聚变科学数据元数据规范（Metadata Specification for Fusion Science Data）
草案
本文为标准规范草案（征求意见前工作稿），经专家委员会审定、由聚变科学数据中心（筹）发布后方生效。
前言 (Foreword)
本文件按「单位标准保底」的层级起草，由聚变科学数据中心（筹）发布；拟同步申报团体标准（发布主体为相关全国性学会或行业协会），并形成行业标准建议稿报相应行业标准化技术委员会。本文件对应聚变高质量数据集专项标准规范清单第 2 项（基础类）。
申报单位已制定并实施「磁约束聚变科学数据核心元数据规范」。本文件在其基础上扩展，扩展后应当 (SHOULD) 取代该规范；两者关系由发布单位在发布时明确。
本文件与《聚变科学数据分类分级指南》《聚变高质量数据集封装与交换规范》配套使用：分级字段由《聚变科学数据分类分级指南》定义，本文件引用；数据集说明与分片清单的封装由《聚变高质量数据集封装与交换规范》规定，本文件规定其中元数据字段的语义。
范围 (Scope)
本文件规定了聚变科学数据元数据的层次结构、必填与选填字段、物理量与单位及坐标与时间基准的语义标识方法、与 IMAS 等国际标准的映射规则、溯源记录格式，以及元数据完整率的度量方法。
本文件适用于数据中心收录、加工与发布的全部数据及其派生产物的元数据，包括数据集级元数据（对外发布与收割）与条目级、信号级元数据（加工与检索）。
规范性引用文件 (Normative References)
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。
- 《聚变科学数据分类分级指南》
- 《聚变高质量数据集封装与交换规范》
- 《聚变科学数据中心元数据政策》
- DataCite Metadata Schema 4.6
- IMAS 数据字典 4.1.1
- GB/T 30523—2014 科技资源核心元数据
- GB/T 32843—2016 科技资源标识
- GB/T 13745—2009 学科分类与代码
- UCUM（The Unified Code for Units of Measure）
- W3C PROV-O
术语和定义 (Terms and Definitions)
元数据 (metadata) 描述数据的内容、来源、结构、质量、权利与访问条件的结构化信息。
统一语义标准 (unified semantic standard) 数据中心维护的领域本体、物理量与单位、几何与坐标约定、时间基准约定及术语词表的总称。
本体术语 (ontology term) 统一语义标准中以唯一标识符（IRI）标识的概念，如一个物理量或一种诊断。
标定依赖关系 (calibration dependency) 某诊断的绝对标定以另一诊断为基准的关系，含起止实验轮次。
溯源记录 (provenance record) 描述一项数据由哪些输入、经哪些处理步骤、由谁在何时产生的记录。
必填字段 (mandatory field) 缺失即不得入库或发布的字段。
元数据层次 (Metadata Layers)
元数据分五层（表 1）。下层元数据必须 (MUST) 通过标识符引用上层对象，禁止 (MUST NOT) 复制上层字段后独立演进。
表 1 元数据层次。
| 层 | 对象 | 用途 |
|---|---|---|
| 数据集层 | 数据集版本 | 对外发布、目录检索、收割与引用 |
| 条目层 | 数据集中的一条记录（一个时间窗的多诊断数据、一条文本或一条指令数据） | 加工、切分、统计 |
| 信号层 | 一个诊断通道在一个炮次中的数据 | 取数、语义检索、质量检验 |
| 标定层 | 一次标定记录 | 单位与量纲检查、一致性检验适用性判断 |
| 溯源层 | 一次加工步骤 | 版本与血缘追溯 |
字段 (Fields)
数据集层 (Dataset Layer)
数据集层字段与数据中心发布平台的元数据剖面 mcfdc-dataset/1 对齐（表 2）。标「必填」者缺失时，数据集版本禁止 (MUST NOT) 发布。
表 2 数据集层字段。
| 字段 | 含义 | 约束 | 必填 |
|---|---|---|---|
title |
题名 | 非空 | 是 |
creators |
创建者（人或机构） | 至少一个；个人创建者应当 (SHOULD) 带 ORCID 或 CSTR 作者标识 | 是 |
publisher |
发布者 | 数据中心名称 | 是 |
publication_date |
发布日期 | YYYY、YYYY-MM 或 YYYY-MM-DD |
是 |
resource_type |
资源类型 | 取 dataset 类 |
是 |
description |
摘要 | 非空；应当 (SHOULD) 不少于 50 字符 | 是 |
rights |
许可 | 许可词表条目，或知识共享（Creative Commons）/ SPDX 许可 URI | 是 |
access |
访问级别 | 按《聚变科学数据中心访问政策》；延期开放须带届满日期与理由 | 是 |
identifier |
持久标识符 | 版本级 CSTR，应当 (SHOULD) 另有 DOI；另有概念级标识符 | 是（发布时分配） |
version |
版本号 | 按《聚变高质量数据集封装与交换规范》 | 是 |
data_category data_grade grading_authority |
分级字段 | 按《聚变科学数据分类分级指南》 | 是 |
subjects |
学科与关键词 | 学科分类按 GB/T 13745—2009 | 否（缺失告警） |
languages |
语言 | ISO 639 代码 | 否（缺失告警） |
related_identifiers |
关联标识符 | 论文、源数据、软件 | 否（缺失告警） |
facility campaign shot_range |
装置、实验轮次、炮号范围 | 装置实验数据必填 | 条件必填 |
quality_summary |
质量摘要引用 | 指向质量报告（《聚变实验与模拟数据质量评估规范》） | 是 |
条目层与信号层 (Entry & Signal Layers)
表 3 信号层必填字段。
| 字段 | 含义 | 约束 |
|---|---|---|
signal_name |
原始信号名 | 采集系统中的原名，原样保留 |
quantity |
物理量 | 统一语义标准中的本体术语 IRI |
unit |
单位 | 可机读的单位编码（UCUM）；必须 (MUST) 通过量纲自动检查 |
diagnostic |
诊断归属 | 诊断本体术语；诊断类别按《聚变多模态数据对齐规范》的模态分类 |
facility campaign shot |
装置、实验轮次、炮号 | 装置实验数据必填 |
sampling_rate |
采样率 | 带单位 |
timebase |
时基描述 | 起始时刻、采样周期、触发延迟、漂移校正；零点为放电触发时刻 |
calibration_ref |
标定记录引用 | 指向标定层记录的标识与版本 |
spatial_ref |
空间位置 | 按统一语义标准的几何与坐标约定 |
quality_flags |
质量标记 | 各项物理侧判据的通过 / 未通过 / 未检验（《聚变实验与模拟数据质量评估规范》） |
图像数据另须记录分辨率、位深、帧率、曝光时间、相机标定与观测几何；文献另须记录题录、标识符与许可；代码另须记录语言、许可证与依赖。
条目层必须 (MUST) 记录：条目标识、所含信号的引用、模态类别、数据产生时间（装置实验数据取放电日期）、所属实验轮次与切分归属、分级字段、许可与来源记录。
标定层 (Calibration Layer)
标定记录必须 (MUST) 包含标定系数、生效区间（起止实验轮次或日期）、标定方法与标定人，并登记 标定依赖关系：该诊断的绝对标定以哪一路诊断为基准、自哪一实验轮次起生效。质量检测程序在执行跨诊断一致性检验前读取标定依赖关系，以判断检验是否适用（《聚变实验与模拟数据质量评估规范》）。
语义标识 (Semantic Identification)
- 物理量. 物理量必须 (MUST) 以统一语义标准中的本体术语标识；各装置、各诊断对同一物理量的不同命名经本体中介的术语对齐映射到同一术语，原始命名保留在
signal_name。 - 单位. 单位必须 (MUST) 以可机读编码记录并做量纲自动检查；无法识别的单位生成缺失项工单， 禁止 (MUST NOT) 猜测填写。
- 坐标. 空间量必须 (MUST) 声明坐标系、原点与方向约定，取统一语义标准中的几何与坐标约定；符号约定与归一化方式不同的数据在跨装置汇聚时按该约定转换，转换方法记入溯源记录。
- 时间基准. 时序数据必须 (MUST) 以放电触发时刻为零点，声明时基描述；相机帧时间戳取曝光中点。
与国际标准的映射 (Mapping to International Standards)
- IMAS. 信号层与条目层的物理量应当 (SHOULD) 给出到 IMAS 数据字典路径的映射；映射表随 IMAS 数据字典版本维护，映射所依据的版本必须 (MUST) 记录。数据可以 (MAY) 按需导出为兼容 IMAS 的视图。
- DataCite. 数据集层字段必须 (MUST) 能无损导出为 DataCite 元数据，供标识符注册与收割。
- 通用目录格式. 数据集层元数据应当 (SHOULD) 以 OAI-PMH 提供 Dublin Core 与 DataCite 格式的收割，并提供 DCAT 与 schema.org 表示；并应当 (SHOULD) 能导出为符合 GB/T 30523—2014 的核心元数据与 GB/T 32843—2016 的科技资源标识登记信息。
- 映射规则. 映射必须 (MUST) 以映射表形式发布，每行注明本地字段、目标字段、转换规则与不可映射的说明；禁止 (MUST NOT) 为凑齐映射而虚构目标字段的取值。
溯源记录 (Provenance Records)
每个加工步骤必须 (MUST) 生成一条溯源记录（表 4）。任何一条入集数据 必须 (MUST) 能沿溯源记录回溯到原始采集记录与全部加工步骤。
表 4 溯源记录字段。
| 字段 | 含义 |
|---|---|
activity_id |
加工步骤标识 |
inputs |
输入对象的标识与版本 |
outputs |
输出对象的标识与版本 |
workflow |
工作流名称、版本与参数 |
rule_version |
所用质量判据或规范的版本 |
agent |
执行者（人、程序或模型，模型记名称与版本） |
started_at ended_at |
起止时间（RFC 3339） |
溯源记录应当 (SHOULD) 可导出为 W3C PROV-O 表示（JSON-LD 序列化）。
符合性 (Conformance)
- 元数据完整率. 必填元数据字段齐备的条目占比，数据集版本发布时必须 (MUST) 不低于 98% （初值，建设期内依据试行结果定版）。
- 标定、单位与量纲. 带标定记录与单位的信号占比必须 (MUST) 为 100%。
- 溯源覆盖. 可追溯到原始采集与全部加工步骤的条目占比必须 (MUST) 为 100%。
- 上述三项在入口门首次度量、在发布门统计，结果写入质量报告（《聚变实验与模拟数据质量评估规范》）。