面向过程的海洋异常变化时空聚类模型

Spatiotemporal clustering pattern of marine abnormal variations is one of hot issues among global climate changes, while there are great challenges when exploring such patterns by prevail spatiotemporal clustering models. Thus, on the basis of the initial results from the young NSFC project (No.40901194, finished) and the last NSFC project (No.41371385, in progress), i.e. marine spatiotemporal process semantics and the process-oriented association patterns, we propose a process-oriented spatiotemporal clustering model for exploring marine abnormal variations. The main issues are as follows. (1) Taking the marine process semantic as a key line, this project studies the process-oriented method for extracting marine abnormal variations from time series of raster datasets, and designs the representation structure for storing the marine abnormal variation objects; (2) Taking the continuous and gradual marine abnormal variation as an analysis object, this project proposes the basic concepts of process-oriented clustering, discusses the algorithm of constructing spatiotemporal neighborhood windows, designs the M-nearest neighborhood-based clustering algorithm, studies the visualization framework and the evaluation indicators of such spatiotemporal clustering patterns, and then builds the process-oriented spatiotemporal clustering model; (3) Taking the Pacific Ocean as research area, and sea surface temperature as test data, we explore the spatiotemporal clustering patterns of sea surface temperature, and validate the effectiveness and feasibility of above methodology. The successful implementation of this project can effectively discover the spatiotemporal clustering patterns of marine abnormal variations, which will provide scientific factors for global climate changes at large scale. Also, the project’s results can make up the insufficiency of the traditional methodologies on geographical spatiotemporal data mining.

海洋异常变化的时空聚簇模式是全球气候变化研究的热点问题之一，而典型的时空聚类模型在挖掘该类聚簇模式时存在瓶颈。在国家基金项目关于海洋时空过程语义和过程关联模式研究成果的基础上，提出一种面向过程的海洋异常变化时空聚类模型。主要内容为：（1）以海洋时空过程语义为主线，研究海洋异常变化的过程提取方法与表达结构，建立海洋异常变化的过程组织模型；（2）以连续渐变的海洋异常变化为分析对象，研究面向过程的时空聚类的基本概念和邻域窗口的构建算法，设计M最近邻的时空聚类方法，建立海洋时空聚簇模式可视化框架和评价指标体系，构建面向过程的海洋时空聚类模型；（3）以太平洋为实验区、海洋表面温度为实验数据，挖掘海洋表面温度时空聚簇模式，验证上述方法的可行性和有效性。该研究成果能揭示海洋异常变化的时空聚簇模式，为全球气候变化研究提供事实特征，同时可弥补传统时空分析方法在海洋时空挖掘理论方面的不足。

本项目面向地理时空挖掘方法在海洋时空动态聚类挖掘方面存在的瓶颈问题，建立了以演变过程为基本单元的海洋时空聚类挖掘方法。具体为：1）提出了以演变过程为基本单元的海洋异常变化对象提取方法，实现了海洋异常变化对象和对象行为的一体化提取；2）设计了“序列图-过程图”两层三级的图表达和组织模型，构建了基于Neo4j的海洋异常变化过程图数据库，实现了海洋异常变化对象和对象行为的一体化组织与存储；3）设计了“状态-序列-过程”的相似性度量和聚类评价指标，研制了系列海洋异常变化时空聚类算法，构建了面向过程的海洋异常变化时空聚类挖掘模型；4）构建了海洋时空过程聚类挖掘原型系统，开展了太平洋海洋表面温度、海洋表面叶绿素a浓度等异常变化聚类模式及与ENSO的关联模式分析，获取了新的地理发现。项目在执行过程中发表学术论文15篇，其中SCI检索10篇，EI检索1篇，CSCD论文4篇，申请国家发明专利2项（1项授权，1项实质审查阶段），申请软件著作权登记1项，发表数据集论文2篇。研究成果一方面解决了地理时空聚类模型在时空动态挖掘方面的不足，奠定了海洋数据科学分析方法基础；另一方面为开展全球气候变化研究提供新的客观事实。