CityGML: conocimiento semántico de la ciudad

La ciudad como conocimiento: objetos, relaciones y significado en CityGML

Imaginemos que recorremos una ciudad. Observamos edificios, calles, puentes, túneles, cursos de agua, vegetación y formas del relieve. CityGML, desarrollado por el Open Geospatial Consortium (OGC), permite representar estos elementos mediante un modelo semántico tridimensional: los objetos no son solamente geometrías, sino entidades reconocibles con propiedades, clasificaciones y relaciones.

Al recorrer sus barrios encontramos edificios (bldg:Building) residenciales, comerciales, industriales e institucionales. Podemos describir sus características, como altura, función y geometría, y representar distintos niveles de detalle según las necesidades de cada aplicación. Así, la ciudad deja de ser una colección de volúmenes y se convierte en una estructura donde distinguimos qué representa cada objeto.

Continuamos por sus calles y avenidas, atravesamos intersecciones y puentes, recorremos ciclovías y reconocemos infraestructuras ferroviarias. El módulo de transporte (tran:TransportationObject) permite describir objetos de movilidad y sus superficies, combinando características geométricas con clasificaciones funcionales. Los puentes también pueden modelarse mediante el módulo específico Bridge de CityGML.

Encontramos bancos, luminarias, semáforos, señalizaciones y paradas de transporte. Estos elementos del mobiliario urbano (frn:CityFurniture) participan en el funcionamiento cotidiano de la ciudad. Su representación semántica permite diferenciarlos de los edificios y las infraestructuras, y asociarles atributos y ubicaciones.

Nos acercamos a parques y jardines, donde identificamos árboles, arbustos y superficies vegetadas. El módulo de vegetación (veg:VegetationObject) permite representar tanto objetos vegetales individuales como áreas de cobertura vegetal. Esta información contribuye al estudio del arbolado, las áreas verdes y sus relaciones con el entorno construido.

Llegamos al río que atraviesa la ciudad y reconocemos canales, lagos y otros cuerpos de agua (wtr:WaterBody). Sus geometrías y atributos permiten estudiar las relaciones espaciales entre el sistema hídrico, los edificios, las vías de transporte y el territorio.

Al observar el horizonte reconocemos montañas y laderas. CityGML incorpora el relieve (dem:ReliefFeature), que permite representar superficies del terreno mediante modelos como redes irregulares de triángulos (TIN). Así, los objetos urbanos se interpretan en relación con la configuración física del territorio.

También identificamos áreas caracterizadas por sus usos del suelo (luse:LandUse), como zonas residenciales, comerciales, industriales o recreativas. A diferencia de un edificio individual, estos objetos describen porciones del territorio y su clasificación funcional.

El recorrido continúa bajo la superficie, donde encontramos túneles viales, ferroviarios y galerías de servicio (tun:Tunnel). Aunque muchos de sus componentes no sean visibles desde la calle, forman parte de la organización tridimensional de la ciudad.

Finalmente, reconocemos agrupaciones de objetos urbanos (grp:CityObjectGroup), como conjuntos de edificios o complejos urbanos. Estas agrupaciones permiten organizar entidades relacionadas conservando la identidad individual de sus componentes.

De este modo, CityGML articula distintos dominios mediante un modelo conceptual compartido: Building describe edificios; Transportation, movilidad; CityFurniture, mobiliario urbano; Vegetation, vegetación; WaterBody, agua; Relief, terreno; LandUse, usos del suelo; Tunnel, túneles; y CityObjectGroup, agrupaciones de objetos. Estas denominaciones son conceptos del modelo CityGML, no afirmaciones de que ya exista un grafo RDF cargado en GeoAI.earth.

Esta representación ofrece una base para construir conocimiento urbano interoperable, formular preguntas sobre la ciudad e integrar información procedente de diferentes organismos. En GeoAI.earth podemos proyectar su vinculación con ontologías, datos geográficos y servicios interoperables. Sobre una implementación que disponga de esos datos y servicios, futuros agentes conectados mediante MCP podrían consultar conocimiento urbano en lenguaje natural.