EN中文

地球信息科学学报 >

2018 , Vol. 20 >Issue 2: 176 - 185

DOI: https://doi.org/10.12082/dqxxkx.2018.170234

地球信息科学理论与方法

基于多维多值概念格的矿山生产地学本体构建研究

  • 刘馨蕊 , 1, * ,
  • 张伟峰 2
展开
  • 1. 东北大学文法学院土地管理研究所,沈阳 110169
  • 2. 东北大学资源与土木工程学院采矿工程系,沈阳 110819

作者简介：刘馨蕊（1984-）,女,博士,讲师,研究方向为数字矿山、地学语义、知识管理和3S技术集成。E-mail:

收稿日期: 2017-05-23

  要求修回日期: 2017-11-28

  网络出版日期: 2018-03-02

基金资助

国家自然基金青年科学基金项目（71501036）

中央高校基本科研业务费资助项（N161404001）

收起

Construction of Mine Production Geo-Ontology Based on Multi-dimensional and Many-valued Concept Lattices

  • LIU Xinrui , 1, * ,
  • ZHANG Weifeng 2
Expand
  • 1. Institute of Land Resource Management, School of Humanities and Law, Northeastern University, Shenyang 110169, China
  • 2. Mining Engineering Department, College of Resources and Civil Engineering, Northeastern University, Shenyang 110819, China
*Corresponding author: LIU Xinrui, E-mail:

Received date: 2017-05-23

  Request revised date: 2017-11-28

  Online published: 2018-03-02

Supported by

National Natural Science Foundation of China, No.71501036

The Fundamental Research Funds for the Cen tral University, No.N161404001

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

矿山生产地学本体能够形式化描述领域概念,是实现多源异构信息集成与知识共享的关键技术之一。本文从多维地学数据源兼有同一性和特异性的视角入手,扩充多维多值概念格理论,构建兼顾全局和区域特性的地学境本协同语义模型与形式化描述,依托二者映射转换关系,提出强情境敏感性的多维地学结构化数据本体自动学习算法;并以金属矿山实际项目为例,结合矿山生产概念体系架构,构建矿山生产领域本体实例,验证方法有效性。该方法注重地学领多维特性,较客观地展示多维地学对象之间关联关系,且较顾忌局部区域时空等数据环境差异,有效提高矿山生产本体的构建效率与准确性,对其他地学领域本体构建提供借鉴。

关键词： 地学本体; 矿山生产; 多维多值概念格; 地学情境

本文引用格式

刘馨蕊 , 张伟峰 . 基于多维多值概念格的矿山生产地学本体构建研究[J]. 地球信息科学学报, 2018 , 20(2) : 176 -185 . DOI: 10.12082/dqxxkx.2018.170234

Abstract

Mine production includes geological survey and excavation, and is the fundamental activity for mine enterprise. Data related to mine production are typically geospatial, showing high space, temporal complexity and multi-scale. Geo-ontology can be applied to clearly describe and formalize geo-concepts, integrate heterogeneous geo-information and share geo-knowledge. However, several problems currently exist in the constructing process of using this new technique: efficiency resulting from extensive human involvement in the building process of geo-ontology, and the low accuracy from less attention for poor data quality and semantic contexts during data integration and knowledge reasoning. Moreover, the multiple relationships of the concepts are unclear as the multidimensional attributes and association patterns of geo-concepts are not sufficiently analyzed and expressed. The geological model and semantic descriptions are problematic without dynamic trajectories for moving objects and geological events. In this study, a new semi-automatic construction method of geo-ontology was proposed, regarding to geo-contexts based on a multi-dimensional and many-valued concept lattice (MDVCL). A formal concept hierarchy was automatically generated for higher efficiency using the multidimensional and many-valued concept lattice after data pre-processing and formal context creation of geodatabase. A semantic model of the geo-context-mediated ontologies (GMO) considering both global and local conditions was then constructed by adding four indexes of geo-contexts and dynamic events with OWL (Web Ontology Language) for more accurate formalizing description. The mapping rules were discussed between the concept lattices and the ontologies, and building mappings, in order to achieve straight forward semantic information from the concept lattices. In the end, a construction process was established through three steps, including knowledge pre-processing, multidimensional and many-valued concept lattices and semantic models. A metal mine containing geographic and geological data was selected to build a vein mining ontology for model verification. The results proved that this method could focus on multiple dimensions and complex backgrounds of the data, in order to reduce the risks of semantic errors, increase accuracy and efficiency of mine production, and provide important reference for other geo-ontology domains.

Key words： geo-ontology; mine production; multi-dimensional and many-valued concept lattice; geo-context

1 引言

矿山地测采生产信息是矿山生产部门的核心业务,作用于矿山真三维地理地质环境,具有强时空敏感性,属于复杂地学领域范畴,存在概念规范性差、信息异构性强和知识共享性弱等问题。地学本体（Geo-ontology）作为一种有效的地学领域数据语义模型和知识表示形式[1],是地学领域的共享概念描述,能够建立地学信息客体之间的概念联系和等级关系,能够清晰表达复杂地学各领域数据的语义信息[2],规范化和形式化地学领域的知识资源,提高数据源之间的语义交互性[3],解决海量多源地学数据在语法、模型和语义上的异构问题[4],消除地学各领域内知识流动或转移过程中的失真[5],在地学异构信息集成、数据检索与知识管理领域具有优 势[6,7]。因此,研究基于地学本体的矿山生产领域语义构建对于矿山生产信息资源集成与知识服务具有现实意义。
然而,当前地学本体构建存在如下问题[8]： ① 传统手动构建费时费力,且没有充分利用现有海量信息化资源;② 现有自动构建算法对于多维属性和复杂关系挖掘与探究不足,多维地学概念关系揭示不透彻;③ 复杂地学领域的子域差异性与情境因素影响考虑不足,造成数据集成误操作及知识推理不合理,降低了构建准确性;④ 地学静态概念、动态轨迹以及相关地理事件形式化描述不够充分,没有形成地学规范化静动态集成模型,建构模型不完备。基于形式概念分析（Formal Concept Analysis,FCA）本体构建算法的核心是能够清晰表达概念之间的多重继承和内隐关联关系概念格[9],可与本体关注的概念间、属性、关系之间的形式化描述形成优势互补[10],且对于关系数据表处理能力更为突出,已成为面向关系型数据库本体自动获取建构的主要工具[11,12,13],但是仍存在对于多维以及多维数据处理能力不足的境况。多维多值概念格源于文献[16]在文献[14]、[15]多维数据序列挖掘与关联知识算法归纳构建,可有效提升多维数据资源地学本体自动构建效率,因此将其应用于复杂地学领域的矿山生产本体构建。在此基础上,为提高地学本体构建的准确性,进行语义情境负载与模型优化研究。在现有的本体元组模型的基础上,负载时间、空间以及专题情境因子,且将地学事件并入语义模型,搭建境本协同语义静动共存完备模型,实现语义全局共享与局部特色双兼顾,降低地学语义集成和合并过程中语义误判,优化地学本体模型。进而建立与多维多值概念格之间的映射转换关系,形成兼顾自动化与准确度双视角的地学结构化数据本体自动学习体系。最后,应用金属矿地测采生产数据实例,完成矿山生产领域实例本体构建,验证算法的可行性和实践性。

2 多维多值概念格与地学境本协同语义

2.1 多维多值概念格形式化定义

定义1：K=（G,Mn,I）为多维序列形式背景,其中G为有限非空事例集合（外延）,Mn为压缩形式的n维数据序列集合（内涵）,I是G与Mn之间一个二元关系,即I ⊆ G × Mn：对于xIyn表示x与yn间(其中 x ∈ X,yn ⊂ Y,X ⊆ P(G),Y ⊆ Mn)存在关系I,表明事例x拥有属性构成的数据序列yn。则在此形式背景下存在唯一偏序集与之对应且产成唯一格序结构[16]。格中每一个元素是一个二元组（X, Y）。
定义2：当且仅当二元组X,Y满足性质式（1）、（2）时,称二元组（X,Y）关于I是完备的。
X = g ( Y ) : g ( Y ) = { x ∈ G | y n [ ⊂ ] Y , xI y n } （1）
Y = f ( X ) : f ( X ) = { y n [ ⊂ ] M n | x ∈ X , xI y n } （2）
定义3：由定义1和定义2所诱导的格L称为多维概念格（Multi-Dimensional Concept Lattices,MDCL）,其内核是Mn多维有序数据序列的形式化描述。当n=1时,为单维概念格[16]。地学概念不仅具有多维时空特性,且属性值也兼顾数值型、区间型以及类别型多值特性[17]。故此,进一步深化定义,提出多维多值概念格四元组形式（G,Mn,Wn,I）,其中G、Mn、Wn均为集合,I是G、以及Mj和Wj的三元关系。（g,mj,wj）∈I及（g,mj,vj）∈I=>wj=vj,1≤j≤n,其中G的元素为对象,Mj的元素为多值属性,Wj则为属性值。若集合W有m个元素,那么（G,Mn,Wnm,I）就是n维m值背景。多值属性可以看作是从G到Wj的一个部分映射,即mj(g)=wj。

2.2 地学境本协同语义模型与形式化定义

多源数据集成互操作过程中,数据质量良莠并存,部分地学数据可能存在空间参考系缺失、尺度单位和时间差异等问题。文献[18]利用情境指标评价数据质量,目标在于警示和规避因数据背景差异过大造成的语义误判。文献[19]认为地学情境与地学本体存在包含关系,二者协同构成语义模型。可见,地学本体应由全局和局部本体共同构成,全局本体是全领域内共享语义,是忽略局部环境或情境统一情况下的地学本体,通常由多个情境局部集成形成共享语义,而局部本体则类似分布系统,是具有自身特色的语义结构。全局、局部本体以及外部局部多源概念、属性和关系[20]构成地学语义更普遍结构,即地学情境协同本体架构（图1）,包含数据情境和地学本体。前者拥有质量评价参数,地学语义关注时空特性,因此划分为专题、时间和空间三维域,即专题（主题）、时间（时相、有效期等）、空间（尺度等）、数据集载体（结构化与非结构化）;后者为情境下关联的地学对象和事件,描述当前情境作用下概念层次,不同需求和粒度可导致核心概念改变。
Fig. 1 The semantic framework of Geo-context and mediated ontology

图1 地学情境本体协同语义架构

定义4：境本协同语义的形式化模型如式（3） 所示。
Sp = < { C Λ , C Λ i } , { O , O j } , { f , f } > , 即 Sp = F ( C Λ I , O I , Φ I ) （3）
式中： Sp 为语义包集合,由多个境本协同语义巢构成 Sp = ⋃ { S p m ; m ∈ I } ; C Λ 为情境空间,由多个情境构成,即 C Λ = ⋃ { C Λ i ; i ∈ I } ,由情境因子约束[19];O为多个地学本体实体,即 O = ⋃ { O j ; j ∈ I } ; Φ 为情境内部、情境之间、情境与本体之间、本体与本体之间映射函数集合,即 Φ = ⋃ { Φ n ; n ∈ I } 。O为5元组, O={C,R,P,F,I},其中C为地学概念,由对象和事件组成,对象包括静态概念和动态事件,均采用OWL类描述;R为地学关系,拥有时间、空间和专题语义等多维关系,通过网络本体语言（Web Ontology Language, OWL）的ObjectProperty建立联接; P为地学属性集合,由概念类（对象与对象以及对象与事件）或属性语义值构成,分别由OWL的DataProperty和ObjectProperty定义;F为概念、属性和关系的约束和公理函数,可以通过域值和关系进行限定;I为OWL的Individual,内涵为地学对象实例。据此构建境本协同语义类结构（图2）,其中非公有类为部分因子享有,如时效性只有时间因子拥有。
Fig. 2 Semantic structures of geocontext-mediated ontologies with OWL

图2 基于OWL的地学境本协同语义结构

定义5：依据境本协同语义模型构建地学子域语义本体如式（4）所示。
S p i = { < i : C i > , < i , O i > , S p j } （4）
式中：C为情境;O为本体;Spi为局部本体;Spj为不同情境外部局部本体,Spj={j：Oj};i和j为编码,联接子域内所有内外本体Oi和Oj以及情境Ci。同境或不同境局部本体间关系包括包含(onto) ⊂ ,被包含(into) ⊃ 、相关（compat） * 、不相关（incompat） ⊥ 和对等（equiv） ≡ 关系[20]。全局本体Sp={<i+j, Oi+j>}i,j ∈ I,包括：① 无情境 i = 0 , C Λ | = Φ ,Sp= ⋃ {Oi;i ∈ I}或全情境 ⋃ i = 1 j = 1 I i + j , C Λ = U ,Sp= ⋃ {<i+j, Oi+j>;i, j ∈ I}。

3 基于多维多值概念格的地学本体学习策略

地学空间结构化数据库具有以下特点：①主体明晰。现阶段仍多为关系型二维表,由元组、属性以及实例数据构成,空间属性与非空间属性仍多以主外键相互关联约束,可以通过表结构与实例数据获取语义;②领域知识明确。地学数据库多依照地学特定领域特色应用进行设计,如ER模型或面向对象模型UML,领域概念边界清晰,领域范围有界,领域时空参考明晰,为情境因子界定提供便捷,③语义局限。地学概念和属性多维多源,包括专题属性与时空属性,仅依靠关系数据表结构或者概念模型不足以充分描述地学概念繁杂多维关系。鉴于关系数据库均为结构化数据,因此,数据质量因子不予考虑,重点探讨时空因子,形成领域知识预处理、多维多值概念格组织和概念格与本体映射三阶段的地学本体构建过程策略（图3）。
Fig. 3 Steps to build geo-ontologies using multi-dimensional and many-valued concept lattice

图3 面向空间数据库和多维概念格的地学本体构建策略

3.1 领域知识预处理

对地学关系数据库进行元数据分析,分析数据库概念模型,确定现有空间数据源的需求目标、数据源子领域范围、获取数据源的时空参考以及尺度元信息,明确语义的目标情境,借助专家协同确定数据库子专题内容,完成领域内子专题情境下表实体聚合。
定义6：表实体E由实体名N、实体类型V、属性描述A、相关实体R、数据实体I与情境C组成式（5）。
E = { N , V , A , R , I , C } （5）
式中：实体名N默认对应表名,也可人为设定;属性A与数据表的字段列对应,分为空间、时间、一般和标记属性,标记属性为主码P（E）;相关实体通过外码F（E）进行约束;数据实体I为空间对象的矢栅数据;情境C包含表实体的情境聚类编码,由表E、子专题S、空间信息B以及时间T组成,即Ci={Ei,Si, Bi,Ti},专题S来源于数据库模型界定或子数据库,初始不为空,B和T则来源于实体表时空属性,初始状态可为空,主题之间关系为相关以及不相关,时间关系为包含与不包含,空间关系则包括包含、相等、相离（线与线,面与面）、相交、不接触（点与面）等;实体类型V分为V1关联类型和V2其他类型,V1为关联类,即 V 1 = { E | ∃ E i ( P ( E ) = F ( E i ) ) ∨ E j ( P ( E ) = F ( E j ) ∧ E , E i , E i ∈ V ( E ) ) } ,V2为余类型,即V2=V(E)-V1[13];相关实体R中记与表实体所有的关联表V1或专家设定V2表。考虑到地学语义关注时空特性,因此划分为专题、时间和空间三维域,每一个维域里又由多个情境子域构成多维。进行同一专题情境关联表聚合,如地质数据专题,直到完成领域内所有子专题聚合。具体步骤如下：
（1）确定专题数量z,定义z个空集合listi,i情境专题序号,值为1到z;
（2）读取地学空间数据库所有表实体,形成一个有序集合list0=（E1, E2,…,En）,n为表的数目总和,定义一个队列Q;
（3）取list0集合中的一个表示实体E1,获取并更新表名,判定和获取专题情境因子Si,添加到队列Q中,定义一张空的新表Enew,令Enew=E1,从集合list0中删除E1;
（4）从队列Q中取出队头元素E,扫描有序集合list0中所有表实体,寻找Ei,若满足C(S) ⊆ C(Si)且P（E）=F（Ei）或者P（Ei）=F（E）,更新表实体类型为V1判定表,否者判断实体类为V2类,依据用户设置备选集判断,令Enew=Enew ∞ Ei,更新Enew属性描述,判定同时把Ei存入Q队列队尾,获取Ei表实体名,作为Enew的一个相关实体,从集合list0中删除Ei,重复此操作直至扫描list0所有元素,清空队列Q;
（5）Q队列不为空,则重复步骤（4）;如果Q为空,list0不为空,Enew插入listi,更新专题情境因子为最终Si值,并重复步骤（3）-（5）;
（6）list0为空则停止操作,形成z个不同专题情境下不同时空维度的实体表聚合list。

3.2 多维概念格构建

依靠主外键关系,构建不同专题不同时空的多维多值表序列,完成多维多值概念格构建。步骤 如下：
（1）多维序列构造。专题、时空每一个维域里又由多个情境因子细化形成多维,遍历z个专题list中所有主外键相同的表或由专家设置感兴趣专题实体表,交互添加用户时空兴趣因子阈值,组建新表Enew构成的n维序列N=<e1,e2,…,ei>n,形式背景C=（O,D1,R1,D2,R2,…,Dm,Rm,…,Dm+i,Rm+i,Dm+i+j,Rm+i+j,Dn,Rn）。其中O为新表对象标示码或编码值,D1为主题情境S1下维度属性序列,Dm为第Sm个主题维度列,Dm+i表示在此基础上扩展的i维空间情境,Dm+i+j为j维时间情境;若仅有1个维度表,则C=（O,D1,R1）;否者C=（O,D1,R1,Dm,Rm,…,Dn,Rn）,n由专题、空间和时间对象个数决定,最终更新序列情境因子为式（6）。
C ＝ E new , ⋃ k = 1 m S i , ⋃ k = m + 1 m + i B i , ⋃ k = m + i m + i + j T i （6）
（2）多值属性单值化。多维模型预处理后的数据多数为多值属性,尤其是度量值,一般为数值属性,因此需要进行单值处理。依据文献对多维序列属性的数值型、文本型和区间型属性值进行单值化处理[21,22];空间属性保留点、线和面标记属性以及层次命名属性（如厂区,矿区,采场等）,点、线、面坐标与拓扑等空间关系作为属性参与概念格构建,时间属性按照时间区间进行单值化处理。
（3）序列多维压缩。依照文献16对有序序列进行多维压缩,将多维序列N=<e1,e2,…,ei>n进行降维压缩 < e 1 d 1 , e 2 d 2 , … , e nd n > n , e id i = N ( i ) d k 为单一情境下表属性的项值,例如点实体标示为p, d k = DS ( N , i - 1 , i ) 为维度跨度,特殊的 e i 1 = N ( i ) 1 ,表示对应数据情境维度,以情境维度排序划分不同情境概念属性。
（4）序列多维精简。给定多维情境序列关联的最小支持度minsup,由专家设定。支持度作为反映规则的有趣程度最重要的指标,大于最小支持度minsup表示概念之间存在有趣规则或强规则。计算多维压缩属性序列的支持度sup（U）,删除多维压缩序列中sup（U）<minsup的非频繁属性项值,即保留概念间强关联项,形成多维压缩序列。删除属性项后,后一项维度发生变化,应取删除项和其后项最大维度值,若删除项为第一则维度为1。
（5）概念格构建。对多维精简序列进行概念格构建,采用多维概念格渐进式建格算法CAMCL编制程序[15],生成对象与属性文本文件,并导入概念格工具Lattice Miner 1.4进行hasse图可视化（只用于显示）。

3.3 概念格与本体映射

（1）确定遍历次序。依据概念格对象节点N按照card(ext(N))节点的外延构成的集合个数排序,采用格节点外延从少至多,概念格自底向上逐层遍历模式 。
（2）地学本体构建。首先进行维度拆分,顾忌生成对象和属性情境次序,遍历概念格节点外延为单概念所有节点,即card(ext(N))=1的所有节点,获取属性维度跨度,确认专题维度与时空维度标识值;其次自底向上逐层进行格节点与本体概念映射,格节点外延对象与本体元组的概念实体相互对应,映射为owl的一个类class;格节点的内涵映射为本体对应专题属性或情境空间属性,用dataproperty表示;格层次与节点外延包含关系转换为本体概念间层次关系,由ObjectPropert表示。公理与规则为概念格演化关系,用ObjectPropert或Restriction 表示。这一步骤需要由领域专家协作,反复优化情境以及全局、局部和外部本体。
（3）情境负载与集成。获取对应多维概念格对应时空维度属性数据,作为本体情境信息,映射为owl的一个情境类,为时空对象子类,完成领域本体的形式化,并利用cowl定义情境概念之间的关联关系[23],完成概念匹配与集成。

4 矿山生产本体实例构建

4.1 矿山生产本体概念体系

矿山生产是利用地测采矿业务工作不断认知和获取矿产资源的过程,其以矿山地质领域为对象,矿山测量空间工程为揭示手段,相关采矿领域知识为指导方案。核心专题为：① 矿山生产工程：由采矿工艺指导,地下矿山生产业务活动的空间架构,由矿山测量活动描述,内涵为矿山生产的空间对象维度。工程定位视角从下到上划分为阶段,中段,井田,采区,矿区等空间概念对象;② 矿山生产地质：自然地学对象,地下矿山生产业务活动获取目标,由矿山地质活动获取。开采视角可分为岩体、地质灾害、水文地质和地质构造4个2级子类。岩体是矿山地质实体,是矿山生产领域的核心概念对象。根据工业指标可细化为工业矿床与非工业矿床,包含产状、走向、倾角、侧伏角、厚度等属性。矿体为工业矿床基本组成,继承相关属性。围岩为非工业矿床,根据其与矿体的位置关系,可以划分为上盘（顶盘）围岩和下盘（底盘）围岩,矿体与其具有侵入、接触等空间关系;③ 矿山采矿主题。采矿方法与工艺参数,主要为静态概念。依据金属矿山方法分类,分为空场采矿法、充填采矿法和崩落法 3个2级子类。空场采矿法分为全面、房柱、留矿和分段矿房采矿法。充填采矿法则可划分为单层充填、分采充填、分层充填和支架充填采矿法。崩落法包括单层、分段、分层和阶段崩落法。每个方法依据不同开采、落矿方式和结构特点等属性可进一步划分,如无底柱和有底柱崩落法。
矿山生产概念体系由概念、属性和关系三元组构成。概念囊括以上3个主题的静态对象和动态事件,如地质专题的静态地学对象“矿体”和动态地学事件“沉降”。属性和关系包括专题、时间和空间3种。专题属性为非空间专题属性,如矿脉倾角、厚度等;时间属性包括绝对时间、相对时间和事件发生的频度时间等,空间属性来源于矿山生产工程对象描述,包括位置、空间维度、尺度等。时间关系主要是时序关系,概念发生之前、之后、开始、结束。空间关系则由拓扑、度量以及顺序关系构成,其中拓扑关系是概念分级依据（包含,接触,侵入和相离等,如采区 ⊂ 矿区,一采区位置m1矿体侵入岩体）,度量和顺序关系在矿山生产也较为常用,如矿体上盘和矿床15线以西500 m以下。图4为矿山生产概念体系架构。
Fig. 4 Structures and elements of mine-production concepts

图4 矿山生产概念体系结构

4.2 矿山生产地学专题域分析以及处理

依据矿山生产概念体系结构,从现有项目数据库中截取地质对象、采矿对象以及工程空间对象部分实体表组建表1,用以获取同一时间不同空间情境下针对不同赋存条件的矿体开采知识谱。地质专题选取矿脉实体对象表的倾角、厚度、岩层稳定性作为专题属性以及与花岗斑岩空间关系作为空间属性,共同参与建格。由于概念格揭示复杂空间关系较困难,因此采用预先通过ArcGIS软件或计算机图像学算法确定空间关系,进而将其作为空间属性参与建格的方式,旨在借助概念格结构进一步推演出空间关系潜在的关联和分类规则[24]。测量空间专题选取采区空间对象参与建格,采矿专题则截取对应矿脉相应采区位置特定时期（2008年）的开采工艺信息。
Tab. 1 An association list of a metal mine-production database(part)

表1 矿山生产数据库关联表实例（部分）

地质专题 采矿专题 工程空间专题
矿脉 矿体倾角/° 矿体厚度/m 岩层特性 空间关系（花岗斑岩脉） 开采对象 工艺方法 工作区 年份 工程地点 工程对象
m1 65 20 较稳固 相离 m1 充填法和崩落法 一采区 2008 一采区 m1
m2 75 13 较稳固 相离 m2 充填法和崩落法 一采区 2008 一采区 m2
m3 4 8 中等稳固 侵入 m3 空场法和充填法 一采区 2008 一采区 m3
m4 57 10 较稳固 相离 m4 充填法 一采区 2008 一采区 m4
m1 45 30 较稳固 侵入 m 1 分段崩落法 二采区 2008 二采区 m1
m2 50 4 中等稳固 侵入 m2 分段崩落法 二采区 2008 二采区 m2
m3 9 3 较差稳固 包含 m3 充填法 二采区 2008 二采区 m3
m4 48 4 较差稳固 侵入 m4 分段崩落法 二采区 2008 二采区 m4
借助矿脉对象对表1进行新表聚类和数值定性化处理形成表2,其中矿体倾角为急倾斜（>55°）,倾斜（30~55°）,缓倾斜（5~30°）及微倾斜（<5°）;矿体厚度划分为极薄（<0.8 m）,薄（0.8~4 m）,中厚（4~15 m）及厚（15~40 m）以及极厚（>40 m）,岩石稳固性分为稳固、较稳固、中等稳固、较差稳固和不稳固5级。矿脉与围岩空间关系主要由相离（Ddisconnect DC）、接触（Externally Connected, EC）、侵入（Partially Overlapping, PO）、包含（Contain, C）4种。
Tab. 2 An integrated and multi-dimensional table

表2 多维聚合表

矿脉 地质（赋存条件） 采矿（工艺） 空间（采区）
矿体倾角 矿体厚度 岩层特性 空间关系 工艺方法 工程位置
m1 急倾斜 厚矿体 较稳固 相离 充填法和崩落法 一采区
m2 急倾斜 中厚矿体 较稳固 侵入 充填法和崩落法 一采区
m3 微倾斜 中厚矿体 中等稳固 相离 空场法和充填法 一采区
m4 急倾斜 中厚矿体 较稳固 相离 充填法 一采区
m1 倾斜 厚矿体 较稳固 侵入 分段崩落法 二采区
m2 倾斜 薄矿体 中等稳固 侵入 分段崩落法 二采区
m3 缓倾斜 薄矿体 较差稳固 包含 充填法 二采区
m4 倾斜 薄矿体 较差稳固 侵入 分段崩落法 二采区

4.3 基于多维多值概念格矿山生产子域本体实例

依据表2形成表3所示的地质、采矿专题以及工程空间对象中矿脉、采矿工艺和采区对象组成三维序列背景K=(G, Mn, I)。G表示4种矿脉对象,即G={m1, m2, m3, m4}。地质维中赋存条件采用大写A-Z字母表示。A-D依次表示矿体倾角从大到小分级值,E-I表示矿体厚度从薄到厚分级值,V-Z表示从强到弱的岩体稳定性,如AGZ表示急倾斜中厚不稳固矿体。采用小写字母（o-z）表示采矿方法,如空场法为o、充填法为s和崩落法为q,x为分段崩落法。空间维对象选取一采区和二采区空间对象。（考虑到实例清晰性,仅探讨3维,实际项目中可持续附加,如时间对象、其他采区或矿区空间对象以及其他专题对象）。
Tab. 3 A multi-dimensional formal context

表3 多维形式背景

I 空间位置a（一采区） 空间位置b（二采区）
赋存条件 采矿工艺 赋存条件 采矿工艺
m1 AHW（DC） sq BHW（PO） x
m2 AGW（PO） sq BFX（PO） x
m3 DGX（DC） os CFY（C） s
m4 AGW（DC） s BFY（PO） x
Mn压缩序列为Mn={<A1H1W1(DC)1s2q1B3H1W1(PO)1x2>3,<A1G1W1(PO)1s2q1B3F1X1(PO)1x2>3,<D1G1X1(DC)1o2s1C3F1Y1(C)1s2>3,<A1G1W1(DC)1s2B3F1Y1(PO)1x2>3},选取多维序列的最小支持度值min_support=60%[16]时,计算支持度小于60%的非频繁项集H、D、X、C、Y、（C）以及o等,构建多维精简序列Mn′={<A1W1(DC)1s2B3(PO)1x2>3, <A1G1W1s2B3F1(PO)1x2>3,<G1(DC)1s2F3>3,<A1G1W1(DC)1s2B3F1(PO)1x2>3}。相应的Hasse图以及转换处理获得的本体概念层次架构如图5所示。
Fig. 5 A Hasse diagram and the transformed concept hierarchy model

图5 对应的Hasse图以及转换后的概念层次模型

每一个格节点由概念和属性构成,节点间关联结构为概念关系,如节点3#在空间情境为一采区时表示{概念：采用充填法开采急倾斜较稳固矿脉}、{属性：AW（急倾斜较稳固）}、{关系：节点5#（m1,m4）和7#（m2,m4）的父节点,#1（m1\m2\m3\m4）的子节点}、{实例m1, m2, m4};而在空间情境为二采区时,表示{概念：侵入花岗斑岩的倾斜矿体采用分段崩落法开采}、{属性：B（倾斜）和侵入（PO）},关系节点与实例不变。
遵照图5完成本体转换的规则,由领域专家根据具体情况进行优化与修改,形成了图6所示的关于矿脉开采工艺方法数据集的顾忌情境的地学本体。全局本体包括虚线之外的部分,由矿山生产本体概念体系确定,知识内涵为矿脉触发采矿业务事件,专题情境为矿脉采矿,空间情境为采区。局部本体1包括全局本体、情境1虚线框中自身概念本源、情境2外部本体,空间情境为一采区;局部本体2包括全局本体、情境2虚线框中的本源和外部本体情境1,空间情境为二采区。一采区和二采区为相邻关系,可借助owl和cowl定义。由此产生的本体形式化描述,一方面可以指导赋存条件统一或开采工艺同一的矿脉地学信息集成,如m1、m2和m4在二采区可以集成为倾斜矿脉且均与花岗斑岩具有侵入相交关系的矿体;另一方面也可以获取不同采区不同矿脉开采工艺的规则知识与知识推理,可将OWL转化为描述逻辑,如<orevien(矿脉),miningmethod（采矿方法）>: has_method（开采）→<m1, x>: has_method,由此为矿山生产地质信息集成与生产工艺决策选择提供客观和明晰的支持[25]。
Fig. 6 Formal specifications for ore mining ontologies

图6 矿脉开采本体形式化描述

5 结论

结合当前海量地学信息集成和知识共享的迫切需要,针对矿山生产地学本体构建与知识描述展开研究。研究中首先注重利用现存的海量多维多源结构化地学数据源,提炼与明确了多维多值概念格理论,旨在快速客观地从地学空间数据库中抽取地学概念和挖掘概念内隐关联规则,从而实现地学语义知识自动组织。其次,顾忌地学领域情境差异性,提出了负载情境因子的地学静动态多元集成语义模型和基于OWL的形式化描述,实现了兼具全局和区域双特性的地学本体形式化描述。在此基础上,以此模型为依托,结合多维多值概念格理论,提出面向结构化数据库的地学本体自动构建算法,并结合金属矿山生产实际数据,实现了采区内特定时间情境下矿脉开采领域本体的形式化描述,挖掘和展示了不同情境矿体开采领域内概念之间的内隐关系和规则,验证了方法能充分提高繁杂地学领域内概念层次的展现效果和构建效率。进一步完成差异情境多维概念格融合算法,多维概念格自主可视化显示算法以及负载情境的描述逻辑为后续研究重点。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
苗瑾花,王家耀,成毅,等.地理本体研究综述及趋势分析[J].测绘科学技术学报,2014,31(6):653-657.地理本体是表达地理概念以及地理概念之间关系的有效手段,包含本体属性、一般关系和空间关系等语义信息,是实现地理信息共享和提供智能地理信息服务的一个研究重点.此处从地理本体的概念出发,介绍了地理本体研究的基本内容,详述了地理本体语义研究关键技术的基本原理和方法,总结了地理本体在地理信息科学领域中的主要应用,最后在此基础上着重探讨了目前地理本体研究中存在的主要问题,并分析了地理本体的发展趋势,为以后的研究指明方向.

DOI

[Miao J H, Wang J Y, Cheng Y, et al.Overview and trend analysis of geo-ontology[J]. Journal of Geomatics Science and Technology, 2014,31(6):653-657. ]

[2]
马小刚. 地学数据网络共享与交换研究的新进展[J].国土资源信息化,2006(6):42-43.

[Ma X G.The latest progress of research on geoscientific data sharing and exchange[J]. Land and Resources Informatization, 2006(6):42-43. ]

[3]
胡玲,李霖,王红.基于本体范畴的地理信息系统语义集成方法[J].测绘科学, 2011,36(6):52-55.为实现地理信息系统之间的语义集成,本文提出了地理本体范畴定 义:即范畴中的对象描述地理本体,对象之间的态射描述地理本体之间的映射,且态射能描述地理本体间的多种语义关系；并设计了利用外推实现地理本体集成的算 法,该算法既能集成同义关系,也能实现语义非对称关系的集成；最后以不同分类标准的干出滩本体为具体案例,阐述了算法的实现步骤并对实验结果进行了分析.

[Hu L,Li L,Wang H. Methodology of semantic integration of GIS based on category of ontology[J]. Science of Surveying and Mapping, 2011,36(6):52-55. ]

[4]
吴孟泉,宋晓东,崔伟宏.基于本体的异构空间数据的集成研究[J].武汉大学学报·信息科学版,2007,32(10):915-918.在综合国内外地理信息学术界有关本体理论、方法和应用研究的基础上,改进了基于本体的空间数据集成框架,并进行了试验说明。

DOI

[Wu M Q, Song X D, Cui W H.On ontology-driven heterogeneous geographic data set integration[J]. Geomatics and Information Science of Wuhan University, 2007,32(10):915-918. ]

[5]
徐寅,吉根林,张书亮.基于地理本体的地下管线空间知识表示方法研究[J].南京师范大学学报·自然科学版,2013,36(1):127-132.

[Xu Y, Ji G L, Zhang S L.Study on representation method of spatial knowledge on underground pipelines based on Geo-ontology[J]. Journal of Nanjing Normal University (Natural Science Edition), 2013,36(1):127-132. ]

[6]
梁汝鹏,李宏伟,马雷雷,等.地理信息服务语义标注原理与关键技术及应用[J].地球信息科学学报,2015,17(4):408-415.lt;p>随着地理信息服务应用领域和受众群体的日益广泛,人们对地理信息服务的需求越来越多元化。一方面网络上注册和发布的地理信息服务的数量急剧增长;另一方面人们对如何高效发现兴趣服务、组合兴趣服务以满足兴趣需要却常感到困惑。当前,用户只能通过关键字搜索并结合空间过滤条件查询OGC(Open Geospatial Consortium)的目录服务,来发现所需的数据和服务。用户在受益于目录服务带来的资源搜索便捷的同时,经常受到查全率和查准率不高的困扰。面对日益庞大的服务群,如何自动、快速、准确地发现目标服务,成为影响地理信息服务进一步发展与应用的瓶颈。本文围绕地理信息服务语义标注原理方法与关键技术展开研究,通过引入信息检索技术和语义网技术、语义服务技术,从面向地理信息服务语义标注的本体建模、基于地理概念匹配的语义标注算法、融合相似性度量与包含性推理的语义匹配与服务发现,以及语义标注和服务匹配质量评价方法4个方面进行了深入研究。针对地理概念半自动语义标注新算法、地理信息服务语义发现与匹配方法、服务语义标注和服务匹配质量评价、应用试验等具体研究内容进行了实验设计,并给出了需解决的核心问题,为当前地理信息服务匹配方法提供了新思路。</p>

DOI

[Liang R P, Li H W, Ma L L, et al.Principles, key technologies and their application of semantic annotation of geographical information service[J]. Journal of Geo-information Science, 2015,17(4):408-415. ]

[7]
马振刚,李黎黎,许学工.自然地理学的大数据研究[J].地理与地理信息科学,2015,31(3):54-58.大数据给科学研究带来了机遇与挑战,但针对自然地理学的研究很少。基于此,该文结合大数据理念,立足自然地理学特点,分析了自然地理学的大数据源、大数据研究方法及相关变革。认为自然地理研究中的大数据源主要包括遥感大数据、地面传感器数据、自发地理信息和地理成果累积数据,对地观测、自动感知和自发地理信息是其主要生产方式。自然地理的大数据研究方法重点在地理信息科学的升级与变革,集中在数据—信息—知识的处理过程中。大数据背景下自然地理研究将向数据密集型范式转变,地理研究将实现新的综合,应用性地理学得到发展,研究队伍结构更加多元化,众包研究成为新的方式。要在自然地理研究中充分合理地使用大数据,还需要数据开放与共享政策的支撑,同时有必要开展大数据地理学研究。

DOI

[Ma Z G, Li L L, Xu X G.Study on big data of physical geography[J]. Geography and Geo-information Science, 2015,31(3):54-58. ]

[8]
徐安建,王海涛,尉伯虎,等.地理本体构建方法研究[J].测绘与空间地理信息,2013,36(7):39-40.

[Xu A J, Wang H T, Wei B H, et al.Study on entity based geo-data model[J]. Geomatics and Spatial Technology, 2013,36(7):39-40. ]

[9]
滕广青,毕强.基于概念格的异构资源领域本体构建研究[J].现代图书情报技术,2011,27(5):7-12.在对本体构建研究路径进行分析的基础上,阐述以概念格构建异构资源领域本体的内在机理和技术路线。通过概念格的并叠置运算,获得基于主题词表和文本两大异构资源的概念格。进而以异构资源概念格构建异构资源领域本体,并对异构资源领域本体的构建进行讨论。为数字图书馆构建异构资源领域本体做出探索。

[Teng G Q, Bi Q.A study on domain ontology construction from heterogeneous resources based on concept lattice[J]. New Technology of Library and Information Service, 2011,27(5):7-12. ]

[10]
Haav H M.A semi-automatic method to ontology design by using FCA[C]. Czech Republic: International Workshop on Concept Lattices and their Applications, Ostrava, Czech Republic, September, 2004.

[11]
余霞,刘强,叶丹.基于规则的关系数据库到本体的转换方法[J].计算机应用研究,2008,25(3):766-770.

[Yu X., Liu Q, Ye D.Rule-based approach of transforming relational database to ontology[J]. Application Research of Computers, 2008,25(3):766-770. ]

[12]
郭朝敏,姜丽红,蔡鸿明. 一种关系数据库到本体的自动构建算法[J].计算机工程与应用,2012,48(7):115-120.lt;FONT face=Verdana>随着语义网的发展，对本体的需要也越来越大。但是目前大多数的数据被存储在关系数据库中，这些数据不能被语义网应用程序所访问。因此如何将关系数据中的数据转化为可以被语义网应用的数据，是一个需要解决的问题。针对上述问题，提出了一种从数据库自动地构建OWL本体的方法。该方法把本体构建过程分为语义信息的发现和本体映射两个部分。并且定义了一种图M-Graph，通过M-Graph的生成与分析，结合映射规则自动地构建OWL本体。实验验证，该方法可自动地由关系数据库构建OWL本体，并且可以得到相对丰富和准确的本体。<BR></FONT>

[Guo C M,Jiang L H,Cai H M.Automatic method of ontology constructing from relationship database[J]. Computer Engineering and Applications, 2012,48(7):115-120.]

[13]
欧阳纯萍,胡长军,李扬,等.一种基于FCA的面向关系数据库的本体学习方法[J].计算机科学,2011,38(12):167-171.

[Ouyang C P, Hu C J, Li Y, et al.Approach of ontology learning from relational database based on FCA[J].Computer Science, 2011,38(12):167-171. ]

[14]
金阳,左万利.多维概念格与多维序列模式的增量挖掘[J].计算机研究与发展,2007,44(11):1816-1824.多维序列模式挖掘旨在将一个或多个背景维度信息中发现的关联模式与有序事务序列中发现的序列模式有机结合，从而为用户提供信息内容更加丰富、更具有直接应用价值的多维序列模式.目前虽有一些挖掘多维序列模式的工作，但其关联模式与序列模式的发现过程是基于不同的数据结构分开进行的.提出一种新的概念格结构——多维概念格，它是对概念格的延伸与泛化，其内涵更加丰富，不仅具有多个有序的任务内涵，而且具有多个无序的背景内涵.设计实现了基于该结构的增量式多维序列模式挖掘算法，该算法使用统一的数据模型实现关联模式与序列模式的高效同步挖掘.在合成数据集上的实验结果验证了算法的有效性.同时，算法在实际的银行数据集上的应用效果也说明了算法的实用性.

[Jin Y and Zuo W L. Multi-dimensional concept lattice and incremental discovery of multi-dimensional sequential patterns[J]. Journal of Computer Research and Development, 2007,44(11):1816-1824. ]

[15]
郭显娥,王俊红.多维概念格与关联规则发现[J].计算机应用,2010,30(4):1073-1075.

[Guo X E, Wang J H.The discovery of multi-dimensional concept lattice and association rules[J]. Journal of Computer Applications, 2010,30(4):1073-1075. ]

[16]
刘宏英,郭显娥,胡小珍.多维概念格及其构造算法[J].计算机工程与应用,2012:48(12):96-111.传统概念格所蕴含的信息量是非常有限的，基于对多维数据序列的理解，重新描述和扩充了概念内涵，提出一种新的多维概念格，给出其渐进式构造算法。虽然新格的建立增大了格结构的复杂性，但能最大地保证数据的完备性，实现数据收集的全面性。通过实验验证了该算法是有效的。

DOI

[Liu H Y, Guo X E, Hu X Z.Multidimensional concept lattice and constructing algorithm[J]. Computer Engineering and Applications, 2012,48(12):96-111. ]

[17]
[德]甘特尔,马垣等译.形式概念分析[M].北京:科学出版社,2007.

[Ganter B, translated by Ma Het al. Formal concept analysis[M]. Beijing: Science Press, 2007. ]

[18]
Cai G.Contextualization of geospatial database semantics for human-GIS interaction[J]. Geoinformatica, 2007,11(2):217-237.Human interactions with geographical information are contextualized by problem-solving activities which endow meaning to geospatial data and processing. However, existing spatial data models have not taken this aspect of semantics into account. This paper extends spatial data semantics to include not only the contents and schemas, but also the contexts of their use. We specify such a semantic model in terms of three related components: activity-centric context representation, contextualized ontology space, and context mediated semantic exchange. Contextualization of spatial data semantics allows the same underlying data to take multiple semantic forms, and disambiguate spatial concepts based on localized contexts. We demonstrate how such a semantic model supports contextualized interpretation of vague spatial concepts during human鈥揋IS interactions. We employ conversational dialogue as the mechanism to perform collaborative diagnosis of context and to coordinate sharing of meaning across agents and data sources.

DOI

[19]
Sboui T, Bodeur Y.Modeling the external quality of context to fine-tune context reasoning in geospatial interoperability[C]. 21st International Joint Conference on Artificial Intelligence, Pasadena, USA, 2009.

[20]
Bouquet P,Giunchiglia F,Harmelen F V, et al.C-OWL: Contextualizing Ontologies[C]. The Semantic Web-ISWC 2003, Berlin: Springer, 2003:164-179.

[21]
郭晓波,赵书良,王长宾,等.基于概念格的多值属性关联规则挖掘[J].计算机科学,2014,41(3):267-271.

[Guo X B, Zhao S L, Wang C B, et al.Multi-valued attribute association rules mining based on concept lattice[J]. Computer Science, 2014,41(3):267-271. ]

[22]
王文超. 基于多概念格的复杂领域本体构建研究[D].广州:华南师范大学,2014.

[Wang W C.Ontology construction on using multiple concept lattice for complex domain[D]. Guangzhou: South China Normal University, 2014. ]

[23]
Sboui T, Bodeur Y.Universal geospatial ontology for the semantic interoperability of data: what are the risks and how to approach them[A]. In: Tomaž Podobnikar, Marjan Čeh (ed). Universal Ontology of Geographic Space: Semantic Enrichment for Spatial Data[M]. US: IGI Global, 2012:1-27.

[24]
李宏伟,陈虎,王振宇等.基于概念格的空间关联规则挖掘优化[J].测绘科学技术学报,2013,30(3):304-307.

[Li H W, Chen H, Wang Z Y, et al.Amelioration of spatial association rule mining based on concept lattice[J]. Journal of Geomatics Science and Technology, 2013,30(3):304-307. ]

[25]
刘馨蕊,任凤玉,雷国平.领域本体驱动下企业联机分析处理系统应用研究[J]. 计算机应用,2016,36(1):254-259.传统联机分析处理(OLAP)系统存在着形式化业务知识参与不足的状况,对深度推理分析造成了制约和局限。为了克服上述缺点,提出一种领域本体驱动的OLAP系统构建方法。首先,通过分析现有本体构建方法的局限性,依托实体类多特征加权相似度判断算法,提出先全局设计后局部抽取的半自动本体构建模式,实现矿山生产领域知识形式化;接着在此基础上,以矿山生产能力关键指标为度量,完成负载业务概念多维本体(MDO)建模;最后,在实际矿山决策系统项目建设中,进行了方法检验。实验结果表明,该方法充分发挥领域本体形式化表达与推理优势,有效整合多源异构信息和明晰多维分析过程,实现内隐知识与关联规则深度挖掘;同时借助高频通用概念视图定义,避免重复维度建模,改进了传统OLAP效能。

DOI

[Liu X R, Ren F Y, Lei G P.Research on application of on-line analytical processing systems of domain ontology driven enterprise[J]. Journal of Computer Applications, 2016,36(1):254-259. ]

Options
文章导航

/

〈 〉