想象你走进一座城市博物馆，正中央摆着一张巨大的沙盘。但它不是普通的沙盘：上面的小汽车会跟着真实路况移动，小楼会显示当前能耗，地下管道会亮起水压告警灯。更神奇的是，管理员还能把时间“快进”三天，提前看看新建一座桥后早高峰会不会更堵。这张会呼吸、会思考的沙盘，就是城市级数字孪生。它并不是一个炫酷的3D模型，而是把整座城市——交通、能源、建筑、管网——变成一台可以反复实验的“计算器”，让城市管理者在虚拟世界里先试错，再回现实世界动手。这篇文章将从八个角度，带你从零认识这尊“会思考的沙盘”。

岗位关联

学习城市级数字孪生，你将从“只会看数据报表”升级为“能构建城市级系统模拟与决策方案”的复合型人才，这是智慧城市、数字工厂等数字化转型项目中极具含金量的能力。

目录
  1. 可视化演示
  2. 孪生概念
  3. 数据脉搏
  4. 三维骨架
  5. 实时同步
  6. 仿真推演
  7. 应急响应
  8. 持续校准
  9. 可视化落地
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

城市级数字孪生把整座城市的交通、能源、建筑与管网系统映射为可计算的虚拟模型，借助实时数据同步与仿真推演支撑规划... 切换模式查看不同维度。

本节配有交互动效（进入视口后自动加载，约 3KB）。

城市数字孪生：核心原理 动态展示关键流程与数据流动 交互控件调节参数实时渲染 f(x) = transform(x) 核心概念的可视化呈现

孪生概念

博物馆里的老周是沙盘管理员。他每天最头疼的事，就是城市一改造，木头沙盘就要重新雕刻，费时又费钱。他常常幻想：如果有一张沙盘能自己跟着城市变，还能在虚拟世界里提前“过一遍”新方案，该多好。这个幻想，恰恰就是城市级数字孪生的起点。

城市级数字孪生不是一张静态的地图，而是把整座城市的交通、能源、建筑与管网系统装进计算机，形成一套“可计算的数字分身”。它用传感器采集真实数据，用三维模型搭起骨架，再用算法让虚拟分身跟随真实城市不停呼吸。这样一来，城市管理者能在虚拟世界里先做实验，再回现实世界动手。

为了理解这种映射，我们可以把某一时刻的城市状态写成一个列向量。城市里的每个系统都成了向量里的一个“座位”：

老周的梦想终于有了落地的线索：这座“会思考的沙盘”，本质上就是一个不断更新状态向量的数字底座。有了底座，后面的故事才能展开。

x(t)=[x交通(t),  x能源(t),  x建筑(t),  x管网(t)]T\displaystyle \mathbf{x}(t) = \bigl[x_{\text{交通}}(t),\; x_{\text{能源}}(t),\; x_{\text{建筑}}(t),\; x_{\text{管网}}(t)\bigr]^{\mathsf{T}}
这个公式告诉你：所谓数字孪生，就是把“城市此刻是什么样”浓缩成一组可计算、可更新的数字指标。
  1. 状态向量$\mathbf{x}(t)$ 表示城市在时刻 $t$ 的整体状态，可以理解成沙盘上一组会变色的灯泡。
    x(t)\displaystyle \mathbf{x}(t)
  2. 四个座位$x_{\text{交通}}(t), x_{\text{能源}}(t), x_{\text{建筑}}(t), x_{\text{管网}}(t)$ 分别代表交通、能源、建筑、管网四个子系统的实时状态。
    x交通(t),  x能源(t),  x建筑(t),  x管网(t)\displaystyle x_{\text{交通}}(t),\; x_{\text{能源}}(t),\; x_{\text{建筑}}(t),\; x_{\text{管网}}(t)
  3. 转置标记右上角的 $\mathsf{T}$ 表示把行向量转成列向量，这是线性代数的约定写法，方便后续做矩阵运算。
    [⋯ ]T\displaystyle [\cdots]^{\mathsf{T}}
  4. 整体含义整个公式把“城市全貌”压缩成一个可计算的向量，后续的数据融合、仿真推演都可以在这个向量上展开。
    x(t)=[⋯ ]T\displaystyle \mathbf{x}(t) = [\cdots]^{\mathsf{T}}

数据脉搏

要让沙盘“活”过来，先得让沙盘感受到城市的“脉搏”。老周在沙盘上安装了无数小传感器：摄像头数车流，智能电表读能耗，水压计测管道，GPS追公交。这些不同来源的数据，就像人身上的血压、心率和体温，每一种都在讲述城市的一部分真相。

但这些数据形态不一、质量参差，直接用会互相“打架”。所以数字孪生要做多源数据融合，相当于把不同科室的体检结果汇总成一张统一报告。最基础的做法是加权融合：每个数据源有一个可信度权重，最后按权重得出一个综合估计。

沙盘上的小灯不再忽明忽暗地乱闪，而是汇成一条稳定跳动的脉搏曲线。多源数据融合，就是城市数字孪生获取营养的第一根血管。

x^=∑i=1nwixi,∑i=1nwi=1\displaystyle \hat{x} = \sum_{i=1}^{n} w_i x_i, \qquad \sum_{i=1}^{n} w_i = 1
这个公式像厨师调制混合果汁：每种水果汁单独味道有偏差，按比例调配后，才能得到稳定又均衡的口感。
  1. 综合估计$\hat{x}$ 是融合后的数值，它比任何单一传感器读数都平稳、可信。
    x^\displaystyle \hat{x}
  2. 加权求和$\sum_{i=1}^{n} w_i x_i$ 表示把 $n$ 个数据源的读数 $x_i$ 分别乘以权重 $w_i$ 再累加。
    ∑i=1nwixi\displaystyle \sum_{i=1}^{n} w_i x_i
  3. 权重约束$\sum_{i=1}^{n} w_i = 1$ 保证权重之和为 1，避免融合结果整体被放大或缩小。
    ∑i=1nwi=1\displaystyle \sum_{i=1}^{n} w_i = 1

三维骨架

有了数据脉搏，还得给沙盘搭出“骨头”。老周用激光扫描车扫遍街道建筑，用探地雷达还原地下管网，再用航拍影像铺出地形场景。这些工作合起来就是高精度三维建模——目的不是做一张好看的图，而是让每个数据都能找到它在沙盘上的准确位置。

建筑、管网、地形最初都各自带有局部坐标，就像散落积木都有自己的朝向。要把它们组装进同一座沙盘，必须经过坐标变换：把局部坐标旋转平移到统一的“世界坐标”。

老周看着沙盘上严丝合缝的建筑和管网，心里踏实了：骨架搭准了，后面的同步和推演才有地方落脚。

pworld=R⋅p模型+T\displaystyle p_{\text{world}} = R \cdot p_{\text{模型}} + T
这个公式像把积木零件摆到沙盘底座上：先转正方向（旋转矩阵 R），再放到正确位置（平移向量 T）。
  1. 模型坐标$p_{\text{模型}}$ 是三维模型自带的局部坐标，比如一栋楼在建模软件里的原点位置。
    p模型\displaystyle p_{\text{模型}}
  2. 旋转矩阵$R$ 负责把模型转到和真实城市一致的方向，相当于调整积木的角度。
    R⋅p模型\displaystyle R \cdot p_{\text{模型}}
  3. 平移向量$T$ 负责把旋转后的模型挪到正确的地理位置，相当于把积木放到沙盘指定坐标。
    R⋅p模型+T\displaystyle R \cdot p_{\text{模型}} + T
  4. 世界坐标$p_{\text{world}}$ 是统一后的坐标，所有建筑、管网都可以在同一套坐标系里被计算和展示。
    pworld\displaystyle p_{\text{world}}

实时同步

沙盘搭好了骨架，但城市一直在变，沙盘不能停在某个瞬间。老周给沙盘装上马达和通信线，让虚拟模型跟随真实城市一起“呼吸”。每来一批新的传感器数据，虚拟状态就向前推进一步。这就是实时同步，它是数字孪生的心跳。

更高级的是双向控制：不仅数据从真实城市流向模型，模型算出的优化建议也可以反向指导真实城市的信号灯、闸门等设备。于是沙盘不再是城市的“跟屁虫”，而是能回握城市的手。状态更新可以写成一个简洁的递推式：

沙盘上的小车开始与真实道路同步移动，老周隔着玻璃都能感受到“城市心跳”。实时同步让数字分身真正活了起来。

x^k=A x^k−1+B uk\displaystyle \hat{x}_{k} = A\,\hat{x}_{k-1} + B\,u_k
这个公式像老周根据昨天沙盘的位置（$\hat{x}_{k-1}$）和今天新转的旋钮（$u_k$），推算出今天的沙盘状态（$\hat{x}_k$）。
  1. 上一时刻状态$\hat{x}_{k-1}$ 表示之前一拍的虚拟状态，就像沙盘上一秒的小车位置。
    x^k−1\displaystyle \hat{x}_{k-1}
  2. 状态转移矩阵$A$ 描述状态本身的演化规律，比如车流会自然变化但不会突变。
    A x^k−1\displaystyle A\,\hat{x}_{k-1}
  3. 控制输入$B\,u_k$ 表示外部调控带来的影响，比如交通信号灯改变对车流的影响。
    B uk\displaystyle B\,u_k
  4. 当前状态$\hat{x}_{k}$ 是更新后的最新状态，相当于沙盘刚刚刷新过的画面。
    x^k\displaystyle \hat{x}_{k}

仿真推演

同步是让沙盘跟随现在，而老周更想看到未来。仿真推演就是给沙盘装上“快进键”：数字孪生根据当前状态和拟采取的行动，推算出未来若干时刻的结果。以前新建一条路要等建成后才知道堵不堵，现在可以提前模拟几百次。

仿真推演的本质是一个状态转移函数：给定当前状态和决策动作，就能算出下一个状态。它就像沙盘管理员调好路网参数后，按下快放，让车流自己跑起来。

老周在沙盘上快进三天，发现新桥方案会让西侧匝道堵上加堵。他默默换了一套方案，连模型都不用拆。仿真推演让城市决策从“事后后悔”变成“事前试错”。

st+1=F(st,at)\displaystyle \mathbf{s}_{t+1} = F(\mathbf{s}_t, \mathbf{a}_t)
这个公式像“如果明早限牌，城市状态会变成什么样”：$F$ 就是沙盘里的推演规则，$\mathbf{a}_t$ 是你要试的方案。
  1. 当前状态$\mathbf{s}_t$ 是推演起始时刻的城市状态，比如早高峰开始前的路网流量。
    st\displaystyle \mathbf{s}_t
  2. 决策动作$\mathbf{a}_t$ 是想要试验的方案，比如新增一条公交专用道。
    at\displaystyle \mathbf{a}_t
  3. 推演规则$F$ 是描述系统演化规律的数学模型，可能包含大量交通流、能耗方程。
    F(st,at)\displaystyle F(\mathbf{s}_t, \mathbf{a}_t)
  4. 未来状态$\mathbf{s}_{t+1}$ 是推演出的下一个时刻状态，用来评估方案效果。
    st+1\displaystyle \mathbf{s}_{t+1}

应急响应

城市总是会有意外：暴雨、火灾、管线爆裂。老周的沙盘这时变成了“防灾演练场”。数字孪生可以注入灾害场景，提前模拟水位上涨路径、人员疏散路线、救援力量调度。以前应急演练要在现实中封路搭棚，现在在沙盘上就能跑上百遍。

应急决策离不开风险量化。一个常用的直觉是把风险拆成三个因子：后果有多严重、暴露在其中的人和财产有多少、事件发生的概率有多大。

看完沙盘上的洪水推演，老周立刻让工程队把地下车库入口抬高了一截。应急响应让城市在灾难面前多了一层“预演过的从容”。

R=C×E×P\displaystyle R = C \times E \times P
这个公式像老周评估“玻璃展柜会不会被球砸中”：玻璃贵不贵（C）、离球场多近（E）、什么时候会踢球（P），三者一起决定要加多大防护。
  1. 风险值$R$ 是最终的风险评估结果，数值越高越需要提前干预。
    R\displaystyle R
  2. 后果因子$C$ 代表事件一旦发生会造成多大损失，比如内涝淹没地下车库的损失。
    C\displaystyle C
  3. 暴露因子$E$ 代表人员和资产暴露在风险中的程度，比如低洼区常住人口密度。
    E\displaystyle E
  4. 概率因子$P$ 代表事件发生的可能性，数值在 0 到 1 之间。
    P\displaystyle P

持续校准

沙盘用得再顺手，也不能保证永远精准。传感器会漂移，建模会简化，时间久了虚拟世界和真实城市会悄悄“分家”。所以数字孪生需要持续校准：定期把模型输出和真实观测对比，发现偏差就修正模型，让沙盘重新贴合现实。

最简单常用的校准思路是指数平滑：用当前观测值和模型值的差，按一个小比例修正模型。可以理解为老周每次看到沙盘车子偏了几毫米，就顺手把它拨回一点。

老周每年都给沙盘做一次“全面体检”，每次校准完，沙盘又像新的一样可靠。持续校准让数字孪生不会随着时间推移沦为“美丽的偏见”。

x^new=x^old+α (y−x^old)\displaystyle \hat{x}_{\text{new}} = \hat{x}_{\text{old}} + \alpha\,(y - \hat{x}_{\text{old}})
这个公式像“人眼观测 + 手动微调”：每次只修正一部分偏差，避免一次调过头。
  1. 旧模型值$\hat{x}_{\text{old}}$ 是当前虚拟状态，比如沙盘显示的车流量。
    x^old\displaystyle \hat{x}_{\text{old}}
  2. 新观测值$y$ 是传感器刚测到的真实值，比如真实卡口的车流量。
    y\displaystyle y
  3. 误差项$y - \hat{x}_{\text{old}}$ 是模型与真实的偏差，相当于沙盘偏移了多少。
    y−x^old\displaystyle y - \hat{x}_{\text{old}}
  4. 学习率$\alpha$ 控制每次修正的力度，通常取 0 到 1 之间的小数。
    α (y−x^old)\displaystyle \alpha\,(y - \hat{x}_{\text{old}})

可视化落地

最后，老周给沙盘罩上一块巨大的玻璃大屏，所有数据、模型、推演结果都变成大屏上跳动的画面。可视化并不是给领导看热闹，而是让决策者能快速理解“哪条路堵了、哪个片区能耗超标”，把复杂状态变成一眼可读的直觉。

可视化背后其实也有一组数学映射：三维世界中的点，通过投影变换变成屏幕上二维像素。这就像沙盘的玻璃罩子，把立体的城市“压扁”成可以平视的画面。

现在，这座会思考的沙盘已经走出博物馆，走进智慧城市和智能制造项目。从交通治堵到能耗优化，老周的沙盘成了一个可复用的数字化转型范式。

[uv]=fZ[XY]\displaystyle \begin{bmatrix} u \\ v \end{bmatrix} = \frac{f}{Z} \begin{bmatrix} X \\ Y \end{bmatrix}
这个公式像手电筒把物体影子投到墙上：物体离灯越远（Z 越大），影子越小；焦距 f 决定画面的放大程度。
  1. 世界坐标$X, Y, Z$ 是三维点在相机坐标系中的位置，其中 $Z$ 是到镜头的深度。
    [XY]\displaystyle \begin{bmatrix} X \\ Y \end{bmatrix}
  2. 焦距$f$ 是相机的焦距，焦距越大人眼感觉越“望远”。
    f\displaystyle f
  3. 透视除法$\frac{1}{Z}$ 让远处的物体在屏幕上变小，形成近大远小的透视效果。
    fZ\displaystyle \frac{f}{Z}
  4. 屏幕坐标$u, v$ 是最终画面上像素的位置，所有可视化大屏都在做这件事。
    [uv]\displaystyle \begin{bmatrix} u \\ v \end{bmatrix}

AI 应用场景

城市交通拥堵预测与信号灯优化

阶段：仿真推演与决策优化

解决的问题：传统交通信号灯依赖人工经验和固定配时，无法适应早晚高峰突发拥堵；数字孪生将实时车流、路口排队长度映射到虚拟模型中，通过仿真推演测试不同配时方案，找到最优排程。

具体案例：某市在主干道部署数字孪生系统，把 120 个路口的真实车流同步到虚拟沙盘，模拟“绿波带”新方案后，该路段早高峰平均车速提升约 15%，停车次数下降约两成。

城市内涝应急推演与调度

阶段：应急响应与持续校准

解决的问题：传统防汛依赖人工巡检和事后报警，反应速度慢；数字孪生融合气象雷达、管网水位、地形高程，在暴雨前模拟积水范围和疏散路线，帮助救援力量提前布防。

具体案例：某沿海城市在台风季使用数字孪生沙盘，提前 12 小时推演低洼区渍水过程，自动生成人员转移方案，实际救援响应时间缩短了近一个小时。

工业园区能耗监控与产线优化

阶段：多源数据融合与可视化落地

解决的问题：传统工厂能耗数据分散在各系统，无法统一分析；数字孪生把电力、燃气、产线状态融合到统一模型，实时可视化能耗异常点，并借助推演能力测试节能改造方案。

具体案例：某智能制造园区为 24 条产线建立数字孪生，发现压缩空气系统存在 15% 的隐性损耗，改造后每年节省电费数百万元。

Python 演示

python41 行
import mathimport random class CityTwin:    """城市级数字孪生的简化模拟: 用指数平滑实时校准虚拟模型."""     def __init__(self, alpha=0.25):        self.alpha = alpha        self.twin_state = 0.0        self.real_history = []        self.twin_history = []     def read_sensor(self, t):        # 模拟真实城市的周期波动数据(如交通流量/能耗)        real = math.sin(0.3 * t) + 0.4 * math.sin(0.9 * t) + 0.1        noise = random.uniform(-0.05, 0.05)        return real + noise     def update_twin(self, real_reading):        # 持续校准: 让数字分身逐步贴近真实观测        self.twin_state = self.twin_state + self.alpha * (real_reading - self.twin_state)        return self.twin_state     def run(self, steps=200):        for t in range(steps):            real = self.read_sensor(t)            twin = self.update_twin(real)            self.real_history.append(real)            self.twin_history.append(twin)     def report_deviation(self):        if not self.real_history:            return 0.0        deviations = [(r - t) ** 2 for r, t in zip(self.real_history, self.twin_history)]        return math.sqrt(sum(deviations) / len(deviations))  if __name__ == "__main__":    twin = CityTwin(alpha=0.2)    twin.run(200)    print("校准后均方根误差:", round(twin.report_deviation(), 4))
目的：用指数平滑模拟数字孪生中最核心的“持续校准”环节，展示虚拟模型如何逐步逼近真实传感器数据。
  1. self.twin_state = 0.0初始化数字分身的起始状态，模拟沙盘一开始的默认位置。
  2. def read_sensor(self, t)模拟真实城市传感器读数，包含周期性趋势和随机噪声。
  3. self.twin_state + self.alpha * (real_reading - self.twin_state)这是核心校准公式，每次只修正一部分误差，防止模型震荡。
  4. self.real_history.append(real)记录真实观测序列，用于最终计算误差。
  5. zip(self.real_history, self.twin_history)把真实值和模型值一一配对，逐点比较偏差。
  6. math.sqrt(sum(deviations) / len(deviations))计算均方根误差，量化数字分身与真实城市的贴合程度。

常见误区

误区很多人认为数字孪生是一张高精度的三维地图，把楼宇、道路建得逼真就完成了。

正解3D 模型只是“骨架”，真正的数字孪生必须要有实时数据驱动、持续校准和仿真推演能力。就像沙盘上光有积木房子还不够，得装传感器和马达，让它跟着现实一起呼吸，才算活得起来。

为何常见：因为可视化展示最直观，容易让人误以为“看得见”就是“用得了”。

误区以为传感器数据实时接进来，虚拟模型就永远和现实一致，一劳永逸。

正解传感器有噪声，模型有简化，真实城市也在不断变化。没有持续校准，虚拟沙盘会像没人保养的老钟表，越走越偏。因此数字孪生必须定期用观测数据修正模型，才能长期可信。

为何常见：实时同步解决的是“频率”问题，而校准解决的是“偏差”问题，两者容易被混为一谈。

误区有人认为数字孪生推演出来的结果就是未来发生的现实，应当直接执行。

正解数字孪生是对真实世界的有损近似，数据缺测、算法简化都会让预测偏离实际。仿真推演的价值是比较多个方案的相对优劣，而不是给出绝对精确的预言。沙盘试错能减少后悔，但不能消除所有意外。

为何常见：人们容易把“看起来很像”当成“本质上等于”，忽略了建模过程中的不确定性。

误区把数字孪生等同于领导驾驶舱大屏，认为把数据画到屏幕就算完成。

正解大屏只是最外层的展示窗口，背后如果没有多源数据融合、三维建模、实时同步、仿真推演和持续校准，那只是一张“会变色的图表”。真正能思考的沙盘，核心是计算和决策，而不仅仅是画面。

为何常见：大屏是最容易交付、最容易验收的部分，导致项目团队和企业都把注意力放到了表面。

面试题

Q1. 城市级数字孪生的核心价值在于（）

单选题 · easy

  • A.把城市建成华丽三维模型
  • B.让城市数据实时映射并可推演← 正确答案
  • C.完全取代所有城市管理人员
  • D.只用于制作城市宣传动画

答案：B。3D 模型只是骨架，数字孪生真正的价值是把真实城市状态变成可计算、可推演的虚拟模型。选项 A 强调视觉、C 夸大替代性、D 只是宣传用途，都不是核心。

Q2. 数字孪生中“持续校准”主要解决的问题是（）

单选题 · easy

  • A.传感器采集数据不足
  • B.真实世界与虚拟模型间偏差← 正确答案
  • C.三维建模过程过于复杂
  • D.可视化大屏渲染卡顿

答案：B。持续校准通过真实观测修正模型输出，让虚拟沙盘不随时间漂移。它解决的是“模型与真实不一致”的问题，与数据数量、建模复杂度、渲染性能无直接关系。

Q3. 在多源数据融合中，权重之和等于 1 的目的是（）

单选题 · mid

  • A.保证结果拥有固定平均值
  • B.避免融合结果整体被放大缩小← 正确答案
  • C.让所有传感器读数一样重要
  • D.减少数据存储所占用空间

答案：B。权重归一化保证融合结果是原始数据的加权平均，不会因权重总和大于 1 被系统性放大，也不会因小于 1 被缩小。这是加权融合的基本约束。

Q4. 实时同步中的“双向控制”指的是（）

单选题 · mid

  • A.模型只能被动读取真实数据
  • B.虚拟模型可以反向优化真实设备← 正确答案
  • C.数据只能从城市流向模型
  • D.模型状态永远不会被更新

答案：B。双向控制意味着不仅真实城市数据驱动模型，模型计算出的优化建议也能指挥信号灯、闸门等真实设备，形成闭环。A、C 是单向同步，D 显然与实时同步矛盾。

Q5. 城市级数字孪生通常映射哪些城市系统？（）

多选题 · mid

  • A.城市交通路网系统← 正确答案
  • B.能源消耗与供给系统← 正确答案
  • C.建筑与地下管网系统← 正确答案
  • D.城市绿化景观美化系统

答案：ABC。摘要中明确提到交通、能源、建筑与管网四大系统。D 的绿化景观美化不是数字孪生重点关注的可计算城市系统，不能作为核心映射对象。

Q6. 在风险公式 R = C × E × P 中，P 代表（）

单选题 · hard

  • A.事发后参与救援的人数
  • B.灾害事件发生的概率← 正确答案
  • C.城市人口总数量
  • D.应急预案的完整程度

答案：B。R = C × E × P 中，C 是后果严重度，E 是暴露程度，P 是事件发生概率。P 不是救援人数或总人口，而是衡量“这件事有多可能发生”的因子。

Q7. 城市数字孪生要维持长期可信，通常需要做哪些事？（）

多选题 · hard

  • A.定期比对模型输出与真实观测← 正确答案
  • B.分析偏差来源并修正模型参数← 正确答案
  • C.持续更新传感器数据质检规则← 正确答案
  • D.永久冻结模型不再做任何修改

答案：ABC。持续校准要求不断对比观测、分析偏差、修正模型，同时保证输入数据质量。D 的“永久冻结模型”会让模型随着真实城市变化而失真，是错误的。

Q8. 数字孪生让智慧城市“从感知走向预测优化”的关键能力是（）

单选题 · mid

  • A.布置更多的摄像头设备
  • B.具备仿真推演和方案试错← 正确答案
  • C.把大屏做得更亮更清晰
  • D.增加更多网络带宽资源

答案：B。感知是收集数据，预测优化则需要仿真推演来推算未来状态、比较不同决策方案。摄像头、大屏、带宽都是支撑条件，但不是从感知走向预测优化的关键。

Q9. 高精度三维建模在数字孪生中的角色最接近（）

单选题 · easy

  • A.沙盘上的积木骨架底座← 正确答案
  • B.沙盘内部的小灯照明
  • C.沙盘外围的玻璃护栏
  • D.沙盘底部的电源插头

答案：A。三维建模提供建筑、管网、地形的几何结构，让数据有准确落点，就像沙盘的积木骨架。灯光、护栏、电源都是辅助设施，不承担空间承载功能。

Q10. 为保证城市数字孪生的实时性与可靠性，通常需要（）

多选题 · hard

  • A.优化传感器数据的同步链路← 正确答案
  • B.持续校准模型降低累计误差← 正确答案
  • C.完全忽略异常传感器数据
  • D.建立异常数据检测与预警← 正确答案

答案：ABD。实时性依赖高效的数据同步链路，可靠性依赖持续校准和异常检测。C 的“完全忽略异常数据”是错误的，异常数据可能反映真实故障，应当检测并告警而非直接丢弃。