中国地质调查局 中国地质科学院主办
科学出版社出版
高级检索

大数据与数智化时代：全过程全要素质量控制新范式

,  , 

文章导航 > 中国地质 > 2025 > 52(3): 890-914

上一篇

下一篇

左群超, 张志辉, 宋越. 2025. 大数据与数智化时代：全过程全要素质量控制新范式[J]. 中国地质, 52(3): 890-914. doi: 10.12029/gc20240919002
引用本文: 左群超, 张志辉, 宋越. 2025. 大数据与数智化时代：全过程全要素质量控制新范式[J]. 中国地质, 52(3): 890-914. doi: 10.12029/gc20240919002
shu
ZUO Qunchao, ZHANG Zhihui, SONG Yue. 2025. Era of big data, digitalization and intelligentization: New paradigm of the whole process and total factor quality control[J]. Geology in China, 52(3): 890-914. doi: 10.12029/gc20240919002
Citation: ZUO Qunchao, ZHANG Zhihui, SONG Yue. 2025. Era of big data, digitalization and intelligentization: New paradigm of the whole process and total factor quality control[J]. Geology in China, 52(3): 890-914. doi: 10.12029/gc20240919002
shu

大数据与数智化时代：全过程全要素质量控制新范式

  • 1.

    中国地质调查局发展研究中心, 北京 100037

  • 2.

    中国地质调查局自然资源综合调查指挥中心, 北京 100055

  • 基金项目: 中国地质调查局项目（DD20190570、DD20160052）、全国矿产资源潜力评价计划项目（2006−2013年）、老矿山深部和外围找矿计划项目（2012−2014年）、全国危机矿山接替资源找矿国家专项（2004−2010年）联合资助。
详细信息
    作者简介: 左群超，男，1964年生，教授级高级工程师，主要从事矿产地质调查与深部找矿预测、地质大数据建设与应用、计算机地质智能方法技术研究；E-mail: zuoqc163@163.com

  • 中图分类号: P628

Era of big data, digitalization and intelligentization: New paradigm of the whole process and total factor quality control

  • 1.

    Development and Research Center of China Geological Survey, Beijing 100037, China

  • 2.

    Command Center of Natural Resource Comprehensive Survey of China Geological Survey, Beijing 100055, China

  • Fund Project: Supported by the projects of China Geological Survey (No.DD20190570, No.DD20160052), National Mineral Resources Potential Evaluation Plan project (2006−2013), Deep and Peripheral Prospecting Plan for Old Mines (2012−2014), National Special Project for Prospecting Replacement Resources in Crisis Mines (2004−2010).
More Information
    Author Bio: Zuo Qunchao, male, born in 1964, professor−level senior engineer, engaged in mineral geological survey and deep prospecting prediction, construction and application of geological big data, and computer geological intelligent methods and technologies; E-mail: zuoqc163@163.com .

    摘要
  • 研究目的

    当前大数据热点几乎集中在如何发现或揭示大数据隐藏的价值或秘密，极度缺乏深入系统且具实战性的理论研究或最佳实践，用以关注如何提升大数据建设质量。然而，大数据建设质量对成功发现或揭示大数据隐藏的价值或秘密以及开展或实施科学而精准的决策至关重要。尤其对我国新一轮找矿突破战略行动矿产资源大数据建设工作实施全过程全要素的数智化质量控制并高水平实现战略目标，具有重要的现实意义。

    研究方法

    首先，通过分析总结现有相关研究成果，包括全国矿产资源潜力评价大数据建设（2006—2013年）质量控制经验、矿集区找矿预测大数据实体数据模型和地球科学领域质量控制模型基础框架。然后，借助大数据思维和数智化技术，建立矿集区找矿预测及大数据实体建设全过程全要素质量检查与评价数智化体系。最后，提出一种全过程全要素质量控制新范式，并可扩展且支持地球科学及其他领域的大数据资产建设质量控制。

    研究结果

    提出了数据划分和数据粒级质量控制理论与方法，建立了矿集区找矿预测及大数据实体建设全过程全要素质量检查与评价数智化体系，开发了矿集区找矿预测质量控制软件，制定了矿集区找矿预测质量检查与评价技术系列规范，高效支持并完成了全国矿产资源潜力评价（2006年至2013年）、全国矿集区调查及深部找矿预测（2016年至2021年）大数据实体建设质量控制工作。

    结论

    建立的矿集区找矿预测及大数据实体建设全过程全要素质量控制数智化体系具有原创性、实战性、高效性和普适性，可直接扩展到并支持地球科学及以外领域大数据资产建设质量控制；提出的全过程全要素质量控制新范式具有科学性、有效性和普适性；提出的“数据模型定义符合信息本体约束”的概念具有普适性和实际意义，适用于二维或高维图件类数据实体和简单数据表或复杂数据库等表格类数据实体。特别地，本文构建的质量控制新范式及其方法技术已直接应用并支撑我国新一轮找矿突破战略行动矿产资源大数据建设工作。

    This paper is the result of mineral exploration engineering.

    Objective

    The current hotspots on big data are almost focused on how to discover or reveal the hidden value or secrets of big data, and there is an extreme lack of systematic, in−depth, and practical research or solutions on how to improve the quality of big data construction. However, the quality of big data construction is crucial for successfully discovering or revealing the hidden value or secrets of big data, and for making or implementing scientific and accurate decisions.

    Methods

    Firstly, by analyzing and summarizing the existing relevant research results, including the quality control experiences of the big data construction of China's National Mineral Resource Potential Evaluation (2006−2013), the entity data models for ore−searching prognosis in mineralization concentrating areas, and the basic framework of quality control models in the field of earth science. Then, with the help of big data thinking and digital and intelligent technologies, a digital and intelligent system of the whole process and total factor quality control for ore−searching prognosis and big data entity construction in mineralization concentrating areas is established. Finally, a new paradigm of the whole process and total factor quality control is proposed, which can be extended and supported to the quality control of big data asset construction in the field of earth science and beyond.

    Results

    This study has proposed the quality control theory and method on data division and graininessl, established a digital and intelligent system of the whole process and total factor quality control for ore−searching prognosis and big data entity construction in mineralization concentrating areas, developed quality control software, formulated standards and specifications for data quality check and evaluation, and efficiently supported and fulfilled the quality control works such as self check, mutual check, special check, supervision and check, field acceptance, initial review, final review, re−examination, and confirmation of acceptance for the construction of big data entities for ore−searching prognosis in mineralization concentrating areas.

    Conclusions

    The digital and intelligent system of the whole process and total factor quality control for ore−searching prognosis and big data entity construction in mineralization concentrating areas has originality, practicality, efficiency and universality, which can directly be expand to and support the quality control of big data asset construction in the field of earth science and beyond. The proposed new paradigm of the whole process and total factor quality control also is scientific, effective, and universally applicable. The proposed concept of ontology constraint for data model has universality and practical significance, that is, the definition of data model should meet the requirements of conceptualization, sharing, explicitness, and formalization, applicable to two−dimensional or high−dimensional map−type data entities, as well as simple(e.g. data sheet) or complex(e.g. relation database)（relation database） table−type data entities.
    • HTML全文
  • 加载中

  • 图 1  矿集区找矿预测及大数据实体建设一体化流程

    Figure 1. 

    下载: 全尺寸图片 幻灯片

    图 2  矿集区找矿预测及大数据实体建设全过程全要素质量检查与评价数智化体系

    Figure 2. 

    下载: 全尺寸图片 幻灯片

    图 3  矿集区找矿预测项目数据库建设终审质量控制活动

    Figure 3. 

    下载: 全尺寸图片 幻灯片

    图 4  GeoDQCBM软件登录界面及功能模块框图

    Figure 4. 

    下载: 全尺寸图片 幻灯片

    图 5  矿集区找矿预测质量控制模型库构建方法及分层结构

    Figure 5. 

    下载: 全尺寸图片 幻灯片

    图 6  矿集区找矿预测大数据实体数据的划分与归约方案

    Figure 6. 

    下载: 全尺寸图片 幻灯片

    图 7  图件类数据质量模型

    Figure 7. 

    下载: 全尺寸图片 幻灯片

    图 8  表格类数据质量模型

    Figure 8. 

    下载: 全尺寸图片 幻灯片

    表 1  矿集区找矿预测大数据实体数据的数据划分及数据粒级一览

    Table 1.  Data division and graininess of big data entities for ore−searching prognosis in mineralization concentrating areas

    层次 数据划分 数据粒级 实例
    0矿集区找矿预测大数据实体数据
    （由矿集区找矿预测原始资料数据、矿集区找矿预测成果资料数据、矿集区找矿预测实物资料数据构成）    		根河北宣化—丰宁矿集区找矿预测项目建设完成的“河北宣化—丰宁矿集区找矿预测数据库”，由“河北宣化—丰宁矿集区找矿预测原始资料数据”、“河北宣化—丰宁矿集区找矿预测成果资料数据”和“河北宣化—丰宁矿集区找矿预测实物资料数据”构成
    1矿集区找矿预测原始资料数据
    （由图件类数据集和表格类数据集构成）    		巨粒河北宣化—丰宁矿集区找矿预测项目建设完成的“河北宣化—丰宁矿集区找矿预测原始资料数据”，由原始资料图件类数据集和原始资料表格类数据集构成
    矿集区找矿预测成果资料数据
    （由图件类数据集和表格类数据集构成）    		河北宣化—丰宁矿集区找矿预测项目建设完成的“河北宣化—丰宁矿集区找矿预测成果资料数据”，由成果资料图件类数据集和成果资料表格类数据集构成
    矿集区找矿预测实物资料数据
    （由图件类数据集和表格类数据集构成）    		河北宣化—丰宁矿集区找矿预测项目建设完成的“河北宣化—丰宁矿集区找矿预测实物资料数据”，由实物资料图件类数据集和实物资料表格类数据集构成
    下载: 导出CSV

    表 2  图件类数据的数据划分及数据粒级一览

    Table 2.  Data division and graininess of map−type data entities

    层次 数据划分 数据粒级 实例
    2 图件集（由若干类图件组成） 粗粒 河北宣化—丰宁矿集区找矿预测项目编制完成的所有成果资料图件（包含多种图件类，如5万分幅建造构造图件类、5万分幅构造纲要图件类等），构成一个图件集
    3 图件子集（由同一类图件组成） 中粒 河北宣化—丰宁矿集区找矿预测项目编制完成的属于5万分幅建造构造图件类的所有图件，构成一个1∶5万分幅建造构造图件类图件子集
    4 图件（单个图件） 细粒 河北宣化—丰宁矿集区找矿预测项目编制完成的崇礼幅1∶5万建造构造图件（包括专业编图及图面表达信息集、图件空间数据数据集、图件属性数据数据集、图件元数据数据集）
    5 一个图件数据的四个部分 图件的专业编图及其图面表达信息集 微粒 崇礼幅1∶5万建造构造图件的专业编图及其图面表达信息集
    图件的空间数据数据集 崇礼幅1∶5万建造构造图件的空间数据数据集
    图件的属性数据数据集 崇礼幅1∶5万建造构造图件的属性数据数据集
    图件的元数据数据集 崇礼幅1∶5万建造构造图件的元数据数据集
    下载: 导出CSV

    表 3  表格类数据的数据划分及数据粒级一览

    Table 3.  Data division and graininess of table−type data entities

    层次 数据划分 数据粒级 实例
    2 表格集（由若干类表格组成） 粗粒 河北宣化—丰宁矿集区找矿预测项目测量完成的所有原始资料表格（包含多种表格类数据，如5万分幅1∶5万化探测量表格类数据、5万分幅1∶5万磁法测量表格类数据等），构成一个表格集
    3 表格子集（由同一类表格组成） 中粒 河北宣化—丰宁矿集区找矿预测项目测量完成的属于5万分幅1∶5万化探测量的所有原始资料表格数据，构成一个5万分幅1∶5万化探测量表格类表格子集
    4 表格（单个表格） 细粒 河北宣化—丰宁矿集区找矿预测项目测量完成的崇礼幅1∶5万化探测量数据集（包括表格的测量与编录工作说明信息集、表格的每个数据表属性数据集、表格的所有数据表属性数据集、表格的元数据集）
    5 一个表格数据的四个部分 表格数据的测量（或采集）与编录工作说明信息集 微粒 崇礼幅1∶5万化探测量的专题工作设计、野外工作验收报告、测量及编录工作报告等
    表格数据的每个数据表属性数据数据集 微粒 崇礼幅1∶5万化探测量的样品测试分析数据表的属性数据构成的数据集
    崇礼幅1∶5万化探测量的采样点位记录数据表的属性数据构成的数据集
    表格数据的所有数据表属性数据数据集 微粒 崇礼幅1∶5万化探测量数据集的所有数据表的属性数据构成的数据集
    表格数据的元数据数据集 微粒 崇礼幅1∶5万化探测量数据集的元数据集
    下载: 导出CSV

    表 4  图件的四部分的质量检查项及缺陷与分级

    Table 4.  Quality check items, defects, and defect grading for the four parts of one map

    图件的四部分 质量检查项 可能存在的缺陷与分级
    图件的专业编图及图面表达信息1）编图工作流程符合规定程度1）编图工作流程完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    2）编图使用资料数据有效性（包括来源、时效、比例尺、质量、精度等）符合要求程度2）编图使用资料数据有效性（包括来源、时效、比例尺、质量、精度等）完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    3）编图资料数据处理方法或过程符合规定程度3）编图资料数据处理方法或过程完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    4）图面信息内容符合规定程度4）图面信息内容完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    5）图面表达符合规定程度5）图面表达完全不符合要求（严重）、部分不符合要求（重、次重、轻、次轻）
    6）编图比例尺符合规定程度6）编图比例尺完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    7）编图空间范围符合要求程度7）编图空间范围完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    8）编图技术参数符合规定程度8）编图技术参数完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    9）编图说明书内容符合规定程度9）编图说明书内容完全不符合要求（严重）、部分不符合要求（重、次重、轻、次轻）
    10）其他相关规定符合程度10）其他相关规定符合程度不符合要求（轻、次轻）
    图件的空间数据1）图件坐标系统参数符合规定程度1）图件坐标系统参数完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    2）图件地图投影及参数符合规定程度2）图件地图投影及参数完全错误（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    3）图件使用图例图式符合规定程度3）图件使用图例库与统一规定不一致（严重、重、次重、轻、次轻）
    4）专业图层空间实体符合专业图层内容规定程度4）专业图层空间实体完全不符合专业图层内容规定（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    5）图件的空间拓扑精度符合规定程度5）图件的空间拓扑精度不符合规定要求（重、次重、轻、次轻）
    6）相关边界图层（国界、省界、工作区边界、典型矿床研究区边界等）符合规定程度6）相关边界图层（国界、省界、工作区边界、典型矿床研究区边界等）不符合要求（重、次重、轻、次轻）
    7）图件、图层等结构及代码符合规定程度7）图件、图层等结构及代码不符合规定要求（严重、重、次重、轻、次轻）
    8）引用专业图层符合规定程度8）引用专业图层不符合要求（严重、重、次重、轻、次轻）
    9）辅图、辅表符合规定程度9）辅图、辅表完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    10）辅助图层或地理图层符合规定程度10）辅助图层或地理图层不符合要求（重、次重、轻、次轻）
    11）图层分类（包括专业图层、引用图层、辅助图层、地理图层、自增图层）符合规定程度11）图层分类（包括专业图层、引用图层、辅助图层、地理图层、自增图层）完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    12）图件四或六至范围与编图范围一致性符合程度12）图件四或六至范围与编图范围不一致（严重、重、次重、轻、次轻）
    13）其他相关规定符合程度13）其他相关规定符合程度（轻、次轻）
    图件的属性数据1）图层属性表结构符合规定程度1）图层属性表结构完全不符合规定（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    2）图层属性数据填写格式符合规定程度2）图层属性数据填写完全不符合规定（极严重）、部分不符合规定（严重、重、次重、轻、次轻），
    3）图层属性数据填写内容符合现有地质情况研究程度3）图层属性数据填写内容完全不符合现有地质情况研究程度（极严重）、部分不符合现有地质工作研究程度（严重、重、次重、轻、次轻）
    4）图层属性数据填写率符合地质资料拥有程度4）图层属性数据填写率不符合地质资料拥有程度（极严重）、部分不符合地质资料拥有程度（严重、重、次重、轻、次轻）
    5）图元编号\特征代码填写符合规定程度5）图元编号\特征代码填写不符合规定程度（轻、次轻）
    6）其他相关规定符合程度6）其他相关规定符合程度（轻、次轻）
    图件的元数据1）图件的元数据内容填写符合规定程度1）图件的元数据内容完全未填写（次重）、元数据内容填写不符合规定（轻、次轻）
    2）图件的元数据格式（XML格式和自由文本格式）符合规定程度2）图件的元数据格式（XML格式和自由文本格式）不符合规定（轻、次轻）
    3）图件的元数据填写内容与图件数据（空间和属性）一致性符合程度3）图件的元数据填写内容与图件数据（空间和属性）不一致（次重、轻、次轻）
    4）其他相关规定符合程度4）其他相关规定符合程度（轻、次轻）
    下载: 导出CSV

    表 5  图件类数据的质量检查项及缺陷与分级

    Table 5.  Quality check items, defects, and defect grading for map-type data entities

    图件类数据 质量检查项 可能存在的缺陷与分级
    完整性 1）相关资料附件齐全程度 1）缺少必要的相关报告、附件、附表等（极严重、严重）、缺少相关的统计表格、清单、卡片等（重、次重、轻、次轻）
    2）图件种类完整性程度 2）缺少必要的图件类（极严重、严重）、缺少相关的图件类（重、次重、轻、次轻）
    3）图件数量完整性程度 3）缺少必要的图件（极严重、严重）、缺少相关的图件（重、次重、轻、次轻）
    4）其他相关规定符合程度 4）其他相关规定符合程度（轻、次轻）
    一致性 1）与确认设计方案一致性程度 1）提交内容与任务设计不一致（极严重、严重）、部分内容与任务设计不一致（重、次重、轻、次轻）
    2）与规定技术要求一致性程度 2）提交内容与规定技术要求不一致（极严重、严重）、部分内容与与规定技术要求不一致（重、次重、轻、次轻）
    3）其他相关规定符合程度 3）其他相关规定符合程度（轻、次轻）
    规范性 1）内容规范程度 1）提交内容与内容规范不一致（极严重、严重）、部分提交内容与内容规范不一致（重、次重、轻、次轻）
    2）形式规范程度 2）提交内容目录形式与内容目录规范不一致（极严重、严重）、部分提交内容目录形式与内容目录规范不一致（重、次重、轻、次轻）
    3）管理规范程度 3）提交内容未经过相应初审流程等（极严重、严重）、初审流程不符合要求（严重、重、次重、轻、次轻）
    4）其他相关规定符合程度 4）其他相关规定符合程度（轻、次轻）
    下载: 导出CSV

    表 6  表格的四部分的质量检查项及缺陷与分级

    Table 6.  Quality check items, defects, and defect grading for the four parts of one table

    表格的四部分 质量检查项 可能存在的缺陷与分级
    表格数据的测量（或采集）与编录工作说明信息1）测量（或采集）与编录工作部署及实施采用的技术要求、规范及标准符合规定程度1）测量（或采集）与编录工作部署及实施采用的技术要求、规范及标准完全不符合规定（极严重）、部分不符合规定（严重、重、次重、轻、次轻）
    2）测量（或采集）与编录设备及环境参数符合规定程度2）测量（或采集）与编录设备及环境参数完全不符合规定（极严重）、部分不符合规定（严重、重、次重、轻、次轻）
    3）测量（或采集）与编录获取资料内容要素符合规定要求程度3）测量（或采集）与编录获取资料内容要素完全不符合规定要求（极严重）、部分不符合规定要求（严重、重、次重、轻、次轻）
    4）测量（或采集）与编录完成任务及实物工作量符合设计规定程度4）测量（或采集）与编录完成任务及实物工作量完全不符合设计规定（极严重）、部分不符合设计规定（严重、重、次重、轻、次轻）
    5）其他相关规定符合程度5）其他相关规定符合程度（轻、次轻）
    表格的数据表的属性数据1）数据表结构符合规定程度1）数据表结构完全不符合规定（极严重）、部分不符合规定（严重、重、次重、轻、次轻）
    2）数据表的属性数据填写使用的资料数据有效性（包括来源、时效、比例尺、质量、精度、处理等）符合要求程度2）数据表属性数据填写使用的资料数据有效性完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    3）数据表的属性数据填写内容符合现有地质情况研究程度3）数据表的属性数据填写内容完全不符合现有地质情况研究程度（极严重）、部分不符合现有地质情况研究程度（严重、重、次重、轻、次轻）
    4）数据表的属性数据填写率符合地质资料拥有程度4）数据表的属性数据填写率完全不符合地质资料拥有程度（极严重）、部分不符合地质资料拥有程度（严重、重、次重、轻、次轻）
    5）数据表的属性数据填写格式符合规定程度5）数据表的属性数据填写格式完全不符合规定（极严重）、部分不符合规定（严重、重、次重、轻、次轻）
    6）数据表约束条件符合规定程度6）数据表约束条件完全不符合规定（极严重）、部分不符合规定（严重、重、次重、轻、次轻）
    7）其他相关规定符合程度7）其他相关规定符合程度（轻、次轻）
    表格的属性
    数据    		1）表格的数据表的完整性程度1）表格缺少必要的数据表（极严重）、表格缺少次要的数据表（严重、重、次重、轻、次轻）
    2）表格的数据表结构符合规定程度2）表格的数据表结构完全不符合规定（极严重）、部分不符合规定（严重、重、次重、轻、次轻）
    3）表格的数据表的属性数据填写使用的资料数据有效性（包括来源、时效、比例尺、质量、精度等）符合要求程度3）表格的数据表属性数据填写使用的资料数据有效性完全不符合要求（极严重）、部分不符合要求（严重、重、次重、轻、次轻）
    4）表格的数据表的属性数据填写内容符合现有地质情况研究程度4）表格的数据表的属性数据填写内容完全不符合现有地质情况研究程度（极严重）、部分不符合现有地质情况研究程度（严重、重、次重、轻、次轻）
    5）表格的数据表的属性数据填写率符合地质资料拥有程度5）表格的数据表的属性数据填写率完全不符合地质资料拥有程度（极严重）、部分不符合地质资料拥有程度（严重、重、次重、轻、次轻）
    6）表格的数据表的属性数据填写格式符合规定程度6）表格的数据表的属性数据填写格式完全不符合规定（极严重）、部分不符合规定（严重、重、次重、轻、次轻）
    7）表格的数据表间约束关系符合规定程度7）表格的数据表间约束关系完全不符合规定（极严重）、部分不符合规定（严重、重、次重、轻、次轻）
    8）其他相关规定符合程度8）其他相关规定符合程度（轻、次轻）
    表格的元数据1）元数据内容填写符合规定程度1）元数据内容填写不符合规定（轻、次轻）
    2）元数据格式（XML格式和自由文本格式）符合规定程度2）元数据格式（XML格式和自由文本格式）不符合规定（轻、次轻）
    3）元数据填写内容与表格数据（表格结构组成和表格属性数据等）一致性符合程度3）元数据填写内容与表格数据（表格结构组成和表格属性数据等）不一致（轻、次轻）
    4）其他相关规定符合程度4）其他相关规定符合程度（轻、次轻）
    下载: 导出CSV

    表 7  表格类数据的质量检查项及缺陷与分级

    Table 7.  Quality check items, defects, and defect grading for table-type data entities

    表格类数据质量检查项可能存在的缺陷与分级
    完整性1）相关资料附件齐全程度1）缺少必要的相关报告、附件、附表等（极严重、严重）、缺少相关的统计表格、清单、卡片等（重、次重、轻、次轻）
    2）表格种类完整性程度2）缺少必要的表格类（极严重、严重）、缺少相关的表格类（重、次重、轻、次轻）
    3）表格数据完整性程度3）缺少必要的表格（极严重、严重）、缺少相关的表格（重、次重、轻、次轻）、缺少相关的数据表（重、次重、轻、次轻）
    4）其他相关规定符合程度4）其他相关规定符合程度（轻、次轻）
    一致性1）与任务设计要求一致性程度1）提交内容与任务设计不一致（极严重、严重）、部分内容与任务设计不一致（重、次重、轻、次轻）
    2）与规定技术要求一致性程度2）提交内容与规定技术要求不一致（极严重、严重）、部分内容与与规定技术要求不一致（重、次重、轻、次轻）
    3）其他相关规定符合程度3）其他相关规定符合程度（轻、次轻）
    规范性1）内容规范程度1）提交内容与内容规范不一致（极严重、严重）、部分提交内容与内容规范不一致（重、次重、轻、次轻）
    2）形式规范程度2）提交内容目录形式与内容目录规范不一致（极严重、严重）、部分提交内容目录形式与内容目录规范不一致（重、次重、轻、次轻）
    3）管理规范程度3）提交内容未经过相应初审流程等（极严重、严重）、初审流程不符合要求（严重、重、次重、轻、次轻）
    4）其他相关规定符合程度4）其他相关规定符合程度（轻、次轻）
    下载: 导出CSV
    • 参考文献(71)
  • [1]

    Ali A, A. N, A. S, R. A. 2019. An assessment of open data sets completeness[J]. International Journal of Advanced Computer Science and Applications, 10(6): 557−562.

    [2]

    Bartky W. 1942. Statistical method from the viewpoint of quality control. by Walter A. Shewhart; W. Edwards Deming[J]. American Mathematical Monthly, 49(3): 188.

    [3]

    Bianco S, Buzzelli M, Mazzini D, Schettini R. 2017. Deep learning for logo recognition[J]. Neurocomputing, 245: 23−30. doi: 10.1016/j.neucom.2017.03.051

    [4]

    Cai Lihua, Ni Daichuan. 2021. Review on evaluation of research data at home and abroad[J]. Digital library Forum, (11): 65−72 (in Chinese with English abstract).

    [5]

    Carranza E J M, Laborte A G. 2015. Random forest predictive modeling of mineral prospectivity with small number of prospects and data with missing values in Abra (Philippines)[J]. Computers & Geosciences, 74: 60−70.

    [6]

    Chen C L, Zhang C. 2014. Data−intensive applications, challenges, techniques and technologies: A survey on Big Data[J]. Information Sciences, 275: 314−347. doi: 10.1016/j.ins.2014.01.015

    [7]

    Chen Jianping, Li Jing, Xie Shuai, Liu Jing, Hu Bin. 2017. China geological big data research status[J]. Journal of Geology, 41(3): 353−366 (in Chinese with English abstract

    [8]

    Cheng Qiuming. 2021. What are mathematical geosciences and its frontiers?[J]. Earth Science Frontiers, 28(3): 6−25 (in Chinese with English abstrac

    [9]

    Guo H, Wang L, Chen F, Liang D. 2014. Scientific big data and digital earth[J]. Chinese Science Bulletin, 59(35): 5066−5073. doi: 10.1007/s11434-014-0645-3

    [10]

    Guo H. 2018. Steps to the digital Silk Road[J]. Nature, 554(7690): 25−27. doi: 10.1038/d41586-018-01303-y

    [11]

    Guo Huadong. 2018. Scientific big data— A footstone of ational strategy for big data[J]. Proceedings of the Chinese Academy of Sciences, 33(8): 768−773 (in Chinese).

    [12]

    Jonathan T O, Gerald A M, Bony S. 2011. Special online collection: dealing with data[J]. Science, 331(6018): 639−806.

    [13]

    Kennedy M C, Hagan O. 2001. Bayesian calibration of computer models[J]. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(3): 425−464. doi: 10.1111/1467-9868.00294

    [14]

    Li Guojie, Cheng Xueqi. 2012. Research status and scientific thinking of big data[J]. Proceedings of the Chinese Academy of Sciences, 27(6): 647−657 (in Chinese).

    [15]

    Li Guojie. 2024. Big data and computing models[J]. Big Data Research, 10(1): 9−16 (in Chinese).

    [16]

    Lü H, Ma H. 2019. Performance assessment and major trends in open government data research based on Web of Science data[J]. Data Technologies and Applications, 53(3): 286−303. doi: 10.1108/DTA-10-2017-0078

    [17]

    Máchová R, Hub M, Lnenicka M. 2018. Usability evaluation of open data portals[J]. Aslib Journal of Information Management, 70(3): 252−268. doi: 10.1108/AJIM-02-2018-0026

    [18]

    Marković D. 2015. Universalization and virtualization of the market economy, financial and real economy and the concept of global sustainable development[J]. Zbornik radova Filozofskog fakulteta u Pristini, 45(1): 123−142. doi: 10.5937/zrffp45-9712

    [19]

    Mayernik M S, Breseman K, Downs R R, Duerr R, Garretson A, Hou C S. 2020. Risk assessment for scientific data[J]. Data Science Journal, 19: 1−15. doi: 10.5334/dsj-2020-001

    [20]

    Sa Xu, Wang Jian, Fan Zhixuan, Liu Jianpin, Zhang Guilan, Xu Bo. 2020. Identification of scientific data quality evaluation indicators from the perspective of data journals peer review[J]. Library and Information Service, 64(17): 123−130.

    [21]

    Schmidt C O, Struckmann S, Enzenbach C, Reineke A, Stausberg J, Damerow S, Huebner M, Schmidt B, Sauerbrei W, Richter A. 2021. Facilitating harmonized data quality assessments. A data quality framework for observational health research data collections with software implementations in R[J]. BMC Medical Research Methodology, 21(1): 1−15. doi: 10.1186/s12874-020-01190-w

    [22]

    Song Jundian, Liu Fengyuan. 2018. A method and application study of data quality evaluation supporting[J]. Computer Applications and Spftware, 35(5): 328−333.

    [23]

    Strong D M, Lee Y W, Wang R Y. 1997. Data quality in context[J]. Communications of the ACM, 40(5): 103−110.

    [24]

    Tolle K M, Tansley D S W, Hey A J G. 2011. The fourth paradigm: Data−intensive scientific discovery [Point of View][J]. Proceedings of the IEEE, 99(8): 1334−1337. doi: 10.1109/JPROC.2011.2155130

    [25]

    Tononi G, Sporns O. 2003. Measuring information integration[J]. BMC Neuroence, 4(1): 31.

    [26]

    Wang Chao, Zhang Hui. 2020. Research and enlightenment of international open data evaluation index system in Europe and America[J]. China Science & Technology Resources Review, 52(5): 71−77.

    [27]

    Wang Juanle, Chen Shenbin. 2006. Research on index and method of geosciences raster grid data quality evaluation[J]. Science of Surveying and Mapping, 31(5): 83−85, 82, 6.

    [28]

    Wu Chonglong, Liu Gang. 2019. Big data and future development of geological science[J]. Geological Bulletin of China, 38(7): 1081−1088 (in Chinese with English abstract).

    [29]

    Wu Chonglong, Liu Gang, Zhang Xialin, He Zhenwen, Zhang Zhiting. 2016. Discussion on geological science big data and its applications[J]. Chinese Science Bulletin, 61(16): 1797−1807 (in Chinese with English abstract).

    [30]

    Zhai Mingguo, Yang Shufeng, Chen Ninghua, Chen Hanlin. 2018. Big data epoch: Challenges and opportunities for geology[J]. Bulletin of Chinese Academy of Sciences, 33(8): 825−831 (in Chinese with English abstract).

    [31]

    Zhang H, Xiao J. 2020. Quality assessment framework for open government data[J]. The Electronic Library, 38(2): 209−222. doi: 10.1108/EL-06-2019-0145

    [32]

    Zhang Qi, Zhou Yongzhang. 2017. Big data will lead to a profound revolution in the field of geological science[J]. Chinese Journal of Geology, 52(3): 637−648 (in Chinese with English abstract).

    [33]

    Zhang Z H, Zuo Q C. 2024. Definition and construction of data models of big data entity for prospecting prediction of ore concentration area) [J/OL]. Geology in China. https://link.cnki.net/urlid/11.1167.P.20240702.1551.011.

    [34]

    Zhang Zhihui, Zuo Qunchao. 2024. Development of application softwares for data models for prospecting prediction in mineralization focused areas based on model−driven and automatic evolution software theory[J]. Mineral Exploration, 15(8): 1478−1490 (in Chinese with English abstract).

    [35]

    Zhang Zhihui, Zuo Qunchao. 2024. Framework of theories, methodologies and technologies system of ore−searching prognosis in mineralization focused areas[J]. Geology in China. https://link.cnki.net/urlid/11.1167.P.20240523.0846.002.

    [36]

    Zhao Pengda. 2019. Characteristics and rational utilization of geological big data[J]. Earth Science Frontiers, 26(4): 1−5 (in Chinese with English abstract).

    [37]

    Zhao Pangda, Chen Jianping, Zhang Shouting. 2003. The new develoment of "Three Components" quantitative mineral prediction[J]. Earth Science Frontiers, 10(2): 455−463 (in Chinese with English abstract).

    [38]

    Zhao Pengda, Meng Xianguo. 1992. Quantification and geosciences[J]. Earth Science, (S1): 51−56 (in Chinese).

    [39]

    Zhou Chenghu, Wang Hua, Wang Chengshan, Hou Zengqian, Zheng Zhiming, Shen Shuzhong, Cheng Qiuming, Feng Zhiqiang, Wang Xinbing, Lü Hairong. 2021. Geoscience knowledge graph in the big data era[J]. Science China Earth Sciences, 51(7): 1070−1079 (in Chinese).

    [40]

    Zhou Yongzhang, Chen Chuan, Zhang Qi, Wang Gongwen, Xiao Fan, Shen Wenjie, Bian Jing, Wang Ya, Yang Wei, Jiao Shoutao, Liu Yanpeng, Han Feng. 2020. In troduction of tools for geological big data mining and their applications[J]. Geotectonica et Metallogenia, 44(2): 173−182 (in Chinese with English abstract).

    [41]

    Zuiderwijk A, Pirannejad A, Susha I. 2021. Comparing open data benchmarks: Which metrics and methodologies determine countries’ positions in the ranking lists?[J]. Telematics and Informatics, 62: 1−23.

    [42]

    Zuo Qunchao, Yang Donglai, Song Yue, Ma Juan, Xiao Zhijian. 2013. The data quality control and technique of the mineral resources potential evaluation in China[J]. Geology in China, 40(4): 1314−1328 (in Chinese with English abstract).

    [43]

    Zuo Qunchao, Pang Zhenshan, Xue Jianling, Chen Hui, Ye Tianzhu. 2022. An Application Guide to Theory, Methodology and Technical System of Ore−searching Prognosis in Mineralization Concentrating Area[M]. Beijing: Geological Publishing House (in Chinese).

    [44]

    Zuo Qunchao. 2022. Methodology of Checking and Evaluation on Database Quality of Ore−searching Prognosis in Mineralization Concentrating Area[M]. Beijing: Geological Publishing House (in Chinese).

    [45]

    Zuo Renguang, Peng Yong, Li Tong, Xiong Yihui. 2021. Challenges of geological prospecting big data mining and integration using deep learning algorithms[J]. Earth Science, 46(1): 350−358 (in Chinese with English abstract).

    [46]

    蔡丽华, 倪代川. 2021. 国内外科学数据评价研究综述[J]. 数字图书馆论坛, (11): 65−72. doi: 10.3772/j.issn.1673-2286.2021.11.009

    [47]

    陈建平, 李靖, 谢帅, 刘静, 胡彬. 2017. 中国地质大数据研究现状[J]. 地质学刊, 41(3): 353−366. doi: 10.3969/issn.1674-3636.2017.03.001

    [48]

    成秋明. 2021. 什么是数学地球科学及其前沿领域?[J]. 地学前缘, 28(3): 6−25.

    [49]

    郭华东. 2018. 科学大数据—国家大数据战略的基石[J]. 中国科学院院刊, 33(8): 768−773.

    [50]

    李国杰, 程学旗. 2012. 大数据研究: 未来科技及经济社会发展的重大战略领域—大数据的研究现状与科学思考[J]. 中国科学院院刊, 27(6): 647−657. doi: 10.3969/j.issn.1000-3045.2012.06.001

    [51]

    李国杰. 2024. 大数据与计算模型[J]. 大数据, 10(1): 9−16. doi: 10.11959/j.issn.2096-0271.2024017

    [52]

    撒旭, 王健, 范智萱, 刘建平, 张贵兰, 徐波. 2020. 数据期刊同行评议视角下科学数据质量评价指标识别[J]. 图书情报工作, 64(17): 123−130.

    [53]

    宋俊典, 刘丰源. 2018. 一种支持数据质量评价的方法与应用研究. 计算机应用与软件, 35(5): 328−333.

    [54]

    王超, 张辉. 2020. 欧美开放数据评估指标体系调查研究及启示[J]. 中国科技资源导刊, 52(5): 71−77. doi: 10.3772/j.issn.1674-1544.2020.05.010

    [55]

    王卷乐, 陈沈斌. 2006. 地学栅格格网数据质量评价指标与方法[J]. 测绘科学, 31(5): 83−85, 82, 6. doi: 10.3771/j.issn.1009-2307.2006.05.027

    [56]

    吴冲龙, 刘刚, 张夏林, 何珍文, 张志庭. 2016. 地质科学大数据及其利用的若干问题探讨[J]. 科学通报, 61(16): 1797−1807.

    [57]

    吴冲龙, 刘刚. 2019. 大数据与地质学的未来发展[J]. 地质通报, 38(7): 1081−1088. doi: 10.12097/gbc.dztb-38-7-1081

    [58]

    翟明国, 杨树锋, 陈宁华, 陈汉林. 2018. 大数据时代: 地质学的挑战与机遇[J]. 中国科学院院刊, 33(8): 825−831.

    [59]

    张旗, 周永章. 2017. 大数据正在引发地球科学领域一场深刻的革命—《地质科学》2017 年大数据专题代序[J]. 地质科学, 52(3): 637−648.

    [60]

    张志辉, 左群超. 2024a. 基于模型驱动和自动演进理论的矿集区找矿预测数据模型应用软件开发[J]. 矿产勘查, 15(8): 1478−1490.

    [61]

    张志辉, 左群超. 2024b. 矿集区找矿预测大数据实体数据模型的界定与构建[J/OL]. 中国地质. https://link.cnki.net/urlid/11.1167.P.20240702.1551.011.

    [62]

    张志辉, 左群超. 2024c. 矿集区找矿预测理论方法技术体系框架[J/OL]. 中国地质, https://link.cnki.net/urlid/11.1167.P.20240523.0846.002.

    [63]

    赵鹏大, 陈建平, 张寿庭. 2003. “三联式”成矿预测新进展[J]. 地学前缘, 10(2): 455−463.

    [64]

    赵鹏大, 孟宪国. 1992. 地质学的定量化问题[J]. 地球科学, (S1): 51−56.

    [65]

    赵鹏大. 2019. 地质大数据特点及其合理开发利用[J]. 地学前缘, 26(4): 1−5.

    [66]

    周成虎, 王华, 王成善, 侯增谦, 郑志明, 沈树忠, 成秋明, 冯志强, 王新兵. 2021. 大数据时代的地学知识图谱研究[J]. 中国科学(地球科学), 51(7): 1070−1079.

    [67]

    周永章, 陈川, 张旗, 王功文, 肖凡, 沈文杰, 卞静, 王亚, 杨威, 焦守涛, 刘艳鹏, 韩枫. 2020. 地质大数据分析的若干工具与应用[J]. 大地构造与成矿学, 44(2): 173−182.

    [68]

    左群超, 杨东来, 宋越, 马娟, 肖志坚. 2013. 中国矿产资源潜力评价成果数据质量控制及方法技术[J]. 中国地质, 40(4): 1314−1328. doi: 10.3969/j.issn.1000-3657.2013.04.028

    [69]

    左群超, 庞振山, 薛建玲, 陈辉, 叶天竺. 2022. 矿集区找矿预测理论方法技术体系应用导论[M]. 北京: 地质出版社.

    [70]

    左群超. 2022. 矿集区找矿预测数据库质量检查与评价方法[M]. 北京: 地质出版社.

    [71]

    左仁广, 彭勇, 李童, 熊义辉. 2021. 基于深度学习的地质找矿大数据挖掘与集成的挑战[J]. 地球科学, 46(1): 350−358.

    • 相关文章
  • 施引文献
  • 资源附件(0)
  • 加载中

图(8)

表(7)

计量
  • 文章访问数:  51
  • PDF下载数:  13
  • 施引文献:  0
出版历程
收稿日期:  2024-09-19
修回日期:  2024-10-21
刊出日期:  2025-05-25

目录

    版权所有：中国地质调查局发展研究中心 copyright @2020
    返回