基于 SSN 本体的水文传感器网络本体：以洪水为例

  摘要

随着传感器网络技术的不断发展，世界各地的传感器不断产生观测数据。然而，由于缺乏语义，不同观测平台的传感器及其数据在应对洪水等自然灾害时有时难以协作使用。本文提出了一种基于 SSN 本体的水文传感器网络本体，通过引入时间和空间本体、实例化水文类并建立推理规则，来描述异构的水文传感器网络资源。该工作通过语义查询和知识获取实验进行了验证，结果表明所提出的本体的可行性和有效性，并展示了其在水文监测中进一步扩展为更全面本体的潜力。此外，本体建模的方法在其他应用和领域中也具有普遍适用性。

  1. 引言

本体是一种形式化的领域表示，由概念和命名关系组成[1]。本体是一种支持自动访问和评估空间信息的手段。在紧急情况下，当需要迅速做出决策时，本体有助于快速访问多种观测信息源[2]。在过去十年中，应用本体的核心目标之一是在自然灾害期间有效整合异构传感器[3, 4, 5]。一些自然灾害，如洪水，会突然发生并动态演变，可以通过本体技术更有效地监测[6]。

本体最早在 2004 年应用于传感器网络[7]。经过对相关本体和数据模型的广泛回顾，语义传感器网络孵化器组（SSN-XG）[8]于 2011 年提出了语义传感器网络（SSN）本体的第一个版本。2017 年 10 月，世界万维网联盟（W3C）推荐了最后一个版本的 SSN 本体[9]。SSN 本体可以描述传感器、传感、传感器测量能力、传感产生的观测结果以及部署情况。它涵盖了开放地理空间联盟（OGC）传感器网络启用（SWE）框架规范中包括的传感器模型语言（SensorML）[10]和观测与测量（O&M）[11]标准的大部分类别，省略了校准、过程描述、数据类型和传感器具体细节[13]。SSN 本体是一个领域无关的模型，需要通过扩展特定概念和实例来增强[14]。

自 2010 年代初以来，有关 SSN 本体的研究已经发表。这些研究可以总结为三个研究方向，如下所述。

许多研究将领域知识应用于 SSN 本体，以实现特定应用。例如，Llaves 等人[15]设计了不同数据格式的适配器和集群中的流分布式处理，以降低环境领域传感器数据管理中的平均消息处理延迟；Dutta 和 Morshed[16]提出了一种基于领域本体的链接数据方法，用于评估水文传感器网络的可靠性并评估传感器网络的性能；Ploennigs 等人[17]扩展了 SSN，以自动化创建和配置物理模型，用于检测和诊断异常建筑行为；Dey 等人[18]描述了通用传感器信息的组织及其管理，并特别详细阐述了使用 SSN 本体的能源传感器案例；Fernandez 和 Ito[19]使用 SSN 本体在智能交通架构中管理传感器信息，实现了自动交通灯设置，允许预测和避免交通事故，并进行路径优化。

在一些研究中，SSN 本体被赋予了额外的能力。例如，Calbimonte 等人[14]提出了一种基于 SSN 本体提供流数据源的数据访问和查询能力的方法；Ruta 等人和 Gramegna 采用了 W3C 的 SSN-XG 本体，通过扩展受限应用协议（CoAP）来收集和标注 SSN 中的数据[20, 21]。

其他研究旨在以多种方式共享和重用数据。魏和巴纳吉 [22] 提出了使用“链接数据”原则将传感器数据与不同本体表示的知识连接起来。具体来说，Pfisterer 等人 [23] 从已有的本体（如 Dolce Ultralite、SSN 本体和 Event Model F）对齐出发，开发了一个本体，以支持传感器相关数据及其上下文（高层事件）的跨域描述，并将传感器和事物集成到链接开放数据（LOD）云中；Gyrard 等人 [25] 引用了与物联网（IoT）相关的基于语义的项目，并通过设计链接开放词汇表（LOV4IoT）/物联网链接开放词汇表（LOV4IoT），构建了一个包含领域本体、数据集和基于语义网技术的规则的巨大知识库，这些规则可以被跨域应用重用。

尽管 SSN 本体在传感器信息管理应用中表现出明显的适用性和优势，但很少有研究关注水文方面。相关研究仅集中在水文数据的过滤和验证[15]；而对于水文灾害的动态过程，例如洪水，则关注较少。此外，由于 SSN 本体没有描述领域概念、时间和地点，因此基于 SSN 的水文研究中，水文概念、实例和规则仍有待讨论[19]。因此，本研究的目标是开发一个新的基于 SSN 的本体，并将其应用于根据 SWE 标准构建的水文传感器网。该新本体可以基于复杂条件检索传感器、观测数据和平台，并通过推理规则从各种观测数据中获取知识。该本体的应用将为管理和应对自然灾害提供新的视角，并为决策过程提供可靠和高效的信息。

本文的其余部分组织如下：第 2 节介绍了水文传感器网络本体的概念模型，定义了识别洪水阶段的推理规则，并通过特定平台、传感器、观测和水体实例化本体；第 3 节描述了实验数据和结果；讨论部分位于第 4 节；结论和未来工作在第 5 节给出。

  2. 方法

提出的水文传感器网络本体通过扩展 W3C SSN 本体，并结合 W3C Time 本体[26]和 OGC GeoSPARQL[27]以及命名空间构建而成，涉及的前缀列于表 1 中。提出的本体用于表示水文监测系统中的类、实例、规则及其关系。水文传感器网络本体构建了三个主要功能：（1）构建三个参考本体中主要概念之间的链接，（2）扩展本体以包含水文类，并使用水文传感器网络信息实例化该本体，以及（3）建立水文事件推理状态的规则。这些步骤将在下文详细说明。

Table 1. The namespaces involved in the proposed hydrological sensor web ontology.

Prefix	Namespace URI	Description
sosa	http://www.w3.org/ns/sosa/	Sensor, Observation, Sample, and Actuator (SOSA) ontology provides a lightweight core for SSN and aims at broadening the target audience and application areas that can make use of Semantic Web ontologies.
ssn	http://www.w3.org/ns/ssn/	This ontology describes sensors, actuators, and observations, and related concepts. It does not describe domain concepts, time, locations, etc. these are intended to be included from other ontologies via OWL imports.
DUL	http://www.ontologydesignpatterns.org/ont/dul/DUL.owl#	The DOLCE + DnS Ultralite (DUL) ontology. To provide a set of upper level concepts that can be the basis for easier interoperability among many middle and lower level ontologies.
time	http://www.w3.org/2006/time#	OWL-Time is an OWL-2 DL ontology of temporal concepts, for describing the temporal properties of resources in the world or described in Web pages.
geo	http://www.opengis.net/ont/geosparql#	An RDF/OWL vocabulary for representing spatial information.
geof	http://www.opengis.net/def/function/geosparql/	A set of domain-specific, spatial filter functions for use in SPARQL queries.
xsd	http://www.w3.org/2001/XMLSchema#	Schema namespace as defined by XSD.
rdf	http://www.w3.org/1999/02/22-rdf-syntax-ns#	This is the RDF Schema for the RDF vocabulary terms in the RDF Namespace, defined in RDF 1.1 Concepts.
rdfs	http://www.w3.org/2000/01/rdf-schema#	RDF Schema provides a data-modeling vocabulary for RDF data. RDF Schema is an extension of the basic RDF vocabulary.
owl	http://www.w3.org/2002/07/owl#	This ontology partially describes the built-in classes and properties that together form the basis of the RDF/XML syntax of OWL 2.

2.1. 水文传感器网络本体框架

为了表示水文监测和洪水过程中的静态和动态信息，水文传感器网络本体必须能够

• 支持多种观测平台（例如，水文站和气象站）；
• 实现从平台-传感器-观测-处理-感兴趣对象（FOI）-结果的链条，以语义化方式精确搜索所需的观测资源；
• 应用时间和空间属性，以在指定的时间和地点获取特定的传感器或观测数据；以及
• 允许使用异构观测数据进行信息融合计算，以获取新知识。

为了满足上述特征，使用 Protégé软件[28]设计了水文传感器网络本体，如图 1 所示。

图 1. 基于语义传感器网络（SSN）的水文/洪水本体的核心类和属性

图 1 展示了基于 SSN 本体的水文传感器网络本体的核心类，包括 Platform（平台）、Sensor（传感器）、Observation（观测）、FeatureOfInterest（感兴趣区域）、ObservableProperty（可观测属性）和 Result（结果）。除了类定义外，还定义了对象属性，主要用于在“主语-谓语-宾语”三元组结构中连接主语和宾语。例如，对象属性 hosts 将 Platform（平台）和 Sensor（传感器）连接成“Platform-hosts-Sensor”，对象属性 madeObservation 将 Sensor（传感器）和 Observation（观测）连接成“Sensor-madeObservation-Observation”，等等。

在时间维度的扩展中，应用了 W3C 时间本体（主要为时间实体及其子类时间瞬间和时间区间），作为时间属性，用于在所需时间内搜索合适的传感器网络资源。导入了 OGC GeoSPARQL 来定义本体中表示地理空间数据的词汇，并通过扩展 SPARQL 查询语言来处理地理空间数据和空间推理。使用了 OGC GeoSPARQL 的核心类（包括空间对象、特征和几何形状）来描述空间信息。使用 GeoSPARQL 的对象属性（如覆盖、相交、相遇和包含）来确定请求区域与观测区域之间的拓扑关系。

此外，提议的本体中创建了事件类，并根据各种灾害事件构建了进一步的子类，如洪水、暴雨等。

2.2 水文领域扩展与实例化

如上所述，洪水管理中最重要观测数据（降雨量和水位）可以通过气象站或水文站部署的各种传感器获取。因此，主要的子类如图 2 所示设计。为了洪水管理，创建了 weatherStation 和 hydrologicalStation 作为 Platform 类的子类。rainGauge 和 water-levelGauge 是 Sensor 的子类。WaterLevel、Precipitation 等是 observableProperty 类的子类。WaterBody 和 HydrologicalMonitorPoint 是 FeatureOfInterest 类的子类。所有子类如图 2 中间所示。

图 2. 水文传感器网络本体的主要子类和一些实例。

随后，图 2 右侧展示了根据中国武汉市东南部梁子湖的实际观测系统和数据创建的实例。这些平台、传感器和观测的具体空间、时间及其他属性在本体中进行了描述。

2.3. 洪水阶段识别规则

In semantic technology, rules are formulated from realistic restrictions and used to acquire new knowledge based on the existing classes and relationships of ontologies. These restrictions, called rules, are extracted from professional experiences and understanding. The Semantic Web Rule Language (SWRL) [29] was designed to be the standard rule language of the Semantic Web. It allows users to write rules expressed in terms of W3C Web Ontology Language (OWL) concepts to reason with OWL individuals. The rules can be used to infer new knowledge from existing OWL knowledge bases [30].
在语义技术中，规则是从现实限制中制定出来的，并用于根据本体的现有类和关系获取新知识。这些限制被称为规则，它们是从专业经验和理解中提取出来的。语义网规则语言（SWRL）[29] 被设计为语义网的标准规则语言。它允许用户使用 W3C 万维网本体语言（OWL）概念来表达规则，并对 OWL 个体进行推理。这些规则可以从现有的 OWL 知识库中推断出新的知识[30]。

根据 SWRL 的规范，基于现有知识，设置了一系列识别洪水阶段的规则如下。

自然灾害中的水文灾害是动态的，伴随着持续的变化。联合国国际灾害风险综合战略（UNISDR）将灾害分为四个阶段：减轻、准备、响应和恢复[31]。这四个阶段中的行动和重点是不同的，需要不同的传感器、观测和 FOI（感兴趣的个体）。例如，在准备阶段主要收集预警预报观测数据，因为灾害的空间和时间分布及发展数据对于紧急响应阶段至关重要。灾害事件信息建模需要在各个阶段进行考虑[32, 33]。规则也根据这四个阶段进行了设计。

通常，降雨量和水位被用来确定洪水的状态。由于不同的地理情况和地形，每条河流或湖泊都有自己的警戒水位。降雨是形成洪水的另一个主要因素。在中国，日降雨量在 50 毫米至 99.9 毫米之间的降雨被称为“暴雨”，并被设定为降雨量的警戒阈值。当水位和降雨量都低于各自的阈值时，河流被认为处于缓解阶段。如果降雨量达到暴雨水平而水位正常，这一天被视为准备阶段的开始，并发出早期预警。一旦水位超过警戒水位，就进入响应阶段。当水位低于警戒水位时，恢复阶段开始。使用 SWRL，这四个阶段描述如下：−1 是日期前一天，+1 是日期后一天。 初始日期应被识别为洪水缓解阶段的开始日期，缓解阶段的结束日期可以通过 SWRL 语句（1）获取，准备阶段的开始日期可以通过 SWRL 语句（2）获取，准备阶段的结束日期可以通过 SWRL 语句（3）获取。响应阶段的开始日期可以通过 SWRL 语句（4）获取，响应阶段的结束日期可以通过 SWRL 语句（5）获取。恢复阶段的开始日期可以通过 SWRL 语句（6）获取，如果没有其他缓解阶段开始，则最终数据时间可以被视为恢复阶段的结束日期。SWRL 语句的具体内容如下。

𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡, 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑟)∧ 𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛𝑡,  𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑𝑓𝑜𝑟𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛)∧ 𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡+1, 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑟)∧ 𝑔𝑟𝑒𝑎𝑡𝑒𝑟𝑇ℎ𝑎𝑛(𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛𝑡+1,  𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛)⎫⎭⎬=>ℎ𝑎𝑠𝐸𝑛𝑑(𝑚𝑖𝑡𝑖𝑔𝑎𝑡𝑖𝑜𝑛,𝑡)$$\begin{array}{c}lessThan\left(waterleve{l}_t, threshold\_for\_waterlever\right)\\ \wedge lessThan\left(precipitatio{n}_t, threshol{d}_{fo{r}_{precipitation}}\right)\\ \wedge lessThan\left(waterleve{l}_{t+1}, threshold\_for\_waterlever\right)\\ \wedge greaterThan\left(precipitatio{n}_{t+1}, threshold\_for\_precipitation\right)\end{array}\}=>\mathit{hasEnd(mitigation,t)}$$

(1)

𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡−1,  𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑𝑓𝑜𝑟𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑟)∧ 𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛𝑡−1,  𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑𝑓𝑜𝑟𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛)∧ 𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡, 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑𝑓𝑜𝑟𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑟)∧ 𝑔𝑟𝑒𝑎𝑡𝑒𝑟𝑇ℎ𝑎𝑛(𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛𝑡,  𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑𝑓𝑜𝑟𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛)⎫⎭⎬=>ℎ𝑎𝑠𝐵𝑒𝑔𝑖𝑛𝑛𝑖𝑛𝑔(𝑝𝑟𝑒𝑝𝑎𝑟𝑒𝑑𝑛𝑒𝑠𝑠𝑆𝑡𝑎𝑔𝑒,𝑡)$$\begin{array}{c}lessThan\left(waterleve{l}_{t-1}, threshol{d}_{fo{r}_{waterlever}}\right)\\ \wedge lessThan\left(precipitatio{n}_{t-1}, threshol{d}_{fo{r}_{precipitation}}\right)\\ \wedge lessThan\left(waterleve{l}_t, threshol{d}_{fo{r}_{waterlever}}\right)\\ \wedge greaterThan\left(precipitatio{n}_t, threshol{d}_{fo{r}_{precipitation}}\right)\end{array}\}=>\mathit{hasBeginning(preparednessStage,t)}$$

(2)

𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡,  𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑟)∧𝑔𝑟𝑒𝑎𝑡𝑒𝑟𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡+1,  𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙)}=>ℎ𝑎𝑠𝐸𝑛𝑑(𝑝𝑟𝑒𝑝𝑎𝑟𝑒𝑑𝑛𝑒𝑠𝑠𝑆𝑡𝑎𝑔𝑒,𝑡)$$\begin{array}{c}lessThan\left(waterleve{l}_t, threshold\_for\_waterlever\right)\\ \wedge greaterThan\left(waterleve{l}_{t+1}, threshold\_for\_waterlevel\right)\end{array}\}=>\mathit{hasEnd(preparednessStage,t)}$$

(3)

𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡,𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙)∧𝑔𝑟𝑒𝑎𝑡𝑒𝑟𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡+1, 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙)}=>ℎ𝑎𝑠𝐵𝑒𝑔𝑖𝑛𝑛𝑖𝑛𝑔(𝑟𝑒𝑠𝑝𝑜𝑛𝑠𝑒,𝑡)$$\begin{array}{c}lessThan\left(waterleve{l}_t,threshold\_for\_waterlevel\right)\\ \wedge greaterThan\left(waterleve{l}_{t+1}, threshold\_for\_waterlevel\right)\end{array}\}=>\mathit{hasBeginning(response,t)}$$

(4)

𝑔𝑟𝑒𝑎𝑡𝑒𝑟𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡, 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙)∧𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡+1,𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙)}=>ℎ𝑎𝑠𝐸𝑛𝑑(𝑟𝑒𝑠𝑝𝑜𝑛𝑠𝑒,𝑡)$$\begin{array}{c}greaterThan\left(waterleve{l}_t, threshold\_for\_waterlevel\right)\\ \wedge lessThan\left(waterleve{l}_{t+1},threshold\_for\_waterlevel\right)\end{array}\}=>\mathit{hasEnd(response,t)}$$

(5)

𝑔𝑟𝑒𝑎𝑡𝑒𝑟𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡, 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙)∧ 𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛𝑡,  𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛)∧ 𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑙𝑡+1, 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑤𝑎𝑡𝑒𝑟𝑙𝑒𝑣𝑒𝑟)∧ 𝑙𝑒𝑠𝑠𝑇ℎ𝑎𝑛(𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛𝑡+1,  𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑_𝑓𝑜𝑟_𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑡𝑖𝑜𝑛)⎫⎭⎬=>ℎ𝑎𝑠𝐵𝑒𝑔𝑖𝑛𝑛𝑖𝑛𝑔(𝑟𝑒𝑐𝑜𝑣𝑒𝑟𝑦,𝑡)$$\begin{array}{c}greaterThan\left(waterleve{l}_t, threshold\_for\_waterlevel\right)\\ \wedge lessThan\left(precipitatio{n}_t, threshold\_for\_precipitation\right)\\ \wedge lessThan\left(waterleve{l}_{t+1}, threshold\_for\_waterlever\right)\\ \wedge lessThan\left(precipitatio{n}_{t+1}, threshold\_for\_precipitation\right)\end{array}\}=>\mathit{hasBeginning(recovery,t)}$$

(6)

3. 实验数据与结果

  3.1. 实验数据

在中国，长江流域的洪灾发生最为频繁。复杂的区域地形和东亚季风塑造了长江流域汛期降雨的时空变化。因此，提高长江流域的水文和气象监测能力，以预防和减轻洪灾，并合理利用水资源显得尤为重要 [34]。

梁子湖面积约 280 平方公里，是长江流域最大的湖泊之一，对周边地区有重要影响。2010 年 7 月 1 日至 2010 年 8 月 31 日发生在梁子湖的洪水是自 1998 年以来最大的一次，并且持续时间较长。因此，选择了 2010 年 7 月 1 日至 2010 年 8 月 31 日梁子湖的观测数据作为实验对象。实验数据来源于梁子湖当地的观测站。

在实验中，涉及了两种平台：水文监测平台和气象监测平台。这些平台上部署了三种类型的传感器，并使用了这些传感器的观测数据。适应性传感器包括 8 个雨量计、8 个水位计和 6 个流量计。相应的观测数据指的是 2010 年 7 月 1 日至 2010 年 8 月 31 日期间长江流域金沙江区域和梁子湖的降水量、日水位和日流量。

3.2. 基于 SSN 本体的洪水管理本体实现

异构的洪水相关信息可以被识别、管理和重用。基于第 2.1 节中描述的本体结构，使用 Protégé创建了洪水本体。

主要的洪水管理相关类包括平台的 HydrologicalStation 和 WeatherStation 子类；传感器的 RainGauge、WaterlevelGauge 等子类；可观察属性的 FlowVolume、Precipitation、RunoffVolume、WaterLevel 子类；以及 FeatureOfInterest 的子类 WaterBody。

本体中的对象属性将类/个体链接到其他类/个体。它们是本体中最重要的一部分，充当连接异构水文传感器网络资源的粘合剂。所提出的本体的主要对象属性列在表 2 中。

Table 2. The object properties, domain, range, and the description of main object properties.

Object Property	Domain	Range	Description
sosa:madeObservation	sosa:Sensor	sosa:Observation	Relation between a Sensor and an Observation made by the Sensor.
sosa:resultTime	sosa:Observation	xsd:dateTime	The result time is the instant of time when the Observation activity was completed.
sosa:observes	sosa:Sensor	sosa:ObservableProperty	Relation between a Sensor and an ObservableProperty that it is capable of sensing.
sosa:observedProperty	sosa:Observation	sosa:ObservableProperty	Relation linking an Observation to the ObservableProperty that was observed.
sosa:hasFeatureOfInterest	sosa:Observation	sosa:FeatureOfInterest	A relation between an Observation and the entity whose quality was observed
sosa:hosts	sosa:Platform	sosa:Sensor	Relation between a Platform and a Sensor, hosted or mounted on it.

本 ontology 片段中类、对象属性及个体定义的可视化展示见图 3。

图 3. 在 Protégé中提出的洪水本体的类层次结构、对象属性和个体定义。（a）提出的本体的类层次结构。（b）提出的本体的对象属性。（c）提出的本体的数据属性。

3.3. 基于水文传感器网络本体的语义查询

To evaluate the proposed hydrological sensor web ontology, a series of semantic querying and reasoning was designed. Semantic querying included (1) querying all sensors observing the precipitation of rivers “Precipitation_River” and their platforms; (2) querying all sensors whose observations were in the area of the Jinsha River “FOI_JinshaRiver” and their platforms; and (3) acquiring the exact dates on which the precipitation was greater than 10 mm per day and the water level was greater than 19 mm per day in the Liangzi Lake. Reasoning included recognizing the start date of the flood’s preparedness stage. The querying language was encoded in the semantic web query language SPARQL and implemented by the Protégé SPARQL Plugin (version 2.0.1) in Protégé (version 5.0.0), and the rule language for reasoning was based on the SWRL and implemented by SWRLTab Protégé 5.0 + Plugin (version 2.0.4) in Protégé (version 5.0.0).
为了评估提出的水文传感器网络本体，设计了一系列语义查询和推理。语义查询包括：（1）查询所有观测河流降水量“Precipitation_River”的传感器及其平台；（2）查询所有观测区域位于金沙江“FOI_JinshaRiver”的传感器及其平台；以及（3）获取梁子湖日降水量大于 10 毫米且水位大于 19 毫米的确切日期。推理包括识别洪水准备阶段的开始日期。查询语言用语义网络查询语言 SPARQL 编码，并在 Protégé（版本 5.0.0）中通过 Protégé SPARQL 插件（版本 2.0.1）实现，推理规则语言基于 SWRL 并在 Protégé（版本 5.0.0）中通过 SWRLTab Protégé 5.0 +插件（版本 2.0.4）实现。

3.3.1. 特定主题查询

First of all, acquiring various sensors that can obtain the particular observed property is required frequently. For example, all rain gauges could be acquired by following the SWRL sentence, based on the presented hydrological sensor web ontology model, the results of which are shown in Figure 4.
首先，需要获取能够获取特定观测属性的各种传感器。例如，基于所提出的水文传感器网络本体模型，所有雨量计可以通过以下 SWRL 语句获取，结果如图 4 所示。

Figure 4. The search result of sensors observing precipitation and the platforms on which these sensors are deployed.
图 4. 观测降水及其部署平台的传感器搜索结果。

In the result, eight pairs of sensors and platforms which observed the precipitation of both lakes and rivers were filtered from the dataset. This selection also contained all the eligible sensors and platforms that we surveyed. Additionally, all platforms and sensors in the Jinsha River could also be acquired by the following sentence and the results are shown in Figure 5 (Damaocun, Xiaohe, Longshancun, Niujie and Huanglishu are five parts of the Jinsha River; instances of the class FeatureOfInterest, FOI_DMC, FOI_Xiaohe, FOI_LSC, FOI_NJ, FOI_HLS, were covered by FOI_JinshaRiver):
在结果中，从数据集中筛选出了八对同时观测湖泊和河流降水的传感器和平台。此外，该选择还包含了我们调查的所有符合条件的传感器和平台。另外，金沙江的所有平台和传感器也可以通过以下语句获取，结果如图 5 所示（大磨村、小河、龙潭村、牛街和黄梨树是金沙江的五个部分；实例 FeatureOfInterest（FOI_DMC、FOI_Xiaohe、FOI_LSC、FOI_NJ、FOI_HLS）均属于 FOI_JinshaRiver）。

图 5. 金沙江所有传感器和平台的搜索结果。

In the result, 18 pairs of sensors and platforms that observed the three observable properties (flow volume, precipitation, and water level) of Jinsha_River were filtered from the experimental period, and this selection contained all the eligible sensors and platforms that we surveyed. The exact dates on which the precipitation was greater than 10 mm per day and the water level was greater than 19 m in the Liangzi Lake could be acquired by the following sentence and the results are shown in Figure 6:
在结果中，从实验期间筛选出了 18 对观测金沙江的流量、降水和水位这三种可观测属性的传感器和平台，并且这一选择包含了我们调查的所有符合条件的传感器和平台。通过以下句子可以获取梁子湖日降水量大于 10 毫米和水位大于 19 米的确切日期，结果如图 6 所示：

图 6. 梁子湖降水量大于 10 毫米且水位大于 19 米的日期结果。

在结果中，从所有实验观测数据集中筛选出了 15 个日降水量大于 10 毫米且梁子湖水位大于 19 米的日期，并且这一筛选包含了我们调查的所有符合条件的传感器和平台。

3.3.2. 知识推理

如 2.2 节所述，经验上，梁子湖的洪水水位阈值设定为 20.5 米，这取决于地形和气象条件。引起洪水的降水量阈值设定为 50 毫米，与暴雨的定义相同。根据 2.2 节中定义的规则，当水位低于 20.5 米且最早降雨日期的降水量低于 50 毫米时，将该时刻设定为洪水准备阶段的开始时间。此日期前一天可以设定为洪水季节的结束日期；最早水位超过 20.5 米的日期设定为洪水响应阶段的开始时间；此日期前一天为洪水准备阶段的结束日期；水位超过 20.5 米的最晚日期为响应阶段的结束时间；此日期后一天为恢复阶段的开始时间。以上可以由以下 SWRL 语句描述：

PREFIX : <http://localhost:8080/HydrOnto.owl#>

sosa:resultTime(?ob_precipitation, ?date) ∧ sosa:hasFeatureOfInterest(?ob_precipitation, FOI_LZLake) ∧ sosa:observedProperty(?ob_precipitation, Precipitation_Lake) ∧ sosa:hasSimpleResult(?ob_precipitation, ?re_pr) ∧ swrlb:greaterThan(?re_pr, 50) ∧ sosa:resultTime(?ob_waterlevel, ?date) ∧ sosa:hasFeatureOfInterest(?ob_waterlevel, FOI_LZLake) ∧ sosa:observedProperty(?ob_waterlevel, WaterLevel_Lake) ∧ sosa:hasSimpleResult(?ob_waterlevel, ?re_wl) ∧ swrlb:lessThan(?re_wl, 20.5) -> :preparednessBeginAt(Flood_LZLake_1, ?date)

利用建立的规则从降雨和水位观测数据中推理出洪水阶段，洪水阶段可以划分为图 7 所示。

图 7. 利用推理规则和 2010 年梁子湖洪水期的日降雨和水位数据划分的洪水阶段。

推理后，2010 年夏季梁子湖的洪水被分为四个阶段：（1）缓解阶段（2010 年 7 月 1 日至 5 日），此时降水量和水位均正常；（2）准备阶段（2010 年 7 月 6 日至 15 日），水位持续上升，从降水量超过阈值的日期开始，到水位超过阈值的日期之前结束；（3）应对阶段（2010 年 7 月 16 日至 8 月 19 日），水位持续超过阈值；（4）恢复阶段（2010 年 8 月 20 日至 31 日），水位低于阈值，降水量正常。

  4. 讨论

如实验结果所示，在复杂条件下，语义查询和推理能够达到预期结果。本文提出的水文传感器网络本体可以支持查询水文传感器网络中的异构资源，并识别洪水事件的各个阶段。它提供了一种通过水文传感器网络动态数据识别关键时间节点的新方法。此外，本体构建方法可以方便地扩展到其他观测领域。详细的益处将在下文中讨论。

4.1. 水文事件和过程的协同监测

目前，许多系统和传感器被用于水文监测，例如澳大利亚塔斯马尼亚州的南埃斯水文传感器网络[16]、长江流域的多源降水观测[34]以及鄱阳湖的浑浊度提取，结合了传感器网络启用和网络处理服务[35]。然而，这些资源通常单独使用，其效果无法满足全面动态地观测事件的要求。本提出的本体基于 SSN 本体，对观测资源类及其关系进行了全面描述，包括观测平台、传感器、观测、感兴趣特征、可观测属性等；此外，引入了时间和空间本体，以支持在时间和空间维度上的描述、查询和推理。此外，本体还扩展了事件类。

基于提出的本体，语义网络查询语言可以获取所有所需资源。如第 3.3.1 节所述，通过简单的句子即可获取所有相关的传感器和平台，这些传感器和平台在特定时间、特定地点观察特定属性。提出的本体使得能够协作获取更全面的水文信息。这对于充分利用现有的水文传感器网络资源具有重要意义。

4.2. 从多种类型的水文传感器网络资源中获取知识并使用推理规则

随着传感器技术的迅速发展，大量数据被采集和积累。从各种数据中自动获取知识并用机器可解释/可理解的规则进行解释具有重要意义。早期的水文模型研究缺乏基于知识的方法来连接异构观测结果。正如第 3.3.2 节的实验所示，在提出的本体模型中引入 SWRL，以识别洪水的关键时间节点。该方法一般适用于其他水文知识的获取，甚至适用于气候变化、精准农业、地表变形监测和应急决策等其他环境观测领域，这些领域需要结合时间和空间信息的多种观测数据的扩展使用。

  5. 结论

本文提出了一种用于洪水监测的本体，该本体用于识别洪水阶段。该本体通过扩展 W3C SSN 本体，加入了主题、空间和时间语义而开发。在长江流域的区域中识别了洪水阶段。在实验中，利用了三种类型的传感器，共计 22 个传感器及其两个月的观测数据，并通过语义查询和知识获取展示了所提出本体的可行性和实用性。

我们的工作提供了一种语义方法，用于整合水文异构传感器网络资源，并通过推理规则从各种观测数据中获取高级知识。另一个重要贡献在于，本文中描述的本体建模过程展示了如何为特定领域扩展 W3C SSN 本体。水文专家可以将更多的类、属性和规则添加到所提出的本体中，以适应新的用途。

该研究未来的研究方向有几项。首先，我们正在补充实例和规则，以描述更多的水文传感器网络资源，并从现有数据中获取有用的知识。同时，我们正在开发一个原型，提供一个友好的用户界面，使最终用户能够建模、查询和推理所提出的本体。此外，近年来出现了许多相关标准，如 W3C 物联网网络（由万维网联盟开发的物联网标准）[36]、ETSI M2M（欧洲电信标准协会发布的机器到机器的一系列规范）[37]、OneM2M[38,39]；确保所提出的本体遵循这些标准是一项重要的未来任务。此外，在必要的修改之后，本文使用的本体和数据集将提交到专业网站进行共享，如物联网的链接开放词汇表（LOV4IoT）[41]和 datahub[42]。