一、引言
通過傳感器、試驗、模擬等手段，現代科學數據的規模和複雜度呈指數級增長。資料庫、存儲技術、分析技術的發展，使得海量數據能夠長期保存、有效管理和重複利用，科學與工程研究日益成為數據密集型的工作。傳統上，科學數據被保存在紙面記錄，自20世紀70年代開始人們已普遍使用計算機技術獲取、管理和歸檔科學數據，90年代末以來，建立數據獲取、評估和分發的數據中心在科學領域得到廣泛、迅速發展。2001年後，網絡技術成為科學數據發布的基本工具，基於網絡資料庫、數據網格技術科學數據中心獲得迅速發展。
現代科學數據的整理維護呈現出跨越學科領域、數據性質、數據集規模等特徵，通過跨地域、跨機構和跨專業的大規模數據交換與合作，科學數據資源逐步趨向聚集並形成一些大型科學數據集，特別在數據密集型的科學、工程領域建立了重要的科學數據中心，為科學數據的長期保存、重複利用和驅動創新發揮中樞神經作用。在資訊時代，數位化形式的科學數據、信息內容及其軟體已構成為科學探索的重要基礎，科學數據納入信息化科研環境的基礎設施範疇已經成為共識。
2005年9月，美國國家科學理事會發布了《長生命周期的數位化資料庫：21 世紀科研與教育的必備基礎》研究報告，指出科學數據成為未來科研、教育模式創新的變革中心，必須予以長期保存和維護。2007 年3 月，美國國家科學基金髮布《面向21 世紀科學研究的信息化基礎設施》發展規劃，明確了可持續發展的信息化基礎設施(Cyberinfrastructure)的概念，並指出「在未來，美國科學和工程上的國際領先地位將越來越取決於在數位化科學數據的優勢上，取決於通過成熟的數據挖掘、集成、分析和可視化工具將其轉換為信息和知識的能力」。據此，2007年10月正式徵集科學數據持續化保存與共享網絡夥伴計劃DataNet項目方案，將在未來5年來投入1億美元、單個項目最高2千萬美元推動科學數據的長期、整合建設與服務。2007年3月，英國科學與創新辦公室(OSI)發布了《發展英國科研與創新信息化基礎設施》研究報告，提出數據資源數位化長期保存與共享建設規劃，重點要建立大規模的國家科學數據中心。澳大利亞政府確定從2008年開始建立國家科學數據服務網絡(ANDS)全面整合全國數據資源，實現數據長期保存和共享利用。
本文概覽國際上知名的科學數據中心，並對科學數據中心的發展和服務做簡要分析。
二、國際上典型的科學數據中心
(一)美國國家航空航天局(NASA)空間科學數據中心
NASA與科學數據相關的機構主要是空間科學數據運行辦公室，該機構下設有美國國家空間科學數據中心(NSSDC)和空間物理學數據運行中心(SPDF)，數據資源集中在天文和空間科學領域，數據主要來自於NASA的空間飛行計劃。
● NSSDC負責NASA數據永久存檔，提供天體物理學、空間物理學等數據。SPDF主要負責多任務和多學科的數據服務的設計和實現。
● 1990年開始建立「分布式最活躍數據檔案中心群」(DAACs)，促進數據共享。
● NASA建立了海量存儲和可視化環境，目前擁有超過1PB磁碟存儲容量和10PB磁帶存儲容量。
與此類似，美國國家海洋與大氣管理局(NOAA)、國家地質調查局(USGS)、能源部(DOE)和環保局等國家機構，也系統地整理維護了機構本身產出的科學數據資源，建立了相應的龐大的科學數據中心。
(二)英國劍橋晶體結構數據中心(CCDC)
CCDC(Cambridge Crystallographic Data Center)最早是由一個從事結晶學研究的工作組發展而來的。從1965年開始，該工作組開始收集基於X射線和中子衍射實驗所得到的化學和晶體結構數據，1989年CCDC成為一個獨立機構。
● 劍橋晶體資料庫CSD是全球最大的晶體結構資料庫，每年大約增加一萬個化合物。
● Isostar是面向分子設計的資料庫，是研究物質間相互作用的有力工具。
● 提供CSD System資料庫軟體，以及SuperStar、ConQuest等數據處理應用軟體。
CCDC是一個非盈利的科研組織，它的大部分經費來源於各種資助，由出租CSDS收回的資金僅佔全部費用的一小部分。
(三)日本筑波尖端情報計算中心(TACC)
TACC成立於1981年，2001年併入日本國立產業技術綜合研究所(AIST)。負責向AIST所有科研機構提供技術支撐，包括提供網絡、計算能力以及資料庫開發和運行服務。
● 數據資源涉及測量、材料、地學、化學、能源、生物、信息、標準等多個學科領域。
● 科研數據公開資料庫(RIO-DB)擁有70個主題資料庫，數據來源於AIST各機構的科研項目，數據整理工作由AIST各研究機構完成。
● 全部資料庫通過網絡提供免費服務，服務於科研機構，也服務於一般企業工業。
(四)美國國家生物技術信息中心(NCBI)
NCBI自1988年建立，是美國國家衛生研究院(NIH)醫學圖書館下的一個機構，主要任務是建立關於分子生物學、生物化學和遺傳學的資料庫和數據分析系統，推動生物信息學領域資料庫和數據分析軟體的使用，開展計算機生物信息處理先進方法的研究。
● 數據資源集中在分子生物學領域。數據主要來源於兩部分，美國各實驗室提交的基因序列數據和同國際上的基因資料庫交換的數據。
● 開發了GenBank等十餘個核酸、基因系列資料庫，提供超過3200個物種基因資源。
● 建立生物活性小分子資料庫PubChem，連結分子篩選數據和醫學領域的數據，如PubMed、MeSH等。
NCBI提供數據資源網絡共享，主要是通過NCBI開發的一系列工具和軟體實現的，如基因序列註冊軟體BankIt，數據搜索軟體Entrez，基因序列比對分析軟體BLAST等。
(五)美國國家大氣研究中心(NCAR)研究數據歸檔中心
美國國家大氣研究中心始建於1960年，是大氣及相關科學問題的研究中心，面向全美科學家、教師和學生提供網絡數據共享。
● 數據資源集中在大氣科學領域。主要有大氣分析格點資料、衛星資料、長年代的氣候資料、海洋資料等。
● 目前有400多個觀測和分析資料的數據集，並將持續增加。
● 海量存儲環境MSS容量達300TB，並建有4TB的CACHE硬碟。重要數據還在美國聖地牙哥超級計算機中心(SDSC)建有備份。
NCAR運行經費主要來源於NSF資助和其他政府部門的項目經費。NCAR超級計算和海量存貯的每2-3年運行經費約為1500萬美元。
(六)美國聖地牙哥超級計算機中心(SDSC)
聖地牙哥超級計算機中心由美國國家自然科學基金於1985 年投資1.75億美元建立，既擁有高性能計算資源，也擁有海量的科學數據資源並提供數據服務。
● 數據資源涵蓋海洋、地理、生物、物理、化學等多個學科領域。數據集主要來自SDSC參與或服務的113個研究項目多年的觀察、計算分析所得到的數據。
● 目前，擁有約60個公共的和專有的數據集，數據量已達3PB。例如，蛋白質資料庫PDB、神經科學資料庫BIRN等。
● 作為一個國家級數據存儲環境，目前擁有的總存儲能力約20PB(超過1PB磁碟和超過18PB磁帶)，這是其數據存儲、託管服務的基礎。
● SDSC數據中心存儲的數據主要服務於數據密集型計算的應用，研發了豐富的軟體資源，包括生物信息學、晶片設計、量子化學等，用於數據的計算分析和可視化等。
SDSC的經費主要來源於美國國家科學基金、加州政府、加利福利亞州立大學以及美國其他政府機構。類似的，美國國家超級計算應用中心(NCSA)等也構建了PB規模的數據中心，服務於大型科學工程(如長期生態研究網絡LTER)。
三、國際科學數據中心運行與服務模式
隨著信息技術的進步和科技集成、跨越式創新發展，對科學數據資源的共享利用提出了迫切需求。政府和國家相關機構作為科學數據發展的主要推動者、資助者和利益協調者，近年來不斷通過項目導向、政策導向和學術導向推動科學數據資源趨向聚集，逐步把大量的科研資金產出的分散的數據牽引到相關的數據中心，系統地支持了科學數據中心的建設。
首先，依託相關科研機構建立國家數據中心，將政府部門的觀測、探測科學數據、經常性科研工程項目數據系統地納入國家數據中心，提供公眾共享及科研應用。美國是世界上對科學數據資源管理最早介入的國家，90年代以來美國政府逐步在國家層面上構建數據共享的框架，例如1990年美國國會正式批准全球變化研究計劃(GCRP)，首先由美國國家航空航天局啟動「分布式、最活躍數據檔案中心群」項目，建設一批國家級數據中心。GCRP首次明確提出「完全與開放」(Full and Open)原則的數據政策，指出數據應儘可能以低廉的價格提供給用戶，收費標準不得高於數據複製和郵寄所發生的費用。利用政府部門的投資，美國建立起了龐大的科學數據中心體系，包括13個學科性的世界數據中心和9個國家數據中心，以及龐大的分布在各政府部門、學術機構的專業資料庫群。
其次，通過出臺國家、部門的科學數據政策法規，結合科技布局和配套科研項目促使廣泛的科研數據納入數據中心統一歸檔整理。1999年的美國信息自由法修訂案，明確地把政府資助的信息定義擴展到美國的科研數據與信息，據此，聯邦政府各級科研機構制訂了相關的數據政策，如NIH、NSF、DOE等。2002年NIH公布了要求共享研究數據的數據政策，對全球科研產生了深遠影響。國家生物技術信息中心接受NIH資助項目的篩選數據、科研數據，並向公眾無償服務，發揮了支撐學科發展的重要作用。在生物信息學領域，GenBank, PDB, PubChem, PubMed等知名的科學資料庫事實上成為了該領域的公共資料庫，支撐了該領域的數據積累、保存和重複利用。英國研究理事會(RCUK)相關數據政策要求2006年10月後立項項目必須在指定的數中心存儲科研數據提供共享。
最後，圍繞大型科研工程項目、大型科學裝置科學活動，通常結合強大的網絡、計算資源，建立跨學科、信息化的科學數據中心，提供數據綜合應用服務。這類科學活動產出海量科學數據，對數據存儲、傳輸、共享和分析有更苛刻的要求，突出表現在高能物理、天文和地理系統領域等。如聖地牙哥超級計算中心管理維護包括PDB、BIRN等大量數據集，國家超級計算應用中心整理維護LTER數據等，這些綜合型的數據中心顯著特點在於資料庫與e-Science科研應用緊密結合，最大程度的實現計算、數據和e-Science科研應用的融合。
近年來，學術領域開放共享(Open Access)的發展非常活躍，在歐洲有很多科研機構倡導科研數據公開共享和開發機構存儲，這有利於數據資源的發掘和向數據中心的流動。同時，在科學數據資源向數據中心聚集並通過數據中心存儲和服務的過程中，科學數據往往得以系統化的整理和適當質量控制。
科學數據中心具有如下一些基本特徵：
(1)具有支撐海量科學數據存儲與應用的基礎環境
科學與工程問題中的數據來自各種渠道，包括各種科學實驗儀器和裝置、傳感器網絡、衛星遙感、計算機模擬與分析等等。隨著信息技術的發展，數據獲取的手段大大增強，使得科學數據急劇增長，而且從一產生就是數位化的(born digital)。同時，一些重要的數據資源需要長期保存，時間跨度以數十年計。特別在一些數據驅動的現代學科領域如高能物理、地球系統、數字天文等，需要處理的數據已經達到PB級。面對這些實際需求，國際上本世紀初就開始構建PB級的數據存儲環境，例如美國已建設若干個擁有PB級海量存儲環境的數據中心包括NCSA、SDSC等。這些PB級的數據中心關注的焦點是數據驅動的科學與工程研究支撐服務，更好的服務科學數據的長期保存和數據資源的整合利用。
(2)支撐以數據為中心的科研應用和共享服務
科學數據中心首先是數據資源中心，其運行服務和支撐工作也是以數據資源為中心，面向科研單位、科技工作者、數據用戶提供多元的數據應用和共享服務。並在數據資源的基礎上，緊密結合專業領域、特定項目工程需求，開展專門的數據處理、應用服務。
科學數據中心對科研單位、重大工程項目提供數據資源的長期積累、保存整理和散發服務，滿足重要數據資產的長期保存和重複利用的需求。如依託美國政府部門建立的系列國家數據中心。
通過長期積累、編輯整理的數據資源，研發相應的檢索、數據分析工具，為科研活動提供數據檢索、數據分析服務。如美國NCBI的GenBank、PubChem、化學文摘社SciFinder系統、日本TACC的RIO-DB資料庫、英國CCDC資料庫等。
依託大型科學工程、科學裝置，解決海量數據的存儲、共享和分析問題，數據中心提供數據密集型的數據歸檔、整理和分析服務。如美國NCAR、聖地牙哥超級計算機中心、國家超級計算應用中心等數據中心。
(3)以公益性事業運行模式為主
國際上，科學數據管理與共享服務包括國家調控下的事業性運行模式和商業化運作模式等多種方式。總體來看，針對政府投資於公益性、基礎性科學數據的生產與管理，是以事業性運行模式為主導提供公眾服務。例如美國NASA、NOAA、USGS、NIH以及NCAR、SDSC、NCSA等有關數據中心，均是針對政府生產和擁有的公益性科學數據開展支撐服務，並遵循國家政策對公眾財政資助產出的科學數據提供無償、無限制和無歧視的數據服務。例如，美國大氣研究中心(NCAR)的經費絕大部分來自國家科學基金(NSF)，2007年為8.57千萬美元。國家生物技術信息中心(NCBI)近年來每年約獲得7.3千萬美元的撥款，2008年將增加到8千萬美元。美國國家科學基金信息化建設(CI)資金2007 年為1.82億美元，其中用於研究基礎設施(research infrastructure)為1.64億美元，約佔90.3%，並且幾年來一直保持這個投入比例。此外，與科學技術有關的商業性資料庫，多是建立在原有政府投入建設的有市場前景的科學資料庫基礎之上。
(4)面向可持續發展的綜合人才結構
科學數據中心的核心價值在於對數據資源的整理和維護，包括對數據本身、數據應用程式的維護(Curation)，不斷滿足用戶需求。形成面向信息化科研環境的數據資源，必須更加高度的整合數據工作相關人才，使之圍繞數據的採集、整理、應用整個流程進行溝通協作，最終使得數據中心從數據歸檔發展到基於科學工作流的數據支撐服務。例如，NASA科學數據中心的人員組成包括天文和空間科學家、計算機科學家、分析家、程式設計師以及數據技術人員。美國國家科學基金DataNet項目大綱指出，要通過有效整合圖書館、檔案科學、信息化基礎設施、計算機與信息科學、專業領域科學(library and archival sciences, cyberinfrastructure, computer and information sciences, and domain science expertise)，探索創建示範性、新穎的科學數據工作組織結構。
四、展望
科學工程研究與教育日益成為數位化、數據密集的工作，科學數據不僅是科研活動的產出物，還是開展科研創新的必備基礎。科學數據中心建設不能一蹴而就，是一項需要經過長期積累和精心維護的基礎性工作。科學數據作為信息化科研環境的基礎設施，科學數據中心的支撐服務是關鍵，因此必須把科學數據中心的規劃建設納入長期發展戰略。最近美國DataNet計劃和澳大利亞ANDS計劃均指出要以十年為度量，通過數十年的長期培育建立國家科學數據中心及資源整合共享網絡。實際上，現有的一些知名專業數據中心也是歷經數十年的發展才成長起來的。
中科院在上世紀80年代就啟動了科學資料庫重大工程項目，歷經了20餘年的不間斷積累建設。科技部2002年啟動國家科學數據共享工程，並列入國家中長期科技發展規劃，中科院的大量數據工作也納入到該工程。長期以來，在面向學科領域的重要研究中，中科院部署和承擔了一系列國家重大科學工程、大型科學裝置，開展了大規模科學合作活動，調查表明，「十一五」期間這些重要科學活動將產生超過90TB的數據量。因此，處理海量數據的存儲、維護和共享應用是中科院科研活動的迫切需求。綜上所述，科學數據中心作為重要的信息化支撐服務設施，是科研投入的一個組成部分，同時服務和支撐廣泛的科學活動。
此外，發揮科學數據中心的戰略作用，促進科學數據服務的可持續發展，必須緊密與科研活動相結合，長期保存和維護重要數據資源，必須緊密掌握當代數據驅動的科學、工程領域發展需求，構建PB規模的數據存儲環境，並結合重大工程科研項目研發數據處理、分析、可視化等應用軟體，必須積極推動和創新數據共享政策與機制。加強科學工作的認識和廣泛合作，加強數據資源的有效整合和服務，加強與計算、網絡資源的協同與整合，並有機融入信息化科研的整體環境，無疑是科學數據中心發展的重要使命和挑戰。
參考文獻
[1] National Science Board, National Science Foundation, Long-lived digital data collections: enabling research and education in 21st century, September 2005
[2] Office of Scientific and Technical Information of DOE, The State of Data Management in the DOE Research and Development Complex，Report of the Meeting: DOE Data Centers: Preparing for the Future ，November 5, 2004
[3] National Science Foundation Office of Cyberinfrastructure, Cyberinfrastructure Vision for 21st Century Discovery, March 2007, http://www.nsf.gov/od/oci/CI_Vision_March07.pdf
[4] Office of Science and Innovation (OSI) of UK, Developing the UK’s e-infrastructure for science and innovation. January 2007. http://www.nesc.ac.uk/ documents/OSI/index.html
[5] Gray, J., Liu, D., Nieto-Santisteban, M., Szalay, A., DeWitt, G. "Scientific Data Management in the Coming Decade," CTWatch Quarterly, Volume 1, Number 1, February 2005
[6] The Future of Scholarly Communication: Building the Infrastructure for Cyberscholarship, Workshop on Data-Driven Science & Scholarship, sponsored by the US NSF and UK JISC, Phoenix, Arizona, US, April 17-19, 2007, http://www.sis.pitt.edu/~repwkshop/index.html