多空间视角下的时空仿真数据可视化技术综述

视觉信息学3（2019）129时空仿真数据可视化中的多空间技术综述陈学艺a，1，沈黎明a，1，沙子琪a，刘日晨a，刘晓，陈思明b，c，季根林a，超探aa南京师范大学计算机科学与技术学院，中国江苏省南京市栖霞区文苑路1号b德国弗劳恩霍夫智能分析和信息系统研究所德国波恩大学ar t i cl e i nf o文章历史记录：在线预订2019年保留字：仿真数据可视化时空数据可视化比较可视化a b st ra ct数值模拟在不同科学领域的广泛应用提供了各种研究机会。它们通常会输出大量的时空模拟数据，传统上具有单次、多次、多变量、多模态和多维等特点。从数据探索和分析的角度来看，我们注意到许多针对时空模拟数据的工作然而，它缺乏一项调查，无法系统地概述共同的基本共性这些作品。在这次调查中，我们采取了一种新颖的多空间视角，将最先进的作品分为三大类。具体来说，这些作品的特点是使用了类似的技术，如模拟空间中的视觉设计（例如，视觉映射，基于箱图的视觉摘要等），参数空间分析（例如，视觉操纵、参数空间投影等）以及特征空间中的数据处理（例如，特征定义和提取、采样、简化和仿真数据聚类等）。2019浙江大学出版社版权所有由爱思唯尔公司出版这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍随着计算能力的提高和超级计算机的发展，不同科学领域的模拟越来越普遍。仿真数据包括仿真参数空间数据、仿真过程数据、仿真输出数据，甚至包括现场可视化数据。大多数科学模拟数据都是时空数据。仿真数据往往具有多轮次、多变量、多模态、多维等特点。时空仿真数据可视化是为了计算和分析仿真模型的灵敏度、不确定性和稳定性而设计的。具体而言，可视化设计能够揭示仿真空间中的不确定性，参数空间中的参数设置和特征空间中的数据分布研究整个动态过程不仅是获得对仿真模型的全面理解的必要条件，*通讯作者。电子邮件地址：richen@pku.edu.cn（R. Liu）.[1]前两位作者对这项工作的贡献相当。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.2019.08.002预计将揭示更多关于模型中信息演变的信息。1.1. 相关调查2013年，Kehrer和Hauser（Kehrer and Hauser，2013）对可视化和可视化分析适用于多方面科学数据（包括多次运行模拟数据）进行了一次一般性审查。考虑到相关调查的更广泛视角，在集合数据研究挑战的调查中只提到了部分研究工作（Obermaier和Joy，2014年; Wang等人，2014年）。，2015年），一个调查的数据减少技术的模拟数据（李等人。，2018年），以及最先进的气象模拟工作（Rautenhaus et al. ，2017年）。他们要么对少数有代表性的论文进行了详细的描述，要么缺乏对这些基本共性的总结和系统的概述。我们认为，有必要以新颖和基本的视角对最先进的作品进行全面的调查。我们在IEEE Xplore、EuroGraphics数字图书馆和ACM数字图书馆上搜索了相关论文，并将其添加到本次调查中。论文收集IEEETVCG ， 计 算 机 图 形 学 论 坛 ， IEEE 可 视 化 ， EuroVis ， IEEEPacificVis等，然后我们保持使用多空间可视化技术或多空间分析技术之一2468- 502 X/©2019浙江大学和浙江大学出版社。由Elsevier B. V.发布，这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-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/visinf130X. 陈湖，澳-地沈，Z.Sha等人/视觉信息学3（2019）129+表1从每个类别中选出一些有代表性的论文横轴表示不同的论文，纵轴表示可视化或数据分析的不同技术，包括跨多个空间分析的技术，即，模拟空间（VS：基于箱形图的视觉摘要，GV：基于字形的可视化，ISO：等值线和等值面），参数空间（TE：试错探索，O+D：概述到细节探索，FC：焦点和上下文探索，VSt：视觉转向）和特征空间（DET：特征定义，提取和跟踪，DSR：数据采样和简化，IFE：交互式特征探索）。许多论文在多空间技术方面具有基本的共同点。所有的论文都被分类（用不同的颜色），并根据他们使用的主要技术按列排序。Fig. 1. 三个主要类别的调查可视化气泡（柯林斯等人。，2009）：仿真空间设计（绿色气泡），参数空间技术（粉红色气泡），特征空间计算和探索（蓝色气泡）。1.2. 调查分类从数据探索和分析的角度来看，时空仿真数据可视化的许多工作往往具有共性，主要集中在几个类似的探索技术上，如仿真空间、参数空间、特征空间以及它们的组合的事实上，我们发现许多作品采用多空间探索技术，而不是使用单一的空间技术。具体来说，文献也可以被描述为使用类似的探索技术，包括模拟空间中的视觉设计（例如，基于箱形图的视觉摘要、视觉映射、基于轮廓的说明性呈现等。），参数空间分析（例如，视觉操纵、参数空间投影等。）和特征空间中的数据处理（例如，数据采样、数据简化、数据聚类、特征提取等。）. 图1通过不同颜色的气泡显示了主要的三个类别。为了帮助读者，特别是小说研究者更好地了解他们研究领域的相关作品和研究趋势，我们改进了一个交互式工具（Collins et al. ，2009）以焦点+语境的方式探索文献。可以拖动每个节点，并通过迭代重新生成工具该工具的结果如图所示。 2，其中显示了共享共同探索的10个子类别阴谋横轴和纵轴可以由用户编码表1列出了所有类别的论文从表中可以很容易地发现，许多作品在多空间（仿真空间、参数空间和特征空间）上共享共同的可视化技术所有的论文都被分类（用不同的颜色），并根据他们使用的主要技术按列排序。根据模拟过程，本文收集的数据包括传统模拟（单次运行）、集合模拟（多次运行）和现场模拟。我们认为，这一议题并非包罗万象。它并没有涵盖所有的论文仿真数据可视化，因为只有部分论文仿真数据可视化可以使用一个以上的多空间技术。此外，本文还重点介绍了时空仿真数据可视化方面的文献2. 模拟空间探索仿真数据的可视化和分析变得越来越复杂，包括模型稳定性、模型逼真度和时空分辨率的可视化。因此，离群值和缺失数据是不可避免的。为了解决这些问题，出现了许多可视化技术。我们总结了几种可视化仿真数据的方法，并将仿真空间方法分为基于箱形图的可视化摘要，基于字形的可视化和基于剪影的仿真空间说明性渲染。前三种主要是将数据编码到视觉设计中（例如，形状和颜色等）根据数据模式和使用场景。不确定度测量和不确定度计算。2.1. 基于箱线图的可视化摘要基于boxplot的可视化摘要方法主要用于获得趋势聚合结果，例如一系列基于箱线图设计的作品。它们是揭示模拟数据中概括统计量，特别是科学数据中不确定性信息的常用方法。例如，Potter et al. （2010）总结X. 陈湖，澳-地沈，Z.Sha等人/视觉信息学3（2019）129131图二. 概述rmrmallmost的论文在10个子类别可视化的气泡（柯林斯等人。，2009年）。我们改进了这个交互式实时工具，使不同层次的文献类别清晰易懂。该工具可用于以焦点+上下文的方式探索文献。每个节点表示使用相同技术的论文（a）或子类别（b），每个节点都可以用气泡包围，以显示它使用的多种技术，而颜色代表不同的技术。横轴表示发表时间，纵轴表示从ScienceDirect（www.sciencedirect.com）和Google Scholar（scholar.google.com）收集的引文数据。统计图显示了整个海拔切片的湿度和温度的联合平均值。在每个切片中，联合均值、联合标准差、偏方差和协方差都被可视化，以显示汇总统计量，如图所示。3（b）款。 此外，联合数据直方图显示为抖动的四边形。在这项工作中，不确定性不仅由传统上使用的变量，即，均值、标准差、偏方差和协方差，以及用于显示密度信息的联合数据直方图。所有变量都通过以下方式可视化：箱线图和设计良好的字形在模拟空间。聚类还用于总结特征空间中的不同数据模式类似于总结图的工作（Potter et al. ，2010年），名为Noodles的可视化工具（Sanyal et al. ，2010），通过在模拟空间中绘制意大利面条图和圆形图示，以交互方式总结集合模拟输出和气候模拟数据的相关不确定性。绘制意大利面条图以显示平均值、标准差和四分位数，如图所示。第3（a）段。然而，当许多特征重叠时，Noodles中的意大利面条图可能会受到太多的影响132X. 陈湖，澳-地沈，Z.Sha等人/视觉信息学3（2019）129图三. 基于箱线图的可视化摘要。(a)一个名为Noodles（Sanyal et al. ，2010年），提出了可视化集合模拟数据中存在的不确定性。(b)两个正交的二维视图形成三维视图显示不确定性可视化的2-D摘要图（Potter et al. ，2010年）。海拔高度上湿度和温度的联合平均值。平均值、标准差、偏方差和协方差的联合表示 在 随 机 设 计 中 示 出 。 (c) 集 合 的 曲 线 箱 形 图 可 视 化50 个 模 拟 飓 风 轨 迹（Mirzargar et al. ，2014年）。(d)流体流动模拟的压力场整体的轮廓箱形图，具有用于上下文的线积分卷积背景图像（Whitaker等人，，2013）。(e)2-D和3-D主要趋势的抽象可视化（Ferstl et al. ，2016年）。见图4。基于字形的方法来进行比较可视化。 (a)第一个链接视图（左）显示了表面深度位置的直方图在选定的空间位置和时间步长处。 第二个链接视图（右）是一个时间序列视图，描绘了选定位置处每个时间步长的时间序列（Höllt et al. ，2013）。(b)基于Glyph的技术允许对向量场的2-D集合进行交互式比较探索（Jaremaet al. ，2015）。(c) 小倍数的字形设计用于比较不同集合矢量场的涡旋形状和涡旋大小（Liu etal. ，2015，2017）。(d) 面条（Sanyal et al. ，2010年）：水蒸气混合比的可视化通过使用意大利面条图和不确定性图示来说明不确定性的进展。视觉混乱，使他们不能轻易传达的主要趋势，离群值，和统计特性的特征分布。然后，为了克服这些局限性，进一步提出了几种基于箱线图的工作，即等高线箱线图（Whitaker et al. ，2013）和曲线箱形图（Mirzargar et al. ，2014年）。前者（等值线箱线图）给出了一种将函数数据深度扩展到等值线的通用方法，并演示了二维气候模拟数据和二维计算流体动力学箱线图的显示方法，如图1所示。第3段（d）分段。后者（曲线箱线图）提出了一种广义的方法，将传统的须图或箱线图扩展到在集合向量场中跟踪的曲线。特别地，曲线箱线图采用非参数方法来概括总体路径线。 它是从描述性统计（面条）和数据深度（等高线箱线图）到多维曲线（曲线箱线图）的方法的扩展，如图所示。 3（c）.此外，更灵活的工具，即，简化变异性图（Ferstl et al. ，2016），提出了可视化的统计特性和不确定性的多个聚集趋势的流线在模拟空间。从技术上讲，他们使用主成分分析（PCA）将一组流线转换到低维欧氏空间中，并进一步使用主成分表示来描绘一个新概念，即，流线型中线它表示具有高置信度的2-D/3-D区域。每个流线中值可以从流线的一个聚集趋势中提取。趋势的相对强弱由其中线的粗细来描述，箱线图二维和三维结果如图所示。3（e）. 大多数箱形图系列作品使用聚类算法来获得聚类或离群点，并在特征空间中进行分析。此外，Liu et al. （2016）提出了一种基于LCSS的测量方法来计算集合路径之间的相似性场和不确定性场。2.2. 基于字形的视觉映射为了解决时空模拟数据可视化所带来的挑战，基于字形的方法是一个合理的选择可视化地图。象形文字的特点是象征性的 或数据集的一个或多个变量的图标表示。它们的视觉表现可以通过改变电子的性质来改变（Ropinski et al. ，2011年）。在本节中，我们将回顾应用于仿真数据可视化的基于XML的技术。设计良好的字形可以用来可视化整个仿真过程中出现的不确定性、敏感性或不确定性. Sanyal等人（2010）设计了基于带状和字形的不确定性可视化、等值线色图和意大利面条图的多个视图。在标量场系综中，尺度缩放的圆形符号是测量不确定性的最流行的技术之一。字形的最大大小受以下限制：该间距使得字形之间的重叠最小化。标准差、95%置信区间的宽度和四分位数范围被编码成圆形字形的大小，如图4（d）所示。同心圆的图示符表示置信区间和四分位距，而用户可以选择不同样本的bootstrap均值或总体均值。模拟运行。除标量场集合可视化外，矢量场集合可视化也常采用矢量场集合可视化。例如，基于字形的技术（Jarema et al. ，2015年）提出对二维矢量场集合进行交互式比较可视化。它将变化模式编码成字形的形状和方向，如图所示。4（b）.然而，这种比较仅限于二维场景。Liu等人（2015，2017）设计了一些字形来隐喻用户定义的派生特征（即，vortex）从vector field ensembles。涡气候模拟数据和海洋模拟数据等矢量场的一个重要特征。然后他们比较衍生特征 通过字形放置在3-D模拟空间的小倍数，如图所示。 4（c）.此外，在模拟空间中，也常使用ESTA来进行隐喻，例如，将ESTA放置在时间序列数据中每个时间步的选定位置，以编码海洋深度的风险，并进一步提供海洋表面模拟数据中的交互式可视化分析（Höllt et al. ，2013）。为了更详细地描述多个仿真运行中曲面输出的整个分布，他们提供了两个链接视图。左边的链接视图显示了模拟海面的深度位置直方图水平轴显示选定的临界海平面，其中每种颜色代表分布在临界海平面以上的风险（图4（a））。除了在海洋模拟中对海平面风险所X. 陈湖，澳-地沈，Z.Sha等人/视觉信息学3（2019）129133图五、（a）从一个 等 值 线 延 伸 到三个等值线（Fofonov和Linsen，2018）。(b) 彩色加上重叠的轮廓（左）和特写，两者都显示了相同的数据区域（右）（波特等人。，2009年a）。(c)允许用户指定一个临界高度值，其等值线从当前选定的表面导出，然后突出显示（Höllt et al. ，2013）。(d)地面温度平均值的高度场（Potter et al. ，2009 b）。系综模拟中的变化模式和整个模拟运行的传播交互设计用于在仿真空间和特征空间中探索时空仿真数据。2.3. 基于轮廓的图解绘制基于轮廓的可视化技术可以示出现场数据（即，标量场、向量场、张量场等中的数据）在模拟空间中，这有助于揭示数据的模式和分布。常用的方法有二维等值线法和三维等值面法。等值线和等值面的提取是可视化和勘探的前提。将统计方法直接应用于时空模拟数据的等值线检测，已有一系列的工作。Höllt等（2013）根据不同阶段的不同要求开发了可视化系统。它允许用户指定一个临界高度值，然后突出显示从选定表面提取的等值线，如图所示。5（c）.此外，为了探索参数空间，例如查看某个参数的影响或去除离群值，可以对完整集合，或集合的任何用户定义的子集。此外，Potter et al. （2009 b）提出了一种方法，通过使用一组统计描述符来总结数据，使用各种可视化技术（如多个2-D图，切片和3-D等值线绘制）可视化这些描述符来探索集合模拟数据，如图所示。 5（d）。同年，Potter et al. （2009 a）提出了一个名为Ensemble-Vis的框架，该框架由一组概述和详细的统计视图组成，并提供了一些交互。他们使用了各种关于等值线的技术，例如意大利面条图，它允许为集合的不同模拟运行选择值。与在单个显示器中呈现各种信息的方法相比，组合多个链接视图可以更好地呈现数据，并有助于更高级别的可视化数据分析，如图所示。 5（b）.为了提高测量的精度，用户可以同时选择多个等值线。Fofonov和Linsen（2018）将等值面相似性推广到场相似性，并进一步推广到多场相似性。 它们用于捕获不同数据帧之间的局部字段差异，而不仅仅是提供聚合的统计信息，如图所示。 5（a）. 大多数基于轮廓的方法通常采用数据简化方法（在特征空间中）来总结模拟运行中的等值面相似性或差异以进行比较。见图6。参数空间探索中的试错实验参数分配。每个实验结果对应于一组不同的参数（Unger和Schumann，2009）。3. 参数空间探索为了得到令人信服的结论，领域科学家经常使用具有不同控制参数值的相同仿真模型，生成大型数据集，即状态参数，其捕获目标现象行为的不同方面（Matkovic et al. ，2010年）。一般来说，用户应该利用他们对过程的固有知识和屏幕上的视觉信息（Unger和Schumann，2009）。考虑到输入可能是多变量的，即使对于专家来说，高维参数空间探索也可能是繁琐和复杂的。在本节中，讨论了基于参数空间探索的工作，包括参数化视觉探索和视觉转向。前者可以进一步分为三个亚类的技术，包括试错法，焦点+上下文，和概述到细节。同样，许多摘要文件可能同时属于多个不同类别。3.1. 参数视觉探索专家通常需要探索参数空间，以便他们可以为后续仿真运行的输入确定更合适的区域，从而获得更准确的仿真输出。模型的可视化表示捕获依赖关系，允许工程师在多个仿真运行的场景中推测模型行为与其领域专业知识参数之间的关系。我们可以得出三个主要的研究集中在这个过程中的探索：试错，焦点+上下文和概述到细节。3.1.1. 试错探索最直接的方法是使用相同的模型和不同的参数集进行多次模拟，并显示结果，以便专家可以缩小输入空间，从而从模型中获得更好的响应。Unger和Schumann（2009）的目标是为理解底层仿真过程和抽象数据集提供可视化支持，这需要两者的可视化结合。通过这种方式，减少了为决策他们在三个不同的过程水平上分析和多个实验视图在模型级别协调，提供模型实验的比较。不同的实验结果对应于不同的参数集，如图所示。六、用户可以通过试错的方式分配参数。最后，实验视图被用作多运行仿真数据级别的概述。134X. 陈湖，澳-地沈，Z.Sha等人/视觉信息学3（2019）129见图7。聚焦+上下文探索技术在时空仿真数据可视化中的应用。(a)拖动操作更改正向设计（左）中的模拟输入值或逆向设计（右）中的模拟输出值（Coffey等人，2013）。(b)不同的方式描绘一个家庭的表面：一个单一的平行坐标显示一个选定的表面，三维表面视图和二维高度地图视图的选定表面（Matkovic等。，2009年）。(c) 火焰模拟的三个 集群的参数视图，以及代 表集群成员的渲染（ Bruckner和Möller，2010）。3.1.2. 聚焦+背景探索值得一提的是，这一小节中总结的论文只是在参数空间探索中使用F+C技术。焦点+上下文（Focus+ Context，F+C）可视化可以处理高维的大数据集，引导用户，支持交互式分析。Matkovic等人（2009）提出了一种基于平行坐标图（PCP）的参数空间探索技术，该技术能够对仿真输出（即数据表面族）进行彻底的研究。允许用户使用F+C方案刷PCP中的参数空间，如图所示。 7（b）.随着模型复杂性的增加，要弄清楚仿真模型行为和数据集之间的依赖关系变得非常困难。Matkovic等人（2010）进一步提出了一个模拟模型视图来弥合这一差距。该视图提供了一个2-D图形，其中每个节点表示仿真模型的一个生成块。在每个节点中，直接显示用于调整模拟的控制参数和捕获模型行为的状态参数的值。对于多个管路，它们定义一个曲线族，并为每个管路定义一条曲线。曲线视图与多个链接视图和复合画笔相结合，旨在显示焦点曲线，这些曲线形成上下文（F+C）。此外，许多基于物理的仿真软件工具，这是专为生成逼真的动画，在参数选择过程中没有提供可视化的指导，使用户不得不诉诸一个耗时和繁琐的试错策略。为了解决这个问题，Bruckner和Möller（2010）提出了一种结果驱动的可视化方法，用于参数空间的可视化探索。仿真的输入参数可以通过交互式结果驱动的F+C方法来获得，如图所示。第7（c）段。该系统采样的参数空间，并采用了一种新的方法，用于聚类所得到的体积时间序列，以找出与它们的时间演变的特征变化。可视化仿真结果集的问题是一个活跃的研究领域，最近应用到工程设计。区别于小倍数和多倍数联动见图8。从概述到细节的探索方法。(a)三个循环A、B、C用于区分交互式转向过程的三个级别（Matkovicet al. ，2008年）。(b)第一行中的图像显示了来自大脑的原始图像数据扫描和地面实况分割。第二条线显示了在两种不同的参数配置下模型的两个输出分割（Bergner et al. ，2013）。(c)可视化分析系统，设计用于嵌套平行坐标图的多分辨率气候集合参数分析（Wang et al. ，2017年）。(d)将三个目标的邻域映射到X中，显示对Xi和Xj的组合变化的敏感性（Berger等人，2011年）。(e)基于气候模型结构和输出的分组的迭代视觉调和（Poco et al. ，2014 a）。视图（Doleisch et al. ，2003），Coffey等人（2013）认为，界面的直接性使得可以在适当的位置进行有效的整体可视化，这意味着基本上使用单视图交互和可视化空间，而不是基于小倍数和多个链接视图的视觉布局。他们设计了一个界面，用于探索在需要调整计算密集型模拟参数的任务中遇到的大型探索空间，如图所示。 7（a）.为了帮助领域科学家理解多分辨率对流参数和大的时空集合之间的联系，Wang et al. （2017）提出了一个集成的可视化系统，呈现复杂的气候集合，具有全面的概述和按需的地理细节。与从概述到细节的思想不同，领域科学家更感兴趣的是可视化地量化参数变化所导致的差异。为了解决可视化多分辨率高维参数空间的挑战，他们提出了一种新型的平行坐标图，称为嵌套平行坐标图，它可以可视化不同参数的分辨率内和分辨率间参数相关性，如图所示。8（c）.热图和dendrograms连接在一起，以帮助领域科学家获得大型多分辨率集成的整体理解。此外，还提供了多个并排的地理视图，以按需显示空间和时间细节。X. 陈湖，澳-地沈，Z.Sha等人/视觉信息学3（2019）1291353.1.3. 从总体到细节的探索可视化中的一个共同目标是设计既提供概览可视化又支持详细特征探索的技术。研究人员通常更喜欢先设计一个数据的轮廓，只是遵循以下原则：“先概述，缩放和过滤，然后是需求的细节”。概述通常有助于专家掌握总体情况，以便他们能够迅速决定缩小潜在区域。通常，由于模型的复杂性，不可能在开始时运行所有可能的仿真运行并分析结果，这可能导致不必要的时间和计算资源的浪费。在这种情况下，Matkovic et al. （2008）提出了一种具有交互式视觉分析的紧密耦合转向回路。他们从一个非优化的初始原型和相应的仿真模型开始，并详细地经历了一个迭代过程，如图所示。第8（a）段。原型设计通过仿真模型的细化、仿真参数的细化以及试错尝试以获得优化的解决方案来继续，在三个不同的抽象级别（仿真数据、控制参数值、仿真模型）之间来回进行此外 ， 还开发 了一 个名为ParaGlide （ Bergner et al. ，2013）也遵循设计原则：“先概述，缩放和过滤，然后按需提供细节”。具体而言，ParaGlide是为多维仿真模型的参数空间（概述）的交互式探索而设计的，它通过使用基于区域的参数采样（细节）界面指导数据生成，将模型的输入参数空间划分为提出不同输出的分区，从而努力促进细化模型的过程它还允许手动将输出空间聚类为相似模型结果的组，如图所示。第8（b）段。对于一些复杂的情况，如高维参数空间的探索，专家往往需要利用参数空间投影进行降维，这需要大量的复杂计算。在模拟过程之前，将其转换到参数空间。Poco等人 （2014 a）提出了一种迭代的、人在回路的改进策略，用于协调替代相似性空间，该策略利用了人类感知系统的高带宽，并利用了计算模型的模式检测和优化能力。由于科学家们需要了解模式结构相似性和模式输出相似性之间的依赖关系它还允许灵活的多路交互和参数空间的探索，以协调模型参数与模型分组的重要性（图1）。 8（e））。类似地，Berger et al. （2011）提出了一种交互式方法，以实现相对于多个目标值对采样参数空间的连续分析。他们采用统计学习的方法来实时预测结果，任何用户定义的点及其邻域，并描述在多个目标维度和其他应用特定标准的背景下引导用户到潜在感兴趣的参数区域的技术，并将预测的固有不确定性可视化在2-D散点图和平行坐标中，如图所示。 8（d）.简而言之，关于参数视觉探索的技术可以总结为试错法（Matkovic et al. ，2010年;Unger和Schumann，2009年），这可以在参数空间的复杂度相对较低时应用，概述到细节，这已经根据信息寻求咒语被广泛接受，F+C，这可能更合适细节是最重要的无论是F+C还是概述到细节，这些文献大多在特征空间中设计了交互式探索方案来验证和分析仿真输出。3.2. 视觉操纵考虑到专家通过简单地观察参数可视化探索系统生成的可视化结果来做出决策可能是不直观的，通常需要交互式系统来支持参数可视化细化并辅助分析。可视化操纵是一种直观的交互式方案，可以帮助领域专家探索时空仿真数据中的视觉转向方法可以分为两个亚类。首先，专家可以直接操纵模型的输出。通过在模拟空间中拖动项目或更改其几何属性，可以方便地细化输入项。其次，专家也可以建立代理模型，如回归模型，间接地做一些调整。Coffey等人设计的系统。 （2013），主要集中在F+C视觉转向，通过在同一视觉空间中直接操纵模拟输入将正向设计与通过“拖拉"和重塑模拟输出的逆向设计相结合，如图所示。7（a）.此外，Bruckner和Möller（2010）提出了一项工作，在交互式视觉转向环境中生成结果，该环境将三维动画视图与已识别时空集群的抽象表示相结合，如图所示。第7（c）段。此外，概述到细节的设计（Matkovic et al. ，2008）被集成到用于汽车工业系统设计的原型环境中的视觉转向方法中。三个层次的迭代（仿真数据、控制参数值、仿真模型）提供了不同层次的交互性，如图所示。第8（a）段。为了扩大分析范围，减少主观性，并便于将模型输出与参考数据进行比较，Kothur等人（2014）提出了一种新的视觉转向方法。它允许建模人员在模型输出和参考数据中创建时间剖面的多个空间聚类，使用集成方法合并每个数据集的各种聚类，并交互式地探索和比较合并结果，如图所示。 9（a）。有时，专家们愿意在输入和结果之间建立一个代理模型，通过分析可以得到参数和输出之间的相关性和灵敏度等信息。回归模型将是这种情况的典型选择 Matkovic等人 （2014）介绍了一种新的方法来混合视觉转向仿真集成。它们将交互式探索和分析与基于回归模型的自动优化相如图9（b）所示，通过使用回归模型和使用优化来在空间的子集内找到最优值，引入了模拟空间和参数空间的自适应探索。该新方案涵盖了全自动仿真和手动调整仿真参数之间的范围。总之，视觉导向的本质是为专家提供了一个更好地了解模型输入参数和输出之间关系的可能途径，为进一步调整参数和模型铺平了道路。视觉操纵技术可概括为直观的直接视觉操纵和直观的间接视觉操纵。代理模特这些方法大多使用交互式技术来探索特征空间，然后验证仿真输出结果。136X. 陈湖，澳-地沈，Z.Sha等人/视觉信息学3（2019）129见图9。时空仿真数据可视化中的视觉操纵技术。(a)整合概述组件。 用户可以选择参数，即，比较模型数据和参考数据的相似性标准（Kothur et al. ，2014年）。(b)左侧视图显示了六个参数以及约束和最佳值。右侧视图用于比较模拟结果（橙色）和回归模型结果（蓝色）。（Matkovicet al. ，2014年）。4. 特征空间探索为了提高模型在海流、气候预报、燃烧特性等众多实际领域的精度和效率，科学家们面临着对重复性模拟实验产生的海量数据和各种参数的分析和处理因此，为了减少数据集和有效地与用户进行交互，许多新的技术被很好地设计来提取特定的特征。主要的挑战和相关技术将讨论三个方面，特征规格，数据处理和减少和交互式特征探索。4.1. 仿真数据在仿真过程中，在探索特征空间之前，需要根据多轮次、多变量、多时间的仿真数据定义不同的特征。一些衍生特征需要通过精心设计的算法或方法进一步提取。可视化倾向于关注数据集的重要部分，而不是同时显示所有信息和细节。考虑到可视化高维和大型数据集对用户来说无疑是一个挑战，基于特征的探索有助于通过精心设计的算法减少数据集，并帮助用户提取和指定最感兴趣的在本节中，我们将讨论仿真数据特征提取的一些代表性方法，如特征定义语言（FDL）的使用、时序特征规范、特征表面提取、拓扑特征分析和不确定性特征提取。 10和11号。为了更好地定义特征，特征定义语言（FDL）（Doleisch et al.2003年）可以设计。它允许定义一个或多个特征，这些特征可以是复杂的，并且可以通过刷涂多个维度来分层描述，如图10（a）所示。Muigg等人（2008）进一步使用FDL来减少视觉混乱和遮挡。这项工作定义了特征见图10。特征空间探索的典型方法。(a)特征定义语言（FDL）被设计为通过刷取多个维度来描述特征（Muigg et al. ，2008年）。(b)从海洋模拟数据中提取域特定特征（涡流）（Williams et al. ，2011年）。(c)通过个体方差和联合方差来测量包容性不确定性（Hummelet al. ，2013）。(d)从海洋模拟数据中提取域特定特征（涡流）（Woodring et al. ，2016年）。(e)特征表面（Oster et al. ，2014）可以被提取以分析预混燃烧模拟数据，而无需在原始网格上重建数据采用focus + context的四层方法，将FDL应用于科学数据的交互式可视化，其中包括由多个链接视图和context集成的三种不同的focus，以获得特征规范。时间序列数据是仿真数据可视化的另一个重要特征。Unger和Schumann（2009）使用了三个过程水平，即，模型、实验和多次运行的仿真数据，设计基于底层过程和用户需求的可视化。模型级的可视化可协调多个实例，用于比较实验视图，而多运行模拟数据视图提供 数据的概述，其细节可以按时间序列进行分析。海洋模拟数据的特征提取是一种常用的方法，而海洋模拟数据的领域特征是涡旋。Williams等人 （2011）提出了一个流动数据的分析，以显示海洋涡旋的三维结构和分布，如图所示。 10（b）.记录每个涡流的特征然而，当数据集太大而无法处理时，该方法受限于可用性和复杂性因此，Woodringet al. （2016）开发了现场涡动普查工作流程。它的绿色区域表示强烈的旋转，蓝色区域表示强烈的切变，而区域之间的边界表示漩涡，如图所示。 10（d）.特征表面（Oster et al. ，2014）对预混燃烧数值模拟数据进行分析，而不需要对原始网格上的数据进行重构。它使用网格提取，特别是处理预混燃烧的DNS数据的巨大规模，如图所示。10（e）.他们的工作是用火焰表面网格这种稀疏数据表示来描述原始数据通过网格顶点之间的距离的不同，可以分析和比较标量场的行为集合模拟过程中产生的不确定性可以可视化地分析集合流的行为X. 陈湖，澳-地沈，Z.Sha等人/视觉信息学3（2019）129137见图11。拓扑特征提取与分析。(a)标量函数基于拓扑景观隐喻定义在任意维度的单连通域上（Harvey和Wang，2010）。(b)通过记录每一次轮廓的合并，构造了一棵层次合并树步 骤 （Bremer et al. ，2011年）。(c)持久性图谱（Favelier et al. ，2019）分析了集成的关键点布局方面，并提供了低维嵌入的成员，并自动识别不同的趋势，在关键点布局。在特征空间中。Hummel等人（2013）开发了一种基于拉格朗日的矢量场集合不确定性测量。它连接和传输特性的个别拉格朗日邻域联合流行为中提出的合奏。因此，个体方差和联合方差都在特征空间中可视化，并进一步用于测量CFD模拟数据中的不确定性特征，如图所示。10（c）. Kumpf等人（2018）提出了一种新的工作流程，以提高气象预报的准确性。它计算模拟数据中标量预测量的灵敏度，定位预测误差产生的区域，从而改进预测模型。基本上，特征跟踪算法可以分为两个主要类别：通过几何形状跟踪和通过拓扑学跟踪（Favelier et al. ，2019）。前者计算几何属性之间的距离，后者使用等高线树、reeb图和临界点等拓扑计算跟踪仿真数据。Harvey和Wang（2010）可视化了定义在地形模型集合上的标量函数，并完整地收集了与输入标量场相同的等高线树和拓扑一致性，如图所示。11（a）.他们使用了一个新的隐喻，称为拓扑景观”（韦伯等人。，2007年），其基本思想是构建一个地形与给定的数据集具有相同的拓扑结构，并显示地形作为一个容易的实际输入数据的理解表示。层次合并树和Reeb图是拓扑分析中常用的两种方法，而在仿真数据分析中，当特征高度紧凑且表示灵活时，合并树可进一步用于数据约简和数据分割通过记录每个时间步的轮廓合并来构建分层合并树（Bremer et al. ，2011年），如图所示在图11（b）中。结果表明，拓扑分析是一种适合于参数空间探索的特征分割、选择和跟踪方法。通过拓扑方法稳健地提取的临界点已被用于许多重要的应用中。然而，在临界点提取中存在一些阈值问题当为每组阈值提取许多单个特征集时，可视化的成本极高，并且阈值的任何变化见图12。仿真数据约简的特征空间分析。数据聚类和分类，主成分分析，和其他一些。(a)现场取样（Woodring等人，，2011年）在大规模粒子模拟：图像显示全分辨率数据和采样数据之间的比较。(b)PCA用于计算由搅拌装置模拟产生的总体矢量场中的不确定性（线性化变形或形状变化）（Hummel et al. ，2013）。(c)PCA用于将流线转换成保持结构的 欧几里德空间（特征空间或PCA空间）（Ferstl et al. ，2016年）。(d)聚类用于组合一个数据集的所有聚类（每个聚类都有其独特的颜色一个单一的 合并集群（Kothur et al. ，2014年）。需要重新处理数据。一种常用的拓扑技术Morse理论通过以下方式解决了这个问题：一组相似的特征。持久性图谱（Favelier etal. ，2019年）分析的关键点布局方面的合奏的结构，并提供低维嵌入的成员，并自动识别不同的趋势，在关键点布局，如图所示。 11（c）. 但是，在临界点的趋势变异性方面还存在不足他们通过提供特征集合的2-D布局作为关键点来填充它，通过测量不同点之间的距离。大部分的作品归类为“特征定义，提取，跟踪”的子类别利用基于剪影的说明性渲染在模拟空间中来说明特征或模式。实际上，等值线和等值面在模拟空间和特征空间中都是一个重要的特征。4.2. 特征空间在比较数据集合的差异和相似性时，数据处理和约简是必不可少的。目前的削减挑战是避免有限的范围和失去主要因素。值得一提的是，这一小节中总结的论文只是在特征空间探索中使用数据采样或数据约简技术。利用采样、聚类、分类和降维等数据约简技术可以识别数据中的时变行为特征、主要趋势和异常值，这一方法得到了广泛的应用例如，原位取样方法（Woodring et al. ，2011）被设计成克服模拟运行时的I/O带宽限制。原位法可以减少存储带宽，将原始数据存储在后分析中。图中的图像。图12（a）示出了全分辨率数据和采样数据之间的比较。聚类集成将一个数据集的所有聚类组合成