The fields of geodesy and building information modeling (BIM) meet each other in the intersection between the physical and the digital world. Within the construction industry, the role of geodesy has typically been to describe the position of assets and to transform the geometries of those assets between coordinate systems suitable for design and coordinate systems with a known relation to the Earth. This is not changed by the introduction of BIM but rather emphasized by it, as higher degrees of automation and prefabrication increases the need for strict and non-distorting transformations. The objectoriented aspects of BIM require that captured geodata can be semantically classified and that objects can be reconstructed and extracted from the geodata. In this landscape, geodesy is the bridge between model and reality, connecting the two worlds through both semantics and geometry. This thesis is a comprehensive summary of three papers within these two topics. The first paper describes the geometric transformations required throughout the life cycle of a built asset and assesses the georeferencing capabilities of the open BIM standard Industry Foundation Classes (IFC). The second and third paper propose and showcase a methodology where image-based deep learning is used to extract roadside objects from mobile mapping data. The findings of the first paper include suggestions for how IFC can be improved in order to facilitate better georeferencing, and the second and third paper show that the proposed methodology performs well in comparison to a manual classification.

De två områdena geodesi och byggnadsinformationsmodellering (BIM) möter varandra i skärningspunkten mellan den fysiska och den digitala världen. Inom byggindustrin har geodesins roll historiskt varit att positionsbestämma anläggningar samt att transformera deras geometrier mellan koordinatsystem lämpliga antingen för design eller för inmätning och utsättning. Detta har inte ändrats av att BIM börjat användas, utan det har snarare blivit ännu viktigare då högre nivåer av automatisering och prefabricering ställer högre krav på strikta och icke-deformerande transformationer. De objektorienterade aspekterna av BIM kräver att infångade geodata kan klassificeras semantiskt och att objekt kan återskapas och extraheras från dessa geodata. I detta landskap utgör geodesin en bro mellan modell och verklighet, och sammanlänkar dessa världar genom både semantik och geometri. Denna avhandling är en sammanfattning av tre artiklar inom dessa två områden. Den första artikeln beskriver de geometriska transformationer som krävs genom en anläggnings livscykel och utvärderar georefereringsförmågan hos den öppna BIM-standarden Industry Foundation Classes (IFC). Den andra och tredje artikeln föreslår och demonstrerar en metod där bildbaserad deep learning används för att extrahera vägnära objekt ur data insamlat genom mobile mapping. Slutsatserna från den första artikeln inkluderar förslag på hur IFC kan utvecklas för att möjliggöra bättre georeferering, och de två andra artiklarna visar att den föreslagna metoden presterar väl i jämförelse med en manuell klassificering.

The adoption of building information modeling (BIM) in the architecture, engineering, and construction (AEC) industry is changing the way informa-tion regarding the built environment is created, stored, and exchanged. In short, documents are replaced with databases, processes are automated, and timelines become more circular with an emphasis on managing the life cycles of all manufactured objects. This has both direct and indirect consequences for the fields of geodesy and geographic information. Although geodesy and surveying have played a vital role in the construction process for a long time, new data standards and higher degrees of prefabrication and automation in the actual construction means that the topic of georeferencing must be revisited. In addition, using object oriented data structures means that semantic information must be inferred from geodata such as point clouds and images in order to adequately document existing assets. This thesis addresses the handling of 3D spatial information by analyzing different georeferencing methods and metadata used to describe the quality and characteristics of geodata.The outcomes include a recommendation for how the open BIM standard Industry Foundation Classes (IFC) could be extended to support more robust georeferencing, a suggestion that all standards and exchange formats used forthe built environment should include metadata for tolerance and uncertainty, and a framework that can describe characteristics of 3D spatial data that are not covered by conventional geographic metadata. On the semantic side, this thesis proposes an image-based method for identifying roadside objects in mobile laser scanning (MLS) point clouds, and it also explores the possibilities to train neural networks for point cloud segmentation by creating training data from 3D mesh models used in infrastructure design. Overall, the thesis describes the connection between model and reality, the importance of geodesy and geodetic surveying in this context, and makes contributions to both the geometric and semantic aspects of modeling the built environment.

Införandet av building information modeling (BIM) påverkar informationshanteringen för alla skeden inom den byggda miljöns livscykel; från projektering och konstruktion till underhåll och slutligen avveckling. I korthet är syftet med BIM att ersätta dokumentbaserad kommunikation med modeller, databaser och automatiserade processer. Detta har både direkta och indirekta konsekvenser för områdena geodesi och geoinformatik. Geodesi har länge haft en viktig roll inom byggprocessen, och detta är inget som ändras av BIM-införandet. Nya standarder och mer automatiserade arbetssätt ger dock frågor kring georeferering och geodetiska metadata förnyad relevans. Utöver det så kräver ett objektorienterat arbetssätt att semantik kan utläsas ur insamlade geodata för att möjliggöra modellering av existerande byggnadsverk och anläggningar. I den här avhandlingen analyseras olika georefereringsmetoder samt de metadata som vanligtvis används för att beskriva geodatakvalitet. Resultaten visar att den öppna BIM-standarden Industry Foundation Classes (IFC) kan utökas för att möjliggöra mer robust georeferering. Flertalet standarder som hanterar spatiala data för den byggda miljön saknar också möjlighet att uttrycka kvalitetsmåtten tolerans och osäkerhet. Avhandlingen presenterar även ett ramverk som kan beskriva geometriska egenskaper hos 3D spatiala data som inte täcks av traditionella metadata. På den semantiska sidan presenterar avhandlingen en bildbaserad metod för objektigenkänningi punktmoln framställda genom mobil laserskanning (MLS). Den utforskar även möjligheterna att träna neurala nätverk för punktmolnssegmentering genom att skapa träningsdata från 3D-modeller som används vid projektering. Sammanfattningsvis beskriver avhandlingen hur geodesi och mätningsteknik utgör kopplingen mellan modell och verklighet. Denna koppling innehållerbåde geometri och semantik, och avhandlingen bidrar till den tekniska utvecklingen inom bägge områden.