艰险地区地质调查多模态数据协同云服务关键技术与应用
李丰丹1,2，吕霞1,2，陶留锋3，温兴平4，
高博5，刘园园1,2，刘畅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. 中国地质大学（武汉）地质探测与评估教育部重点实验室，武汉 430074；
4. 昆明理工大学国土资源工程学院，昆明 650031；
5. 首都师范大学资源环境与旅游学院，北京 100089
摘 要：遥感数据在地质调查工作发挥的作用已从研究试验型逐步转向业务化应用，数据服务的范围和深度日益提升，在艰险地区开展地质调查，尤其是偏远、复杂地形的高原地区，如何精准地为用户提供地质数据服务，已成为制约地质信息服务发展的瓶颈。本文运用云计算、大数据、人工智能等技术，基于笔者团队建设的地质调查智能空间，构建多模态、多尺度、多专业的“遥感+地质”的数据存储模型，研发基于深度学习的高分辨率遥感影像线性构造自动提取方法、支持多终端操作的地质调查影像底图服务发布方法、天空地一体化地质调查位置感知知识发现与多源信息主动服务等技术，形成多模态地质调查数据协同云服务技术体系，创建艰险地区地质调查智能空间“云+端”服务模式。研究成果已在青海、西藏等艰险地区的第四系地质调查、造山带蛇绿岩体地质调查等400多个区域地质调查和地质矿产调查项目中得到了成功应用，满足了艰险地区地质调查工作的应用需求。
关键词：地质调查；多模态数据；存储模型；协同云服务；智能空间；艰险地区
引用格式：李丰丹, 吕霞, 陶留锋, 温兴平, 高博, 刘园园, 刘畅. 2025. 艰险地区地质调查多模态数据协同云服务关键技术与应用. 时空信息学报, 32(3): 257-265
Li F D, Lyu X, Tao L F, Wen X P, Gao B, Liu Y Y, Liu C.2025. Key technologies and applications of multi-modal data collaborative cloud services for geological surveys in difficult terrains. Journal of Spatio-temporal Information, 32(3): 257-265, doi: 10.20117/j.jsti.202503004
1 引 言
地质调查是人们对地球表层有目的的探测与探索，是采集、加工、处理、综合研究集成各类地质信息的过程，是国家实施可持续发展战略的基础性和支柱性工作（李超岭等，2015a，b；严光生等，2015）。信息技术自出现以来就不断与地质调查工作融合，在业务的各个环节得到了越来越广泛的应用，对满足国家需求并服务于经济社会发展具有重要的支撑作用（雷传扬等，2021；谭永杰等，2023；谭永杰和文敏，2023）。随着云计算、大数据、人工智能等新一代信息技术在地学领域的应用，地质调查的工作环境逐步向互联互通的地质云平台、云桌面、云存储、地质云“端”的地质综合研究平台发展（Scott和Dimitrakopoulos，2001；李超岭等，2015c；Arabi等，2019）。在此背景下，地质调查人员对地质信息感知与认知的需求日益增强，尤其是对精细化多模态数据协同云服务的需求更为迫切（赵鹏大，2019；谭永杰等，2023）。此外，艰险地区自然条件恶劣，突发性地质灾害频发，导致人为采集地质要素信息难度大、成本高，野外作业人员安全性无法保障，这给地质调查与开发带来了极大的困难。在最大限度减少野外实地工作的前提下，如何快速、准确地获取艰险地区地质要素信息是当务之急。
卫星遥感在地调查工作中具有先行作用和应急监测优势，利用多源高分辨率遥感宏观性、综合性、时效性的优势，能够快速获取多期次地质要素信息（李超岭等，2014）。美国、加拿大、澳大利亚等国家的地质科学、矿产资源和能源研究计划中都包括了遥感地质方面的工作内容，如美国地质调查局（United States Geological Survey，USGS）的科学发展战略（2010—2020）、USGS地球资源观测与科学（Earth Resources Observation and Science，EROS）中心战略计划、澳大利亚空间对地观测战略、加拿大遥感科学项目、英国能源与气候变化部对地观测战略等（万之璋，2022）。我国自1999年地质大调查以来，围绕地矿特点和业务急需，重点开展了国产卫星应用、高光谱矿物填图等遥感技术的应用研究，通过建立遥感业务应用系统，创建遥感地质综合试验场，构建了立体遥感地质调查技术体系，实现了遥感技术地质应用工程转化和业务运行，支撑了地质找矿和地质灾害环境调查监测等业务，使遥感成为地质调查基础业务工作不可或缺的技术手段（梁树能等，2015；向丰，2018）。随着遥感探测技术的发展，影像数据逐渐朝着高光谱分辨率、高空间分辨率及高时间分辨率的方向发展，呈现出数量大、多变性、多样性和真实性等特点（杨豪杰和张锦，2020；王迎春，2023）。遥感数据在地质调查工作发挥的作用已从研究试验型逐步转向业务化应用，数据服务的范围和深度日益提升。但在实际应用中还突出存在着以下问题：①除了海量的遥感数据，地质调查数据还包括矢量、图像、文本、语音等不同格式、特征的数据，统一表达和存储多模态数据是云服务的关键问题；②遥感影像数据内容丰富、数据量大，存在数据利用率、服务分发效率不高等问题，如何增强遥感影像智能化处理和服务水平，准确获取影像中的地质信息，是提升地质调查数据服务能力的关键；③海量的地质调查数据会产生数据服务自动化程度低、无法满足野外调查即时动态需求的问题，如何精准地为用户提供地质数据服务，成为制约地质信息服务发展的瓶颈。
因此，本文结合云服务平台优势，充分发挥以高分辨率为主的遥感影像数据与地质数据的服务能力和效率，提出地质调查数据存储表达、地质遥感信息智能化提取、地质调查信息自动化服务等关键技术，形成艰险地区多模态地质调查数据协同云服务技术体系，实现地质信息快速共享与推送服务。
2 总体框架
艰险地区地质调查多模态数据协同云服务技术架构如图1所示。艰险地区地质调查多模态数据协同云服务的体系集成了云计算、云GIS、非结构化数据库技术、机器学习等，由基础设施层、数据资源治理层、分布式计算层和应用服务层四层组成。
（1）基础设施层采用网络、存储、计算机硬件服务器的虚拟化技术，形成可水平扩展的基础设施资源池，可面向业务需求按需动态调节提供计算机软硬件环境。
（2）数据资源治理层集中管理空间、非空间数据及数据间关联模式，在集成关系型数据库、非关系型数据库和分布式文件系统混合存储环境下，支持栅格、矢量、地质文本等数据的存储与关联模式，形成多要素、多模式、多尺度数据资源的关联与分类管理模式。
（3）分布式计算层是框架的核心。基于大数据分布式计算框架、机器学习框架、深度学习框架为核心的综合计算框架，充分发挥云计算的能力。采用资源池化、计算弹性化、服务规模伸缩化、一体化运维等理念，运用虚拟化、容器化、容器动态编排、微服务、持续交付等云原生技术，构建高弹性、高并发、高可靠的松耦合地质调查大数据计算框架。基于容器化平台技术，提供高资源利用率、弹性伸缩、自动化秒级扩展的平台基础架构。深度融合微服务框架，支持灵活、敏捷的规模化部署、业务快速迭代模式。分布式计算层在传统空间数据的关联定位、空间分析、可视化GIS服务的基础上，融合机器学习、深度学习技术扩展地质文本分析、图像分类等智能化分析，提升了空间数据与非空间数据的集成分析能力。
（4）应用服务层提供影像服务、基于位置的地调信息推荐、底图在线服务、离线资源获取、基于遥感影像的地质构造自动提取等服务。
3 关键技术
3.1 多模态、多尺度、多专业的“遥感+地质”的数据存储模型
地质学属于数据密集型科学，地质数据包括结构化、半结构化及非结构化三种类型，更具有多模态多尺度等特征（赵鹏大，2019）。依据各自特点构建适用的模型，形成科学的存储模型，有利于更好地组织地质数据和挖掘数据价值（李婧等，2015；翟明国等，2018）。
本文提出多模态、多尺度、多专业的“遥感+地质”的数据存储模型，构建融合多级多尺度、贯穿生命全周期、可动态更新的统一数据底座，实现了艰险地区地质调查多模态数据协同的全域全要素数据支撑。多面向多要素、多模态、多尺度数据的资源框架如图2所示。
以GIS空间数据库与Hadoop技术生态为基础，结合大数据技术构建地质数据资源治理层，实现面向多要素、多模态、多尺度数据的资源治理框架，底层存储以MapGIS SDE空间数据存储引擎与Hadoop分布式存储引擎的无缝融合，实现对地质数据资源的存储与管理。融合后的集中存储可支持关系型，瓦片缓存型，矢量、栅格及非结构化数据资源类型，所存储管理的各项地质专题数据在完成关联关系提取与构建后，利用空间位置、地质要素实体编码、采集传感器类型等构建数据目录，形成完整的数据资源分类体系。面对支撑各项专业业务工作时，满足多专题的数据集查询与获取，同时具备高带宽、海量小文件存取、多协议互通、数据共享的能力。
3.2 基于深度学习的高分遥感影像线性构造自动提取方法
高分辨率遥感影像包含丰富的地质信息，为地质要素信息提取及应用提供了丰富的数据源。线性构造是遥感影像中一系列与地质作用有关或受地质构造控制而形成的线状影像特征，其分布规律是识别矿床、矿化带、矿体的重要标志（范建伟等，2022；徐俊龙，2023；王宇翔等，2024）。深度学习在图像识别、分类和检测任务中展现出强大的能力，为高分辨率遥感影像线性构造信息提取提供了技术支持。本文通过构建深度学习模型，实现对线性构造的自动识别和提取（图3）。
1）高分辨率遥感影像数据处理
采用导向滤波、双注意力网络和边界与形状感知等模型，实现不同场景下遥感影像自动增强、匀色、镶嵌等处理，生成的影像具有精确的空间定位精度、较高的光谱还原度，色彩接近地物真彩色，对比度较高等特点。导向滤波能够在保持边缘信息的同时，平滑噪声，自适应地处理不同场景下的遥感影像，使增强后的影像细节更加清晰，色彩更加真实。双注意力网络通过同时关注空间和通道信息，更全面地理解和处理影像中的复杂信息，消除混合像元及几何光学带来的影响，以提升影像的光谱还原度。边界与形状感知模型利用深度学习算法对影像中的边界和形状特征进行精确识别及提取，能够自适应地识别影像中的边界和形状特征，避免了传统方法中因光照变化、阴影等因素导致的识别误差，提高了影像处理的精度。通过智能化算法的优化处理，确保生成的影像具有良好的视觉一致性和空间连续性。
2）基于深度学习和小波变换的高分辨率遥感影像线性构造自动提取
线性构造是地质调查中的重要信息，采用基于深度学习和小波变换技术的高分辨率遥感影像线性构造自动提取方法，能够从复杂的影像中自动提取线性构造，并去除干扰噪声。通过小波变换，将影像分解为不同尺度成分，更好地识别和提取线性特征，有效地分离出线性构造特征。遥感影像常常受到各种干扰噪声的影响，如人工因素和山体阴影等，会对线性构造的提取造成干扰，降低结果的精度。因此，本文采用基于深度学习的山影辅助追踪去噪技术，通过训练深度学习模型，自动识别和去除影像中的噪声，提取更为精确的线性构造信息。通过在多个实验区进行的应用测试，将自动提取的线性构造与人工解译结果进行对比，发现二者具有高度的一致性。这表明，基于深度学习和小波变换的线性构造自动提取方法在精度和可靠性上达到了较高水平，能够有效地应用于实际地质调查中。
3.3 支持多终端操作的地质调查影像底图服务发布方法
由于高分辨率影像的大规模应用，影像数据量呈几何式激增，达到几百GB乃至TB级（丁忆等，2021；李英成等，2022；武昊等，2023）。传统的在线地图发布，需要先在前端将影像底图数据上传至服务系统，极度依赖网络环境及服务系统的性能，发布流程复杂、纯手工操作、效率低、稳定性差，仅适用于小数据量的影像底图服务发布。
地质调查影像底图服务发布流程如图4所示。针对影像底图文件数据体量大的情况，利用消息队列进行异步处理，并通过数据检验识别、元数据解析、文件信息提取、数据入库等处理过程，根据影像底图原始数据、底图文件信息、文件关联存储信息的不同结构和特点，采用混合数据库MinIO和PostgreSQL在后台存储，后台上传数据后触发服务发布机制，进行影像底图服务发布。发布时根据影像底图文件的数据类型，分别进行相应处理，基于高斯–克里格投影，按统一的裁剪规则对影像底图数据进行裁剪，并调用相应的数据发布接口进行数据发布，实现从影像底图数据到影像底图服务的快速转换，提升了高精度影像底图发布的效率。
用户通过客户端发起地质调查影像底图数据服务请求，通过F5负载均衡器、nginx代理服务器、服务网关等，调用相应的业务服务接口，获取相应的服务信息并返回给客户端，实现数据服务从内网向外网映射，为用户提供数据浏览、下载、检索等服务。
3.4 天空地一体化地质调查位置感知、知识发现与多源信息主动服务
图5展示了野外地质调查位置感知–知识发现–主动知识服务模式框架。野外地质调查智能感知框架由位置信息、感知信息和智能空间共三层构成。该框架以野外坐标位置为感知信息源，在地质调查智能空间平台的支持下（李超岭等，2015a，b；李丰丹等，2019），通过坐标位置获得地理位置（地名）和位置地质空间信息。感知信息以上述三个信息源为基础，通过智能空间平台的数据挖掘和发现，获得位置的地理信息和矢量数字高程模型、位置的地层、构造、矿产、剖面、剖面对比、测试数据、素描等信息。
地理位置特征是大多数地质调查数据具备的共同特征，遥感数据具有空间坐标等显式的地理位置特征，地质文本中的地理位置特征是隐式的。通过数据空间化，与具有显式空间信息的高分辨率遥感数据、地质矢量数据建立关联关系，提供多源数据的整合分析服务，支持智能搜索和地理感知，为基于位置的野外地质调查的知识推送、关联分析服务，如分类、聚类、推荐等，提供数据来源。
野外地质调查智能感知服务的首要问题是如何构建逻辑层面上的传感器。目前，智能手机是野外数据采集器的主要设备。针对艰险、弱信号地区地质调查的特点，利用智能手机实现位置感知，经过位置坐标至地理位置与地质空间位置的转换，形成逻辑上传感器的信息源。充分利用通信卫星、2G/3G/4G等多种通信技术，以及数据压缩、分布式多副本传输技术，通过智能空间平台实现艰险地区地质调查信息服务推送，实现有限带宽条件下的地质信息共享与资源协同。
4 艰险地区地质调查智能空间“云+端”服务模式
针对艰险地区地质调查高分辨率遥感数据与多源综合数据智能服务需求，综合运用大数据处理技术，基于笔者团队建设的地质调查智能空间，形成了基础地质数据与高分辨率遥感数据“云+端”协同应用模式，实现了高分辨率遥感影像数据信息挖掘和知识发现，以及高分辨率遥感影像数据与多源综合数据集成与融合，从复杂的多源数据中获取有价值的信息，为艰险地区地质资源调查与开发提供技术支撑。
艰险地区地质调查智能空间“云+端”服务模式以地质调查智能空间为核心，包括智能空间云服务和移动终端交互应用模块，可动态生成特定地区的遥感影像、地质文本、矢量地质图数据集，能够按照专题、尺度、专业等维度进行组织，提供及时、有效的基于空间位置的综合数据信息服务，实现了多源多尺度高分辨率遥感信息与基础地质信息的复合协同应用，以满足应用需求。
研究成果形成的2000多幅1︰5万遥感信息与基础地质信息协同应用服务，已在青海、西藏等艰险地区的第四系地质调查、造山带蛇绿岩体地质调查等400多个区域地质调查和地质矿产调查项目中得到成功应用示范。
5 结 论
针对艰险地区地质调查所面临的复杂性和挑战性，本文基于云计算、大数据、人工智能等技术，在地质调查数据存储表达、地质遥感信息智能化提取、地质调查信息自动化服务等方面进行了关键技术探究，形成了多模态地质调查数据协同云服务技术体系，创建了艰险地区地质调查智能空间“云+端”服务模式，满足了艰险地区地质调查工作的应用需求，有效支撑了地质调查能力的提升。提出了多模态、多尺度、多专业的“遥感+地质”的数据存储模型，构建了融合多级多尺度、贯穿全周期、可动态更新的统一数据底座，实现了艰险地区地质调查多模态数据协同的全域全要素数据支撑。提出了基于深度学习和小波变换技术的高分遥感影像线性构造自动提取方法与支持多终端操作的地质调查影像底图服务发布方法，实现从复杂的影像中自动识别和提取线性构造，提升了大规模、多类型、高精度影像底图发布的效率。设计了野外地质调查位置感知–知识发现–主动知识服务模式框架，实现艰险地区地质调查信息服务推送，解决了艰险地区野外地质调查信息服务的及时性、准确性和全面性三大难题。
随着数据爆炸式的增长与信息技术的革新，后续将持续推进人工智能等新一代信息技术在地质调查全过程的深度应用（Li等，2024；Tao等，2025）。集成整合不同传感器、不同数据源、不同形式的地质数据，建立高质量的地质调查领域大数据中心，并通过统一的智能服务平台，实现地质调查的全自动化、智能化和智慧化。
参考文献（References）
丁忆, 李朋龙, 张觅, 张泽烈, 李海峰, 胡艳, 马泽忠, 敖影. 2021. 国土资源典型要素变化遥感智能监测关键技术及应用. 地理信息世界, 28(6): 65-71[Ding Y, Li P L, Zhang M, Zhang Z L, Li H F, Hu Y, Ma Z Z, Ao Y. 2021. Key technology and application of remote sensing intelligent monitoring for the typical elements change of land and resources. Geomatics World, 28(6): 65-71 (in Chinese)]
范建伟, 倪春中, 韩晓东, 杨荣森. 2022. 个旧高松矿田线性构造对比分析研究. 地质找矿论丛, 37(4): 484-489[Fan J W, Ni C Z, Han X D, Yang R S. 2022. Correlation analysis of lineaments of remote sensing images and the measured fractures and faults in Gaosong ore field, Gejiu city, Yunnan province. Contributions to Geology and Mineral Resources Research, 37(4): 484-489 (in Chinese)]
雷传扬, 刘兆鑫, 王波, 范敏, 谢海洋, 尹显科. 2021. “互联网+” 背景下地质大数据共享服务研究. 中国国土资源经济, 34(11): 22-27, 89[Lei C Y, Liu Z X, Wang B, Fan M, Xie H Y, Yin X K. 2021. Research on geological big data sharing service under the background of “Internet plus”. Natural Resource Economics of China, 34(11): 22-27, 89 (in Chinese)]
李超岭, 李丰丹, 李健强, 刘园园, 刘畅, 吕霞. 2015a. 智能地质调查体系与架构. 中国地质, 42(4): 828-838[Li C L, Li F D, Li J Q, Liu Y Y, Liu C, Lyu X. 2015. Smart geological survey architecture. Geology in China, 42(4): 828-838 (in Chinese)]
李超岭, 李丰丹, 吕霞, 李健强, 刘畅, 刘园园. 2015b. 地质调查智能空间体系与架构. 测绘学报, 44(S1): 143-151, 159[Li C L, Li F D, Lyu X, Li J Q, Liu C, Liu Y Y. 2015. The architecture of geological survey intelligent space. Acta Geodaetica et Cartographica Sinica, 44(S1): 143-151, 159 (in Chinese)]
李超岭, 李健强, 张宏春, 龚爱华, 魏东琦. 2015c. 智能地质调查大数据应用体系架构与关键技术. 地质通报, 34(7): 1288-1299[Li C L, Li J Q, Zhang H C, Gong A H, Wei D Q. 2015. Big data application architecture and key technologies of intelligent geological survey. Geological Bulletin of China, 34(7): 1288-1299 (in Chinese)]
李超岭, 刘畅, 刘圆圆, 李丰丹, 李健强, 吕霞. 2014. 天地技术合一的野外地质工作现代化模式. 地理信息世界, 21(6): 106-113[Li C L, Liu C, Liu Y Y, Li F D, Li J Q, Lv X. 2014. Field geological work modernization mode based on GRID GIS and satellite navigation communication technology. Geomatics World, 21(6): 106-113 (in Chinese)]
李丰丹, 刘畅, 刘园园, 吕霞. 2019. 地质调查智能空间框架构建与实践. 地质论评, 65(S1): 317-320[Li F D, Liu C, Liu Y Y, Lyu X. 2019. Construction and practice of intelligent spatial framework for geological survey. Geological Review, 65(S1): 317-320 (in Chinese)]
李婧, 陈建平, 王翔. 2015. 地质大数据存储技术. 地质通报, 34(8): 1589-1594[Li J, Chen J P, Wang X. 2015. A study of the storage technology of geological big data. Geological Bulletin of China, 34(8): 1589-1594 (in Chinese)]
李英成, 薛艳丽, 王广亮, 王涛, 李昌柯. 2022. 自然资源即时遥感监测技术体系研究. 地理信息世界, 29(5): 101-105][Li Y C, Xue Y L, Wang G L, Wang T, Li C K. 2022. Research on real-time remote sensing monitoring technology system of natural resources. Geomatics World, 29(5): 101-105 (in Chinese)]
梁树能, 甘甫平, 张振华, 魏红艳, 肖晨超, 魏丹丹. 2015. 国内外遥感试验场建设进展. 地质力学学报, 21(2): 129-141[Liang S N, Gan F P, Zhang Z H, Wei H Y, Xiao C C, Wei D D. 2015. Introduction of the remote sensing test field site construction progress at home and abroad. Journal of Geomechanics, 21(2): 129-141 (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. 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)]
万之璋. 2022. 现代遥感技术在地质找矿中的应用研究. 西部资源,(3): 116-118[Wan Z Z. 2022. Application of modern remote sensing technology in geological prospecting. Western Resources, (3): 116-118 (in Chinese)]
王迎春. 2023. 一种基于学习型特征的多模态影像匹配方法. 时空信息学报, 30(3): 345-351[Wang Y C. 2023. A multi-modal image matching method based on learned features. Journal of Spatio-temporal Information, 30(3): 345-351 (in Chinese)]
王宇翔, 常河, 王玉祥. 2024. 基于全卷积神经网络的遥感图像线性构造解译方法——以云县官房铜矿区为例. 矿产与地质, 38(1): 184-194, 204[Wang Y X, Chang H, Wang Y X. 2024. Linear structure interpretation method of remote sensing image based on full convolution neural network: An example of Guanfang copper mining area in Yunxian County. Mineral Resources and Geology, 38(1): 184-194, 204 (in Chinese)]
武昊, 陈军, 田海波, 侯东阳, 张俊, 廖蓉. 2023. 全球地理信息公共产品研发的技术发展方向与主要任务. 时空信息学报, 30(2): 157-166[Wu H, Chen J, Tian H B, Hou D Y, Zhang J, Liao R. 2023. Direction and main task of global geographic information public product research and development. Journal of Spatio-temporal Information, 30(2): 157-166 (in Chinese)]
向丰. 2018. 遥感地质存在的问题及关键技术分析. 资源信息与工程, 33(1): 4-5[Xiang F. 2018. Problems and key technology analysis of remote sensing geology. Resource Information and Engineering, 33(1): 4-5 (in Chinese)]
徐俊龙. 2023. 基于影像及波段优选的遥感线性构造自动提取方法研究. 博士学位论文. 昆明: 昆明理工大学[Xu J L. 2023. Study on automatic extraction method of remote sensing linear constructs based on image and band preference. Doctoral Dissertation. Kunming: Kunming University of Science and Technology (in Chinese)]
严光生, 薛群威, 肖克炎, 陈建平, 缪谨励, 余海龙. 2015. 地质调查大数据研究的主要问题分析. 地质通报, 34(7): 1273-1279[Yan G S, Xue Q W, Xiao K Y, Chen J P, Miao J L, Yu H L. 2015. An analysis of major problems in geological survey big data. Geological Bulletin of China, 34(7): 1273-1279 (in Chinese)]
杨豪杰, 张锦. 2020. 矿区采动地裂缝高分辨率影像特征分析. 地理信息世界, 27(6): 57-63[Yang H J, Zhang J. 2020. Features analysis of high resolution imagery for ground fissures in mining area. Geomatics World, 27(6): 57-63 (in Chinese)]
翟明国, 杨树锋, 陈宁华, 陈汉林. 2018. 大数据时代: 地质学的挑战与机遇. 中国科学院院刊, 33(8): 825-831[Zhai M G, Yang S F, Chen N H, Chen H L. 2018. Big data epoch: Challenges and opportunities for geology. Bulletin of Chinese Academy of Sciences, 33(8): 825-831 (in Chinese)]
赵鹏大. 2019. 地质大数据特点及其合理开发利用. 地学前缘, 26(4): 1-5[Zhao P D. 2019. Characteristics and rational utilization of geological big data. Earth Science Frontiers, 26(4): 1-5 (in Chinese)]
Arabi Aliabad F, Shojaei S, Zare M, Ekhtesasi M R. 2019. Assessment of the fuzzy ARTMAP neural network method performance in geological mapping using satellite images and Boolean logic. International Journal of Environmental Science and Technology, 16(7): 3829-3838
Li C L, Li F D, Liu C, Tang Z, Fu S, Lin M, Lv X, Liu S, Liu Y Y. 2024. Deep learning-based geological map generation using geological routes. Remote Sensing of Environment, 309: 114214
Scott M, Dimitrakopoulos R. 2001. Quantitative analysis of mineral resources for strategic planning: Implications for Australian geological surveys. Natural Resources Research, 10(3): 159-177
Tao L F, Xu Y J, He K, Ma X C, Wang L Z. 2025. Pan-spatial earth information system: A new methodology for cognizing the Earth system. The Innovation, 6(3): 100770
↓↓ 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