高维异构地理环境数据分析视觉信息学研究——视觉信息学2（2018）111

8 浏览量更新于2025-01-16 收藏 1.72MB PDF 举报

视觉信息学

（

2018

）

111

地理坐标平行坐标：环境数据分析

Maha El Meseery，Orland Hoeber*

加拿大里贾纳大学

r t

i c

e i n

文章历史记录：

接收 16 六月 2017收到修订版

2017年12月20日接受2018年

2018年3月15日在线提供

保留字：

异构数据可视化

高维数据可视化田间试验评价

a b s

t r

a c

近年来社会面临的大量环境问题驱使研究人员收集和研究大量数据，以了解人与我们生活的环境之间存

在的复杂关系。这些数据集通常是高维和异构的，具有复杂的地理空间关系。分析这些数据可能具有挑战

性，特别是在研究非空间属性时需要保持空间意识。地理坐标平行坐标（GCPC）是一种地理视觉分析方

法，旨在支持复杂地理空间环境数据的探索和分析。平行坐标与地理空间表示和调查散点图紧密耦合，所有

这些都可用于显示，重组，过滤和突出数据的高维，异构和地理空间方面。与专家数据分析师进行了两组现

场试验，以验证研究环境数据的方法。这些评价的结果是积极的，提供了现实世界的证据和新的见解，说

明在研究非空间要素时，需要了解数据的地理空间方面时，使用全球气候产品中心在环境数据集中进行探索

的价值。

这是一个在

CC BY-NC-ND

许可证下的开放获取文章

（

http://creativecommons.org/licenses/by-nc-

nd/4.0/

）。

介绍

为了满足人类快速发展的需求，我们正在广泛地改变和紧张我

们的环境中可用的资源我们对环境的持续和大量需求正在造成许

多环境问题和生物多样性的丧失（千年生态系统评估，2005

年）。为了解决这些问题，研究人员研究环境和生物多样性的变

化如何受到人类的影响，以及人类如何受到环境变化的影响了解

关键因素对环境现状的影响是改善环境决策的一个基本方面（千年

生态系统评估，2005年; Swet-nam等人， 2011年）。然而，必须

考虑许多生物、生态、经济和社会因素，以及这些因素之间的关

系和相互依存关系。研究这些因素及其相互影响的复杂性使得理

解和管理环境

通讯作者。

电子邮件地址：

elmeseem@uregina.ca（M. El Meseery），orland. uregina.ca

（O. Hoeber）。

同行评议由浙江大学和浙江大学出版社负责

https://doi.org/10.1016/j.visinf.2018.02.001

系统是一个具有挑战性的问题。使问题进一步复杂化的是，通常必

须考虑数据的重要地理空间方面（

Bhaduri

等人，

2009

年

;

Komenda和Schwarz，2013年）。由于环境数据的维度众多且性

质各异，分析和理解此类数据的过程这样做需要研究人员选择一个

子集的维度进行研究，考虑这些感兴趣的各种因素的值，探索这些

维度之间的关系，并综合大量的信息。在这些探索和分析任务期

间，研究人员还必须保持对数据的地理空间方面的认识虽然研究人

员是各自研究领域的专家，但由于缺乏对高级工具的认识，或者不

愿意学习服务于单一目的的专业工具虽然环境研究人员通常使用电

子表格和简单的绘图工具进行分析，但这样做限制了他们在数据中

探索的能力在之前的研究中，我们发现，当分析任务由于需要比较

多个软件系统之间的数据而耗时且认知繁重时，研究人员可能会将

其任务限制在确认已知的内容上（

Hoeber

和

Ul Hasan

，

2017

）。

为了发现新知识，研究人员

nd/4.0/）。

可在ScienceDirect上获得目录列表

视觉信息学

期刊主页：www.elsevier.com/locate/visinf

112

M. El Meseery

，

O.Hoeber/

视觉信息学

（

2018

）

111

需要软件工具，这些软件工具被设计为以多种有意义的表示来显

示数据，并支持复杂数据的探索和分析。

地理视觉分析是一种越来越多地用于支持地理空间数据的探索

性数据分析的方法（

Andrienko

等人，

2003; Keim

等人，

2008

年）。通过结合信息可视化、数据处理、数据挖掘和交互界面，

分析师能够探索、分析、推理和理解高度复杂的数据（Keim等

人， 2008年）。这种分析的以人为本的性质使分析人员能够确认

已知的情况，确定新的调查路线，提出和检验假设，确定模式，

并从所显示的情况中得出新的见解。有了这些优势，各个领域的

决策支持系统越来越多地采用地理视觉分析方法（Komenda和

Schwarz，2013; Sips等人， 2012年）。

在所有这些支持探索性数据分析的新地理视觉分析方法的开发

中，很少有研究对这些方法的支持、有用性和易用性进行评估。我

们研究的主要目标是设计，开发和研究地理视觉分析方法，使高维

异构地理空间数据的分析和理解。考虑到平行坐标表示大量维度的

能力，以及地理可视化显示空间关系的价值，我们开发了一个将这

两种方法紧密耦合的系统，称为地理坐标平行坐标（

GCPC

）。通过

将这些视图相互协调，并使用调查散点图，分析人员能够显示、重

新组织、过滤和突出显示他们调查中感兴趣的数据的各个方面。为

了研究和评估该方法的益处，与两个不同环境研究小组的成员进行

了实地试验评估。这些评价的目的是评估专家如何利用该系统在其

具体领域内探索和分析环境数据。

本文的其余部分组织如下。第2节提供了一个关键文献的审

查，为这项研究提供了信息

，包括高维数据可视化，

地理可视化分

析和环境数据的可视化分析的第3节概述了GCPC的设计和主要特

点。第4节提供了一个案例研究，说明了全球产品竞争力对数据分

析的价值。田间试验研究设计和程序见第5节，随后在第6节中对

两项评价的结果进行了详细分析。本文最后讨论的主要结果，主

要贡献的摘要，评估的局限性，并概述了未来的工作。

相关工作

2.1.

高维数据可视化

由于二维显示的限制，可视化具有大量维度的数据是具有挑战

性的。在可视化研究文献中已经探索了许多不同的方法，包括降

维、小多点图、多点图和平行坐标（

Grinstein

等人，

2001; Ward

等人，2015年）。虽然每种方法都以自己的方式解决了显示高维

数据特征的挑战，但它们也有特定的局限性（

Ward

等人，

2015

年）。

降维方法使用计算技术将高维数据变换到低维空间，同时保持

数据点之间的相对接近度（

Choi

等人，

2010

年

）。诸如主成分分

析（

PCA

）（

Jolliffe

，

1986

）、多维标度（

MDS

）（

Choi

等人，

2010 a）和自组织映射（SOM）（Guoetal.， 2006年，它被用于

这一目的。一般的做法是，

或者将数据从高维空间映射到2D或3D空间，然后使用传统的可视

化方法将数据点显示在它们的新位置。虽然将定位相似的数据

点，但是在新的坐标空间和数据的实际维度之间可能没有明显的关

系，从而在探索和寻求理解数据的含义时引入不确定性（Choi等

人，2010年b）。

另一种常见的方法是使用小倍数的简单可视化方法，如散点

图，显示数据维度子集的组合。这种方法的好处是，如果维度的

子集被仔细选择并适当可视化，用户就能够在数据的不同视图之

间进行比较（

Tufte

，

1990

）。例如，散点图矩阵可用于显示数据

内的所有成对关系（

Wilkinson

等人，

2006

年）。不幸的是，这

种方法不能很好地扩展到大量的维度，并且即使只有中等数量的

维度，用户可能考虑的数据的视图数量也可能是压倒性的。

图的使用扩展了传统的二维散点图，能够显示更多的维度。该

图将多个维度编码为字形中的图形参数，然后将这些参数定位在2D

图中（Grinstein等人， 2001年）。一种非常有用的简单方法是将

色调（表示定性维度）和大小（表示定量维度）分配给散点图中

的每个元素，从而在

空间中实现

可视化不幸的是，在它们变

得不可理解之前，可以使用字形表示的维度的数量是有限的

（Chung等人， 2015年）。

一个根本不同的方法来解决这个问题是离开使用正交坐标空间，

而是使用一个坐标空间，组织平行的维度（

In-selberg

，

1985

）。对

于平行坐标，每个数据点都表示为一条线，该线与每个轴在特定尺寸

上的值的适当位置相交。使用平行坐标可视化高维数据的主要优点是

它们能够在大量维度上提供数据的单个视图，可以轻松比较相邻维度

上的数据，由于其灵活性，平行坐标已被集成到许多数据分析系统中

（

Guo

等人，

2006; Lundblad

等人，

2008

年

; Takatsuka

和

Gahegan

，

2002

年）。

不幸的是，还存在参数坐标的许多限制，包括当数据点经过给定

维度上的相同值时引入模糊性，在远距离维度上比较数据的困难，以

及当数据集中存在大量数据点时的过度绘制问题。近年来已经引入了

对平行坐标的许多交互式扩展来解决这些问题（

Heinrich

和

Weiskopf

，

2013; Zhou

等人，

2008

），使平行坐标可视化高维数据

的良好基础。

2.2.

地理空间数据可视化

虽然已经提出了许多方法来支持地理空间数据的交互式可视化

分析，但主要机制仍然是在地图上表示数据。地理信息系统

（GIS）是完善的，并且通常用于可视化地理空间数据（Sánchez-

Lozano等人， 2013; Zhang和Gruen-wald，2008）。一般的方法

是允许用户向地图添加图层，以显示数据各个方面的空间分布然

而，利用地理信息系统来识别和研究数据中的关系是一个具有挑

战性的过程，因为它涉及视觉上的

M. El Meseery
，
O.Hoeber/
视觉信息学
2
（
2018
）
111
113
合并和比较多个层（
Zhang
和
Gruenwald
，
2008
）。当有大量的维
度需要分析时，选择层和直观地比较数据的过程是低效的，并且在
认知上是繁重的。
2.3.
环境数据的地理视觉分析
随着人们对环境决策支持系统的兴趣日益增长，研究人员已经研
究了使用各种多准则决策框架来支持环境数据的分析。这些框架使
用多个绩效指标和分析方法来指导情景的创建，以探索不同的决策
方案（
Ananda
和
Herath
，
2009
年
; Kasprzyk
等人，
2013
年）。目标
是研究不同因素的变化如何影响生成的备选方案。然而，这些方法
一般不提供探索和分析实际环境数据的工具，在需要了解数据之间
的关系时，其价值受到限制。虽然地理信息系统方法在分析环境系
统 方 面 也 很 常 见 （
Sánchez-Lozano
等 人 ，
2013; Swetnam
等 人 ，
2011;Zhang
和
Gruenwald
，
2008
），他们通常专注于显示已知关系
或模式存在的维度的一小部分。
最近，一些研究人员提出了针对环境问题的决策支持系统，该系
统通过采用地理视觉分析方法，专注于使决策者参与分析过程
（Kasprzyk等人，2013; Luo和MacEachren，2014; Sips等人，
2012; Xiao
等人，
2007
年）。特别重要的是地理空间数据的整合
和 这 种 方 法 的 互 动 性 质 （
Andrienko
等 人 ，
2016;RothandMaceachren
，
2016
）。有些人使用地理视觉分析来
探索物种分布及其与环境数据的关系，方法是使用分类查看器和
多 变 量 表 格 可 视 化 来 扩 展 传 统 GIS （ Zhang 和 Gruenwald ，
2008
）。其他人已经创建了交互式小的多地图，显示何时何地重要
的环境措施发生了变化（Hoeber等人，2011年）。这些系统的主
要特征是通过自动数据处理、机器学习和交互式可视化来扩展当
前的环境分析工具，以支持对数据的探索和
其他人已经开发了类似的方法来支持在环境数据中进行探索，
但重点是特定的环境问题或领域（
Komenda
和
Schwarz
，
2013
年
;
Sips
等人，
2012
年）。提出了一个地理视觉分析系统，以探索和
分析沿海环境随时间的海拔变化（
Tateosian
等人，
2011
年）。另
一个系统使用多个协调视图来探索沿海环境的流体动力学模拟
（George等人， 2014年）。这些方法使研究人员能够探索和理解
特定的复杂环境数据，但它们缺乏对其他类型数据或环境领域的
概括性
3.
地理坐标平行坐标
GCPC
是一种集成多种可视化和直观交互的方法，以支持对环
境数据的探索和推理（
Meseery
和
Hoeber
，
2015
）。使用多个协
调视图来显示、检查和探索高维异构地理空间数据，GCPC旨在
实现Keim的可视化分析咒语中描述的交互式分析活动：“首先分析;显
示重要内容;缩放、过滤和进一步分析;按需提供详细信息”（Keim等
人， 2008年）。
该系统的核心由三个紧密集成的视图组成：平行坐标，地理可
视化和调查散点图。平行坐标提供了大量维度的紧凑表示微观可
视化
在每个坐标上方提供每个维度的统计特征。地理可视化使用点图或聚
合六边形图显示数据的空间方面。调查散点图提供了一个小的维度子
集的可视化，支持数据内相关性的研究。这些视图在多个协调视图框
架中链接在一起（
Roberts
，
2007
），这样一个视图中的任何交互都
会自动反映在其他视图中。
GCPC
界面的屏幕截图如图
1
所示，详细
信息将在以下小节中进行说明。
请注意，虽然在许多其他人的工作中已经探索了平行坐标和地
理 可 视 化 的 集 成 （
Dykes
，
1997; Maceachren
等 人 ，
1999;
Andrienko
和
Andrienko
，
2001; Edsall
，
2003; Guo
等人，
2005;
Ge
等人，
2009
年
; Opach
和
Rød
，
2014
年），我们在这项研究中的
目标是实现一种方法，该方法可以很好地扩展大量的维度，支持
各种异构数据类型，支持从平行坐标视图以及地理可视化的交互
过滤，集成了可用于进一步过滤数据的调查散点图，并添加了一
种新的微观可视化方法来显示数据在每个平行坐标维度上的分
布。
GCPC
的这种实现使我们能够进行现场试验评估的方法，使
验证这些交互式的数据视图的紧密耦合是否可以支持专家环境研
究人员在探索和详细的数据分析，是有用的，他们的数据分析任
务，提供信息丰富的意见，并易于使用。
GCPC
是作为一个基于
Web
的应用程序实现的，在服务器端使用
PHP
和
MongoDB
，在浏览器端使用
HTML
、
CSS
和
JavaScript
。可视
化界面使用数据驱动文档（
D3
）库（
Bostock
等人，
2011
年，作为核
心。使用并扩展了平行坐标（
Chang
，
2012
）和地理可视化（
Aga-
fonkin
，
2010
）插件，以添加新颖的视觉和交互功能。
3.1.
平行坐标
GCPC的一个基本要求是在潜在的大量异构维度中进行可视化
和平行坐标非常适合这项任务，因为它们能够同时显示许多维
度 ， 并 支 持 广 泛 的 数 据 类 型 （ 即 ， 定 量 、 有 序 和 分 类 ）
（
Heinrich
和
Weiskopf
，
2013
）。当查看大量维度时，平行坐标
提供了数据中一般趋势和关系的概述（见图1）。 1，中间）。通
过支持操作显示内容的交互式功能，平行坐标可以成为一种强大
的分析工具。
平行坐标的主要优点之一是能够轻松解释相邻维度之间的数据
关系虽然静态平行坐标依赖于这些维度的适当选择和排序，但
GCPC
包括允许维度的动态重新排序和过滤的交互式功能重新排
序是通过对维度标签的简单拖放操作完成的，从而自动重新配置
数据。从平行坐标中删除尺寸是在单独的控制面板中完成
使用平行坐标的缺点之一是难以比较非相邻维度上的数据，这
是由于当数据点经过用户可能想要比较的两个维度之间的其他维
度时引入了模糊性。为了能够识别远距离维度上的可能关系，
GCPC
允许使用色标在用户指定的维度上对数据进行可视这样做
允许通过观察相关性来直观地比较该维度上的数据与其他非相邻
维度上的数据