城市灾害可持续响应中面向地球观测机会的本体驱动语义配置与优先级排序

《Sustainability》：Ontology-Driven Semantic Configuration and Prioritization of Earth Observation Opportunities for Sustainable Urban Disaster Response

　　

可持续城市灾害响应要求依据事件需求、环境条件、感知能力与城市目标筛选地球观测（Earth Observation，EO）资源。研究人员提出一种基于观测关联开放数据（Observation Linked Open Data，O-LOD）的城市灾害观测任务（Urban Disaster Observation Task，UDOT）增强框架，用于EO资源的语义配置。O-LOD通过事件（Event）、上下文（Context）、主体（Subject）与客体（Object）四个维度组织异构数据，并由实例化算法填充为任务图。分层GeoSPARQL查询进而匹配主题与分析能力，依据上下文与客体约束甄别轨道衍生的观测机会，并利用观测能力评价模型（Observation Capability Evaluation Model，OCEM）对可行备选方案排序。在2020年喀土穆洪水与Bobcat野火案例上的评估将202组卫星—传感器对缩减为3组洪水适用与4组野火适用配对，并返回2个喀土穆与8个Bobcat排序机会，完整查询耗时分别为3.0 s与0.07 s。约束消融与分辨率敏感性分析揭示了支配可行集的条件。公开可获取的Sentinel、Landsat与MODIS产品佐证了保留与排除结果，在覆盖、光谱波段与影像质量满足任务要求处支撑了水体范围与燃烧严重度制图。因此，O-LOD提供了从灾害观测需求到合格且排序的EO机会及后续影像评估的可追溯语义链路，为下游调度提供面向任务的输入，并支撑可持续城市灾害响应的上下文感知感知。

研究背景方面，城市灾害（洪水、风暴、滑坡等气候相关危害）持续威胁城市韧性与可持续性，有效监测关联可持续发展目标（Sustainable Development Goals，SDGs）中韧性基础设施与气候适应。地理空间数字孪生依赖及时可靠的观测更新虚拟城市模型，而现有地球观测（Earth Observation，EO）目录、传感网本体（如SSN/SOSA）、能力本体（SOCA、OCAGraph）与地理空间知识图谱多侧重数据集成或能力描述，缺乏将灾害事件、环境上下文、城市脆弱客体与卫星—传感器机会在统一任务语义下耦合的机制，导致“何种资源在何时何条件下可观测何种城市目标”仍不可追溯。为此，研究人员在《Sustainability》发表研究，构建基于观测关联开放数据（Observation Linked Open Data，O-LOD）的城市灾害观测任务（Urban Disaster Observation Task，UDOT）增强框架。

关键技术方法上，研究人员以DOLCE+DnS Ultralite（DUL）为基础设计O-LOD本体，划分ObservationEvent、ObservationContext、ObservationSubject、ObservationObject四维度（K=）；通过边界模型与时空—主题约束实例化算法将异构开放数据转为RDF图；利用分层GeoSPARQL查询做维度内与跨维度约束甄别；以观测能力评价模型（Observation Capability Evaluation Model，OCEM）对合格机会打分排序。案例数据来自2020年苏丹喀土穆洪水（AOI 32.3426–32.7215°E，15.3696–15.7343°N，窗口9月5日06:00至9月10日18:00）与美国加州Bobcat野火（AOI 118.07–118.02°W，34.20–34.25°N，窗口9月6日至10月1日），集成OpenStreetMap（OSM）城市客体、SRTM地形、每小时天气、历史TLE轨道根数、CEOS/OSCAR平台传感器能力描述，图库存于GraphDB并执行GeoSPARQL。

研究结果部分，按原文小节浓缩如下。

1. 2.
   UDOT增强框架：框架含城市灾害事件触发、O-LOD采集、O-LOD实例化、UDOT配置（维度内与跨维度约束+OCEM排序）、观测响应五阶段；O-LOD边界模型分Theme/Parameter/Instance三级过滤多源数据，本体模块间以requiresObservation、existsIn、contains、influences、observes、providesObservation等关系形成“需求—上下文—资源—目标”结构。
2. 3.
   实验与结果：喀土穆底图约566000语句，加轨道机会22510语句、天气4957语句、能力2647语句，143颗卫星202对传感器对中173对产生1023次AOI相交；Bobcat任务图25013语句，1955个OSM客体，15个预测机会中8个合格。分层查询第一层做约束消融不评分，第二层全约束+OCEM；喀土穆完整查询平均2.971±0.018 s，Bobcat 0.065±0.001 s。主题匹配后波段与30 m分辨率约束使喀土穆剩3对、Bobcat剩4对；最终喀土穆留Sentinel-2A/MSI（9月9日，覆盖99.8%，云5%）与Landsat-7/ETM+（9月10日，覆盖100%，云18%）2机会，OCEM分92.1与88.0；Bobcat留8机会，首位Sentinel-2B/MSI（9月10日，覆盖83.3%，云1%）112.9分。分辨率放宽至100 m后喀土穆合格机会增至6个且AWiFS类宽幅资源居前。公开Sentinel-2A喀土穆影像经MNDWI识别14.2 km²新增水体代理，6条低高程路中心线穿越；Bobcat中9月30日Sentinel-2B与5日预火影像配对得均值dNBR 0.041（威尔逊山100 m邻域），MODIS 500 m SWIR2无法满足30 m客体尺度。
3. 4.
   讨论：四维度须联合评价，单靠空间相交会误纳MODIS级粗分辨率产品；OCEM仅对合格集排序，不替代调度；跨维度图模式使“为何合格/排序”可追溯至事件需求、上下文、客体证据与后续产品评估；同构本体可复用于洪水与野火。框架对SDG 9（韧性基础设施）、SDG 11（减少灾害风险）、SDG 13（气候适应）提供信息层支撑。

结论部分翻译浓缩：本研究开发基于O-LOD的UDOT增强框架，在统一RDF图中表示ObservationEvent、ObservationContext、ObservationSubject、ObservationObject，借边界模型与实例化算法转异构数据为任务知识，分层GeoSPARQL联接头主题/分析需求与传感器能力、TLE机会、定时天气、地形与城市目标，OCEM对合格机会排序，形成“需求→排序资源→产品证据”链路。两案例自202对缩减为3洪水对/4野火对，再留2喀土穆/8 Bobcat机会，完整查询2.971 s与0.065 s；Sentinel/Landsat在覆盖与波段达标时支撑MNDWI与dNBR，受限足迹/云污/MODIS粗分辨率解释排除项。O-LOD将语义发现、目标上下文、机会排序与影像评估纳入单条可查证据链，借助开放数据与显式溯源为资源感知、透明城市灾害监测提供决策支持。未来方向为版本化动态图与流摄入、LLM辅助自然语言至GeoSPARQL、丰富客体多维脆弱性指标与公私EO传感融合。