EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 4: 881 - 897

DOI: https://doi.org/10.12082/dqxxkx.2024.230637

地球信息科学理论与方法

自然资源和国土空间大数据技术应用框架

  • 程立海 , 1, 2 ,
  • 崔荣国 , 1, 2, * ,
  • 董瑾 1, 2 ,
  • 张迎新 1, 2 ,
  • 宋文婷 1, 2 ,
  • 刘聚海 1, 2
展开
  • 1.自然资源部信息中心，北京 100812
  • 2.自然资源部国土空间大数据工程技术创新中心，北京 100812
* 崔荣国（1978— ），男，山东日照人，硕士，研究员，主要从事矿产资源战略研究和形势分析工作。E-mail:

程立海（1985— ），男，河北秦皇岛人，硕士，副编审，主要从事自然资源信息化和《自然资源信息化》期刊工作。E-mail:

收稿日期: 2023-10-28

  修回日期: 2023-12-05

  网络出版日期: 2024-05-11

基金资助

自然资源部部门预算项目(121101000000190002)

自然资源部部门预算项目(121101000000190008)

收起

Technical Application Framework of Big Data on Natural Resources and Territorial Space

  • CHENG Lihai , 1, 2 ,
  • CUI Rongguo , 1, 2 ,
  • DONG Jin 1, 2 ,
  • ZHANG Yingxin 1, 2 ,
  • SONG Wenting 1, 2 ,
  • LIU Juhai 1, 2
Expand
  • 1. Information Center of Ministry of Natural Resources, Beijing 100812, China
  • 2. Technology Innovation Center for Territorial & Spatial Big Data, Ministry of Natural Resources, Beijing 100812, China
* CUI Rongguo, E-mail:

Received date: 2023-10-28

  Revised date: 2023-12-05

  Online published: 2024-05-11

Supported by

Department Budget Item of Ministry of Natural Resources(121101000000190002)

Department Budget Item of Ministry of Natural Resources(121101000000190008)

Fold

摘要

自然资源和国土空间大数据是科学配置和高效管理自然资源的重要基础，是优化和治理国土空间的重要支撑。本文基于大数据的发展历程、技术现状和主要挑战，概述了自然资源领域大数据感知、管理、分析等方面的关键技术进展，提出了自然资源领域大数据研究与应用中的研究领域单调、技术应用零碎问题；从自然资源、国土空间和人类活动的维度阐述自然资源和国土空间大数据的基本内涵，地域空间无限与资源空间耦合是区别其他大数据的显著特点。在应用需求基础上，构建了要素化、数智化、一体化的自然资源和国土空间大数据技术应用框架，该框架包含数据采集、数据治理、应用支撑、应用和用户5层结构体系和关键技术集成，实现大数据到知识服务再到数智化治理的转变，聚焦自然资源“两统一”核心业务，重构了4个方面10项自然资源业务应用。从自然资源调查监测、“智慧+”监管决策、“互联网+”政务服务3个方面开展应用实践分析；展望了自然资源和国土空间大数据在数据采集存储、数据治理、应用支撑、应用服务方面的发展方向。

关键词： 自然资源; 国土空间; 人类活动; 大数据; 地域无限; 要素耦合; 技术应用框架; 应用实践

本文引用格式

程立海 , 崔荣国 , 董瑾 , 张迎新 , 宋文婷 , 刘聚海 . 自然资源和国土空间大数据技术应用框架[J]. 地球信息科学学报, 2024 , 26(4) : 881 -897 . DOI: 10.12082/dqxxkx.2024.230637

Abstract

The big data on natural resources and territorial space provides an essential foundation for scientific allocation and efficient management of natural resources, as well as a vital support for territorial space optimization and governance. As a fundamental technical support, it has become increasingly important for the management and research of natural resources, especially for fully fulfilling the duties of "two unification". Firstly, this paper provides a general overview of the development history, current technical status, and main challenges of big data, and focuses on key advances in perception, management, analysis technologies, along with the technical development of big data on natural resources. The problems such as monotonic research areas and piecemeal technical applications in the research and application of big data in the field of natural resources are also pointed out. This paper further expounds the basic connotation of big data on natural resources and territorial space from the dimensions of "natural resources", "territorial space", and "human activities". Infinite regional space and coupling of resources and space are the distinctive charactertistics in the connotation. Secondly, based on the application requirements and combined with full life circle processing technology of big data, the technical application framework of big data on natural resources and territorial space is developed and characterized by factors, digital intelligence and integration. This framework contains five structural and technical layers including data collection layer, data governance layer, support layer, application layer, and user layer. The advantages of industrial data center manager in mass, multimode, and isomerism data process, organization and management are displayed. This paper archives the transition from big data to knowledge services and then to digital intelligent governance and focuses on the core business of natural resources "two unification". Besides, four types (ten items) of natural resources management business applications are reconstructed. Finally, this paper carries out application practice analysis from three aspects: natural resources survey and monitoring, "smart+" regulatory decisions, and "Internet+" government services, and analyzes the application scenario, application effect and development direction. The deficiencies and main challenges of the proposed framework are also discussed. Additionally, this paper prospects the future development of big data on natural resources and territorial space in terms of data acquisition and storage, data governance, expression and visualization, analysis and mining, application and services.

Key words： natural resources; territorial space; human activities; big data; infinite region; coupled factors; technical application framework; application practice

1 引言

随着数字时代的到来，数据正成为重要的新型生产要素，大数据为政府、企业与个人提供了无与伦比的应用价值和服务能力，催生出科学研究第四范式（数据密集型科学发现）。大数据术语 最早应用在Apache org的开源项目Nutch，表达批量处理或分析网络搜索索引所产生的大量数据 集[1]。2008年，Nature出版专刊Big data: science in the petabyte era，大数据概念得到了世界的关注[2]。2011年，Science出版专刊Dealing with data，探讨了大数据对人们生活的影响[3]。2012年，美国将大数据作为国家科技战略。2020年，英国和欧盟委员会分别发布了数据战略，推动数据的价值释放和流通应用。中国也高度重视大数据的发展和应用，2015年，明确数据是国家基础性战略资源；2016年，提出国家大数据战略；2020年，将数据与土地、劳动力、资本、技术并列为5种生产要素；2023年，明确了大数据成为数字经济的关键生产要素。2022年，中国大数据产业规模达1.57万亿元，同比增长18%[4]。
大数据技术形成了采集、传输、管理、处理、分析、应用的数据生命周期，本文阐述大数据管理、处理、分析、治理等基础技术发展现状与主要挑战。大数据管理技术主要围绕高性能、高可用、高效能3个方面创新大数据管理技术和产品[5⇓⇓⇓⇓⇓-11]，如图形处理单元（Graphics Processing Unit，GPU）数据库[5]、学习索引[12]、自我设计（Self-Design）[13]、云数据管理技术等，主要面临数据跨域访问不畅、数据管理系统可用性下降、数据维护成本和能耗增高的挑战。在大数据处理技术方面，美国阿帕奇软件基金会（以下简称阿帕奇）的开源分布式数据计算和存储框架（Apache Hadoop）到阿帕奇大数据分析引擎处理软件（Apache Spark）系统在技术生态上完全诠释了“扩展性优先”到“性能优先”设计的大数据处理过渡[14]；基于分布式集群架构的分布式流处理系统成为主流的流处理系统，围绕阿帕奇分布式计算框架（Apache Storm）、阿帕奇流处理框架（Apache Flink）、Apache Spark核心应用程序接口（Application Programming Interface，API）的扩展（Spark Streaming）等开源系统的软件生态逐渐形成；美国谷歌（Google）首次提出图计算技术，设计了首个大规模图形处理系统普雷格尔（Pregel）[15]，提升图计算性能的软件和硬件优化技术被相继提出[16⇓-18]，主要面临大数据处理架构时效性差、处理成本高、执行效率低的挑战。大数据分析技术已形成较完善的多模态数据融合技术[19⇓-21]、联邦学习技术[22-23]、因果推断技术[24⇓-26]的基础理论和核心技术，在商业、医疗、金融等领域得到广泛应用，主要面临数据分析规模和体量较小、多模异构数据融合分析不足、分析结果可解释性较低的挑战。在大数据治理技术方面，汇聚融合、质量保障、开放流通、安全与隐私保护、标准化与生态系统建设等技术取得创新性成果[27⇓⇓⇓⇓-32]，但很多治理技术仍处于探索阶段[14]，主要面临系统化的大数据治理框架尚未形成，开放共享、质量评估、价值预测等关键技术尚未成熟的挑战。
自然资源领域大数据在顶层设计、技术升级、应用服务等方面都取得了明显的进展。2016年，国土资源部提出了国土资源大数据应用发展的八大任务与进度安排。2019年，自然资源部提出了以自然资源“一张图”为基础的自然资源领域大数据体系，通过国土空间基础信息平台统一管理“一张图”数据，建立自然资源和社会经济大数据的共享应用机制。随着基于“天-空-地-海”一体化技术的自然资源调查监测体系形成，自然资源三维立体“一张图”大数据资源体系不断完善，国土空间基础信息平台的二维三维一体可视化、场景化等功能不断扩展[33]。专业领域知识服务逐渐成为研究热点，研究人员初步探索了湿地知识图谱构建方法[34]、海洋知识服务体系[35]、自然资源领域知识图谱技术框架[36]、大规模地球科学知识图谱构建与共享应用框架[37]。自然资源大数据决策支持系统和自然资源社会大数据监测与分析系统实现了自然资源领域专题、舆情和应用的常态化监测分析[38-39]。不动产登记智能审批系统通过算法实现了登记业务的自动化受理与审核。自然资源要素数字孪生体通过多维融合建模、深度学习、模拟仿真等技术实现自然资源物理实体的动态精准模拟和演变。“耕地智保”应用场景基于“浙政钉”业务协同模式，采用空间码关联和铁塔视频技术，实现耕地监管全覆盖。“自然资源大脑”发挥智能客服、智能辅助审批、智能监管、舆情监控等行业场景中的智能化作用。通过多年的学术探讨和应用实践，自然资源领域专家学者从不同角度和不同层次提出了自然资源大数据[40-41]、地理空间大数据[42]、时空大数据[43]、国土空间大数据[40,44]、地质空间大数据[45]、海洋大数据[46]、政务地理空间大数据[47]、国土空间规划大数据[48]等概念。
在自然资源领域大数据系统化技术方面，李德仁[43]研究了时空大数据的自动匹配、变化检测、智能决策等智能处理技术，侧重时空大数据智能处理与对人观测的“3S”社会化应用。蒋文彪等[49]提出了自然资源和国土空间大数据建设与应用基本思路，强调丰富完善自然资源三维立体“一张图”、优化完善国土空间基础信息平台、强化自然资源和国土空间大数据应用。沈镭等[40]研究了自然资源大数据应用技术框架研究与进展，提出了自然资源大数据应用研究知识框架，空天地一体化自然资源大数据库和“生产-生活-生态”应用框架，自然资源数据收集、处理与应用结构体系。郑新奇等[44]提出了国土空间大数据的采集与存储、表达与可视化建模、分析与挖掘、智慧国土与智能决策场景应用等技术，侧重国土空间大数据关键技术与场景应用。屈晓波等提出基于全生命周期的数据管理、购物车式共享服务、灵活的分析查询及智能辅助决策等能力的自然资源行业数据中台解决方案[50]。刘纪平等[47]研究了政务地理空间大数据整合、存储与管理、挖掘与分析、可视化以及决策支持服务技术，侧重地理空间大数据在政务信息管理和政府综合决策方面的应用。秦昆等[51]研究了智能空间信息处理与时空分析的研究框架基础理论与关键技术，侧重时空大数据处理与分析关键技术。邓敏等[52]提出了国土空间适宜性评价、生态空间规划、农业空间规划及城镇空间规划方面的大数据应用方向与具体方法框架，重点探讨了国土空间规划大数据应用方法框架。王占宏等[42]提出了全天候立体化监测网和自然资源调查监测大数据仓库、计算中心、服务平台组成的自然资源调查监测地理空间大数据技术架构，侧重地理空间大数据在自然资源调查监测方向的应用。
虽然自然资源领域大数据在采集、管理、分析、应用等方面取得长足进步，但还存在一些需要深入探讨的问题：
（1）已有的研究基本上都聚焦地质、海洋、地理空间等特定的专业领域；尚未对涵盖资源、政治、经济、文化、社会、生态等多属性，反映“山水林田湖草沙”生命共同体底层逻辑的自然资源和国土空间大数据的内涵进行系统研究。
（2）现有的应用服务实践存在自然资源领域大数据来源和管理分散、开发利用难度大、共享能力不足等问题，覆盖自然资源全行业的大数据技术应用框架尚未形成，分散在各部门、各地区的自然资源领域大数据迫切需要按照统一的标准规范进行共建、共享、共用。鉴于此，本文在总结现有自然资源领域大数据成果基础上，试图从自然资源、国土空间和人类活动的维度，阐述自然资源和国土空间大数据的主要内涵及其特征；基于大数据全生命周期处理技术构建了要素化、数智化、一体化的自然资源和国土空间大数据技术应用框架，讨论了技术应用面临的主要挑战和未来发展方向。

2 自然资源和国土空间大数据内涵与特征

2.1 基本内涵

自然资源是指天然存在、具有使用价值、可提高人类当前和未来福利的自然环境要素的总和[53]，是人类活动的物质基础和要素保障。国土空间是指国家主权与主权利益管辖下的地域空间，是自然资源和人类活动相互作用的耦合系统。自然资源和国土空间存在多要素共生依赖关系，主要区别在于地域空间限定和资源空间耦合，二者的多要素耦合与多功能融合成为自然资源管理关键问题之一[54]。人类活动通过科技手段利用和保护自然资源、开发和治理国土空间。大数据为充分挖掘国土空间、自然资源与人类活动的关联关系提供技术支持，为协调空间要素和资源要素的流动分配提供决策支持，四者的关系如图1所示。
图1 自然资源、国土空间、人类活动与大数据的关系

Fig. 1 Relations among natural resources, territorial space, human activities and big data

相关学者从自然资源要素、自然资源管理、数据量规模、全周期数据处理等方面提出了自然资源大数据的内涵[40-41,55]，侧重数字化表达与数据产品供给；从国土空间本体及其要素、经济社会领域融合、数据量规模、全周期数据处理与分析等方面提出了国土空间大数据的内涵[40,44] ，侧重时空关联分析与数据服务支撑。自然资源大数据和国土空间大数据既交融关联又相互补充，但均未综合反映资源和空间的耦合性与融合性。自然资源大数据具有无限的地域空间，侧重自然资源要素保障与供给的数字化表达，但缺少社会经济与人类活动的时空关联与耦合分析；国土空间大数据具有立体的各类资源和空间，侧重自然资源要素、空间要素和人类活动的时空关联与耦合分析，但地域空间限定于国家主权范围，研究对象的连续性和完整性受到制约。
郭仁忠[56]指出，自然资源和国土空间大数据是国家数字化和大数据战略的重要组成部分；蒋文彪等[49]从3个方面提出了自然资源和国土空间大数据建设与应用的基本思路。综合前人研究，本文认为，自然资源和国土空间大数据是指通过实时感知与融合分析海量、多模、异构的土地、矿产、森林、草原、湿地、水、海洋等自然资源要素数据，国家管理下的空间安全、开发、利用、保护、修复等国土空间治理数据，人类行为、经济发展、社会感知等人类社会活动数据，实现自然资源、国土空间、人类活动及其相互关系、动态变化、耦合作用的数字化表达、预测和决策支持，提供标准统一、要素关联、共享开放的数据产品和数据服务的数据资源体系。自然资源和国土空间大数据由8个数据种类构成，是支撑自然资源业务与管理数字化转型的数字底座，如表1所示。
表1 自然资源和国土空间大数据构成

Tab. 1 Composition of big data on natural resources and territorial space

数据种类 数据内容
自然资源资产 自然资源调查监测评价、全民所有自然资源资产权益、自然资源确权登记和不动产登记
规划实施监督 国土空间规划编制实施与国土空间用途管制
开发利用 自然资源开发利用计划、评估、交易、监管
保护修复 耕地保护、生态修复、防灾减灾
执法督察 自然资源督察、综合执法
政务服务 自然资源要素服务保障与行业管理
社会经济 社会经济统计、物联网感知
人类活动 网络行为记录
地理空间大数据、海洋大数据、国土空间规划大数据、地质空间大数据等自然资源领域特殊数据集，由于其服务对象特定或应用场景聚焦，应作为自然资源和国土空间大数据的重要组成部分，但可作为独立的自然资源领域大数据。自然资源大数据、国土空间大数据、自然资源和国土空间大数据内涵对比分析如表2所示。
表2 3种大数据内涵对比分析[40-41，44，55]

Tab. 2 Comparative analysis of 3 kinds of big data connotation

大数据名称 表达对象 地域空间 数据规模 主要技术方法
自然资源大数据 “山水林田湖草沙”自然资源全要素 全球范围、单要素、连续
平面空间		 海量、多模、异构 数字化表达、数据产品供给
国土空间大数据 国家主权与主权利益管辖下的地
域空间及其要素的时空关联与耦
合作用		 国家主权范围、多要素、
特定立体空间		 海量、多模、异构 数字化表达、时空关联分析、数据服务支撑
自然资源和国土空间
大数据		 “山水林田湖草沙”自然资源全要素、国家主权与主权利益管辖下的地域空间、其他相关要素及其时空关联与耦合作用 全球范围、多要素、连续
立体空间		 海量、多模、异构 数字化表达、时空关联分析、数据产品供给、数据服务支撑

2.2 特征分析

自然资源和国土空间大数据不仅具有大数据的“5V”特征，即数据量大（Volume）、种类和来源丰富（Variety）、价值密度低（Value）、速度快（Velocity）和真实性（Veracity），还具有以下5个方面的行业特征：
（1）覆盖范围广。涉及“山水林田湖草沙”自然资源全要素，地上、地表、地下空间资源，二维、三维数据空间形态，人类活动、经济活动等社会经济领域。
（2）时空演化性。具有长时序、多时相、地理位置等属性，通过时间变化特征分析和空间分布、交互、反演揭示现实世界中的时空结构和规律。
（3）基础权威性。作为经济社会发展和生态文明建设的重要支撑，为社会各界提供全覆盖、高精度、权威统一的自然资源和国土空间“底板”“底图”和“底线”。
（4）要素耦合性。人类活动深刻影响着自然资源的分布和变化并对空间格局的形成和演变产生反作用，所有的自然资源需落在特定的国土空间，国土空间变化反映自然资源利用的变化，自然资源和国土空间大数据与政治、经济、文化、社会领域存在高度耦合性。
（5）战略安全性。关乎国家经济安全、资源安全、生态安全，具有战略性、全局性、根本性的地位。

3 总体框架

3.1 需求分析

（1）数字中国基础性数据资源的迫切需要。自然资源和国土空间大数据是国家大数据战略的重要组成部分，是国民经济和社会发展的基础国情数据，为数字经济发展、各行各业赋能、民生服务保障等提供权威统一的数据底板。数字中国建设的目标任务实现，需要全面推进自然资源和国土空间大数据建设与应用，为自然资源和国土空间的科学配置和高效利用进行数字赋能[49]。
（2）自然资源管理数字化转型的迫切需要。全面履行“两统一”职责需要在基础地理信息、自然资源调查监测、多源地理空间等数据基础上，探索自然资源要素、国土空间规划、人口与经济社会活动的时空关联与规律。通过大数据技术更精准、及时、全面地掌握自然资源和国土空间的开发、利用和保护状况，建立并完善调查监测、监督管理、决策支持等大数据模型和信息系统。
（3）社会化服务和多部门业务协同的迫切需求。自然资源和国土空间大数据涉及社会公众的切身利益，管理部门需要依托大数据技术建立便捷、智能、高效的一体化“互联网+政务服务”应用机制，创建自然资源社会化服务的“智慧+”应用场景。满足各级政府部门的自然资源和国土空间数字产品需求，促进与发展和改革、水利、交通运输、税务等部门数据的互通协同与共享互认[49]。

3.2 技术应用架构

自然资源和国土空间大数据覆盖数据采集、数据治理、存储管理、分析挖掘、共享服务、研发应用及质量、标准、安全等环节的业务和技术体系，通过大数据技术应用提供标准统一、智慧决策、共享开放的数据产品和数据服务。本文在全面梳理自然资源要素、社会经济、人类活动等与国土空间开发利用相关的大数据业务流程基础上，提出自然资源和国土空间大数据技术应用框架。技术应用框架包括数据采集层、数据治理层、应用支撑层、应用层、用户层5个层次和安全保障体系、标准规范体系2个体系，如图2所示，大数据在自然资源领域的技术发展和创新应用中提供服务支撑。
图2 技术应用框架

Fig. 2 Technical application framework

3.3 数据采集层

数据采集是数据处理与分析活动的起点，采集设备呈现小型化、专业化、网络化、泛在化、智能化等特点[44]。自然资源和国土空间大数据来源极其广泛，涉及业务管理实施、自然资源感知、社会活动感知、交换共享、互联网信息搜集等多种采集方式。“天-空-地-海”自然资源感知体系已发展成为包括卫星遥感、导航定位、航空遥感、无人机、铁塔摄像头、海洋调查船、观测站、浮标阵列等在内的全覆盖、多尺度、高分辨率的综合立体化观测与探测网络，向着自动、精准、实时数据获取方向发展，通过连续、多源、立体观（监）测手段获取的对地观测和海洋等领域数据正以每天太字节（TB/d）级以上速度增长[35]。人类活动的数字痕迹蕴藏着有价值的自然资源和国土空间信息并派生众源地理信息、众包数据等新型自然资源数据[57]，手机信令、社交网络、出行轨迹、网络舆情等社会感知数据丰富并拓展了自然资源三维立体“一张图”大数据体系。这些数据主要来源于移动互联网、物联网等技术应用的数据生产者，相关部门应不断健全数据搜集、交换共享、接入购买等数据汇聚获取机制。基于天空地一体化的采集技术解决地球空间信息获取一体化与智能化问题[58]，观测人类活动在内的地球系统运动。基于数据中台的采集技术利用数据湖、湖仓一体等技术汇聚管理结构化、半结构化、非结构化数据。基于社会感知的采集技术通过物联网测量、被动感知、参与式贡献等方式获取有意或无意的人类活动数据[59]。

3.4 数据治理层

3.4.1 数据分类分级

本文按照自然资源管理的业务需求，形成全要素、全空间、一体化的自然资源和国土空间大数据分类分级，为自然资源三维立体“一张图”提供数据共享索引。该分类分级包括现状数据、规划数据、管理数据、社会经济数据和人类活动数据5个一级类，一级类细分42个二级类，二级类细分若干个三级类。现状数据是基础类数据，反映自然资源和国土空间的真实状况。规划数据主要为管控类数据，为自然资源行政审批和用途管制提供数据支撑。管理数据产生于自然资源管理业务，为审批后监管提供数据依据。社会经济数据包括人口、经济和社会等相关数据，为社会化服务提供综合分析与决策。人类活动数据通过人类时空行为特征揭示社会经济的时空分布、联系及过程。一级类和二级类的数据内容如图3所示。
图3 数据分类分级一级类和二级类

Fig. 3 First and second class of data classification

3.4.2 要素化数据治理

自然资源和国土空间大数据容易受数据值缺失、噪声数据、数据冲突等影响，数据架构和质量等因素限制了其价值的更深入挖掘。数据治理是保证数据质量的重要环节，可以快速提升数据质量并实现数据的要素化。数据治理将各类多源异构数据通过数据治理平台进行整合，支持现状、规划、管理、社会经济、人类活动数据接入平台，挖掘并建立自然资源行业内部大数据池和元数据库；通过基于地理的ETL工具将接入数据导入大数据池，进行主数据治理技术处理并得到治理后的数据和质量评估报告；通过元数据采集系统形成元数据库，进行元数据治理并得到标准元数据库和数据图谱；利用数据模型对治理后的数据进行汇聚融合，形成统一的坐标体系、分类分级、数据模型和数据标准的指标库、模型库、规则库等各类主题库和数据图谱，其流程如图4所示[50]。数据规范在国内外大数据标准体系和自然资源信息化标准体系框架下，实现统一的多源异构数据获取、处理、交换、共享、管理、应用等关键技术标准。质量保障通过数据清洗、数据集成、数据血缘、数据建模、知识融合等技术手段，评估大数据的质量，检测及修正其中的错误。汇聚融合将海量、多源、异构的数据整合为便于分析利用的数据资源，使得不同类型、比例尺、来源的数据可在同一平台上展示和叠加分析，为进一步开展深层次数据治理和挖掘奠定技术基础。数据安全在释放数据价值的同时保证数据不被破坏、泄露和滥用。开放流通使数据可以突破原生信息系统的边界，数联网成为大数据互联互通与应用的核心技术。指标库支撑指标在自然资源和国土空间各场景中的多维度计算、分析、比对和应用；规则库梳理识别自然资源管理中的各类管理管控要求，实现规则统一管理和应用；模型库通过编排组合数据、指标、算法、规则建立可视化、可配置、可调度的模型管理工具。
图4 数据治理流程[50]

Fig. 4 Data governance process

3.4.3 数据存储管理

数据存储是知识服务和智慧决策的基础，分布式和并行计算技术可以为大数据存储管理提供较好的解决方案。近年来，分布式海量空间数据的存储与管理成为研究热点，分布式数据库对各个数据中心的数据进行统一的分布式存储与管理，实现数据的跨数据中心高效融合计算。赫·巴塞（HBase）是一种分布式、可扩展的非结构化查询语言（Not only Structured Query Language，NoSQL）数据库，拥有高可靠、高性能、实时读写的空间数据管理能力，支持海量数据存储，成为分布式空间数据存储和管理的主流技术之一[60]。国土空间基础信息平台采用“1个主中心+N个分中心”的分布式建设模式和基于“赫·巴塞+吉奥·梅萨”（HBase+GeoMesa）”的分布式数据库存储架构，实现自然资源和国土空间大数据的高效存储、计算与管理。作为分布式数据库管理系统，HBase负责数据库管理； GeoMesa为分布式空间数据库引擎，用以实现空间数据解析和空间索引[60]。在自然资源三维立体“一张图”框架内，治理完善基础地理信息库、矿产规划库、空间规划库、永久基本农田库、地质库、海洋综合库、社会感知库等核心库。数据并行主要充分利用单个计算节点上的多核并行资源，对部署到某个计算节点的具体计算阶段进行多实例并行化，从而充分发挥多核资源的并行性[50]。大数据存储管理向云端迁移是不可逆转的趋势，欧美国家已完成部分自然资源领域大数据的云端迁移。中国基于自然资源“一张网”，整合土地、矿产、海洋、测绘地理信息等部门的基础设施资源，构建分布式“自然资源云”的运行体系，通过分布式、虚拟化、高可用、集群化等复合数据管理模式实现分布式云资源的管理调度能力。

3.5 应用支撑层

3.5.1 数据表达与可视化

数据表达与可视化技术正逐步成为大数据时代的研究热点，从逼真模拟现实世界的角度，开展物理空间实体对象的单体化和对象化仿真建模，实现动态实时的实景三维可视化；从人的分析与需求主体角度，强调人的认知规律与时空行为的分析与可视化，基于社交媒体、出租车、签到、手机信令、客运流数据表达国土空间分布格局、空间单元交互及场所情感与语义，进而发现自然资源和国土空间的规律和特征。在空间上，主要通过空间化、语义化、实体化等技术对宏观的生态系统与物质、能量循环流动形成数字化映像和可视化表达。实景三维技术实现多维动态现实地理空间的立体化、真实化、实体化数字描述与表达，提供基础地理实体和地理场景数据产品，可以关联自然资源调查监测评价数据，建立自然资源实景三维场景模型，有利于开展高层次时空分析[61-62]，结合数字孪生技术建立自然资源实体“孪生”的数字空间，实现高效管理自然资源和智慧管控国土空间。元宇宙及数字孪生等相关技术，对土地、海域、矿产等复杂的物理实体进行多维度融合建模与数字化映射，实现自然资源全要素物理实体在数字空间的动态精准模拟和全生命周期共生演变[57]。新一代三维数据空间可视化技术通过构建不规则四面体网格（Tetrahedralized Irregular Mesh，TIM）和体元栅格（voxel grid） 2种三维场数据模型，实现了三维属性场数据在地理信息基础软件中的存储、管理、可视化和分析应用[63]。动态可视化综合运用动态的表示符号和表示方法，对事物的发展演化过程进行展现和表达，相关学者开展了放射图、空间填充法、图聚族简化可视化、多尺度交互等研究。在时间上，时空立方体模型为开展新兴时空热点分析、局部异常值分析和时间序列聚类等时空模式挖掘提供了新的工具[44]，相关成果已应用于城市交通数据、飓风数据、轨迹数据等可视化。

3.5.2 知识分析服务

数据分析挖掘逐渐从未知、隐含、有价值的信息与知识提取发展为智能化、精准化知识分析服务，更强调自然资源要素和国土空间格局的因果规律分析，实现从数据到信息再到知识甚至智慧的价值升级[64]。自然资源和国土空间大数据包括矢量、影像、视频、文本等多种类型数据，数据关联分析是数据价值挖掘不可或缺的技术手段，通过关联整合不同类型与来源的数据实现高质量的时空信息集成与分析。时空变化分析对土地利用变化、人口迁移、空间格局改变等时空变化过程和结果进行高层次分析和仿真模拟。智能挖掘涉及时空模式发现、时空分类、时空异常检测、时空聚类、时空预测、时空推理等内容[65]，多源信息混合知识推理[66]、复杂网络分析[67]、基于图计算的大数据决策支撑技术研 究[68]和跨模态知识挖掘能力建设不断推进。感知分析的核心是分布（一阶空间）模式、交互（二阶空间）模式、演化（三阶空间）模式3个层面的时空行为模式，活动时谱曲线分析方法和空间约束移动模型解决了地理空间分异格局反演问题，距离衰减效应定量分析方法解决了空间结构与空间作用反演问题。知识图谱基于知识表达、开放互联和推理预 测能力结构化表示现实世界实体之间的语义联 系[37,69]，通过知识抽取、知识融合、知识推理、知识更新等步骤构建，提供语义搜索、知识推理、知识服务等功能，融合自然语义、地理语义和管理语义的自然资源知识图谱为自然资源管理和知识分析服务提供支撑。规则智能判别、知识关联推送、业务自动审批等基础性业务协同服务和资源潜力评价、空间适宜性评价、绩效评估等基础性评价评估服务，基于电子监管码、机器人流程自动化（RPA）、知识图谱等技术提升业务协同和评价评估能力。

3.5.3 智慧决策支持

互联网大数据文本挖掘等技术在社会热点捕捉、公众诉求感知、群众满意度评估等方面显示巨大的优势，自然资源社会大数据监测与分析开拓了自然资源管理和辅助决策模式的文本语义分析挖掘和工程化应用[70]。算法逐渐渗入社会经济领域，算法权力向行政领域扩张成为必然趋势，基于“算法行政”的行政决策和预测判断应运而生。自然资源辅助决策算法以自然资源三维立体“一张图”中的长时间序列、全空间覆盖的三维海量数据为深度学习算法“训练场”，通过算法输出最佳的国土空间开发和资源配置方案，挖掘数据要素价值并形成对未来不确定性的预判能力[57]。快速高效的模型训练、推理处理、图像识别等工作基于遥感影像人工智能解译，自动提取空间要素变化信息，辅助判断变化信息的合法性，为自然资源调查监测、耕地保护、督察执法等业务提供数智化支撑。通过集成预测、聚类、分类等智能算法和推演模型，提供变化趋势预测、风险预测、多情景模拟、空间推演等基础性预测推演服务，为自然资源要素配置优化、国土空间格局优化、自然灾害防治等提供支撑。构建面向空间发展推演、空间格局优化、城市仿真模拟等的自然资源大模型，通过学习训练和交互反馈推动自然资源知识挖掘和认知推理能力建设。神经网络（ANN）、支持向量机（SVM）、随机森林（RF）等经典机器学习技术已广泛应用在土地利用、生态修复等领域。空间深度学习能直接学习识别地理空间数据的时间与空间特征，自动高效构建复杂特征，在遥感图像处理、智慧城市、环境科学等领域提供智慧应用[71]。

3.6 应用层

3.6.1 自然资源业务应用重构

自然资源和国土空间大数据不是原有数据的简单组合，而是基于自然资源业务与管理需求的业务重组与流程再造。按照自然资源数据赋能、智慧决策、优质服务和协同治理的思路，从自然资源调查监测评价、监管决策、政务服务、共享协同4个方面，建立业务全覆盖、数据全融合的自然资源调查监测评价、自然资源和不动产登记、自然资源资产和权益管理等10项应用，如图2所示。依托自然资源指标库、规则库和模型库，基于大数据的自然资源调查监测体系、监管决策体系、政务服务体系构建与应用，全面提升要素变化识别、业务协同、应用支撑、预测推演和多端服务等智慧化能力。自然资源和国土空间大数据统筹建设与其他政府部门数据共享协同，促进行政管理向协同治理转变。

3.6.2 自然资源调查监测

自然资源调查监测全面查清自然资源空间分布和质量状况，动态监测自然资源变化情况，为自然资源管理和社会经济发展提供基础数据。从自然资源调查监测的任务看，它与自然资源和国土空间大数据存在密不可分的联系：自然资源调查监测数据满足自然资源和国土空间大数据的内涵和特征要求，是其非常重要的数据来源；随着自然资源应用需求变化和大数据技术快速发展，自然资源调查监测依赖大数据采集与感知、数据存储与管理、数据表达与可视化、数据分析与知识服务方面的技术方法；基于自然资源和国土空间大数据的自然资源调查监测应用具有非常广阔的应用前景。2020年，自然资源部提出围绕统一调查监测的总体目标，开展自然资源统一调查监测、数据库建设、分析评价和成果应用，构建“天空地网”一体的自然资源统一调查监测技术体系。

3.6.3 自然资源监管决策

自然资源监管决策基于自然资源三维立体“一张图”大数据体系和国土空间基础信息平台，围绕自然资源开发利用、国土空间规划、耕地保护与粮食安全、海洋资源监管、生态修复、自然资源执法和督察等业务，构建自然资源行业知识库，提供综合监管、形势分析预判宏观决策等在线服务。自然资源和国土空间大数据为自然资源领域的“智慧+监管决策”应用场景创建提供了良好的技术条件，结合云计算、人工智能、实时感知等技术，强化空间要素变化识别、知识评价评估、预测推演模拟等智能化服务功能，支撑自然资源领域政务服务、监管决策、辅助决策等系统运行，拓展智慧耕地、智慧海洋、智慧规划等应用场景，建立大数据监管决策应用机制。

3.6.4 自然资源政务服务

自然资源政务服务关系社会公众的切身利益，受到广泛的社会关注。优化完善国家、省、市、县联动的智能审批、登记和服务系统，全面实现“网上办、掌上办、就近办、一次办、高效办”的政务服务。自然资源部政务服务系统与国家一体化在线政务服务平台对接，实现统一电子证照、统一电子签章、统一安全管理等支撑的互信与数据互联互通。基于行业知识图谱，运用具体业务的规则辅助，加强数据融合、自动核验、知识判断、智能推送等智能审查功能，构建提出申请、清单确认、上传录入、光学字符识别、智能判别、电子制证等智能辅助审批流程。建立政务服务应用程序（APP）或移动版，实现政务服务事项由线下或电脑端向移动端的转变，提升群众办事体验。

3.6.5 自然资源共享协同

自然资源共享协同实现自然资源、发展和改革、交通运输、水利、税务等部门相关数据的互通协同与共享互认，满足政府部门、行业单位和社会公众对自然资源和国土空间大数据的迫切需求[49,72]。“自然资源云”由自然资源部主节点和各分节点构成，利用虚拟化、云存储、大数据等技术全面整合原国土、海洋、测绘地理信息等部门的信息技术（Information Technology，IT）基础设施资源。统一的云管理平台构建分布式“自然资源云”运行体系，助力实现自然资源数据和应用系统整合上云。“地质云”集成数据资源、信息服务资源、地质调查、业务管理、数据共享、信息服务等资源和功能，支撑地质大数据的网络信息化基础设施平台。国家海洋云平台实现了计算、存储与方法模型资源的统一管理和运维调度，为海洋权益维护、海洋经济统计、生态保护等提供计算能力支撑。

3.7 用户层

用户层包括部、省、市、县四级自然资源管理部门用户和相关政府部门、科研院所、企业机构、社会公众和其他用户，为自然资源部门用户提供国土空间规划、生态保护修复、地质灾害防治等业务应用支撑，为发展和改革、生态环境、水利等其他部门用户提供空间数据底座服务，为科研院所、企业单位、社会公众和其他用户提供内容丰富、准确权威、动态鲜活的数据服务、政务公开等便民服务。各类用户根据权限及职责选择相应的数据工具及应用，技术应用框架对应提供简单有效的管理方式。

4 应用实践分析

4.1 自然资源调查监测

自然资源调查监测在自然资源陆海统筹立体空间调查监测、自然资源动态监测网络建设、自然资源分析评价与知识服务等方面取得初步应用和初步成果，其体系架构包括协同化数据感知、自动化信息处理、精细化场景管理、智能化知识服务等核心部分[69]。基于“第五代移动通信技术（5th-generation Mobile Ccommunication Technology, 5G）+无人机”、基于铁塔视频监控、基于“国土调查云”、覆盖“天-空-地-海”的自然资源智能感知监测监管体系等技术与应用提升了自然资源动态监测和态势感知能力。近年来，一些省份围绕自然资源统一调查监测体系的构建需求，立足空天地观测技术及云计算、大数据、人工智能等新一代信息技术，面向自然资源三维立体“一张图”构建了自然资源调查监测指挥中心，利用数据治理能力、可视化技术与知识分析模型，整体提升自然资源调查监测的智能化水平，自然资源调查监测技术架构如图5所示。
图5 自然资源调查监测技术架构

Fig. 5 Technical structure of natural resources survey and monitoring

4.2 “智慧+”监管决策

“智慧耕地”通过铁塔视频监控、耕地“一本账”、“空间码”数字关联等关键技术，实现“非农化”“非粮化”监管、基于“浙政钉”的业务协同、“网格化+田长制”管理等功能；汇聚形成耕地动态监管全生命周期数据链，以信息码方式动态展示耕地关联信息、智能判别疑似违法信息等，以任务码方式驱动自然资源业务的内部流转与外部协同。全国多地开展“一码管地”应用实践，建立空间单元的多元关联关系，构建以地块码为核心、业务码配合的土地管理编码体系。“智慧国土空间规划”通过构建一体化、智慧化感知系统，感知国土空间中各类主体的变化情况和趋势，基于国土空间基础信息平台智能化辅助工具与知识库，生成相关业务信息、统计分析表、分析报告或决策建议等。北京、广东、湖北、浙江、江苏、宁夏、重庆等省（市、区）开展了“智慧国土空间规划”探索与实践。“智慧+”监管决策技术架构如图6所示。
图6 “智慧+”监管决策技术架构

Fig. 6 Technical structure of "Smart+" regulatory decisions

4.3 “互联网+”政务服务

自然资源部“互联网+政务服务”平台是全国一体化在线政务服务平台的“服务节点”和“子门户”，主要通过国家政务服务平台与省级和其他部门政务服务平台互联互通、数据共享和业务协同，基于国土空间基础信息平台提供数据查询、核验与应用服务[73]。“互联网+不动产登记”以信息平台为支撑，以业务实体研究和梳理为基础，设计跨网络数据交换策略，让企业和群众办事更方便、更快捷、更高效。不动产登记一窗云平台、省市县一体化不动产登记与监管服务信息平台、“互联网+人工智能”不动产智慧服务应用等信息平台提升了全国不动产登记动态监测、数据深度挖掘与政务服务能力。“互联网+”政务服务技术架构如图7所示。
图7 “互联网+”政务服务技术架构

Fig. 7 Technical structure of "Internet+" and government services

5 结论和展望

5.1 结论

本文在大数据进展和自然资源领域大数据进展综述基础上，提出了自然资源和国土空间大数据的内涵和特征，结合大数据全生命周期处理技术构建了其技术应用框架，开展自然资源调查监测、“智慧+”监管决策、“互联网+”政务服务3个方面应用实践分析，主要结论如下：
（1）本文明晰了自然资源、国土空间、人类活动和大数据的逻辑关系，自然资源依附国土空间并与人类活动密切耦合，支撑生产、生活和生态活动，大数据为其提供数字化表达、知识服务和智能支持。
（2）本文提出了自然资源和国土空间大数据内涵与特征，比较了其内涵与自然资源大数据和国土空间大数据的内涵，综合反映资源与空间的时空关联与耦合作用，地域空间无限与资源空间耦合是区别其他大数据的显著特点，为厘清空间连续性与政区单元化、要素综合性与管理部门化的逻辑关系创造了条件。
（3）自然资源和国土空间大数据技术应用框架集成数据采集、数据治理、应用支撑关键技术，通过模型和算法生成高价值知识、提供智慧决策支持，具有广泛的应用前景，为全面履行“两统一”职责提供越来越重要的基础性技术保障。
（4）自然资源和国土空间大数据及其技术应用框架尚未成熟，面临数据治理体系、融合分析、协同共享等技术方面的难点和挑战以及与自然资源管理深度融合不足的问题。数智化数据服务场景需要进一步拓展，智能化、精细化业务应用水平有待提高。

5.2 展望

（1）数据采集存储。数据获取周期将更短、精度将更高，基于卫星感知、航空感知、地面调查、物联/视频感知的协同化数据感知将满足高可靠、高时效、多维度的数据采集需求。基于云基础设施的开放、可扩展、高性能计算架构将实现多源异构数据的集成管理、算法模型的服务化接入、计算资源的应需调度[69]。数据存储与计算应在持续提升能力基础上，通过精细化运营和技术升级实现降低成本、提升质量。数据要素化需求将推动数据与应用进一步分离，数据以独立形态存储于数据库。
（2）数据治理。自然资源和国土空间大数据存在数据碎片化、数据噪音较多、数据融合度低等问题，应聚焦大数据管理与分析技术规范研制、数据质量动态体检与评估技术研究、多源异构数据汇聚融合技术体系构建等发展方向。多模态数据融合分析技术将为基于“天-空-地-海”一体化数据获取的数据融合与综合分析、时空知识图谱的时空知识获取与融合[64]提供技术支持，对多源、异构、多模态数据进行高质量的汇聚融合与关联分析。
（3）应用支撑。自然资源要素数字孪生体满足以严守资源和安全底线为前提的自然资源要素保障需求，实现自然资源要素的数字化映射和虚实交互，将成为自然资源和国土空间大数据的重要应用方向。自然资源、国土空间、人类活动与深度学习算法深度融合仍是研究重点，通过数据挖掘、知识加工抽取、知识推理等手段，构建反映其内含逻辑的知识服务技术体系。复杂时空知识表达、面向时空知识图谱的知识推理、面向行业管理的时空知识抽取等技术方法仍处于深入研究阶段。
（4）应用服务。“自然资源大脑”设计和构建应成为一个重要的研究方向，整合国土空间基础信息平台的智能要素与工具，形成“智慧国土”操作系统和智能底座。AI大模型与自然资源管理的深度应用将进一步加强，国土空间机器人、不动产登记机器人、自然资源数字人通过人工智能算法，拓展智慧调查监测、智慧规划编制、智慧审批、智能监管、智慧决策等应用场景。实景三维中国服务数字政府、数字经济、数字社会，未来将拓展智慧城市、智慧交通、智慧国土等行业应用。
本文图文责任编辑： 蒋树芳 黄光玉

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
刘强强. 大数据驱动下的政府绩效信息建构和管理[J]. 政府治理评论, 2018(2):50-62.

[ Liu Q Q. Construction and management of government performance information driven by big data[J]. Public Governance Review, 2018(2):50-62. ]

[2]
Graham-rowe D, Goldston D, Doctorw C, et al. Big data: Science in the petabyte era[J]. Nature, 2008, 455(7209):8-9.

[3]
American association for the advancement of science. Special online collection: dealing with data[EB/OL]. [2023-10-20].

[4]
国家互联网信息办公室. 数字中国发展报告(2022年)[A/OL].(2023-05-23)[2023-07-28].

[ Cyberspace Administration of China. Digital China development report (2022)[A/OL]. (2023-05-23)[2023-07-28].

[5]
裴威, 李战怀, 潘巍. GPU数据库核心技术综述[J]. 软件学报, 2021, 32(3):859-885.

[ Pei W, Li Z H, Pan W. Survey of key technologies in GPU database system[J]. Journal of Software, 2021, 32(3):859-885. ] DOI:10.13328/j.cnki.jos.006175

[6]
Sherkat R, Florendo C, Andrei M, et al. Native store extension for SAP HANA[J]. Proceedings of the VLDB Endowment, 2019, 12(12):2047-2058. DOI:10.14778/33520 63.3352123

[7]
Das S, Grbic M, Ilic I, et al. Automatically indexing millions of databases in microsoft azure SQL database[EB/OL]. [2023-07-28].

[8]
Ahmed R, Bello R, Witkowski A, et al. Automated generation of materialized views in Oracle[J]. Proceedings of the VLDB Endowment, 2020, 13(12):3046-3058. DOI:10.14778/3415478.3415533

[9]
Liu X Z, Yin Z, Zhao C, et al. PinSQL: Pinpoint root cause SQLs to resolve performance issues in cloud databases[EB/OL]. [2023-07-28].

[10]
Taft R, Sharif I, Matei A, et al. CockroachDB: The resilient geo-distributed SQL database[EB/OL]. [2023-07-28].

[11]
Cao W, Liu Z J, Wang P, et al. PolarFS[J]. Proceedings of the VLDB Endowment, 2018, 11(12):1849-1862. DOI:10.14778/3229863.3229872

[12]
Kraska T, Beutel A, Chi E H, et al. The case for learned index structures[C]// Proceedings of the 2018 International Conference on Management of Data. New York: ACM, 2018:489-504. DOI:10.1145/3183713.3196909

[13]
Chatterjee S, Jagadeesan M, Qin W, et al. Cosine[J]. Proceedings of the VLDB Endowment, 2021, 15(1):112-126. DOI:10.14778/3485450.3485461

[14]
梅宏, 杜小勇, 金海, 等. 大数据技术前瞻[J]. 大数据, 2023, 9(1):1-20.

DOI

[ Mei H, Du X Y, Jin H, et al. Big data technologies forward-looking[J]. Big Data Research, 2023, 9(1):1-20.] DOI:10.11959/j.issn.2096-0271.2023009

[15]
Malewicz G, Austern M H, Bik A J C, et al. Pregel: A system for large-scale graph processing[C]// Proceedings of the 2010 ACM SIGMOD International Conference on Management of data. New York: ACM, 2010:135-146. DOI:10.1145/1807167.1807184

[16]
Wang Y, Davidson A, Pan Y C, et al. Gunrock: A high-performance graph processing library on the GPU[C]// Proceedings of the 21st ACM SIGPLAN Symposium on Principles and Practice of Parallel Programming. New York: ACM, 2016:1-12. DOI:10.1145/2851141.2851145

[17]
Zhou S J, Kannan R, Prasanna V K, et al. HitGraph: High-throughput graph processing framework on FPGA[J]. IEEE Transactions on Parallel and Distributed Systems, 2019, 30(10):2249-2264. DOI:10.1109/TPDS.2019.2910068

[18]
Gonzalez J E, Low Y C, Gu H J, et al. PowerGraph: Distributed graph-parallel computation on natural graphs[C]// The Institute of Electrical and Electronics Engineers (IEEE). Proceedings of the 10th USENIX Conference on Operating Systems Design and Implementation. New York: ACM Press, 2012:17-30.

[19]
Pham H, Liang P P, Manzini T, et al. Found in translation: Learning robust joint representations by cyclic translations between modalities[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33(1):6892-6899. DOI:10.1609/aaai.v33i01.33016892

[20]
Chen X, Wang X, Changpinyo S, et al. Pali: A jointly-scaled multilingual language-image model[EB/OL]. [2023-07-28].

[21]
Liu J, Zhu X X, Liu F, et al. OPT: Omni-perception pre-trainer for cross-modal understanding and generation[EB/OL]. 2021: arXiv: 2107. 00249.

[22]
Mammen P M. Federated learning: Opportunities and challenges[EB/OL]. 2021: arXiv: 2101. 05428.

[23]
Ziller A, Trask A, Lopardo A, et al. PySyft: A library for easy federated learning[M]// Federated Learning Systems. Cham: Springer, 2021:111-139.10.1007/978-3-030-70604-3_5.

[24]
Rubin D B. Estimating causal effects of treatments in randomized and nonrandomized studies[J]. Journal of Educational Psychology, 1974, 66(5):688-701. DOI:10.1037/h0037350

[25]
Pearl J. Causality: models, reasoning, and inference[M]. 2nd ed. Cambridge: Cambridge University Press, 2009.

[26]
Zhu Z M, Chen X H, Tian H L, et al. Offline reinforcement learning with causal structured world models[EB/OL]. 2022: arXiv: 2206. 01474.

[27]
Stonebraker M. The solution: Data curation at scale[EB/OL]. [2023-07-28].

[28]
Dong X, Gabrilovich E, Heitz G, et al. Knowledge vault: A web-scale approach to probabilistic knowledge fusion[EB/OL]. [2023-07-28].

[29]
郝爽, 李国良, 冯建华, 等. 结构化数据清洗技术综述[J]. 清华大学学报(自然科学版), 2018, 58(12):1037-1050.

[ Hao S, Li G L, Feng J H, et al. Survey of structured data cleaning methods[J]. Journal of Tsinghua University (Science and Technology), 2018, 58(12):1037-1050. ] DOI:10.16511/j.cnki.qhdxxb.2018.22.053

[30]
丁小欧, 王宏志, 于晟健. 工业时序大数据质量管理[J]. 大数据, 2019, 5(6):1-11.

[ Ding X O, Wang H Z, Yu S J. Data quality management of industrial temporal big data[J]. Big Data Research, 2019, 5(6):1-11. ] DOI:10.11959/j.issn.2096-0271.2019047

[31]
Kahn R, Wilensky R. A framework for distributed digital object services[J]. International Journal on Digital Libraries, 2006, 6(2):115-123. DOI:10.1007/s00799-005-0128-x

[32]
梅宏, 黄罡, 刘譞哲, 等. 网构软件研究:回顾与展望[J]. 科学通报, 2022, 67(32):3782-3792.

[ Mei H, Huang G, Liu X Z, et al. Research on internetware: Review and prospect[J]. Chinese Science Bulletin, 2022, 67(32):3782-3792. ]

[33]
邓颂平, 周俊杰, 范延平, 等. 自然资源三维立体“一张图”建设思路探讨[J]. 自然资源信息化, 2022(2):1-7.

[ Deng S P, Zhou J J, Fan Y P, et al. Discussion about construction ideas on three-dimensional "one map" of natural resources[J]. Natural Resources Informatization, 2022(2):1-7. ]

[34]
杨玉莹, 赵学胜, 刘会园, 等. 基于地表覆盖数据的湿地知识图谱构建[J]. 地球信息科学学报, 2023, 25(6):1240-1251.

DOI

[ Yang Y Y, Zhao X S, Liu H Y, et al. Building a knowledge graph for wetlands based on landcover data[J]. Journal of Geo-information Science, 2023, 25(6):1240-1251. ] DOI:10.12082/dqxxkx.2023.210585

[35]
宋丽丽, 姜晓轶, 赵龙飞, 等. 领域知识服务体系构建与实践:以海洋知识为例[J]. 自然资源信息化, 2023(3):1-8.

[ Song L L, Jiang X Y, Zhao L F, et al. Construction and practice of domain knowledge service system: A case of marine knowledge[J]. Natural Resources Informatization, 2023(3):1-8. ]

[36]
黄诗颖, 黄涛. 自然资源领域知识图谱构建与应用研究[J]. 自然资源信息化, 2023(4):53-59.

[ Huang S Y, Huang T. Research on knowledge graph construction and application in natural resources field[J]. Natural Resources Informatization, 2023(4):53-59. ]

[37]
诸云强, 孙凯, 胡修棉, 等. 大规模地球科学知识图谱构建与共享应用框架研究与实践[J]. 地球信息科学学报, 2023, 25(6):1215-1227.

DOI

[ Zhu Y Q, Sun K, Hu X M, et al. Research and practice on the framework for the construction, sharing, and application of large-scale geoscience knowledge graphs[J]. Journal of Geo-information Science, 2023, 25(6):1215-1227. ] DOI:10.12082/dqxxkx.2023.210696

[38]
郭文华, 曾建鹰, 肖飞, 等. 自然资源大数据决策支持系统建设与应用[J]. 自然资源信息化, 2022(5):92-98.

[ Guo W H, Zeng J Y, Xiao F, et al. Construction and application of big data decision support system for natural resources[J]. Natural Resources Informatization, 2022(5):92-98. ]

[39]
肖飞, 刘文超, 曾建鹰, 等. 自然资源社会大数据监测与分析系统设计与实现[J]. 自然资源信息化, 2022(5):106-113.

[ Xiao F, Liu W C, Zeng J Y, et al. Design and implementation of social big data monitoring and analysis system for natural resources[J]. Natural Resources Informatization, 2022(5):106-113. ]

[40]
沈镭, 郑新奇, 陶建格. 自然资源大数据应用技术框架与学科前沿进展[J]. 地球信息科学学报, 2021, 23(8):1351-1361.

DOI

[ Shen L, Zheng X Q, Tao J G. Application technology framework and disciplinary frontier progress of natural resources big data[J]. Journal of Geo-information Science, 2021, 23(8):1351-1361. ] DOI:10.12082/dqxxkx.2021.200671

[41]
刘江, 钟伦超, 王文涛, 等. 自然资源大数据开放共享相关问题研究[J]. 自然资源信息化, 2022(5):66-72.

[ Liu J, Zhong L C, Wang W T, et al. Analysis and insights of natural resources big data application development[J]. Natural Resources Informatization, 2022(5):66-72. ]

[42]
王占宏, 白穆, 李宏建. 地理空间大数据服务自然资源调查监测的方向分析[J]. 地理信息世界, 2019, 26(1):1-5.

[ Wang Z H, Bai M, Li H J. Direction analysis on service for natural resource investigation and monitoring using geospatial big data[J]. Geomatics World, 2019, 26(1):1-5. ] DOI:10.3969/j.issn.1672-1586.2019.01.001.

[43]
李德仁. 论时空大数据的智能处理与服务[J]. 地球信息科学学报, 2019, 21(12):1825-1831.

DOI

[ Li D R. The intelligent processing and service of spatiotemporal big data[J]. Journal of Geo-information Science, 2019, 21(12):1825-1831. ] DOI:10.12082/dqxxkx.2019.190694

[44]
郑新奇, 肖飞. 国土空间大数据关键技术及场景应用[J]. 自然资源信息化, 2022(5):7-15.

[ Zheng X Q, Xiao F. Research and prospect on key technologies and application scene of territorial and spatial big data[J]. Natural Resources Informatization, 2022(5):7-15. ]

[45]
潘婷婷. 地质空间大数据知识发现与信息提取关键技术研究[D]. 北京: 中国地质大学(北京), 2018.

[ Pan T T. Technical research on geo-spatial big data knowledge discovery and information extraction[D]. Beijing: China University of Geosciences, 2018. ]

[46]
杨锦坤, 韩春花, 韦广昊, 等. 海洋大数据的内涵、现状与发展趋势展望[J]. 海洋信息技术与应用, 2023, 38(1):1-8.

[ Yang J K, Han C H, Wei G H, et al. Marine big data: Connotation, current trends and development prospects[J]. Journal of Marine Information Technology and Application, 2023, 38(1):1-8. ]

[47]
刘纪平, 张福浩, 徐胜华. 政务地理空间大数据研究进展综述[J]. 测绘学报, 2017, 46(10):1678-1687.

DOI

[ Liu J P, Zhang F H, Xu S H. Progresses and prospects in geospatial big data for E-government[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1678-1687. ] DOI:10.11947/j.AGCS.2017.20170320

[48]
秦萧, 甄峰, 李亚奇, 等. 国土空间规划大数据应用方法框架探讨[J]. 自然资源学报, 2019, 34(10):2134-2149.

DOI

[ Qin X, Zhen F, Li Y Q, et al. Discussion on the application framework of big data in territorial spatial planning[J]. Journal of Natural Resources, 2019, 34(10):2134-2149. ] DOI:10.31497/zrzyxb.20191010

[49]
蒋文彪, 郭文华. 自然资源和国土空间大数据建设与应用[J]. 自然资源信息化, 2022(5):1-6.

[ Jiang W B, Guo W H. Construction and application of big data on natural resources and territorial space[J]. Natural Resources Informatization, 2022(5):1-6. ]

[50]
屈晓波, 陈安慧, 易小威. 自然资源行业数据中台建设思路[J]. 自然资源信息化, 2022(5):31-38.

[ Qu X B, Chen A H, Yi X W. The construction guidelines of data middle platform in natural resources industry[J]. Natural Resources Informatization, 2022(5):31-38. ]

[51]
秦昆, 许凯, 吴涛, 等. 智能空间信息处理与时空大数据分析探索[J]. 地理空间信息, 2022, 20(12):1-11.

[ Qin K, Xu K, Wu T, et al. Intelligent spatial information processing and spatio-temporal big data analysis exploration[J]. Geospatial Information, 2022, 20(12):1-11. ] DOI:10.3969/j.i ssn.1672-4623.2022.12.001.

[52]
邓敏, 蔡建南, 杨文涛, 等. 多模态地理大数据时空分析方法[J]. 地球信息科学学报, 2020, 22(1):41-56.

DOI

[ Deng M, Cai J N, Yang W T, et al. Spatio-temporal analysis methods for multi-modal geographic big data[J]. Journal of Geo-Information Science, 2020, 22(1):41-56. ] DOI:10.12082/dqxxkx.2020.190491

[53]
靳利飞. 关于新形势下我国自然资源资产管理制度建设的思考[J]. 国土资源情报, 2017(2):12-18.

[ Jin L F. Thought on the construction of natural resources assets management system in China under the new situations[J]. Land and Resources Information, 2017(2):12-18. ]

[54]
靳利飞, 孟旭光, 刘天科. 面向生态文明的国土空间规划关键问题研究[J]. 规划师, 2021, 37(19):65-71.

[ Jin L F, Meng X G, Liu T K. Some key issues in territory spatial planning toward ecological civilization[J]. Planners, 2021, 37(19):65-71. ] DOI:10.3969/j.issn.1006-0022.2021.19.009

[55]
孟蕾, 王国峰. 知识图谱驱动的广东省自然资源大数据挖掘模型构建框架[J]. 测绘与空间地理信息, 2020, 43(6):91-94.

[ Meng L, Wang G F. Framework for knowledge graph-driven construction of natural resources big data mining model in Guangdong Province[J]. Geomatics & Spatial Information Technology, 2020, 43(6):91-94. ]

[56]
郭仁忠. 卷首语[J]. 自然资源信息化, 2022(5):I-II>.

[ Guo R Z. Preface[J]. Natural Resources Informatization, 2022(5):I-II. ]

[57]
刘聚海, 程立海, 耿雯, 等. 数字时代背景下自然资源信息化科技创新若干问题探讨[J]. 自然资源信息化, 2023(2):1-12.

[ Liu J H, Cheng L H, Geng W, et al. Discussion on several scientific and technological innovation problems of natural resources informatization under the background of digital era[J]. Natural Resources Informatization, 2023(2):1-12. ]

[58]
李德仁. 论空天地一体化对地观测网络[J]. 地球信息科学学报, 2012, 14(4):419-425.

DOI

[ Li D R. On space-air-ground integrated earth observation network[J]. Journal of Geo-nformation Science, 2012, 14(4):419-425. ] DOI: 10.3724/SP.J.1047.2012.00419

[59]
Zheng Y, Capra L, Wolfson O, et al. Urban computing: Concepts, methodologies, and applications[J]. ACM Transactions on Intelligent Systems and Technology, 2014, 5(3):1-55. DOI:10.1145/2629592

[60]
李治君, 周俊杰, 范延平, 等. 国家级国土空间基础信息平台分布式数据库设计与实现[J]. 自然资源信息化, 2022(5):80-85.

[ Li Z J, Zhou J J, Fan Y P, et al. Design and implementation of the distributed spatial database of the national common platform of territorial spatial information[J]. Natural Resources Informatization, 2022(5):80-85. ]

[61]
陈军, 王艳慧, 武昊, 等. 时空信息赋能高质量发展的基本问题与发展方向[J]. 时空信息学报, 2023(1):1-11.

[ Chen J, Wang Y H, Wu H, et al. Basic issues and development directions of high-quality development empowered by spatio-temporal information[J]. Journal of Spatio-temporal Information, 2023(1):1-11. ]

[62]
陈军, 刘建军, 田海波. 实景三维中国建设的基本定位与技术路径[J]. 武汉大学学报·信息科学版, 2022, 47(10):1568-1575.

[ Chen J, Liu J J, Tian H B. Basic directions and technological path for building 3D realistic geospatial scene in China[J]. Geomatics and Information Science of Wuhan University, 2022, 47(10):1568-1575. ] DOI:10.13203/j.whugis20220576

[63]
宋关福, 李少华, 闫玉娜, 等. 新一代三维GIS在自然资源与不动产信息管理中的应用[J]. 测绘通报, 2020(3):101-104.

DOI

[ Song G F, Li S H, Yan Y N, et al. Application of new 3D GIS technology in natural resources and real estate information management[J]. Bulletin of Surveying and Mapping, 2020(3):101-104. ] DOI:10.13474/j.cnki.11-2246.2020.0087

[64]
陆锋, 诸云强, 张雪英. 时空知识图谱研究进展与展望[J]. 地球信息科学学报, 2023, 25(6):1091-1105.

DOI

[ Lu F, Zhu Y Q, Zhang X Y. Spatiotemporal knowledge graph: Advances and perspectives[J]. Journal of Geo-information Science, 2023, 25(6):1091-1105. ] DOI:10.12082/dqxxkx.2023.230154

[65]
刘大有, 陈慧灵, 齐红, 等. 时空数据挖掘研究进展[J]. 计算机研究与发展, 2013, 50(2):225-239.

[ Liu D Y, Chen H L, Qi H, et al. Advances in spatiotemporal data mining[J]. Journal of Computer Research and Development, 2013, 50(2):225-239. ]

[66]
田玲, 张谨川, 张晋豪, 等. 知识图谱综述:表示、构建、推理与知识超图理论[J]. 计算机应用, 2021, 41(8):2161-2186.

DOI

[ Tian L, Zhang J C, Zhang J H, et al. Knowledge graph survey: Representation, construction, reasoning and knowledge hypergraph theory[J]. Journal of Computer Applications, 2021, 41(8):2161-2186. ] DOI:10.11772/j.is sn.1001-9081.2021040662

[67]
余韦, 朱梦丽, 李红岩, 等. 基于动态复杂网络分析方法的事件检测实证研究[J]. 情报杂志, 2021, 40(10):108-114,90.

[ Yu W, Zhu M L, Li H Y, et al. Empirical research on event detection based on dynamic complex network analysis method[J]. Journal of Intelligence, 2021, 40(10):108-114,90. ] DOI:10.3969/j.issn.1002-1965.2021.10.016

[68]
刘春江, 李姝影, 胡汗林, 等. 图数据库在复杂网络分析中的研究与应用进展[J]. 数据分析与知识发现, 2022, 6(7):1-11.

[ Liu C J, Li S Y, Hu H L, et al. Graph databases for complex network analysis[J]. Data Analysis and Knowledge Discovery, 2022, 6(7):1-11. ] DOI:10.11925/infotech.2096-3467.2021.1168

[69]
陈军, 武昊, 张继贤, 等. 自然资源调查监测技术体系构建的方向与任务[J]. 地理学报, 2022, 77(5):1041-1055.

DOI

[ Chen J, Wu H, Zhang J X, et al. Building natural resources surveying and monitoring technological system: Direction and research agenda[J]. Acta Geographica Sinica, 2022, 77(5):1041-1055. ] DOI:10.11821/dlxb202205001

[70]
黄宗财, 陆锋, 仇培元, 等. 网络文本蕴含地理信息质量评估框架[J]. 地球信息科学学报, 2023, 25(6):1121-1134.

DOI

[ Huang Z C, Lu F, Qiu P Y, et al. A quality assessment framework for implicit geographic information from web texts[J]. Journal of Geo-information Science, 2023, 25(6):1121-1134. ] DOI:10.12082/dqxxkx.2023.220617

[71]
宋关福, 卢浩, 王晨亮, 等. 人工智能GIS软件技术体系初探[J]. 地球信息科学学报, 2020, 22(1):76-87.

DOI

[ Song G F, Lu H, Wang C L, et al. A tentative study on system of software technology for artificial intelligence GIS[J]. Journal of Geo-information Science, 2020, 22(1):76-87. ] DOI:10.12082/dqxxkx.2020.190701

[72]
郭仁忠, 罗婷文. 土地资源智能管控[J]. 科学通报, 2019, 64(21):2166-2171.

[ Guo R Z, Luo T W. Intelligent management and control for land resources[J]. Chinese Science Bulletin, 2019, 64(21):2166-2171. ]

[73]
胡容波, 周俊杰, 吴洪涛, 等. 自然资源部“互联网+政务服务”平台建设相关问题的探讨[J]. 国土资源信息化, 2019(4):3-8.

[ Hu R B, Zhou J J, Wu H T, et al. On the issues related to the establishing the "Internet+Government Services" platform of the Ministry of Natural Resources[J]. Land and Resources Informatization, 2019(4):3-8. ]

Options
文章导航

/

〈 〉