基于Vue、Vite与CesiumJS的江西省铜矿资源WebGIS系统设计技术说明本文围绕江西省铜矿资源信息分布系统进行WebGIS开发复盘重点整理Vue与Vite前端架构、CesiumJS三维地图引擎、空间数据组织、图层展示、交互查询、资源分布可视化及系统测试等技术要点。内容用于地理信息系统、三维地图应用和空间数据可视化方法交流不涉及矿产项目推广或商业宣传。摘要在当今资源短缺的背景下自然资源管理和可持续发展的重要性日益凸显。自然资源是支撑生态平衡和人类生存的基石而作为重要的自然资源矿产资源不仅是现代社会经济发展的重要物质基础也是人类生存和发展的重要保障其合理利用与保护不仅影响着环境质量也关系到社会经济的稳定发展另一方面地缘政治颇有复燃之势全球正面临不断加剧的国际环境变化作为我国战略性矿产之一的铜矿资源及其相关产业与国家战略资源安全的维护与保障息息相关而地理信息系统GIS作为空间数据收集、整合和分析的强大工具能够为实现战略性重要资源管理的科学化、精细化和可持续化发展决策提供有力支持。本文采用 Vue Vite 的核心技术架构借助基于 JavaScript 的开源三维 Cesium 地图引擎围绕架构设计、系统功能、关键技术等内容设计并实现江西省铜矿资源信息分布系统。关键词WebGISCesiumJS铜矿资源可持续发展AbstractIn the context of current resource scarcity, the importance of natural resource management and sustainable development has become increasingly prominent. Natural resources serve as the cornerstone for maintaining ecological balance and human survival. As critical natural assets, mineral resources not only constitute a vital material foundation for modern socioeconomic development but also serve as essential safeguards for human survival and progress. Their rational utilization and conservation significantly impact environmental quality and influence the stable development of society and economy. Furthermore, against the backdrop of resurging geopolitical tensions and intensifying global environmental changes, copper mineral resources—one of Chinas strategic minerals—and their related industries are closely tied to national strategic resource security. Geographic Information Systems (GIS), as powerful tools for spatial data collection, integration, and analysis, provide robust support for scientific, refined, and sustainable decision-making in strategic resource management.This study employs a core technical architecture based on Vue Vite, leveraging the open-source JavaScript-based 3D Cesium mapping engine. Focusing on architectural design, system functionalities, and key technologies, this research designs and implements an information distribution system for copper mineral resources in Jiangxi Province.Key words:WebGIS; CesiumJS; copper mineral resources; sustainable development1. 引言1.1 研究背景与意义铜是重要的基础原材料,是关系国计民生和国民经济发展的战略资源[1]。近年来,我国铜产业迅速发展,已成为全球最大的铜产品生产国和消费国[2]。随着新能源汽车、新型信息技术等战略性新兴产业快速发展铜资源需求激增[3]与此同时全球铜资源和储量波动显著由于新矿发现减少和现有矿山枯竭铜矿资源的整体储量呈下降趋势[4]全球铜资源供应收紧海外供应受干扰我国铜冶炼产能扩张原料短缺与产能释放并存亟需提高供应链韧性并确保矿产资源的及时供应[5]。江西省作为我国铜产业的核心阵地铜矿资源得天独厚其探明的铜工业储量占全国铜工业储量的1/3铜矿资源居全国之首。省内拥有多个大中型铜矿山这些铜矿矿产分布在江西不同地区形成了一个相对完整的铜矿资源分布网络因此探明江西省铜矿产业在全球经济一体化下的发展态势有助于相关部门推动相关产业稳定运行、探索产业链协同优化的科学路径为区域经济高质量发展提供决策支持从而保障国家战略资源安全在全球资源竞争中掌握主动权[6]。江西省行政区划范围及其地形地貌概况如图 1.1所示图 1.1 江西省行政区划范围及其地形地貌概况图江西省铜矿矿产分布及其开采状况如图 1.2 所示可见江西省铜矿矿产资源分布具有一定程度的集中性且主要集中分布在赣北、赣东北和赣南且未利用资源较多。图 1.2 江西省铜矿产业链相关企业分布图江西省铜矿产业链相关企业分布情况如图 1.3 所示其中上游企业主要以开采矿产和废杂铜回收利用为主要职能中游企业主要是以对于铜精矿或者废杂铜等原材料进行粗炼和精炼的冶炼为主要职能下游企业则是以对铜资源进行深加工为主要职能铜加工产品有铜棒、铜管、铜板、铜箔、铜线以及铜基合金等多种类型据图可见铜矿相关企业的空间分布与铜矿矿产的空间分布有一定的规律性上游企业的空间分布和铜矿矿产的空间分布有一定的相似性中游企业的空间分布较为零散且集聚程度较低下游企业的空间分布则呈现较为明显的带状分布萍乡-宜春-南昌-鹰潭-上饶和集中分布九江北部、赣州西部可能与交通条件、劳动力资源等条件相关。图 1.3 江西省铜矿产业链相关企业分布图2. 研究方案2.1 研究方法本论文采取文献调研分析法、学术讨论法、软件开发实验法等方法完成研究内容和目标。文献调研分析法指主要集中在论文启动前一个月的文献调研通过调研了解当前国内外与矿产资源分布和管理相关的地理信息系统的现状和江西省铜矿产业发展历史等相关背景文化从而对系统可能包含的模块和功能做出假设和预想再结合技术路线进一步细化系统研究、设计和实现方案论文主题确定后尽可能多地收集相关数据如通过检索全国地质资料馆网收集整理江西省矿产资源分布数据、检索天眼查网站收集整理江西省铜矿产业链相关企业、查阅近些年的《江西省统计年鉴》从而收集整理相关的铜矿资源产量指标和数据。学术讨论法指向专家老师们请教关于地理信息系统在矿产资源分布信息系统中的应用方向和内容等。软件开发实验法指基于windows操作系统、Chromium 和 NodeJS 等 WebGIS 开发环境进行系统的开发实现。2.2 数据准备表 2.1 数据来源数据名称数据类型数据来源江西省铜矿矿产地分布矢量点数据全国地质资料馆http://219.142.81.124/Map/List江西省铜矿产业相关企业矢量点数据爱企查https://www.tianyancha.com/江西省行政区划范围省市县三级矢量面数据天地图国家地理信息公共服务平台https://cloudcenter.tianditu.gov.cn/administrativeDivision江西省精炼铜数据表格数据江西省统计年鉴3. 技术路线本研究经过了查阅文献、方案设计与撰写、数据库建设、系统架构设计以及系统实现五个步骤。查阅文献阶段主要是了解地理信息系统在矿产资源分布信息管理、分析中的应用以及目前行业内较为主流的 WebGIS 开发模式与技术栈选型同时针对系统中可能涉及的相关技术、算法、分析方法等进行调查研究通过总结最终确定论文的研究方案和研究方法接着便进入系统各模块设计和实现阶段耗时较多主要包括前期数据库的建设、后期系统功能设计的实现、调试和更改以及论文撰写。具体研究流程步骤如图3.1所示图 3.1 研究流程图4. 系统架构设计通过前期对目前行业内主流的 WebGIS 开发模式与技术栈选型所作的调查研究结合本研究中系统的特殊性如需要从服务器端获取大量地图切片资源等最终决定将单页面应用Single Page Application, SPA作为本系统的网页应用程序模型保证网页应用实时动态更新的同时允许用户在不刷新整个页面的情况下与网页进行交互从而减少了不必要的服务器请求以提供更流畅的交互反应和更平滑的用户体验而且单页面应用模型更适合目前主流的前后端分离的开发架构后端只需负责通过RESTful API提供相关的数据服务接口前端只需负责调用特定接口并将其结果渲染至页面中实现逻辑分层即表现逻辑位于客户端, 服务器端的事务处理可以只涉及数据[7]职责分明各司其职且易于维护以此为基础选用基于标准 HTML、CSS 和 JavaScript 构建的渐进式开发框架 VueJS并借助开发工具Visual Studio Code来开发用户界面在保证动态交互能力的同时兼顾了静态内容的快速加载。具体技术路线如图4.1所示图 4.1 系统技术路线对于地图框架的选择本研究决定选用 CesiumJS 来提供跨平台和跨浏览器的三维地理空间数据可视化功能CesiumJS是一款利用现代 Web 技术如 HTML5、WebGL和 WebAssembly基于 JavaScript 开发的 WebGL 三维地球和地图可视化库。同时配合面向矢量数据的地理空间处理库 TurfJS 协同进行空间分析操作[8]。对于后端框架的技术选型本研究决定选用 NodeJS 作为系统的后端实现方式借助其单线程异步处理模式执行速度快且内存管理高效能够高效处理大量并发请求的同时又能避免传统多线程模型的资源竞争问题适用于本系统应用对实时快速响应的需求同时借助其全球最大的开源库生态系统可以快速集成功能模块以缩短开发周期并且借助以其为基础的开发框架 ExpressJS能够为系统提供轻量级路由、中间件管理和模块化架构快速搭建RESTful API和微服务另外NodeJS 还具有多平台兼容性支持 Windows、Linux、macOS 等操作系统后期可以轻松部署至云服务器或容器环境如Docker适配多种开发场景。对于数据库的选择考虑到本研究中矿产资源、企业的分布皆为地理空间数据具有地理空间属性同时又考虑到MySQL的空间索引功能较弱而MongoDB虽然支持地理空间索引但在复杂事务处理上不如关系型数据库等条件本研究最终决定选用广泛应用于地质勘探、自然资源管理领域的 PostgreSQL PostGIS 作为本系统的数据库技术选型以 PostgreSQL 作为具有高性能和高扩展性的、强大的对象关系型数据库以支持复杂事务查询为基础空间数据库扩展 PostGIS 作为辅助以专门处理地理空间数据[9]同时PostgreSQL能够在运行时添加新的数据类型、函数和访问方法的机制所以即便PostGIS所谓相对独立的开发扩展仍然可以非常紧密地集成到PostgreSQL数据库中[10]PostGIS 的核心优势包括但不仅限于支持shapefile数据的导入导出[11]、通过 R-Tree 索引加速空间查询以显著提升数据渲染和空间分析效率、自身集成了较为丰富的空间分析函数等。对于服务器端技术选型本系统采用Nginx技术进行反向代理和负载均衡借助反向代理解决系统前后端、Docker 不同容器服务之间跨域、访问错误等问题确保前端请求能够正确到达后端服务、后端数据能够畅通到达前端页面同时后续可以通过Nginx将请求分发到多个后端服务器上以减轻单个服务器的压力提高系统的稳定性[12]。对于运行环境的技术选型本系统以建立微服务架构为中心思想即将单一应用程序划分成一组小而微的独立服务不同服务可以采用不同的语言编写其间通信与交互通过 RESTful API 实现与传统面向服务架构SOA相比微服务功能粒度更细服务边界更明确[13]同时为保障本系统在多种环境下的可靠运行选用当下较受青睐的 Docker 容器化技术以实现服务标准化封装与部署将较复杂的系统拆分为前端、后端及数据库容器具有高内聚、松耦合、易扩展的特点每个服务可独立部署、独立扩展其具体优势如下所述环境一致性保障考虑到地理信息系统的开发依赖环境纷繁复杂传统的部署方式不仅效率较低且易出现“开发环境正常生产环境报错”的问题基于 Docker 特定的 Dockerfile 定义可以将系统依赖如PostgreSQL 15 PostGIS 3.3、Node.js 22、Vue 3等封装为统一镜像通过容器镜像固化所有依赖如操作系统、运行时、库版本等确保从开发到部署的全流程环境一致性避免因环境差异导致的依赖不相容或系统模块崩溃等问题。模块解耦将本系统解耦为前端工程服务、后端服务、数据库服务即通过建立相应容器将系统中的异构模块隔离开来同时允许各模块独立运行、升级和扩展降低耦合风险。微服务架构设计将系统拆分为可视化、业务逻辑、数据库三大容器分别负责地图渲染及执行用户操作、提供 RESTful API 接口、空间数据存储与查询如此以来在执行复杂空间分析任务、占用大量 CPU/内存资源时可以避免系统中其它容器服务的稳定性同时亦能保证各容器之间能够通过自定义网络建立通信[14]。快速部署与跨平台适配通过 docker-compose 编排可视化、业务逻辑、数据库容器服务容器化屏蔽底层操作系统差异能够在本地服务器与阿里云ECS环境中均实现一键部署“一次构建随处运行”。5. 系统模块实现经过上述准备本研究决定将系统包含三大主要模块分别对应地理信息系统的基础地图操作与数据展示功能、空间分析功能、数据图表分析功能5.1要素展示模块5.1.1功能概述目标直观呈现江西省行政区划范围、铜矿矿产资源和铜矿产业相关企业的空间分布与属性特征。核心功能支持自然地形渲染、传统二维、卫星影像多类型底图展示多尺度地图展示支持全省范围概览和具体铜矿矿产、铜矿企业点要素位置、属性详查分层可视化将江西省行政区划范围矢量要素、江西省铜矿矿产资源和铜矿产业相关企业矢量要素分层叠加利于后续查询、分析等操作支持数据以“切片”的形式显示即在不同的缩放程度下显示不同级别的行政区划范围数据。5.1.2技术实现本系统通过前后端分离、协同实现行政区划矢量数据的动态加载与渲染其核心流程如下将存储在 PostGIS 空间数据库中的江西省行政区划范围、铜矿矿产资源和铜矿产业相关企业矢量要素数据通过 NodeJS 中的 ExpressJS 和 pg 扩展编写相应的接口指向相应的数据从而将数据库中特定数据暴露给前端服务然后前端向相应的接口发送请求以获取相应的数据并将其渲染至页面中相应位置下面以获取江西省县级行政区划矢量数据并渲染的具体实现代码为例阐述该过程中的关键实现如下图图 5.1所示图5.1前端渲染数据过程图初步获取空间数据及解析首先前端基于 FetchAPI 向相应的RESTful接口发送 GET 请求所获取的响应数据采用 GeoJSON 格式包含几何坐标、各下辖行政区名称、地级市归属等属性字段实现空间数据与属性数据的一体化传输坐标规范化处理在实践过程中发现从 PostGIS 处理、返回的同一个面状矢量要素数据即 MultiPolygon 类型的几何结构存在差异性如南昌市新建区存在“飞地”的现象即2个不相毗邻的矢量面要素数据而且这种差异性具有随机性的特征所以在根据每一段地理坐标将数据渲染至页面相应位置之前需要校验该要素数据的坐标对数及其完整性如存在问题应先自动补全缺失的顶点坐标或者合并多个坐标环以确保符合 Cesium 的渲染数据输入规范实体渲染和样式配置在解决了多边形几何结构的差异性问题后再通过 Cesium Entity API 动态创建多边形要素设置半透明红色填充及黑色边界线既突出行政区划范围又不遮挡底图和其它矢量要素标记将原始属性数据绑定至实体为后续属性展示、空间查询等操作提供元数据基础动态构建空间索引创建以各县级行政区名称为键的实体索引以支持后续通过县名快速定位 Cesium 实体从而优化了交互查询的效率另一方面通过县名高效实现目标行政区划的显隐控制满足后续查询、叠加分析等可视化需求前端获取并渲染江西省区县级矢量数据的关键代码实现如下export const getQXPolygon async (map, polygonEntities, countyData) {try {const response await fetch(http://localhost:3000/jx_quxian, {method: GET,headers: { Content-Type: application/json }})const entities await response.json()const countyEntityMap new Map()entities.forEach(entity {let flatCoordinates []if (entity.gid 53 || entity.gid 75) {flatCoordinates [...entity.geom.coordinates[0].flat(),...entity.geom.coordinates[1].flat()]} else {flatCoordinates entity.geom.coordinates[0].flat()}if (flatCoordinates.length % 2! 0) {flatCoordinates.push(flatCoordinates[flatCoordinates.length - 1])}entity.flatCoordinates flatCoordinates})entities.forEach(entity {const cesiumEntity map.value.entities.add({polygon: {hierarchy: Cesium.Cartesian3.fromDegreesArray(entity.flatCoordinates.flat()),material: Cesium.Color.RED.withAlpha(0.5),outline: true,outlineColor: Cesium.Color.BLACK,height: 1000,},properties: entity,show: false})countyData.push({county: entity.xianji,city: entity.diji})if (!countyEntityMap.has(entity.xianji)) {countyEntityMap.set(entity.xianji, [])}countyEntityMap.get(entity.xianji).push(cesiumEntity)polygonEntities.value.push(cesiumEntity)})return countyEntityMap} catch (error) {console.error(failed to loaded the jx_quxian multipoltgon:, error)return new Map()}}5.2 空间分析模块5.2.1 功能概述空间分析模块是本系统的核心功能之一旨在通过地理计算揭示江西省铜矿资源与相关产业要素的空间分布规律从而为相关管理部门进行资源评估、产业规划和决策制定提供参考。具体功能包括条件查询根据特定条件按照级别查询特定行政区划范围、按照产业链环节查询特定企业、按照利用现状查询特定矿产点实现快速查询特定矢量要素如根据选定的特定县名称执行条件查询得到目标县矢量要素并将其它矢量要素隐藏以突出目标矢量要素同时通过叠置分析得到该矢量要素范围内的铜矿矿产地分布点要素和铜矿产业相关企业分布点要素数据并在页面中以表格形式将这些点要素数据的属性数据展示出来根据选定的产业链环节上游、中游、下游执行条件查询得到所有满足该条件的企业点分布并隐藏其它点要素数据根据选定的利用现状描述生产矿区、开采矿区、停采矿区等执行条件查询得到所有满足该条件的铜矿矿产地分布并隐藏其它点要素数据核密度分析从空间分布的角度分析江西省内铜矿产业链如探勘、开采、加工、贸易等相关企业的聚合特征。主要从两个维度来分析一是上中下游企业分布密度对比如采矿企业集中于赣东北加工企业分布于南昌周边一是将密度热力与交通网络、城市建设等叠加分析以揭示产业布局的驱动因素。5.2.2技术实现条件查询通过空间索引优化与几何计算相结合的策略实现行政区划内铜矿资源与产业要素的高效检索。关键数据流程如下图图5.2所示图 5.2 空间查询数据逻辑流程图提高查询效率的关键实现细节与传统查询采用全量点遍历的算法相比本系统通过分三层过滤机制以提升空间查询效率首先通过检索得到目标面要素数据其次借助在初始化数据时建立的网格空间索引快速遍历、筛选各个代表其区域内部点要素数据的网格然后对于面要素数据通过计算其矢量边界得到目标多边形的最小外包络矩形[15]即能够将该不规则多边形所有点和线全部包围的最小矩形据此进行初步范围的筛选最后借助 TurfJS 的点面要素查询算法进行网格内各个点要素数据的精确位置关系的判断部分关键实现代码如下对点要素数据建立网格空间索引pointEntities.value.forEach(point {const pos point.position.getValue(Cesium.JulianDate.now());const carto Cesium.Cartographic.fromCartesian(pos);const lon Cesium.Math.toDegrees(carto.longitude).toFixed(4)const lat Cesium.Math.toDegrees(carto.latitude).toFixed(4)const gridKey ${lon},${lat}if (!spatialIndex.value.has(gridKey)) {spatialIndex.value.set(gridKey, [])}spatialIndex.value.get(gridKey).push({entity: point,rawData: point.properties.getValue()})})建立最小外包络矩形并查询点要素数据是否在面内const queryPointsInPolygon async (countyName) {const countyEntity polygonEntities.value.find(e {const props e.properties.getValue()return props?.xianji countyName})const positions countyEntity.polygon.hierarchy.getValue().positionsconst degreesArray positions.map(pos {const carto Cesium.Cartographic.fromCartesian(pos)return [Cesium.Math.toDegrees(carto.longitude),Cesium.Math.toDegrees(carto.latitude)]})const polygon turf.polygon([degreesArray])const bbox turf.bbox(polygon)const bboxPolygon turf.bboxPolygon(bbox)const results []const resultsKCD []spatialIndex.value.forEach((points, key) {const [lng, lat] key.split(,).map(Number)const pt turf.point([lng, lat])if (turf.booleanPointInPolygon(pt, bboxPolygon)) {points.forEach(p {if (turf.booleanPointInPolygon(turf.point([p.rawData.lng, p.rawData.lat]),polygon)) {results.push(p.rawData)}})}})spatialKCDIndex.value.forEach((points, key) {const [lng, lat] key.split(,).map(Number)const pt turf.point([lng, lat])if (turf.booleanPointInPolygon(pt, bboxPolygon)) {points.forEach(p {if (turf.booleanPointInPolygon(turf.point([p.rawData.point_x, p.rawData.point_y]),polygon)) {resultsKCD.push(p.rawData)}})}})currentPoints.value resultscurrentKCDPoints.value resultsKCD}以上饶市为例具体查询结果如图所示根据选定的市名称点击查询执行条件查询得到目标市级矢量要素对象并将其它矢量要素隐藏以突出显示目标矢量要素同时通过叠置分析得到该矢量要素范围内的铜矿矿产地分布点要素和铜矿产业相关企业分布点要素并在页面中以表格形式将这些点要素的统计数据和属性数据展示出来图5.3 执行条件查询后的结果图以上饶市为例核密度分析实现基于Cesium-Heatmap插件实现动态核密度分析图渲染支持参数动态调整半径、透明度关键步骤如下数据预处理提取目标点要素数据的经纬度坐标动态计算核密度分析图数据的地理范围即其矩形范围并以此为约束过滤无效数据同时避免核密度分析图渲染到地图外区域。核密度分析图配置根据用户所选择的点要素类型矿产/企业分布根据点要素的实际分布情况设置核密度分析图显示梯度颜色与权重参数。动态渲染通过CesiumHeatmap库生成热力图的Canvas画布再将Canvas作为Cesium矩形的纹理材质通过地理坐标范围定位到地图区域。通过将密度计算任务分配至 Web Worker子线程避免主线程阻塞以平衡内存与计算效率。核密度分析图关键触发逻辑代码实现const toggleHeatmap (pointType) {const validPoints [];let minLon validPoints[0].xlet maxLon validPoints[0].xlet minLat validPoints[0].ylet maxLat validPoints[0].yvalidPoints.forEach(point {minLon Math.min(minLon, point.x)maxLon Math.max(maxLon, point.x)minLat Math.min(minLat, point.y)maxLat Math.max(maxLat, point.y)})const buffer 0.05const width maxLon - minLonconst height maxLat - minLatconst west minLon - width * bufferconst east maxLon width * bufferconst south Math.max(minLat - height * buffer, -89.9999)const north Math.min(maxLat height * buffer, 89.9999)const canvas document.getElementsByClassName(heatmap-canvas)[0]map.value.entities.add({name: heatmap,rectangle: {coordinates: Cesium.Rectangle.fromDegrees(west, south, east, north),material: new Cesium.ImageMaterialProperty({image: canvas,transparent: true})}})const pointSource pointType qy? pointEntities.value: pointKcdEntities.value;pointSource.forEach(point {try {const pos point.position.getValue(Cesium.JulianDate.now())const carto Cesium.Cartographic.fromCartesian(pos)const lon Cesium.Math.toDegrees(carto.longitude)const lat Cesium.Math.toDegrees(carto.latitude)if (isValidCoordinate(lon, lat)) {validPoints.push({x: lon,y: lat,value: 100 * Math.random()})}} catch (e) {console.warn(Invalid point position:, point)}})const createOptimizedCanvas () {const canvas document.createElement(canvas)const ctxOptions willReadFrequently in CanvasRenderingContext2D.prototype? { willReadFrequently: true }: undefinedcanvas.getContext(2d, ctxOptions)return canvas}heatmapInstance.value new CesiumHeatmap(map.value, {canvasCreator: createOptimizedCanvas,points: validPoints,heatmapOptions: {radius: pointType qy? heatmapRadius.value: heatmapKCDRadius.value,maxOpacity: pointType qy? heatmapOpacity.value: heatmapKCDOpacity.value,gradient: pointType qy? gradientQY: gradientKCD,backstore: true}})}核密度分析图如下所示图5.4 江西省铜矿产业链相关企业核密度分布图根据分析结果图5.4可观察到以下空间分异特征产业链上游采矿与初加工企业布局分散主要分布于赣州、九江和宜春 中游冶炼与加工企业呈多中心分布一级集聚区呈多点分布主要集中分布在鹰潭、上饶、宜春、赣州和南昌部分县区下游终端制造企业高度聚集一级集聚区呈带状和中心集聚分布在抚州、宜春、鹰潭、上饶、南昌、以及赣州部分县区主要的影响驱动因素可能为对铜矿资源的空间分布具有一定的依赖性、东西走向横贯江西的铁路交通等条件。图 5.5江西省铜矿矿产地核密度分布图由图5.5可见江西省铜矿生产矿区较为零散主要分布在上饶、赣州和九江北部建设矿区与采空区皆仅分布在九江北部上饶、景德镇、九江、新余、抚州和赣州分布有大量未利用矿产地资源且未利用资源在数量上远大于已开发利用的铜矿资源。综上所述可以发现江西省铜矿产业具有明显的空间集聚效应其中铜矿产业链相关企业在鹰潭-上饶、九江北部和赣州市范围内分布最多、密度最高表明该区域凭借资源与产业优势上游、中游和下游产业发达形成产业集群拥有相对较为完整的产业链。5.3 数据分析模块据江西省统计年鉴数据2019-2023年全省近5年精炼铜产量总体保持增长年平均增长率9.8%其中2023年精炼铜产量达到198.50万吨。进而根据江西省的铜矿石产量假设以湿法冶金等工艺冶炼出精炼铜品位0.5%选矿回收率80%、冶炼回收率95%可以估算出铜矿资源的自给率自给率矿石产量*品位*选矿回收率*冶炼回收率/精炼铜产量,结果如表5.1、5.2所示。表5.1 近5年江西省精炼铜产量、矿石产量和自给率年份精炼铜万吨矿石产量万吨自给率2019年142.365820.517.0%2020年150.745593.115.4%2021年160.415565.614.5%2022年187.544926.610.9%2023年198.504770.710.0%表5.2 近5年江西省精炼铜产量、矿石产量和自给率组合图表可以发现江西省近5年的精炼铜自给率逐年下降截至2023年底自给率仅10%左右这显然给江西铜产业的供应链稳定性和成本控制带来巨大挑战。5.3.1平均最近邻分析本研究采用平均最近邻工具量化江西省铜矿企业的空间分布模式。首先为确保空间统计分析的精度须先将铜矿企业点数据投影至UTM Zone 50N平面坐标系以消除地理坐标系下弦距计算的潜在误差。所有距离计算结果均以米为单位并通过欧氏距离方法进行验证[16]。平均最近邻分析结果如图5.6所示通过分析结果发现江西省铜矿企业的空间分布呈现高度聚集的模式。图5.6平均最近邻分析结果报告其中最近邻比率(NNR)约为 0.35表明实际平均距离仅为随机分布期望值的35%该值小于1表明点分布呈现聚集模式而且在通常情况下该值越接近0聚集程度越高即存在较为明显的空间聚集效应其计算公式如下所示其中NRR代表最近邻比率OMD代表观测平均距离EMD代表期望平均距离若NNR 1表明聚集分布NNR ≈ 1为随机NNR 1为离散z值约为 -34.72统计显著性极强排除了随机分布的可能性观测平均距离2902.41米显著小于期望平均距离8286.80米进一步支持聚集结论。这一结果与核密度分析中“鹰潭-上饶为核心集聚区”的发现一致表明铜矿企业在空间上高度集中呈显著的聚集模式可能与资源富集区、产业链协同效应及政策引导密切等因素相关。5.3.2全局空间自相关分析Moran’s I本研究采用全局Moran’s I指数分析江西省铜矿企业密度的空间关联性。空间关系定义为适用于行政区分析的“面共享边或角”Contiguity Edges Corners权重标准化方法为行标准化ROW确保每行的权重和为1。分析结果如图5.7显示图5.7全局空间自相关Moran’s I分析报告由分析结果可知江西省铜矿企业空间分布密度的Moran’s I指数为0.118表明铜矿企业空间分布存在一定程度的正向空间自相关I 0z值为 5.07|z| 2.58远高于一般显著性水平如2.58对应95% 置信水平可以推出分析结果在统计上高度显著即在99%置信水平下拒绝“空间随机分布”的零假设p 0.001由此推知观察到的空间模式极不可能是随机产生的具有统计学上的显著性进一步支持了拒绝零假设的结论。期望指数为 -0.01表示在完全随机分布的情况下Moran’s I的期望值为接近于0的负数而实际观测到的值 0.118 明显高于期望值进一步验证了空间聚集的存在最后方差值为0.000642这反映了Moran’s I指数的变异性较低分析结果较为稳定。此结果亦与核密度分析图5.4及LISA聚类图5.8中“鹰潭-上饶为核心集聚区”的结论一致高密度区域如鹰潭、上饶倾向于邻近其他高密度区域进一步验证了铜矿资源分布的空间依赖性和集聚性特征。5.3.3局部空间自相关分析LISA聚类本研究采用Anselin Local Moran’s I工具结合邻接权重矩阵识别江西省铜矿企业密度的局部空间关联模式一方面提供局部尺度细节以补充全局Moran’s I指数另一方面通过识别热点和冷点区域为区域差异化政策的制定提供参考依据。其中聚类类型包括高-高HH、低-低LL、高-低HL及低-高LH。分析结果如图5.8所示由图可知高-高HH聚类鹰潭市、南昌市西湖区图5.7表明这些区域铜矿企业密度高且邻近区域同样高密度形成核心产业集群低-低LL聚类九江市修水区、吉安市安福县、泰和县、抚州市南丰县、赣州市宁都、兴国、于都、安远、会昌、定南县域图5.8反映资源开发潜力较低可能与矿产资源条件或产业基础不足有关分析结果图中未出现高-低HL及低-高LH区域即高值区域被其他高值包围低值区域被低值包围高值与低值区域之间缺乏明显的过渡带如中密度区域较少反映了江西省铜矿企业密度在空间上呈现显著的正向自相关性。图5.8江西省铜矿企业密度LISA聚类图6. 总结与展望本次实践成果主要体现在以下4个方面数据动态可视化与多源数据融合系统基于CesiumJS引擎实现了江西省铜矿资源及产业空间分布的动态展示支持多类型底图地形、卫星影像切换与分层叠加直观呈现矿点、企业分布与地形地貌的空间关系。同时整合了全国地质资料馆、爱企查、天地图等多源异构数据矢量点、面数据及统计表格通过PostGIS空间数据库实现高效存储与动态渲染提高了传统WebGIS系统在地理场景中的表达力空间分析与决策支持功能系统集成了作为WebGIS系统的空间查询、空间分析功能例如通过核密度热力图揭示产业链上下游企业的空间集聚特征如鹰潭-上饶为高密度核心区结合Morans I指数验证全局空间自相关性I0.118, p0.001为资源规划以及产业链优化布局提供科学依据微服务架构与容器化部署采用VueJS NodeJS PostgreSQL/PostGIS的前后端分离技术栈结合Docker容器化与Nginx反向代理实现服务模块解耦与跨平台快速部署。通过微服务设计地图渲染、业务逻辑、数据库独立容器保障系统的稳定性同时支持云端弹性扩展降低运维复杂度面向产业实际的定制化功能系统针对江西省铜矿资源管理痛点设计了产业链协同分析模块上游采矿、中游冶炼、下游加工企业分布对比与资源自给率动态评估功能基于近5年产量数据计算自给率揭示供应链风险。总结根据前述空间统计结果表明江西省铜矿资源分布呈现极显著的空间聚集性NNR ≈ 0.35, p 0.001热点区域集中于鹰潭、上饶等交通枢纽与资源富集区。结合最新的《铜产业高质量发展实施方案2025—2027年》政策文件为促进江西省铜矿企业发展提出以下一些建议1政策规划与引导根据企业分布引导上游企业聚集于赣南资源富集区中下游企业布局在鹰潭、南昌等交通便利之地实现上下游协同发展。同时在资源富集区推动绿色矿山建设采用绿色开采技术实现开采与生态修复同步。严格把控行业准入新改扩建项目需符合能耗和环保标准避免盲目投资。2科技创新支持利用南昌、赣州高校资源鼓励企业与高校、科研机构合作研发低能耗、低排放的绿色技术给予财政补助加速技术应用。在铜产业集聚区建设绿色技术示范园区推广节能减排技术与清洁生产工艺。3完善基础设施建设强化赣南、鹰潭、南昌等地交通基建构建多式联运物流枢纽提升运输效率降低物流成本。推动清洁能源在产业集聚区的应用助力企业节能改造提高能源利用效率。4在HH聚类区如鹰潭-上饶建立跨区域产业联盟共享基础设施与技术资源加强协同发展战略合理规划LL聚类区的发展战略因地制宜发展特色产业同时可能需要注意部分地区生态补偿在资源富集区推行“绿色矿业”认证平衡开发与生态保护此外还可通过优化产业结构、加强监管服务、提供资金支持、培养引进人才等举措因地制宜全方位推动江西铜矿企业高质量发展。参考文献李裕伟.战略性矿产资源清单、供需形势与对策[J].科技导报,2024,42(05):26-37.王佳琪.工信部:到2027年力争国内铜矿资源量增长5%—10%[N].中国信息化周报,2025-02-17(003).李晶晶杨武年鲁庆.矿产资源两库衔接中各数据库对应关系清理[J].价值工程2013,32(33):315-317.李洪羽.铜矿资源简要分析及新技术应用浅谈[J].中国高新科技,2024,(20):93-95.Lotfi R., Kargar B., Hoseini S. H., Nazari S., Safavi S., and Weber G. W., Resilience and sustainable supply chain network design by considering renewable energy, International Journal of Energy Research. (2021) 45, no. 12, 17749–17766.Litvinenko, V. S., Petrov, E. I., Vasilevskaya, D. V., Yakovenko, A. V., Naumov, I. A., Ratnikov, M. A. (2023). Assessment of the role of the state in the management of mineral resources. Journal of Mining Institute, 259, 95-111.方敏,赵峰.单页面技术在试验数据管理系统中的研究与应用[J].计算机系统应用,2019,28(04):111-118.Netek, R., Pohankova, T., Bittner, O., Urban, D. (2023). Geospatial Analysis in Web Browsers—Comparison Study on WebGIS Process-Based Applications. ISPRS International Journal of Geo-Information, 12(9), 374.徐长庆,李雨晴,李德友,等.基于PostgreSQL与PostGIS的空间数据一体化方案设计与实现[J].山东理工大学学报(自然科学版),2023,37(03).赵雅鹏,江彬,樊伟平,等.基于开源Postgresql构建高性能管网分析服务[J].城市勘测,2023,(06):175-177.吴国超,王豹,鲍文月.基于开源框架的WebGIS平台关键问题研究[J].城市勘测,2023,(02):45-48.陈根深,刘刚,陈麒玉,等.基于多源数据集成与WebGIS的三维矿山空间数据管理系统关键技术及应用[J].软件导刊,2023,22(11):18-28.林航.Docker容器技术在微服务架构中的应用[J].网络安全和信息化,2024,(07):59-62.王悦.微服务架构在分布式云存储系统中的应用与关键技术研究[J].湖南邮电职业技术学院学报,2024,23(04):70-75.王淑青,陈军,潘健,等.基于最小包络矩形的不规则凸多边形的三角形处理算法[J].计算机应用与软件,2016,33(11):197-199220.ESRI. (2023). How Average Nearest Neighbor works. ArcGIS Pro Documentation. Retrieved May 20, 2024, from致谢四年的读书生活在这个季节即将画上一个句号而于我的人生却只是一个逗号我将面对又一次征程的开始。四年的求学生涯一路走来幸得老师们的谆谆教诲、亲友们的倾力扶持方使这段旅程既有耕耘之辛亦结硕果之实走得辛苦却也收获满囊。在论文即将付梓之际思绪万千久久不能平静从开始进入课题到论文的顺利完成有很多可敬的师长、同学、朋友给了我莫大的帮助在这里请接受我最诚挚的谢意