语义智能世界框架

摘要

本文提出了一个通用的语义智能世界框架(SSWF)，以覆盖候鸟的路径。该框架结合了语义和大数据技术来支持大数据的意义。为了构建提出的智能世界框架，云计算、语义技术、大数据、数据可视化和物联网等技术是混合的。我们通过在世界不同地区自动预测空气质量指数和不同天气现象的案例研究来演示提出的框架。我们发现了空气污染和不断增加的天气状况之间的联系。实验结果表明，该框架适用于异构大数据。

1.介绍

候鸟可以在没有国界的国家间从一个地方迁徙到另一个地方;所以，我们需要使用“智能世界”的概念。在“智能世界”的挑战中，大数据可以为世界服务。这些挑战大多与数据管理有关。被引用最多的问题是隐私问题和如何处理世界数据的异质性。一个重要的问题是如何构建一个通用的智能世界框架，以支持任何城市的所有维度，无论其大小和特征。

信息和通信技术(ICT)和物联网(IoT)的快速发展对城市的物理基础设施、建筑、交通系统、治理、环境监测、医疗保健等方面产生了影响。利用ICT整合设备、平台和应用对智慧城市具有重要意义[1.]．

“智慧城市”一词有许多不同的定义。一些作者将智慧城市定义为社会、物理和IT基础设施的整合，以提高城市服务质量。其他作者则关注一套信息和通信技术（ICT）工具，以整合智慧城市环境[2.]．

城市计算是对城市空间中传感器、设备、车辆、建筑、人等不同来源产生的海量异构数据进行采集、整合和分析的过程。这些资源旨在解决城市面临的主要问题(例如空气污染、能源消耗增加和交通拥挤)[3.]．城市计算面临三个主要挑战:城市传感和数据采集、异构数据计算和结合物理和虚拟世界的混合系统。

最近，在智能城市的不同维度（包括交通）提出了许多框架[4.]，环境[5.)、能源(6.)、社会(7.)、经济(8.]，以及公共安全及保安[9]．这些框架大多不包括结果的语义解释，而侧重于特定的领域。一般来说，智慧城市产生的数据往往不容易被人类理解，因为它有与大数据相关的挑战。大数据的概念通过考虑五个Vs [10]：(1)Volume:指所有不同来源所产生的数据的大小。(2)速度:指数据变化的速度。(3)多样性:指生成的数据的不同类型。(4)准确性:指数据的质量。(5)取值:数据的值。

因此，有必要建立一个总体框架来克服城市数据带来的挑战。

为达到研究目的，本文结构如下2.回顾背景及以往相关工作。部分3.说明提出的框架体系结构。部分4.描述了我们提出的框架SSWF的实现。部分5.提供SSWF的案例研究，以分析候鸟路径上的空气污染和天气6.解释应用建议框架的结果。部分7.讨论了本研究的重要贡献和局限性，并对论文进行了总结。

2.相关工作

不同的城市已经建立了物联网基础设施和各种传感器设备来收集所需的数据。大量的研究项目集中于智能城市产生的物联网数据的收集和经济性。

许多智慧城市框架可以分为三类[11]：(1)模型:智慧城市的抽象框架。(2)特定目的模型:与智慧城市某一领域相关的框架和应用程序。(3)多领域模型:将智慧城市描述为一个复杂系统并考虑多个领域的框架和应用程序。

智能城市框架主要关注现有的智能城市平台。现有工作主要集中在四个关键领域：（1）数据采集，（2）语义互操作性，（3）数据分析，（4）智能城市应用开发支持[12]．

根据使用的技术，我们将智慧城市的框架分为四类。几乎所有的框架都至少使用以下一种或多种技术(大数据、云计算、物联网和语义技术)。数字1.介绍技术及其功能。

表格1.对智慧城市框架和所使用的技术进行了比较研究。表格1.还探索了安全性和API服务。SCDAP“智慧城市数据分析面板”是智慧城市应用的大数据分析框架，该架构的主要特性仅限于Apache Hadoop套件作为底层数据存储和管理层[13]．“CityPulse”框架通过分布式系统支持智能城市服务的创建，用于实时物联网数据和社交媒体数据流的语义发现、数据分析和大规模解释[12]．Zhang等[14]提出了一个语义框架，将智能城市的物联网与机器学习集成在一起。该框架基于语义和机器学习技术为某些类型的物联网应用检索和建模城市数据。它被用来检测来自车辆的污染和检测交通模式。Spitfire和iCore是使用语义技术进行物联网数据收集的框架[15]．CITIESData是一个智能城市数据管理框架，包括数据收集、清理和发布[16]．将智慧城市数据划分为不敏感、准敏感和开放/公共三个层次。然后提出不同的策略来处理和发布这些类别中的数据。Mohbey [17]提出了利用大数据和物联网等不同技术的智慧城市框架。它关注与智慧城市的实时决策相关的问题。Bibri [18]提出了一个基于大数据和传感器数据的智慧城市框架。

还有一些问题需要考虑。一方面，大数据、语义技术、云计算、物联网、数据振兴等混合技术尚未整合，无法支撑更高效的智慧城市框架。另一方面，大数据框架并不支持增加数据价值的意义。语义框架在数据检索和处理方面太慢了。在以前的框架中，安全问题仍然很普遍。

3.提出的语义智能世界框架(SSWF)体系结构

世界上有一系列智能城市数据中心，专门收集和测量鸟类迁徙、环境污染和气候变化等自然现象的大数据。这些数据中心存在许多问题;它们没有连接在一起;他们为世界上的智慧城市服务;而且，没有开放的数据获取渠道。

SSWF是将语义网和大数据技术结合起来，连接、预测和发现世界大数据知识的通用语义大数据框架。城市之间没有国界。

数字2.展示了语义智能世界框架的概念。

存储、处理、分析、共享等大部分数据相关的活动都需要大数据技术，而事件检测、推理、决策支持等意义相关的活动则需要语义技术。因此，本研究旨在建立和发展一个智慧城市的总体框架，利用数据相关和意义相关活动的组合。

如图所示3.智慧城市的基础设施产生了异构的大数据。SSWF在智慧城市基础设施方面的架构分为以下几个阶段:(1)大数据存储;(2)通用知识库;(3)并行分布式大数据处理;4)语义大数据动态查询(5);数据分析;(6)数据可视化。

在本节中,我们描述了SSWF体系结构中的每个组件。智慧城市的基础设施产生了异构的大数据。主要的挑战是如何从传感器、服务器、设备、车辆、建筑和人类活动等大量异构来源收集和及时推送城市事件数据，并同时处理历史和实时大数据。

３．１．大数据存储

这个阶段负责存储从智慧城市收集的数据。它使用Hadoop分布式文件系统(HDFS)和NoSQL数据库等大数据存储系统。此外，该组件应该能够执行有用的预处理任务，如数据过滤、规范化和转换。

３．２．通用的知识库

在这一阶段，我们建立了一个基于本体的通用语义数据模型。此模型应自动对数据进行分类、关联关系和查找新关系。这是通过使用OWL“Web本体语言”和本体重组方法作为合并来实现的。

３．３．并行和分布式大数据处理

该阶段负责智慧城市数据在分布式集群节点中的处理。有两种类型的数据处理:流处理，执行实时数据流;和批处理，以执行大型历史数据集。选择合适的分布式大数据处理框架。

3．4．语义大数据动态查询

该阶段将语义动态查询与大数据分布式处理相结合。我们将NoSQL与通用知识库连接起来。语义动态查询可以直接在HDFS/NoSQL中存储的数据上运行，不需要任何数据移动或转换。运行查询有两个主要步骤:(1)RDF Loader使用MapReduce将RDF数据集转换为数据布局。(2)查询编译器基于SPARQL表达式的代数表示，将给定的Sematic动态重写为大数据生态系统的SQL。

如图所示的一般动态SPARQL查询4.。查询由三部分组成:SELECT子句标识变量要显示在查询结果中，WHERE子句提供基本的图形模式来匹配数据图，以及包含关联规则或条件的过滤器。查询可以包括修饰符(Group BY、HAVING、ORDER BY、LIMIT、OFFSET和VALUES)。

我们在数据可视化阶段配置一般的动态SPARQL查询。

3．5．数据分析

在此阶段，将进一步分析处理后的数据，以利用事件并帮助决策者做出正确决策。此阶段支持语义过滤、语义监视、事件检测和知识发现。语义过滤是一种基于表达式的过滤，其形式是描述逻辑原子与OWL数据类型和内置SWRL（语义Web规则语言）的结合。我们在通用语义数据模型中构建过滤器表达式。然后将过滤器表达式转换为SPARQL查询。语义监视允许在本体中定义事件类型分类和事件参数。我们在通用语义数据模型中定义它们。事件检测转化为查找给定事件发生属于其域的一组事件类型。

知识发现(或数据挖掘技术)必须适应大数据分析。在这个阶段，我们处理了Gamma关联系数以使其适合使用。

这个γ关联系数(也称为伽马统计)向我们展示了一系列数据或事务中的一组项“匹配”的紧密程度。Gamma可以为连续变量(如温度或湿度)或离散变量(如“热”或“冷”)的有序(有序)变量计算。伽马估计量是基于一致和不一致的观测值的数量。它忽略了捆绑对(即具有相同观察值的对)价值或相同值)。Gamma系数的范围在−1和1之间。1表示完全正关联，−1表示完全逆关联。如果变量之间没有关联，则值为零[19]．

假设交叉表或2 × 2交叉表公式如式所示(1)。

在哪里频率是否可变对 , 频率是否可变对 , 频率是否可变对 , 频率是否可变对 。

方程(2)表明γ缔合系数γ

请注意,比较对角线单元格的乘积到非对角线细胞的产物 。分母是一个调整，以确保总是在+1和−1之间。

对于方程中的数据集中的任意类别属性，我们采用2 × 2表的概化方法(3):

让和然后，交叉表将被删除

然后对每两个类别 ,方程中有2 × 2的交叉表(4)。

我们可以将2 × 2交叉表中的变量化简为

它是满足条件的记录数&类情况,

在哪里满足条件的记录总数 ,

在哪里满足条件的记录总数 。

。

然后方程(5)一般显示2 × 2交叉表将

然后方程（6)表示最简单的形式适合大数据

以这种方式简化只需要计算这个计算也必须计入任何关联规则发现，以计算支持度和置信度。

3.6。数据可视化

前面的组件以一系列值的形式生成输出。为了表示这些值，需要使用可视化技术。在这种类型的技术中，我们关注的是如何使头脑中的知识的表示更容易理解。某些表示形式可能比其他形式更适合于特定种类的知识。用户可以选择或者数据驱动。可视化技术可以分为(图形化、表格化或仅使用颜色)。用户可以通过一组数据可视化组件(如仪表板、移动应用程序和APL)访问提议的框架。

4.落实建议的架构“可持续发展基金”

在本节中，我们将说明所提出的框架SSWF中使用的硬件和软件包，并解释所提出的框架SSWF的数据流。

为了实现SSWF，我们需要在每一层使用合适的软件。我们使用高性能计算系统的见闻》太阳Tflops集群性能峰值的11.8,130 8核计算节点,每个节点2四核的套接字,每个都是英特尔四核至强E5440 @ 2.83 GHz,每节点,8 GB的内存总内存1.05 Tera字节,36个结核病共享,新型互连,Ethernet和4x SDR Infiniband网络用于MPI, 4x SDR Infiniband网络用于I/O到全局Lustre文件系统。

我们使用java JDK开发了一个语义指示板，然后使用Protégé构建了一个通用知识库。数据由大队列工具从不同数据源推送到NoSQL存储。根据数据的大小，SSWF将数据存储在HDFS或Hbase中。SSWF对历史数据进行批处理，对实时数据进行流处理。SSWF使用Sempala Alexander [20.作为在Hadoop上的SQL上的交互式SPARQL查询处理。SSWF在城市的通用语义数据模型上生成一个动态的SPARQL查询。

图中展示了如何将动态SPARQL查询转换为Spark SQL的完整示例5.， (1) SPARQL查询查询“London”2010年平均Q3，对应的代数树如(2)所示，Spark SQL查询如(3)所示。

在数据处理阶段;Alkatheri [21]建立了大数据框架之间的比较研究。在非实时数据方面，与Spark、Apache Storm、Flink和Apache Hadoop框架相比，Spark在各个关键性能指标(KPI)上都是赢家，而在流处理方面，Flink是最好的。这些kpi包括处理时间、CPU消耗、延迟、执行时间、任务性能和可伸缩性。我们比较了Spark和Flink框架在高性能计算(HPC)上的性能。我们发现Spark框架相对于之前的kpi是最好的框架。

Spark是非常快速和容易收集大量数据处理。Apache Spark是一个工作在内存系统上的分布式处理框架。它以高性能著称。它易于使用，具有灵活性和处理海量数据的效率。此外，它还支持使用基于Hadoop的存储系统，以Python和Java等语言开发应用程序。

表格2.介绍了在提出的框架SSWF中使用的软件包及其功能。

图1显示了说明此数据流过程的相应序列图6.。

5.以SSWF为例分析候鸟路径上的空气污染和天气

世界卫生组织(世卫组织)显示，十分之九的人呼吸的空气含有高浓度污染物。据估计，每年约有700万人死于被污染的空气[30.]．由于隐私问题，大多数组织都拒绝外部研究人员访问他们的数据。

我们研究空气质素[30.]及天气预报[31从1969年到2012年，40个欧洲国家的监测数据。每年的数据量为1.5 GB。在每小时监测的基础上，考虑多个天气因素(温度、风速、湿度、降雨量等)。空气污染物包括空气动力直径≤10的颗粒物µ颗粒物（PM10）、PM2.5、二氧化氮（NO_2.)，二氧化硫（SO_2.)，一氧化碳（CO）和臭氧（O_3.)。欧洲环境署（EEA）启动了欧洲空气质量指数（AQI），以检查欧洲各城市和地区的当前空气质量。我们将我们的结果与欧洲空气质量指数（AQI）进行比较(http://airindex.eea.europa.eu/)来检验我们的预测。

我们通过对通用知识库中的某些类应用Gamma关联系数来发现知识。因此，我们建立了2011年伦敦PM2.5、温度和湿度之间的关联规则发现。

我们预测了通用知识库中任何属性的价值。主要的挑战是在候鸟迁徙路线的某些地方缺少数据。因此，SSWF搜索最近的区域有数据，并预测缺失的数据。在这种情况下;我们预测了NO的年平均值_2.2011年在埃及上空。

现在，我们在以下几节中应用SSWF。

5.1。数据存储

在这个阶段，可以从不同的来源收集数据。BigQueue将来自所有数据源的数据推送到NoSQL存储和HDFS。它可以打开到数据库的一个连接并同步其他连接。为了加快查询添加到地理位置列族,日期时间信息域添加DateTime列族,空气污染空气质量信息域添加列族,天气和天气信息域添加列族,分别与整个表的逻辑视图所示表3.。

5.2。通用的知识库

我们创建了一个通用知识库智能城市环境本体（SCEO），可以处理静态、半静态和实时数据。SCEO可用于查询预测、建议和推断。

SCEO是一个通用的本体论，它融合了多个本体论。这次合并将扩展知识库。这种合并对于不同知识库之间的知识转移是必要的。本体之间的共同点是位置和时间组件。

位置和时间组件使用标准的GEO W3C本体(http://www.w3.org/2003/01/geo/）.我们定义了一套空气质量指数与天气的关联规则。表格4.显示空气质量指数与空气污染参数值。

数字7.展示了智慧城市环境结构的本体概貌。scio包含一组类，如(县，市，站，设备，传感器，空气污染，天气，水，空气质量，气候变化)。它还包含一组子类，如空气污染有(CO, O_3.,没有_2.,所以_2.(如PM2.5.PM10)和天气(温度、风、湿度、降雨量等)。

5.3。数据处理

在此阶段，可以在现有集群HPC平台上对内存中的大型分布式数据集高效地处理动态SPARQL查询，而无需数据准备开销。可以在Sempala上运行动态SPARQL查询，Sempala将SPARQL查询转换为代数表示，然后转换为Spark SQL。

5.4。数据可视化

地理仪表板已经实现。使用Apache服务器tomcat托管Dashboard。数字8.显示建议框架的仪表板使用仪表板控件轻松配置动态SPARQL查询。结果可以按范围或输出值的数量进行筛选。仪表板提供动画标记群集。

6.分析的结果

出于评估目的，我们测量处理动态查询的时间，以检索在不同时间段过滤的所有空气质量和天气参数，如图所示9。表格5.显示了在查询代码2的处理时间上，普通RDF和所提出的框架之间的比较。数字10显示了原始数据的时间处理(秒)柱状图，以及在不同时间段提出的框架。

我们测量了2008年至2012年伦敦PM10的月平均空气质量指数https://data.london.gov.uk/以及我们提出的框架，如图所示11。

数字12显示2008 - 2012年伦敦PM10月平均空气质量指数与我们提出的框架的比较。框架计算的空气质量指标与实际数据的匹配率为98%。

现在，我们可以通过在任意两个类上应用关联系数来发现知识。

我们建立了2011年伦敦PM2.5与温度和湿度之间的关联规则发现。

哪里为每条规则中PM2.5的数量。即，同时满足两个类。

为第二类各类PM2.5总量，

为样本的总数。

例如，如果我们不计算范围低(10-20 (µg m^−3.)和湿度低型(小于70)，然后图13展示了语义Web规则语言(SWRL)规则。

表格6.可视化伽玛关联系数的结果和相关关联规则发现湿度和PM2.5的日平均在2011年伦敦。

PM2.5等级低(10-20 (µg m^−3.)、湿度低型(小于70)和低PM2.5与不低湿度的周关系。

数字14显示了2011年伦敦上空湿度、温度和PM2.5之间的关系曲线，证实了上述知识发现规则。

最后，我们可以应用关联规则发现函数来预测通用知识库中任何属性的值。主要的挑战是，在候鸟迁徙路线上的一些国家或城市没有相关数据。因此，SSWF搜索最近的有可用数据的区域，并预测新的区域数据值。在这种情况下，我们预测NO的年平均值_2.2011年在埃及上空。我们的案例研究数据中没有关于埃及的任何信息。离埃及最近的地区是塞浦路斯，距离埃及956公里。根据埃及环境事务局(EEAA) (http://www.eeaa.gov.eg)的年平均值_2.在2011年超过埃及是58 (µg m^−3.）.该框架预测了NO的年平均值_2.是56.25(µg m^−3.)，准确率为96.9%。

7.结论

智能世界是一个梦想，但我们可以做到，就像世界各地的候鸟无需签证。本文提出了一个面向智能世界的通用语义大数据框架。SSWF为不同数据源生成的数据提供了一个通用知识库。SSWF不仅提供数据，还提供对数据读取的含义、上下文和数据、事实和事件之间的关系的理解。SSWF通过使用40个欧洲国家的空气质量和天气监测数据，以RDF的三倍增加了数百万个记录。该框架的优点是(1)终端用户自管理来自不同数据源的数据的能力不断增强。(2)独立于服务和环境领域的框架。(3)管理来自不同数据源的概念和关系。该框架的主要特点是:(1)建立通用的语义数据模型。(2)定义一组关联规则发现，用于预测、建议和推理。 (3) Service-Oriented Architecture (SOA). (4) Use of semantic RDF standards to make the data “self-describing”. (5) Management of big data. The matching ratio between framework calculation and real data in the Air quality index is 98%. The matching ratio between framework calculation and real data in prediction new values is up to 96.9%. Finally, in future work, we will add more analysis techniques. We will merge Smart City ontologies with different domains to increase knowledge and pattern detection.

数据可用性

用于支持本研究结果的数据可根据要求从相应作者处获得。

的利益冲突

作者声明他们没有利益冲突。

致谢

作者要感谢支持我们框架硬件的HPC团队，还要感谢空气质量和天气数据提供商。

参考文献

1. D.埃文斯，《物联网:互联网的下一次进化如何改变一切》，2011年出版。视图:谷歌学者
2. E. E. Santana，“智慧城市的软件平台:概念、需求、挑战和统一的参考架构”计算机协会(CSUR)，第78-110页，2018。视图:谷歌学者
3. 郑宇宇，L. Capra, O. Wolfson，杨华，“城市计算:概念、方法和应用”，美国计算机学会智能系统与技术汇刊，第38-52页，2014。视图:出版商的网站|谷歌学者
4. S. Djahel, R. Doolan，通用汽车。Muntean和J. Murphy，“智慧城市交通管理系统的沟通导向视角:挑战和创新方法”，IEEE通信调查与教程，第十七卷，第二期1, pp. 125-151, 2015。视图:出版商的网站|谷歌学者
5. y A.-Y。郑，“基于云的空气质量监测知识发现系统”，技术代表，2014，微软技术报告。视图:谷歌学者
6. 尚杰，郑亚，童伟，常恩，余勇，“城市机动车尾气排放与排放的关系”，《交通运输与管理》，2018年第4期第20届ACM SIGKDD知识发现与数据挖掘国际会议论文集， acm，纽约，美国，2014。视图:出版商的网站|谷歌学者
7. 袁军，郑亚，谢旭东，“基于城市空间信息系统的城市功能区域研究”，《地理学报》第十八届ACM SIGKDD知识发现与数据挖掘国际会议论文集中国，北京，2012。视图:出版商的网站|谷歌学者
8. 熊义夫，“房地产排名的地理相关性建模，”从数据中发现知识的ACM事务（TKDD），第11-35页，2016。视图:谷歌学者
9. R. Lee和K. Sumiya，“基于twitter的地理社会事件检测的人群行为的地理规律测量”，发表于第二届ACM基于位置的社交网络国际研讨会论文集， ACM，圣何塞，加州，2010。视图:出版商的网站|谷歌学者
10. K. R. Jayashree, R. Abirami和R. Babu，“物联网、大数据和智慧城市的合作方法，”智能和互联城市的大数据分析， IGI Global, 2019年。视图:出版商的网站|谷歌学者
11. G. D 'Aniello, M. Gaeta和F. Orciuoli，“一种基于语义流推理的方法来支持智能城市的决策过程，”远程信息处理和信息第35期1, pp. 68-81, 2018。视图:出版商的网站|谷歌学者
12. D. Puiu, P. Barnaghi, R. Tonjes等，“citpulse:智能城市的大规模数据分析框架”，IEEE访问，第4卷，第1086-11081016页。视图:出版商的网站|谷歌学者
13. A. M. S. Osman，“智能城市的新大数据分析框架”，未来几代计算机系统，第91卷，第620-633页，2019。视图:出版商的网站|谷歌学者
14. 张宁，陈慧，陈建军，“面向智能城市的物联网语义框架研究:案例分析”，《中国科学:信息科学》传感器，第16卷，第5期。9、pp. 1501-15024, 2016。视图:出版商的网站|谷歌学者
15. D. Pfisterer, K. Romer, D. Bimschas et al， " SPITFIRE:迈向事物语义网"IEEE通讯杂志，第49卷，第49期。11, pp. 40-48, 2011。视图:出版商的网站|谷歌学者
16. X. Liu, a . Heller, P. S. Nielsen，“城市数据:智慧城市数据管理框架”，知识和信息系统，第53卷，第3期，第699-713页，2017年。视图:出版商的网站|谷歌学者
17. K. K. Mohbey，“一个使用大数据技术和物联网的智能城市的有效框架，”智能系统和计算的进展，页319-328,2019。视图:出版商的网站|谷歌学者
18. S. E. Bibri，“未来智能可持续城市的物联网:基于传感器的环境可持续性大数据应用分析框架”，可持续城市与社会，第38卷，第230-253页，2018。视图:出版商的网站|谷歌学者
19. 系数γ,2019,https://www.statisticshowto.datasciencecentral.com/gamma-coefficient-goodman-kruskal/。
20. 美国亚历山大,P.-Z。Martin, N. Antony，和L. Georg，“Sempala: Hadoop上的SPARQL交互式查询处理”，in第13届国际语义网会议论文集，第19-23页，施普林格，意大利，2014。视图:出版商的网站|谷歌学者
21. S. Alkatheri, S. Abbas, M. Siddiqui，《大数据框架的比较研究》，国际计算机科学与信息安全杂志, 2019年。视图:谷歌学者
22. S. Zareian, M. Fokaefs, H. Khazaei, M. Litoiu，和X. Zhang，“云监控的大数据框架”第二届大数据软件工程国际研讨会论文集， pp. 58-64, IEEE, Austin, TX, USA, 2016。视图:出版商的网站|谷歌学者
23. ApacheHadoop，2019年，https://hadoop.apache.org/。
24. Apache HBASE, 2019年,https://hbase.apache.org/。
25. Apache火花,2019年,https://spark.apache.org/。
26. SPARQL查询语言，2019，https://www.w3.org/TR/rdf-sparql-query/。
27. 网络本体语言，2019，https://www.w3.org/OWL/。
28. 资源描述框架，2019，https://www.w3.org/RDF/。
29. Java语言中,2019年,https://www.java.com/。
30. 欧洲环境局https://www.eea.europa.eu。
31. 欧洲气候评估和数据集，2019，https://www.ecad.eu/。

版权

版权所有©2020 K。ElDahshan et al。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。