将点要素高效切片为带离散 LOD 的 3D Tiles-优快云博客

作者：Samuel Rundel，Raffaele De Amicis
单位：Oregon State University，School of Electrical Engineering and Computer Science
邮箱：{rundels, raffaele.deamicis}@oregonstate.edu

关键词：3D Tiles，点要素切片，离散 LOD（Level of Detail），地理空间可视化，Forest Information Model

—— 论文收录于 VISIGRAPP 2025（GRAPP, HUCAPP, IVAPP），CC BY-NC-ND 4.0 ——
DOI: 10.5220/0013161200003912

摘要（Abstract）

3D Tiles 用于在 Web 上高效可视化大规模地理空间数据，但从“点要素”（如森林清查中的单株树木点）直接生成 3D Tiles 的方法并不成熟。本文提出一种新方法：可从点要素直接生成高保真、超大规模的 3D Tilesets，并且具备明确的离散 LOD（Level of Detail）。方法对要素数量和类型不设限制，还支持“局部增量更新”，无需整套重建，从而提升可视化效率。我们与多种现有工具做了系统对比，验证了方法的有效性与优势。

1 引言（Introduction）

随着地理空间数据采集的爆发式增长，传统的数据存储、处理与可视化方法面临巨大压力。3D Tiles 作为一种开放标准，能够高效地管理和可视化大规模 3D 地理空间数据，并支持实时交互，满足用户对交互性的更高期待。

但如果要直接用 3D Tiles 来创建和流式传输“点要素”的 3D 可视化会遇到困难，因为 3D Tiles 的核心是“3D 几何”的处理。常见做法是：先把点要素生成一个“中间 3D 模型”，再对模型做切片，最后再用 3D Tiles 流式传输。这条路的问题在于：

手工建模耗时、易出错且成本高；
程序化建模虽能省时省钱、保证精度，但一旦源数据有变，就要重建中间模型和整个 Tileset，费时费力；
这种流程通常也不支持“离散 LOD”，而离散 LOD 对大数据量的性能和效果都很重要。

本文提出一套新流程，可直接从点要素生成高保真、超大规模 3D Tileset，具有良好定义的离散 LOD，不受要素数量或类型限制；当数据有更新时，只需局部重建受影响的区域，无需整套重来，显著提升效率。我们与多款切片器进行了对比，效果更优。

2 背景与相关工作（Background and Related Work）

3D Tiles 由 CesiumGS 提出，适合在 Web3D 场景中跨设备流式传输和渲染庞大的 3D 地理空间数据，如点云、3D 对象和网格等。它结合了高效切片与先进的渲染技术，文档完善、可扩展性强，并已被 OGC 采纳为开放标准。

常见的 3D Tiles 生成方式和局限：

Cesium ion：可把多种 3D 模型格式转为 B3DM 或 I3DM，但当要素数量接近 10^6 时，常无法完成切片（长时间无结果）。
Safe FME：能把 3D 模型转 B3DM，但只生成“单层级”的 Tileset。要么 JSON 超大，要么 B3DM 超大，客户端加载困难，影响可用性。
Obj2Tiles（OpenDroneMap 子项目）：依赖预先生成的 OBJ 中间文件，存储与资源开销大，过程耗费资源，生成的 Tileset 也未必实用。
Geodan 的 i3dm.export：可直接从 PostGIS 点要素生成 I3DM，支持可变切片大小。但它有多项限制：
- 原始数据库信息直接使用，容易出现重复图案，影响真实感；它仅支持绕 Z 轴随机旋转，难以充分打散模式；缩放需预计算并写入库，更换模型就要重算，灵活性差。
- 不支持“离散 LOD”，无法按距离切换不同细节的模型；要么远景快但近景差，要么近景好但远景慢。
- 每个瓦片的点数不固定，数据更新会改变瓦片尺寸和层级结构，导致每次更新都要重建全套 Tileset。对于森林等高频更新的数据（自然/人为变化、IoT 自动更新），这很不现实。

为解决上述问题，本文提出一套新流程，已在超过 283 万点要素的数据上验证了可扩展性与有效性，适合管理与可视化大型、动态的地理空间数据集。

3 切片流程（Tiling Procedure）

总体思想：把大数据集分割成小块，组织成树形层级；每个瓦片内用“实例化模型（I3DM）”并提供离散 LOD；严格控制每级的几何误差与边界体（Bounding Volume, BV），从而既能高质量可视化，又能大幅降低终端设备负担与加载时间。

流程分 6 步（文中图示略）：

数据获取（Data Retrieval）
空间切片（Tiling）
模型准备与填充（Model Preparation & Population）
高程采样（Elevation Retrieval）
Tileset 填充（Tileset Population）
3D Tiles 生成（3D Tiles Generation）

3.1 数据获取（Data Retrieval）

每个点要素包含坐标和属性（如：树种、岩石、草地等类型）。
数据源可为 CSV、Shapefile、PostGIS 等。
将坐标统一转换到 UTM，以便后续计算；属性单位统一为米。

3.2 空间切片（Tiling）

基于 UTM 坐标，用网格把空间分块。设瓦片边长为 $D$ ，点的坐标为 $f_x, f_y)$ ，则：
- $\left\lfloor \dfrac{f_x}{D} \right\rfloor$ ， $\left\lfloor \dfrac{f_y}{D} \right\rfloor$
由此即可确定每个点属于哪个瓦片。

3.3 模型准备与填充（Model Preparation & Population）

思路：在场景中，对“每种要素类型 × 每个 LOD”，只引用一个 glTF（二进制）模型文件。比如有 $M$ 种类型、最大 LOD 为 $LOD_{max}$ ，就用 $\times LOD_{max}$ 个 glTF 文件。

从 glTF 读取模型三向尺寸：宽 $M_W$ 、深 $M_D$ 、高 $M_H$ ，用于后续按要素属性进行非均匀缩放和 BV 计算（每个要素、每个 LOD 都单独算）。

3.3.1 缩放（Scaling）

森林清查（FID）通常没有 X/Y/Z 三向尺寸，但会有“树高 $T_H$ ”与“冠幅面积 $T_A$ ”。在假设“Y 轴朝上”的前提下，基于要素类型与 LOD，计算非均匀缩放 $S=(S_x,S_y,S_z)$ ：

$\dfrac{M_W}{M_D}$
$Sx=TAp⋅1MWS_x = \sqrt{\dfrac{T_A}{p}} \cdot \dfrac{1}{M_W}$
$Sy=THMHS_y = \dfrac{T_H}{M_H}$
$Sz=TAp⋅p⋅1MDS_z = \sqrt{\dfrac{T_A}{p \cdot p}} \cdot \dfrac{1}{M_D}$

说明：

非均匀缩放可让模型符合 FID 的尺寸，但若模型的“形状模板”和真实树形差异较大，会有些许形变；若采用能代表该树种“平均形态”的模型，并按成熟度/形态等元数据挑选多款模型，会更逼真。

3.3.2 随机化（Randomization）

为避免重复模式：

对每个要素（在所有 LOD 上一致）添加随机旋转：绕 Y 轴 0–360°，绕 X/Z 轴在 ±7° 以内抖动。

3.3.3 边界体（Bounding Volume, BV）

渲染时“加载哪些要素”高度依赖 BV。BV 越贴合，裁剪与加载决策越精确、越高效。
我们先为“每个实例（已缩放后的 3D 模型）”计算 BV，再聚合成“每个瓦片的 BV”。

3.4 高程采样（Elevation Retrieval）

即便 FID 自带高程，也可能与可视化用的 DEM 不一致，导致“漂浮”。
理想做法：对每个要素点，直接从可视化用的 DEM 插值得到高程，以保证贴地。

3.5 Tileset 填充（Tileset Population）

用树形结构组织瓦片：层级为 $L$ ，分支因子参数为 $T$ （每个父瓦片最多有 $T^2$ 个子瓦片）。
- $L > 0$ 层：至少 1 个子瓦片，最多 $T^2$ 个；
- $L = 0$ 层：必须包含至少 1 个点要素（无上限）。
把 $L = 0$ 的瓦片（底层）按 $T$ 合并成 $L = 1$ ，再逐层向上合并，直至顶层 $L_{max}$ 只剩 1 个瓦片。每一层的父瓦片 BV 由子瓦片 BV 聚合而来。
这样得到的树结构“可计算、可复现、可预测”，与要素总量无关，便于增量更新。

3.6 3D Tiles 生成（Tileset Generation）

从顶层（ $L_{max}$ ）开始写出 Tiles。
$L > 0$ 层只写 JSON（层级与引用）； $L = 0$ 层写 JSON + I3DM（实例化模型）。

3.6.1 I3DM

I3DM 是 3D Tiles 的一种内容类型，使用 ECEF（EPSG:4979）坐标；每个实例记录缩放、法线（Normal-Up / Normal-Right）等。
我们把“位置、缩放、旋转、高程”组合为变换矩阵，并据此计算模型法线与 ECEF 的关系。
I3DM 末尾引用 glTF 模型（采用引用而非内嵌），减小文件体积并利于缓存。

3.6.2 JSON Tileset

JSON 描述层级与内容引用（引用子 JSON 或 I3DM）。每个内容引用包含“Geometric Error（GE）”，用于控制内容在多远距离显示、何时用低/高 LOD 替换。
我们的设置： $L = 0$ 层的 GE 按 LOD 范围设定（文中给出公式“LODmax − LODmin”的思路）； $L > 0$ 层 GE 固定为 100。实际可按项目需要调整。
生成的 JSON 与 I3DM 按层级放入不同文件夹，形成结构清晰、底层网格单元大小一致、场景定位精确的 Tileset。

4 验证与测试（Validation and Testing）

4.1 案例：Elliott State Research Forest（ESRF）

数据：Oregon 州西南部山区 77.6 km²，单株树点 283.5 万个，密度不均（图略）。
树种分布：Douglas Fir（约 94.1%）、Western Hemlock（约 2.25%）、其他（约 3.65%）。
原始坐标参考系 EPSG:6318，无高程信息。数据由 ODF（2014/2015）采集，OSU（2022）更新。

4.2 性能度量与测试环境

重点考察“可视化阶段”的效率（对静态数据的多数场景更重要）：

文件体积：统计整个 Tileset 文件夹大小，并按要素数 $f_c$ 归一化（ $d_s/f_c$ ，单位 kB/点）。
静态性能：相机离地 2,500 m，记录从开始请求到“所有可见要素加载完成”的时间 $t$ （用 CesiumJS 的 allTilesLoaded 事件）。重复 4 次，取后 3 次几何平均。并用 $ \dfrac{f_v \cdot m}{t}$ 估算每秒加载三角形数（ $f_v$ 为可见要素数， $m$ 为单个 3D 模型三角形数）。
动态性能：设相机做 360 s 的环形飞行，包含不同密度与不同距离的场景，记录平均 FPS。

环境：i9-10900K / 64GB RAM / RTX 3090 / NVMe SSD，Apache 静态服务，Chrome 114，CesiumJS 1.96.0。
对比对象：Cesium ion、i3dm.export、本文方法。共 5 组基准测试（Benchmark）。

5 基准测试与结果（Performance Benchmarks）

提示：图表误差条表示 3 次重复中的最小与最大值。

5.1 Benchmark 1：要素数（fc）对文件体积与静态性能的影响

数据：4 km² 区域， $f_c$ 从 100 增至 $10^6$ （同一种类型、同一 glTF、其他方法仅 1 个 LOD；本文方法支持离散 LOD）。
备注：Cesium ion 在 $10^6$ 点无法完成切片，故使用 $8×1058\times 10^5$ 展示。

结果要点：

小规模时，本文方法的体积略大于 Cesium ion 与 i3dm.export；但规模增大后，本文方法的“单点体积”更小，接近或略优于 i3dm.export，优于 Cesium ion。
静态加载速度：小规模下 Cesium ion 与 i3dm.export 更快；规模很大时，本文方法反而更快。 $10^6$ 点时，Cesium ion 失败，i3dm.export 无法完整显示 Tileset。
原因分析：他法把数据分成更少的子块，单个 I3DM 覆盖范围与要素更多，GPU/CPU 装载次数更少，利于小规模性能；而本文方法允许“针对每个实例进行旋转/缩放等变换”，更灵活，但在小规模下有轻微开销。综合见 Benchmark 2/3。

5.2 Benchmark 2：瓦片边长 D 或“每瓦点数上限 fmax”对性能与体积的影响

数据：两组 $f_c$ （ $10^5$ 、 $10^6$ ），均有 2 个 LOD。
本文方法： $D$ 从 50 m 递增到 2000 m；
i3dm.export： $f_{max}$ 从 1000 递增到 $2.5 \times 10^6$ 。

结果要点：

随 $D$ / $f_{max}$ 增大，静态性能平均提升 600%+；对体积也有少量利好。
本文方法在所有设置上静态性能均高于 i3dm.export。
综合折中后，本文方法选 $D = 750$ m 作为后续默认；i3dm.export 在 $f_c>10^5$ 时选 $f_{max}=50,000$ （ $10^5$ 时选 $20, 000$ ）。i3dm.export 的层级限制导致 $fmax≤fc/4f_{max}\le f_c/4$ ，在低 $f_{max}$ 且高 $f_c$ 时不可视化。

5.3 Benchmark 3：分支参数 T 的影响（仅本文方法）

设置： $T$ 从 2 增至 22， $D = 100$ ， $f_c=10^5$ 。
结果： $T$ 对性能影响不如 $D$ 明显，波动较大；平均看 $T = 8$ （每父瓦片 64 个子瓦片）较优。

5.4 Benchmark 4：要素类型数量的影响

设置： $D = 750$ ， $T = 8$ ， $f_c=10^5$ ，类型数从 1 到 10（随机分配），仅 1 个 LOD。
结果：
- 体积：三者接近；i3dm.export 略小；Cesium ion 因模型优化流程不同，体积略有差异。
- 静态性能：Cesium ion 波动更大、总体偏低（可能因过度切块）；i3dm.export 与本文方法相近，类型数 <7 时 i3dm.export 略优，≥7 时本文方法略优。

5.5 Benchmark 5：动态性能（环飞 360 s）

设置：结合前述最优参数，用 ESRF 数据。类型 3 种、LOD 2 级。
i3dm.export 不支持 LOD，故生成两套 Tileset（低/高），分别对应 LOD1/LOD2。
Cesium ion 仍无法完整生成 ESRF 全量 Tileset，未纳入此测试。

结果要点：

本文方法平均 FPS（几何平均）为 48.70，显著高于 i3dm.export 的 33.83 和 18.29。
i3dm.export 在某些时间段 FPS 看起来更高，但实为“瓦片来不及加载导致空白画面”，因此“看似更快”。本文方法加载更快更稳定。
本文方法在 LOD 切换时 FPS 有轻微波动，但总体提升显著：相机远离的时段（如 90–110、115–125、140–160、230–260 s），会切到较低 LOD，从而 FPS 上升。

5.6 小结

小规模或要素分散时，三种生成器都能得到不错的可视化。但当要素密集成簇时，Cesium ion 与 i3dm.export 会出现性能短板。
本文方法在动态场景显著更稳、更快；即使仅用 LOD0 模型，性能也优于 i3dm.export。
存储占用与“每秒加载三角形数”上，本文方法与 i3dm.export 均表现优秀。
在生成速度方面：本文方法可在 5 分钟内处理 10^7 级别的点（未在文中详测），显著优于 Cesium ion（同时避免其繁琐且易错的准备流程），略慢于 i3dm.export（可能因我们大量采用数据库侧处理而非本地处理）。

6 结论（Conclusion）

本文提出了一种把点要素（多种输入格式）直接切片为 3D Tiles 的新流程（符合 OGC 规范）：

支持离散 LOD；
无需中间模型格式；
在高密度、类型多的场景下性能优秀；
局部数据变更可“局部重建”，无需整套重来，利于动态数据集。

因此，非常适合用来把“数百万级要素”的大规模数据，通过浏览器进行“既能鸟瞰、又能细看”的高质量可视化。

未来改进方向：

采用 3D Tiles 的 Composite（CMPT）瓦片，把不同类型的 I3DM 组合成单文件，进一步减少请求与体积；
自动检测数据变化并定向重建受影响区域（目前为手动流程）；
扩展更多输入格式（除 Shapefile、CSV 外），提升通用性与易用性。

致谢（Acknowledgement）

本文由 Oregon State University 使用美国商务部 Economic Development Administration 的联邦资金（award #07-79-07914）支持完成。文中观点仅代表作者，不代表该机构立场。

参考文献（References）

（为便于核对，文献题名基本保留原文）

Armstrong, M. P., Wang, S., Zhang, Z. (2019). The Internet of Things and fast data streams… Cartography and Geographic Information Science, 46(1):39–56.
Breunig, M., et al. (2020). Geospatial Data Management Research… ISPRS IJGI, 9(2):20.
Chen, Y., et al. (2018). From IFC to 3D Tiles… ISPRS IJGI, 7(10):393.
Department of Forestry (2023). Elliott State Research Forest: Forest Management Plan (Draft).
Gan, L., Li, J., Jing, N. (2017). Hybrid organization and visualization… ICIVC, IEEE.
Gune, A., et al. (2018). Graphically Hearing… IEEE CG&A, 38(4):18–26.
Kotsev, A., et al. (2020). From spatial data infrastructures to data Spaces… ISPRS IJGI, 9(3):19.
Lu, M., et al. (2021). Web-based real-time visualization of large-scale weather radar data using 3D tiles. Transactions in GIS, 25(1):25–43.
Prandi, F., et al. (2015). WebGL virtual globe for efficient forest production planning… Web3D ’15.
Rundel, S., De Amicis, R. (2023). Leveraging digital twin and game-engine… Frontiers in Virtual Reality, 4:13.
Singh, R., et al. (2022). Forest 4.0: Digitalization of forest using IoT. JKSUCIS, 34(8B):5587–5601.
Wang, X., Wang, J., Zhang, Y. (2023). Research on 3D Visualization… Buildings, 13(9):2317.
Zhan, W., Chen, Y., Chen, J. (2021). 3D Tiles-Based High-Efficiency Visualization… ISPRS IJGI, 10(7):476.