v. 4, n. 4, p. 2842–2889, 2015. ISSN 2220-9964. DOI: 10.3390/ijgi4042842.

BRASIL. Decreto nº 11.888 de 22 de janeiro de 2024: Estratégia Nacional de Disseminação do Building Information Modelling no Brasil. Brasília, DF: Ministério do Desenvolvimento, Indústria, Comércio e Serviços, 2024.

BRASIL. Lei nº 13.709 de 14 de agosto de 2018: Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília, DF: Presidência da República, 2018.

BUCCOLIERI, Riccardo; HANG, Jian. Recent Advances in Urban Ventilation Assessment and Flow Modelling. Atmosphere, v. 10, n. 3, 2019. ISSN 2073-4433. DOI: 10.3390/atmos10030144.

FALCÃO, Jonatas Goulart M. et al. Unregulated Vertical Urban Growth Alters Microclimate: Coupling Building-Scale Digital Surface Models with High-Resolution Microclimate Simulations. Smart Cities, v. 8, n. 6, 2025. ISSN 2624-6511. DOI: 10.3390/smartcities8060191.

GRAHAM, Lewis. The LAS 1.4 Specification. Photogrammetric Engineering & Remote Sensing, v. 78, n. 2, 2012. ISSN 0099-1112.

GRÖGER, Gerhard; PLÜMER, Lutz. CityGML – Interoperable semantic 3D city models. ISPRS Journal of Photogrammetry and Remote Sensing, v. 71, p. 12–33, 2012. ISSN 0924-2716. DOI: 10.1016/j.isprsjprs.2012.04.004.

GUO, Haoran et al. A method for hierarchical weighted fitting of regular grid DSM with discrete points. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Copernicus Publications Göttingen, Germany, v. 10, p. 91–98, 2024. DOI: 10.5194/isprs-annals-X-1-2024-91-2024.

HAO, Lechuan; ZHANG, Ye; CAO, Zhimin. Building extraction from stereo aerial images based on multi-layer line grouping with height constraint. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). [S.l.: s.n.], 2016. P. 445–448. DOI: 10.1109/IGARSS.2016.7729110.

HIRSCHMÜLLER, Heiko. Semi-global matching-motivation, developments and applications. Photogrammetric Week 11, Wichmann, p. 173–184, 2011. Disponível em: <https://elib.dlr.de/73119/>.

ISMAEL, Rojgar Qarani; SADEQ, Haval. LoD2 Building Reconstruction from Stereo Satellite Imagery using Deep Learning and Model-Driven Approach. Zanco Journal of Pure and Applied Sciences, v. 37, n. 2, p. 103–118, 2025. Disponível em: <https://zancojournal.su.edu.krd/index.php/JPAS/article/view/3140>.

KRAPF, S. et al. RID—Roof Information Dataset for Computer Vision-Based Photovoltaic Potential Assessment. Remote Sensing, v. 14, n. 10, 2022a. ISSN 2072-4292. DOI: 10.3390/rs14102299.

KRAPF, S. et al. Deep Learning for Semantic 3D City Model Extension: Modeling Roof Superstructures Using Aerial Images for Solar Potential Analysis. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Copernicus GmbH, v. 10, 4/W2-2022, p. 161–168, out. 2022b. ISSN 2194-9042. DOI: 10.5194/isprs-annals-X-4-W2-2022-161-2022.

LUSSANGE, Johann et al. KIBS: 3D detection of planar roof sections from a single satellite image. ISPRS Journal of Photogrammetry and Remote Sensing, v. 220, p. 207–216, 2025. ISSN 0924-2716. DOI: 10.1016/j.isprsjprs.2024.11.014.

MOHAJERI, Nahid et al. A city-scale roof shape classification using machine learning for solar energy applications. Renewable Energy, v. 121, p. 81–93, 2018. ISSN 0960-1481. DOI: 10.1016/j.renene.2017.12.096.

MOHAMMADI, Hamid; SAMADZADEGAN, Farhad; REINARTZ, Peter. 2D/3D information fusion for building extraction from high-resolution satellite stereo images using kernel graph cuts. International Journal of Remote Sensing, Taylor & Francis, v. 40, n. 15, p. 5835–5860, 2019. DOI: 10.1080/01431161.2019.1584417.

PAIVA, Gabriel M.; BADOLATO, Irving S.; COELHO, Luiz Carlos T. Segmentação de Cobertura Arbórea em Área Urbana Sobre Ortoimagens RGB-NIR. [S.l.]: Zenodo, nov. 2024. DOI: 10.5281/zenodo.14003436.

PETERS, Ravi et al. Automated 3D reconstruction of LoD2 and LoD1 models for all 10 million buildings of the Netherlands. Photogrammetric Engineering & Remote Sensing, American Society for Photogrammetry e Remote Sensing, v. 88, n. 3, p. 165–170, 2022. DOI: 10.14358/PERS.21-00032R2.

ROBINSON, Darren; STONE, Andrew. Irradiation modelling made simple: the cumulative sky approach and its applications. In: PLEA conference. [S.l.: s.n.], 2004. P. 19–22.

SEILOV, Sh Zh et al. The concept of building a network of digital twins to increase the efficiency of complex telecommunication systems. Complexity, Wiley Online Library, v. 2021, n. 1, p. 9480235, 2021.

STOTER, Jantien et al. Automated reconstruction of 3D input data for noise simulation. Computers, Environment and Urban Systems, v. 80, p. 101424, 2020. ISSN 0198-9715. DOI: 10.1016/j.compenvurbsys.2019.101424.

SUN, Xiaokai et al. Semantic Segmentation and Roof Reconstruction of Urban Buildings Based on LiDAR Point Clouds. ISPRS International Journal of Geo-Information, v. 13, n. 1, 2024. ISSN 2220-9964. DOI: 10.3390/ijgi13010019.

TOPOCART AEROLEVANTAMENTOS. Relatório de execução de mapeamento aerofotogramétrico do município do Rio de Janeiro por mosaicos de ortoimagens digitais coloridas obtidas por plataforma aérea e ortorretificadas de acordo com elevações (“True Ortho”); modelo digital de elevações e modelo digital do terreno por perfilamento a LASER. Brasília, Brazil, 2019.

VERMA, V.; KUMAR, R.; HSU, S. 3D Building Detection and Modeling from Aerial LIDAR Data. In: 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’06). [S.l.: s.n.], 2006. v. 2, p. 2213–2220. DOI: 10.1109/CVPR.2006.12.

WANG, Chen; HOU, Jingming et al. Flood risk management in sponge cities: The role of integrated simulation and 3D visualization. International Journal of Disaster Risk Reduction, v. 39, p. 101139, 2019. ISSN 2212-4209. DOI: 10.1016/j.ijdrr.2019.101139.

WANG, Ruisheng. 3D building modeling using images and LiDAR: a review. International Journal of Image and Data Fusion, Taylor & Francis, v. 4, n. 4, p. 273–292, 2013. DOI: 10.1080/19479832.2013.811124.

WANG, Ruisheng; PEETHAMBARAN, Jiju; CHEN, Dong. LiDAR Point Clouds to 3-D Urban Models: A Review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v. 11, n. 2, p. 606–627, 2018. DOI: 10.1109/JSTARS.2017.2781132.

WYSOCKI, Olaf et al. Reviewing Open Data Semantic 3D City Models to Develop Novel 3D Reconstruction Methods. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. 48, p. 493–500, 2024. DOI: 10.5194/isprs-archives-XLVIII-4-2024-493-2024.

Sobre los Autores

Irving da Silva Badolato es Profesor Asistente de la Facultad de Ingeniería de la Universidad del Estado de Río de Janeiro (FEN/UERJ), adscrito al Departamento de Ingeniería Cartográfica (CARTO) desde 2016, miembro del Laboratorio de Fotogrametría y Teledetección (LFSR) y desarrollador de software libre para la educación en fotogrametría digital. Obtuvo el título de Ingeniero Electricista con énfasis en Sistemas y Computación en la misma institución en 2010 y el grado de Máster en Ciencias de la Computación e Ingeniería de Sistemas por la COPPE/UFRJ en 2014. Actualmente cursa el doctorado en el Programa de Posgrado en Ciencias Computacionales y Modelado Matemático del Instituto de Matemática y Estadística de la Universidad del Estado de Río de Janeiro (IME/UERJ).

Guilherme Lucio Abelha Mota se graduó en Ingeniería de Sistemas y Computación por la UERJ en 1997 y obtuvo el grado de Máster en 2000 y el doctorado en 2004 en Ingeniería Eléctrica por la PUC-Río. Durante el doctorado realizó una estancia de investigación con beca tipo Sandwich en la Universidad Leibniz de Hannover, Alemania. Trabaja desde 1996 en el área de la computación gráfica, principalmente en procesamiento, análisis y clasificación de imágenes y visión por computador. Se desempeña como profesor en la UERJ en el Departamento de Informática y Ciencia de la Computación y en el Programa de Posgrado en Ciencias Computacionales y Modelado Matemático, liderando investigaciones que involucran aprendizaje profundo aplicado a la visión por computador. Es miembro del IEEE GRSS, de la ISPRS, de la SELPER y de la ACEBRA.

Gilson Alexandre Ostwald Pedro da Costa es Doctor en Ingeniería Eléctrica por la PUC-Río (2009), con parte de su doctorado realizado en la Universidad Leibniz de Hannover, Alemania. Es graduado en Ingeniería de Computación (PUC-Río, 1991) y Máster en Ingeniería de Computación con énfasis en Geomática (UERJ, 2003), y realizó estancias posdoctorales en la PUC-Río (2010–2015) y en el Instituto de Fotogrametría y Geoinformación (IPI) de la Universidad Leibniz de Hannover (2019–2020). Es Profesor Asociado de la UERJ en el Departamento de Informática y Ciencia de la Computación y Coordinador del Programa de Posgrado en Ciencias Computacionales y Modelado Matemático del IME/UERJ. Cuenta con más de 100 publicaciones y trabaja en Análisis de Imágenes y Visión por Computador aplicados a la Teledetección, con énfasis en la detección de la deforestación. Es miembro de la ISPRS, IEEE GRSS Brasil y SELPER.

Contribuciones de los Autores

Conceptualización, [I.S.B., G.L.A.M., G.A.O.P.C.]; metodología, [I.S.B., G.L.A.M., G.A.O.P.C.]; software, [I.S.B.]; curaduría de datos, [I.S.B.]; redacción—preparación del borrador original, [I.S.B.]; redacción—revisión y edición, [G.L.A.M.; G.A.O.P.C.]; supervisión, [G.L.A.M.; G.A.O.P.C.]; adquisición de financiamiento, [G.L.A.M.; G.A.O.P.C.]. Todos los autores leyeron y aprobaron la versión publicada del manuscrito.

Financiación

Esta investigación fue financiada por la Fundación Carlos Chagas Filho de Apoyo a la Investigación del Estado de Río de Janeiro (FAPERJ), que otorgó recursos para la adecuación de la infraestructura de laboratorio y la adquisición de equipos de computación.

Disponibilidad de Datos

Los datos utilizados en esta investigación están disponibles a través del portal de datos abiertos de la Municipalidad de la Ciudad de Río de Janeiro, en los portales oficiales del Instituto Municipal de Urbanismo Pereira Passos y mediante cesiones institucionales en conformidad con la Ordenanza IPP n.º 53, de 3 de diciembre de 2010.

Agradecimientos

Los autores reconocen las contribuciones de la Arquitecta y Urbanista Michelle Costa da Silva por la consultoría en terminología de cubiertas y rotulación de datos; del Instituto Pereira Passos y de la Coordinación de Información de la Ciudad por la cesión de los datos y las aclaraciones sobre el modelo vigente; y del grupo de investigación en geoinformación 3D de la Universidad Tecnológica de Delft por el desarrollo y la compartición de los programas adoptados en los procesos descritos en este estudio.

Conflictos de Interés

Los autores declaran no tener conflictos de interés.

Sobre la Coleção Estudos Cariocas

La Coleção Estudos Cariocas (ISSN 1984-7203) es una publicación dedicada a estudios e investigaciones sobre el Municipio de Río de Janeiro, vinculada al Instituto Pereira Passos (IPP) de la Secretaría Municipal de la Casa Civil de la Alcaldía de Río de Janeiro.

Su objetivo es divulgar la producción técnico-científica sobre temas relacionados con la ciudad de Río de Janeiro, incluyendo sus conexiones metropolitanas y su inserción en contextos regionales, nacionales e internacionales. La publicación está abierta a todos los investigadores (sean empleados municipales o no), abarcando áreas diversas — siempre que aborden, parcial o totalmente, el enfoque espacial de la ciudad de Río de Janeiro.

Los artículos también deben alinearse con los objetivos del Instituto, a saber:

1. promover y coordinar la intervención pública en el espacio urbano del Municipio;
2. proveer e integrar las actividades del sistema de información geográfica, cartográfica, monográfica y de datos estadísticos de la Ciudad;
3. apoyar el establecimiento de las directrices básicas para el desarrollo socioeconómico del Municipio.

Se dará especial énfasis a la articulación de los artículos con la propuesta de desarrollo económico de la ciudad. De este modo, se espera que los artículos multidisciplinarios enviados a la revista respondan a las necesidades de desarrollo urbano de Río de Janeiro.