没有合适的资源?快使用搜索试试~ 我知道了~
视觉信息学3(2019)113海洋数据谢崔,李明奎,王浩英,董俊宇中国海洋大学信息科学与工程学院,青岛市松陵路238号1,2ar t i cl e i nf o文章历史记录:在线预订2019年MSC:00-0199-00关键词:海洋数据可视化可视化分析a b st ra ct分析大量海洋数据的一个主要挑战是数据的复杂性和海洋动力过程固有的复杂性。交互式视觉分析作为一种有效的补充方法,用于检测各种现象或模式,并在研究人员的日常工作中探索或比较多个变量的相关性。首先,本文介绍了一个基本概念的海洋数据产生的众多测量设备或计算机模拟。介绍了海洋数据的特点及相关的数据处理技术。其次,介绍了海洋数据分析的主要任务。根据现场的主要分析任务该调查从四个方面强调了相关的交互式可视化技术和工具:多个海洋环境要素的可视化和多元分析,海洋现象的识别和跟踪,模式或相关性的发现,集合和不确定性的探索。最后,讨论了未来研究的机会©2019由Elsevier B.V.发布代表浙江大学和浙江大学出版社。这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍海洋数据复杂、海量,描述了潮汐、海流、波浪、海底地形、海面风场等多尺度实体之间动力学相互作用的复杂过程。随着海洋观测技术和计算机模拟技术的快速发展,海洋数据呈现出分辨率更高、类型更多的爆炸式增长。这些每天激增的数据蕴含着丰富的知识,为进一步开展海洋科学研究提供了良好的机会然而,数据的高度异构性、海量性、快速变化性以及多种数据属性之间的耦合关系,给完全自动化分析和传统可视化带来了巨大的技术挑战 由于交互式视觉分析有效地将专家知识集成到强大的计算算法中(Keim et al. ,2008年),它允许用户交互式地探索,分析,评估不同规模的更大数据,并获得比传统分析方式更深入的数据(Andrienko和Andrienko,2013)。作 者 在 此 感 谢 国 家 自 然 科 学 基 金 项 目 ( 编 号 : 41706010 、 U1706218 、41576011)、山东省国家自然科学基金重大研究计划(编号:ZR 2018ZB 0852)的资助。他们还要感谢匿名审稿人的意见,这些意见有助于改进论文。*通讯作者。电子邮件地址:spring@ouc.edu.cn,dongjunyu@ouc.edu.cn(J. Dong)。1 从1924年开始。2 www.ouc.edu.cn网站。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.2019.08.001因此,可视化分析是海洋数据勘探,分析和更好地了解动力学的一种有前途的方法复杂的海洋过程。科学可视化长期以来一直成功地用于海洋科学的显示结果(Lipperia等人,2004年)。,2011年)。海洋学家经常使用几种 软件 系 统 , 如MATLAB 、 IDL 、 AVS、 SURFER 等 , 生 成2D/2.5D/3D图形,如流线图、等高线图、体绘制、简单统计图和动画显示,以实现可视化。然而,这些工具很少与多种互动和定量分析紧密结合在一个工具中。这些可视化系统在满足某些特定领域的需求时遇到了困难。其他可视化系统如VisTrails(Bavoiletal. ,2015)难以交互地探索不同的视觉场景或执行用户特定的主要任务的复杂查询(Andrienko,2010)。同时,目前大多数海洋研究人员的日常研究人员经常需要在多个工具之间切换来检查数据或结果,并以繁琐的方式进行并排比较。更重要的是,它是耗时和困难的在同一图上可视化多个变量,特别是面对日益增加的复杂性和巨大海洋数据的异质性(Fuchs和Hauser,2010年)。因此,最近,研究人员试图将交互式可视化分析技术和系统应用 于海洋数 据分析和 建模, 并取得了 令人鼓舞 的结果(George et al. ,2010年)。海洋科学研究中的可视化分析是一个新的领域,需要对最新研究进行结构化概述。因此,我们写这份调查,以帮助研究人员掌握目前的主流技术类别,2468- 502 X/©2019由Elsevier B. V.发布代表浙江大学和浙江大学出版社。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/)。可在ScienceDirect上获得目录列表视觉信息学期刊主页:www.elsevier.com/locate/visinf114C. Xie,M.Li,H.Wang等人/视觉信息学3(2019)113研究的挑战和发展趋势的可视化分析方法,在分析和理解大规模,动态和异构的海洋数据。我们根据海洋研究人员的常规视觉分析任务,将现有方法分为四大类:各种环境要素的可视化和多变量分析• 海洋现象(结构)的识别和跟踪• 模式(特征)和相关性发现• 合奏和不确定性探索调查的其余部分组织如下。第二节介绍了海洋数据的概念、特点和预处理技术。第3节列出了海洋数据分析任务,以便更好地将领域任务转换为可视化分析任务。第四部分根据海洋领域的主要分析任务,从四个方面总结了相关的可视化分析技术。这一综述有助于研究者了解可视化分析如何促进海洋环境要素和海洋结构的状况或格局的分析。第五部分给出了海洋数据可视化分析的研究机会最后,在第6节中总结了这项调查。表1显示了本次调查涉及的相关类别、详细研究领域及其相应参考文献。2. 海洋数据2.1. 海洋数据及其特点通常,海洋数据来自测量设备(卫星、船舶或传感器)或计算机模拟,如海洋-大气模型。由于海洋和大气耦合在一个环流系统中,这里的海洋数据主要是指各种海洋环境要素,包括海洋水文数据和海洋气象数据。海洋水文资料包括水深、水温、盐度、海流、波浪、水色、透明度、海冰、海光等。 海洋气象数据包括气温、气压、湿度、风速、降水、云、雾等数据。单个时间步的观测数据和模拟输出(集合)都是由空间场数据组成的,如图所示,空间场数据由每个网格点上的多个变量组成。1.一、因此,空间场的各种时间序列构成海洋数据(观测数据集或集合)。随着观测技术和计算机模拟技术的不断发展,获取的海洋数据量正以不可预知的规模迅速扩大同时,海洋数据包含了强烈的时空过程,涉及多尺度实体之间复杂的相互作用。因此,海洋数据的高异质性、高维数、海量数据、时空变异性大以及多种海洋数据属性之间的相互耦合关系等特点体现了海洋数据的特征。2.2. 数据预处理由于海洋数据具有海量性、多样性、复杂性和时空变异性等特点,海洋原始数据不易直接用于分析和挖掘。因此,在分析之前,必须对数据进行清洗、转换、组织、聚合等预处理.(1) 数据清理。海洋原始数据存在许多误差,如由于监测设备故障或传输错误或编码/记录/采样错误而导致的缺失值或无效值,等等计算机模拟也产生了非常大的多场数据集,其中许多不确定性由各种建模参数设置,多分辨率网格计算方案,海洋固有的可变性等引起因此,数据清洗是识别和纠正数据中的错误的必要过程,例如处理无效值、缺失值、不一致值、冗余值等。某些区域或某些时段的缺失数据可以通过整合其他来源的数据或通过数据插值来解决。(2) 数据转换。由于海洋数据通常来自于大量的测量设备或计算机模拟,其中包括具有不同数据结构和分辨率的多种存储类型。因此,在数据应用之前,需要进行数据转换,通过重新配置不同的数据格式和采样率,将不同类型或不同尺度的数据源整合成统一的格式。通常,可以创建基于元数据的XML数据转换模板来控制元数据映射和语义、语法和结构之间的转换(Liu et al. ,2016 a)。(3) 数据组织。预处理后的数据需要以良好的数据结构组织并存储在适当的数据库中,以实现对感兴趣的数据子集的快速过滤(数据抽象或聚合),并避免空间混乱或交互延迟的问题。层次数据结构是解决方案的重要类型之一,例如四叉树(Johnson-Roberson et al. ,2010)、K-d树(Duvenhage,2009)等用于空间索引或特征提取。NoSQL数据库(Fer-stlet al. ,2017)支持基于键值、面向列和面向文档等灵活的数据模式,可以高效地存储和检索高维多粒度时空数据( Liu et al. ,2016 a)。(4) 数据操纵。海洋数据集通常包含分布在大尺度空间和时间上的多个环境变量。操作如此庞大而复杂的数据集是一项挑战。数据聚合和抽象可以有效地减少数据大小,并且可以交互地过滤数据以识别数据子集以用于进一步分析,例如建立相关性、识别时空模式、呈现和验证假设。聚类和分箱是海洋学和气象学研究中将多变量时空数据划分为多个具有高度相似性的组的常用方法。其他相关方法包括经验正交函数或主成分分析等(Ferstl et al. ,2017年)。3. 海洋数据分析任务在与海洋研究人员密切交流的基础上,本文将他们的日常海洋数据分析任务分为四个3.1. 海洋多环境要素可视化与多变量分析海洋环境要素主要包括海洋水文要素/变量和海洋生态要素/变量两部分。海洋水文要素是构成和表征海水状态和海洋现象的基本物理属性或变量。例如,海水温度、盐度、密度、水色、透明度以及海冰、波浪、海流、潮汐、漩涡等。海洋·C. Xie,M.Li,H.Wang等人/视觉信息学3(2019)113115表1现有的海洋数据可视化分析研究分类细分研究领域参考文献环境要素可视化多元分析标量和矢量可视化概述(Shuai et al. ,2017; Su et al. ,2016; Phhh et al. ,2000;鼓风机等人,2009; He et al. ,2010; Silva et al. ,2013;Wang et al. ,2017; Baptista et al. ,2008; Mei et al. ,2016;Li等人,2011; Kehrer and Hauser,2013; Emmanuelle etal. ,2011; Rautenhaus et al. ,2017年)多变量分析(Fuchs和Hauser,2010;Kehrer和Hauser,2013;Shuai 等人,2017; Su et al. ,2016; Yi等人,2017;Liu et al. ,2017年;Demir等人,2016; Rocha et al. ,2017; Nobre and Lex,2015; Helbig et al. ,2017; Jarema et al. ,2015; George等人,2014; Zhang et al. ,2015; Miyachi等人,2017;Kehrer和Hauser,2013;Liu和Shen,2016;Ho和Jern,2008)代表性系统(Ravi et al. ,2013; Ho and Jern,2008; Ware et al. ,2001;Grochow et al. ,2008年)现象发现和跟踪探测和跟踪海洋现象海洋现象的互动探索(Andrienko,2010; Grochow et al. ,2008; Matsuoka et al. ,2016; Yong et al. ,2016; Tamim et al. ,2015; Liu等人,2016 b;Lima et al. ,2017; Franz et al. ,2018; Köthur et al. ,2014年)(George et al. ,2014; Bea,2008; Silva et al. ,2016;Lavigneet al. ,2011; Höllt et al. ,2014; Woodring等人,2015; Matsuoka et al. ,2014年)模式(特征)发现集成不确定性探索检测模式(Kisilevich et al. ,2009; Horenko,2010; Rust et al. ,2012;Hsuand Li,2010)模式的视觉分析(Andrienko,2010; Fuchs and Hauser,2010; Peng et al. ,2011; Ravi et al. ,2013; Resch et al. ,2014; Andrienko等人,2003年;Sips等人,2012; Turdukulov et al. ,2007; Doleischet al. ,2004; Christian Tominski,2004; Havre et al. ,2002;Aigner et al. ,2007; Blaas et al. ,2008; George and Frost,2013; Sacha et al. ,2017; Johnson-Roberson et al. ,2010;Duvenhage,2009; Liu等人,2016 a;Andrienko和Andrienko,2013)代表性系统(Köthur et al. ,2014; Frey et al. ,2012; Köthur et al. ,2012;Diehl et al. ,2015年)封闭视觉探索(Andrienko,2010; Ferstl et al. ,2017; Demir et al. ,2016; Rocha等人,2017; George et al. ,2014; George and Frost,2013)(Wang et al. ,2018; Hao et al. ,2015; Demir等人,2014;Biswas et al. ,2017; Stefan Bruckner,2010; Ellsworth etal. ,2017; Dorier et al. ,2016年; Kavanani et al. ,2016;Samsel,2016; Köthur et al. ,2014; Roberts等人,2014;Crossno,2018)不确定性视觉探索(Liu et al. ,2017; Jarema et al. ,2015; Biswas et al. ,2017年;Zhang等人,2018; Kehrer et al. ,2011; Schubert et al. ,2015;Höllt et al. ,2013,2015; Diehl等人,2017; Kumpf et al. ,2017; Obermaier et al. ,2016; Kappe等人,2019; Florian etal. ,2016; Liu et al. ,2016; Kumpf et al. ,2019年)图1.一、海洋数据组成的说明。116C. Xie,M.Li,H.Wang等人/视觉信息学3(2019)113气象要素主要包括海拔不同高度的气温、气压、湿度、风速、降水量、蒸发量、云、在这项任务中,研究人员通常将这些海洋环境要素映射成图形元素,以便在任何特定的位置/区域和时间/间隔对感兴趣的水文或海洋气象要素进行可视化观察在此基础上,掌握海洋环境的现状。同时,对多个物理量进行相关性分析。例如,经常研究海表面温度(SST)、流速和水深之间的相关性。3.2. 海洋现象(结构)的识别和跟踪在海洋或大气中有许多流体动力学和热动力学海水运动有各种类型(海流、波浪、海洋潮汐和漩涡等)。和各种时空尺度。各种海洋环境要素场之间的相互作用构成了各种海洋现象/结构。例如,中尺度涡旋、海洋锋、内波和上升流是海洋中常见的中尺度结构,它们往往持续数天至数月,尺度可达数十公里至数百公里。海洋研究人员旨在了解各种现象的形成机制,特别是中尺度涡旋,海洋锋,内波,上升流,海水分层和海洋湍流的精细结构,全球海洋和次区域的水团和环流结构此外,还可以在不同的时空尺度上研究温跃层的代表性特征及其与海洋和大气中各种元素场的非线性相互作用。3.3. 模式(特征)和相关性发现这里的格局主要是指某些现象或环境要素场及其派生变量在特定区域的地理空间分布特征或时间变化格局(季节或年际周期性或年代际特征)。例如,某一海域的长期高温或短期周期性异常,都具有涡旋演化特征(它们的出现、消散、合并、分叉、运动和重现特征)。一些不能直接测量的导出变量(例如热通量和涡动动能)也可以呈现某些时空特征。海洋数据分析中的模式识别主要是指时空变异性分析。例如,海洋研究人员的目标是掌握渤海温度的季节变化或南海内波在过去几年。他们还对衍生变量及其时空模式感兴趣。为了同时获得时空变异性和隐含的相关性,他们将交互式可视化和定制的数量分析算法相统计学或机器学习对于发现某些变量或海洋现象的时空特征3.4. 集合和不确定性探索海洋科学家经常运行不同设置的海洋-大气模型来研究复杂的海洋过程。因此,模型的每一次运行将产生由场的每个位置处的多个物理变量组成的空间场的时间序列,这被称为系综。海洋-大气模拟的典型运行包括每个时间步长的数万个网格点,以及每次运行的数百个时间步长。模型的多次设置和运行会产生时空场的集合,同一物理变量具有多个值,造成建模过程的不确定性。不确定性的量化和精确表示是集成分析研究的热点和关键。研究人员经常对多个复杂的集合(高维、多场)进行可视化评估和比较,或者研究集合与仿真参数之间的相关性。确定或理解建模中的不确定性对于高精度的海洋预报或灾害管理是非常重要的。然而,这项任务通常消耗大量的时间,是非常具有挑战性的,由于大量的多领域的数据,具有很高的复杂性。4. 海洋科学中的可视化分析方法海洋数值模拟或观测所收集的数据是典型的多源、多分辨率、多轮次、多模式、多变量、时空数据,即一种多面数据。Kehrer和Hauser(2013年)对这种多方面科学数据的可视化和可视化分析进行了全面调查更重要的是,Peng等人和其他研究人员对矢量可视化中的最新方法进行了一些有用的评论(Peng et al. ,2011),multivari- ate(Fuchs和Hauser,2010)、多维(Shuaiet al. ,2017; Su et al. ,2016)和时空数据(AndrienkoandAndrienko,2013),并讨论了当前的研究问题。Ravi等人(2013)介绍了环境数据可视化技术和工具的调查。Emmanuelle等人 (2011)对计算机图形学中的海洋模拟和渲染技术进行了调查。Rautenhaus等人(2017)描述了气象数据分析中可视化技术的概况。所有这些技术都提供了许多参考 为了学习然而,这些调查缺乏系统的概述,用于海洋数据分析的交互式可视化技术和工具。在此,我们将介绍2000年代至今在海洋数据分析中的交互式可视化技术和工具我们采用基于常规海洋数据分析任务的分类法,重点研究了以下四个方面:海洋环境要素可视化与多元分析、海洋现象识别与跟踪、模式或相关性发现、集合与不确定性分析。4.1. 海洋环境要素可视化与多变量分析介绍了海洋环境要素观测与分析中的可视化技术和具有代表性的交互式可视化系统。(1) 标量场和向量场可视化概述。在早期,二维图(点、线、面、粒子和字形)和三维体绘制是多维海洋环境要素(包括温度、盐度等标量数据)可视化的常用方法。和流场。图2显示了一个用于水质研究的交互式可视化系统C. Xie,M.Li,H.Wang等人/视觉信息学3(2019)113117图二. 盐度切片可视化与溶解氧等值面和流场的集成。来源:转载自Phhh et al. (2000年)的第10/2000号决议。图3.第三章。 可视化4D Flow和SST。资料来源:转载自Silva et al. (2013年)。他们的系统支持模拟的多场数据集(盐度、溶解氧和流场等)的多重可视化,例如切片2D轮廓、等值面和流动可视化(Phhh et al. ,2000年)。近年来,基于Web的可视化技 术 因 其 方 便 的 可 访 问 性 而 被 提 出 并 得 到 广 泛 应 用GODIVA系统(Blower et al. 2009)提供了用于特征检测和查询的大型时空海洋数据的基于web的可视化。在服务器端绘制可视化图形,并将其传输到客户端进行单幅图像显示或动画显示。它支持调色板的变化,时间间隔和感兴趣的数据的高程/深度级别的设置。同时,它支持变量之间的数据比较。但是,详细的数据分析功能和更多类型的可视化形式仍有待开发。He等人(2010)提出了一个基于网络的海洋环境数据(标量和矢量水文要素)时空可视化原型系统,包括各种海洋监测数据、现场调查或海洋站数据。阐述了三层一体化可视化体系结构、面向过程的数据组织和可视化方法。面向过程的时空可视化主要采用点、线、面可视化结合颜色映射的方法。NOAA的地球信息服务基于分层服务框架和TerraViz(Silva et al. ,2013)。TerraViz可以在多个平台上运行,例如桌面、Web浏览器和移动设备。 它支持跨越4D时间和空间的标量和矢量视觉探索(见图 1 ) 。 3 ) 。 Wang 等 人 ( 2017 ) 开 发 了 一 个 名 为PolarGlobe的多维可视化框架它还支持物理场数据的空间和 时 间 探 索 。 最 近 , 多 感 官 可 视 化 , 如 协 调 多 视 图(CMV)促进了海洋科学勘探(Baptista et al. ,2008年),并帮助不同学科的科学家有效地沟通。Mei等人(2016)提出了一个大规模气象数据的交互式可视化系统。基于体的混合绘制是该系统的核心功能,它同时集成了点、线、面绘制技术图四、 Argo数据的多视图可视化探 索 。来源:转载自Shuai et al. (2017年)。118C. Xie,M.Li,H.Wang等人/视觉信息学3(2019)113一个框架,更好地可视化气象数据的多变量。该系统已成功应用于中国气象局。目前,随着硬件技术的快速发展,基于GPU的混合方法也很流行(Li et al. ,2011年)。Su等人(2016)开发了海洋数据可视化系统。它支持等值线、等值面、体绘制和电流场的动态模拟。该系统采用基于GPU的绘制技术,有效地实现了标量场和矢量场的可视化,直观地监测了海洋环境要素的变化过程。Liu和Chen(Shuai et al. ,2017)还提供了基于GPU的框架,用于在集成系统中对异构海洋数据进行交互式可视化分析。全球地形和不均匀的多节体积(温度/盐度)渲染支持的物理过程的理解在一个综合的环境。一个具有多视图的可视化探索界面如图所示。 四、(2) 多变量分析。海洋数据是由温度、盐度、流量等众多相互关联的变量组成的多领域数据集只有了解多个变量之间的关系,建模和预测才能更准确(Liu et al. ,2017年)。然而,复杂的高维 海 洋 数 据 在 分 析 算 法 和 可 视 化 方 面 都 具 有 挑 战 性(Kehrer和Hauser,2013)。多变量分析通常使用散点图矩阵、热图/相关矩阵、Glyphs和平行坐标图,并结合必要的数量计算(Yi et al. ,2017;Demir et al. ,2016年)。关联图是一种常用的图像可视化表示方法。它往往是一个网络布局。网络的每个节点表示其上的变量,节点对之间的边表示它们之间的关系。节点之间的关系的强度通过节点之间的空间相似性来度量结合多 尺 度 方 法 , 该 方 法 具 有 可 扩 展 性 ( Zhang et al. ,2015)。已经发表了关于多变量分析的一些有用的综述(Fuchs和Hauser,2010; Shuai等人,2011)。,2017; Suet al. , 2016 年 ) 。 多 变 量 相 关 分 析 可 以 基 于 改 进 的Pearson相关系数计算和基于互信息方法的更复杂的非线性相关分析Yi et al.(2017),如最大信息系数(MIC)。还有一些新的可视化分析界面设计(Rocha et al. ,2017;Nobreand Lex,2015; Miyachi et al. ,2017年)。Rocha等人(2017)提出了一个综合可视化系统,用于分析模拟模型中多个海洋学变量之间的相关性。他们用不同的可视化形式同时覆盖多个变量显示因此,可视化支持灵活的用户配置显示不同变量的多层,以满足各种分析需求。例如,Nobre和Lex(2015)提出了一种用于多变量海洋学数据分析的交互式可视化方法(图1)。5)。他们的系统允许用户沿着洋流设置路径,并对洋流数据的属性进行趋势或相关性分析。这种新的可视化编码方法不仅扩展了分析的维度,而且提高了分析的效率。多变量分析的一个大问题是由大量数据可视化引起的过度绘图(Helbiget al. ,2017; Jarema et al. ,2015)。有效的过滤或聚类方法通常用于减少变量的数量或数据的大小,同时不丢失基本特征或关系(Liu et al. ,2017; Georgeet al. ,2014年)。然而,由于海洋动力过程固有的复杂性,海洋学多变量之间的多样性关系仍有待进一步研究。(3) 代表性的交互式可视化系统。Ho和Jern(2008)提出了一个用于大规模4D温度和盐度体积数据的可视化分析系统,这表明体积可视化可以受益于信息可视化中使用的可视化交互技术,GeoAnalytics方法可以促进数据探索和模式发现。该系统采用多个协调视图对海洋模型生成的时空和多元体数据进行可视化探索GeoZui 3D(Ware et al. ,2001年)是一个早期定制的三维可视化和分析系统,用于解释多源海洋数据。它提供了许多有效的交互方式,如居中缩放用户界面、多个链接视图和焦点+上下文方法,这些方法至今仍被但是,其局限性在于速度和缺乏足够的交互式勘探工具. 协作海洋可视化环境(COVE)(Grochow et al. ,2008),为大规模海洋观测设计提供了许多有用的功能,包括对多种类型的数据进行分层的功能,基于XML的数据组织,以及支持交互式可视化和探索不同的海洋学变量(见图2)。6)。该系统同时使用地理可视化和科学可视化。但是,它缺乏强大的分析功能。Ravi等人(2013)回顾了其他几种有用的可视化工具,如集成数据查看器(IDV)、VisTrails、VisIt、UV-CDAT等。并简要介绍了这些工具然而,上述系统具有有限的交互性,并且面临直接有效地显示大量和多变量海洋数据的挑战。4.2. 海洋现象识别和跟踪大量的海洋数据中蕴含着与复杂海洋过程相关的各种结构或现象。多个时空变量在空间和时间上在多个尺度上高度例如,典型的中尺度涡旋这对高质量探测和跟踪海洋现象提出了巨大挑战。(1) 探测和跟踪海洋现象。由于海洋涉及各种现象/结构时有发生,且每种现象都有其自身的物理特性,从而导致了各种现象的检测和分析方法。每一种现象都需要特殊的检测和跟踪算法。例如,存在两种类型的涡流边界检测方法:基于阈值的方法(例如Okubo-Weiss参数)和基于几何形状的方法(SSH中的闭合轮廓线,缠绕角方法)(Matsuoka et al. ,2016年)。对于海洋锋的检测,目前比较流行的方法有梯度阈值法、直方图法、C. Xie,M.Li,H.Wang等人/视觉信息学3(2019)113119图六、 协同可视化系统(COVE)集成了多种属性的 探索。资料来源:Grochow et al. (2008年)。图五. 海水温度的体绘制与面绘制。资料来源:转载自Nobre和Lex(2015)。分析方法、边缘检测算子方法、熵检测方法(Yong etal. ,2016)和微正则多尺度形式主义(Tamim et al. ,2015)。有 阈值设置没有统一的标准,而边缘检测方法通常计算量大且不准确。另一种方法是利用聚类算法对水团进行识别,然后找到多个水团之间的边界海滨的一部分。然而,数字的设置聚类的大小直接影响到检测的结果和准确性。最近,用于识别海洋结构/现象的深度学习方法受到越来越多的关注(Liu et al. ,2016 b)。在海洋领域已经有了一些重要的应用,如从海洋表面温度数据集的遥感图像中检测海洋锋(Lima et al. ,2017; Franz et al. ,2018年)。一个共同点是海洋结构 或现象检测在很大程度上取决于尺度时空分析。一般而言,在特定尺度下检测到的现象可能不适用于另一尺度(An-drienko,2010),这需要能够在多个尺度下准确检测和跟踪的工具(Köthur等人,,2014年)。因此,有效的结构/现象发现、跟踪和可视化分析应该与所研究的现象/事件的规模相匹配,并满足用户(2) 海洋现象的互动探索。在这里,我们主要关注的框架和交互式可视化技术的海洋现象分析在一些有代表性的研究。Bea(2008年)提出了一个框架,用于可视化和探索不同维度的海洋传感器数据,以进行现象分析。该系统允许用户探索时空趋势,某些主题的现象之间的关系,以及在不同时空尺度上重复的现象模式Silva等人(2016)提出了一个框架,用于在不同LoD下构建时空现象的统计摘要他们从空间、时间和属性维度计算了这一现象的他们还检查并比较了跨多个LoD的现象,减少了分析也有一些系统,其中视觉分析已成功地应用于海洋现象的视觉探索。Lavigne等人(2011)提出,视觉分析可以成功地应用于海洋监测领域他们使用气泡集和专题视图等成功地 可 视 化 了 正 常 和 异 常 血 管 行 为 。 最 近 , Höllt 等 人(2014)提出了一个基于海面高度数据的交互式可视化系统,该系统支持对涡旋的空间分布和时间演变进行交互式探索和图7显示界面由多个链接视图组成,用于有效探索海洋高度场和漩涡。其框架的核心采用GPU加速流水线,并成功地将统计分析与海洋预测分析中的可视化相结合。George等人(2014)提出了一个海平面上升现象视觉分析框架。该系统提供了多种可视化分析工具,可用于时空和多变量数据的交互式水动力通量计算,120C. Xie,M.Li,H.Wang等人/视觉信息学3(2019)113图7.第一次会议。 海洋高度场预报探 索 的 系 统 接 口 是多视 图 协同集成。资料来源:转载自Höllt et al. (2014年)。帮助科学家根据他们的分析需要直观地检查和探索水动力通量。Woodring等人 (2015)开发了一种现场工作流程,用于从大型时空建模数据中对漩涡进行可视化分析,可扩展到一万个处理元素。Matsuoka等(2014)应用可视化分析来探索海洋结构的特征,暖/冷流或高/低密度水团。实例研究表明,可视化分析是探索多变量海洋数据中隐藏的海洋现象的有效途径4.3. 模式(特征)和相关性发现许多测量设备和计算机模拟产生了大量的地理空间时间序列,描述了与复杂海洋过程有关的各种模式。识别隐藏在这些复杂的多变量序列中的时空模式或关系需要同时评估数据的空间和时间变异性(Kisilevich et al. ,2009年)。(1) 检测模式或相关性。科学家们经常使用自动检测方法来计算数据的摘要描述,以进行进一步的模式探索。第一种方法是通过数据缩减和变换,例如FEM-K-trends(Horenko,2010)、正交经验模式分解(OEMD)或主成分分析和小波分析等。第二种方法是基于相似性的数据划分和每组的汇总计算,例如概率模型(Rust et al. ,2012)、聚类算法(k均值或分层聚类)以及自组织映射(Hsu和Li,2010)。在分析时变向量场时,有一些成功的应用将聚类与交互式可视化相结合(Kisilevich et al. ,2009年)。然而,用户通常难以指定这些自动检测方法的某些参数。此外,由于海洋大数据的时空耦合性和地理相关性,传统的模式挖掘算法无法有效地进行时空解耦和地理分解。因此,交互式探索是时空模式发现的一种有效补充方法.(2) 模式的视觉分析时空模式探索(Andrienko,2010年)用于了解海洋要素或现象随时间的演变特征,比较不同时间的数据以检测趋势/周期性或分布特征(Fuchs和Hauser,2010年)。对时间和空间变化的视觉编码通常使用2D空间地图视图、时间视图和多个统计视图的动画。另一种可视化方法是将时间和空间的变化整合到3D体积渲染中(Resch et al. ,2014)通过切片、平均/聚合或PCA类降维方法(Sacha etal. ,2017年)。由于时空探索应该允许用户 为了关注时间特征或空间模式,相应地,降维方法应该满足分析目的(时间聚集的2D地图或空间聚集的时间序列),并且应该开发定制的可视化(Andrienko et al. ,2003; Sips et al. ,2012)。空间模式探索。2D地图或地球地图通常是海洋环境要素或现象的首选地理分布表示,这需要考虑投影,比例尺和视觉编码设置。地理信息系统(GIS)通常与其他数据分析技术相结合,用于时空模式分析和可视化多源、多模态海洋学数据,例如显示遥感SST数据(Turdukulov et al. ,2007年)和底栖绘图数据。时间模式探索。时间序列图通常用于将海洋学变量或现象的变化特征按顺序可视化(Ravi et al. ,2013)。一个很好的例子是显示环境元素(如温度或密度)如何随时间和不同深度的水而变化。其他可视化形式也有各自的应用场合。例如,SimViz(Doleisch et al. ,2004),用于模拟数据的TimeWheel轴(Chris tian Tominski,2004),用于多变量数据的ThemeRiver(Havre et al. ,2002年)进化探索,故事情节(Aigner et al. ,2007)用于分支时间。更重要的是,各种基于平行坐标的图(Blaas et al. ,2008)将时间视为交互式视觉分析的定量维度。值得注意的是,适当的时间序列可视化应该匹配时间数据的属性类型(有序线性时间/分支时间或循环时间)(Aigner etal. ,2007)。周期性时间数据意味着周期性应在螺旋视图中表示,而不是线性图(Andrienko,2010)。另一方面,分支时间适用于一些海洋现象(如涡旋)跟踪或预测分析。然而,当同时处理多个时间相关或空间相关属性时,可视化分支时间和层次时间的技术是具有挑战性的。因此更C. Xie,M.Li,H.Wang等人/视觉信息学3(2019)113121需要努力进一步研究灵活地可视化和分析混合类型的时间数 据 的 技 术 ( Aigneret al. , 2007; George and Frost ,2013).时空模式探索。时空模式探索的传统方法是通过改变地图投影和创建动画。海洋学研究人员通常通过在地图上显示各个时间步长的海洋数据来执行时空模式探索(Andrienkoet al. ,2003),并结合其他统计图表进行分析。然而,有限的人类工作记忆容量的一系列快照可能会限制理解的趋势或功能随时间的变化。动画适合于定性分析(Peng etal. ,2011)的海洋元素或现象随时间的演变。在对大量时空数据进行交互式动画处理时,信息过载会导致特征被忽略,这是一个很大的问题。在提供定量分析和多属性比较方面,小倍数是比动画更有效的方法(George和Frost,2013)。因此,将动画地图视图和小倍数合并到一个界面中, 协调多个视图将是执行多面时空模式识别的另一种方式(Grainger et al. ,2016年)。(3) 代表性系统。Frey等人(2012)提出了一种基于交互式可视化的相似性检测和探索方法。他们使用基于相关性的相似性矩阵来评估和比较空间时间序列中的周期性和准周期性行为/模式。Köthur等人(2012)使用聚合层次聚类对相似空间情况的时间序列进行分组,并使用多个2D地图视图对2D空间情况进行交互式基于这种交互式视觉摘要和对整个地理空间时间序列的探索,他们可以发现和评估显著的时空模式(如季节性海平面异常、非常强烈的厄尔尼诺/拉尼娜现象等)。彩色地图视图和序列视图被链接到一起,用于可视化时空模式。此外,他们还进一步介绍了独特的可视化分析界面和海洋观测数据时空模式检测的案例研究结果(Köthur et al. ,2014年)。图8表明,通过聚类层次的交互探
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 十种常见电感线圈电感量计算公式详解
- 军用车辆:CAN总线的集成与优势
- CAN总线在汽车智能换档系统中的作用与实现
- CAN总线数据超载问题及解决策略
- 汽车车身系统CAN总线设计与应用
- SAP企业需求深度剖析:财务会计与供应链的关键流程与改进策略
- CAN总线在发动机电控系统中的通信设计实践
- Spring与iBATIS整合:快速开发与比较分析
- CAN总线驱动的整车管理系统硬件设计详解
- CAN总线通讯智能节点设计与实现
- DSP实现电动汽车CAN总线通讯技术
- CAN协议网关设计:自动位速率检测与互连
- Xcode免证书调试iPad程序开发指南
- 分布式数据库查询优化算法探讨
- Win7安装VC++6.0完全指南:解决兼容性与Office冲突
- MFC实现学生信息管理系统:登录与数据库操作
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功