面向地下水位与城市安全的知识图谱构建方法:以北京市平原区为例

A knowledge graph construction method for groundwater level and urban safety: A case study of the Beijing Plain area

摘要

地下水位的变化在城市化进程中对城市建设安全具有重要影响。为揭示地下水位变化与城市安全之间的复杂关系,本研究以北京市平原区为例,提出一种基于多源数据的知识图谱构建方法。研究首先综述了知识图谱技术、地下水位演变及城市安全的相关研究现状,构建统一的本体语义框架,用于多源数据的结构化处理与信息抽取。随后,采用经优化的BERT-BiLSTM-CRF模型进行命名实体识别,提高了实体识别的准确性。结合Neo4j图数据库,实现了数据的高效查询、系统的可扩展性以及因果关系的动态表达。结果表明,所构建的知识图谱能够有效揭示地下水位变化对城市基础设施的潜在影响,提供实时预警信息,并为城市规划与地下水管理提供科学决策支持。本研究为城市安全管理的智能化与精细化提供了新工具,也为知识图谱技术在其它复杂系统中的应用提供了参考与借鉴。

Abstract

Groundwater level changes significantly impact urban construction safety, especially during rapid urbanization. To reveal the complex relationship between groundwater dynamics and urban construction safety, this study takes the Beijing Plain area as a case study and proposes a method for constructing a knowledge graph that integrates multi-source data. This study first reviews the current state of research on knowledge graph technology, groundwater level evolution, and urban safety, and then constructs a unified ontological framework for structuring multi-source data and information extraction. Subsequently, a fine-tuned BERT-BiLSTM-CRF model is employed for named entity recognition, enhancing its accuracy. By integrating with the Neo4j graph database, the knowledge graph enables efficient querying, system scalability, and dynamic representation of causal relationships. The results from the Beijing Plain case study demonstrate that the constructed knowledge graph effectively reveals the potential impacts of groundwater level changes on urban infrastructure, provides real-time warning information, and supports informed decision-making in urban planning and groundwater management. This work offers a novel tool for intelligent and refined urban safety management and demonstrates the potential for applying knowledge graph technology to other complex systems.

Graphical abstract

关键词

地下水位 / 城市安全 / 知识图谱 / BERT-BiLSTM-CRF模型 / Neo4j图数据库 / 北京市平原区

Key words

groundwater level / urban safety / knowledge graph / BERT-BiLSTM-CRF model / Neo4j graph database / Beijing Plain area

1 引言

地下水资源在全球城市化进程中扮演了关键角色,其动态变化直接影响城市建设的安全性和可持续性,因而备受关注^[1-3]。地下水位异常变化不仅会改变地基土体的力学特性,进而引发建筑物沉降、变形等结构性风险^[2-4],还可能引发地质灾害,例如滑坡、地表坍塌等,威胁城市基础设施安全和居民生活质量。

1.1 地下水位变化对城市安全的影响

地下水位的变化既可能表现为下降,也可能表现为上升,两者均会对城市安全产生不同的风险。地下水位变化对城市安全有着深远的影响,这在大都市中尤为突出。高人口密度和集中建筑物对地下水资源的需求增加,使地下水位变化对城市产生显著影响。许多研究探讨了这一现象的具体表现和后果。

在全球范围内,地下水位变化对城市安全的影响已引起广泛关注。例如,东京和墨西哥城通过严格的地下水开采管理和补水工程,有效缓解了地面沉降问题^[5-6]。米兰市区地下水位上升及其对地下结构和基础设施的影响研究,为改善城市地下水管理和设施保护提供了借鉴^[7]。20世纪末,研究人员指出,发展中国家城市区域地下水位上升可能导致城市污水系统失效、道路和建筑物基础损坏,以及增加地质灾害风险^[8]。伯明翰、伦敦和东京等城市也开始面临地下水位上升问题,影响公路隧道、地基、停车场和地铁等地下设施^[9-10]。

国内外学者持续关注地下水位变化与城市安全的关系。研究表明,城市化进程中地下水位波动会影响地基稳定性,进而威胁城市安全^[11]。还有研究指出,城市地下结构改变了地下水的自然流动路径,导致地下水位局部上升或下降,引发地下设施的渗水和损坏^[12]。波兰华沙的研究显示,地下水位上升导致了局部地区建筑物基础沉降和地面裂缝^[13]。基于人工神经网络模拟研究强调,准确预测地下水位变化对城市规划和安全至关重要^[14]。国内学者也探讨了地下水位变化对城市的影响,并提出了地下水资源管理和地面沉降防治对策^[15-24]。

北京市地下水位的变化受自然降水波动、长期过度开采、城市基础设施建设及外部水资源补给等多重因素影响。过去几十年高强度开采导致地下水位持续下降,引发地面沉降等安全隐患。有研究发现在潮白河冲洪积扇中上部局部最大降幅可达45 m,并伴随地下水总硬度、硝酸盐氮等水质指标明显恶化^[25]。在“十四五”规划政策支持下,北京通过南水北调和生态补水工程改善地下水状况,2018—2023年间平原区地下水位平均埋深回升了8.16 m^[26-27]。这一变化缓解了用水压力,改善了生态环境,并减缓了地面沉降,为城市安全与可持续发展提供了积极支撑。然而,地下水位回升也带来新的挑战:部分地下设施抗浮能力不足,轨道交通隧道渗漏风险增加,地铁运营安全隐患突出。目前,北京已有300多公里的轨道交通线路处于地下水位影响范围内,隧道渗漏问题时有发生,增加了基础设施运行的安全风险^[28]。总体而言,北京市地下水位变化呈现“双重效应”:既在缓解用水压力和改善生态方面发挥积极作用,又因设施适应性不足带来新的安全风险。因此,地下水位变化对城市安全的影响复杂多样,需要在水资源管理、基础设施设计与城市规划中统筹考虑,以实现真正的安全与可持续发展。

1.2 知识图谱在解决该问题中的潜力

国内外关于地下水位变化与城市安全的研究,主要集中在地下水位监测、数值模拟及其影响分析等方面。然而,传统的研究方法依赖实地调查和经验分析,缺乏系统性和全面性,难以有效揭示地下水位变化与城市安全之间的复杂关系。作为一种新兴的数据分析工具,知识图谱通过图结构存储实体及其关系,结合语义特征模型和图结构模型,能够高效构建和推理大规模知识,从而提高信息预测的准确性和计算效率^[29]。

知识图谱在多个领域有着广泛的应用。例如,在搜索引擎领域,知识图谱能够提高搜索结果的相关性和准确性,提供直接答案和更深层次的信息。在自然语言理解和问答系统中,知识图谱被广泛应用于智能客服和语音助手等场景。在医药领域,知识图谱用于预测药物-靶点相互作用和多药副作用^[30],并辅助医生进行诊断和治疗决策^[31]。在金融领域,知识图谱通过分析企业、市场和金融产品之间的复杂关系,提高风险控制能力^[32]。在地球科学领域,知识图谱的应用逐渐增多,涉及矿产勘探、滑坡预测、灾害应急等多个方面^[33-41]。

尽管地球科学领域有关于知识图谱的多种应用,但专门针对地下水位与城市安全知识图谱的研究较少。在城市安全领域,知识图谱有着广阔的应用前景^[42-44]。本研究将知识图谱技术应用于地下水位与城市安全关系的分析。首先,详细回顾了知识图谱构建的关键技术方法;然后,提出了地下水位与城市安全知识图谱体系框架,整合多源、跨领域数据,并采用深度学习模型进行信息抽取与分析,增强评估和预测的准确性和可靠性,为城市规划和管理提供科学依据。

2 研究方法

2.1 知识图谱的概念

知识图谱(Knowledge Graph)是通过语义网络形式,将分散的异构数据集成到统一知识体系中的一种技术。自2012年谷歌推出知识图谱以来,它已成为实现复杂信息关系表达与推理的重要工具^[45]。该技术在结构化表达实体及其关系的基础上,能够通过语义分析和推理挖掘潜在知识,为大规模数据的管理和利用提供有力支持。

知识图谱通过实体、关系及其属性的结构化表示,将复杂信息以图形化形式组织和管理^[45]。在描述具体事实时,可采用资源描述框架(RDF)标准,使用三元组(主语、谓语、宾语)来表达。RDF作为基础语义网数据模型,根据不同的应用需求,可扩展为其他框架和标准,如Web本体语言(OWL)、用于链接数据的JSON-LD、N-Triples和N-Quads等^[46]。

2.2 知识图谱构建技术

知识图谱的构建是一个迭代优化的过程,通常包括知识抽取、知识融合和知识加工3个主要阶段(图1^[47])。为实现这些步骤,通常需要结合多种技术,包括自然语言处理、机器学习、深度学习和图数据库等。

2.2.1 数据抽取

数据抽取是知识图谱构建的基础环节,旨在从结构化、半结构化和非结构化数据中提取有用信息(图2)。首先,收集多源数据,包括结构化数据(如关系数据库)、半结构化数据(如XML、JSON文件)和非结构化数据(如文本文档和网页内容)。结构化数据通过图映射和接口转换技术处理;半结构化数据使用包装器工具通过人工交互将其转化为结构化信息;非结构化数据需先进行预处理,再结合监督与非监督学习方法自动抽取信息,最终存入知识图谱中。

2.2.2 知识抽取

知识抽取是将原始数据转化为结构化知识的关键步骤,包括命名实体识别(Named Entity Recognition, NER)和关系抽取。命名实体识别旨在从文本中识别出特定的实体,常用算法包括基于规则、基于字典和基于机器学习的方法^[48-51]。关系抽取则关注于从文本中抽取实体之间的关系。随着人工智能技术的发展,基于深度学习的NER方法取得了显著进展,其中Bi-LSTM-CRF模型在实体和关系抽取任务中表现优异^[52-54]。Bi-LSTM通过双向传递输入序列,能够同时捕捉前后文信息,从而处理长距离依赖关系。CRF层则通过计算转移概率和标签间的上下文信息,优化序列标注结果,进一步提高模型的准确性和稳定性(图3)。

2.2.3 知识融合

知识融合是将从不同数据源和抽取方法得到的知识合并,并去除重复项,形成统一的知识库。其核心问题主要包括实体识别与链接、重复实体合并以及关系融合^[55]。常用的融合方法包括基于相似度、规则与逻辑以及机器学习的方法。深度学习模型依赖其强大的特征提取能力,能够自动从原始数据中学习深层特征,有效识别不同来源知识库中相同实体的不同表示,并计算相似度进行融合^[56]。例如,Siamese网络通过共享权重的双分支结构学习实体表示,判断两个实体是否匹配(图4)。这种结构不仅提高了实体匹配的准确性,还能处理大规模数据,提升知识融合的效率。

2.2.4 知识加工

知识加工是对知识抽取和融合后的数据进行进一步分析和处理,目的是构建结构化且网络化的知识体系。主要步骤包括本体构建、知识推理和质量评估。本体构建定义了知识图谱中的概念和关系,确保知识的标准化和统一性;质量评估通过检测和修正错误和补充缺失信息,提升知识图谱的整体质量。知识推理技术则通过建立实体间的新关联,丰富知识网络^[57-59]。

3 地下水位与城市安全知识图谱构建与实现

本研究结合自顶向下和自底向上的方法,构建地下水位与城市安全的知识图谱。自顶向下方法从顶层概念入手,构建统一的本体框架,逐步细化相关概念和关系,为后续的数据抽取和推理提供系统化的理论指导。自底向上则从原始数据中自动提取实体、属性和关系,并将其融合为统一的知识表示。结合这两种方法,能够确保知识图谱在标准化、实时更新以及跨领域、多源数据无缝融合方面的高效性。地下水位与城市安全知识图谱的整体构建流程如图5所示。

3.1 知识图谱构建流程

首先,通过自顶向下的方法建立本体层,形式化表达地学概念、复杂关系和规则等,为数据层的构建及知识推理提供统一的框架。然后,在模式层的约束下,进行自底向上的数据层自动抽取。由于模式层已经考虑了地学复杂关系及规则,因此在此约束下构建的知识图谱能够实现涵盖时空关系的地学知识计算推理。

3.2 知识图谱模式层构建

模式层是知识图谱的概念模型和逻辑基础,负责存储和管理提炼后的知识,提供数据的组织方式,并对数据层进行规范和约束。

3.2.1 本体构建与概念提取

本体(Ontology)是对特定领域概念及其关系的标准化描述。在地下水位与城市安全领域,通过系统化收集知识并结合专家经验,构建了关键概念和关系,为知识抽取和推理提供了框架,确保语义一致性。图6展示了本体构建的各部分,如地质背景、环境因素和地下水位等。

3.2.2 知识图谱的关系定义

通过借鉴事理图谱对事件关系的描述方法,我们定义了地下水位与城市安全知识图谱中的关系类型,包括语义关系、因果关系、事件关系和空间关系(表1)。语义关系描述实体和概念之间的语义关联,如“地下水位”与“水位”之间的同义关系及“建筑物”与“基础设施”的层次关系,确保术语和概念的一致性。因果关系描述事件间的因果链条,例如“地下水位下降”引发“地表沉降”,有助于风险预测和应急决策。事件关系用于刻画事件的时间顺序与逻辑依赖,如“地质勘探”先于“建筑施工”,便于追踪和管理事件进展。空间关系描述实体和事件在空间上的相对位置,如“监测点”位于某个“地层”之上,对评估地质条件和制定规划至关重要。通过这些关系,全面描述和理解地下水位变化与城市建设安全的复杂相互作用。

3.2.3 模式层实例

模式层实例表示某一实体的具体对象,如北京市7·21特大暴雨导致城市内涝^[60]、沧州市地下水开采与地面沉降预警^[61]、广州“5·22”城市洪涝^[62]和通州区2015年至2017年地下水位下降导致地面沉降^[63]等。这些实例展示了地下水位变化对城市建设安全的具体影响。图7以通州区地面沉降为例,描述了地下水位下降如何引发地面沉降的过程,涵盖基本信息、监测点信息、地质背景、气候信息和政策因素等内容。

3.3 知识图谱数据层构建

在模式层的概念框架指导下,采用算法从多源异构数据中抽取实体、关系及属性,并存储在图数据库Neo4j中。

3.3.1 数据抽取

在构建知识图谱时,首先需要识别和选择数据源,包括北京市水务局和相关监测机构的地下水位监测数据、城市规划部门的道路、建筑物、管道等城市基础设施数据,以及地质调查部门的地质结构和土壤类型等地质数据。通过API、数据库查询、网络爬虫等技术手段实现自动化数据采集,确保数据的全面性和准确性。随后,进行数据预处理,将不同格式的数据统一转换为标准格式,便于后续整合。

3.3.2 知识抽取

BERT(Bidirectional Encoder Representations from Transformers)是一个基于双向Transformer的编码器,是开源的多语言预训练模型。本研究将BERT与Bi-LSTM-CRF结合,显著提升了命名实体识别(NER)的准确率(图8)。

3.3.3 知识融合

采用规则与机器学习结合的方法实现知识对齐和融合。首先,根据领域知识和数据特征,制定规则匹配相同或相似实体,如将“地下水位”和“水位”视为相同实体,并对清洗后的数据进行初步匹配。然后,提取实体特征,使用词嵌入技术将文本属性转化为向量表示,训练分类模型识别相同实体,并应用于未标记数据。对齐过程中,检测到的冲突(如属性值不一致)通过优先级策略(如数据来源可信度)解决。最后,合并对齐后的实体和关系,确保每个实体在知识图谱中唯一,并整合其属性以保证一致性和完整性。最终,进行人工检查并调整规则和模型参数,进一步优化融合效果(表2)。

3.3.4 知识加工和存储

采用开源图数据库Neo4j进行知识加工和存储,以支持高效的查询和更新。为更精确地表示地下水位变化与城市安全的关系,我们引入了四元组(subject, predicate, object, context)形式,捕捉复杂的因果关系及其影响程度,其中context用于表示关系发生的条件或影响程度。例如,四元组(地下水位上升,导致,地基渗透,影响程度:中等)表示地下水位上升直接导致地基渗透,且影响程度可根据具体情况调整。通过Cypher命令,这些四元组数据可存储到Neo4j数据库(图9)。这种结合四元组和Neo4j的方法,不仅提升了知识表示的灵活性,还增强了数据的查询和扩展能力,为知识管理和决策支持提供了有力支持。

4 应用实例:北京市平原区地下水位与城市安全知识图谱

4.1 研究区概况

北京市位于华北平原的西北边缘,面积约16 410 km²,其中平原地区面积约占6 400 km^2[64]。地势自西北向东南倾斜,西部为太行山脉,北部为燕山山脉,东南部为平原,逐渐倾斜至渤海湾(图10^[64])。研究区的第四纪沉积层由永定河、潮白河、温榆河等河流的冲洪积作用形成,沉积层厚度约为20~40 m,主要由砂、砂砾石层构成,顶部覆盖薄层黏性土。中下部沉积物逐渐增厚,颗粒逐渐由粗变细,岩性由砂、砂砾石与黏性土层交替,以黏性土为主。平原地区的地下水主要分布在第四纪含水层和隐伏基岩中^[65]。含水层系统从西北向东南逐渐由单一含水层过渡为多层系统,垂直方向上可划分为三个主要含水岩组,与土体压缩层组对应明显^[66]。北京市属于暖温带半湿润大陆性季风气候,四季分明,年均气温约为12 ℃,年均降水量约为600 mm。降水主要集中在夏季,占全年降水量的70%以上,冬季干燥寒冷。

4.2 知识图谱构建

本研究围绕北京市平原区地下水位与城市建设安全,收集整理了多种类型的数据资料,包括近30年相关的文件、行业标准和部门规范等,近10年北京市地下水位监测变化数据和地面监测数据以及专业领域的研究文献。采用自顶向下和自底向上的方式构建知识图谱,首先构建知识图谱的模式层,构建了包含地质背景本体、环境因素本体等六个部分的本体。在模式层的指导下,从多源异构数据中抽取实体、关系及属性,进行数据融合和质量检查。从多源数据中抽取实体共5 146个,关系5 389个,属性值26 965个,这些数据主要来源于近10年监测数据和相关文献,涵盖地质、环境和基础设施信息。利用图数据库Neo4j存储抽取的实体及其关系(图11)。

4.3 知识图谱应用

4.3.1 可视化查询与检索

Neo4j图数据库支持使用Cypher查询语言高效检索和分析数据。通过Cypher查询,可获取地下水位与城市建设安全知识图谱的相关结果。例如,查询2012年北京“7·21”特大暴雨对地下水位和地铁安全的影响(图12)。

4.3.2 知识问答

基于Neo4j图数据库可构建问答系统,将用户的自然语言问题解析为结构化查询,根据解析结果生成相应的Cypher查询语句,用于在Neo4j图数据库中检索信息,可实现高效地检索和推理相关知识。最后将查询结果转换为自然语言回答,提供给用户。例如,基于Neo4j提供的问答机器人,可以实现地下水位与城市安全知识图谱的问答(图13)。

5 结果与讨论

本研究首次在地下水与城市安全领域引入了知识图谱的分析方法,成功构建了一个基于知识图谱的地下水位与城市安全管理系统,并在北京市平原区进行了验证。通过多源数据的采集、处理、融合和存储,形成了一个集成的知识图谱,能够有效支持地下水位变化的监测和城市安全管理。

研究利用本体构建方法定义了地下水位与城市安全相关的核心概念和关系,应用知识抽取技术识别和提取实体及其关系,并通过基于规则和机器学习的方法实现了多源数据的实体对齐和关系融合。结果表明,构建的知识图谱能够准确捕捉地下水位变化对城市基础设施的潜在影响,提供实时预警信息,并为城市规划和地下水管理提供科学的决策支持。结合四元组表示与Neo4j图数据库的应用,有效提高了知识表示的灵活性和数据的可查询性与可扩展性。通过引入上下文信息,捕捉复杂的因果关系和影响程度,实现了对地下水位变化和城市安全之间关系的精确描述。这一创新方法显著提升了数据整合与分析能力。

尽管知识图谱在本研究中展现了显著优势,但仍存在一些不足。首先,数据更新的实时性不足,导致知识图谱在快速变化的地下水环境中难以完全反映最新信息。其次,知识图谱的动态维护和扩展仍依赖人工干预,增加了系统运行成本。再次,深度学习模型在知识抽取和推理中的应用尚未充分优化,存在精度和效率提升空间。未来研究将继续优化知识图谱构建方法,引入更多先进的机器学习和深度学习技术,提升知识抽取和推理的准确性和效率,为城市安全管理提供更强有力的支持。

6 结论与建议

本研究构建了一个地下水位与城市安全管理知识图谱系统,并在北京市平原区进行了应用验证。该系统在监测地下水位变化、评估城市基础设施风险和提供实时预警方面展现了显著优势。通过引入四元组表示与Neo4j图数据库,提升了知识表示的灵活性和数据的可查询性与可扩展性,为城市规划和地下水管理提供了科学的决策支持。

为了进一步提升知识图谱的应用效果,建议在以下几个方面进行改进和研究:一是提升数据更新的实时性和自动化水平,确保知识图谱能够动态反映地下水位变化;二是引入更先进的机器学习和深度学习技术,特别是大规模预训练语言模型,以优化知识抽取与推理的准确性和效率,并增强知识图谱的语义表示与推理能力;三是加强知识图谱的动态维护与管理,确保其长期稳定运行;四是在更大范围和多样化场景中开展应用验证,以检验其通用性和适应性,为城市安全管理提供更加全面和有效的解决方案。

感谢北京市科技计划项目(Z231100003823014)的资助以及课题组成员的大力支持,感谢北京超图软件股份有限公司以及北京城建勘测设计研究院有限责任公司共同参与研究。同时衷心感谢各位专家及编辑在审稿过程中对本文提出的宝贵修改意见。

参考文献

[1] DE GRAAF I E, GLEESON T, VAN BEEK L P H, et al. Environmental flow limits to global groundwater pumping[J]. Nature, 2019, 574(7776): 90-94.

[2] VIGNA F L. Urban groundwater issues and resource management, and their roles in the resilience of cities[J]. Hydrogeology Journal, 2022, 30(6): 1657-1683.

[3] JASECHKO S, SEYBOLD H, PERRONE D, et al. Rapid groundwater decline and some cases of recovery in aquifers globally[J]. Nature, 2024, 625(7996): 715-721.

[4] ZHANG X H, WANG X W, XU Y S. Groundwater environment and related potential engineering disasters of deep underground space in Shanghai[J]. Bulletin of Engineering Geology and the Environment, 2022, 81(5): 203.

[5] LLAMAS M R, CUSTODIO E. Intensive use of groundwater: challenges and opportunities[M]. 1st ed. Philadelphia: A.A. Balkema Publishers, 2002.

[6] CHAUSSARD E, HAVAZLI E, FATTAHI H, et al. Over a century of sinking in Mexico City: no hope for significant elevation and storage capacity recovery[J]. Journal of Geophysical Research: Solid Earth, 2021, 126(4): e2020JB020648.

[7] GATTINONI P, SCESI L. The groundwater rise in the urban area of Milan (Italy) and its interactions with underground structures and infrastructures[J]. Tunnelling and Underground Space Technology, 2017, 62: 103-114.

[8] ABU-RIZAIZA O S. Threats from groundwater table rise in urban areas in developing countries[J]. Water International, 1999, 24(1): 46-52.

[9] BRICKER S H, BANKS V J, GALIK G, et al. Accounting for groundwater in future city visions[J]. Land Use Policy, 2017, 69: 618-630.

[10] AGARWAL V, KUMAR A, QIN Z, et al. Lessons for sustainable urban development: interplay of construction, groundwater withdrawal, and land subsidence at Battersea, London[J]. Remote Sensing, 2023, 15(15): 3798.

[11] SHARP J M. The impacts of urbanization on groundwater systems and recharge[J]. Aqua Mundi, 2010, 1(3):51-56.

[12] ATTARD G, WINIARSKI T, ROSSIER Y, et al. Impact of underground structures on the flow of urban groundwater[J]. Hydrogeology Journal, 2016, 24(1): 5-19.

[13] KROGULEC E, MAŁECKI J J, POROWSKA D, et al. Assessment of causes and effects of groundwater level change in an urban area (Warsaw, Poland)[J]. Water, 2020, 12(11): 3107.

[14] MALIK A, BHAGWAT A. Modelling groundwater level fluctuations in urban areas using artificial neural network[J]. Groundwater for Sustainable Development, 2021, 12: 100484.

[15] 薛禹群, 张云, 叶淑君, 等. 中国地面沉降及其需要解决的几个问题[J]. 第四纪研究, 2003, 23(6): 585-593.

[16] 沈小克, 王军辉, 周宏磊. 北京市地下水位动态预测及抗浮水位确定问题[J]. 地基处理, 2014(4): 3-15.

[17] 俞孔坚, 李迪华, 袁弘, 等. “海绵城市”理论与实践[J]. 城市规划, 2015, 39(6): 26-36.

[18] 田芳, 罗勇, 周毅, 等. 北京地面沉降与地下水开采时空演变对比[J]. 南水北调与水利科技, 2017, 15(2): 163-169.

[19] 杨会峰, 曹文庚, 支传顺, 等. 近40年来华北平原地下水位演变研究及其超采治理建议[J]. 中国地质, 2021, 48(4): 1142-1155.

[20] QIAN Q, LIN P. Safety risk management of underground engineering in China: progress, challenges and strategies[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2016, 8(4): 423-442.

[21] ZHANG H, YU J, DU C, et al. Assessing risks from groundwater exploitation and utilization: case study of the Shanghai megacity, China[J]. Water, 2019, 11(9): 1775.

[22] CUI Y, LIAO Z, WEI Y, et al. The response of groundwater level to climate change and human activities in Baotou City, China[J]. Water, 2020, 12(4): 1078.

[23] YANG H F, MENG R F, BAO X L, et al. Assessment of water level threshold for groundwater restoration and over-exploitation remediation in the Beijing-Tianjin-Hebei Plain[J]. Journal of Groundwater Science and Engineering, 2022, 10(2): 113-127.

[24] 杨艳, 王荣, 罗勇. 北京典型地面沉降区土体压缩特征研究[J]. 现代地质, 2016, 30(3): 716-722.

[25] 王新娟, 李鹏, 刘久荣, 等. 超采对北京市潮白河冲洪积扇中上部地区地下水质的影响[J]. 现代地质, 2016, 30(2): 470-477.

[26] 中华人民共和国国家发展和改革委员会. 北京市国民经济和社会发展第十四个五年规划和2035年远景目标纲要[EB/OL]. (2021-3-31)[2024-11-23]. https://www.ndrc.gov.cn/fggz/fzzlgh/dffzgh/202103/t20210331_1271321.html.

[27] 张天宇, 徐从超, 张钦, 等. 2019—2022年潮白河流域地下水位动态变化及影响因素分析[J]. 现代地质, 2025, 39(4): 1119-1128.

[28] 北京市市政工程研究院. “堵漏”也是技术活科技发展公司整治隧道病害确保安全顺“隧”[EB/OL]. (2022-11-14)[2024-11-23]. https://www.szgcyjy.com/menu143/newsDetail/14432.html.

[29] NICKEL M, MURPHY K, TRESP V, et al. A review of relational machine learning for knowledge graphs[J]. Proceedings of the IEEE, 2015, 104(1): 11-33.

[30] MOHAMED S K, NOUNU A, NOVÁEK V. Biological applications of knowledge graph embedding models[J]. Briefings in Bioinformatics, 2021, 22(2): 1679-1693.

[31] ZHOU G, HAIHONG E, KUANG Z, et al. Clinical decision support system for hypertension medication based on knowledge graph[J]. Computer Methods and Programs in Biomedicine, 2022, 227: 107220.

[32] 袁俊, 刘国柱, 梁宏涛, 等. 知识图谱在商业银行风控领域的研究与应用综述[J]. 计算机工程与应用, 2022, 58(19): 37-52.

[33] 周永章, 张前龙, 黄永健, 等. 钦杭成矿带斑岩铜矿知识图谱构建及应用展望[J]. 地学前缘, 2021, 28(3): 67-75.

[34] 廉永海, 王斌, 胡瑞斌, 等. 成果地质资料知识化方法初探[J]. 中国矿业, 2023, 32(6): 175-182.

[35] 邱芹军, 吴亮, 马凯, 等. 面向灾害应急响应的地质灾害链知识图谱构建方法[J]. 地球科学, 2023, 48(5): 1875-1891.

[36] 许强, 崔圣华, 黄维, 等. 面向工程地质领域的滑坡知识图谱构建方法研究[J]. 武汉大学学报(信息科学版), 2023, 48(10): 1601-1615.

[37] 罗强, 胡中南, 王秋妹, 等. GIS领域知识图谱进展研究[J]. 测绘地理信息, 2023, 48(1):60-67.

[38] MA X. Knowledge graph construction and application in geosciences: a review[J]. Computers & Geosciences, 2022, 161: 105082.

[39] 季晓慧, 董雨航, 杨中基, 等. 基于知识图谱多跳推理的中文矿物知识问答方法与系统[J]. 地学前缘, 2024, 31(4): 37-46.

[40] 朱彪彪, 曹伟, 虞鹏鹏, 等. 基于CiteSpace的地质大数据与人工智能研究热点及前沿分析[J]. 地学前缘, 2024, 31(4): 73-86.

[41] 董宇浩, 王永志, 田江涛, 等. 基于知识图谱的斑岩型铜矿预测研究进展[J]. 地学前缘, 2025, 32(4): 280-290.

[42] 杜志强, 李钰, 张叶廷, 等. 自然灾害应急知识图谱构建方法研究[J]. 武汉大学学报(信息科学版), 2020, 45(9): 1344-1355.

[43] 许振宇, 张心馨, 曹蓉, 等. 基于知识图谱的国内外韧性城市研究热点及趋势分析[J]. 人文地理, 2021, 36(2): 82-90.

[44] 王浩, 杜伟, 刘家宏, 等. 基于知识图谱的城市洪涝灾害链推演及时空特性解析[J]. 水科学进展, 2024, 35(2): 185-196.

[45] JI S, PAN S, CAMBRIA E, et al. A survey on knowledge graphs: representation, acquisition, and applications[J]. IEEE Transactions on Neural Networks and Learning Systems, 2021, 33(2): 494-514.

[46] CYGANIAK R, WOOD D, LANTHALER M. RDF 1.1 concepts and abstract syntax[EB/OL]. (2014-02-25)[2025-11-10]. https://www.w3.org/TR/rdf11-concepts/.

[47] 刘峤, 李杨, 段宏, 等. 知识图谱构建技术综述[J]. 计算机研究与发展, 2016, 53(3): 582-600.

[48] FAN R, WANG L, YAN J, et al. Deep learning-based named entity recognition and knowledge graph construction for geological hazards[J]. International Journal of Geo-Information, 2019, 9(1): 15.

[49] AL-MOSLMI T, OCAA M G, OPDAHL A L, et al. Named entity extraction for knowledge graphs: a literature overview[J]. IEEE Access, 2020, 8: 32862-32881.

[50] LI J, SUN A, HAN J, et al. A survey on deep learning for named entity recognition[J]. IEEE Transactions on Knowledge and Data Engineering, 2020, 34(1): 50-70.

[51] NASAR Z, JAFFRY S W, MALIK M K. Named entity recognition and relation extraction: state-of-the-art[J]. ACM Computing Surveys, 2021, 54(1): 1-39.

[52] MA X, HOVY E. End-to-end sequence labeling via bi-directional LSTM-CNNs-CRF[PP/OL]. arXIV (2016-03-04)[2024-11-10]. https://arxiv.org/abs/1603.01354.

[53] QIU Q, XIE Z, WU L, et al. BiLSTM-CRF for geological named entity recognition from the geoscience literature[J]. Earth Science Informatics, 2019, 12: 565-579.

[54] 储德平, 万波, 李红, 等. 基于ELMO-CNN-BiLSTM-CRF模型的地质实体识别[J]. 地球科学, 2021, 46(8):3039-3048.

[55] ZHAO X, JIA Y, LI A, et al. Multi-source knowledge fusion: a survey[J]. World Wide Web, 2020, 23: 2567-2592.

[56] GAO J, LI P, CHEN Z, et al. A survey on deep learning for multimodal data fusion[J]. Neural Computation, 2020, 32(5): 829-864.

[57] SANTORO A, RAPOSO D, BARRETT D G, et al. A simple neural network module for relational reasoning[C]// Advances in Neural Information Processing Systems 30. Long Beach, USA: Curran Associates Inc., 2017: 4967-4976.

[58] YU B, YIN H, ZHU Z. Spatio-temporal graph convolutional networks: a deep learning framework for traffic forecasting[PP/OL]. arXiv (2017-09-14)[2024-11-10]. https://arxiv.org/abs/1709.04875.

[59] CHEN X, JIA S, XIANG Y. A review: knowledge reasoning over knowledge graph[J]. Expert Systems with Applications, 2020, 141: 112948.

[60] 张晓昕, 王强, 王军, 等. 北京市中心城内涝控制规划对策与建议: 由“7.21”暴雨引发的思考[J]. 北京规划建设, 2012(5): 62-65.

[61] 骆祖江, 张鑫, 田小伟. 沧州市地面沉降灾害预测预警[J]. 工程地质学报, 2018, 26(2): 365-373.

[62] 陈文龙, 夏军. 广州“5·22”城市洪涝成因及对策[J]. 中国水利, 2020(13): 4-7.

[63] 杜东, 刘宏伟, 周佳慧, 等. 北京市通州区地面沉降特征与影响因素研究[J]. 地质学报, 2022, 96(2): 712-725.

[64] 北京市人民政府. 北京城市总体规划(2016年—2035年)[EB/OL]. (2017-09-29)[2024-11-25]. https://www.beijing.gov.cn/gongkai/guihua/wngh/cqgh/201907/t20190701_100008.html

[65] 田宁宁, 张海燕, 王凯军, 等. 北京市浅层地下水资源评价及开发利用[J]. 中国给水排水, 2001, 17(7): 65-67.

[66] 雷坤超, 罗勇, 陈蓓蓓, 等. 北京平原区地面沉降分布特征及影响因素[J]. 中国地质, 2016, 43(6): 2216-2228.

基金资助

北京市科技计划项目(Z231100003823014)