基于混合數據庫的長江流域數據要素流通平臺構建

摘要：隨著數字化技術的不斷發展，數據要素對經濟社會發展的推動作用日益顯著，數據要素的流通有利于進一步釋放數據的潛在價值。目前，長江流域數據要素已經具備了流通體系構建的基礎，但其存儲管理及共享缺乏標準化體系，存在多源異構數據資源管理效率低、安全共享支持能力較弱的問題。針對以上問題，利用耦合ClickHouse、PostgreSQL和MongoDB的混合數據庫技術構建長江流域數據要素流通平臺，實現業務管理、基礎地理、時序數據、遙感影像4類主體要素的存儲與共享，從數據結構和數據索引的角度設計了數據要素存儲方案，從數據要素查詢、服務和權限管理的角度設計了數據要素共享方案。該方法為數據要素流通平臺提供大容量存儲能力、高效寫入寫出能力以及并發共享能力，并通過區塊鏈技術確保了數據要素流通全流程的安全性，形成了一套標準化的數據要素流通技術。實踐應用表明，所提出的數據要素流通技術符合長江流域數據要素流通平臺的應用需求。

關 鍵 詞：數據要素流通； 數據存儲； 數據共享； 列式數據庫； 關系型數據庫； 空間數據庫； 分布式文件數據庫； 長江流域

中圖法分類號： F49；TP311.13 文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2025.03.030

0 引 言

國家數據局印發的《“數據要素×”三年行動計劃（2024—2026年）》指出，要通過數據的協同、復用、融合發揮數據的乘數效應，指導各行各業打破信息孤島，促進跨部門合作，提高數據資源的利用效率，進一步釋放數據的潛在價值。長江為中國最長、流域面積最廣的重要河流，其流域活動對國家經濟具有重要支撐作用。長江流域主要業務涵蓋水利、航運、能源、政務、氣象等領域，已經積累了夯實的數據基礎，具備廣闊的數據流通應用場景。

然而，目前長江流域數據分散在各個地區不同業務部門或應用系統中，每個信息采集單元之間形成了以地域、專業、部門、系統等為邊界的信息孤島，嚴重阻礙了長江流域的系統統籌規劃管理和經濟發展。因此，消除長江流域的信息壁壘，構建有序的要素信息流通渠道，形成體系化的數據存儲管理方法，已成為當前亟需解決的發展需求。具有潛在流通價值的長江流域數據要素部分條目如表1所列。

為實現長江流域數據要素的流通，需根據其結構化程度、體量特征和流通需求，設計合理的存儲管理方案。根據數據要素能否被二維表結構表征，可以將長江流域數據要素分為結構化數據和非結構化數據。在結構化數據中，非地理空間要素統稱為業務管理要素，不定期離線更新的地理空間要素統稱為基礎地理要素，高頻實時更新的地理空間要素統稱為時序數據要素。非結構化數據以遙感影像為主，統稱為遙感影像要素。

此前，已有大量學者針對不同數據要素的存儲管理進行相關研究。錢建國等［1］利用PostgreSQL提供的Postgis擴展實現了基礎地理矢量及柵格數據在數據庫內核中的對象管理與拓撲計算，避免了與外部空間引擎的數據交互。潘明陽等［2］利用MongoDB原生支持地理索引的特性構建了時空軌跡數據庫，實現了船舶數據的區域查詢，但未實現時空查詢。閆密巧［3］采用Redis與SSDB數據庫結合的方式管理船舶軌跡數據，將數據持久化到硬盤上，加快了數據的寫入速率，并利用矩形幾何索引實現了簡單的空間查詢功能，但索引構建過程繁瑣。目前，遙感影像要素的存儲管理通常采用將影像劃分為瓦片的方式［4］。通過文件系統存儲遙感影像，可以實現影像的方便管理，但在并發訪問和快速檢索影像數據方面存在一定的困難。利用關系數據庫進行遙感影像存儲時，隨著影像數據量的不斷增加，入庫所需的時間也在延長，這使得管理PB級的海量遙感影像變得愈加困難［5］。

針對現有技術在數據要素存儲管理上的性能問題，本文提出一種基于混合數據庫技術的數據要素流通技術，采用PostgreSQL存儲業務管理要素和基礎地理要素，實現空間數據的結構化存儲和空間查詢；采用ClickHouse存儲時序數據要素，設計時間分區策略及H3空間網格索引，提升空間查詢能力；采用MongoDB分布式文件系統存儲遙感影像要素，提高數據的并發訪問能力和系統穩定性。其次，設計數據的查詢、服務、權限管理方案，以支撐數據要素的安全共享。最后，將該技術應用于長江流域數據要素流通平臺的構建，驗證其適用性和高效性。

1 基于混合數據庫的數據要素存儲技術

1.1 數據要素結構設計

業務管理要素數據體量小但更新頻繁；基礎地理要素數據具有空間數據的存儲查詢需求；時序數據要素更新頻率高、批量大，其存儲需重點解決空間利用率低、空間查詢能力弱的問題；遙感影像要素存儲體積大，存儲結構不易組織。針對以上問題，該節基于現有基礎數據庫和數據要素流通需求，采用PostgreSQL、ClickHouse、MongoDB耦合的混合數據庫存儲技術，搭建數據要素流通存儲架構。

1.1.1 業務管理要素

業務管理要素數據類型簡單，一般以數值、字符、日期為主，其存儲結構包括表名、字段名、字段數據類型、字段約束條件4個基本要素［6］。按照數據特征和查詢需求設置字段數據類型和約束條件，以面雨量數據表為例，其數據存儲結構如表2所列。

1.1.2 基礎地理要素

基礎地理要素在業務管理要素的基礎上，還包含了地理空間屬性，包括點、線、面3類，在數據庫中采用geometry數據類型進行存儲。geometry類型包括 Point（單點）、LineString（單線）、Polygon（單面）等多個幾何元素［7］。單個點坐標空間屬性采用Point類型存儲，具有線狀特征的空間屬性采用LineString存儲，通過多邊形表征的面狀空間屬性采用Polygon進行存儲；此外，geometry還支持多點、多線、多面的復合空間信息存儲格式。分別以10 m經向風預報數據、流域水溫數據、總降水量預報數據為例，展示點、線、面3種地理空間屬性的存儲架構，具體內容如表3所列。

1.1.3 時序數據要素

時序數據要素的存儲結構包括表名、字段名、字段數據類型、表存儲引擎，采用MergeTree表存儲引擎以支持分區存儲和多級索引［8］。針對船舶軌跡數據表，根據數據體量對時間字段或空間區域進行分區，并通過在數據寫入時增加網格編碼字段（GridID）的預計算［9］，支撐空間數據的高效查詢。船舶軌跡數據的存儲結構如表4所列。

1.1.4 遙感影像要素

遙感影像要素包括元數據和影像實體，元數據記錄影像的基本信息，包括影像信息和瓦片信息，是影像實體管理和檢索的基礎，影像瓦片分片規則如圖1所示；影像實體則是指實際的遙感影像，屬于非結構化數據［10］。元數據存儲結構如表5所列。影像ID和瓦片ID分別為遙感影像信息表和影像瓦片信息表的行唯一標識，瓦片信息表通過影像ID與影像信息表建立外部關聯關系。因此，為影像信息表的影像ID字段和瓦片信息表的瓦片ID字段構建主鍵約束，為瓦片信息表的影像ID構建外鍵約束。

遙感影像要素實體采用MongoDB分布式集群進行存儲，采用一種基于節點均衡分配策略和樹形文件目錄構建的影像文件實體存儲架構，實現節點的均衡負載。首先，在根目錄下為每個存儲節點分配若干數字命名的文件夾，具體節點配號示例如表6所列。然后，通過瓦片行列編碼和對最大配號取余的計算方式確定存儲節點號，使一景影像瓦片均衡分配到每個節點，節點分配函數公式為

num=（rnum+cnum）%maxnode（1）

式中：num為瓦片配號；rnum為瓦片行號；cnum為瓦片列號；maxnode為設置的配號總數。

最后，根據元數據構建樹形結構目錄來組織節點內部的存儲［11］，以分配的存儲節點號作為根目錄，以元數據字段作為節點名稱進行拼接，其中，每個非葉子節點為子目錄，每個葉子節點為文件。完整的存儲路徑為：存儲節點號/傳感器/拍攝年/拍攝月/拍攝日/層級號/行號/列號。樹形文件目錄結構如圖2所示。

1.2 數據要素索引設計

1.2.1 PostgreSQL索引構建

為實現業務管理要素、基礎地理要素、遙感影像元數據在PostgreSQL中高效的條件檢索（包括等值查詢、范圍查詢、模糊查詢、復合查詢等）以及基礎地理要素的復雜空間查詢［12］，對僅有等值查詢需求的字段構建Hash索引，利用哈希表映射機制顯著提升等值查詢效率［13］；對非地理屬性字段構建B-tree索引，以實現范圍查詢、排序和等值查詢功能；對geometry類型字段構建GiST索引，利用空間分區和重疊條目優化空間數據的存儲結構［14］，以提供多維空間查詢功能。

對具有復合查詢需求的表字段構建組合索引，索引順序遵循常用字段優先、等值查詢字段優先的原則［15］，以面雨量數據表（表2）為例，每行數據記錄以“監測時間”和“測站編號”作為聯合唯一標識，對監測時間字段dtime和測站編號字段station_id構建組合索引，索引類型選擇B-tree，索引順序為（station_id，dtime）。面雨量數據表的索引列表見表7。

1.2.2 ClickHouse索引構建

構建H3空間網格索引，彌補ClickHouse空間查詢能力的不足［16］。H3的每一個網格都是正六邊形，且具有唯一的UInt64編碼值，該值由經度、緯度、索引分辨率共同確定［9］。利用ClickHouse自帶的Geo函數，即可計算出任意船舶軌跡點所在H3網格的值［17］：

GeoH3=geoToH3（lon，lat，resolution）（2）

式中：lon為軌跡點經度值，（°）；lat為軌跡點緯度值，（°）；resolution為索引分辨率，范圍為［0，15］。

向船舶軌跡區域數據表中寫入數據時，可以利用公式（2）實時計算出GeoH3的值作為附加屬性，增強數據表的過濾能力。

然后，利用多級索引實現分區內數據要素的快速定位［18］。ClickHouse的一級索引采用稀疏索引實現，如圖3所示［19］，每一行索引標記對應的是一段數據。采用minmax和set兩類二級索引［20］，進一步提升數據查詢速率。以船舶軌跡數據為例，其一級索引由船舶mmsi號、時間戳和H3網格編碼（記錄在GridID字段中）組成，即（GridID，mmsi，time），二級索引對上述字段構建minmax以及set（0）類型跳數索引。

2 基于混合數據庫的數據要素共享技術

本節從數據要素查詢、服務和權限管理3方面提出要素共享技術，支持復雜幾何空間查詢和接口化數據服務［21］，并基于區塊鏈技術完成數據權屬信息和授權信息進行鏈上綁定［22］，實現數據要素的安全共享。

2.1 數據要素查詢

設計接口化查詢條件映射方案，并將查詢結果映射為JSON文本輸出［23］。

2.1.1 PostgreSQL數據查詢

采用JDBC數據庫連接工具在PostgreSQL中執行SQL語句，逐行讀取查詢結果，根據數據類型進行JSON文本的映射生成。針對geometry數據，PostgreSQL提供的ST_AsGeoJSON函數對地理空間屬性進行標準化，返回GeoJSON格式文本［24］。

2.1.2 ClickHouse數據查詢

針對時序數據地理空間查詢效率較低的問題，利用greatCircleDistance、pointInEllipses、pointInPolygon等ClickHouse原生Geo函數和H3空間索引，構建自定義地理空間函數，從而實現時序數據在地理空間上的圓形、橢圓以及任意多邊形區域查詢，最后結合查詢結果完成接口化映射返回。

圓形區域查詢首先需要分別利用h3EdgeLengthM和geoToH3函數計算網格高度和圓心所在網格，再利用h3kRing函數計算對應圓心和半徑所覆蓋的H3網格，最后調用greatCircleDistance函數，將執行范圍縮小到網格范圍內，完成圓形區域的空間查詢。

如圖4所示，利用JTS工具包計算獲得最小外接圓的圓心和半徑，再使用圓形區域的查詢方法計算覆蓋的H3網格，最后調用pointInPolygon函數，完成多邊形區域的空間查詢。同理，橢圓形的區域查詢采用最小外接圓進行多邊形近似計算，后續步驟與多邊形查詢一致。

2.1.3 MongoDB數據查詢

結合影像元數據的篩選信息，對遙感影像信息表和遙感影像瓦片信息表進行關聯查詢，得到完整的元數據信息，篩選出其中與存儲路徑相關的字段信息，并完成排序和路徑拼接。

影像實體數據查詢接口會接收實體獲取請求的完整路徑參數和存儲格式參數，然后針對不同的文件存儲格式進行解析，將其讀取為二進制數據，返回給客戶端，客戶端進行二進制解碼得到原始文件［25］。

2.2 數據要素服務

對于實時接入、實時傳輸的數據要素，采用流處理方式，設計基于Kalfka分布式消息隊列的數據要素實時服務架構［26］。數據消費者通過訂閱授權的方式，向數據提供者直接獲取數據流。數據提供者將各個數據源的數據流接入Kalfka終端，由終端提供多個主題數據流的分區異步傳輸。在實際流通場景中，數據流通平臺向數據消費者提供消息隊列的服務地址和消費數據的主體名稱，供數據消費者申請訪問。

對于非實時請求的數據要素，采用RESTful接口分別設計結構化和非結構化數據要素的服務框架［21］。對于業務管理要素、基礎地理要素、時序數據要素3類結構化數據，平臺為數據消費者提供相應權限等級的接口URL地址、請求方式、返回字段說明，供數據消費者申請獲取。對于遙感影像要素，平臺提供文件 ID、文件標簽信息、文件索引信息等元數據，為數據消費者提供相關權限和訪問路徑。

2.3 數據要素權限管理

2.3.1 數據要素確權方法

首先，制定確權元數據模版，通過模版信息快速解析原始數據，生成標準化的確權元數據，包括數據名稱、數據類目、數據提供者編號、創建時間等信息［27］；然后，采用SM3摘要算法［28］對元數據進行數據編碼，得到唯一的數據標識。

數據確權索引鏈的結構包括區塊頭和區塊體。區塊頭負責存放當前區塊哈希值（curHash）、上一區塊哈希值（preHash）、時間戳（TimeStamp）和已確權要素數量（AuthRecord）。區塊體負責記錄交易信息，每一條交易信息由數據授權信息組成。數據確權索引鏈區塊結構如圖5所示。

2.3.2 數據要素授權方法

首先，數據提供者將原始數據上傳到數據庫得到數據存儲地址。然后，數據消費者在數據確權索引鏈上檢索符合需求的數據，并將訪問請求廣播給數據提供者，訪問請求內容包括賬戶地址、請求類型（所有權請求或使用權請求）、請求數據名稱、請求方公鑰、請求許可時間段［29］。數據提供者完成對消費者的身份認證后，經過RSA加密技術加密，將授權信息廣播給消費者，并同時上傳至數據流轉憑證鏈。最終，請求方通過其私鑰解密接收到的報文，從中獲取數據存儲API及訪問憑證。

數據請求方通過訪問憑證向數據存儲API發送訪問請求，數據服務器需要驗證數據消費者的地址與訪問憑證中的內容是否一致。然后通過憑證ID向數據流轉憑證鏈發起憑證查詢請求，判斷訪問憑證的真實性和時效性。通過驗證后，數據服務器根據憑證信息內的請求約束，返回約束范圍內符合數據消費者需求的實體數據。

3 數據要素流通技術在長江流域數據要素流通平臺中的應用效果

3.1 業務管理要素查詢性能

測試PostgreSQL處理業務管理數據等值查詢、模糊查詢和范圍查詢請求時的性能。測試數據表為面雨量數據表，3種類型的數據基數均為3 000萬條，查詢性能測試結果如表8所列。

可以看出，對于千萬級的數據集，PostgreSQL在應對等值查詢和范圍查詢的應用場景時能達到毫秒級的查詢響應速度，在應對模糊查詢時也能達到秒級的響應速度。

3.2 基礎地理要素查詢性能

測試PostgreSQL處理基礎地理數據空間查詢請求時的性能。測試數據表為流域水溫信息表，數據基數均為400萬條，查詢性能測試結果如表9所列。

可以看出，PostgreSQL在應對基礎地理數據空間查詢時響應速度均在秒級內。

3.3 時序數據要素查詢性能

分別測試ClickHouse處理時序數據時間查詢和空間查詢請求時的性能，測試數據集為船舶軌跡數據，數據基數均為1 144億條。

在1 144億條船舶軌跡數據中進行特定船舶的軌跡查詢，不同時間間隔的查詢性能如表10所列。

在時間范圍固定的情況下，對比不同幾何空間查詢下的查詢性能，結果如表11所列。

可以看出，ClickHouse應對時序數據的時間和空間查詢性能均表現優秀，在以上的多次查詢測試中，其響應時間均在100 ms以內，速度極快，空間查詢能力頗強，且支持圓形以及任意多邊形區域查詢和自定義的時間窗口查詢。

3.4 遙感影像要素查詢性能

遙感影像要素存在高并發的文件查詢需求，因此對MongoDB分布式文件系統的并發查詢性能進行測試。測試數據為遙感影像數據集，將接口的完全響應（所有請求完成）速度作為評價指標。

從圖6可以看出，在100條以內的并發查詢場景下，所有影像完成查詢顯示的時間均在3.5 s以內，該數據要素存儲方案能夠滿足大規模影像文件數據的快速查詢，并且具有較高的并發查詢性能。

4 結 論

（1） 本文基于ClickHouse、PostgreSQL、MongoDB 3類基礎數據庫，搭建混合數據庫存儲體系。結合多源異構數據的結構特征和應用場景，以優化數據流通效率為目標，設計要素存儲結構和存儲索引，探索標準化的數據要素共享技術，提升數據查詢和服務的高效性和靈活性；基于區塊鏈技術完成權限管理，保證數據流通過程的安全可控。

（2） 本文提出的數據要素流通技術具備良好的性能，易于實現，可以支撐長江流域數據要素流通平臺的開發應用。

（3） 基于本文提出的數據要素流通技術，可以進一步探索數據安全風險防控方案，提出數據泄露、篡改等風險的監測和預警方法；并設計數據安全備份策略，應對可能的系統故障和數據丟失風險，以確保數據流通的可靠性和穩定性。

參考文獻：

［1］ 錢建國，張天源，吳鋒.基于PostGIS的小流域數據庫設計與應用研究［J］.測繪與空間地理信息，2020，43（2）：8-11.

［2］ 潘明陽，高立佳，宋平亮，等.基于MongoDB的船舶數據庫構建與數據批量遷移技術［J］.大連海事大學學報，2016，42（1）：39-44.

［3］ 閆密巧.面向軌跡大數據存儲及查詢的NoSQL數據庫研究［D］.上海：華東師范大學，2017.

［4］ 李嘉欣，余勁松，佟瑞菊.運用MongoDB的三維時序遙感影像存儲及Web應用［J］.華僑大學學報（自然科學版），2019，40（4）：535-541.

［5］ 朱建坤.海量多源異構遙感影像的高效管理與調度方法研究［D］.淮南：安徽理工大學，2023.

［6］ AHMED I.Characteristics of PostgreSQL Database［J］.Software and Integrated Circuits，2021（6）：63.

［7］ 徐長慶，李雨晴，李德友，等.基于PostgreSQL與PostGIS的空間數據一體化方案設計與實現［J］.山東理工大學學報（自然科學版），2023，37（3）：1-7.

［8］ WEN Y，LU Z，HUANG L，et al.A storage method of ship trajectory data based on ClickHouse database［C］∥6th International Conference on Transportation Information and Safety（ICTIS），2021：772-779.

［9］ 陳俞林.基于H3網格時空索引方法的城市路網交通擁堵識別研究［D］.西安：長安大學，2022.

［10］張飛龍.基于MongoDB遙感數據存儲管理策略的研究［D］.鄭州：河南大學，2016.

［11］盧沐春.基于改進Z曲線的海量遙感影像金字塔構建與存儲關鍵技術研究［D］.南昌：南昌航空大學，2022.

［12］唐以恒.數據庫智能查詢優化關鍵技術研究與實現［D］.成都：電子科技大學，2024.

［13］伍應樹，趙志剛，李憲明.關系數據庫基于索引查詢的優化設計研究［J］.電腦編程技巧與維護，2016（17）：56-58，79.

［14］蔡佳作，歐爾格力.基于PostgreSQL的地理空間數據存儲管理方法研究［J］.青海師范大學學報（自然科學版），2016，32（2）：21-23，27.

［15］母鳳雯.數據庫索引技術概述［J］.電腦知識與技術，2017，13（25）：9-11，13.

［16］趙彥慶，程芳，魏勇.一種海量空間數據云存儲與查詢算法［J］.測繪科學技術學報，2019，36（2）：185-189.

［17］向隆剛，王德浩，龔健雅.大規模軌跡數據的Geohash編碼組織及高效范圍查詢［J］.武漢大學學報（信息科學版），2017，42（1）：21-27.

［18］唐永金.OLAP數據庫ClickHouse的彈性伸縮機制設計與實現［D］.上海：華東師范大學，2023.

［19］EMANUILOV S，DIMOV A.Column-oriented data model for data-intensive systems［C］∥2022 10th International Scientific Conference on Computer Science（COMSCI），2022：1-4.

［20］王軍，黃經國，余丹，等.分析數據庫ClickHouse在國家地球物理臺網中心的應用［J］.地震研究，2023，46（2）：308-314.

［21］楊東盛，尹明，王高志，等.基于大數據技術的重載鐵路電務專業智能運維數據匯集及共享方法研究［J］.鐵道運輸與經濟，2023，45（11）：39-47.

［22］武志立.基于區塊鏈的數據流通關鍵技術研究與實現［D］.鄭州：中原工學院，2023.

［23］盛凱，曾壹，王守韋.SQLite數據庫在調度集中系統中的應用研究［J］.鐵道通信信號，2024，60（10）：39-43.

［24］王東興，朱翊.GeoJSON在異構地理信息數據集成中的應用［J］.測繪與空間地理信息，2018，41（6）：138-140，146.

［25］鄒李兵.基于北斗報文的動態影像傳輸關鍵技術研究［D］.成都：成都理工大學，2009.

［26］于金良，朱志祥，李聰穎.一種分布式消息隊列研究與測試［J］.物聯網技術，2016，6（8）：32-34.

［27］汪曉梅，黃科滿，邵瑞江.支撐數據要素流通的數據交易平臺的關鍵技術設計與實踐［J］.新型工業化，2023，13（11）：40-50.

［28］申延召.SM3密碼雜湊算法分析［D］.上海：東華大學，2013.

［29］楊永祥.電網異構數據安全存儲管理中的訪問控制與權限管理研究［J］.電氣技術與經濟，2024（3）：274-277.

（編輯：郭甜甜）

Construction of data circulation platform for Changjiang River Basin based on hybrid database technology

JIN Heping1，YANG Lei2，TU Jing2，LUO Huiheng2，LI Linze2，AN Rihui2

（1.China Three Gorges Corporation，Wuhan 430071，China； 2 Wuhan Science and Technology Innovation Park，China Three Gorges Corporation，Wuhan 430071，China）

Abstract：

With continuous advancement of digital technologies，data elements have demonstrated significant driving effects on socio-economic development，as their circulation facilitates the further unleashing of latent data value.Currently，the Changjiang River Basin has established the basic infrastructure for data element circulation systems.However，there is still a lack of standardized frameworks for data storage management and sharing mechanisms.Therefore，this study proposes a hybrid database technology integrating ClickHouse，PostgreSQL，and MongoDB to construct a data element circulation platform for the Changjiang River Basin.This platform enables the storage and sharing of four main data elements，including business management data，basic geographic data，time series data，and remote sensing image data.The hybrid database technology designs the data element storage method based on data structure and data indexing，and designes the data element sharing method based on data query，service，and authority management.It provides the data element circulation platform with high-capacity storage，efficient data writing，and concurrent sharing capabilities，while ensuring the security of the entire data element circulation process through blockchain technology，forming a standardized set of data element circulation technologies.The practical application of the Changjiang River Basin data element circulation platform show that the proposed data element circulation technology meets the platform′s application requirements.

Key words：

data element circulation； data storage； data sharing； columnar database； relational database； spatial database； distributed file database； Changjiang River Basin

收稿日期：2024-10-12 ；接受日期：2024-12-17

基金項目：湖北省自然科學基金項目（2023AFD188）

作者簡介：金和平，男，正高級工程師，博士，主要從事垂直領域大語言模型的知識問答與檢索增強系統研發工作。E-mail：jinheping@ctg.com.cn

通信作者：楊 磊，男，高級工程師，碩士，主要從事長江流域數據要素流通平臺研發工作。E-mail：yang_lei12@ctg.com.cn