Diese Arbeit beschäftigt sich mit der Modellierung räumlicher und semantischer Daten für den Anwendungsbereich des Supply Chain Monitoring. Dafür wird das aktuelle Konzept von Knowledge Graphs (KGs) beleuchtet und wissenschaftliche Erkenntnisse und Techniken angewendet. In der Literatur wird insbesondere auf zwei grundsätzliche Graph-Datenmodelle hingewiesen: „directed edge-labelled“ und „property“ Graph Modell. Beide Ansätze werden eingehend betrachtet. Darüber hinaus wird erörtert, wie "Wissen" in einem KG zustande kommt und eingearbeitet werden kann, sowie die Bedeutung von Kontext in diesem Zusammenhang. Bevor schließlich die Einarbeitung von geographischen Daten in die vorgestellten Graph-Datenmodelle thematisiert wird, müssen einige Grundlagen aus dem Bereich der Geoinformatik beleuchtet werden. Insbesondere die geometrisch-topologischen sowie semantischen Charakteristiken und Sichtweisen sind von Wichtigkeit, da diese die potentiellen Anknüpfungspunkte zu den Bereichen der KGs und des Supply Chain Monitoring bilden. Die Konzepte von Topologie, Netzwerken und Graphen werden gegenübergestellt und ihr Zusammenspiel beleuchtet. Anschließend werden einige wesentliche Definitionen aus dem Supply Chain Management skizziert und die Konsequenzen für die Integration von Supply Chain Monitoring und Geoinformation betrachtet. Die theoretischen Überlegungen fließen in die technische Studie ein. Zuerst wird ein semantisches Modell (SCMOn) mittels Ontology Engineering und Wissen aus Der Praxis aus dem Forschungsprojekt JRC LIVE am Logistikum Steyr entwickelt mithilfe der Software Protégé. Danach wird ein räumlicher KG (sKG-SCMon) unter Verwendung fiktiver Testdaten, der individuellen Ontologie und der Software GraphDB Free konstruiert. Die zuvor definierten Kompetenzfragen bilden das Hilfsmittel zur Verifikation des KG. Diese werden zuletzt zu (Geo)SPARQL Abfragen ausformuliert, werden erfolgreich ausgeführt und zeigen die erwarteten Ergebnisse.

This Thesis analyzes the modelling of spatial and semantic data for the application of supply chain monitoring. For this purpose, the concept of knowledge graphs (KGs) is examined, and scientific findings and techniques of this field are applied. Two basic graph data models are identified from literature: directed edge-labelled and property graph models. Both approaches are considered in detail and it is shown that the models are flexible enough to be transformed into one another. Moreover, it is discussed how "knowledge" is created and may be incorporated in a KG, as well as the crucial role of context. Before considering the incorporation of geographic data into the graph data models presented, some basics from the field of geoinformatics must be given as background. In particular, the geometric-topological as well as semantic characteristics and perspectives are of importance, as these form the potential connecting points to the domains of KGs and supply chain monitoring. The concepts of topology, networks and graphs are contrasted and explained how they work together. Some essential definitions of the supply chain management domain and the consequences for the interaction between supply chain monitoring and geoinformation are outlined. These theoretical considerations are incorporated within the technical study where a semantic model (SCMOn) is developed first by the means of ontology engineering and knowledge from practice from the research project JRC LIVE at the research institution Logistikum Steyr within the software Protégé. Secondly, a spatial KG (sKG-SCMon) is constructed by the use of fictional test data, the conventionally developed ontology, and the software GraphDB Free. The previously defined competency questions form a tool for the verification of the elaborated knowledge graph. Finally, these questions are reformulated into (Geo)SPARQL graph queries, are successfully executed and return the results as predicted by the theory.