融合不确定性认知的时变空气污染集合大数据可视分析方法研究

The uncertainty analysis of air pollution complex model for multi-source heterogeneous ensemble data is an important problem in the air pollution control field. From a new perspective, this project uses interdisciplinary visual analysis technology to analyze the uncertainty features and evolution procedure of air pollution for ensemble data, and explore the distribution pattern of different regions and correlation of air pollution, as well as solve the complex analysis problems for big data with time-varying, multi-source, high dimensional characters. Through establishing the unified spatiotemporal model for air pollution multi-source heterogeneous big data, the uncertainty quantitative representation method based on spatiotemporal bitmap index is proposed, so as to reduce the complexity of data model. According to the neighborhood histogram idea and distribution difference evaluation criterion, the uncertainty feature extraction method is proposed to study motion detection and sequential incremental updating strategy, so that it is capable to implement the online time sequential feature tracking. Furthermore, the spatiotemporal diffusion model for text information is put forward to verify and feedback the result of tracking, thus the accuracy will be improved. By constructing the global correlation volume with multidimensional evaluation information, and utilizing the visual feedback mechanism, the precision of global correlation computation for uncertainty analysis is improved highly and the computational complexity is reduced effectively. Finally, the visual metaphorical expression method for multi-field multivariate ensemble data is presented, and hierarchical interactive visualization platform is built to help experts to explore the hidden features in the big data. The research results of this project can provide new ideas and theoretical basis for the study of air pollution prevention and control.

多源异构空气污染集合大数据复杂模型的不确定性分析是空气污染防治领域面临的一个重要难题。本项目利用跨学科的可视分析技术，从全新视角分析空气污染集合大数据的不确定性特征及演变过程，探索空气污染跨地域分布模式与相关性，解决时变、多源、高维的复杂集合大数据分析难度极高的问题。通过建立统一空气污染多源异构时空大数据模型，提出基于时空位图索引的不确定性量化表示方法，降低数据模型复杂度。引入邻域直方图思想及分布差异性评价标准，提出不确定性特征提取方法，研究运动信息检测与时序增量更新策略，实现在线时序特征跟踪；同时提出文本信息时空传播模型，对跟踪结果进行验证和反馈，提高准确性。构建多维度评价的全局相关体，引入视觉反馈机制，提高不确定性全局相关性分析精度，同时有效降低计算复杂度。构建多场集合数据的多变量可视化隐喻表达，建立交互式层级可视化平台。本项目研究成果能够为空气污染防治的相关研究提供新思路和理论依据。

多源异构空气污染集合大数据复杂模型的不确定性分析是空气污染防治领域面临的一个重要难题。本项目针对多源异构空气污染集合大数据，利用跨学科的可视分析技术，从全新视角分析空气污染集合大数据的相关性、不确定性特征及时空模式，探索空气污染跨地域分布模式与传播演变规律，解决时变、多源、高维的复杂集合大数据分析难度极高的问题。主要研究成果包括：(1)构建多源异构时空数据模型，在此基础上从时空多变量差异性和不确定性的角度，提出时空多变量的空气质量集合数据相关性评价方法；(2)从空气污染的时空分布、时变特征及不确定性的角度，提出空气污染多变量时空模式的探索、查询与不确定性可视分析方法，提高分析精度的同时有效降低计算复杂度；(3)针对空气污染传播模式分析难度大的问题，提出空气污染传播轨迹的不确定性可视化方法，以及基于动态网络建模的传播模式演变规律的可视分析方法；(4)针对空气污染复杂影响因素的分析，提出交通、城市功能区、人群移动等空气污染影响因素的模式识别方法；(5)建立融合多变量可视化隐喻表达的多层级探索式可视化实时交互平台。发表与本项目相关的学术论文11篇，其中SCI论文8篇，EI论文2篇，国际顶级会议收录论文1篇；申请发明专利3项，登记软件著作权2项。本项目研究成果为空气污染研究领域提供了不确定性量化评价和有效感知方法，为相关领域科研人员和管理人员的研究和决策提供理论依据和技术支撑，并能够为空气污染时空模式和演变规律的相关研究提供数据支持和方法参考。