본 논문은 실세계의 공간 객체에 대한 위치 좌표 및 반사 특성을 신속 하고 정확하게 취득하는 항공 LiDAR (Light Detection and Range) 데이터 를 활용하여 3차원 건물 모델 데이터를 생성하는 과정을 제시한다. 이를 크게 3D 딥러닝 모델, 기계학습 모델, 건물 모델링 알고리즘 단계로 나누 어 구성하였으며, 각 단계를 조합하여 유기적으로 연결함으로써 적절하게 3차원 건물 모델 데이터를 생성하였다. 이후, 사용자에게 항공 LiDAR 데이 터와 건물 모델 데이터의 효과적인 시각화와 의사결정을 지원하기 위해 Potree 및 Cesium 자바스크립트 라이브러리를 활용하여 웹 기반의 공간정 보 시각화 시스템을 구축하였다. 항공 LiDAR 데이터는 위치 좌표 정보뿐만 아니라 다중반사(Multiple Returns) 정보를 함께 취득할 수 있다. 특히, 총 반사 횟수(Number of Returns)가 2인 경우 건물의 외곽선과 같은 형태를 인식하는 데 중요한 데 이터가 추출된다. 이처럼 고유한 특성을 기반으로 PointNet++ 딥러닝 모델 을 활용하기 위한 학습 데이터를 구축하여, 원본 데이터인 좌표값만을 사 용할 때보다 건물 객체의 의미론적 분할(Semantic Segmentation) 결과의 정 확도가 향상하였다. 의미론적 분할된 건물 객체는 각각의 건물이 구분되지 않은 하나의 포 인트 클라우드 데이터로 구성되어 있으므로, 이를 건물 모델링 알고리즘에 활용하기 위해서는 개별 건물로 분리해야 한다. 이를 위해 DBSCAN (Density-Based Spatial Clustering of Application with Noise) 기계학습 모델 을 군집화에 활용하였다. DBSCAN은 군집화 과정에서 분리될 개수를 지정 할 필요가 없는 비지도 기계학습 알고리즘이며, 노이즈 포인트를 효과적으 로 제거하는 장점이 있다. 그러므로 의미론적으로 분할된 건물 객체에 적 용하기에 적절한 군집화 알고리즘임을 확인하였다. 개별적으로 분리된 건물 포인트 클라우드 객체의 3차원 건물 모델링을 위해 City3D 알고리즘을 사용하였다. 항공 LiDAR 데이터의 특성상 건물 벽 면에 폐색 영역이 발생하므로 City3D는 이를 해결하기 위해 수직 벽면과 지붕 평면을 구성하는 지붕 경계를 추정하여 최적의 건물 모델링을 수행한 다. City3D는 독립적인 건물 객체에 대한 건물 모델 데이터 생성에 적합하 여, 실세계의 건물 객체의 변화가 발생할 때도 신속하고 정확한 유지보수 를 가능하게 한다. 본 논문에서 제안한 방법은 딥러닝 기술과 기존의 3D 모델링 방법을 조합하여, 복잡하고 변화가 많은 도시 지역의 건물 모델 데이터를 빠르고 정확하게 생성할 수 있다. 또한, 생성된 데이터를 효과적으로 시각화하기 위한 웹 서버를 제안하였으며, 궁극적으로 스마트 시티에서 인간, 인프라, 기술 등이 상호 작용할 수 있는 환경을 제공한다. 따라서, 대규모의 복잡한 공간정보 시스템을 구축할 수 있는 디지털 트윈을 실현하기 위한 기술이 다. 결과적으로, 스마트 시티에서 디지털 트윈은 도시에서 발생할 수 있는 다양한 문제 해결을 위해 중요한 역할을 할 것이다. 따라서 본 논문에서 활용된 항공 LiDAR 시스템은 도시의 건물 모델 데이터를 신속하고 정확하 게 생성하는 실용적인 데이터 획득 수단이며, 디지털 트윈과 관련된 연구 는 계속 진행되어야 한다. 주요어 : LiDAR, 디지털 트윈, 3D 딥러닝, 건물 모델링, 웹 시스템