海洋灾害大数据分析的系统模型研究及应用

There are many factors affecting marine disaster prediction. Relationships among these factors are complex, which are evolving with time and space. A number of problems are difficult for modeling, or even when it could be modeled calculating is also difficult. With era of ocean big data coming, it's possible for discovering characters and laws from interacted data and known knowledge by big data analyzation. Now big data analyzation mainly focus on given problem or theme. However, problems according to marine disorders prediction is rather complex. Data are also massive. Establishing a system-level model which could describe and analyze complex factors and their complex relationships are very important. And it's also meaning for proposing efficient methods of analyzing characters of the model. Therefore, system model of big data analyzation of marine disorders will be proposed by strenghtening multi-subnet composited complex network presented in previous study. Topological properties and dynamic properties will be studied. Dynamic reorganization of networks will be given. And algorithms of calculating topological and dynamic properties also will be given. Those could be used for discovering laws and mechanisms of big data of marine disorders. On those basis, composited complex network of red tides, enteromorpha marine disaster will be constructed by known knowledge and acquired data. By analyzing properties of the model, laws of occurrence, development and death of red tide and enteromorpha will be picked up, which could provide auxiliary support for marine disaster forecasting.

海洋灾害预测影响要素多，关系复杂且具有开放性，若干问题难以建模或即使建模也很难求解。随着海洋大数据时代到来，借助大数据分析从相互耦合的数据和已知特征、机理中发现未知规律与特征，可为海洋灾害分析预测提供新的手段。目前大数据分析仅停留在面向问题、主题，而针对海洋灾害预测的复杂性、海量性、开放性和实时性，实现其大数据分析，需建立可描述和分析复杂多要素及其关系的系统级模型及模型相关性质高效分析方法。本项目拟在复合网模型扩展研究基础上，给出海洋灾害大数据分析系统模型；将海洋灾害若干分析问题转化为该模型的拓扑和动力学等性质分析；给出动态组网运算及分析算法。为海洋灾害大数据的规律提取、机理发现提供模型与分析方法支撑。对已获取的赤潮等观测、监测数据及机理，建立赤潮、浒苔复合网络，基于模型性质的分析方法，分析其相关性质，发现赤潮、浒苔爆发的若干未知机理及其关系、演化规律，以期为赤潮、浒苔预测提供辅助支持。

针对海洋灾害监测预测影响要素多，关系复杂导致若干问题难以建模或即使建模也很难求解的问题，本项目建立了面向海洋灾害大数据分析的系统模型（复合网模型），该模型导入了多维分析，将建立的数据关系网络模型与多维分析方法相结合，使提出的模型能够对数据网络进行多维度、多粒度的动态组网分析。针对海洋灾害监测预测的时效和准确率问题，研究提出了若干复合网链路预测算法用于分析复合网模型的性质，包括基于串行集成策略的链路预测算法与基于多种相互作用的链路预测算法等。在此基础上，研究建立了用于海洋灾害监测预测的复合网模型，以遥感影像为主要数据源，基于赤潮（绿潮）、海冰监测预测的实际分析需求，提出了一系列基于复合网性质分析的监测预测方法，包括：（1）考虑邻域空间结构特征的基于复杂网络的遥感影像建模方法，与5种常用绿潮检测方法FAI、RVI、NDVI、EVI、OSABI进行对比具有更好的检测效果；（2）提出一个利用Mahalanobis距离计算的等级聚类性质分析方法，通过收集了渤海和北黄海近海水域的水质数据并对它们进行聚类，应用于水体评价质量。结果表明所提方法更适合于水质评估与许多相关的水质变量分析。（3）提出了一个能够系统反映不同海域水质的水质因子相异网络模型（WDN），揭示了赤潮发生的地域性，季节性和交替性。实际赤潮事件验证表明，所提的模式和方法有效地促进了赤潮发生机制的认识。（4）GF-1遥感影像绿潮自适应阈值分区智能检测方法，实现了不同云覆盖情况下，绿潮的高精度自适应阈值的自动检测。（5）一种适合于SAR影像海冰分类的属性差决策树分类分析（SDDT）方法，实验表明采用同样的训练样本，应用提出算法挖掘出的海冰分类规则，比同类算法的检测精度至少提高10%以上。本项目的研究成果不仅拓展了基于复杂网络的大数据分析的模型理论，而且为海洋大数据的智能挖掘与分析提供了有效的应用实践示范，为自动化、高精度的监测海洋灾害与理解其产生的机理提供了有效支撑。具有广阔的应用前景。