《时空信息学报》是由自然资源部主管，国家基础地理信息中心、中国地理信息产业协会、黑龙江测绘地理信息局共同主办的中文学术期刊，双月刊。为分享最新研究成果，搭建学术交流平台，中国地理信息产业协会公众号开设“时空信息学报”专栏，独家刊载《时空信息学报》论文，供广大读者研阅。1月2日起，陆续刊发2024年第5期的10篇论文。欢迎产学研用各界关注、分享！
面向地表覆盖处理服务的知识图谱建模方法研究
张金华1，仇培元1，邢华桥1，冯永玉2
1. 山东建筑大学 测绘地理信息学院，济南 250101；2. 山东省国土空间数据和遥感技术研究院，济南 250002
摘 要：随着开放地理空间联盟（Open Geospatial Consortium，OGC）标准的广泛应用，各种地表覆盖处理服务不断涌现，在自然资源调查监测、生态保护修复和防灾减灾等领域发挥了重要的作用。地表覆盖处理服务具有典型的多源异构特点，信息碎片化严重，使得各处理服务之间难以建立有效关联，用户无法有效地获取个性化的处理服务资源。本文提出一种地表覆盖处理服务领域的知识图谱建模方法。首先，构建地表覆盖处理服务知识图谱概念框架；其次，抽取地表覆盖处理服务实体信息并分析服务实体之间的语义关系，构建地表覆盖处理服务知识图谱；最后，开发地表覆盖处理服务知识图谱原型系统，以济南市天桥区黄河流域信息提取为例，进行验证分析。结果表明，通过构建地表覆盖处理服务领域的知识图谱，可有效解决各处理服务之间缺乏关联和信息碎片化的问题，满足用户对服务的个性化选择需求。
关键词：OGC；地表覆盖；多源异构；知识图谱；领域知识；语义关系；服务关联
引用格式：张金华, 仇培元, 邢华桥, 冯永玉. 2024. 面向地表覆盖处理服务的知识图谱建模方法研究. 时空信息学报, 31(5): 641-651
Zhang J H, Qiu P Y, Xing H Q, Feng Y Y. 2024. A method for construction of knowledge graph for land cover processing services. Journal of Spatio-temporal Information, 31(5): 641-651, doi: 10.20117/j.jsti.202405007
1 引 言
地表覆盖及其变化信息是气候变化研究、生态环境评估、森林资源管理及地理国情监测等领域不可或缺的重要基础数据。通过对地表覆盖数据的采集、处理和分析，可以有效地监测和评估环境变化与自然资源的利用，为环境保护和可持续发展提供科学依据（陈军等，2017；Szantoi 等，2020；武昊等，2023）。为了实时、方便地获取地表覆盖数据，政府部门、国际组织、科技企业、学术机构等大力发展空间数据基础设施与地理信息的门户，将地表覆盖相关数据、算法发布为Web服务（吴华意等，2022；陈军等，2023；邢华桥等，2023；刘畅，2023）。用户在使用地表覆盖处理服务时，需要了解服务的功能、输入参数、数据类型、适用范围等，确保提供恰当的输入数据，以便对地表覆盖数据做出正确的处理操作。然而，地表覆盖处理服务彼此之间缺乏有效的关联，用户在使用服务时难以选择适合自己需求的服务，进而无法满足个性化选择需求。
近年来，知识图谱在处理多源异构数据方面呈现出巨大的优势，以结构化方式表达知识节点及相互间的语义关系，使数据互联走向知识互联（陆锋等，2017）。知识图谱可以分为通用知识图谱和领域知识图谱两类。比较有代表性的通用知识图谱包括DBpedia、YAGO、WikiData、CN-DBpedia及OwnThink等（黄金来，2020）。通用知识图谱研究主要聚焦在知识图谱的构建和推理方面，目前在实体抽取、属性抽取、关系抽取等方面已有较多成果（Ji 等，2022）。领域知识图谱主要面向特定领域，对专业性与准确度具有更高要求，通常要求严格的本体层和更加细分的知识推理，以及辅助分析与决策（刘建湘等，2023）。使用知识图谱对服务语义化表达，将服务知识关联起来，形成网络化的地表覆盖处理服务知识图谱，是实现服务个性化需求的可行路径。
地学领域的相关研究主要基于地理本体和空间关系的推理，实现了数据向知识的初步转化。如诸云强等（2023）提出了顾及复杂时空特征及关系的地学知识图谱自适应表达模型，实现时空信息的统一对齐转换与计算推理；杨玉莹等（2023）利用GlobeLand30数据、生态地理分区数据，分析湿地领域知识，实现了湿地知识图谱构建；Zheng等（2022）通过分析地理要素的时空特征和演化，提出了地理演化知识图谱，揭示了地理要素演化机制和演化原因；Zhang等（2022）深入分析了地球科学知识图谱构建的整体流程，提出了人机协作机制和具体框架来理解地球科学知识的本质；Guo等（2021）提出了一种基于多源数据的地理知识图谱构建方法，对于地理数据向知识的延伸具有重要意义；Ye等（2023）对地理信息进行本体建模，构建了基础地理信息知识图谱，为地理空间数据的转换和生产提供了新的思路。然而，上述已有研究侧重地理实体、地理事件、地理过程、地理空间数据等对象，语义内涵与地表覆盖处理服务有着显著不同，尚不能直接用于地表覆盖处理服务领域。
为满足用户对地表覆盖数据的处理应用需求，影像分类、数据验证、统计分析、在线搜索、数据标报、变化检测、数据更新等地表覆盖处理服务不断涌现，呈现出典型的多源异构性（王海航，2024）。具体地，服务底层封装的地表覆盖处理算法来源多样，使用不同的开发语言和环境研发的算法，如采用GRASS GIS、OTB、GDAL等开源算法库（朱倩，2020）；使用的服务封装协议也不尽相同，有研究既有基于开放地理空间联盟（Open Geospatial Consortium，OGC）WPS的服务发布框架，也有以Restful的标准形式发布的Web API（王金传，2019）；根据不同的服务标准，服务描述信息的元数据也不一致（Zhang等，2023）。然而地表覆盖处理服务的多源异构性会使得在整合地表覆盖处理服务时出现兼容性问题，并增加了使用复杂性和操作难度，可能导致操作失败等。因此，本文提出运用语义网技术和本体标准化服务描述中的术语与概念，使用统一的语义模型描述服务，探讨解决服务的多源异构性问题。首先，将地表覆盖处理服务作为数据来源，构建处理服务知识的统一概念框架；其次，根据不同服务标准建立相应的模板封装器提取服务属性信息，并通过计算服务描述信息之间的余弦相似度，分析服务实体之间的语义关系，将服务的属性信息和关系信息存储到Neo4j图数据库中，形成地表覆盖处理服务知识图谱；最后，实现地表覆盖处理服务知识图谱原型系统。
知识图谱由谷歌公司于2012年提出，目的是提高搜索引擎的检索能力。其用图数据结构表示知识载体，描述客观世界的事物与关系；节点表示客观世界的事物，边表示事物之间的关系（张永军等，2023）。地表覆盖处理服务知识图谱的构建与应用具有较强的通用性，并具有一定的专业特殊性。基于知识图谱通用技术（Ma，2022），实验采用自顶向下的方式构建地表覆盖处理服务知识图谱，流程如图1所示。首先，借助专业文献资源和标准规范资料中的相关概念及术语，通过系统地梳理概念体系，形成模式层；其次，对数据层进行归纳整合；最后，在前端可视化展示地表覆盖处理服务知识图谱，通过关键词检索服务，满足用户对服务的个性化选择需求。
2.1 模式层构建
2.1.1 本体构建
知识图谱的数据组织架构分为模式层和实体层两个层次（张佳佳等，2023）。模式层即本体层，本体是一种规范说明，用于共享某一领域中术语及关系。通用知识图谱通常采用自底向上的方式构建，而领域知识图谱则采用自顶向下的方式（陈军等，2019；张彬钰，2023）。实验自顶向下地对各个要素进行概念间语义关系定义、概念层次划分及要素属性关系定义。采用本体思想构建地表覆盖处理服务知识图谱的模式层，地表覆盖处理服务本体表示为
式中，
为地表覆盖处理服务所在的平台或者获取方式，如ZooProject平台等；
为地表覆盖处理服务实例，如r.RasterTransform栅格投影服务；
为地表覆盖处理服务的属性，如处理服务的标识符等；
为地表覆盖处理服务之间的关系，表示不同处理服务之间语义关联关系的定义，如等同关系等。
地表覆盖处理服务的知识涵盖范围广泛，按照OGC提供的地表覆盖处理服务规范文档和专业文献中的概念，将地表覆盖处理服务属性划分为ID、标识符、输入要素、输出要素、描述信息、关键词信息六个主要属性。地表覆盖处理服务属性表示为
式中，ID为地表覆盖处理服务的唯一标识；Identifier为地表覆盖处理服务的标识符，即名称；Description为地表覆盖处理服务的描述信息，可帮助用户理解该服务的功能；Input为地表覆盖处理服务的输入要素，包括需要进行处理或分析的地理要素或数据集；Output为地表覆盖处理服务产生的输出结果，即处理后的地理要素或数据集；Keyword为地表覆盖处理服务描述信息的关键词，以便于搜索和索引。按照上述模式层本体构建流程，使用Protégé工具对地表覆盖处理服务本体进行建模，结果如图2所示。
2.1.2 关系构建
服务语义关系是不同服务实体描述信息之间的关联关系，根据概念语义相等、语义包含、语义被包含等接口语义匹配关系，Web服务组合结构关系有顺序、选择、并行、条件、循环等（尉迟静远，2020）。根据地表覆盖处理服务包含的信息，进行服务语义关系提取，主要包括实例关系、输入关系、输出关系、等同关系、互逆关系、顺序关系、相似关系。地表覆盖处理服务语义关系描述如表1所示。
实例关系是地表覆盖处理服务开放平台与服务实体之间的关系，如i.cluster处理服务是ZooProject平台中的服务实例。输入关系是地表覆盖处理服务与输入要素实体之间的关联关系，如r.RasterTransform服务实例的一个输入要素实体的描述信息是“The input raster dataset.”。输出关系是地表覆盖处理服务与输出要素实体之间的关联关系，如r.RasterTransform服务实例的一个输出要素实体的描述信息是“The output raster dataset.”。等同关系是同级概念或实例之间具有等价关系，如通过爬虫获取到的r.RasterTransform处理服务实例和n.RasterTransform处理服务实例在服务功能上是一致的，两者具有等同关系。互逆关系是不同处理服务在功能上相互反向操作，如傅里叶变换和逆傅里叶变换这两个处理服务的结果是相互可逆的。顺序关系用于描述一个服务的输出信息可以做为另外一个服务的输入信息，如i.cluster处理服务输出要素的描述信息是“i.cluster服务所得到的文件被用作i.maxlik的输入，以生成无监督的图像分类”，i.maxlik服务的输入要素描述信息是“i.maxlik服务分类基于i.cluster生成的光谱特征信息”，这两个处理服务实例在语义描述上具有顺序关系。相似关系用于描述地表覆盖处理服务描述信息相近的服务实例，如gs:AddCoverages处理服务的描述信息是“两个源光栅逐像素相加生成光栅处理服务”，gs:MultiplyCoverages处理服务的描述信息是“两个源光栅逐像素相乘生成光栅处理服务”，这两个处理服务实例在语义描述上相似。2.2 数据层构建
在构建的地表覆盖处理服务模式层基础上，构建地表覆盖处理服务数据层。数据层的构建主要包括服务实体属性和实体关系抽取，将抽取的数据进行预处理清洗，确保数据质量后入库，构建地表覆盖处理服务知识库。
实验使用的地表覆盖处理服务数据来源于开放平台ZooProject、52°North、GeoServer等发布的服务，以及通过爬虫WebScraper在Google网站上识别地表覆盖处理服务的URL标识，获取相关地表覆盖处理服务数据。通过爬虫方式获得了294个地表覆盖处理服务实例，通过ZooProject平台等获取了815个地表覆盖处理服务实例，共计1109个地表覆盖处理服务实例。
2.2.1 服务实体属性抽取
地表覆盖处理服务通过DescribeProcess请求获取处理服务的完整描述信息。描述信息包括处理服务的名称、标题和摘要，以及每个输入和输出参数的描述信息，这些描述信息保存在XML格式的文档中。地表覆盖处理服务XML文档结构如图3所示。ProcessDescription标签下包含了处理服务的完整信息描述；ows:Identifier标明了处理服务标识符，ows:Title标明了处理服务标题，ows:Abstract标明了处理服务摘要；DataInputs包含了处理服务所有输入参数标识符、标题及支持的数据格式等信息；ProcessOutputs包含了处理服务输出参数标识符、标题及支持的数据格式等信息。
按照数据存储类型可以分为结构化数据、半结构化数据及非结构化数据。结构化数据根据映射规则直接转换为三元组进行实体抽取；半结构化数据建立相应的模板封装器进行实体抽取；非结构化数据的实体抽取，常用的方法包括规则匹配、机器学习及深度学习等（贺海霞，2023）。地表覆盖处理服务描述信息保存在XML结构的文档中，是一种半结构化数据。结合模式层中对地表覆盖处理服务的属性划分，使用Python语言建立相应的模板封装器抽取地表覆盖处理服务的属性信息。
使用模板封装器提取地表覆盖处理服务的属性信息时，可能含有无效的数据，如无效的字符等，影响属性信息的数据质量。因此，需要对提取的属性信息进行预处理，包括过滤停用词和剔除无效数据等。停用词过滤使用NLTK库提供的停用词列表进行处理。在数据清洗预处理后，使用自然语言处理工具包Hanlp，基于TextRank算法进行关键词提取，关键词可以标明处理服务的关键信息，便于对服务进行检索。
2.2.2 服务实体关系抽取
关系抽取是从文本中提取两个概念或实体之间的语义关系。在进行实体抽取后，从相关语料中提取实体之间的语义关系，形成网状结构的知识。常用的关系抽取技术包括基于模式匹配和语义规则的抽取（罗强等，2023）。实验使用BERT模型（Koroteev，2021），基于语义规则分析地表覆盖处理服务之间的语义相似性，抽取服务实体之间的语义关系。确定地表覆盖处理服务之间的关系，需要考虑服务描述信息的语义相似性、输入描述信息的语义相似性、输出描述信息的语义相似性，以及输入描述信息与输出描述信息之间的语义相似性，使用BERT模型分别对其做语义相似性分析。BERT模型的tokenizer将输入文本转换成token，每个token会被映射到BERT模型的词向量空间中，得到对应的词向量。使用余弦相似度计算这些向量之间的相似度：
式中，A、B为词向量；“
”为范数。余弦相似度的值越接近1表示两个向量越相似，越接近–1表示两个向量越不相似，等于0表示两个向量无相关性。经过多次实验，设置当两个服务的描述信息语义相似值、输入描述信息语义相似值、输出描述信息语义相似值都大于等于0.9996时，判定这两个服务之间存在等同关系，表明在功能和结果上具有高度相似性，可互换使用。设置当两个服务的描述信息语义相似值、输入描述信息语义相似值、输出描述信息语义相似值均大于等于0.9706且小于0.9996时，则判定存在相似关系，这表示在某种程度上具有相似的功能和结果，但可能会存在一些差异。若处理服务P的输入信息与处理服务Q的输出信息的语义相似度大于等于0.9706，且处理服务Q的输入信息与处理服务P的输出信息的语义相似度也大于等于0.9706，则判定存在互逆关系，这表示可以相互作用，在服务功能上可以反向操作。若处理服务P的输入信息与处理服务Q的输出信息的语义相似度大于等于0.9706，且处理服务Q的输入信息与处理服务P的输出信息的语义相似度小于0.9706，判定存在顺序关系，这表示可以按一定顺序执行。目前，在知识图谱构建中资源描述框架（ resource description framework，RDF）三元组是知识图谱常用的一种数据表示模型，三元组的基本形式包括（实体1，关系，实体2）、（概念1，关系，概念2）和（实体，属性，属性值）（金泉，2021）。以地表覆盖处理服务知识为例，将服务属性信息、关系信息等转换为RDF三元组的方式表示。实体在知识图谱中具有独立性，是基础的组成元素，如r.RasterTransform等处理服务实体；属性是对实体的刻画说明，如处理服务标识符的属性值为r.RasterTransform；关系存在于不同的实体之间，如等同关系。通过RDF三元组清晰、准确地表达地表覆盖处理服务知识，可增强知识间的语义关系。采用三元组（实体，属性，属性值）表示地表覆盖处理服务实体属性知识时，按照模式层的定义，在数据层构建中所提取的地表覆盖处理服务实体属性信息统计数据如表2所示。采用三元组（实体1，关系，实体2）表示地表覆盖处理服务实体关系信息时，按照模式层的定义，在数据层构建中所提取的地表覆盖处理服务实体关系信息统计数据如表3所示。
通过上文所述，将不同结构的地表覆盖处理服务相关数据转化为结构化的三元组知识，采用图数据库Neo4j以节点–关系的存储模型进行语义关系存储与可视化表达。Neo4j是一个具有高性能、高适用性和高扩展性的NoSQL图数据库（Huang 等，2020）。图数据库使用Cypher语言将三元组关系中的实体、属性值转化为节点，将属性、关系转化为边。利用图数据库Neo4j存储地表覆盖处理服务知识图谱，使用Cypher语言查询图数据库中存储的节点详细信息，如查询以爬虫方式获取的r.RasterT…处理服务的实例，如图4所示。该服务在以爬虫方式获取的处理服务集合ReptileGet二级节点下，与n.Raster…服务具有等同关系，与r.Extract…服务具有顺序关系，并具有五个输入要素属性、三个输出要素属性、一个关键词属性。
由上文所述，面向多源异构的地表覆盖处理服务资源，可通过构建地表覆盖处理服务知识图谱，使处理服务之间建立有效的关联关系。实验开发了地表覆盖处理服务知识图谱应用系统，根据服务检索试验和服务链构建实验，证明地表覆盖处理服务知识图谱通过其图形结构，可实现快速的服务关系遍历与分析，满足用户对个性化服务选择的需求。
4.1 原型系统设计实现
采用基于浏览器–服务器（browser/server，B/S）架构进行部署，分为后端服务和前端界面两部分。后端采用Django框架搭建，负责处理业务逻辑并与Neo4j数据库进行交互；前端使用Vue框架和Vis.js图形库，实现用户界面的交互和地表覆盖处理服务知识图谱的可视化展示。系统的主要功能是满足用户的查询需求，根据用户在前端输入的关键词，后端使用Word2Vec模型（席宁丽等，2023）将地表覆盖处理服务的描述信息和前端获取的关键词信息向量化。通过计算关键词向量与处理服务描述信息向量之间的余弦相似度，找到与用户输入关键词信息最匹配的服务节点，以及与匹配到的服务节点有相关关系的服务实例。总体架构如图5所示。
在进行地表覆盖变化检测处理时，可使用系统查询所需要的处理服务。例如，检索关键词projection，找到合适的栅格投影变换服务。系统根据Word2Vec模型将关键词projection和处理服务描述信息向量化，通过计算关键词向量与服务描述信息向量的余弦相似度，选取余弦相似度值大于0.7的处理服务，之后会匹配到r.RasterTransform和n.RasterTransform处理服务，具体流程如图6所示。传统字符串匹配方法如正则化表达（杨晨程，2023），会从目标字符串的第一个字符开始，逐个字符地检查是否符合正则表达式定义的模式，无法根据语义进行匹配，正则化表达会匹配服务标识符中含有用户输入关键词的服务，如OTB.VectorData Reprojection和AreaEckertIVprojection服务，这两个服务分别是矢量数据投影设置和使用EckertIV投影计算面积，与栅格数据的投影变换无关。相比于传统字符串匹配方法，余弦相似度度量的是向量之间的角度差异，因此，即使词向量的绝对值不同，余弦相似度仍能有效地比较相对方向，捕捉语义上的相似性，提高匹配结果的准确度。
4.2 实验构建与结果分析
以迭代自组织（interactive self-organization，ISO）聚类非监督分类（党牛等，2021）提取济南市天桥区内的黄河流域信息为例，说明方法的可行性。对影像做投影校正预处理，检索关键词projection，选择匹配到的n.RasterTransform服务，点击“关系”一列中的“详情”唤出“服务关系”面板，在面板中点击“服务节点”弹出环形菜单，点击“展开”，把与该服务有关联关系的服务节点展开显示。用户可以继续点击新展开节点的“展开”按钮，进一步展示新节点的其他关系节点，具体服务关系面板如图6所示。通过这种递归操作，用户可以逐步展示地表覆盖变化检测处理流程中所有相关服务节点及关系，直观地探索和理解地表覆盖变化检测处理流程中的服务组成。例如，展开n.RasterTransform服务节点的关联关系，可以直观地查看到ISO聚类提取影像中水域信息处理流程中的服务组成。经过投影校正预处理之后，使用n.CompositeBands服务进行波段合成处理，然后使用n.IsoClusterUnsupervisedClassification进行ISO聚类，经过n.Reclassify重分类之后，使用n.Rasterto Polygon转为矢量成图，完成水域信息的最终提取，结果如图7所示。可以看出，本方法准确地提取了济南市天桥区内的黄河流域水域信息。
传统的影像提取方法，数据预处理往往依赖于人工操作，不但费时费力，还容易出错或遗漏关键步骤。本方法直观地展现了服务的属性信息及相互关系，如服务关系面板（图6），会根据所检索的服务，匹配与检索到服务有关联关系的其他服务，根据其关系，可看到整个ISO聚类中所用到的服务，确保服务不会被遗漏，可以保证服务流程执行的完整性，保证结果正确性。同时，在查找特定关系的服务或者发现潜在关联关系时，利用图形结构和高效的查询机制可实现快速的服务关系遍历与分析，为用户提供精确的服务关系定位，满足用户对服务个性化选择的需求，同时也会为用户构建地表覆盖处理服务链提供了有效支撑。
针对多源异构的地表覆盖处理服务缺乏有效关联，使得难以实现地表覆盖处理服务个性化选择的问题，本文探讨了地表覆盖处理服务领域知识图谱的构建与应用。将地表覆盖处理服务领域知识进行结构化组织与描述，构建统一的地表覆盖处理服务概念框架，解决了多源异构地表覆盖处理服务信息描述不统一的问题；依据概念框架，抽取地表覆盖处理服务实体属性信息与关系信息，构建地表覆盖处理服务知识图谱，解决了服务实体之间缺乏有效关联的问题；基于构建的地表覆盖处理服务知识图谱，开发相应的原型系统，通过计算用户输入的关键词信息与服务实体描述信息之间的余弦相似度，准确匹配到用户所需的服务实体，并根据服务实体之间的关联关系，为用户提供更为全面的关联服务选择。以济南市天桥区黄河流域信息提取的具体应用案例表明，通过本方法构建的地表覆盖处理服务知识图谱，可有效满足用户个性化选择处理服务的需求。在后续的研究中，需要继续扩充数据来源，提高地表覆盖处理服务知识图谱完整度，进一步完善原型系统功能，并尝试逐步实现根据用户需求智能化构建地表覆盖处理服务链。
陈军, 刘万增, 武昊, 李志林, 赵勇, 张蓝. 2019. 基础地理知识服务的基本问题与研究方向. 武汉大学学报(信息科学版), 44(1): 38-47[Chen J, Liu W Z, Wu H, Li Z L, Zhao Y, Zhang L. 2019. Basic issues and research agenda of geospatial knowledge service. Geomatics and Information Science of Wuhan University, 44(1): 38-47 (in Chinese)]
陈军, 王艳慧, 武昊, 刘万增. 2023. 时空信息赋能高质量发展的基本问题与发展方向. 时空信息学报, 30(1):1-11[Chen J, Wang Y H, Wu H, Liu W Z. 2023.Basic issues and development directions of high-quality development empowered by spatio-temporal information. Journal of Spatio-temporal Information, 30(1): 1-11 (in Chinese)]陈军, 武昊, 李松年.2017. 全球地表覆盖领域服务计算的研究进展——以GlobeLand 30为例. 测绘学报, 46(10): 1526-1533 [Chen J, Wu H, Li S N. 2017. Research progress of global land domain service computing: Take GlobeLand 30 as an example. Acta Geodaetica et Cartographica Sinica, 46(10): 1526-1533 (in Chinese)]党牛, 余星, 韩喜球, 陈安清. 2021. 基于海底DEM的洋中脊火山锥自动识别方法研究. 海洋学研究, 39(3): 12-20[Dang N, Yu X, Han X Q, Chen A Q. 2021. Automatic recognition of volcanic cones at mid-ocean ridges based on the seabed DEM data. Journal of Marine Sciences, 39(3):12-20 (in Chinese)]贺海霞. 2023. 地震灾害知识图谱构建与应用研究. 硕士学位论文. 兰州: 兰州交通大学[He H X. 2023. Research on the construction and application of earthquake disaster knowledge graphs. Master Dissertation. Lanzhou: Lanzhou Jiaotong University (in Chinese)]黄金来. 2020. 基于知识图谱的专利领域文本分类算法研究与应用. 硕士学位论文. 长春: 吉林大学[Huang J L. 2020. Research and application of patent text classification algorithms based on knowledge graphs. Master Dissertation. Changchun: Jilin University (in Chinese)]金泉. 2021. 基于深度学习的测井领域知识图谱构建与应用. 硕士学位论文. 大庆: 东北石油大学[Jin Q. 2021. Construction and application of knowledge graphs in the field of well logging based on deep learning. Master Dissertation. Daqing: Northeast Petroleum University (in Chinese)]刘畅. 2023. 基于复杂网络的地表覆盖服务动态组合方法. 硕士学位论文. 济南: 山东建筑大学[Liu C. 2023. Dynamic composition method of land cover services based on complex networks. Master Dissertation. Jinan: Shandong Jianzhu University (in Chinese)]刘建湘, 陈晓慧, 刘海砚, 张兵, 徐立, 刘涛, 付雨萌. 2023. 基于轨迹语义的船舶活动知识图谱构建. 地球信息科学学报, 25(6): 1252-1266[Liu J X, Chen X H, Liu H Y, Zhang B, Xu L, Liu T, Fu Y M. 2023. Construction of ship activity knowledge graph using trajectory semantics. Journal of Geo-Information Science, 25(6): 1252-1266 (in Chinese)]陆锋, 余丽, 仇培元. 2017. 论地理知识图谱. 地球信息科学学报, 19(6): 723-734[Lu F, Yu L, Qiu P Y. 2017. On geographic knowledge graph. Journal of Geo-Information Science, 19(6): 723-734 (in Chinese)]罗强, 胡中南, 王秋妹, 石伟伟, 贾玥. 2023. GIS领域知识图谱进展研究. 测绘地理信息, 48(1): 60-67[Luo Q, Hu Z N, Wang Q M, Shi W W, Jia Y. 2023. Research on the progress of knowledge graph in GIS field. Journal of Geomatics, 48(1): 60-67 (in Chinese)]王海航. 2024. 多源异构地表覆盖处理服务的网络化协同关键技术研究. 硕士学位论文. 济南: 山东建筑大学[Wang H H. 2024. Research on key technologies for networked collaboration of multi-source heterogeneous land cover processing services. Master Dissertation. Jinan: Shandong Jianzhu University (in Chinese)]王金传. 2019. 基于OGC标准的分布式地理信息服务链构建方法研究. 硕士学位论文. 济南: 山东师范大学[Wang J C. 2019. Research on the construction method of distributed geographic information service chain based on OGC standard. Master Dissertation. Jinan: Shandong Normal University (in Chinese)]尉迟静远. 2020. 基于关系网络的Web服务发现方法研究. 硕士学位论文. 北京: 华北电力大学[Yuchi J Y. 2020. Research on web service discovery methods based on relationship networks. Master Dissertation. Beijing: North China Electric Power University (in Chinese)]吴华意, 靳凤营, 梁健源, 张显源, 邢华桥, 桂志鹏, 李锐, 向隆刚. 2022. 地理信息服务网络与协同研究进展. 测绘学报, 51(6): 1050-1061[Wu H Y, Jin F Y, Liang J Y, Zhang X Y, Xing H Q, Gui Z P, Li R, Xiang L G. 2022. Research progress on geospatial service web and gollaboration. Acta Geodaetica et Cartographica Sinica, 51(6): 1050-1061 (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)]席宁丽, 朱丽佳, 王录通, 陈俊, 万晓容. 2023. 一种Word2vec构建词向量模型的实现方法. 电脑与信息技术, 31(1):43-46[Xi N L, Zhu L J, Wang L T, Chen J, Wan X R. 2023. A method for implementing word2vec to construct word embedding model. Computer and Information Technology, 31(1):43-46 (in Chinese)]邢华桥, 刘畅, 王海航, 张金华. 2023. 知识驱动的地表覆盖服务加权复杂网络构建及应用. 时空信息学报, 30(3): 367-376[Xing H Q, Liu C, Wang H H, Zhang J H. 2023. Knowledge-driven land cover service weighted complex network construction and application. Journal of Spatio-temporal Information, 30(3): 367-376 (in Chinese)]杨晨程. 2023. 基于正则表达式与神经网络融合的中医知识图谱实体识别及预测. 硕士学位论文. 成都: 电子科技大学[Yang C C. 2023. Entity recognition and prediction of TCM knowledge graph based on regular expression and neural network. Master Dissertation. Chengdu: University of Electronic Science and Technology of China (in Chinese)]杨玉莹, 赵学胜, 刘会园, 彭舒, 吕源鑫. 2023. 基于地表覆盖数据的湿地知识图谱构建. 地球信息科学学报, 25(6): 1240-1251[Yang Y Y, Zhao X S, Liu H Y, Peng S, Lv Y X. 2023. Building a knowledge graph for wetlands based on landcover data. Journal of Geo-Information Science, 25(6): 1240-1251 (in Chinese)]张彬钰. 2023. 基于知识图谱的地理数据推荐方法研究. 硕士学位论文. 北京: 北京建筑大学[Zhang B Y. 2023. Research on geographic data recommendation methods based on knowledge graphs. Master Dissertation. Beijing: Beijing University of Civil Engineering and Architecture (in Chinese)]张佳佳, 张蕾, 钟瀚霆, 王瀚, 陈安清, 李凤杰, 任强, 郑栋宇, 赵洪祎, 侯明才. 2023. 岩相古地理知识图谱构建及应用. 高校地质学报, 29(3): 345-358[Zhang J J, Zhang L, Zhong H T, Wang H, Chen A Q, Li F J, Ren Q, Zheng D Y, Zhao H Y, Hou M C. 2023. Construction and application of lithofacies paleogeography knowledge graphs. Geological Journal of China Universities, 29(3): 345-358 (in Chinese)]张永军, 王飞, 李彦胜, 欧阳松, 魏东, 刘晓建, 孔德宇, 陈瑞贤, 张斌. 2023. 遥感知识图谱创建及其典型场景应用技术. 遥感学报, 27(2): 249-266[Zhang Y J, Wang F, Li Y S, Ouyang S, Wei D, Liu X J, Kong D Y, Chen R X, Zhang B. 2023. Remote sensing knowledge graph construction and its application in typical scenarios. National Remote Sensing Bulletin, 27(2): 249-266 (in Chinese)]朱倩. 2020. 面向多领域服务的GIS模型多层级共享及封装方法研究. 硕士学位论文. 杭州:浙江大学[Zhu Q. 2020. Research on multi-level sharing and packaging method of GIS model for multi-domain services. Master Dissertation. Hangzhou: Zhejiang University (in Chinese)]诸云强, 孙凯, 王曙, 周成虎, 陆锋, 闾海荣, 邱芹军, 王新兵, 祁彦民. 2023. 顾及复杂时空特征及关系的地球科学知识图谱自适应表达模型. 中国科学: 地球科学, 53(11): 2609-2622[Zhu Y Q, Sun K, Wang S, Zhou C H, Lu F, Lv H R, Qiu Q J, Wang X B, Qi Y M. 2023. An adaptive representation model for geoscience knowledge graphs considering complex spatiotemporal features and relationships. Scientia Sinica (Terrae), 53(11): 2609-2622 (in Chinese)]Guo X, Qian H Z, Wu F, Liu J N. 2021. A method for constructing geographical knowledge graph from multisource data. Sustainability, 13(19): 10602Huang S J, Wang Y Y, Yu X. 2020. Design and implementation of oil and gas information on intelligent search engine based on knowledge graph. Journal of Physics: Conference Series, 1621(1): 012010Ji S X, Pan S R, Cambria E, Marttinen P, Yu P S. 2022. A survey on knowledge graphs: Representation, acquisition, and applications. IEEE Transactions on Neural Networks and Learning Systems, 33(2): 494-514Koroteev M V. 2021. BERT: A review of applications in natural language processing and understanding. arXiv preprint arXiv: 2103Ma X G. 2022. Knowledge graph construction and application in geosciences: A review. Computers & Geosciences, 161: 105082Szantoi Z, Geller G N, Tsendbazar N E, See L D, Griffiths P, Fritz S, Gong P, Herold M, Mora B, Obregón A. 2020. Addressing the need for improved land cover map products for policy support. Environmental Science & Policy, 112: 28-35Ye S, Wang N S, Bai M, Meng X L, Hu Y X. 2023. A knowledge graph-driven method for geospatial data production. 2023 30th International Conference on Geoinformatics. London, United Kingdom. 1-6Zhang M D, Yue P, Hu L, Wu H Y, Zhang F. 2023. An interoperable and service-oriented approach for real-time environmental simulation by coupling OGC WPS and SensorThings API. Environmental Modelling & Software, 165: 105722Zhang X Y, Huang Y, Zhang C J, Ye P. 2022. Geoscience knowledge graph (GeoKG): Development, construction and challenges. Transactions in GIS, 26(6): 2480-2494Zheng K, Xie M H, Zhang J B, Xie J, Xia S H. 2022. A knowledge representation model based on the geographic spatiotemporal process. International Journal of Geographical Information Science, 36(4): 674-691
点我访问原文链接
