基于元数据和语义建模的地质调查业务管理统一数据模型研究
文敏1,2,3,4，月一1,2，刘荣梅1,2，
任伟1,2，张怀东1,2，王想红1,2，
施艳1,2，赵明明1,2，余海龙1,2
1. 中国地质调查局自然资源综合调查指挥中心，北京 100055；
2. 自然资源部地质信息工程技术创新中心，北京 100055；
3. 国家地理信息系统工程技术研究中心，武汉 430074；
4. 特文特大学 地球信息科学与对地观测学院，恩斯赫德 7500AE
摘 要：地质项目、野外安全、地质资料、经费预算等地质调查业务管理信息系统的常态化运行，产生了海量数据，来源于不同系统的数据在结构、语义等方面存在巨大差异，导致数据冗余、口径不一等诸多现象。构建统一数据模型、建立统一数据视图，是实现多源异构数据有效集成辅助决策的基本问题。本文基于元数据解析和语义建模研究，提出元数据解析—语义分析—分层构建—评价演进的建模方法，建立基于统一主数据与资源标识的映射关联规则；并利用统一建模语言，构建地质调查业务管理统一数据模型，在地质调查业务管理数据中心建设中得以验证应用。研究表明，本文方法不但有效解决了多源异构地质调查业务管理数据模型融合问题，实现了跨系统、跨部门多源数据的统一描述和一体化组织，还可为包含时空数据在内的多源异构数据的模型差异问题的解决提供技术方案。
关键词：地质调查；数据集成；统一数据模型；元数据解析；语义建模
引用格式：文敏，月一，刘荣梅，任伟，张怀东，王想红，施艳，赵明明，余海龙. 2025. 基于元数据和语义建模的地质调查业务管理统一数据模型研究. 时空信息学报, 32(3): 231-244
Wen M, Yue Y, Liu R M, Ren W, Zhang H D, Wang X H, Shi Y, Zhao M M, Yu H L. 2025.Unified data model for geological survey management based on metadata and semantic modeling. Journal of Spatio-temporal Information, 32(3): 231-244, doi: 10.20117/j.jsti.202503007
1 引 言
随着信息技术的飞速发展，各级政府和大型企业掌握的数据量正在以指数级别增长，为大数据发展带来机遇与核心要素的同时，也面临来源广泛、质量参差不齐、管理分散、形态异构等突出问题，尤其是对数据组织和描述的数据模型的巨大差异，成为多源数据集成领域的重要挑战（翁东雷等，2024；闫佳和等，2024）。在地质调查领域，信息技术正在助推行业发生颠覆性变化，地质调查过程是大数据采集管理、分析应用的完整生态，且具有数据量大、高度时空性等行业特点（谭永杰和文敏，2023；谭永杰等，2017，2023）。地质调查业务管理数据是其中重要的组成部分，主要为地质调查工作组织实施管理中产生的各类数据，包含了地质野外调查的北斗定位（范振林等，2021）、项目工作范围等时空数据，地质项目、人员、财务、装备等用于管理的关系型数据，技术报告、图件、视频等非结构化文档等。这些数据来源于不同系统，采用不同的数据模型和标准，存在结构和语义的差异，直接导致了数据管理效率的降低、数据冗余和不一致性（文敏等，2024）。
数据异构主要表现为结构异构、语义异构和数据冗余（周建芳等，2008）。结构异构主要集中在数据格式、存储类型等物理层面，通常以数据和格式转换等方式解决（陈换新等，2020；文敏等，2011）。同一业务概念在不同系统和部门中的定义与使用方式不同，会导致语义层面异构。在数据集成过程中，形成的语义冲突，导致数据口径不一，造成数据冗余，同时，相同的数据在不同系统中重复采集和存储，增加了业务流程和数据管理的复杂性（赵骞等，2020）。许多研究提出了不同的方法来应对异构数据集成的挑战，包括数据仓库（杨晨雪和文敏，2019；赵太祥等，2012）、联邦数据库（陈家良等，2024）、数据虚拟化（赵国锋和葛丹凤，2016），以及基于本体论的语义集成（Wen等，2012）等。然而，由于不同数据源的业务逻辑各不相同，语义冲突和数据冗余等问题仍是数据集成中面临的难题。统一数据模型（unified data model，UDM）可以为整个组织或特定业务领域设计标准化的数据结构，通过定义一致的数据格式、术语和关系，实现不同系统和应用之间的数据集成、共享和互操作，如何通过构建UDM，为数据集成和分析提供一致的语义结构，使得不同来源的数据，能够集成于一个统一的描述框架和数据视图，成为数据有效集成辅助决策的关键（黄秋子，2020）。
基于元数据和语义建模是解决数据模型差异问题的可选方案。元数据集成是解决结构异构问题的重要方法（张新兴等，2022）。元数据描述了数据的属性、结构和来源，通过解析元数据，可以从异构数据源中提取数据结构信息，并为数据集成提供基础（薛娇等，2020）。语义是数据所对应的现实世界中事物所代表的概念的含义，语义关联建模通过定义领域内的核心概念及其关系，经过语义关联可以明晰实体间的相互关系（刘剑炜等，2021）。通常使用本体论或语义网技术，进行语义一致性建模，解决不同系统在语义层次上的冲突（高慧星和杨蕊，2022；吴杭彬等，2024）。元数据和语义建模方法在异构数据集成中具有重要的应用潜力（姜楠等，2018）。但是，在应对包含时空数据的海量多源异构数据集成问题时，仍然具有挑战。此外，统一建模语言（universal modelling language，UML）能够有效描述系统的结构和行为，在异构数据集成领域，UML的类图、用例图和活动图可以直观地表示数据的逻辑结构和流程（袁中臣和马宗民，2021）；使用UML进行分层模型构建，可以提高数据模型的可理解性和可维护性（纪斌等，2019）。
本文基于元数据集成和语义建模，提出一种元数据解析—语义分析—分层构建—评价演进的地质调查业务管理统一数据模型构建方法，建立基于统一主数据与资源标识的映射关联规则，利用UML进行多源异构地质调查数据的建模与集成；构建地质调查业务管理的统一数据模型，并在地质调查业务管理大数据建设中得以验证应用。
2 方法与数据
2.1 元数据解析—语义分析—分层构建—评价演进建模方法
构建UDM是通过标准化的数据定义，提供一致的、全面的数据视图，减少数据冗余和不一致，提高数据的准确性和可靠性，使得不同系统和应用能够方便地集成与互操作。集中化的数据管理策略，使数据管理更加高效和可控，减少数据孤岛和重复劳动，支持数据分析和业务决策；通过统一的数据模型，减少开发和集成工作量，降低系统维护成本。
UDM的构建是一项系统性复杂工作，需要业务和技术团队的紧密合作，才能有效提升数据管理水平和业务运营效率。同时需要采用科学的方法和技术，以确保数据模型的高质量、可扩展性和适用性。本文提出的UDM构建方法，包括需求与数据梳理、元数据解析、领域语义分析、三层模型构建、模型评价与演进共五个步骤，如图1所示。
1）需求与数据梳理
需求与数据梳理包括数据需求分析和数据源调查两个部分，是UDM构建的核心基础。其主要通过对业务领域和基础数据的详细调查与分析，深入理解业务和数据情况。
（1）数据需求分析。对相关数据的来源进行调研分析，掌握各类源数据的业务背景与含义；同时对集成目标进行分析，包括明确需要集成的数据类型、格式和来源，确定UDM的目标应用场景。
（2）数据源调查。通过数据库说明文档收集分析、数据库管理员调研访谈等方式，梳理现有数据源，确定各个数据源的结构、格式，如关系数据库、NoSQL数据库、XML、JSON、文本文件等，以及相关的数据规范和标准。
2）元数据解析
元数据解析是实现元数据集成、构建UDM的基础。首先，收集不同来源的数据，包括地质调查项目管理数据、野外北斗定位与安全生产数据、人事与财务数据等。其次，通过解析每个数据源的元数据，提取其数据结构和属性信息，如表结构、字段类型、数据类型等。元数据解析过程包括以下三个步骤。
（1）元数据收集。不同来源数据的元数据，可以通过元数据说明文档、XML模型文件等方式，获取所有数据源的元数据，如数据库模式、文件格式和API定义等。
（2）元数据分析。逐一分析不同数据源的元数据信息，识别不同数据源中表结构和字段的差异与共性。
（3）元数据集成与映射至UDM。通过划分业务子域，将不同来源元数据归入业务子域，对同一业务子域下元数据进行归并，开展元数据集成。同时，通过规则定义记录不同数据源与集成元数据模型之间的映射关系。
3）领域语义分析
元数据解析解决了结构异构问题，但无法解决语义异构问题。因此，采用领域语义分析，构建地质调查领域的本体模型，以解决不同系统之间的语义冲突。
（1）领域本体定义。通过数据分析、领域专家调研、迭代完善等步骤，定义地质调查中的核心实体、属性概念（如地质调查项目、人员、单位、空间位置等）及其关系。
（2）语义映射。通过语义映射技术，基于元数据集成的阶段性结果，将不同数据源中相同或相似概念映射到统一的本体模型上，进一步消除语义二义性，避免数据重复冗余、数出多源、口径不一等问题。
（3）语义推理。通过语义推理工具，检测并解决语义冲突，如不同系统中同一概念的不同定义，从而建立统一的语义描述。
4）三层模型构建
在完成元数据解析和领域语义分析后，采用分层模型构建方法，逐步建立统一的数据模型。分层模型构建包括概念模型构建、逻辑模型构建及物理模型构建三部分（姬龙涛等，2024）。
（1）概念模型构建，描述业务领域中的核心概念及其关系，是与具体技术实现无关的高层模型。通过UML类图和用例图，可以直观地表达领域中的主要实体和业务逻辑。
（2）逻辑模型构建，详细描述了数据的逻辑结构，如数据库表、字段及其关系。逻辑模型通过UML类图表示，定义了每个业务实体的数据结构。
（3）物理模型构建，描述了数据的物理存储方式，如表分区、索引和存储引擎的选择。通过物理模型构建，可以优化数据库的性能，确保数据的高效存储和查询。
5）模型评价与演进
模型构建完成后，需要通过实验进行评价，并随着业务需求的变化不断优化模型。模型的评价指标包括以下三个方面：
（1）扩展性评价，模型是否能够适应新数据源的加入和业务需求的变化；
（2）查询性能评价，UDM能否支持高效的复杂查询，满足业务需求；
（3）数据集成能力评估，模型能否有效集成不同来源的数据，并保证数据一致性。
模型的演进是一个渐进过程，可以遵循由小及大、迭代演进的原则。由小及大是在过程开始不过度追求模型的完整性，优先处理核心、确定的部分，通过实验分析，不断丰富扩展。同时，通过多轮反复测试和评价，不断迭代升级，做好模型版本控制，最终实现UDM的逐渐完善。
2.2 基于统一主数据与资源标识的数据映射关联
不同来源的不同结构数据，如何在UDM中实现有效关联，是实现数据一体化组织管理的前提条件之一。在传统数据仓库基础上，通过基于主数据与映射表的数据关联，实现不同类型数据在模型中的有效关联组织，如图2所示。
1）基于主数据的多来源结构化数据关联
主数据作为UDM中关键主键，解决不同来源UDM内部各数据表，以及UDM与不同来源数据字典间衔接的问题。以地质调查承担单位为例，同一单位在不同数据源中，具有不同的编码作为内部主键，不同来源数据集成后，无法建立有效关联且数据冗余，通过在UDM中，定义地质调查单位信息为唯一主数据，建立该信息与相关来源数据字典间关系，在数据集成进入UDM时，涉及单位的数据表，附加唯一主数据作为主键，实现统一的关联组织。
（1）UDM主数据定义。主数据的确定，以领域重要性、通用性为原则，在领域内非常关键，且普遍使用的内容可作为主数据纳入。以地质调查业务管理数据为例，地质调查项目基本信息、单位基本信息、人员基本信息等可以作为主数据进行标识管理。主数据的字段和信息可以参考其他数据，综合不同数据来源的属性情况，进行集成综合。
（2）主数据与不同数据源关键主键关系建立。建立主数据与源数据关系，主要解决不同来源数据间主键不一的问题。在数据开始集成前应该完成关系建立，在集成过程中提供处理依据。
（3）多源数据进入UDM时主键附加。在UDM的不同数据中，应新增插入主数据的唯一标识符，作为UDM中新的主键，在实现多源数据融合的同时，支持UDM内部的数据关联。
2）基于统一资源标识的异构数据关联
基于统一资源标识的异构数据关联，主要解决UDM内部在结构化数据基础上非结构、半结构化、时空数据等不同结构数据的统一关联组织问题。其核心涉及文件存储规则，将每个文件URL作为唯一资源标识符，建立并动态维护文件资源标识与数据实体间的映射关系，通过统一映射表实现数据间有效关联组织。
（1）统一资源标识规则定义。将文件存储URL定义为统一资源标识符，需要结合主数据，定义文件存储规则。以地质调查项目资料为例，URL中应包括项目主数据ID、年份、资料类型等关键信息，便于资源识别调用。
（2）统一资源标识与数据实体映射关联。通过统一资源标识中主数据ID等关键信息，与数据模型中关键数据实体建立映射关联。以地质调查项目资料为例，通过项目主数据ID，建立与地质项目实体间关联关系。
（3）建立并维护映射关系。在物理实现上，通过建立唯一的映射关系表，包括主数据ID、统一资源标识等关键信息，在增量数据集成、数据修改删除等过程中，动态的新建或修改数据表中信息，通过动态维护实现有效关联。
3）模型映射与融合规则
建立模型映射，主要解决不同数据源数据融合进入UDM的问题。通过映射规则，在数据集成过程中，实现多源数据融合统一，如图3所示。
（1）相关数据来源表。梳理UDM中相关信息的不同数据来源表，统一的数据模型中，同一实体的不同属性，可能来自不同的数据源和数据表。
（2）来源数据字段指向。UDM中实体的属性，来自源表中具体哪个，或者哪几个属性字段。
（3）冲突处理。UDM中一个属性，来自不同数据源的现象非常常见，造成数据冗余的同时，产生数出多源等问题，必须明确冲突处理规则，确保唯一的全局数据描述。
（4）集成更新规则。集成更新规则明确了从数据源融合进入UDM时的具体规则，包括基于时间戳的增量更新、全量更新等更新规则，以及基于正则表达式的数据清洗标准化等转换处理和数据集成更新频度等，确保不同来源数据可以按照规则融合进入UDM。
2.3 地质调查业务管理数据
所用数据为地质调查业务管理数据。随着地质调查工作规模的大幅提升，至“十二五”末，年投入已超100亿元，全国近400家单位超4万人参与，涉及全国野外调查，具有面广量大等特点，加上国家相关管理要求不断提升，行业管理的复杂度和负担日益加大（刘磊等，2024）。经过多年建设与持续更新，针对地质调查业务管理相关工作，研发指挥调度、项目部署、预算管理、项目统计、预算执行、经费支出、经费验收、装备管理、基建管理等相关应用系统，并投入实际应用，稳定支撑地质调查工作的管理决策，取得了应用实效（谭永杰等，2023）。随着众多地质调查业务管理系统的常态化运行，海量数据动态产生，如表1所示，整体数据量关系型超过2亿条、非结构化文档20余万档，存在多源、异构、动态和海量等特点（文敏等，2024）。
3 结果与应用分析
3.1 地质调查业务管理UDM
针对地质调查业务管理数据中存在数出多源、口径不一、语义二义、无法关联等问题，可通过上文所述方法，经过地质调查业务管理数据源梳理、相关地质调查业务管理系统元数据收集解析、语义分析，进行模型集成，最终形成地质调查管理业务的统一数据实体、属性和关系。基于空间位置和主数据，关联建立异构数据的组织模型，为多源异构数据形成统一的数据描述和业务抽象。在UDM与多来源数据之间，建立映射关系和更新机制；通过包含概念数据模型、逻辑数据模型和物理数据模型在内的地质调查业务管理UDM，以保证数据完整性、标准性、一致性，如图4所示。
1）地质调查业务管理三层数据模型
集成20个不同来源的地质调查业务管理信息系统中异构数据，构建了以地质调查项目、人员、单位等实体为核心的统一概念数据模型，实现了一体化的统一“实体–关系”描述，如图5所示。概念数据模型描述地质调查业务管理领域中的关键实体及关系，以及其所涉及的业务规则，为使用者提供一种共同的语言和理解基础，确保在UDM设计的早期阶段达成共识（李姗迟和彭逸桓，2024）。
在概念数据模型基础上，通过进一步具体化业务需求，定义数据结构和关系，同时考虑一定的技术约束，构建地质调查业务管理统一逻辑数据模型，如图6所示。作为系统分析和设计阶段的核心工具，与具体的数据库管理系统无关，用于为数据库的物理实现提供一个明确的技术框架（刘凤等，2024）。
基于逻辑数据模型，具体化到数据库实现的层面，考虑到数据库管理系统（database management system，DBMS）的技术细节和性能优化要求，针对Oracle 10g数据库，使用Power Design完成全局数据逻辑模型开发，确定所有数据表及其属性字段、类型与字长等定义，形成地质调查业务管理统一物理数据模型，如图7所示，并实现了UDM与不同数据来源表与字段的具体映射关系和更新规则。核心目的是将逻辑数据结构转化为实际的数据库对象，如表、索引、视图等，并确保数据库在性能、存储、数据完整性和安全性等方面满足需求，同时实现后期不同数据源至UDM间的动态数据更新。
2）地质调查业务管理UDM主要规范
地质调查业务管理UDM主要规范包括数据分层标识、主题域标识、业务线标识、粒度、维度标识和实体属性命名规则，如表2所示，以确保数据模型的清晰规范。
3）地质调查业务管理UDM主数据与统一资源关联
地质调查业务管理UDM中，将主数据作为所有业务系统、不同数据来源中，均存在的关键字段，用以识别UDM中的关键实体，并通过其关联不同来源数据。在本数据模型中，将地质调查项目、地质调查单位、地质调查人员等，作为核心主数据。主数据包括关键的属性，并定义主数据全局主键EMP_ID、DEPT_CODE、PROJ_ID等，作为全局唯一标识，实现与所有相关实体间有效关联，如图8所示。
UDM中，各类非结构化、半结构化数据通过赋予统一资源标识URL，基于映射表，实现异构数据间统一的组织关联。在数据集成修改过程中，根据规则动态生成维护统一资源标识URL作为数据唯一资源标识，通过项目名称等主数据关键实体主键的关联，实现异构数据的一体化组织，如图9所示。
4）地质调查业务管理UDM映射与融合规则
建立UDM与数据源各种数据模型之间的映射，如融合规则，是保障多源数据融入UDM的重要手段。如表3所示，包括UDM中实体数据对应的相关源数据表、属性、集成与融合处理规则等，在数据动态集成更新过程中，依据上述规则实现数据融合进入统一数据描述。
3.2 应用情况
上文所述技术方法已成功应用于中国地质调查局地质调查业务管理大数据中心建设，大数据中心包含混合式地质调查业务数据仓库，实现了20余个不同地质调查业务管理信息系统的数据接入。基于上文所述的UDM，实现了将中国地质调查局建局以来多源地质调查业务管理数据有效地集成于统一数据框架，并实现了自动化动态更新，结构化数据量已接近2亿条、非结构化数据超过20万档，如图10（a）所示。基于模型的统一数据描述，对不同来源的各业务系统数据，通过地质调查业务管理大数据平台，实现跨部门、跨层级、跨单位、跨专业多源异构数据的统一描述和一体化组织，具体表现为：①形成多源异构数据的统一数据描述，避免数出多源、指标冲突等问题，如图10（b）所示；②实现不同来源数据的二三维数据的一体化组织，整合形成了地质调查业务管理“一张图”，如图10（c）所示；③实现多源异构数据有效组织关联下的一体化关联检索，如图10（d）所示；④实现了统一数据描述下的多源数据的综合决策辅助，如图10（e）所示。
4 结 论
不同来源数据集成过程中会出现数据模型差异导致的数据异构，针对具有时空特性的地质调查业务管理数据，本文提出了一种基于元数据集成和语义建模的UDM构建方法，并构建了地质调查业务管理UDM；面向20余个不同来源地质调查业务管理数据，实现了统一数据描述和一站式、一体化管理服务，有效地解决了数出多源导致的数据口径不一、二义性、数据分散冗余等问题。通过数据的互通共享和分析应用，可以支撑业务流程优化和管理决策。
基于模型实现多源数据的统一组织和描述，可以为其他包含空间数据领域的多源异构数据的一体化组织管理提供参考。然而，研究主要针对包含时空数据的结构化为主、包含其他结构的多来源数据集成问题，在面向更为复杂多样的多模态空间数据集成及开发其他领域应用潜力等方面，还有待进一步探索。
致谢
本文依托2016年至今的地质调查项目，为解决各类业务数据的集成问题，开展的专题研究。得到了中国地质调查局地质力学研究所谭永杰正高级工程师的大力支持指导；其中涉及不同来源数据集成，得到了中国地质调查局发展研究中心邱丽华教高及相关部室、兄弟单位和部门支持；同时，受到笔者博士生导师中国地质大学（武汉）谢忠教授和荷兰特文特大学ITC的Tiejun Wang教授指导。在此一并表示谢意。
参考文献（References）
陈换新, 常正阳, 谢政, 徐明世, 吕东儒, 张吉才. 2020. 基于规则的多源空间数据集成处理. 地理信息世界, 27(6): 118-122[Chen H X, Chang Z Y, Xie Z, Xu M S, Lv D R, Zhang J C. 2020. Multi-source spatial data integration based on rule. Geomatics World, 27(6): 118-122 (in Chinese)]
陈家良, 冯金顺, 董少然, 郭新苍, 范烁晨, 朱光耀, 高静, 马胤垚. 2024. 利用联邦学习技术促进大数据中心的集成应用. 计算机与网络, 50(4): 289-295[Chen J L, Feng J S, Dong S R, Guo X C, Fan S C, Zhu G Y, Gao J, Ma Y Y. 2024. Integrated application of big data center using the technology of federated learning. Computer & Network, 50(4): 289-295 (in Chinese)]
范振林, 张超, 吴斌, 任涛. 2021. 基于LBS的安全保障信息推送系统的设计与实现. 地理空间信息, 19(3): 121-123, 8[Fan Z L, Zhang C, Wu B, Ren T. 2021. Design and implementation of security information push system based on LBS. Geospatial Information, 19(3): 121-123, 8 (in Chinese)]
高慧星, 杨蕊. 2022. 面向语义网的本体不确定性推理建模仿真. 计算机仿真, 39(11): 290-293, 381[Gao H X, Yang R. 2022. Modeling and simulation of ontology uncertainty inference for semantic web. Computer Simulation, 39(11): 290-293, 381 (in Chinese)]
黄秋子. 2020. 面向语义异构的健康医疗数据集成模型研究. 硕士学位论文. 重庆: 重庆大学[Huang Q Z. 2020. Research on health care data integration model facing semantic heterogeneity. Master Dissertation. Chongqing: Chongqing University (in Chinese)]
姬龙涛, 李亚汝, 张军海, 刘雅浩. 2024. 面向对象时空数据模型研究概述. 时空信息学报, 31(6): 732-744[Ji L T, Li Y R, Zhang J H, Liu Y H. 2024. An overview of research on object-oriented spatiotemporal data models. Journal of Spatio-temporal Information, 31(6): 732-744(in Chinese)]
纪斌, 吴家菊, 马永起, 周本金, 谢永辉. 2019. 基于UML建模XML模式. 计算机工程与设计, 40(1): 109-115[Ji B, Wu J J, Ma Y Q, Zhou B J, Xie Y H. 2019. Model XML schema based on UML. Computer Engineering and Design, 40(1): 109-115 (in Chinese)]
姜楠, 文必龙, 林宗斌. 2018. 基于元模型驱动异构数据统一建模的研究. 电脑知识与技术, 14(12): 4-5, 8[Jiang N, Wen B L, Lin Z B. 2018. Unified modeling of heterogeneous data based on meta model. Computer Knowledge and Technology, 14(12): 4-5, 8 (in Chinese)]
李姗迟, 彭逸桓. 2024. 海域使用立体分层数据模型构建与应用. 海洋开发与管理, 41(8): 13-19[Li S C, Peng Y H. 2024. Construction and application of data model in the maritime stereotactic space use. Ocean Development and Management, 41(8): 13-19 (in Chinese)]
刘凤, 钟志农, 贾庆仁, 景宁, 马梦宇, 杨飞. 2024. 面向富语义复杂事件的时空数据建模. 地理学报, 79(7): 1700-1717[Liu F, Zhong Z N, Jia Q R, Jing N, Ma M Y, Yang F. 2024. Spatio- temporal data modeling of rich semantic for composite events. Acta Geographica Sinica, 79(7): 1700-1717 (in Chinese)]
刘剑炜, 高崟, 赵文豪, 翟召坤, 吴晨琛. 2021. 自然资源时空数据模型构建方法研究. 地理信息世界, 28(5): 42-46[Liu J W, Gao Y, Zhao W H, Zhai Z K, Wu C C. 2021. Research on construction method of natural resources spatial-temporal data model. Geomatics World, 28(5): 42-46 (in Chinese)]
刘磊, 赵福权, 姚晓峰, 张翠光, 张婷婷. 2024. 2018-2022年资源环境国情地质调查工作程度分析. 矿产勘查, 1-5. https://kns.cnki.net/kcms/detail/11.5875.td.20241229.2054.012.html. [2024-12-31] [Liu L, Zhao F Q, Yao X F, Zhang C G, Zhang T T. 2024. Analysis on the degree of geological survey of resources, environment and national conditions from 2018 to 2022. Mineral Exploration, 1-5. https://kns.cnki.net/kcms/detail/11.5875.td.20241229. 2054.012.html. [2024-12-31] (in Chinese)]
谭永杰, 刘荣梅, 朱月琴, 文敏. 2023. 论地质大数据的特点与发展方向. 时空信息学报, 30(3): 313-320[Tan Y J, Liu R M, Zhu Y Q, Wen M. 2023. On the characteristics and development directions of geological big data. Journal of Spatio-temporal Information, 30(3): 313-320 (in Chinese)]
谭永杰, 文敏, 朱月琴, 屈红刚. 2017. 地质数据的大数据特性研究. 中国矿业, 26(9): 67-71, 84[Tan Y J, Wen M, Zhu Y Q, Qu H G. 2017. Research on the big data characteristics of geological data. China Mining Magazine, 26(9): 67-71, 84 (in Chinese)]
谭永杰, 文敏. 2023. 地质信息化建设研究进展与展望. 中国地质调查, 10(2): 1-9[Tan Y J, Wen M. 2023. Research progress and prospect of geological informatization construction. Geological Survey of China, 10(2): 1-9 (in Chinese)]
文敏, 唐新明, 史绍雨, 文建强, 闫浩文, 黄伟. 2011. 针对海陆图融合的数字海图自动预处理及实现. 地理空间信息, 9(1): 126-127, 135, 14[Wen M, Tang X M, Shi S Y, Wen J Q, Yan H W, Huang W. 2011. Research and implementation of pre-processing of digital chart for chart-map integration. Geospatial Information, 9(1): 126-127, 135, 14 (in Chinese)]
文敏, 月一, 张怀东, 王想红, 施艳, 刘荣梅, 孙涵睿. 2024. 地质调查业务管理数据集成辅助决策系统架构与关键技术. 地质通报, 43(7): 1221-1232[Wen M, Yue Y, Zhang H D, Wang X H, Shi Y, Liu R M, Sun H R. 2024. A framework and key technologies for national geological survey management data integration and analysis for decision support. Geological Bulletin of China, 43(7): 1221-1232 (in Chinese)]
翁东雷, 王露民, 莫建国, 唐金祥, 卢俊. 2024. 基于迭代模糊聚类算法的多源异构电力数据集成. 电子设计工程, 32(23): 150-154[Weng D L, Wang L M, Mo J G, Tang J X, Lu J. 2024. Integration of multi-source heterogeneous power data based on iterative fuzzy clustering algorithm. Electronic Design Engineering, 32(23): 150-154 (in Chinese)]
吴杭彬, 韦朝旭, 陈茜茜, 胡辰雨, 周少军, 赵峰, 刘一宁, 黄炜, 刘春. 2024. 基于本体和知识图谱的城市空间数字底座架构及应用. 时空信息学报, 31(2): 292-301[Wu H B, Wei C X, Chen Q Q, Hu C Y, Zhou S J, Zhao F, Liu Y N, Huang W, Liu C. 2024. Architecture and application of urban spatial digital base based on ontology and knowledge graph. Journal of Spatio-temporal Information, 31(2): 292-301 (in Chinese)]
薛娇, 胡平昌, 卢刚, 颜怀成. 2020. 基于元数据的多源异构遥感影像管理技术研究与实现. 地理信息世界, 27(2): 110-113[Xue J, Hu P C, Lu G, Yan H C. 2020. Implementation of multi-source and heterogeneous remote sensing image management technology based on metadata. Geomatics World, 27(2): 110-113 (in Chinese)]
闫佳和, 李红辉, 马英, 刘真, 张大林, 江周娴, 段宇航. 2024. 多源异构数据融合关键技术与政务大数据治理体系. 计算机科学, 51(2):1-14[Yan J H, Li H H, Ma Y, Liu Z, Zhang D L, Jiang Z X, Duan Y H. 2024. Multisource heterogeneous data fusion technologies and government big data governance system. Computer Science, 51(2):1-14(in Chinese)]
杨晨雪, 文敏. 2019. 数据仓库技术与其在地质调查中的应用. 地质论评, 65(S1): 311-312[Yang C X, Wen M. 2019. Data warehouse technology and its application in geological survey. Geological Review, 65(S1): 311-312 (in Chinese)]
袁中臣, 马宗民. 2021. 基于语义的UML类图的集成分类. 计算机工程与应用, 57(12): 257-262[Yuan Z C, Ma Z M. 2021. Ensemble classification for UML class diagram based on semantics. Computer Engineering and Applications, 57(12): 257-262 (in Chinese)]
张新兴, 杨志刚, 庞弘燊, 杨敏然. 2022. 科学数据集成体系及最新进展研究. 情报理论与实践, 45(6): 199-206[Zhang X X, Yang Z G, Pang H S, Yang M R. 2022. Research on science data integration system and the latest progress. Information Studies:Theory & Application, 45(6): 199-206 (in Chinese)]
赵国锋, 葛丹凤. 2016. 数据虚拟化研究综述. 重庆邮电大学学报(自然科学版), 28(4): 494-502[Zhao G F, Ge D F. 2016. A survey on data virtualization. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 28(4): 494-502 (in Chinese)]
赵骞, 邓轶, 李东阳, 郭睿. 2020. 多部门地名地址整合与协同服务方法研究. 地理信息世界, 27(1): 122-126[Zhao Q, Deng Y, Li D Y, Guo R. 2020. A method of multi-sector address integration and collaborative service. Geomatics World, 27(1): 122-126 (in Chinese)]
赵太祥, 马玉龙, 周雨. 2012. 数据仓库在异构数据库集成中的应用. 计算机与网络, 38(7): 70-71[Zhao T X, Ma Y L, Zhou Y. 2012. The appliance of data warehouse in heterogeneous database integration. Computer & Network, 38(7): 70-71 (in Chinese)]
周建芳, 徐海银, 卢正鼎. 2008. 信息集成中语义异构问题研究. 计算机应用研究, 25(8): 2349-2351[Zhou J F, Xu H Y, Lu Z D. 2008. Research of semantic heterogeneity in information integration. Application Research of Computers, 25(8): 2349-2351 (in Chinese)]
Wen M, Tang X M, Shi S Y, Wen J Q, Yan H W, Sbsm B J. 2012. Semantic integration for multi-source geo-data based on ontology—A case of integration of chart and map// Proceedings of 2010 3rd International Conference on Computer and Electrical Engineering
↓↓ 了解更多产业要闻↓↓
请将我设为星标★
>>协会通知
>>近期要闻
“企业家风采”“民企之光”“创新之声”“精品成果秀”“会员喜讯”“新品发布汇”“产学研合作”“国际市场”“专精特新”“科普”等主题宣传（专栏）长期征稿，欢迎投稿！
联系人：李娟 13370105015（微信）
邮箱：xc@cagis.org.cn
欢迎关注、分享