地理模型的空间参数配备过程对地理建模及模型应用不可或缺，该过程包括空间输入数据（如数字高程模型等）的发现、以地理数据处理功能（Geoprocessing）生成模型所需空间参数（如基于数字高程模型提取坡度等地形属性）等两个主要步骤，涉及的流程和所需领域知识复杂多样，需要一整套智能、易用、高效的地理模型空间参数配备方法以降低用户（尤其是非专家用户）的应用难度。

对于其中生成模型空间参数的步骤，这套方法是否生效，高度依赖于对空间参数生成算法的输入数据约束（或称参数约束；如需要哪几个、什么样的输入数据）进行形式化表达、之后进行有效性验证。

但是现有方法中，常用的采用OWL等本体语言、面向推理的方法，基于并不适合本应用的前提假设——开放世界假设（Open-World Assumption；即未明确表达为真的不一定为假）和命名不唯一假设（Non-Unique Name Assumption；即同一实体可以同时有多个不同的名称），这使得对一个需要单一一个输入数据的算法，当无输入数据或分配两个不同输入数据时，这些方法仍然认为是满足该算法输入数据约束的（前者输入数据位置，按照开放世界假设不能断定不存在；后者两个输入数据可能相同、只是名称不一样），这导致应用中难以明确前一步骤对空间输入数据发现的结果是否能与参数提取工作流的数据需求相匹配。另一类使用RDF查询语言、面向查询的现有方法还存在使用难度大、效率低等问题，尚未能有效覆盖本应用各种参数约束。这些现存方法问题制约了地理模型空间参数配备的智能化程度。

地理模型空间参数配备中算法输入数据约束的表达与验证需要一类建立在封闭世界假设（Closed-World Assumption）和命名唯一性假设（Unique Name Assumption）基础之上、提供标准化的约束概念抽象表达、并且支持知识推理的约束表达语言。按此思路，我指导的博士生侯志伟对地理数据处理算法的输入数据约束知识提出了一套以SHACL语言（Shapes Constraint Language；一种高级RDF约束语言，符合封闭世界假设和命名唯一性假设）进行形式化表达与推理应用的方法。该方法设计包括：对地理数据处理算法及其具体实现中的输入数据约束的内容进行了分类分析，以该分类体系为基础，设计出一个工作流以帮助用户高效识别、获取各类参数约束内容；利用SHACL语言和地理数据处理本体对所需各种参数约束进行形式化表达和应用。

通过案例测试验证了所提出方法的有效性——可高效易用地考虑各种参数约束（尤其是现有方法所忽略的应用场景适配性参数约束），智能化地保障模型空间输入数据发现结果适配于模型空间参数提取算法。

所提出的方法与现有的地理模型空间参数提取工作流建模方法结合，可实现地理模型空间参数的智能化提取，高效、准确地为地理模型配备所需的空间参数。

该工作是侯志伟博士论文中一章的部分内容，近期发表在《ISPRS International Journal of Geo-Information》上。

Hou Z-W, Qin C-Z*, Zhu A-X, Wang Yi-Jie, Liang P, Wang Yu-Jing, Zhu Y. Formalizing parameter constraints to support intelligent geo-processing: A SHACL-based method. ISPRS International Journal of Geo-Information, 2021, 10(9), 605.