面向智慧城市的地質環境信息平臺建設與應用研究

摘 要：隨著城市化進程的加速和信息化技術的發展，智慧城市建設已成為提升城市管理和服務水平的重要途徑。地質環境信息作為國土空間基礎信息平臺的重要組成部分，在城市規劃、建設和管理中發揮著重要作用。建立全新的、智慧化的地質環境信息平臺，是智慧城市建設對地質環境工作的必然要求，也是實現地質環境工作數字化轉型的關鍵之舉。本文基于上海地質環境信息化工作的實踐與思考，從總體框架、關鍵技術及應用場景等方面，研究提出在智慧城市建設總體框架下，地質環境信息平臺建設與應用的實現路徑，旨在為上海乃至全國其他城市實現地質環境信息化建設提供有益參考與借鑒。

關鍵詞：智慧城市；數字孿生；數字化轉型；地質環境；信息平臺

中圖分類號：P208 文獻標志碼：A 文章編號：2095-1329（2024）02-0058-06

隨著城市化進程的加速和信息化技術的發展，智慧城市建設已成為提升城市管理和服務水平的重要途徑。智慧城市建設是在城市數字化的基礎上，進一步融合各種智能技術，實現城市各領域的智能化管理和服務。2024年5 月，國家數據局發布《深化智慧城市發展 推進城市全域數字化轉型的指導意見》，明確指出“優化綠色智慧宜居環境”，要求增強城市地理信息公共服務能力，加快提升國土空間基礎信息平臺智能化水平，支撐自然資源和國土空間規劃分析決策，開展國土空間規劃實施監測網絡建設試點；“提升城市安全韌性水平”，要求加強城市物理空間安全管理和安全風險態勢感知，提升城市防災減災能力。

地質環境信息作為國土空間基礎信息平臺的重要組成部分，涵蓋自然環境中土體、地下水等的屬性、人類活動對其的影響以及地質環境變化對人類社會和生態環境的效應等多個方面內容。面對城市化進程中土地的高強度和高密度開發，合理利用地質資源、增強地質環境保護顯得尤為迫切。為此必須構建一個動態監測數據鏈[1]，用于追蹤城市地質資源、地質環境和地質災害的變化[2]，進而發展一個綜合的地質環境監測預警系統[3]。隨著大數據、人工智能和云計算等技術飛速發展，通過綜合集成地質環境信息，進行智能化分析和應用，不僅可以為城市綠色發展提供持久動力，也為韌性城市建設提供地質安全保障。現代信息技術已為地面沉降的智能化、系統化監測提供了創新的解決方案[4]。建立全新的、智慧化的地質環境信息平臺，是智慧城市建設對地質環境工作的必然要求，也是推動地質環境工作向數字化轉型的關鍵之舉，符合新質生產力發展方向。

本文基于上海地質環境信息化工作的實踐與思考，從總體框架、關鍵技術及應用場景等方面，研究提出了面向智慧城市的地質環境信息平臺建設與應用的實現路徑，旨在為上海乃至全國其他城市實現地質環境信息化建設提供有益參考與借鑒。

1 總體框架

智慧城市融合了信息感知、物聯網、云計算、大數據、人工智能等先進技術，使各類城市信息實現結構化、系統化和智能化，為城市運營和發展提供更好的管控和服務能力，城市多源數據獲取是智慧城市基礎，數據關聯、分析與理解是關鍵[5]。

地質環境信息平臺是智慧城市建設框架內的重要組成部分，旨在滿足城市規劃、建設和管理過程中對地質環境信息服務的多樣化需求。該平臺整合了城市地質環境數據及相關多源信息，實現數據的集成、互聯互通、統計分析和深度挖掘，最終形成支撐城市可持續發展和安全管理的決策信息和解決方案，并通過與國土空間基礎信息平臺集成，將地質環境信息融入智慧城市建設總體框架，為政府優化城市空間布局、營造城市宜居生態、穩固城市安全防線，打造高品質、宜居、韌性的生態城市形象提供輔助決策支撐。

地質環境信息平臺總體技術架構如圖1 所示。從下往上依次為信息感知層、數據匯聚層、數字孿生層、智能計算層、應用服務層，對現有業務按“感知—匯聚—決策—服務”模式進行重構與流程再造，貫穿地質環境監測、數據治理、智能分析、服務城市發展的全過程。該過程依托地質環境信息平臺標準規范體系、運行維護體系、安全管理體系保障，實現地質環境信息平臺從標準建立到運行維護到安全管理的體制保障和機制創新，確保地質環境信息平臺建設的安全性、適應性、先進性和可拓展性。

1.1 信息感知層

智慧地質環境首先要求建立基于大數據的地質環境態勢感知體系。地質環境態勢感知是在特定時空下，對地質體在動態環境中各種元素或對象的認知、理解以及對未來狀態的預測。從上世紀五六十年代開始逐步建立起規模龐大的地質環境監測網絡，形成“地下―地面―空天”、從陸域到海岸帶的立體地質環境監測體系，極大提升了地質環境監測精度與地質防災減災能力[4]。依托地質環境監測體系建立起態勢感知體系，通過自動化監測、衛星遙感、GNSS、移動端App 等多種技術手段，實時、動態獲取地質環境監測數據，準確把握當前地質環境狀況；利用基于大數據的時序預測模型等智能分析工具，精準預測地質環境狀況的發展趨勢。

1.2 數據匯聚層

智慧地質環境信息平臺需要整合構建多專業、多要素、多層次、多維度的統一底板大數據體系，實現地質調查原始數據和實時動態監測數據的統一管理、分析評價和共享服務。數據匯聚層融合數據湖及緩存等技術，實現數據的統一存儲，為其上各應用提供核心數據一致性，并提升數據訪問效率與速度，為大數據分析、數字孿生、機器學習、預測分析和其他形式的智能操作提供數據基礎。

數據匯聚層通過分層管理方法對數據進行有效組織，其核心優勢體現在降低數據冗余、提升數據的質量和可靠性，同時增強數據的可維護性和便捷性。該層可細分為原始數據層、處理數據層、分析數據層、服務層以及元數據層等關鍵部分，每一層都針對數據的不同處理階段和應用需求進行優化。

（1）原始數據層

作為數據湖的基礎，它集中存儲了從感知體系和各類業務場景中捕獲的多源、異構數據。大數據管理平臺在此層對數據進行統一的初步管理，保持數據的原始狀態，為后續的ETL 過程和深入分析奠定基礎。

（2）處理數據層

該層存儲經過初步加工和清洗的數據。主要任務是將原始數據轉換成適合分析的格式，包括執行類型轉換、坐標系轉換、編碼轉換等操作，同時進行數據清洗以提升數據質量與準確性。

（3）分析數據層

以主題為中心，利用數據聚合和整合工具，將分散的詳細數據匯聚整合，形成統一視圖。這一步驟旨在打破數據孤島，確保數據的一致性和完整性，為決策提供堅實的數據支持。

（4）服務層

位于數據匯聚層的頂端，提供對外的數據訪問和查詢接口。它將經過清洗、轉換和聚合的數據以優化的查詢性能和分析效率存儲在如數據立方體、維度表、事實表等統一數據結構中，支撐數字孿生、智能分析等應用的數據需求。

（5）元數據層

存儲有關數據的描述信息，如數據的來源、結構、質量指標、數據處理歷史等，對數據治理和數據的可追溯性至關重要。通過這種分層管理策略，數據匯聚層不僅提高了數據的可用性和易用性，而且通過精心設計的數據結構和流程，為數字孿生、智能分析等應用需求提供了一個強大、靈活且高效的數據管理和分析平臺。

1.3 數字孿生層

數字孿生是以數字化方式創建物理實體的虛擬實體，并作為物理實體與虛擬實體之間連接的橋梁，實現物理實體與虛擬實體間的映射和互動。數字孿生作為實現傳統產業數字化轉型與智能化升級的有效手段[7]，在智慧城市建設中受到極大關注[8]。數字孿生層是智慧地質環境信息平臺技術架構中的主要組成部分，它通過建模、仿真、數據分析和可視化等技術手段的協同，實現對地質環境及關聯實體和系統的全生態模擬。

首先基于傳統地質調查數據和領域知識，在先進的建模工具和平臺支持下，利用測繪掃描、網格剖分、幾何建模、數據插值等技術方法，構建地質環境及關聯實體的包括結構、物理參數等的數字化模型，這些模型具備足夠的精度，能夠準確還原物理實體的結構和行為。仿真則是為反映地質環境系統行為或過程，在模型中融入相關科學規律和機理，并借助專業問題求解方法如有限元等數值計算工具，再通過軟件運行來模擬地質環境演化，精準刻畫物理世界的特性。仿真作為創建和運行數字孿生的核心技術，是平臺實現數據交互與融合的基礎。實時仿真則通過動態更新的感知數據，使虛擬模型與物理實體保持同步。數據分析則是建立在數字模型仿真的基礎上，通過對模型數據的深度分析，融合物理學知識和人工智能等技術，提取關鍵信息，并根據當前狀態，計算、分析和預測物理對象的未來狀態。為了更好地展現數字孿生模型的結果，設計直觀、用戶友好的可視化與交互界面是關鍵，這不僅包括對模型數據的三維呈現，還包括用戶與模型進行實時交互的功能，以提高用戶體驗。

數字孿生層的設計和實現對于地質環境信息平臺的性能和應用價值至關重要。通過數字孿生，可以實現對地質環境及關聯實體狀態進行感知、診斷和預測，進而優化物理實體，同時進化自身的數字模型，從而不斷提升地質環境服務和管理的運行效率和決策質量。

1.4 智能計算（工具）層

智能計算層在平臺架構中起著關鍵作用，它位于數字孿生層之上，負責將數字孿生模型與實際應用相結合，并完整實現系統復雜業務邏輯，同時提供各類智能化工具，以實現具體的業務功能和智能化決策服務。

業務邏輯是指與特定問題域相關的行為和規則，它定義了地質環境業務流程、計算、操作和決策服務的實現。業務邏輯可以用微服務架構來實現，這樣每個微服務都圍繞一個特定的業務能力構建，封裝了相關的業務規則和流程，通過合理的服務邊界劃分，保證服務的獨立性，并減少對其他服務的依賴。智能計算層還集成各類智能算法，包括集成各類機器學習、人工智能算法，對收集到的數據進行深度分析，提取有價值的信息，實現智能識別、分類、預測等；通過結合知識驅動和數據驅動的模型的應用，可以更深入地理解地質環境的演變規律；通過結合遷移學習技術和RAG（Retrieval-Augmented Generation，檢索增強生成）技術，我們可以在大型語言模型的基礎上，開發出基于地質學知識的智能應用，這種應用能利用已有的語言模型和知識庫，提高地質領域內問題的解答質量和效率。

智能計算層的開發和應用需要多領域跨學科的專業知識，包括地質學、數字化技術、人工智能技術等等，以確保系統的可用性、可靠性和智能化水平。通過智能工具層，數字孿生技術能夠為地質環境業務提供強大的決策服務支持，優化業務流程，提升服務效率。

1.5 應用服務層與應用場景

應用服務層位于智能計算（工具）層之上，主要職能是將智能計算層的復雜操作轉換為前端應用可以調用的服務，即將業務邏輯及智能算法的復雜操作封裝成服務接口，實現了業務邏輯與用戶界面的解耦，使得前端應用可以不依賴于特定的業務實現細節。應用服務層同時負責協調不同業務邏輯層組件的交互，確保系統的業務邏輯能夠被正確地執行，實現復雜的業務流程。為適應新的業務需求和技術變化，應用服務層還應考慮未來的擴展，設計時應盡量保持對底層技術的中立性，以便在不改變業務邏輯的情況下更換實現技術；同時在大數據量的應用場景下，服務層需要考慮如何通過集群、負載均衡等手段提高系統的可用性和穩定性。

應用場景建設則是指在特定的業務背景下，構建和實施具體的應用解決方案。在地質環境信息平臺建設中，應用服務層的設計和應用場景的建設是相輔相成的。服務層的設計需要根據具體的應用場景需求來定制，而應用場景的建設則需要服務層提供穩定、高效、可擴展的服務支持。通過兩者的緊密結合，可以構建出既滿足當前需求又具備未來發展潛力的軟件系統。

2 關鍵技術應用

實現地質環境信息服務的精準高效、可視化和智能化，是智慧地質環境平臺建設的主要目標，因此要在現有技術架構的基礎上，融合包括數字孿生、人工智能等在內的多項前沿信息化技術，進行創新應用和開發，滿足智慧地質環境平臺建設的特定需求。

2.1 三維地質體數值模型構建

三維地質體數值模型構建是地質環境數字孿生的主要核心技術之一。三維地質體建模一般分為地質結構建模和屬性建模，結構建模要求模型外觀幾何形態的準確，而屬性建模則對模型內部網格質量要求較高，并且網格能夠用于數值模擬計算。傳統地質建模方法依據其建模過程和模型數學特征，可以分為顯式建模和隱式建模兩大類[8]。顯式建模結合地質專家知識，通過人機交互劃分塊體邊界，拼接構造生成地質模型，主要用于稀疏數據條件下的復雜地質體結構建模；隱式建模則主要通過隱式函數或方程，用空間插值求解等值面來建立地質模型，因此可用于結構建模，同時由于隱式模型在處理復雜幾何形狀和漸變過渡時更為靈活，適合表達地質體的連續性和變化性，因此也適用于屬性建模。

地質環境數字孿生需要構建融合物理參數的三維地質數值模型，以往研究包括基于GIS 與數值模擬軟件耦合的三維邊坡建模方法[9] 以及利用指示克里金方法實現巖性分布模型與數值模擬相互結合[10] 的方法等。依據上述思路，可以綜合運用GIS 空間分析、指示克里金及機器學習等方法，形成圖2 所示融合多參數的數值模型建立流程，包括地質建模、屬性賦值、數值模擬等主要步驟，通過計算空間中不同巖性分布的概率，從而實現巖性分布模型與數值模擬相互結合。

2.2 基于Web 的大規模三維數據渲染

近年來，基于Web 的三維渲染技術因其跨平臺能力和易用性而受到越來越多的關注。然而，在處理數字孿生模型等大型三維數據時，Web 平臺在數據傳輸和可視化方面面臨諸多挑戰。數字孿生模型通常體積龐大，導致在三維場景交互過程中出現模型加載緩慢、頻繁卡頓等問題，這些問題嚴重影響了用戶體驗。為了解決這些問題，需要應用相關技術來優化Web 三維渲染的性能。

WebGL 是基于OpenGL 的JavaScript API 庫，WebGL可通過瀏覽器將3D 圖形渲染為HTML 頁面，而無需安裝額外的插件。WebGL 在工程，數據分析，地理空間分析，科學和醫學可視化與模擬等多個領域內中使用。三維地理信息框架Cesium 是優秀的開源框架，其核心引擎正是基于WebGL，它可利用現代瀏覽器提供的硬件加速來實現高效的三維圖形渲染。因此項目具體實現可以基于Cesium 開源框架，應用CesiumJS 等工具和資源進行應用性開發[11]。對于大型三維模型，首先采用瓦片加載和按需渲染策略，通過將三維地形和影像數據分割成小塊（瓦片），根據相機視圖的不同，僅在用戶視野范圍內加載和渲染必要的部分，可以顯著減少初始加載時間和內存占用。其次應用LOD 技術，根據視距動態調整模型的細節層次，遠距離顯示低精度模型、近距離顯示高精度模型，減少不必要的計算和渲染開銷。另外使用八叉樹數據結構管理三維空間對象，實現快速的對象查詢和視錐體裁剪，從而優化渲染效率。

此外， 還可應用谷歌Dacro 三維模型壓縮算法、WebWorkers多線程技術等，進一步優化三維模型Web端渲染。

2.3 融合地質知識機器學習方法

在地質領域，數據驅動方法是利用機器學習算法，如深度學習，從地質大數據中自動提取特征和識別模式。模型驅動方法則更側重于地質專家知識的集成，在這種方法中，專家的經驗和理解被用來構建或指導機器學習模型的構建。例如，地質學家可能提供關于地質結構和過程的假設，這些假設可以被用來設計特征工程或選擇特定的機器學習算法。模型驅動方法在解釋性和可靠性方面可能更有優勢，因為它們可以提供更多的領域洞察力。

融合地質知識的方法可以結合這兩種驅動方式的優點。通過將地質專家的知識與機器學習算法相結合，可以創建更準確和可解釋的模型。例如，可以使用地質知識來指導特征選擇，或者作為模型訓練過程中的正則化約束，以確保模型的預測與地質理論相一致。

近年來，物理信息神經網絡（PINNs）獲得了越來越多的關注[12]，這是一種結合了深度學習和物理學知識的機器學習模型。與傳統的數據驅動的神經網絡不同，PINNs 在學習過程中利用物理法則對模型進行指導，從而提高模型泛化能力。PINNs 可以用于解決偏微分方程相關問題，包括方程求解、參數反演、模型發現、控制與優化等。圖3 給出了PINNs 應用于地下水動力過程、地下水環境等數值模擬的一般思路。

3 應用場景建設

地質環境信息應用場景覆蓋多個服務領域。通過應用場景的建設，可以推動技術的創新和應用，促進地質環境工作的數字化轉型。本文選取地質環境信息平臺的典型應用場景，研究地質環境工作面向城市發展及安全需求，為城市提供智慧應用服務路徑。

3.1 地下空間規劃分析應用評價

隨著城市化進程的加速，地下空間作為一種寶貴的資源，其合理規劃與利用對于城市的可持續發展具有重要意義。地質環境狀況對城市發展至關重要，要求在城市地下空間開發在趨利避害的同時減輕其對地質環境的不利影響。該應用場景面向政府管理人員及城市規劃師，提供地下空間規劃分析工具和決策支撐工具。

首先，該系統集成90 萬個地質鉆孔資料數據以及8萬余個各類地下空間模型，70 余萬個部件，能夠提供詳盡的地質數據和地下空間的三維可視化展示，幫助規劃師和決策者直觀地理解地下空間的結構、地質條件以及現有利用狀況。通過對工程、水文地質條件、土性特征等關鍵信息的集成，規劃者可以更準確地評估地下空間開發的可行性和潛在風險。其次，系統提供碰撞分析、沖突檢測、工程斷面圖等豐富的分析工具箱，可模擬不同的地下空間開發方案下，預測地下工程對城市地質環境、安全等可能產生的影響。通過比較不同方案的經濟效益、環境影響和社會效益，決策者能夠選擇最優的規劃策略，實現資源的最大化利用和風險的最小化。此外，系統還具備強大的評價功能，它可以根據預設的評價指標，如地下空間規劃的合理性、經濟性、安全性等，對方案進行綜合評價。通過與國土空間信息平臺的集成，實現數據的共享和流通，可進一步提高了工作效率，增強了規劃的協同性和一致性。

如某交通綜合體規劃涉及大規模地下空間開發利用，地質人員通過系統對地質環境條件進行綜合分析后，提出分層利用地下空間的建議，編制地下空間開發適宜性評價圖件，為后續地下空間開發提供技術支撐。又如在規劃某條地下通道時，相關單位將設計方案導入系統，利用系統內置分析工具箱，判斷其與沿線工程的關系，發現其與現有地鐵某出入口有沖突后，提出設計修改建議，開展地質災害危險性評估，提出風險對策建議。

3.2 軌道交通地質安全

近年來，上海軌道交通建設迅猛發展，規模大、速度快、任務重，均處于較高的水平。然而，上海地鐵建設所面臨的地質環境條件不僅隱蔽性強，而且復雜多變，這使得工程質量和安全問題變得尤為嚴峻。為了有效應對這些挑戰，迫切需要一款高效的工具，它能夠深入挖掘并精準提取海量地質環境數據中的關鍵信息，真實還原地下地質的復雜狀況，并構建出一個直觀、易于理解的地下地質狀況視圖。更為關鍵的是，這款工具還需具備實時監控地鐵周邊地質狀況的能力，對監控數據進行深入分析、模擬和計算，以實現對地鐵周邊地質環境變化的動態把握。

該應用場景基于軌道交通地質環境數字孿生模型，將三維構造模型和三維屬性模型有機融合，基于該模型可以實時的、動態的更新顯示軌道交通地質環境，直觀的查看地鐵結構周圍地層變化，并可以通過分析模擬計算地層的應力場變化、變形程度，利用地質環境大數據分析評估預測地層可能會形成的地質災害，從而實現軌道交通建設、運營管理過程中的風險控制，提升城市軌道交通地質安全管理水平。

3.3 地質災害智能分析與監測預警

為做好城市精細化管理，保障城市安全有序運行，緊扣“一屏觀天下、一網管全城”的目標，推進“一網統管”下的智慧地質災害風險管控系統建設，系統以應用需求為導向，從“觀、管、防”各個層面，提升上海地質災害智能分析與監測預警的工作能級，為城市安全運行提供決策依據。

系統根據三維地下水——地面沉降耦合數值模型，利用大數據挖掘和機器學習與人工智能等方法，基于所建立的模型，實現對不同場景下的地下水位及地面沉降發展趨勢開展模擬預測，以及基于不同分區的地面沉降和水位約束條件下，實現各分區以及各含水層的地下水采灌管理。該系統還以上海某礦坑邊坡為示范，布設傾斜、裂縫監測儀器、數字影像監控等各類感知設備，進行實時動態監測，為該區域突發性地質災害隱患點風險管控提供現場信息和處置建議。

4 結論與展望

本文結合智慧城市建設要求和地質環境業務特點，研究在現代信息技術條件下，開展面向智慧城市的地質環境信息平臺建設的技術路徑。本文通過對感知體系、數據治理、數字孿生、智能分析、應用場景等的分析研究，進一步明確了相應技術所要解決的問題以及應用條件和環境，為開發面向智慧城市專業應用領域的個性化智能平臺，解決地質環境專業領域的智慧化應用提供了有益的借鑒。誠然，數字孿生和智能化等新興技術的深化應用，將成為未來智慧系統建設的核心。通過深入研究智慧系統的構建與應用實踐，我們不僅加深了對智慧系統的理解，其成果更為智慧城市的建設提供了堅實的技術支撐和創新動力。

參考文獻（References）

[1] 吳沖龍， 劉剛， 王力哲， 等. 基于大數據的城市地質環境智能監

管思路與方法[J]. 地質科技通報，2020，39（1）：157-163.

WU C L， LIU G， WANG L Z， et al. Thinking and methods of

intelligent supervision of urban geological environment based

on big data[J]. Bulletin of Geological Science and Technology，

2020，39（1）：157-163.

[2] 劉映， 王寒梅. 基于機器學習的區域工程地質分層思路與方法

研究[J]. 上海國土資源，2023，44（4）：16-20，31.

LIU Y， WANG H M. Research on regional engineering geological

layering method based on machine learning[J]. Shanghai Land amp;

Resources， 2023，44（4）：16-20，31.

[3 林金鑫， 楊天亮， 張歡. 上海市地質環境一體化監測預警體系設

計研究[J]. 安徽地質，2022，32（S1）：66-70.

LIN J X， YANG T L， ZHANG H. Design of integrated monitoring

and early warning system for geological environment in

Shanghai[J]. Anhui Geology， 2022，32（S1）：66-70.

[4] 嚴學新， 楊天亮. 新形勢下上海地面沉降防治策略的思考與建

議[J]. 上海國土資源，2020，41（3）：1-2.

YAN X X， YANG T L. Suggestions for a strategy on land

subsidence prevention and control in Shanghai under the new

situation[J]. Shanghai Land amp; Resources， 2020，41（3）：1-2.

[5] 陳寶權. 從數字城市到數字孿生城市[J]. 中國計算機學會通

訊，2021，17（7）：22-29.

CHEN B Q. From digital city to digital twin city[J]. Communications

of the China Computer Federation， 2021，17（7）：22-29.

[6] ZHANG M， TAO F， HUANG B Q， et al. Digital twin data： methods

and key technologies[J]. Digital Twin， 2021. doi：10.12688/

digitaltwin.17467.2.

[7] DENG T， ZHANG K， SHEN Z. A systematic review of a digital

twin city： A new pattern of urban governance toward smart cities[J].

Journal of Management Science and Engineering， 2021，6（2）：125-

134.

[8] 郭甲騰， 吳立新， 周文輝. 基于徑向基函數曲面的礦體隱式自動

三維建模方法[J]. 煤炭學報，2016， 41（8）： 2130-2135.

GUO J T， WU L X， ZHOU W H. Implicit automatic 3D modeling

method of ore body based on radial basis function surface[J].

Journal of Coal， 2016，41（8）：2130-2135.

[9] HAN T C， LIN B W， LU H E， et al. Three-dimensional slope

modelling method and its stability based on coupled GIS and

numerical simulation software[J]. Rock and Soil Mechanics，

2019，40（7）：2855-2865.

[10] 程曦文， 李天斌， 馬春馳， 等. 一種多屬性三維地質模型的

快速建模方法及在高地應力隧道中的應用[J]. 工程地質學

報，2023，31（1）： 959-967.

CHEN X W， LI T B， MA C C， et al. Fast modeling method of multiattribute

3D geological model and application in high geostress

tunnel[J]. Journal of Engineering Geology， 2023，31（1）： 959-967.

[11] 李智文. 基于CesiumJS 的三維空間可視化技術研究[D]. 上海：

華東師范大學，2019.

LI Z W. Research on 3D spatial visualization technology based on

CesiumJS[D]. Shanghai： East China Normal University， 2019.

[12] RAISSI M， PERDIKARIS P， KARNIADAKIS G E. Physicsinformed

neural networks： A deep learning framework for

solving forward and inverse problems involving nonlinear partial

differential equations[J]. Journal of Computational Physics， 2019，

378： 686-707.