Spatial ID Dataset for the 23 Wards of Tokyo (ZL25, bldg layer)

该数据集提供了从2023-2024年东京23个特别区的CityGML数据集中派生的空间标识符（Spatial IDs）。这些空间标识符与日本数字厅3D城市模型标准化计划下的参考实现[PLATEAU Spatial ID Generator](https://github.com/Project-PLATEAU/PLATEAU-generator-for-spatialid)的格式和方法兼容。每个标识符对应于原始CityGML数据集的`bldg`层中的单个CityGML对象。输出由CSV文件组成，结构支持下游索引、空间查询和基于体素的分析。标识符在**缩放级别25**生成，对应于大约**1m × 1m × 1m**的体素分辨率。

This dataset provides spatial identifiers (Spatial IDs) derived from the CityGML datasets of the 23 special wards of Tokyo spanning 2023–2024. These spatial identifiers are compatible with the format and methodology of the reference implementation [PLATEAU Spatial ID Generator](https://github.com/Project-PLATEAU/PLATEAU-generator-for-spatialid) under the 3D City Model Standardization Program of the Digital Agency of Japan. Each identifier corresponds to a single CityGML object within the `bldg` layer of the original CityGML datasets. The output consists of CSV files, whose structure supports downstream indexing, spatial querying, and voxel-based analysis. The identifiers are generated at **zoom level 25**, corresponding to a voxel resolution of approximately **1m × 1m × 1m**.

原始信息汇总

东京23区空间ID数据集（ZL25，建筑层）

数据集概述

• 数据来源：2023-2024年东京23特别区的CityGML数据集
• 数据内容：空间标识符（Spatial IDs），与日本数字厅3D城市模型标准化计划中的PLATEAU空间ID生成器兼容
• 数据层级：仅包含CityGML数据集中的bldg层
• 空间分辨率：缩放级别25，对应约1m × 1m × 1m的体素分辨率

数据集访问方式

1. 按区压缩存档（ZIP）

• 每个ZIP存档包含单个区的空间ID CSV文件
• 下载链接示例：
  • https://s3.tlab.cloud/spatialid/tokyo23ku/dl/13101_chiyoda-ku_pref_2023_citygml_2_op.zip
  • https://s3.tlab.cloud/spatialid/tokyo23ku/dl/13102_chuo-ku_pref_2023_citygml_2_op.zip

2. 单个CSV文件访问（未压缩）

• 所有空间ID CSV文件可通过HTTPS直接访问
• 基础路径：https://s3.tlab.cloud/spatialid/
• 文件命名规则：原始文件名后添加_zl25.csv后缀

文件结构对比

• 原始CityGML文件路径：[ward-name]/udx/bldg/[filename].gml
• 空间ID文件路径：[ward-name]/udx/bldg/spatialid/[filename]_zl25.csv

处理范围与方法

• 处理层：仅bldg层
• 排除层：brid, dem, fld, frn, htd, lsld, luse, tran, ubld, urf, veg
• 输出结构与PLATEAU空间ID生成器一致
• 每个输出文件提供原始gml_id与计算空间标识符的映射

技术规格

参数	值
输入格式	CityGML v2.3
输出格式	CSV
缩放级别	25
网格类型	ZFXY
空间分辨率	~1m³体素
处理几何	仅bldg层

范围与排除项

• 不包含原始CityGML文件
• 仅处理bldg层，不包括其他主题层
• 空间ID以单独CSV文件输出，未嵌入CityGML文件中

引用与使用

bibtex @misc{orsholits2025spatialid, author = {Alex Orsholits and Tsukada Laboratory}, title = {Spatial ID Dataset for the 23 Special Wards of Tokyo (ZL25)}, year = {2025}, url = {https://github.com/tlab-wide/SpatialID/}, note = {Generated July 2025. Derived from publicly available CityGML data from the Project PLATEAU dataset.} }

搜集汇总

数据集介绍

构建方式

该数据集基于2023至2024年东京23个特别区的CityGML数据构建，采用日本数字厅3D城市模型标准化项目中的PLATEAU空间ID生成器标准。通过内部处理流程，将CityGML中的建筑层（bldg）对象转换为空间标识符（Spatial IDs），每个标识符对应一个CityGML对象，并以CSV格式输出。处理过程中仅包含建筑层，其他主题层如桥梁、地形等均被排除。空间标识符生成时采用了ZFXY网格类型，缩放级别为25，对应约1立方米的分辨率。

使用方法

用户可通过两种方式获取数据：一是下载按区划分的压缩包（ZIP），每个压缩包包含对应区的CSV文件；二是直接访问未压缩的CSV文件，文件路径与原始CityGML文件结构对应，便于集成到现有工作流中。数据集适用于城市规划、三维建模、空间分析等领域，使用时需遵循引用规范，注明数据来源及生成方法。

背景与挑战

背景概述

东京23区空间标识数据集（ZL25，建筑层）源于2023-2024年CityGML数据，由Tsukada实验室与Alex Orsholits共同构建，旨在推动三维城市模型的标准化进程。该数据集遵循日本数字厅主导的PLATEAU项目框架，采用空间标识（Spatial ID）技术，将建筑对象编码为1立方米精度的体素单元，为城市数字化治理、智慧建筑分析及空间索引提供了基础支撑。其核心价值在于实现了复杂城市形态的机器可读化转换，标志着地理信息科学从传统二维向三维语义化建模的范式跃迁。

当前挑战

该数据集面临双重技术挑战：在领域层面，高密度城市区域的建筑几何异构性导致体素化过程中细节丢失与拓扑错误，需平衡计算效率与模型保真度；在构建层面，原始CityGML数据的多源异构特性（如LOD层级不一致、属性缺失）迫使研究团队开发专用预处理管道，而超大规模数据（覆盖634平方公里建成区）的分布式处理则对存储架构与计算资源分配提出严峻考验。

常用场景

经典使用场景

在三维城市建模与空间分析领域，东京23区空间标识数据集为研究者提供了高精度的建筑层级空间索引。该数据集以1立方米体素分辨率构建，支持复杂空间查询和体素化分析，成为城市微气候模拟、建筑能耗评估等精细化研究的基准数据源。其与CityGML标准的无缝对接特性，使得跨平台三维城市模型的可视化与交互分析成为可能。

解决学术问题

该数据集有效解决了城市信息模型（CIM）领域三大核心问题：其一通过统一空间标识体系消弭了异构三维模型的数据孤岛现象；其二以标准化CSV输出格式简化了海量建筑数据的空间索引构建流程；其三通过日本数字厅PLATEAU项目兼容设计，为跨国城市研究提供了坐标参考框架转换的实践范例。这种结构化空间编码方法显著提升了城市尺度下建筑要素的检索效率与精度。

实际应用

在城市规划实践中，该数据集支撑了东京都市圈多维度空间分析应用。智慧城市运营商利用其构建建筑信息检索系统，应急管理部门基于空间标识实现灾害模拟与疏散路径规划，商业机构则通过体素化分析优化零售网点布局。特别在2025年东京湾区改造项目中，该数据集成为跨部门协同工作的空间基准框架，验证了标准化空间标识在大型基建项目中的工程价值。

数据集最近研究

最新研究方向

随着智慧城市建设的深入推进，高精度三维城市模型数据的应用价值日益凸显。东京23区建筑层空间标识数据集作为日本数字厅3D城市模型标准化计划的重要成果，为城市计算研究提供了1m³精度的空间基准框架。该数据集基于CityGML 2.3标准构建，采用PLATEAU空间标识生成器的技术规范，其最新研究主要聚焦于三维空间索引优化、建筑能耗模拟与微气候分析等方向。在数字孪生城市建设的背景下，该数据集支持研究者开展基于体素的空间查询、建筑群形态特征挖掘等前沿工作，为东京都市圈的城市更新、灾害模拟等应用场景提供了标准化数据支撑。