EN中文

地球信息科学学报 >

2025 , Vol. 27 >Issue 1: 27 - 40

DOI: https://doi.org/10.12082/dqxxkx.2025.240625

地球信息科学理论与方法

自然资源时空大数据挖掘与知识服务研究进展

  • 邓敏 , 1, 2 ,
  • 王达 , 1, *
展开
  • 1.中南大学地球科学与信息物理学院，长沙 410083
  • 2.湖南省地理空间信息工程技术研究中心，长沙 410018
*王 达（1996— ），男，山东临沂人，博士生，主要从事自然资源时空知识挖掘研究。E-mail:

注：本文为2024年中国自然资源学会资源大数据分会学术年会特邀报告论文。

作者贡献：Author Contributions

邓敏和王达共同参与论文的写作和修改。所有作者均阅读并同意最终稿件的提交。

The manuscript was drafted and revised by DENG Min and WANG Da. All the authors have read the last version of paper and consented for submission.

邓 敏（1974— ），男，江西临川人，教授，博士生导师，主要从事时空大数据挖掘与智能服务研究。E-mail:

收稿日期: 2024-11-11

  修回日期: 2025-01-01

  网络出版日期: 2025-01-23

基金资助

湖南省自然科学基金创新群体项目(2024JJ1009)

收起

Research Progress in Spatio-temporal Big Data Mining and Knowledge Services for Natural Resources

  • DENG Min , 1, 2 ,
  • WANG Da , 1
Expand
  • 1. School of Geosciences and Info-physics, Central South University, Changsha 410083, China
  • 2. Hunan Geospatial Information Engineering and Technology Research Center, Changsha 410018, China
*WANG Da, E-mail:

Received date: 2024-11-11

  Revised date: 2025-01-01

  Online published: 2025-01-23

Supported by

Hunan Natural Science Foundation Innovation Group Project(2024JJ1009)

Fold

摘要

【意义】自然资源时空大数据作为自然资源开发利用的泛在观测，蕴含了丰富的资源要素分布、时空过程演化与关联关系知识。【进展】本文聚焦于自然资源时空大数据挖掘与知识服务，探讨了5种自然资源时空大数据挖掘方法及其知识服务重要应用。首先，分别阐述了时空聚类分析、关联挖掘、异常探测、预测建模和地理风险评估的核心思想、技术体系、方法流程及其在自然资源管理和国土空间决策中的重要应用。然后，提出了描述型、诊断型、预测型和决策型四类自然资源时空知识服务体系，为资源现状监测、规划用途管制和防灾减灾等重大应用提供重要支撑。最后，指出了当前自然资源管理正从数据汇聚分析迈向以知识为核心的智能化服务，逐渐形成大数据-大分析-大知识-大服务的研究与应用范式。【展望】未来工作将延拓数据与知识协同驱动的挖掘方法，着重解决时空知识库与知识服务面临的标准化问题，并探索生成式大模型等前沿技术在自然资源领域中的潜在应用，为自然资源信息化、智能化建设提供新动力。

关键词： 自然资源; 时空大数据; 数据挖掘; 时空知识; 知识服务; 研究进展

本文引用格式

邓敏 , 王达 . 自然资源时空大数据挖掘与知识服务研究进展[J]. 地球信息科学学报, 2025 , 27(1) : 27 -40 . DOI: 10.12082/dqxxkx.2025.240625

Abstract

[Significance] As a comprehensive observation of natural resource development and utilization, spatio-temporal big data on natural resources contains valuable knowledge about resource distribution, spatio-temporal process evolution, and interrelationships. [Progress] This paper examines spatio-temporal big data mining and knowledge services for natural resources, highlighting key data mining techniques and their critical applications in knowledge services. First, it introduces the core concepts, technical frameworks, and methodological processes of spatio-temporal clustering analysis, association mining, anomaly detection, predictive modeling, and geographic risk assessment, along with their applications in natural resource management and land-use decision-making. Second, a four-tier natural resource spatio-temporal knowledge service system is proposed, encompassing descriptive, diagnostic, predictive, and decision-making knowledge services, which provide essential support for applications such as resource status monitoring, land-use regulation, and disaster prevention and mitigation. Finally, the paper indicates that current natural resource management is transitioning from data aggregation and analysis to knowledge-driven intelligent services, forming an emerging research and application paradigm of big data, big analysis, big knowledge, and big services. [Prospect] Future efforts will focus on advancing collaborative data and knowledge mining technologies, addressing the standardization challenges in spatio-temporal knowledge bases and services, and exploring the potential of cutting-edge technologies such as generative large models in the natural resource domain to drive the information and intelligent transformation of natural resource management.

Key words： natural resources; spatio-temporal big data; data mining; spatio-temporal knowledge; knowledge service; research progress

1 引言

自然资源是人类社会赖以生存发展的重要物质资料，涵盖了土地、矿产、森林、草原、湿地、河流、湖泊、海洋等多种类型[1⇓-3]，支撑着社会经济和政治文化等人类文明的可持续发展[4]。我国国土面积大而人均自然资源占有量少，自然资源和人类活动分布异质性高，导致资源配置不平衡、利用效率偏低[5]。忽视自然资源系统复杂关系与时空态势的盲目开发极易诱发资源短缺、环境恶化、气候气象异常等威胁人类社会安全和国土空间质量的重大恶性事件。因此，摸清自然资源现状“家底”与变化趋势是进行科学生产建设、实现社会可持续高质量发展的重要基石[6]。
当前，“空天地海”一体化的自然资源时空观测网基本建成，实现了“山水林田湖草沙”等自然资源要素全天候、高覆盖、高时效、高精度观测，极大推进了我国自然资源要素时空大数据库（即“一张图”系统）构建集成[3,7-8]。随着对地观测、移动通讯和物联网等移动感知技术快速发展，基于位置的服务记录了手机信令、车辆轨迹、旅游打卡、监控摄像等人类活动时空大数据[9]。此外，自然资源相关部门的图、表、文、卷等国土空间治理与业务管理数据汇聚，已经成为记录自然资源开发利用、安全保护、修复建设的流式业务时空大数据[10]。如今，自然资源要素时空大数据、人类活动时空大数据和流式业务时空大数据共同构成了海量、多源、异构、多模态的自然资源时空大数据体系（图1）。自然资源时空大数据实时反映了国土空间建设和社会经济发展等基本国情态势，成为调整国家战略、保障民生服务、解放新质生产力的重要战略资源[11⇓-13]。
图1 自然资源时空大数据体系

Fig. 1 Spatiotemporal big data system for natural resources

“数字中国”战略引领下，《自然资源部信息化建设总体方案》[14]提出数据治理和应用服务两阶段战略规划，成为国家方针、战略政策和国家安全的基础支撑[2]。自然资源建设目标不仅聚焦时空数据汇聚管理，更强调实现数据-信息-知识-决策的赋能跨越[15-16]。深入挖掘自然资源时空大数据隐含的多视角时空信息，揭示自然资源与人类活动的复杂时空关系、要素配置格局和时空演化规律等时空知识，能够有效提升资源确权管理、资源开发利用、资源执法监察、国土空间规划与修复等管理与决策方案的科学性与可靠性[17-18]。
国土空间是国家主权及利益管辖的、自然资源要素和人类活动行为相互作用的空间载体和耦合系统[17,19]，其中，自然资源要素是时-空-属性构成的广义时空中相互作用的地理对象。因此，时空大数据挖掘是实现由自然资源立体观测时空大数据到国土空间全周期监测、信息化建设、智慧化决策等应用服务战略实现的重要桥梁和关键途径[18,20]。虽然自然资源时空大数据发展迅猛，但是自然资源信息-知识-决策的智能转化仍存在一些问题需要仔细探讨：
（1）自然资源时空大数据体量增长、维度复杂、关系多样，人工驱动的传统数据统计分析手段难以深入认知时空分布格局、厘清要素交互关联、推理演化发展过程[21]。哪些数据挖掘方法能够深度支撑自然资源时空大数据的多维信息提取与深层知识发现?
（2）相比其他领域依赖数据规模的数据挖掘理论，自然资源时空大数据挖掘更强调时空机理的理解与认知、更关注时空知识的协同与利用，具有鲜明的知识驱动服务需求[22]。当前时空数据挖掘方法体系为自然资源智慧化监管决策提供了哪些知识服务?
（3）大数据时代自然资源时空大数据体系建设与数据挖掘方法研究初具成效，数据-信息-知识-决策的智慧跨越与链式联通仍处于关键节点，当前全周期研究范式和实现逻辑是什么?
鉴于此，本文从地理信息科学视角，梳理自然资源时空数据挖掘方法体系，重点阐述5类时空数据挖掘方法；尝试厘清自然资源层次化时空知识体系与服务应用；最后，针对当前自然资源信息化建设关键时期的研究趋势和未来范式进行讨论。

2 自然资源时空大数据挖掘方法

新时期地理学使命在于研究自然要素与人文要素等地理对象的相互作用关系和时空分异规律，进而预测未来演化过程[23]。作为国土空间中自然资源要素的时空状态观测，自然资源时空大数据天然适合利用地理时空观的数据挖掘方法揭示深层时空规律，为资源管理、利用与规划提供科学全面的决策依据，支撑实现人地关系协调发展的核心目标。

2.1 自然资源时空数据挖掘方法体系

大数据时代，自然资源时空数据挖掘逐渐成为理解资源对象时空分布、变化过程和关联关系的关键手段[19]。与传统的自然资源调查统计相比，时空大数据挖掘方法不仅适应更大数据量、更高分辨率、更快响应效率，还能更全面地揭示更隐含的规律、更复杂的关系、更长期的过程[13,24⇓-26]。基于自然资源大数据的丰富性和国土空间规划的独特性，本文将重点梳理适应自然资源时空大数据的挖掘理论与方法体系（图2），包括时空聚类分析、时空关联挖掘、时空异常探测、时空预测建模和地理风险评估。
图2 自然资源时空数据挖掘方法体系

Fig. 2 Method system of spatio-temporal data mining for natural resources

自然资源时空数据挖掘方法不仅可以作为单独开发应用的技术手段，还可以相互协作集成构建工作流，共同回答关于自然资源“何时、何地、何种关系、如何变化”等复杂问题[27]。例如，时空聚类分析能够识别自然资源的聚集模式，进而了解区域资源的局部丰富程度，同时可以为其他挖掘方法提供分异性区划等先验认知；时空关联挖掘可以发现自然资源间互利共生或生存竞争等协同模式，同时为时空异常探测提供变异程度的基本参照，指导发现资源利用过程中潜在的突发事件或异常变化。

2.2 自然资源时空数据挖掘方法流程

2.2.1 时空聚类分析

时空聚类分析旨在根据自然资源要素的时空邻近性和属性相似性，将其划分为簇内特征相似、簇间特征相异的对象集合或聚集时空区域。当前自然资源时空聚类分析方法主要有基于划分的方法[28-29]、基于层次的方法[30-31]和基于密度的方法[32-33]等。① 基于划分的方法通过定义和优化聚类中心，将资源要素划分为若干簇，使簇内对象与其中心尽可能相近，同时保证与其他簇中心保持较大差异； ② 基于层次的方法通过不断合并或分裂资源要素集合，形成层次化的聚类结构，适用于多尺度时空簇结构或对象邻近关系探测； ③ 基于密度的方法通过识别资源要素分布稠密的时空子区域，提取时空连通的高密度区域作为资源要素聚类簇，该类方法对发现时空对象分布连续的资源要素聚类结构尤为有效。
时空聚类分析的方法流程通常包括： ① 时空邻域构建，基于拓扑关系、时空距离、网络关系或交互关系等构建资源要素的时空邻近性约束； ② 聚类结构探测，在时空邻近性约束基础上，利用基于划分的方法、基于层次的方法或者基于密度的方法提取属性相似的簇结构； ③ 聚类检验分析，利用时空统计检验模型参数或聚类指标的显著性和有效性。时空聚类分析能够有效结合自然资源领域先验知识设置符合任务预期的时空相似性约束或格局分异参数，甚至通过无参数方式自动地将自然资源要素划分为若干组、类型或者区域，通常具有自适应、可解释的优势。时空聚类分析通过发现特定资源要素在指定时段和地理空间中的聚集模式，揭示土地斑块、林草覆盖、矿产资源或人工构筑物等资源要素时空连续、属性相近的分异格局，为资源富集区域提取、主体功能推断、资源制图综合等应用提供认知依据。发展适应多模态、多关系、复杂先验知识场景的自适应高维聚类方法是未来自然资源时空聚类分析研究的重要方向。

2.2.2 时空关联挖掘

时空关联挖掘旨在从自然资源时空数据集中识别不同类型资源要素或与人类活动之间的稳定时空关系及其时空范围，对于理解和发现资源要素间时空交互机制具有重要指示意义。基于关联关系表现形式的视角可以将其分为定性和定量两类：① 定性关联关系主要以事务集频繁模式[34]、空间同位模式[35]、时空同现模式[36]等关联规则为典型代表，主要发现在某些时空关系下资源频繁组合出现的现象，如大豆和根瘤菌的共生关系； ② 定量关联关系主要表现为回归方程、机器学习的数值拟合模型等形式，如地理加权回归[37]、深度回归克里金[38]等。近期，因果关系以地理因果、时空因果等概念被相继提出，成为时空关联关系挖掘的研究前沿热点[39]。
时空关联挖掘的方法流程包括3个步骤：① 时空关系构建，与传统事务型数据不同，资源要素通常呈现连续且嵌套的时空分布，需要利用网格划分、Voronoi图划分、参考实体划分等事务化方法或者要素半径提取、网络结构邻接等非事务化方法构建资源要素间的邻近关系； ② 时空关联度计算，设计频繁度计算函数，度量事务集内项集或者连续时空内对象集的关联程度； ③ 时空关联模式判定，采用频繁度阈值、有参建模或者无参推断的方式，推断资源要素子集的关联强度是否足够显著。时空关联挖掘能够直观提取资源要素间频繁的时空关系，天然适用数据驱动下发现未知资源依赖规律、知识驱动下提取兴趣子区域等复杂任务。时空关联挖掘通过提取资源与资源、人类活动间的稳定关系，反映资源要素互利共生、链式诱发、竞争排斥等时空交互关系，可为资源协同管理、资源循环利用规划、区域系统治理提供科学决策依据。当前，如何平衡模型参数的自适应性和算法运行的高效性是自然资源时空关联挖掘研究的难点。

2.2.3 时空异常探测

时空异常探测旨在发现偏离正常分布模式、已知时空关系或常见时空过程的少数要素实体或稀有事件[40]。自然资源时空异常探测需要紧密结合资源要素的时空邻近性、关系异质性和背景复杂性，从时间、空间、背景信息多个维度探测资源要素的时空偏离或属性突变现象。根据时空异常探测的时空参考，可以将其方法分为： ① 时空位置离群异常，地理位置或者时间戳显著远离聚集模式或者兴趣区域的资源对象[41]，如落单的群居动物、山顶的耕地等；② 时空属性异常，偏离全局或局部邻域属性特征的突变观测状态[42]，如土壤污染源、极端气温和降水异常等；③ 基于观测背景信息的异常，显著违背先验背景知识或异于相似地理场景的不一致时空对象及属性状态[43,44]，如湿地中的连片建筑物、市区中闲置未利用土地等。
时空异常探测的方法流程通常包括3个步骤：① 时空邻域构建，以欧氏空间、拓扑空间、网络空间、时空流空间或地理场景时空观构建资源要素间的邻近依赖关系；② 交互作用建模，利用趋势建模、聚类分析、关联挖掘、插值预测等方法建模资源要素间的期望时空关系；③ 时空异常度计算与异常判别，基于角度、距离、密度或聚类等方法度量时空离群程度，基于分布、点图、相似性等度量属性偏离程度，通过设置阈值或统计检验提取异常要素对象、异常状态及其时空范围。时空异常探测诊断资源要素数据中的离群对象、突变状态或稀有关系：在先验知识可信情况下，支持自然资源异常状态、异常进程或冲突事件实时监测；在先验知识缺乏情况下，利用时空异常探测挖掘新颖的、未知的潜在领域知识，进而支撑自然资源领域时空知识库的增量更新和发现。时空异常探测通常具有模型轻量、灵活性强、异常模式简洁且重要等特点。如何嵌入复杂先验知识，实现异常模式自动发现与先验知识增量更新间的迭代反馈学习是实现自然资源时空异常智能化探测、系统化认知的重要问题。

2.2.4 时空预测建模

时空预测建模通过构建地理变量间的时空依赖关系以逼近真实地理演化过程，实现地理要素未来时空位置、属性状态的定量推演[45]。自然资源时空预测分为物理过程驱动、先验信息驱动和大数据驱动的预测方法。 ① 物理过程驱动的方法，基于理论科学范式的可信规则，设计符合物理过程机理的仿真模型模拟资源要素的演化过程，如地理元胞自动机[46]、水文模型[47]、系统动力学模型[48]等； ② 先验信息驱动的方法，面向时空预测建模任务，首先挖掘符合时空过程的先验关系、关键特征和先验参数，构建地理加权回归[37]、时空克里金[49]、决策树[50]或其他机器学习模型，然后通过迭代优化等策略逐步寻找最优参数、特征和预测模型； ③ 大数据驱动的方法，利用多源时空大数据体量优势，发挥深度学习等人工智能技术的数据拟合和学习推理能力，发展了网格卷积神经网络[51]、图卷积神经网络[52]、时空序列学习网络[53]等时空预测模型，在交通、气象、土地利用、人类活动等复杂地理系统的非线性预测建模方面具有显著优势。
由于时空预测模拟的数据结构复杂、模型类型丰富、设计范式多样，因此时空预测建模方法是任务需求、数据类型和先验知识共同约束下的定制化设计。一般来说要经过数据时空对齐、嵌入地理性质的变量关系建模、模型训练与验证几个阶段。其中，地理变量关系建模是时空预测模型的核心内容，要有效表达资源要素的时空依赖性、时空异质性、距离衰减效应和时空尺度性。利用模型误差、一致度等指标验证和测试时空预测模型的可靠性，是准确推演资源要素未来演化趋势的可信保障。时空预测建模可以充分探究自然资源要素的未来时空分布态势，为自然资源过程管理、风险规避、长短期规划提供科学工具和分析平台。例如，设置适合模拟任务的时空尺度，顾及土地利用与地理环境因素的自相关和互相关依赖关系，设计顾及异质性的预测模型模拟未来土地利用演化和人类活动分布，有助于多部门协同规划自然资源和生产资料，支持空间结构合理配置与高质量城市的可持续发展​。随着人工智能技术的快速发展，自然资源时空演化预测建模研究渐趋更智能、可迁移、能解释、高可信等方向突破。

2.2.5 地理风险评估

地理风险评估旨在评价由极端气候、地质灾害、水文灾害等自然灾害或人类活动导致特定时空范围内自然资源破坏、社会经济损失或人类生存威胁等风险事件的发生概率及影响程度[54]。自然资源地理风险评估的核心在于构建定性或定量评价模型，推演国土空间单元、资源要素或人类活动点可能承受的定性风险等级或者定量风险概率。现有地理风险评估方法可以分为： ① 基于专家经验的方法，如菲尔德法[55]和层次分析法[56]，通过经验公式和专家打分量化风险发生概率与影响程度，适用于自然资源风险的初步评估； ② 基于逻辑推理的方法，如事件树法[57]和蒙特卡罗模拟法[58]，通过系统分析事件因果链条模拟潜在风险的传播路径和发展趋势； ③ 基于指标体系的方法，如利用熵权法[59]和灰色关联度分析法[60]等加权风险评估指标体系，通过赋予不同风险因素及其指标的权重综合量化风险，适用于多模态数据、多维度视角的综合性自然资源评估场景，如城市体检。
地理风险评估的方法流程通常涉及3个关键步骤： ① 致灾对象和承灾对象识别，提取如露天采矿、围湖建楼等潜在致灾事件和土壤污染、生态破坏等承灾对象及事件，并确定其空间分布和关键属性； ② 风险要素关联建模，基于资源要素的多维时空属性数据，利用时空统计或机器学习算法构建 <诱因，目标对象，后果>风险关联映射模型； ③ 风险动态评估，结合风险要素关联关系和实时动态资源大数据，实现连续地理空间的动态风险等级或概率推断。地理风险评估方法具有任务导向、知识驱动、结果可读性强等显著特点。地理风险评估可以支持多种风险事件及其时空影响范围的推理预报，为自然资源开发适宜性和承载力评价、滑坡事件概率评价、生产安全风险评估等相关应用决策提供具有精确时空位置指代的决策参考。当前，如何高可信、精准化评估多类自然资源事件风险仍需要领域专家知识和先进模型的高度协同。

3 自然资源时空知识服务应用

3.1 自然资源服务与时空知识

传统自然资源服务需要人工汇聚卷宗、书籍、时空数据库、甚至专家认知中的文字、图形、公式、经验等碎片化信息，通过高成本、长周期、多流程的人工聚合推理形成最终决策[4]。当前，随着自然资源信息化建设战略引领下数据治理基础的完善和智能化应用服务需求的提升，在自然资源三维立体数据库和时空大数据挖掘方法体系共同推动下，自然资源服务正逐步突破单一信息检索和人工汇聚方式，逐渐形成时空知识驱动的智能化综合决策范式[17]。
时空知识是能够有效与其他信息关联、支持人机等智能主体推理的时空信息[40,61]。自然资源时空知识的认知语料和挖掘来源广泛，包括结构化的时空数据和非结构化的先验地理认知、政策法规、标准规范、领域文献等数据。一方面，时空数据挖掘方法体系有效支撑了由结构化时空数据到潜在、新颖、有价值时空模式的知识提炼，另一方面，非结构化数据的知识管理需求催生了以知识为本体的抽取、对齐、融合和推理等知识图谱技术的发展[16,62]。知识图谱从知识库建设视角出发，将知识建模为以概念实体为节点、以属性或关系为边的网络结构，不仅支持了从非结构化数据的知识元组发现，而且为大规模知识元组的管理和协同提供了底层架构和智能引擎[63]。
当前我国自然资源服务应用围绕政务服务、调查监测、监管决策和共享协同4个方面（图3），形成了资源确权登记、调查监测评价、规划用途管制、国土空间修复等十几项常态化业务[2,10]。自然资源数据挖掘与知识服务具有鲜明的顶层决策需求引导特性，以此支撑国土空间层次化管理与服务协同的综合决策。知识驱动的自然资源时空服务应用是实现国土空间基础信息平台自动化、信息化、智能化建设的“最后一公里”，是提升国土空间治理能力和释放数据生产力的关键。基于此，自然资源时空知识体系应以自然资源管理与服务过程中的时空知识需求为参照，将自然资源时空知识归纳为描述型、诊断型、预测型和决策型时空知识。本章将着重介绍自然资源领域决策需求引导下的4类时空知识内涵及其服务导向。
图3 自然资源时空知识服务应用框架

Fig. 3 Application framework of spatial-temporal knowledge service for natural resources

3.2 自然资源时空知识与知识服务

3.2.1 描述型时空知识与知识服务

描述型时空知识是对资源要素时空属性统计规律、分异格局和时空趋势的基本刻画，为资源现状调查提供了综合研判视角。时空属性的统计规律知识通常利用数学统计、时空分析、图形计算等方法描述资源要素的数量、结构、区位、形态、功能等基本情况；资源分异格局知识通常从资源要素聚集程度、热力分布、分区分级等视角揭示自然资源分布的热点和冷点；描述型知识中的时空演化趋势关注资源要素时空位置、属性规律、格局冷热点或重心等特征的动态变化情况。
描述型时空知识服务主要依赖基本信息陈述、时空统计分析和时空聚类分析，对资源要素时空属性形成抽象描述与简要表达，兼具数据的直观性和知识的可读性。描述型时空知识服务为自然资源调查、资源确权登记、主体功能区识别、业务工作归纳等基础业务应用提供了丰富的分析工具与调查结论，有力支持全面摸清我国自然资源“家底”，精准把握国土空间现状。例如，三生空间-土地利用类型-城市功能区构成了土地资源功能语义的多层次描述知识产品，以图形模态直接向决策者揭示国土空间开发建设现状，为城镇开发规划、生态环境保护、区域协同发展等战略提供了基本分析底图。

3.2.2 诊断型时空知识与知识服务

诊断型时空知识是关于自然资源系统内要素时空配置、时空驱动关联关系和格局过程冲突现象的推断与评估，揭示了资源要素间的稳定依赖或潜在问题。要素时空配置知识通常指资源配置的建设规范或失衡现象，如城市体检的指标体系、批而未建的宗地、消防弱可达的区域等；驱动关联知识是指资源要素间的相关性、关联性、因果性等稳定关系，如生产-生活互利、建设-生态竞争、生态-经济共生等；格局过程冲突知识常见于人类活动参与的时空范围，如规划-现状冲突、人地供需失衡、适宜性和承载力超限等。
诊断型时空知识服务依赖于多元聚类分析、时空关联挖掘和时空异常探测等方法，以图形、文字、表格等形式综合表达自然资源现象、格局、过程中的稳定关系和异常信息，为国土空间用途开发管制、自然资源监测等过程管理提供支撑。如图4所示，利用土地、矿场、水资源、人口和经济分布数据，基于时空关联挖掘和时空异常诊断方法开发土地利用冲突探测模块，通过诊断资源间配置关系、关联依赖和观测背景信息异常，识别功能格局混乱用地、城区闲置土地、洪涝高危小区、低质量耕地等兴趣区域，为执法介入调查、突发事件防治、城市体检更新提供精确信息和科学依据，提升治理能力和治理体系智慧化建设水平。
图4 土地利用冲突诊断案例

Fig. 4 Cases of land use conflict diagnosis

3.2.3 预测型时空知识与知识服务

预测型时空知识关注自然资源要素属性在时空维度上的变化，推演未知区域资源分布、未来时空态势、潜在风险事件，包括时空属性内推、时空过程预测和地理风险知识。时空属性内推知识是指基于有限采样推断的二/三维空间内资源要素连续分布状态，通常表现为专题地图制图，如土壤制图、污染物分布制图、低下三维矿体插值等；时空过程预测知识强调资源动态转化规则和未来分布制图，如城市开发边界预测模型及结果制图、“城市矿产”循环动力学模拟模型及结果输出等；地理风险知识同时关注风险时空范围、风险事件类型、风险突发概率等综合信息，旨在提供预报预警级的应用服务，如滑坡高危范围和等级、生态破坏概率、未来耕地流失程度等。
预测型时空知识服务通常以推理规则和预测模型为服务内核，结合地图制图、统计图表、文字播报等可视化手段为自然资源开发、国土空间修复、防灾减灾等应用提供可靠的辅助决策支持。例如，在不断推进的快速城市化进程中，预测型时空知识服务通过协同地质条件、地表覆盖、社会经济、资源可达性等多重因素，实时评估通报短期内滑坡等自然灾害，模拟未来中长期的土地利用类型分布和城市扩张格局，同时预判潜在的生态破坏或耕地流失情况。预测型时空知识服务支持决策者主动认知自然资源变化和潜在隐患，提升了国土空间建设和治理的前瞻性与精确性。

3.2.4 决策型时空知识与知识服务

决策型时空知识是指面向有目标或无目标的资源整合、规划设计、情景设定等任务需求，生成的资源新增、消除、移动、重建等综合决策方案，可分为格局优化知识、资源配置知识和情景决策知识。格局优化知识关注国土空间格局调整方案，通常不涉及资源长距离交互行为，如退耕还林区划方案、城市低效用地更新规划等；资源配置知识是指在既定资源需求目标约束下的设施选址、迁址或资源交互调度分配等方案，如高水平农田选址、供水网络优化等；情景决策知识是指根据不同政策目标或指标优先级，推演出的资源协同开发或区域协同建设方案，如生产经济优先、健康宜居优先或生态涵养优先的国土空间发展情景，公共交通导向（TOD）、服务导向（SOD）或可达性导向（AOD）等城市规划建设方案。
决策型时空知识服务以时空数据库和描述型、诊断型、预测型等时空知识库为基础，结合风险评估与时空优化方法，为国土空间规划与修复、城市更新等应用提供决策处方及方案依据。例如，针对城市功能效益强度低等现状，决策型时空知识服务通过构建时空聚类、关联评估、空间优化等链式工作流，逐步生成低效用地功能翻新或功能变更的优化方案及成本效益评估图表，同时保证生态安全、生活宜居等其他指标满足帕累托最优状态。决策型时空知识服务能够在资源有限的情况下，最大化提升国土空间利用率和资源可持续发展水平，是解决当前国土空间有限、资源设施稀缺和人类需求增长间结构性矛盾的重要智库。

4 自然资源大数据-大分析-大知识-大服务的发展趋势

自然资源认知理论认为时空数据是认知基础，时空知识是本质机理，决策服务是价值实现[17]。当前“空天地海”立体协同监测网和移动传感网作为实时观测地球和人类状态的泛在感知器，将自然资源时空数据持续汇入自然资源“一张图”系统形成了大数据体系[2-3,10]；同时，随着地理信息科学、计算机科学和数学科学等创新理论方法突破，时空数据挖掘方法协同知识工程技术构成了丰富的自然资源大分析方法体系[24,27,64]；在此基础上，大分析方法结合大数据体量优势催生了视角丰富、层次分明、模态多样的时空知识，为自然资源管理和服务等应用提供了科学性、综合性的可信决策支撑[16,61]。
自然资源大数据已然推进了大分析方法的快速发展，日新月异的大分析方法当前正迅猛催生大知识爆发趋势，有效协同的大知识体系有望构建自然资源大服务应用自动化、综合化、智慧化的全新业态。

4.1 大数据时代需要大分析方法

2008年以来，大数据从学科概念开始被关注[65-66]，已经成为中、美、英、欧盟等国家或区域的科技战略和生产力要素。在此背景下，自然资源领域硬件建设和软件开发已经全面进入大数据时代，“空天地海”一体化的感知体系和自然资源“一张图”系统平台逐渐满足全时段、全空间、立体化的自然资源数据生产和存储管理。目前，自然资源数据获取的自动化、精准化与实时化水平提高，自然资源时空大数据每天正以太字节级以上速度（TB/d）增长[67]。
传统时空统计与分析方法在大数据时代已初显弊端，难以满足海量、多源、异构、多尺度的自然资源时空大数据挖掘需求[26]。数据密集型科学研究第四范式指出，当作为现实空间状态记录的数据积累到一定体量时，必然会反映出现实空间的动态演化规律知识。当前，时空聚类分析、时空关联挖掘、时空异常探测、时空预测建模和地理风险评估等时空数据挖掘方法以大数据特征为设计指导、以现象-格局-过程为研究对象、以变量-空间-关系为认知框架、以监测-管理-决策为应用导向，推动了自然资源领域更智能地学习认知、更高效地动态计算、更精准地时空预测、更主动地定制服务，已经成为领域科学发现与决策支持的新引擎。
近年来，随着深度学习网络、强化学习和生成式大模型等智能计算方法的快速发展，这些大模型与传统专业模型的结合成为形成大规模、深层次、智能化时空大分析方法的重要方向[24]。例如，土地利用模拟、生态系统演化和国土空间评估等传统专业模型通常依赖高度专业化的领域知识和经验规则，具有较强的解释性，但在处理多模态时空数据和建模复杂演化关系时存在显著局限性。当前，大模型具有强大的跨模态学习能力，显示出深度融合多类型自然资源时空数据的潜力。同时，大模型能够基于海量数据进行模型参数自调整，有望提高现有专业模型的复杂关系拟合和迁移泛化能力。最后，大模型贯通了人类自然语言与计算机语言的理解与映射，未来有望实现自然语言控制下的多模态数据融合、多类型关系学习和挖掘结果可解释。

4.2 大分析方法催生大知识爆发

随着群智感知数据的快速积累和时空数据挖掘方法体系的不断丰富，研究人员通过对自然资源要素位置、形态、分布、关系、运动等信息进行概括和凝练，能够挖掘出大量具有时间和空间特性的时空知识。例如，将一个城市群作为研究区域，利用现有时空数据挖掘方法能够轻松获取用地功能语义、资源分布热点、资源开发驱动关系、资源供需失衡区域、低效用地分布、未来城市边界等多层次描述-诊断-预测-决策时空知识。时空数据挖掘大分析方法体系实现了自然资源数据空间到知识空间的抽象和跨越。
随着现实国土空间决策渐趋复杂化和系统化，每个自然资源业务案例单独应用多个时空数据挖掘方法的“即插即用”式知识发现范式存在高成本、长周期、难复用等问题，极大地限制了知识服务水平和智能化程度[61]。面对日益增多的大量离散化时空知识，知识库等知识管理工具成为自然资源管理决策的重要参考[62]。领域时空知识图谱研究起步最早，初步显示出共享应用的潜力，如自然资源领域知识图谱、地球科学知识图谱、湿地知识图谱、海洋知识图谱等[68⇓-70]。从计算机运算角度而言，数据库和知识库均为数字化编码的信息字节，如何深度融合知识与数据特性，发展面向知识库与数据库协同的知识挖掘大分析方法，是提升知识发现深度与知识服务水平的关键支撑。
当前，大分析方法催生大知识爆发，同时衍生了若干挑战和机遇。首先，时空知识图谱等知识库的知识结构标准和系统建设规范仍未形成共识，存在各领域知识图谱无法融合、难以协同的技术壁垒。其次，时空知识的时空效用边界和确定性研究尚未完全展开，这是保证知识可靠、认知决策可信的重要基础。同时，充分发挥大模型强大的知识理解与推理优势，促进知识库的体量扩展和质量保证呈现出研究机遇与技术挑战并存的局面。最后，知识库亟需与数据库和数据挖掘方法形成完善的协同增强架构，实现时空知识的增量挖掘和迭代增强。解决以上问题，时空数据挖掘等大分析体系将为自然资源监管决策提供更全面、更深入、更系统、更可信的决策服务支撑。

4.3 大知识挖掘支撑大服务应用

在大数据体系、大分析革新和逐渐成形的大知识趋势协同推动下，自然资源流通、管理与保护过程中的决策方式逐渐从依赖经验驱动转向基于时空知识的智能决策。时空知识服务成为资源监管决策的核心支撑和关键手段，如国家公园感知系统、“浙政钉”的“耕地智保”系统、湖南省智慧自然资源系统等，初步形成了知识驱动的描述型、诊断型、预测型、决策型自然资源服务应用体系。
国土空间基础信息平台作为自然资源知识服务应用的核心载体，依托数据层、模型层、知识层、应用层和用户层之间的紧密连接和层内资源的协同工作，有望实现自然资源业务的快速部署和高效协作。当前，大分析与大知识支撑大服务应用的建设逻辑和应用架构仍处于探索阶段，面临诸多挑战。首先，大服务应用涉及数据治理、数据挖掘、知识存储、知识决策、协同共享等多项技术，难以形成协调统一的技术栈。其次，自然资源监管决策业务的数智化转型亟需进一步深化，需要从业务端引导重构数据-分析-知识-服务的全周期计算逻辑。最后，能否基于自然资源大知识库实现自然资源专业大模型建设，是实现自然资源大服务智慧化应用的重要挑战。生成式大模型通过智能问答、引导设计和自动化决策等服务方式，已经在城市规划、游戏设计、艺术创作等领域展现出巨大的潜力。在自然资源领域，生成式大模型有望借助自然语言处理技术，实现自然资源大数据的高效管理、时空挖掘方法的重组设计、时空知识的融合推理和知识服务的人机协同，从而显著提升业务决策的速度、精度和智能化水平。

5 结论与展望

本文系统探讨了自然资源时空大数据挖掘方法及其知识服务中的关键应用。首先，重点阐述了时空聚类分析、关联挖掘、异常探测、预测建模、地理风险评估等时空数据挖掘核心技术方法，为格局分析、关系配置、过程预测、风险评估等自然资源认知提供了重要支撑。然后，“自顶向下”地梳理了描述型、诊断型、预测型和决策型4类层次化自然资源时空知识，及其在资源现状调查与监测评价、空间规划与用途管制、国土空间修复、防灾减灾等方面的服务应用。最后，提出了自然资源时空大数据体系、大分析方法、大知识协同、大服务应用的建设逻辑，贯通自然资源监管决策的“数据-分析-知识-服务”需求链条，推动数据-知识双驱动的自然资源智能化研究与范式应用。
当前，自然资源研究从大数据稳步迈向了大分析，而大分析-大知识-大服务的研究框架仍在逐步完善，未来发展面临着诸多机遇与挑战。对于大分析协同大知识，如何顾及时空知识结构及其时空效用构建时空知识库的建设标准与开发规范，进而协同时空数据库提升知识发现的深度与智能化水平是实现知识服务范式的基本问题，其中，时空知识库建设、时空知识效用度量、数据知识协同挖掘方法是其关键研究内容。对于大知识支撑大服务，如何设计时空数据与时空知识互通的基本技术栈，以自然资源服务的任务为引导，智能化、自动化地构建模型工作流是当前研究重点。同时，如何借助生成式大模型等先进人工智能技术，实现大模型与专业模型的优势互补、知识增强与推理应用、提升自然资源数据挖掘和知识服务的人机交互程度与智慧化水平是当前研究热点。总之，未来工作的重点在于完善时空数据挖掘大分析方法、研究时空大知识库结构标准、促进数据驱动与知识服务的深度融合，探索自然资源领域大模型建设，为自然资源大服务应用奠定更坚实的理论与方法基础。
■ 本文图文责任编辑： 蒋树芳 黄光玉

利益冲突：Conflicts of Interest 所有作者声明不存在利益冲突。

All authors disclose no relevant conflicts of interest.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
应申, 李程鹏, 郭仁忠, 等. 自然资源全要素概念模型构建[J]. 中国土地科学, 2019, 33(3):50-58.

[ Ying S, Li C P, Guo R Z, et al. Conceptual model construction of natural resource full factors[J]. China Land Science, 2019, 33(3):50-58. ] DOI:10.11994/zgtdkx.20190228.084904

[2]
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.

[ 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

[3]
刘晓煌, 刘晓洁, 程书波, 等. 中国自然资源要素综合观测网络构建与关键技术[J]. 资源科学, 2020, 42(10):1849-1859.

[ Liu X H, Liu X J, Cheng S B, et al. Construction of a national natural resources comprehensive observation system and key technologies[J]. Resources Science, 2020, 42(10):1849-1859. ] DOI:10.18402/resci.2020.10.03

[4]
陈发虎, 傅伯杰, 夏军, 等. 近70年来中国自然地理与生存环境基础研究的重要进展与展望[J]. 中国科学:地球科学, 2019, 49(11):1659-1696.

[ Chen F H, Fu B J, Xia J, et al. Major advances in studies of the physical geography and living environment of China during the past 70 years and future prospects[J]. Scientia Sinica (Terrae), 2019, 49(11):1659-1696. ] DOI:10.1360/SSTe-2019-0174

[5]
董锁成, 石广义, 沈镭, 等. 我国资源经济与世界资源研究进展及展望[J]. 自然资源学报, 2010, 25(9):1432-1444.

[ Dong S C, Shi G Y, Shen L, et al. Progress and its prospects of research on resource economics and world resources in China[J]. Journal of Natural Resources, 2010, 25(9):1432-1444. ] DOI:10.11849/zrzyxb.2010.09.003

[6]
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

[7]
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.

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

[8]
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.

[ 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

[9]
陆锋, 刘康, 陈洁. 大数据时代的人类移动性研究[J]. 地球信息科学学报, 2014, 16(5):665-672.

[ Lu F, Liu K, Chen J. Research on human mobility in big data era[J]. Journal of Geo-Information Science, 2014, 16(5):665-672. ] DOI:10.3724/SP.J.1047.2014.00665

[10]
程立海, 崔荣国, 董瑾, 等. 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.

[ Cheng L H, Cui R G, Dong J, et al. Technical application framework of big data on natural resources and territorial space[J]. Journal of Geo-Information Science, 2024, 26(4):881-897. ] DOI:10.12082/dqxxkx.2024.230637

[11]
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. ] DOI:10.3969/j.issn.1674-3695.2022.05.002

[12]
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.

[ 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

[13]
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.

[ 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

[14]
自然资源部. 自然资源部信息化建设总体方案[EB/OL]. 中国政府网,2019-11-02:

[ Ministry of natural resources. General plan for informatization construction of Ministry of natural resources[EB/OL]. China government website, November 23,2019:

[15]
傅伯杰. 地理学:从知识、科学到决策[J]. 地理学报, 2017, 72(11):1923-1932.

[ Fu B J. Geography: From knowledge, science to decision making support[J]. Acta Geographica Sinica, 2017, 72(11):1923-1932. ] DOI:10.11821/dlxb201711001

[16]
陈军, 刘万增, 武昊, 等. 基础地理知识服务的基本问题与研究方向[J]. 武汉大学学报(信息科学版), 2019, 44(1):38-47.

[ Chen J, Liu W Z, Wu H, et al. Basic issues and research agenda of geospatial knowledge service[J]. Geomatics and Information Science of Wuhan University, 2019, 44(1):38-47. ] DOI:10.13203/j.whugis20180441

[17]
燕琴, 刘纪平, 董春, 等. 地理空间视角下自然资源认知探讨[J]. 测绘科学, 2022, 47(8):9-17.

[ Yan Q, Liu J P, Dong C, et al. Natural resources cognition from the perspective of geographic space[J]. Science of Surveying and Mapping, 2022, 47(8):9-17. ] DOI:10.16251/j.cnki.1009-2307. 2022.08.002

[18]
林芳. 自然资源空间大数据对自然资源管理的支撑作用——以福建省为例[J]. 亚热带资源与环境学报, 2019, 14(4):81-85.

[ Lin F. Supporting role of natural resource spatial big data in natural resource management: Taking Fujian Province as an example[J]. Journal of Subtropical Resources and Environment, 2019, 14(4):81-85. ] DOI:10.19687/j.cnki.1673-7105.2019.04.012

[19]
甄峰, 张姗琪, 秦萧, 等. 从信息化赋能到综合赋能:智慧国土空间规划思路探索[J]. 自然资源学报, 2019, 34(10):2060-2072.

[ Zhen F, Zhang S Q, Qin X, et al. From informational empowerment to comprehensive empowerment: Exploring the ideas of smart territorial spatial planning[J]. Journal of Natural Resources, 2019, 34(10):2060-2072. ] DOI:10.31497/zrzyxb.20191004

[20]
成升魁, 沈镭, 封志明, 等. 中国自然资源研究的发展历程及展望[J]. 自然资源学报, 2020, 35(8):1757-1772.

[ Cheng S K, Shen L, Feng Z M, et al. The development history and prospect of natural resources research in China[J]. Journal of Natural Resources, 2020, 35(8):1757-1772. ] DOI:10.31497/zrzyxb.20200801

[21]
廖小罕. 地理科学发展与新技术应用[J]. 地理科学进展, 2020, 39(5):709-715.

[ Liao X H. Advance of geographic sciences and new technology applications[J]. Progress in Geography, 2020, 39(5):709-715. ] DOI:10.18306/dlkxjz.2020.05.001

[22]
李军, 冯永玉, 王朝, 等. 国土资源数据集成与应用[M]. 北京: 科学出版社, 2015.

[ Li J, Feng Y Y, Wang C /Z, et al. Integration and application of land and resources data[M]. Beijing: Science Press, 2015. ]

[23]
傅伯杰, 冷疏影, 宋长青. 新时期地理学的特征与任务[J]. 地理科学, 2015, 35(8):939-945.

[ Fu B J, Leng S Y, Song C Q. The characteristics and tasks of geography in the new era[J]. Scientia Geographica Sinica, 2015, 35(8):939-945. ] DOI:10.13249/j.cnki.sgs.2015.08.001

[24]
刘耀林, 刘启亮, 邓敏, 等. 地理大数据挖掘研究进展与挑战[J]. 测绘学报, 2022, 51(7):1544-1560.

[ Liu Y L, Liu Q L, Deng M, et al. Recent advance and challenge in geospatial big data mining[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(7):1544-1560. ] DOI:10.11947/.AGCS.2022.20220068

[25]
Yang C W, Clarke K, Shekhar S, et al. Big Spatiotemporal Data Analytics: A research and innovation frontier[J]. International Journal of Geographical Information Science, 2020, 34(6):1075-1088. DOI:10.1080/13658816.2019.1698743

[26]
裴韬, 刘亚溪, 郭思慧, 等. 地理大数据挖掘的本质[J]. 地理学报, 2019, 74(3):586-598.

[ Pei T, Liu Y X, Guo S H, et al. Principle of big geodata mining[J]. Acta Geographica Sinica, 2019, 74(3):586-598. ] DOI:10.11821/dlxb201903014

[27]
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.

[ 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

[28]
MAC Q J. Some methods for classification and analysis of multivariate observations[M]. Berkeley: Berkeley Symposium on Mathematical Statistics and Probability, 1967.

[29]
Ikotun A M, Ezugwu A E, Abualigah L, et al. K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data[J]. Information Sciences, 2023, 622:178-210. DOI:10.1016/j.ins.2022.11.139

[30]
Guo D. Regionalization with dynamically constrained agglomerative clustering and partitioning (REDCAP)[J]. International Journal of Geographical Information Science, 2008, 22(7):801-823. DOI:10.1080/13658810701674970

[31]
Ester M, Kriegel H P, Sander J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise[C]// Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. ACM, 1996:226-231. DOI:10.5555/3001460.3001507

[32]
Liu Q L, Liu W K, Tang J B, et al. Permutation-test-based clustering method for detection of dynamic patterns in Spatio-temporal datasets[J]. Computers, Environment and Urban Systems, 2019, 75:204-216. DOI:10.1016/j.compenvurbsys.2019.02.007

[33]
Birant D, Kut A. ST-DBSCAN: An algorithm for clustering spatial-temporal data[J]. Data & Knowledge Engineering, 2007, 60(1):208-221. DOI:10.1016/j.datak.2006.01.013

[34]
Agrawal R, Srikant R, Agrawal R, et al. Fast algorithms for mining association rules in large databases[C]// Proceedings of the 20th International Conference on Very Large Data Bases. ACM, 1994:487-499. DOI:10.5555/645920.672836

[35]
Shekhar S, Huang Y. Discovering spatial co-location patterns: A summary of results[M]// Advances in Spatial and Temporal Databases. Berlin, Heidelberg: Springer Berlin Heidelberg, 2001:236-256. DOI:10.1007/3-540-47724-1_13

[36]
Celik M, Shekhar S, Rogers J P, et al. Mixed-drove spatio-temporal co-occurence pattern mining: A summary of results[C]// Sixth International Conference on Data Mining (ICDM'06). IEEE, 2006:119-128. DOI:10.1109/ICDM.2006.112

[37]
Huang B, Wu B, Barry M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science, 2010, 24(3):383-401. DOI:10.1080/13658810802672469

[38]
Du Z H, Wu S S, Kwan M P, et al. A spatiotemporal regression-Kriging model for space-time interpolation: A case study of chlorophyll-a prediction in the coastal areas of Zhejiang, China[J]. International Journal of Geographical Information Science, 2018, 32(10):1927-1947. DOI:10.1080/13658816.2018.1471607

[39]
Gao B B, Yang J Y, Chen Z Y, et al. Causal inference from cross-sectional earth system data with geographical convergent cross mapping[J]. Nature Communications, 2023, 14(1):5875. DOI:10.1038/s41467-023-41619-6

[40]
石岩, 王达, 邓敏, 等. 时空异常探测:从数据驱动到知识驱动的内涵转变与实现路径[J]. 测绘学报, 2024, 53(8):1493-1504.

[ Shi Y, Wang D, Deng M, et al. Spatio-temporal anomaly detection: Connotation transformation and implementation path from data-driven to knowledge-driven modeling[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(8):1493-1504. ] DOI:10.11947/j.AGCS.2024.20230341

[41]
Shi Y, Deng M, Yang X X, et al. Adaptive detection of spatial point event outliers using multilevel constrained Delaunay triangulation[J]. Computers, Environment and Urban Systems, 2016, 59:164-183. DOI:10.1016/j.compenvurbsys.2016.06.001

[42]
Shi Y, Deng M, Yang X X, et al. A spatial anomaly points and regions detection method using multi-constrained graphs and local density[J]. Transactions in GIS, 2017, 21(2):376-405. DOI:10.1111/tgis.12208

[43]
石岩, 王达, 陈袁芳, 等. 流空间邻近关系约束下的流行病分布空间异常探测方法[J]. 测绘学报, 2021, 50(6):777-788.

[ Shi Y, Wang D, Chen Y F, et al. An anomaly detection approach from spatio distributions of epidemic based on adjacency constraints in flow space[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(6):777-788. ] DOI:10.11947/j.AGCS.2021.20200350

[44]
宋宏权, 王丰, 刘学军, 等. 地理环境下的群体运动分析与异常行为检测[J]. 地理与地理信息科学, 2015, 31(4):1-5,11,133.

[ Song H Q, Wang F, Liu X J, et al. Crowd movement analysis and abnormal behavior detection under geographical environment[J]. Geography and Geo-Information Science, 2015, 31(4):1-5,11,133.] DOI:10.3969/j.issn.1672-0504.2015.04.001

[45]
李德仁, 张过, 蒋永华, 等. 论大数据视角下的地球空间信息学的机遇与挑战[J]. 大数据, 2022, 8(2):3-14.

[ Li D R, Zhang G, Jiang Y H, et al. Opportunities and challenges of geo-spatial information science from the perspective of big data[J]. Big Data Research, 2022, 8(2):3-14. ] DOI:10.11959/j.issn.2096-0271.2022012

[46]
周成虎, 孙战利, 谢一春. 地理元胞自动机研究[M]. 北京: 科学出版社, 1999.

[ Zhou C H, Sun Z L, Xie Y C. Research on geographic cellular automata[M]. Beijing: Science Press, 1999. ]

[47]
Rossi G, Catani F, Leoni L, et al. HIRESSS: A physically based slope stability simulator for HPC applications[J]. Natural Hazards and Earth System Sciences, 2013, 13(1):151-166. DOI:10.5194/nhess-13-151-2013

[48]
Coyle R G. System dynamics modelling: A practical approach[J]. Journal of the Operational Research Society, 1997, 48(5):544. DOI:10.1057/palgrave.jors.2600682

[49]
Bilonick R A. The space-time distribution of sulfate deposition in the northeastern United States[J]. Atmospheric Environment (1967), 1985, 19(11):1829-1845. DOI:10.1016/0004-6981(85)90009-5

[50]
Breiman L, Friedman J H, Olshen R A, et al. Classification And Regression Trees[M]. London: Routledge, 2017 DOI: 10.1201/9781315139470

[51]
LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436-444. DOI:10.1038/nature14539

[52]
KIPF T N, WELLING M. Semi-supervised classification with graph convolutional networks[C]// Proceedings of the 5th International Conference on Learning Representations. Toulon:OpenReview.net, 2017.

[53]
Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8):1735-1780. DOI:10.1162/neco.1997.9.8.1735

[54]
胡传博, 游兰, 林珲. 面向过程的城市公共安全风险监测评估建模方法[J]. 测绘学报, 2018, 47(8):1062-1071.

[ Hu C B, You L, Lin H. A process-oriented risk monitoring and assessment modeling approach in urban public safety[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(8):1062-1071. ] DOI:10.11947/j.AGCS.2018.20180117

[55]
龚磊, 许德, 宋丹丹, 等. 基于德尔菲法和层次分析法在洪涝灾害公共卫生风险评估中的应用[J]. 疾病监测, 2017, 32(1):57-61.

[ Gong L, Xu D, Song D D, et al. Application of Delphi and analytic hierarchy process methods in assessment of public health risk of flood disaster[J]. Disease Surveillance, 2017, 32(1):57-61. ] DOI:10.3784/j.issn.1003-9961.2017.01.015

[56]
李玉, 张黎明, 张兴国, 等. 基于气象监测网络的森林火险快速预警模型[J]. 地球信息科学学报, 2020, 22(12):2317-2325.

[ Li Y, Zhang L M, Zhang X G, et al. Forest fire risk rapid warning model based on meteorological monitoring network[J]. Journal of Geo-Information Science, 2020, 22(12):2317-2325. ] DOI:10.12082/dqxxkx.2020.190799

[57]
胡圣武, 王育红. 基于事件树和模糊理论的GIS动态地质灾害评估[J]. 武汉大学学报(信息科学版), 2015, 40(7):983-989.

[ Hu S W, Wang Y H. GIS dynamic risk assessment of geological disasters based on event tree analysis and fuzzy theory[J]. Geomatics and Information Science of Wuhan University, 2015, 40(7):983-989. ] DOI:10.13203/j.whugis20130473

[58]
陈莲, 邹子航, 张培珍, 等. 基于源导向和蒙特卡洛模型的广东省某城市土壤重金属健康风险评估[J]. 环境科学, 2024, 45(5):2983-2994.

[ Chen L, Zou Z H, Zhang P Z, et al. Health risk assessment of heavy metals in soils of a city in Guangdong Province based on source oriented and Monte Carlo models[J]. Environmental Science, 2024, 45(5):2983-2994. ] DOI:10.13227/j.hjkx.202305270

[59]
谢捷, 刘玮, 徐月顺, 等. 基于AHP-熵权法的西宁地区汛期暴雨灾害风险评估[J]. 自然灾害学报, 2022, 31(3):60-74.

[ Xie J, Liu W, Xu Y S, et al. Rainstorm disaster risk assessment in Xining area in rainy season based on the AHP weight method and entropy weight method[J]. Journal of Natural Disasters, 2022, 31(3):60-74. ] DOI:10.13577/j.jnd.2022.0306

[60]
陈长坤, 孙凤琳. 基于熵权-灰色关联度分析的暴雨洪涝灾情评估方法[J]. 清华大学学报(自然科学版), 2022, 62(6):1067-1073.

[ Chen C K, Sun F L. Flood damage assessments based on entropy weight-grey relational analyses[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(6):1067-1073. ] DOI:10.16511/j.cnki.qhdxxb.2022.22.024

[61]
慎利, 徐柱, 李志林, 等. 从地理信息服务到地理知识服务:基本问题与发展路径[J]. 测绘学报, 2021, 50(9):1194-1202.

[ Shen L, Xu Z, Li Z L, et al. From geographic information service to geographic knowledge service: Research issues and development roadmap[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(9):1194-1202. ] DOI:10.11947/j.AGCS.2021.20210183

[62]
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.

[ 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

[63]
诸云强, 孙凯, 王曙, 等. 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[J]. 中国科学:地球科学, 2023, 53(11):2609-2622.

[ Zhu Y Q, Sun K, Wang S, et al. An adaptive representation model for geoscience knowledge graphs considering complex spatiotemporal features and relationships[J]. Scientia Sinica (Terrae), 2023, 53(11):2609-2622. ] DOI:10.1360/SSTe-2022-0371

[64]
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.issn.1672-4623.2022.12.001

[65]
Grahamrowe D, Goldston D, Doctorw C, et al. Big data: Science in the petabyte era[J]. Nature, 2008,455(7209):8-9. www.nature.com/nature/volumes/455/issues/7209

[66]
American association for the advancement of science. Special online collection: dealing with data[EB/OL]. 2023-10-20:

[67]
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. ] DOI:10.3969/j.issn.1674-3695.2023.03.001

[68]
刘俊楠, 刘海砚, 陈晓慧, 等. 面向多源地理空间数据的知识图谱构建[J]. 地球信息科学学报, 2020, 22(7):1476-1486.

[ Liu J N, Liu H Y, Chen X H, et al. The construction of knowledge graph towards multi-source geospatial data[J]. Journal of Geo-information Science, 2020, 22(7):1476-1486. ] DOI:10.12082/dqxxkx.2020.190565

[69]
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.

[ 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

[70]
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.

[ 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

Options
文章导航

/

〈 〉