Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "A Garcia-Robledo, M Zangiabady", 
2
  "author": "A Garcia-Robledo, M Zangiabady", 
            
3
  "author_email": null, 
3
  "author_email": null, 
            
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
5
  "extras": [
5
  "extras": [
            
6
    {
6
    {
            
7
      "key": "Publicaci\u00f3n", 
7
      "key": "Publicaci\u00f3n", 
            
8
      "value": "Revista"
8
      "value": "Revista"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "Tipo", 
11
      "key": "Tipo", 
            
12
      "value": "Publicaci\u00f3n"
12
      "value": "Publicaci\u00f3n"
            
13
    }
13
    }
            
14
  ], 
14
  ], 
            
15
  "groups": [
15
  "groups": [
            
16
    {
16
    {
            
17
      "description": "Este grupo integra las publicaciones 
17
      "description": "Este grupo integra las publicaciones 
            
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
20
presentados en congresos nacionales e internacionales, manuscritos en 
20
presentados en congresos nacionales e internacionales, manuscritos en 
            
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
26
      "display_name": "Publicaciones", 
26
      "display_name": "Publicaciones", 
            
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
28
      "image_display_url": "", 
28
      "image_display_url": "", 
            
29
      "name": "publicaciones", 
29
      "name": "publicaciones", 
            
30
      "title": "Publicaciones"
30
      "title": "Publicaciones"
            
31
    }
31
    }
            
32
  ], 
32
  ], 
            
33
  "id": "c63d1c2d-b9cd-4fcb-8213-b2ac61e3916c", 
33
  "id": "c63d1c2d-b9cd-4fcb-8213-b2ac61e3916c", 
            
34
  "isopen": false, 
34
  "isopen": false, 
            
35
  "license_id": null, 
35
  "license_id": null, 
            
36
  "license_title": null, 
36
  "license_title": null, 
            
37
  "maintainer": null, 
37
  "maintainer": null, 
            
38
  "maintainer_email": null, 
38
  "maintainer_email": null, 
            
39
  "metadata_created": "2025-10-10T07:19:40.982543", 
39
  "metadata_created": "2025-10-10T07:19:40.982543", 
            
n
40
  "metadata_modified": "2025-10-10T07:19:40.982551", 
n
40
  "metadata_modified": "2025-10-10T07:19:41.597500", 
            
41
  "name": 
41
  "name": 
            
42
for-dashboard-driven-visualization-of-large-street-netw-1752cd482777", 
42
for-dashboard-driven-visualization-of-large-street-netw-1752cd482777", 
            
43
  "notes": "State-of-the-art open network visualization tools like 
43
  "notes": "State-of-the-art open network visualization tools like 
            
44
Gephi, KeyLines, and Cytoscape are not suitable for studying street 
44
Gephi, KeyLines, and Cytoscape are not suitable for studying street 
            
45
networks with thousands of roads since they do not support 
45
networks with thousands of roads since they do not support 
            
46
simultaneously polylines for edges, navigable maps, GPU-accelerated 
46
simultaneously polylines for edges, navigable maps, GPU-accelerated 
            
47
rendering, interactivity, and the means for visualizing multivariate 
47
rendering, interactivity, and the means for visualizing multivariate 
            
48
data. To fill this gap, the present paper presents Dash Sylvereye: a 
48
data. To fill this gap, the present paper presents Dash Sylvereye: a 
            
49
new Python library to produce interactive visualizations of primal 
49
new Python library to produce interactive visualizations of primal 
            
50
street networks on top of tiled web maps. Thanks to its integration 
50
street networks on top of tiled web maps. Thanks to its integration 
            
51
with the Dash framework, Dash Sylvereye can be used to develop web 
51
with the Dash framework, Dash Sylvereye can be used to develop web 
            
52
dashboards around temporal and multivariate street data by 
52
dashboards around temporal and multivariate street data by 
            
53
coordinating the various elements of a Dash Sylvereye visualization 
53
coordinating the various elements of a Dash Sylvereye visualization 
            
54
with other plotting and UI components provided by the Dash framework. 
54
with other plotting and UI components provided by the Dash framework. 
            
55
Additionally, Dash Sylvereye provides convenient functions to easily 
55
Additionally, Dash Sylvereye provides convenient functions to easily 
            
56
import OpenStreetMap street topologies obtained with the OSMnx 
56
import OpenStreetMap street topologies obtained with the OSMnx 
            
57
library. Moreover, Dash Sylvereye uses WebGL for GPU-accelerated 
57
library. Moreover, Dash Sylvereye uses WebGL for GPU-accelerated 
            
58
rendering when redrawing the road network. We conduct experiments to 
58
rendering when redrawing the road network. We conduct experiments to 
            
59
assess the performance of Dash Sylvereye on a commodity computer when 
59
assess the performance of Dash Sylvereye on a commodity computer when 
            
60
exploiting software acceleration in terms of frames per second, CPU 
60
exploiting software acceleration in terms of frames per second, CPU 
            
61
time, and frame duration. We show that Dash Sylvereye can offer fast 
61
time, and frame duration. We show that Dash Sylvereye can offer fast 
            
62
panning speeds, close to 60 FPS, and CPU times below 20 ms, for street 
62
panning speeds, close to 60 FPS, and CPU times below 20 ms, for street 
            
63
networks with thousands of edges, and above 24 FPS, and CPU times 
63
networks with thousands of edges, and above 24 FPS, and CPU times 
            
64
below 40 ms, for networks with dozens of thousands of edges. 
64
below 40 ms, for networks with dozens of thousands of edges. 
            
65
Additionally, we conduct a performance comparison against two 
65
Additionally, we conduct a performance comparison against two 
            
66
state-of-the-art street visualization tools. We found Dash Sylvereye 
66
state-of-the-art street visualization tools. We found Dash Sylvereye 
            
67
to be competitive when compared to the state-of-the-art visualization 
67
to be competitive when compared to the state-of-the-art visualization 
            
68
libraries Kepler.gl and city-roads. Finally, we describe a web 
68
libraries Kepler.gl and city-roads. Finally, we describe a web 
            
69
dashboard application that exploits Dash Sylvereye for the analysis of 
69
dashboard application that exploits Dash Sylvereye for the analysis of 
            
70
a SUMO vehicle traffic simulation.", 
70
a SUMO vehicle traffic simulation.", 
            
n
71
  "num_resources": 0, 
n
71
  "num_resources": 1, 
            
72
  "num_tags": 8, 
72
  "num_tags": 8, 
            
73
  "organization": {
73
  "organization": {
            
74
    "approval_status": "approved", 
74
    "approval_status": "approved", 
            
75
    "created": "2022-05-19T00:10:30.480393", 
75
    "created": "2022-05-19T00:10:30.480393", 
            
76
    "description": "Observatorio Metropolitano CentroGeo", 
76
    "description": "Observatorio Metropolitano CentroGeo", 
            
77
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
77
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
78
    "image_url": 
78
    "image_url": 
            
79
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
79
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
80
    "is_organization": true, 
80
    "is_organization": true, 
            
81
    "name": "observatorio-metropolitano-centrogeo", 
81
    "name": "observatorio-metropolitano-centrogeo", 
            
82
    "state": "active", 
82
    "state": "active", 
            
83
    "title": "Observatorio Metropolitano CentroGeo", 
83
    "title": "Observatorio Metropolitano CentroGeo", 
            
84
    "type": "organization"
84
    "type": "organization"
            
85
  }, 
85
  }, 
            
86
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
86
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
87
  "private": false, 
87
  "private": false, 
            
88
  "relationships_as_object": [], 
88
  "relationships_as_object": [], 
            
89
  "relationships_as_subject": [], 
89
  "relationships_as_subject": [], 
            
t
90
  "resources": [], 
t
90
  "resources": [
            
91
    {
            
92
      "cache_last_updated": null, 
            
93
      "cache_url": null, 
            
94
      "created": "2025-10-10T07:19:41.623642", 
            
95
      "datastore_active": false, 
            
96
      "description": "State-of-the-art open network visualization 
            
97
tools like Gephi, KeyLines, and Cytoscape are not suitable for 
            
98
studying street networks with thousands of roads since they do not 
            
99
support simultaneously polylines for edges, navigable maps, 
            
100
GPU-accelerated rendering, interactivity, and the means for 
            
101
visualizing multivariate data. To fill this gap, the present paper 
            
102
presents Dash Sylvereye: a new Python library to produce interactive 
            
103
visualizations of primal street networks on top of tiled web maps. 
            
104
Thanks to its integration with the Dash framework, Dash Sylvereye can 
            
105
be used to develop web dashboards around temporal and multivariate 
            
106
street data by coordinating the various elements of a Dash Sylvereye 
            
107
visualization with other plotting and UI components provided by the 
            
108
Dash framework. Additionally, Dash Sylvereye provides convenient 
            
109
functions to easily import OpenStreetMap street topologies obtained 
            
110
with the OSMnx library. Moreover, Dash Sylvereye uses WebGL for 
            
111
GPU-accelerated rendering when redrawing the road network. We conduct 
            
112
experiments to assess the performance of Dash Sylvereye on a commodity 
            
113
computer when exploiting software acceleration in terms of frames per 
            
114
second, CPU time, and frame duration. We show that Dash Sylvereye can 
            
115
offer fast panning speeds, close to 60 FPS, and CPU times below 20 ms, 
            
116
for street networks with thousands of edges, and above 24 FPS, and CPU 
            
117
times below 40 ms, for networks with dozens of thousands of edges. 
            
118
Additionally, we conduct a performance comparison against two 
            
119
state-of-the-art street visualization tools. We found Dash Sylvereye 
            
120
to be competitive when compared to the state-of-the-art visualization 
            
121
libraries Kepler.gl and city-roads. Finally, we describe a web 
            
122
dashboard application that exploits Dash Sylvereye for the analysis of 
            
123
a SUMO vehicle traffic simulation.", 
            
124
      "format": "HTML", 
            
125
      "hash": "", 
            
126
      "id": "8128fc8b-042d-4d35-9323-e4fc8cfb8ea6", 
            
127
      "last_modified": null, 
            
128
      "metadata_modified": "2025-10-10T07:19:41.601249", 
            
129
      "mimetype": null, 
            
130
      "mimetype_inner": null, 
            
131
      "name": "Dash sylvereye: a Python library for dashboard-driven 
            
132
visualization of large street networks", 
            
133
      "package_id": "c63d1c2d-b9cd-4fcb-8213-b2ac61e3916c", 
            
134
      "position": 0, 
            
135
      "resource_type": null, 
            
136
      "size": null, 
            
137
      "state": "active", 
            
138
      "url": "https://doi.org/10.1109/access.2023.3327008", 
            
139
      "url_type": null
            
140
    }
            
141
  ], 
            
91
  "state": "active", 
142
  "state": "active", 
            
92
  "tags": [
143
  "tags": [
            
93
    {
144
    {
            
94
      "display_name": "computer-graphics-images", 
145
      "display_name": "computer-graphics-images", 
            
95
      "id": "2e18beac-f73f-4942-afb3-8161456bd41d", 
146
      "id": "2e18beac-f73f-4942-afb3-8161456bd41d", 
            
96
      "name": "computer-graphics-images", 
147
      "name": "computer-graphics-images", 
            
97
      "state": "active", 
148
      "state": "active", 
            
98
      "vocabulary_id": null
149
      "vocabulary_id": null
            
99
    }, 
150
    }, 
            
100
    {
151
    {
            
101
      "display_name": "computer-science", 
152
      "display_name": "computer-science", 
            
102
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
153
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
103
      "name": "computer-science", 
154
      "name": "computer-science", 
            
104
      "state": "active", 
155
      "state": "active", 
            
105
      "vocabulary_id": null
156
      "vocabulary_id": null
            
106
    }, 
157
    }, 
            
107
    {
158
    {
            
108
      "display_name": "dash", 
159
      "display_name": "dash", 
            
109
      "id": "e41e669d-e3a1-4afc-9363-fb80dce5ae26", 
160
      "id": "e41e669d-e3a1-4afc-9363-fb80dce5ae26", 
            
110
      "name": "dash", 
161
      "name": "dash", 
            
111
      "state": "active", 
162
      "state": "active", 
            
112
      "vocabulary_id": null
163
      "vocabulary_id": null
            
113
    }, 
164
    }, 
            
114
    {
165
    {
            
115
      "display_name": "data-visualization", 
166
      "display_name": "data-visualization", 
            
116
      "id": "cb27204d-6b7b-49c2-aa74-381428516a71", 
167
      "id": "cb27204d-6b7b-49c2-aa74-381428516a71", 
            
117
      "name": "data-visualization", 
168
      "name": "data-visualization", 
            
118
      "state": "active", 
169
      "state": "active", 
            
119
      "vocabulary_id": null
170
      "vocabulary_id": null
            
120
    }, 
171
    }, 
            
121
    {
172
    {
            
122
      "display_name": "opengl", 
173
      "display_name": "opengl", 
            
123
      "id": "f187b379-c323-4fc3-81fb-df3693145af5", 
174
      "id": "f187b379-c323-4fc3-81fb-df3693145af5", 
            
124
      "name": "opengl", 
175
      "name": "opengl", 
            
125
      "state": "active", 
176
      "state": "active", 
            
126
      "vocabulary_id": null
177
      "vocabulary_id": null
            
127
    }, 
178
    }, 
            
128
    {
179
    {
            
129
      "display_name": "python-programming-language", 
180
      "display_name": "python-programming-language", 
            
130
      "id": "f2cabec5-7e47-4093-84d8-a93088ba0d9c", 
181
      "id": "f2cabec5-7e47-4093-84d8-a93088ba0d9c", 
            
131
      "name": "python-programming-language", 
182
      "name": "python-programming-language", 
            
132
      "state": "active", 
183
      "state": "active", 
            
133
      "vocabulary_id": null
184
      "vocabulary_id": null
            
134
    }, 
185
    }, 
            
135
    {
186
    {
            
136
      "display_name": "rendering-computer-graphics", 
187
      "display_name": "rendering-computer-graphics", 
            
137
      "id": "6b4242c4-9ced-4044-a898-182cd1e516ce", 
188
      "id": "6b4242c4-9ced-4044-a898-182cd1e516ce", 
            
138
      "name": "rendering-computer-graphics", 
189
      "name": "rendering-computer-graphics", 
            
139
      "state": "active", 
190
      "state": "active", 
            
140
      "vocabulary_id": null
191
      "vocabulary_id": null
            
141
    }, 
192
    }, 
            
142
    {
193
    {
            
143
      "display_name": "visualization", 
194
      "display_name": "visualization", 
            
144
      "id": "756e3958-c645-4b6f-bc16-b2d7413b6067", 
195
      "id": "756e3958-c645-4b6f-bc16-b2d7413b6067", 
            
145
      "name": "visualization", 
196
      "name": "visualization", 
            
146
      "state": "active", 
197
      "state": "active", 
            
147
      "vocabulary_id": null
198
      "vocabulary_id": null
            
148
    }
199
    }
            
149
  ], 
200
  ], 
            
150
  "title": "Dash sylvereye: a Python library for dashboard-driven 
201
  "title": "Dash sylvereye: a Python library for dashboard-driven 
            
151
visualization of large street networks", 
202
visualization of large street networks", 
            
152
  "type": "dataset", 
203
  "type": "dataset", 
            
153
  "url": "https://doi.org/10.1109/access.2023.3327008", 
204
  "url": "https://doi.org/10.1109/access.2023.3327008", 
            
154
  "version": null
205
  "version": null
            
155
}
206
}