An OGC API–Based Framework for Scalable and Interoperable Urban Digital Twin Ecosystems: Insights from the OGC Urban Digital Twins Interoperability Pilot
Notice bibliographique
Résumé
Abstract. Urban Digital Twins are powerful tools designed to replicate and analyze the dynamics of urban environments, supporting more informed planning, management, and decision-making. However, their development is often challenged by issues in data interoperability, system integration, and scalability. This paper explores the pivotal role and technical implementation of new-generation Open Geospatial Consortium (OGC) APIs—Features, 3D GeoVolumes, Tiles, and SensorThings—in fostering seamless, lightweight, and scalable data exchange to overcome these barriers. These modern, RESTful APIs surpass older standards like WFS and WMS by simplifying integration and enhancing compatibility with diverse data sources, such as 3D city models in CityGML, IoT sensor data, and geo-referenced imagery. Through the OGC Urban Digital Twin Interoperability Pilot (UDTIP), the paper illustrates the practical application of these APIs in two use cases: urban traffic noise modeling and Geo-AI analysis. By integrating 3D city models, traffic profiles, sensor data, and imagery, UDTIP enables noise simulation and advanced tasks like object detection and road surface classification. Its modular architecture supports efficient data exchange across vector, raster, sensor, and training datasets, leading to impactful geovisualizations powered by CesiumJS, which renders noise patterns and urban features as 3D Tiles and point clouds. By harnessing OGC standards in the UDTIP, our OGC API powered data integration and visualization framework establishes a robust, interoperable framework for scalable UDTs, delivering actionable insights for urban planning and management while promoting standardized, future-ready digital twin solutions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».