EN中文

地理研究 >

2021 , Vol. 40 >Issue 2: 571 - 582

DOI: https://doi.org/10.11821/dlyj020200278

研究论文

大数据时代中国气候变化科学数据共享服务的发展现状与趋势分析

  • 刘桂芳 , 1, 2, 3 ,
  • 诸云强 4 ,
  • 关瑞敏 1 ,
  • 冯亚飞 1 ,
  • 刘情 1 ,
  • 夏梦琳 1 ,
  • 张亚星 1 ,
  • 卢鹤立 , 1, 2, 3
展开
  • 1.河南大学环境与规划学院 河南大学黄河文明与可持续发展研究中心暨黄河文明省部共建协同创新中心,开封 475004
  • 2.黄河中下游数字地理技术教育部重点实验室（河南大学） 河南大学环境与规划国家级实验教学示范中心,开封 475004
  • 3.河南省地球系统观测与模拟重点实验室,开封 475004
  • 4.中国科学院地理科学与资源研究所,北京 100101
卢鹤立（1971-）,男,河南开封人,博士,教授,博士生导师,主要研究方向为资源环境信息。 E-mail:

刘桂芳（1970-）,女,河南新乡人,博士,副教授,硕士生导师,主要研究方向为土地资源管理。 E-mail:

收稿日期: 2020-04-07

  录用日期: 2020-05-26

  网络出版日期: 2021-04-10

基金资助

国家自然科学基金项目(42071267)

河南省高校科技创新团队支持计划(21IRTSTHN008)

《第四次气候变化国家评估报告》编制项目()

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

The current situation and development trend of scientific data sharing services for climate change in China in the era of big data

  • LIU Guifang , 1, 2, 3 ,
  • ZHU Yunqiang 4 ,
  • GUAN Ruimin 1 ,
  • FENG Yafei 1 ,
  • LIU Qing 1 ,
  • XIA Menglin 1 ,
  • ZHANG Yaxing 1 ,
  • LU Heli , 1, 2, 3
Expand
  • 1. College of Environment and Planning/ Collaborative Innovation Center on Yellow River Civilization & Key Research Institute of Yellow River Civilization and Sustainable Development, Henan University, Kaifeng 475004, China
  • 2. Key Laboratory of Geospatial Technology for the Middle and Lower Yellow River Regions (Henan University), Ministry of Education/National Demonstration Center for Environment and Planning, Henan University, Kaifeng 475004, China
  • 3. Henan Key Laboratory of Earth System Observation and Modeling, Henan University, Kaifeng 475004, China
  • 4. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2020-04-07

  Accepted date: 2020-05-26

  Online published: 2021-04-10

Copyright

Copyright reserved © 2021
Fold

摘要

随着气候变化研究的进一步深入,中国已经积累和发布了越来越多气候变化方面的数据,为深入系统的科学研究和科技创新提供了宝贵的数据资源。相关数据存量越来越大,存储类型越来越丰富,促使我们进入一个前所未有的大数据时代。大数据时代需要对海量数据进行挖掘和应用,必然离不开数据的开放和共享。本文首先对气候变化驱动因素科学数据、气候变化事实科学数据、气候变化影响与适应科学数据、气候变化未来预估科学数据、气候变化相关经济社会数据五大类别数据共享服务的现状进行了全面总结,并对数据质量及数据应用的特色进行了系统分析。在此基础上,对大数据背景下气候变化科学数据共享服务未来的发展趋势如服务管理、市场化运营、商业服务、公众服务、数据出版、区块链技术、人工智能、数据挖掘、机器学习、基于模型计算的动态数据共享等进行了展望。最后,总结了气候变化科学数据共享服务在大数据时代所面临的挑战。

关键词： 大数据; 中国; 气候变化科学数据; 共享服务; 发展趋势

本文引用格式

刘桂芳 , 诸云强 , 关瑞敏 , 冯亚飞 , 刘情 , 夏梦琳 , 张亚星 , 卢鹤立 . 大数据时代中国气候变化科学数据共享服务的发展现状与趋势分析[J]. 地理研究, 2021 , 40(2) : 571 -582 . DOI: 10.11821/dlyj020200278

Abstract

With the further development of climate change research, China has accumulated and released more and more data on climate change, which provides valuable data sources for in-depth systematic scientific and technological innovation. Relevant data stocks are getting larger and larger, and storage types are becoming richer and richer, which has pushed us into an unprecedented era of big data. The era of big data is inseparable from the openness and sharing of data. In this paper we first summarized the current status of the five major categories of data sharing services: scientific data on climate change drivers, scientific data on climate change facts, scientific data on climate change impacts and adaptation, scientific data on future climate change forecasts, and economic and social data related to climate change. A systematic analysis of the characteristics of data quality and data applications was also carried out. On this basis, future development trends of China's climate change scientific data sharing services in the context of big data, such as service management, market oriented operations, commercial services, public services, data publishing, blockchain technology, artificial intelligence, data mining, and machines learning, dynamic data sharing based on model computing, etc. were prospected. Finally, we summarized the challenges faced by China's climate change scientific data sharing services in the era of big data.

Key words： big data; China; scientific data on climate change; sharing services; development trend

1 引言

科学数据是进行科研活动的基础,科学研究离不开科学数据的支持。气候变化是当今世界普遍关注的热点问题,气候变化研究具有多学科交叉的特点。中国已经积累了越来越多的气候变化方面的数据,为深入系统的科学研究提供了宝贵的数据资源。目前,气候变化研究已形成多学科参与[1]、多时空尺度[2,3,4,5]、多种研究方法[6,7,8,9]和技术手段融合集成[10,11]的态势,积累了丰富的相关科学数据[12,13,14,15,16,17,18,19,20,21,22]。除了少部分仍保留有传统的纸质记录方式外,绝大部分数据都在建或已形成较完善的数据库。随着中国对地观测技术的不断提升以及气候变化研究的深入,相关数据存量将越来越大,存储类型也会越来越丰富,促使我们进入一个前所未有的大数据时代[23,24,25,26,27]。
2008年,《Nature》专门推出了关于大数据的专刊,指出“大数据是指在可忍受的时间内无法用当前的技术、方法和理论去处理的数据”[28]。大数据的应用越来越广,如：通过手机数据分析人类行为[29]、通过搜索引擎分析流感[30]、深度学习与人类思维的博弈[31]、通过大数据分析未来温度[32]、在区域大气污染联防联控方面应用大数据技术[33]等。生态环境领域通过使用现代数据收集和传输工具,进行数据密集型科学研究,解决复杂的生态环境问题[34]。国家发展战略中开始重视大数据的价值,大数据也引起产业界和学术界的高度关注[35]。
大数据扩大了科学数据的应用范围,大大增强了基于科学数据的科技创新能力,为科学研究带来了新方法,并将推进数据的开放和共享[36]。目前,中国的大部分气候变化科学数据都提供共享服务,可通过注册或申请公开获取。为全面了解近年来气候变化科学数据共享服务情况,本文根据数据特点,按气候变化驱动因素科学数据、气候变化事实科学数据、气候变化影响与适应科学数据、气候变化未来预估科学数据、气候变化相关经济社会数据5个类别分别对气候变化科学数据进行分类总结,并对数据质量及数据应用的进展与特色进行系统分析。在此基础上,对大数据背景下气候变化科学数据共享服务未来的发展趋势如服务管理、市场化运营、商业服务、公众服务、数据出版、区块链技术、人工智能、数据挖掘、机器学习、基于模型计算的动态数据共享等进行了展望。

2 气候变化科学数据共享服务的现状

中国科学数据的共享与服务始于20世纪80年代。2001年,科技部启动“科学数据共享工程”。2004年起,中国在基础科学、农业、林业、海洋、气象、地震、地球系统科学、人口与健康8个领域建成国家科技资源共享服务平台。2019年,为规范管理国家科技资源共享服务平台,又优化调整为国家科学数据中心。地球系统、对地观测、气象、地震、海洋、生态、极地、青藏高原、冰川冻土沙漠等一系列气候变化相关的国家科学数据中心,持续快速推进着气候变化相关科学数据的共享与服务。
除了国家级科学数据中心或系统外,一些通用数据存储和共享库,为存储和共享其科学数据而建立的科学研究和教育机构,以及数据出版等也在有关气候变化科学数据的存储和共享中起着重要作用。国内各大数据网站提供的气候变化科学数据无论是数据类型、存储格式、数据安全还是共享等方面不尽相同[37]。
本文根据数据特点,把气候变化科学数据分为气候变化驱动因素科学数据、气候变化事实科学数据、气候变化影响与适应科学数据、气候变化未来预估科学数据、气候变化相关经济社会数据5个类别（表1）,对近年来数据共享与服务的情况进行全面梳理。
表1 气候变化科学数据分类

Tab. 1 Category of scientific data on climate change

数据大类 数据小类
气候变化驱动因素科学数据 1.天文数据;2.土地利用与土地覆盖数据;3.大气温室气体数据;4.气溶胶数据;
气候变化事实科学数据 5.气候观测指标数据（温度、降水等）;6.古气候数据;7.海洋科学数据;8.冰冻圈科学数据;9.生态系统科学数据;
气候变化影响与适应科学数据 10.人口健康科学数据;11.水文与水资源科学数据;12.气候变化相关灾害影响科学数据（含基础设施）;13.林业科学数据;14.农牧渔业科学数据;
气候变化未来预估科学数据 15.温度数据(气温、海温);16.降水数据;17.海平面数据;
气候变化相关经济社会数据 18.经济发展与减缓技术数据;19.能源数据;20.碳排放数据
气候变化驱动因素科学数据方面,大致分为4个数据小类。天文数据：中国科学院国家天文台提供的有关太阳射电频谱数据,以FITS数据格式在其网站上进行公开共享;同时,中国科学院紫金山天文台等网站公开向用户提供毫米射电频谱、太阳光谱等数据。土地利用与土地覆盖数据：中国科学院地理科学与资源研究所联合多家单位完成了1990年、1995年、2000年、2005年、2010年和2015年中国多期土地利用数据集（NLCD）;中国科学院遥感应用研究所等单位完成了2000年、2010年中国空间分辨率为30 m的土地利用/土地覆盖数据;此外,中国科学院生产的NLCD-China产品,为森林监测以及动态变化分析提供了数据来源。大气温室气体数据：中国温室气体排放的数据主要来自中国发展和改革委员会报送联合国气候变化框架公约（UNFCCC）的三次国家信息通报、中国碳排放数据库（CEADs）和国内学者的研究结果。其中,科学技术部国家冰川冻土沙漠科学数据中心提供了CO2、CH4等txt格式的观测数据,普通用户可注册访问。气溶胶数据：中国科学院气溶胶化学与物理重点实验室等提供,时间分辨率为逐日,以xlsx数据形式存储,用户可以在网站上注册访问。
气候变化事实科学数据方面,包括5个数据小类。气候观测指标数据（温度、降水等）：国家气象科学数据中心/中国气象数据网通过整合中国近50多年积累的气象观测资料,以及部分历史资料的数字化处理,研发了一批气象基础数据产品,包括国家基本气象台站的观测数据,该数据集的数据以ArcGIS Grid格式为主,使用者通过网站注册下载。古气候数据：依托中国科学院地球环境研究所建设了东亚古环境科学数据库,相关数据需要用户在网站上注册下载。海洋科学数据：中国科学院海洋研究所提供了海洋专项数据库和浮标数据库,采样间隔为10 min,需通过申请才能获取相关数据;中国气象局上海台风研究所记载了热带气旋的路径、登陆和降水数据,公开向用户提供;中国Argo计划（http://www.argo.org.cn/）提供Argo剖面浮标相关数据。冰冻圈科学数据：由中科院寒区旱区环境与工程研究所大数据中心提供;中国科学院青藏高原研究所泛第三极大数据系统提供更详细的冻土分布资料,上述两种数据注册后可访问下载。更多有关冰冻圈的数据还可以访问青藏高原冰冻圈观测研究站、中国南北极数据中心-CHINARE等网站。生态系统科学数据：中国科学院遥感应用研究所提供全国250 m分辨率植被地上生物量数据,其数据以TIF的格式进行存储;生态系统长期监测数据集由CERN综合研究中心提供,该数据采用oracle数据库类型,以协议共享的方式在其网站上提供下载;国家生态科学数据中心网站（http://www.cnern.org.cn/）也提供生态系统相关数据。
气候变化影响与适应科学数据方面,主要包括以下几种数据小类。人口健康科学数据：目前,中国已建成一些人口健康数据库,其中与气候变化密切相关的面板数据在中国（地方）统计年鉴、中国（地方）卫生健康统计年鉴、人口普查资料、法定报告传染病数据库、全国疾病监测系统死因监测网络报告数据库、中国居民心理状况数据库中可查询,这些数据通常直接公开或者注册后可访问。患者详细的个案数据可以在中国（地方）疾病预防控制中心、各地方医院或卫生中心获得,但这些数据一般是医院内部数据,不可公开访问。水文与水资源科学数据：水文与水资源科学数据存储方式多样,纸质数据记录和计算机水文数据库是两种主要数据存储形式,比如水文年鉴就是其中一种典型的纸质数据记录方式。1949年以来,水文与水资源开始在全国范围内进行系统整编刊印,以完整记录各大流域的水文基础数据。水文年鉴和历史水文资料由水利部定期刊印,并由长江档案馆作为异地备份库,保存副本。气候变化相关灾害影响科学数据（含基础设施）：国家气象信息中心提供中国干旱灾害数据、暴雨洪涝灾害数据、热带气旋灾害数据等,该数据针对教育科研用户,并要求进行实名注册。林业科学数据：林业科学数据主要由全国森林资源清查数据构成。截至2019年,全国森林资源通过3S技术已经完成9次连续清查。同时,国家林业局及各省地级林业部门网站也分别提供了国家及地级森林资源数据。国家林业和草原科学数据中心（http://www.cfsdc.org/）提供林业和草地相关的数据。农牧渔业科学数据：中国农业科学院农业环境与可持续发展研究所提供土壤数据（包括矢量和栅格两种格式）,还提供了未来气候情景的数据集,采用ASCII码文件的格式进行存储,主要采用离线数据及管理员离线的管理方式。此外,国家统计局、中国农业科学院作物科学研究所、国家农业科学数据中心（http://www.agridata.cn/）等网站提供有关农牧渔业等方面的数据。
气候变化未来预估科学数据方面,包括3个数据小类。温度数据(气温、海温)：中国科学院大气物理所大气科学和地球物理流体力学国家重点实验室提供。该数据类型/格式为nc,用户直接注册获取。除此之外,北京师范大学、中国青岛第一海洋研究所等也提供了CMIP5实验的大气温度,近地面温度等变量的月平均数据。降水数据：在中国气象数据网等相关网站中对中国的降水数据有着多方面的统计资料。海平面数据：海平面数据按照观测手段分类,主要包括验潮站潮位观测数据和卫星高度计数据两大类。国家海洋信息中心等网站提供中国海平面逐时观测数据、西北太平洋海域海洋再分析等数据,以注册访问的形式面向用户。
与气候变化相关的经济社会科学数据涉及面较广,主要包括以下几种数据小类。经济发展与减缓技术数据：目前,与气候变化相关的具有特色、形成规模、系统完整的经济社会科学数据集和数据库尚未形成,气候变化相关经济社会科学数据主要分散分布于经济社会综合数据、产业数据、微观统计数据、技术专利数据、外贸数据等现有的社会经济数据库中。能源数据：全国性的权威数据主要由国家统计局发布。《中国能源统计年鉴》提供了历年全国能源数据及能源平衡表,《中国统计年鉴》《中国统计摘要》《统计公报》《单位GDP能耗指标公报》以及国家统计局的国家统计数据库也提供了一些重要的、综合性能源数据。地区能源平衡表主要发布在各省市区的统计年鉴上,《中国能源统计年鉴》也提供了相关数据。碳排放数据：目前,各温室气体数据集的来源主要为公开出版物、会议与论坛、政府统计部门等,计算方法及采用的排放因子均以IPCC基准方法为主,但不同的数据集由于活动量统计、排放因子选取等原因,计算结果存在一定程度的差异。

3 气候变化科学数据共享服务的特色

科学研究的成效很大程度上依赖于科学数据的质量。时间序列长短、时空分辨率、数据来源、数据类型、数据标准、数据处理流程等因素都会影响到科学数据的质量,进而影响科学数据产品的共享服务与应用效果。
国家基础科学数据为气候变化研究提供了重要的数据保障。气候变化是一个长期的过程,数据的时间序列长短对气候变化相关研究具有重要影响。政府主管部门负责或政府与科研部门合作的一些项目,由于有资金持续支持,往往能获得长时间序列的数据产品,如气象气候观测数据、海洋观测数据、全国土地调查、全国森林资源普查等基础数据,这些数据由于时间序列长、连续性好、数据质量有保障,较多已得到国内外用户的广泛应用。其中,气候观测指标数据（温度、降水等）是气候是否变化的最直接的反映。中国气象数据网提供了中国地面气象站逐小时观测资料、中国地面气候资料日值数据集V3.0和全球地面气象站定时观测资料。高空气象资料中的中国高空气象站定时值观测资料和全球高空气象站定时值资料等,不仅时间序列长,而且时空分辨率高,成为研究气候变化最重要的基础数据之一。中国潮位观测、海平面观测等海洋数据由于起始观测时间较早,也已形成较长的时间序列,为气候变化过程研究提供了重要的数据支持。土地利用与土地覆被变化是引起气候变化的重要因素,全国土地调查及不断改进的土地覆盖和土地利用产品已为生态功能与结构评价、粮食安全与耕地保护、气候变化模拟与评价等研究提供了重要的数据支撑。全国森林资源普查数据客观、及时地反应了各地森林的生长状况,目前国家林业局及各省地级林业部门网站均分别提供了国家及地级森林资源数据,成为指导国家制定林业计划方针、生产单位合理利用森林资源的重要科学依据。气候变化相关社会经济数据方面,《中国经济与社会发展统计数据库》收录了中华人民共和国建立以来曾出版发行的多种权威统计资料,目前已形成一个集数据整合、快速检索、数据深度挖掘等多功能于一体的大型数据库。
数据生产方式、更新维护状况、观测仪器故障、数据标准等直接影响数据质量及共享服务效果。如中国碳排放数据库（http://www.ceads.net/）,起步较晚,仅拥有近20年的分行业、分地区二氧化碳数据,温室气体种类及排放源尚有完善补充的空间;中国紫金山天文台太阳射电频谱仪自1999年开始运行,相关技术指标在国家同类设备中处于领先地位,但由于仪器故障,其记录的4.5~7.5 GHz太阳射电频谱观测数据集（2002—2013年）,缺失2008—2009年数据;一些依托项目产生的数据,由于数据观测记录时间短,更新不足,难以形成序列,有些还不可永久访问,影响了数据的使用价值;还有一些综合类数据中心,比如国家农业科学数据共享中心（www.agridata.cn）,包含了农牧渔业各类数据库,囊括全国性和地方的监测、统计数据、国家及农业部各种科研项目成果数据,具有庞大的数据量,几十年的数据积累,但由于这些数据来源不一致,时间序列不同、标准不同,且较多缺乏后续更新序列,较难进行深入、细致的比较研究,影响了数据的深度挖掘和使用价值。
气候变化科学数据的存量越来越大,且增长速度加快,数据产品的类型也更加多样化,促使气候变化大数据时代的到来。国家气象信息中心/中国气象数据网提供的气象观测资料指标多（包括地面、高空、气象卫星、天气雷达、数值天气预报等12大类1000余种基本气象资料产品以及7大数据服务专题）,时间序列长,且时空分辨率高,更新速度快,数据量庞大,已成为研究气候变化事实及相关问题的重要科学大数据。随着对地观测技术的不断提升,与气候变化相关的各类遥感监测数据无论是时空分辨率还是光谱分辨率都在显著提高,数据呈现“爆炸式”增长,如国家农业科学数据中心的高分影像数据,2016年增长量为2.9 TB,2017年已达456.2 TB。遥感大数据的出现和超性能计算的应用,也直接促使了全球土地覆盖产品由千米级到30 m级甚至更高分辨率的提升。首套全球30 m分辨率地表覆盖数据（GlobeLand 30）于2014年研制成功[38],由中国科学家捐赠给联合国,向全球各国用户共享,被国际同行誉为全球对地观测和地理空间数据共享领域的一个里程碑成就。
经过多年的不断努力,中国在气候变化科学数据共享服务的数据安全、数据精度、服务内容及服务效率等方面不断提升,与世界差距在不断缩小。如目前在建的冰冻圈科学数据平台在设计之初便采用了公有云+私有云互备的设计：公有云提供异地灾备的最佳可靠性,私有云提供可靠的安全保障,保障数据共享处于安全可靠的最佳状态。为保障气候变化科学数据的质量和稳定性,共享服务的数据由专业人士负责获取和处理,监控方法更加科学化和标准化,有些还具有严格的审核流程。如气溶胶质量浓度及化学组分分析数据主要由中国科学院地球环境研究所采样和分析完成,其中,颗粒物质量浓度采用重量分析法,每10个样品进行测试后,再选择一个随机样品进行重新检查;冰冻圈科学数据平台依据观测规范和手册进行长期观测,数据质量高,数据获取稳定。经过多年的发展,中国部分科学数据的精确程度已达国际先进水平。如中国气溶胶遥感观测网（CARSNET）与全球气溶胶遥感观测网（AERONET）所使用的观测仪器采用同样的定标方法,所获得的观测数据采用同样的反演算法,使气溶胶光学厚度产品的误差小于0.02,达到较高的精度。数据共享服务方面,针对海洋科学数据复杂且具有空间性的特点,近年来,中国设计了海洋科学数据的一体化数据库,并且在不断地扩展、改进和完善数据内容、数据共享标准和规范以及技术路线,逐步形成了产品多样化,动态可视化,多维空间化和便捷网络化的服务模式,取得了显著成就。
相比欧美发达国家,中国在气候变化科学数据共享服务方面还存在一些问题和一定差距。例如,部分数据统计口径不一致;部分数据资源开放程度不够,因而未得到很好应用。自20世纪80年代以来,中国水文数据库开始建设并一直受到重视,但为了保证部分资料的安全和一些工作的方便,国家仍继续出版水文年鉴。中国水文年鉴中的水文资料以公开出版的形式发布,在水文机构或高校图书馆中可以查阅到,由于在实际中,仅部分数据用户能够获取到水文年鉴,因而水文年鉴中的水文资料共享的程度仍较低。同时,在数据使用上,需要将纸质版水文资料重新录入计算机,工作量大,容易出现录入错误。中国的潮位观测历史悠久,可追溯至1860年,积累了近200年的观测资料,至2018年,中国海平面观测网已拥有100余个海洋站。但目前公开渠道仅可以获取中国沿海6个站位的海平面观测数据。由于中国该项数据公开程度较低,应用较少,部分学者采用中国沿海潮位观测数据进行海平面分析研究时受到一定限制。

4 大数据背景下气候变化科学数据共享服务的发展趋势

以上分析表明,气候变化科学研究已经进入一个前所未有的大数据时代。大数据将深刻影响气候变化科学数据共享服务的发展,表现在：

4.1 数据共享与服务管理将得到进一步加强和规范

2018年3月出台的《科学数据管理办法》（国办发〔2018〕17号,以下简称为《办法》）,首次在国家层面以制度形式对科学数据的共享与服务实施管控[39]。按照《办法》要求,由政府预算资金资助的各级科技计划项目,必须由项目牵头单位将项目所产生的科学数据汇交到相关科学数据中心;鼓励科研人员整理形成高质量的科学共享数据;对公益性科学研究和公益性事业原则上无偿提供数据共享;发表国际期刊论文,数据必须提交到国内机构;鼓励数据出版等等。可见,气候变化科学数据共享与服务已迈入新的发展阶段,未来在保证科学数据安全可控的前提下,共享与服务水平将大幅提升。此外,《科学数据分类分级共享及其发布策略》《科学数据共享工程管理办法》《科学数据共享工程试点遴选和检查评估办法》《国家科技计划项目科学数据汇交办法》《科学数据共享条例》等政策法规也在陆续制定和编制[40,41]。

4.2 市场化运营成为数据增值服务的一种新趋势

中国政府鼓励社会组织和企业法人根据需要对科学数据进行分析和挖掘,以形成有价值的科学数据产品并提供增值服务。在这种背景下,沈阳大数据运营有限公司于2015年7月成立。公司通过政府主导和市场化运作,面向公众提供数据开放服务,将有效的公共数据转换为无限的创新价值。
在气候变化科学数据的市场化运营中,成本是数据中心最关心的问题之一。由于闪存展现出比传统存储形式更显著的成本优势,目前正获得大规模的应用。此外,为了更好地指导数据中心内的决策制定,预测存储分析正逐渐超越传统的存储监控形式,在存储方式方面广泛应用。

4.3 知识产权保护与数据安全的新发展：数据出版与区块链技术

目前,气候变化科学数据开放共享已被广大科研人员和各种利益相关方认可,为提高气候变化科学数据有效共享和高效利用,近年来,数据出版应运而生[42],受到了数据共享界和出版界的共同关注。数据出版借助出版媒介发布数据,其核心内容是使数据达到可共享、可引用和永久可访问的状态[37]。气候变化科学数据出版不仅能够使数据的可获得性、可重现性提高,有助于数据的再次分析,还有助于发现错误和避免造假,为科学家科研贡献和学术声望提供一种新的评价方式,同时还能有效保护气候变化科学数据的知识产权。因此,数据出版已成为深化气候变化等科学数据开放共享与服务的重要方式。
传统的气候变化科学数据共享一般通过数据平台或数据中心实现,由数据平台或数据中心进行统一的数据采集、处理、存储和应用,并集中进行共享与服务管理,是一种中心化的数据管理模式。由于数据平台或数据中心有权发布、删除或更新数据,不利于气候变化科学数据的长期共享和永久可访问、可引用,也不利用保护数据提供者的知识产权和维护数据的一致性和安全性。区块链技术确保可以通过分布式数据存储、点对点传输、共识机制、加密算法、时间戳等计算机技术来追踪科学数据的开放共享过程,有望解决当前气候变化科学数据共享和服务所面临的瓶颈问题[43]。当前,国家大数据战略刚起步,气候变化科学数据共享与服务还不够充分,区块链从技术角度出发,通过实现气候变化科学数据权限的共享,提出了解决气候变化科学数据共享问题的新思路。

4.4 人工智能与数据挖掘拓展气候变化科学数据共享服务的广度与深度

人工智能为科学研究带来了新方案。人工智能在一些领域已经有着很好的应用,如公共卫生解决方案[44]和水资源的分布式管理[45]等。大数据时代,数据爆炸式增长,导致数据挖掘效率低下。从海量的数据中挖掘信息,提取规律,得益于人工智能的高速发展[46]。例如,通过地质三维可视化,研究者可以从不确定的地质中抽取有效的信息[47]。在大数据时代,为满足用户对信息计算、数据存储以及管理等的要求,云计算的高性能计算集群解决了密集型数据的计算困难[48]。为突破空间和技术上的限制,人工智能帮助图书馆处理海量信息,实现“馆馆相联,书书相联,书人相联,人人相联”[49]。为实现部门信息共享和部门共同治理,人工智能帮助优化公共组织结构和社区服务效率[50]。因此,人工智能与数据挖掘在气候变化科学数据共享服务的应用,可以帮助拓展气候变化科学数据共享服务的广度与深度。

4.5 基于模型计算的动态数据共享催生气候变化科学数据共享服务平台的科研创新

数据密集型范式,也叫第四科学范式,强调使用大数据分析和模型模拟来研究、挖掘大量科学数据,以发现科学规律和数据背后的问题[51,52],这尤其适用于气候变化的研究。此外,气候变化研究还需要高效的计算基础来支持用于发现现象时空分布模式和差异化规则的模型和工具的运行[53]。因此,在气候变化科学研究领域,需要开发一个集成了气候变化相关数据、模型和计算资源共享的一站式科学研究平台（e-Geoscience）[54]。
在传统的与气候变化相关的地理空间计算（尤其是全局计算）中,由于计算能力的限制,时空分辨率或模拟元素的数量必须减少[54]。随着高性能计算机和分布式计算技术的发展,气候变化地理空间模拟计算得到了很好的支持,模型共享开始出现,目前,研究人员已开发了许多模型接口规范和模型共享平台。气候变化地理空间模型计算中的一个关键问题是输入数据的准备。特别是,随着其复杂性、仿真精细度和准确性的提高,气候变化地理空间模型计算和运行需要越来越多的输入数据和动态数据[55]。为了节省数据准备过程中的时间和成本,并使模型用户能够将更多精力投入到对模型计算结果的数据分析中,有必要充分利用现有的在线公开气候变化科学数据,并实现动态共享。因此,基于模型计算的动态数据共享成为大数据时代气候变化科学数据共享与服务的重要发展方向,也是传统科学数据共享与服务平台向科学数据、科学知识驱动的创新平台转变的必然选择。

4.6 气候变化科学数据共享服务推动和提高公众服务质量

气候变化科学数据共享服务有助于公众服务。随着观测技术的提高和观测手段的多样化,气象数据的准确度在不断提高,通过分析不同时空尺度气候变化的概率,可以对灾害风险等进行预警,再通过共享服务可以及时地让公众获取相关信息。通过微信平台向客户提供数据申请、共享信息推送等服务,可以显著提升科学数据信息服务的用户体验[56]。此外,通过建立智能联动的水利信息评价体系,水利公共服务可以全面完成“一网通”,进一步完善互联网+水利政务服务公共服务门户等[57]。另外,遥感研究从传统的对地表要素的观测将会延伸至对社会的观测,可以推动和提高公众服务质量。
但是大数据时代的中国的气候变化科学数据共享服务面临着众多挑战,需要采取相关措施积极应对。首先,大数据的种类繁多,统计标准不尽一致,成为气候变化科学研究的瓶颈。其次,大数据的精度为气候变化科学研究带来了许多不确定性。另外,大数据挖掘出来的是否是有用知识,还有很大的不确定性[58]。最后,个人隐私是大数据的一个重要问题,因为很多大数据是基于个人数据。为解决这个问题,需要监管机构进行适当指导,使这些数据可供经核实的利益相关者访问[59]。

真诚感谢匿名评审专家和编辑部老师在论文评审中所付出的时间和精力,评审专家对本文文章结构和结果分析方面的修改意见,使本文获益匪浅。真诚感谢曲建升研究员和吴力波教授的指导。真诚感谢第四次气候变化国家评估报告数据集董利苹老师、董金玮老师和全体作者的交流与支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
吴金甲, 曲建升, 李恒吉, 等. 气候变化问题多学科协同机制实践研究. 生态经济, 2018,34(1):128-133.

[ Wu Jinjia, Qu Jiansheng, Li Hengji, et al. The practice of multi-disciplinary coordination mechanism in climate change. Ecological Economy, 2018,34(1):128-133.] DOI: CNKI: SUN: STJJ.0.2018-01-026.

[2]
陈洁, 刘玉洁, 潘韬, 等. 1961—2010年中国降水时空变化特征及地表干湿状况影响. 自然资源学报, 2019,34(11):2440-2453.

[ Chen Jie, Liu Yujie, Pan Tao, et al. Spatiotemporal variation of precipitation in China and itsimpacton surface drywet conditions during 1961-2010. Journal of Natural Resources, 2019,34(11):2440-2453.] DOI: 10.31497/zrzyxb.20191115.

[3]
张威, 纪然. 辽宁省地表温度时空变化及影响因素. 生态学报, 2019,39(18):6772-6784.

[ Zhang Wei, Ji Ran. Analysis of spatio-temporal variation and factors influencing surface temperature in Liaoning province. Acta Ecologica Sinica. 2019,39(18):6772-6784.] DOI: 10.5846/stxb201806211352.

[4]
贾俊鹤, 刘会玉, 林振山. 中国西北地区植被NPP多时间尺度变化及其对气候变化的响应. 生态学报, 2019,39(14):5058-5069.

[ Jia Junhe, Liu Huiyu, Lin Zhenshan. Multi-time scale changes of vegetation NPP in six provincesof northwest China and their responses to climate change. Acta Ecologica Sinica. 2019,39(14):5058-5069.] DOI: 10.5846/stxb201808241810.

[5]
王智颖, 臧淑英, 周道玮, 等. 1957—2016年中国农业界限温度时空变化研究. 地理科学, 2020,40(1):137-148.

[ Wang Zhiying, Zang Shuying, Zhou Daowei, et al. Temporal and spatial variation of agricultural threshold temperature from 1957 to 2016. Scientia Geographica Sinica. 2020,40(1):137-148.] DOI: 10.13249/j.cnki.sgs.2020.01.017.

[6]
熊巧利, 何云玲, 邓福英, 等. 基于MaxEnt模型西南地区高山植被对气候变化的响应评估. 生态学报, 2019,39(24):9033-9043.

[ Xiong Qiaoli, He Yunling, Deng Fuying, et al. Assessment of alpine mean response to climate change in Southwest China based on MaxEnt Model. Acta Ecologica Sinica, 2019,39(24):9033-9043.] DOI: 10.5846/stxb201809262085

[7]
张贤, 朱求安, 杨斌, 等. 基于过程模型的青藏高原湿地甲烷排放格局评估. 生态学报, 2020,40(9):1-12.

[ Zhang Xian, Zhu Qiuan, Yang Bin, et al. Evaluating patterns of wetland methane emissions in Qinghai-Tibet plateau based on process model. Acta Ecologica Sinica, 2020,40(9):1-12.] DOI: 10.5846/stxb201904240838.

[8]
王乐, 杜灵通, 丹杨, 等. 不同气候变化情景下荒漠草原生态系统碳动态模拟. 生态学报, 2020,40(2):657-666.

[ Wang Le, Du Lingtong, Dan Yang, et al. Carbon dynamic simulation of desert steppe ecosystem in different climate scenarios. Acta Ecologica Sinica, 2020,40(2):657-666.] DOI: 10.5846/stxb201812282833.

[9]
窦小东, 黄玮, 易琦, 等. LUCC及气候变化对澜沧江流域径流的影响. 生态学报, 2019,39(13):4687-4696.

DOI

[ Dou Xiaodong, Huang Wei, Yi Qi, et al. Impacts of LUCC and climate change on runoff in Lancang River Basin. Acta Ecologica Sinica, 2019,39(13):4687-4696.] DOI: 10.5846/stxb201811302610.

[10]
诸云强, 赵晓宏, 冯卓, 等. 环境影响评价大数据分析与创新服务. 环境影响评价, 2016,38(1):5-9.

[ Zhu Yunqiang, Zhao Xiaohong, Feng Zhuo, et al. Big Date Analysis and Innovative Service on Environmental Impact Assessment. Environment Impact Assessment, 2016,38(1):5-9.] DOI: 10.14068/j.ceia.2016.01.002.

[11]
马志云, 刘云. 应对气候变化关键技术创新差异的时空格局: 以“一带一路”沿线国家为例. 中国人口·资源与环境, 2017,27(9):102-111.

[ Ma Zhiyun, Liu Yun. Spatio-temporal patterns of key climate technology innovation differences: A case of countries along “the Belt and Road”. Population Resources And Environment, 2017,27(9):102-111.] DOI: 10.12062/cpre.20170454.

[12]
曲建升, 刘莉娜, 曾静静, 等. 基于入户调查数据的中国居民生活碳排放评估. 科学通报, 2018,63(5-6):547-557.

[ Qu Jiansheng, Liu Lina, Zeng Jingjing, et al. Household CO2 emissions: An assessment based a large sample survey in China. Science Bulletin, 2018,63(5-6):547-557.] DOI: 10.1360/N972017-00765.

[13]
朱红根, 周曙东. 南方稻区农户适应气候变化行为实证分析: 基于江西省36县(市)346份农户调查数据. 自然资源学报, 2011,26(7):1119-1128.

DOI

[ Zhu Honggen, Zhou Shudong. Factors influencing southern rice farmers adapting to climate change behavior: Based on 346 households survey date of 36 counties in Jiangxi province. Journal of Natural Resources, 2011,26(7):1119-1128.] DOI: 10.11849/zrzyxb.2011.07.004.

[14]
王卷乐, 胡振鹏, 冉盈盈, 等. 鄱阳湖湿地烧荒遥感监测及其影响分析. 自然资源学报, 2013,28(4):656-667.

DOI

[ Wang Juanle, Hu Zhenpeng, Ran Yingying, et al. Study on moorburn remote sensing monitoring on Poyang Lake wetland area ang its influence. Journal of Natural Resources, 2013,28(4):656-667.] DOI: 10.11849/zrzyxb.2013.04.012.

[15]
赵贵宁, 张正勇, 刘琳, 等. 基于多源遥感数据的玛纳斯河流域冰川物质平衡变化. 地理学报, 2020,75(1):98-112.

[ Zhao Guining, Zhang Zhengyong, Liu Lin, et al. Changes of glacier mass balance in Manas river basin based on multisource remote sensing date. Acta Geographica Sinica, 2020,75(1):98-112.] DOI: 10.11821/dlxb202001008.

[16]
韩伟孝, 黄春林, 王昀琛, 等. 基于长时序Landsat 5/8多波段遥感影像的青海湖面积变化研究. 地球科学进展, 2019,34(4):346-355.

[ Han Weixiao, Huang Chunlin, Wang Yunchen, et al. Study on the area variation of Qinghai Lake based on long-term 5/8 multi-band band remote sensing imagery. Advances in Earth Science, 2019,34(4):346-355.] DOI: 10.11867/j.issn.1001-8166.2019.04.0346.

[17]
裴亮, 刘阳, 陈晨. 大凌河流域土地利用/覆被变化及其对气候变化的响应研究. 地理科学, 2017,37(9):1403-1410.

DOI

[ Pei Liang, Liu Yang, Chen Chen. Land use/cover change and its impact on climate change response in the Daling River Basin. Geography Science, 2017,37(9):1403-1410.] DOI: 10.13249/j.cnki.sgs.2017.09.013.

[18]
韩云环, 郑子彦, 肖宇, 等. 基于统计年鉴和MODIS的中国区域土地利用/覆盖变化特征研究. 气候与环境研究, 2017,22(6):733-746.

[ Han Yunhuan, Zheng Ziyan, Xiao Yu, et al. Characteristics of land use/cover change over China based on China statistical yearbook and MODIS date. Climatic and Environmental Research, 2017,22(6):733-746.] DOI: 10.3878/j.issn.1006-9585.2017.16214.

[19]
孙九林, 任博. 以他国为例兼论数据促进环境部门资源整合与开发. 中国环境管理, 2016,8(4):9-14.

[ Sun Jiulin， Ren Bo, et al. Studies of environmental date management in representative developed countries and suggestions to date sharing and usage in environmental unites of China. Chinese Journal of Environmental Management, 2016,8(4):9-14.] DOI: 10.16868/j.cnki.1674-6252.2016.04.009.

[20]
刘闯, 张应华. 全球变化暨地球科学数据影响力分区方法及2019年实践研究. 全球变化数据学报, 2019,3(3):207-226.

[ Liu Chuang, Zhang Yinghua. Methodology and practice on quantifying the impact of global change & earth system science date in 2019. Journal of Global Change Data & Discovery, 2019,3(3):207-226] DOI: 10.3974/geodp.2019.03.01.

[21]
方梓行, 何春阳, 刘志锋, 等. 中国北方农牧交错带气候变化特点及未来趋势: 基于观测和模拟资料的综合分析. 自然资源学报, 2020,35(2):358-370.

[ Fang Zihang, He Chunyang, Liu Zhifeng, et al. Climate change and future trends in the argo-pastoral transitional zone in Northern China: The comprehensive analysis with the historical observation and the modal simulation. Journal of Natural Resources, 2020,35(2):358-370.] DOI: 10.31497/zrzyxb.20200209.

[22]
熊伟, 杨婕, 吴文斌, 等. 中国水稻生产对历史气候变化的敏感性和脆弱性. 生态学报, 2013,33(2):509-518.

DOI

[ Xiong Wei, Yang Jie, Wu Wenbin, et al. Sensitivity and vulnerability of China's rice production to observed climate change. Acta Ecologica Sinica, 2013,33(2):509-518.] DOI: 10.5846/stxb201111091698.

[23]
Bryant J, Sutorius E, Bunclark P S. Astronomy, data and the problem of large file transfers. Astronomical data analysis software and system XVII. 17th Annual Conference on Astronomical Data Analysis Software and Systems, 2008, (394):727.

[24]
Frankel F, Reid R. Big data: Distilling meaning from data. Nature, 2008,455(7209):30. DOI: 10.1038/455030a.

DOI

[25]
Wang Jiayao. Cartography in the age of spatio-temporal big data. Acta Geodetica et Cartographica Sinica, 2017,46(10):1226-1237. DOI: 10.11947/j.AGCS.2017.20170308.

[26]
Wigan M R, Clarke R. Big data's big unintended consequences. Computer, 2013,46(6):46-53. DOI: 10.1109/MC.2013.195.

[27]
郭华东. 大数据大科学大发现: 大数据与科学发现国际研讨会综述. 中国科学院院刊, 2014,29(4):500-506.

[ Guo Huadong. Big data, big science, big discovery: Review of CODATA Workshop on Big Data for International Scientific Programmes. Bulletin of Chinese Academy of Sciences, 2014,29(4):500-506.] DOI: 10.3969/j.issn.1000-3045.2014.04.014.

[28]
Buxton B, Hayward V, Pearson I, et al. Big data: The next Google. Interview by Duncan Graham-Rowe. Nature, 2008,455(7209):8-9. DOI: 10.1038/455008a.

DOI PMID

[29]
Song Chaoming, Qu Zehui, Blumm N, et al. Limits of predictability in human mobility. Science, 2010,327(5968):1018-1021. DOI: 10.1126/science.1177170.

PMID

[30]
Ginsberg J, Mohebbi M H, Patel R S, et al. Detecting influenza epidemics using search engine query data. Nature, 2009,457(7232):1012-1014. DOI: 10.1038/nature07634.

DOI PMID

[31]
Silver D, Huang A, Maddison C J, et al. Mastering the game of go with deep neural networks and tree search. Nature, 2016,529(7587):484-489. DOI: 10.1038/nature16961.

DOI PMID

[32]
Alam M, Amjad M. Weather forecasting using parallel and distributed analytics approaches on big data clouds. Journal of Statistics & Management Systems, 2019,22(4):791-799. DOI: 10.1080/09720510.2019.1609559.

[33]
杨毅. 大数据时代下探索区域大气污染联防联控的新模式. 科技传播, 2014,6(11):107-108.

[ Yang Yi. Explore a new model for joint prevention and control of regional air pollution in the era of big data. Public Communication of Science & Technology, 2014,6(11):107-108.] DOI: CNKI: SUN: KJCB.0.2014-11-100.

[34]
Aronova E, Baker K S, Oreskes N. Big science and big data in biology: From the international geophysical year through the international biological program to the long term ecological research (LTER) network, 19-57 present. Historical Studies in the Natural Sciences, 2010,40(2):183-224. DOI: 10.1525/hsns.2010.40.2.183.

DOI

[35]
黄哲学, 曹付元, 李俊杰, 等. 面向大数据的海云数据系统关键技术研究. 网络新媒体技术, 2012,1(6):20-26.

[ Huang Zhexue, Cao Fuyuan, Li Junjie, et al. Developing sea cloud data system key technologies for large data analysis and mining. Network New Media Technology, 2012,1(6):20-26.] DOI: CNKI: SUN: WJSY.0.2012-06-006.

[36]
诸云强, 孙九林, 王卷乐, 等. 论地球数据科学与共享. 国土资源信息化, 2015, (1):3-9.

[ Zhu Yunqiang, Sun Jiulin, Wang Juanle, et al. Study on earth data science and data sharing. Land and Resources Informatization, 2015, (1):3-9.] DOI: 10.3969/j.issn.1674-3695.2015.01.001.

[37]
郭华东, 陈润生, 徐志伟, 等. 自然科学与人文科学大数据: 第六届中德前沿探索圆桌会议综述. 中国科学院院刊, 2016,31(6):707-716.

[ Guo Huadong, Chen Runsheng, Xu Zhiwei, et al. Big data in natural sciences, humanities and social sciences: Review of the 6th Exploratory Round Table Conference. Bulletin of Chinese Academy of Sciences, 2016,31(6):707-716.] DOI: 10.16418/j.issn.1000-3045.2016.06.014.

[38]
陈军, 陈晋, 廖安平, 等. 全球30m地表覆盖遥感制图的总体技术. 测绘学报, 2014,43(6):551-557.

[ Chen Jun, Chen Jin, Liao Anping, et al. Concepts and key techniques for 30m global land cover mapping. Science of Surveying and Mapping, 2014,43(6):551-557.] DOI: 10.13485/j.cnki.11-2089.2014.0089.

[39]
国务院办公厅. 国务院办公厅关于印发科学数据管理办法的通知. http://www.gov.cn/zhengce/content/2018-04/02/c-ontent_5279272.htm, 2018-04-02.

[ General Office of the State Council. Notice of the General Office of the State Council on Issuing the Measures for the Management of Science Data. http://www.gov.cn/zhengce/cont-ent/2018-04/02/content_5279272.htm, 2018-04-02.]

[40]
汪志晓. 江苏推进互联网、大数据、人工智能与实体经济融合路径的策略研究. 商讯, 2019, (23):188-189.

[ Wang Zhixiao. Astrategic study on Jiangsu's integration path of internet, big data, artificial intelligence and real economy. Commercial, 2019, (23):188-189.] DOI: CNKI: SUN: SYJW.0.2019-23-119.

[41]
左建安, 陈雅. 基于大数据环境的科学数据共享模式研究. 情报杂志, 2013,32(12):151-154.

[ Zuo Jianan, Chen Ya. The analysis on sharing mode of scientific data in the environment of big data. Journal of Intelligence, 2013,32(12):151-154.] DOI: 10.3969/j.issn.1002-1965.2013.12.028.

[42]
诸云强, 潘鹏, 石磊, 等. 科学大数据集成共享进展及面临的挑战. 中国科技资源导刊, 2017,49(5):2-11.

[ Zhu Yunqiang, Pan Peng, Shi Lei. et al. Progress and challenge of scientific big data integration and sharing. China Science & Technology Resources Review, 2017,49(5):2-11.] DOI: 10.3772/j.issn.1674-1544.2017.05.001.

[43]
Joris V Rossum. Blockchain for research. Digital Science Report, http://figshare.com/articles/_/5607778. 2017-11-27.

[44]
裴韬, 刘亚溪, 郭思慧, 等. 地理大数据挖掘的本质. 地理学报, 2019,74(3):586-598.

DOI

[ Pei Tao, Liu Yaxi, Guo sihui, et al. Principle of big geodata Mining. Acta Geographica Sinica, 2019,74(3):586-598.] DOI: 10.11821/dlxb201903014.

[45]
Astrid Kalkbrenner. Climate change, big data revolution and data privacy rights. Journal of Environmental Law and Practice, 2018,32:1-17.

[46]
董少春, 齐浩, 胡欢. 地球科学大数据的现状与发展. 科学技术与工程, 2019,19(20):1-11.

[ Dong Shaochun, Qi Hao, Hu Huan, et al. Earth science big data and its development. Science Technology and Engineering, 2019,19(20):1-11.] DOI: 10.3969/j.issn.1671-1815.2019.20.001.

[47]
王斌, 韩建, 岳鹏, 等. 大数据环境下全国地质钻孔信息服务系统建设框架. 中国矿业, 2018,27(5):38-43, 49.

[ Wang Bin, Han Jian, Yue Peng, et al. Discussion on the construction framework of the national geological drilling information service system in the big data age. China Mining Magazine, 2018,27(5):38-43, 49.] DOI: 10.12075/j.issn.1004-4051.2018.05.018.

[48]
蔡宇翔, 付婷, 张辉, 等. 云计算环境下移动大数据合理分流方法. 科学技术与工程, 2018,18(25):194-199.

[ Cai Yuxiang, Fu Ting, Zhang Hui, et al. Mobile big data logical distribution method in cloud computing environment. Science Technology and Engineering, 2018,18(25):194-199.] DOI: 10.3969/j.issn.1671-1815.2018.25.030.

[49]
康洁. 人工智能时代公共图书馆发展策略探析. 青海教育, 2019, (9):53-54.

[ Kang Jie. Research on the development strategy of public library in the age of artificial intelligence. Qinghai Education, 2019, (9):53-54.] DOI: CNKI: SUN: QHJY.0.2019-09-041.

[50]
张欣欣, 蔡晶波. 人工智能驱动社会公共服务发展. 信息记录材料, 2019,20(5):164-165.

[ Zhang Xinxin, Cai Jingbo. Artificial intelligence drives the development of social public service. Information Recording Materials, 2019,20(5):164-165.] DOI: 10.16009/j.cnki.cn13-1295/tq.2019.05.104.

[51]
Tolle K M, Tansley D S W, Hey A J G. The fourth paradigm: Data-intensive scientific discovery [Point of View]. Proceedings of the IEEE, 2011,99(8):1334-1337.

[52]
Zhu Yunqiang. Geospatial semantics, ontology and knowledge graphs for big Earth data. Big Earth Data, 2019,3(3):187-190. DOI: 10.1080/20964471.2019.1652003.

[53]
Zhu A'xing, Lu Guonian, Liu Jing, et al. Spatial prediction based on Third Law of Geography. Annals of GIS, 2018,24(4), 225-240. DOI: 10.1080/19475683.2018.1534890.

[54]
Zhu Yunqiang, Pan Peng, Fang Shifeng, et al. The development and application of e-Geoscience in China. Information Systems Frontiers, 2016,18(6):1217-1231. DOI: 10.1007/s10796-015-9571-4.

[55]
Zhu Yunqiang, Zhu A'xing, Feng Min, et al. A similarity-based automatic data recommendation approach for geographic models. International Journal of Geographical Information Science, 2017,31(7):1403-1424. DOI: 10.1080/13658816.2017.1300805.

DOI

[56]
项楠, 崔满丰. 基于微信公众平台的地震科学数据共享服务方式研究. 国际地震动态, 2016, (9):8-15.

[ Xiang Nan, Cui Manping. Research of earthquake data sharing service method based on Wechat official account platform. Recent Developments in World Seismology, 2016, (9):8-15.] DOI: 10.3969/j.issn.0235-4975.2016.09.003.

[57]
付静, 杨非. 智慧水利公共服务研究. 水利信息化, 2020, (1):15-20.

[ Fu Jing, Yang Fei. Research on intelligent water conservancy of public service. Water Resources Informatization, 2020, (1):15-20.] DOI: 10.19364/j.1674-9405.2020.01.004.

[58]
赵海凤, 李仁强, 赵芬, 等. 生态环境大数据发展现状与趋势. 生态科学, 2018,37(1):211-218.

[ Zhao Haifeng, Li Renqiang, Zhao Feng, et al. Current status and development trends of eco-environmental big data. Ecological Science, 2018,37(1):211-218.] DOI: 10.14108/j.cnki.1008-8873.2018.01.028.

[59]
杨宗喜, 唐金荣, 周平, 等. 大数据时代下美国地质调查局的科学新观. 地质通报, 2013,32(9):1337-1343.

[ Yang Zongxi, Tang Jinrong, Zhou Ping, et al. A new scientific view of the US Geological Survey in the age of big data. Geological Bulletin of China, 2013,32(9):1337-1343.] DOI: CNKI: SUN: ZQYD.0.2013-09-001.

Options
文章导航

/

〈 〉