CN113434576A - 一种enso事件类型划分方法 - Google Patents
一种enso事件类型划分方法 Download PDFInfo
- Publication number
- CN113434576A CN113434576A CN202110741816.XA CN202110741816A CN113434576A CN 113434576 A CN113434576 A CN 113434576A CN 202110741816 A CN202110741816 A CN 202110741816A CN 113434576 A CN113434576 A CN 113434576A
- Authority
- CN
- China
- Prior art keywords
- space
- surface temperature
- time
- ocean surface
- abnormal change
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种ENSO事件类型划分方法,属于数据挖掘和海洋科学技术领域。本发明首先获取全球海洋表面温度遥感影像产品时序数据集,提取海洋表面温度异常变化时空簇,得到海洋表面温度异常变化过程对象;然后按照尼诺空间区域范围筛选海洋表面温度异常变化过程对象,基于时空拓扑关系进行拓扑关联;接着对海洋表面温度异常变化的动态演化过程进行抽象表达;最后按照海洋表面温度异常变化的动态演化过程与尼诺分区的时空关联关系,将ENSO事件划分为CP型、EP型以及MIX型三类。该方法可解决传统方法由于仅考虑区域离散静态属性变化而造成的ENSO类型划分不一致、存在诸多争议的问题。
Description
技术领域
本发明属于数据挖掘和海洋科学技术领域,特别是指一种ENSO事件类型划分方法。
背景技术
ENSO(ElSouthern Oscillation)是海气相互作用的重要指示因子之一,是厄尔尼诺事件(El)和拉尼娜事件(La)的统称,对全球气候与区域极端天气变化具有重要影响。ENSO存在多种类型表现形式,以El事件为例,存在中部型(CentralPacific,CP)、东部型(Eastern Pacific,EP)和混合型(MIX)。不同类型的ENSO事件对洪涝、干旱等极端天气的影响时间以及涉及区域存在不同影响,因此对ENSO类型的准确划分能够为区域灾害事件的监测与预警提供有效参考。
随着对地观测技术的不断发展,长时序海洋遥感影像产品数据为ENSO的监测以及类型的准确划分提供了数据基础。基于丰富的海洋环境要素遥感影像产品数据,国内外学者相继提出了多种ENSO类型的划分方法或指数,较主流的方法有基于尼诺各分区海洋表面温度异常发生的时间先后以及持续时间定义分类指数,或基于EOF分析得到的海洋表面温度异常的不同空间模式分布特征对ENSO类型进行划分。然而,由于划分标准不同,研究的区域、时段不同,研究结果也存在一定差异,更甚会出现将同一ENSO事件划分为完全不同的两种类型的情况;且面向拉尼娜事件的类型划分大都是基于厄尔尼诺事件类型划分指数或方法的直接迁移,缺乏合理性以及准确性。出现上述问题的主要原因在于现有方法大都基于海洋环境要素(如海洋表面温度)区域异常变化的离散静态属性特征,缺乏对ENSO连续动态演化特性的考虑。因此,如何以现有海洋遥感产品数据为基础,解决现有划分方法或指数存在的问题,实现对ENSO类型的较准确、较合理划分是一项至关重要而又亟待解决的难题。
发明内容
本发明的目的在于克服由于仅考虑海洋环境要素静态区域属性离散特征变化进行ENSO类型划分所造成不准确的难题,提出了一种ENSO事件类型划分方法,该方法基于海洋表面温度异常变化动态演化过程特征的挖掘,可实现ENSO演变类型的准确划分。
为了实现上述目的,本发明采用的技术方案为:
一种ENSO事件类型划分方法,包括以下步骤:
(1)当接收到对ENSO事件类型进行划分的请求时,获取全球海洋表面温度遥感影像产品时序数据集,并提前设定提取海洋表面温度异常变化过程对象的限制条件,包括时空扫描窗口的空间邻近域、时间窗口、专题属性相似性阈值、聚簇核阈值;
(2)基于海洋表面温度遥感影像产品数据集,通过时空双约束海洋聚类挖掘模型获取海洋表面温度异常变化时空聚簇,将海洋表面温度异常变化时空聚簇所包含的多个空间状态对象进行矢量化处理,实现海洋表面温度异常变化过程对象的提取;
(3)按照尼诺分区的空间范围,筛选出所包含空间状态对象空间范围的并集与尼诺分区存在拓扑相交关系的海洋表面温度异常变化过程对象;
(4)针对筛选出的海洋表面温度异常变化过程对象,按照时空拓扑关系对其所包含的多个空间状态对象进行关联,并通过空间状态对象的质心进行连接,抽取海洋表面温度异常变化过程对象的动态运动轨迹;
(5)从海洋表面温度异常变化过程对象的动态运动轨迹中提取起始、消亡以及发生复杂演化行为的轨迹点,其中复杂演化行为包括合并、分裂以及合并分裂三种,由时间顺序按照“起始→发生复杂演化行为→消亡”的表达模型对海洋表面温度异常变化过程对象的动态演化过程进行抽象表达;
(6)基于海洋表面温度异常变化过程对象的专题属性对其所对应的厄尔尼诺事件或拉尼娜事件进行区分,即异常高值对应厄尔尼诺事件,异常低值对应拉尼娜事件;按照海洋表面温度异常变化过程对象抽象化后的动态演化过程与尼诺分区的时空关联关系,将厄尔尼诺事件和拉尼娜事件划分为中部型、东部型以及混合型三类。
进一步的,步骤(2)包括如下步骤:
(201)利用标准化月均距平算法去除海洋表面温度遥感影像产品时序数据集中的季节模式,生成海洋表面温度异常时序数据集;
(202)按照空间邻近域、时间窗口两参数构建以当前栅格单元为中心的立方体,以该立方体作为时空邻域扫描窗口,此基础上,基于密度聚类方法,利用专题属性相似性阈值和聚簇核阈值定义时空可达、时空相连、时空聚簇核心,对海洋表面温度异常时序数据集中每个栅格单元进行时空邻域构建,并全局搜索提取时空聚簇核心,得到时空聚簇核心集合;
(203)在时空聚簇核心集合中选取一个未被访问的时空聚簇核心,并分配聚簇ID,将满足与此时空聚簇核心时空可达的栅格单元添加到时空聚簇核心集合中,并标记相同的聚簇ID;
(204)添加与时空聚簇核心集合满足时空相连的栅格单元,对时空聚簇核心集合进行扩展,并不断更新时空聚簇核心集合的专题属性均值;
(205)重复步骤(204),直到没有满足时空相连的栅格单元再加入到聚簇集合中,完成时空聚簇核心集合的聚类,对其中所包含的栅格单元不再进行处理,标记聚类ID,并设置为已被访问;
(206)重复步骤(203)-(205),直到海洋表面温度异常时序数据集中的全部数据均被处理,即,每个栅格数据均被聚类或被标记为噪声,然后输出海洋表面温度异常变化时空聚簇;
(207)遍历每个海洋表面温度异常变化时空聚簇,将其包含的每个空间栅格连通区域转换为空间矢量面对象,标记为空间状态对象,计算并添加每个空间状态对象的空间特征、时间特征、专题属性特征以及行为属性特征;其中,每个空间状态对象的空间特征为质心位置,时间特征为所在时刻,专题属性特征为异常高值或异常低值。
进一步的,步骤(5)包括如下步骤:
(501)按照海洋表面温度异常变化过程对象的动态运动轨迹中前后轨迹点间的连接关系,对轨迹中行为属性为“起始”、“消亡”、以及“复杂演化行为”的轨迹点进行标记;其中,行为属性为“起始”的轨迹点的时间属性为整个轨迹中最早,且不存在前一时刻的轨迹点与之连接;行为属性为“消亡”的轨迹点的时间属性为整个轨迹中最晚,且不存在后一时刻的轨迹点与之连接;行为属性为“复杂演化行为”的轨迹点至少存在前一或后一时刻的多个轨迹点与之连接,若其不存在前一时刻的轨迹点与之连接,只存在后一时刻的多个轨迹点连接则仍标记为“起始”,若其不存在后一时刻的轨迹点与之连接,只存在前一时刻的多个轨迹点连接则仍标记其为“消亡”;
(502)提取海洋表面温度异常变化过程对象的动态运动轨迹中行为属性标记为“起始”、“消亡”以及“复杂演化行为”的轨迹点,基于时间先后顺序对海洋表面温度异常变化过程对象的动态演化进行抽象表达。
进一步的,步骤(6)中,厄尔尼诺事件和拉尼娜事件的划分方式为:
中部型ENSO事件:尼诺区域存在海洋表面温度异常变化过程对象,其起始地、发生复杂演化行为以及消亡地均位于尼诺4区/3.4区;若此海洋表面温度异常变化过程对象的专题属性为异常高值,则为中部型厄尔尼诺事件,若此海洋表面温度异常变化过程对象的专题属性为异常低值,则为中部型拉尼娜事件;
东部型ENSO事件:尼诺区域存在海洋表面温度异常变化过程对象,其起始地位于尼诺1+2区/3区,并在尼诺3区发生复杂演化行为变化后,在尼诺1+2区/3区消亡;若此海洋表面温度异常变化过程对象的专题属性为异常高值,则为东部型厄尔尼诺事件,若此海洋表面温度异常变化过程对象的专题属性为异常低值,则为东部型拉尼娜事件;
混合型ENSO事件:尼诺区域存在海洋表面温度异常变化过程对象,其起始地位于尼诺1+2区/3区,并在尼诺3区/3.4区发生复杂演化行为变化后,在尼诺4区消亡;若此海洋表面温度异常变化过程对象的专题属性为异常高值,则为混合型厄尔尼诺事件,若此海洋表面温度异常变化过程对象的专题属性为异常低值,则为混合型拉尼娜事件。
与现有技术相比,本发明具有如下优点:
1、本发明从全新的角度提出了一种基于数据驱动的ENSO类型划分方法,采用时空聚类、过程对象抽象表达等手段,实现了基于海洋表面温度异常变化过程连续动态演化时空特征的ENSO事件类型划分,避免了仅考虑区域离散静态属性特征引起的ENSO事件类型划分不一致、存在诸多争议的问题。
2、本发明可解决现有研究针对拉尼娜事件类型划分研究直接将基于模型驱动的厄尔尼诺事件类型划分方法用于拉尼娜事件类型划分所造成的划分不准确、不合理问题。
3、本发明也可从全新的角度,借由海洋表面温度异常变化过程对象的连续演化时空特征对整个ENSO发展进行直观抽象刻画,为全球气候变化研究、区域极端天气研究等提供新的参考依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的整体流程图。
图2是本发明实施例的应用区域示意图。
图3是本发明实施例中提取海洋表面温度异常变化过程对象的结果示意图。
图4是本发明实施例中提取海洋表面温度异常变化过程对象的抽取轨迹结果示意图。
图5是本发明实施例中提取海洋表面温度异常变化过程对象的演化过程特征抽象表达结果示意图。
具体实施方式
下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种ENSO事件类型划分方法,该方法基于海洋表面温度异常变化动态演化过程特征对ENSO事件类型进行划分,包括以下步骤:
(1)当接收到对ENSO事件类型进行划分的请求时,获取全球海洋表面温度遥感影像产品时序数据集,并提前设定提取海洋表面温度异常变化过程对象的限制条件,即所采用时空双约束海洋聚类挖掘模型的相关参数,包括时空扫描窗口空间邻近域εspace、时空扫描窗口时间窗口εtime、专题属性相似性阈值ζattribute、聚簇核阈值ζkernel。
(2)基于海洋表面温度遥感影像产品数据集,通过时空双约束海洋聚类挖掘模型获取海洋表面温度异常变化时空聚簇,将海洋表面温度异常变化时空聚簇所包含的多个空间状态对象进行矢量化处理,实现海洋表面温度异常变化过程对象的提取。
(3)按照尼诺分区的空间范围 筛选出所包含空间状态对象空间范围并集与尼诺分区存在拓扑相交关系的海洋表面温度异常变化过程对象,即,筛选出的海洋表面温度异常变化过程对象所包含的空间状态对象空间范围的并集与尼诺分区存在拓扑相交关系。
(4)针对筛选后的海洋表面温度异常变化过程对象,按照时空拓扑关系对其所包含的多个空间状态对象进行关联,并通过空间状态对象的质心进行连接,抽取海洋表面温度异常变化过程对象的动态运动轨迹。
(5)从海洋表面温度异常变化过程对象的动态运动轨迹中提取起始(S)、消亡(E)以及发生复杂演化行为(EB)的轨迹点,其中复杂行为包括合并、分裂以及合并分裂三种,由时间顺序按照“S→EB→E”的表达模型对海洋表面温度异常变化过程对象的动态演化过程进行抽象表达。
(6)基于海洋表面温度异常变化的专题属性对其所对应的厄尔尼诺事件及拉尼娜事件进行区分,即异常高值对应厄尔尼诺事件,异常低值对应拉尼娜事件。按照抽象化后海洋表面温度异常变化的动态演化过程(即,“S→EB→E”)与尼诺分区的时空关系,将厄尔尼诺事件/拉尼娜事件划分为CP型、EP型以及MIX型三类。
其中,步骤(2)包括如下步骤:
(201)利用标准化月均距平算法(即Z-Score算法)去除海洋表面温度遥感影像产品时序数据集中的季节模式,生成海洋表面温度异常时序数据集。Z-Score的计算公式如下:
(202)按照空间邻近域εspace、时间窗口εtime两参数构建以当前栅格单元为中心的立方体为时空邻域扫描窗口,此基础上,基于时空密度聚类方法以及专题属性相似性阈值ζattribute、时空聚簇核阈值ζkernel定义时空可达、时空相连、时空聚簇核心等概念,对海洋表面温度异常时序数据集中每个栅格单元进行时空邻域构建,并全局搜索提取时空聚簇核心;
(203)在时空聚簇核心集合中选取一个未被访问的时空聚簇核心,并分配聚簇ID,将满足与此时空聚簇核心时空可达的栅格单元添加到聚簇集合中,并标记相同聚簇ID,初始聚簇形成;
(204)添加与当前初始聚簇集合满足时空相连的栅格单元,扩展当前聚簇集合,不断更新聚簇集合的专题属性均值;
(205)重复步骤(204),直到没有满足时空相连栅格单元再加入当前聚簇集合中,当前聚簇集合完成聚类,对其中所包含的栅格单元不再进行其他处理,标记当前聚类ID,并设置为已被访问;
(206)重复步骤(203)-(205),直到全部数据集中的栅格单元被处理,即属于某个聚簇集合(被标记为某聚类ID)或被标记为噪声,然后输出海洋表面温度异常变化时空聚簇;
(207)遍历每个海洋表面温度异常变化时空聚簇,将其包含的每个空间栅格连通区域转换为空间矢量面对象,标记为空间状态对象,计算并添加每个空间状态对象的空间特征(质心位置)、时间特征(发生时间)、专题属性特征(异常高值/异常低值)以及行为属性特征(初始均标记为null),其中,每个空间状态对象的质心Centroid(xc,yc)计算公式如下:
其中,(xi,yi)表示空间状态对象多边形(以下简称多边形)的顶点坐标,n表示顶点的个数(n≥2),0≤i<n,多边形被划分为n-2个三角形,pj表示第j个三角形覆盖区域的海表面温度异常值,Psum表示整个多边形覆盖区域的海表面温度异常值,Asum表示整个多边形的面积,多边形面积计算公式如下:
其中,(xi,Yi)表示矢量多边形的顶点坐标,n表示顶点的个数(n≥2),0≤i<n。
步骤(5)包括如下步骤:
(501)按照海洋表面温度异常变化过程对象的动态运动轨迹中前后轨迹点间连接关系,对轨迹中行为属性为“起始”、“消亡”、以及“复杂演化行为”的轨迹点进行标记。其中,行为属性标记为“起始”的轨迹点时间属性为整个轨迹中最早,且不存在前一时刻的轨迹点与之连接;行为属性标记为“消亡”的轨迹点时间属性为整个轨迹中最晚,且不存在后一时刻的轨迹点与之连接;行为属性标记为“复杂演化行为”的轨迹点存在前一或后一时刻的多个轨迹点(≥2)与之连接,若其不存在前一时刻的轨迹点与之连接,只存在后一时刻的多个轨迹点连接则仍标记为“起始”,若其不存在后一时刻的轨迹点与之连接,只存在前一时刻的多个轨迹点连接则仍标记其为“消亡”;
(502)按照上述定义,对每一海洋表面温度异常变化过程对象的动态运动轨迹(TSSTAV)提取行为属性标记为“起始(S)”、“消亡(E)”、以及“复杂演化行为(EB)”的轨迹点,基于时间先后顺序对海洋表面温度异常变化过程对象的动态演化过程进行表达,表达模型如下所示:
步骤(6)的具体划分方式如下:
CP型ENSO事件:尼诺区域存在海洋表面温度异常变化过程对象,其起始地、发生复杂演化行为以及消亡地均位于其动态演化过程为若此海洋表面温度异常变化过程对象的专题属性为异常高值,则为CP型厄尔尼诺事件,若此海洋表面温度异常变化过程对象的专题属性为异常低值,则为CP型拉尼娜事件;
EP型ENSO事件:尼诺区域存在海洋表面温度异常变化过程对象,其起始地位于并在发生复杂演化行为变化后,在消亡,其动态演化过程为 若此海洋表面温度异常变化过程对象的专题属性为异常高值,则为EP型厄尔尼诺事件,若此海洋表面温度异常变化过程对象的专题属性为异常低值,则为EP型拉尼娜事件;
MIX型ENSO事件:尼诺区域存在海洋表面温度异常变化过程对象,其起始地位于并在发生复杂演化行为变化后,在消亡,其动态演化过程为 若此海洋表面温度异常变化过程对象的专题属性为异常高值,则为MIX型厄尔尼诺事件,若此海洋表面温度异常变化过程对象的专题属性为异常低值,则为MIX型拉尼娜事件。
本方法的原理为:当接收到对ENSO类型进行划分的请求时,获取全球海洋表面温度遥感影像产品时序数据集;提取所述海洋表面温度遥感影像产品数据集中包含的海洋表面温度异常变化时空簇,进行矢量对象化处理后得到海洋表面温度异常变化过程对象;按照尼诺空间区域范围筛选海洋表面温度异常变化过程对象;基于时空拓扑关系对筛选后的海洋表面温度异常变化过程对象所包含的空间状态对象进行拓扑关联;按照“起始→发生复杂演化→消亡”表达模型对海洋表面温度异常变化的动态演化过程进行抽象表达;按照海洋表面温度异常变化的动态演化过程与尼诺分区的时空关联关系,将ENSO事件划分为CP型、EP型以及MIX型三类。
下面以太平洋区域(100°E-60°W;50°S-50°N)为例展开案例验证(如图2所示),以来源于美国国家海洋大气管理局的地球系统研究室的物理科学部(http://www.esrl.noaa.gov/psd/)的COBE海洋表面温度遥感产品数据(时间范围为1950年1月-2019年12月,时间分辨率为1个月,空间分辨率为1°)作为原始数据,具体的实施流程如图1所示。在本实例中,尼诺分区筛选的海洋表面温度异常变化过程对象共计27个,图3展示了其中一个开始于1982年7月结束于1983年12月的海洋表面温度异常变化过程对象实例(部分演化不明显的空间状态对象没有列出),可以看出此过程对象在1982年9月有一次合并行为,在1983年7月有一次分裂行为。图4展示了此实例对象的运动轨迹,并按照步骤(502)对此实例进行抽象表达(如图5所示),对照其演化过程与尼诺各分区的时空关系(步骤(601)-步骤(603))可得此海洋表面温度异常变化过程对象所对应的ENSO事件(厄尔尼诺事件)为EP型。
表1展示了1950年至2019年期间发生的ENSO事件类型的划分结果,由此可得本发明能够准确判断公认的ENSO事件类型,比如1997-1998年EP型厄尔尼诺事件、2002-2003年CP型厄尔尼诺事件,也能够对存在类型划分争议的ENSO事件给出新的划分依据,比如1986-1988年MIX型厄尔尼诺事件、2007-2008年MIX型拉尼娜事件。
表1 1950-2019年ENSO事件类型划分结果表
注:“S”表示“起始”,“EB”表示“发生复杂演化行为”,“E”表示“消亡”,“EN”表示厄尔尼诺,“LN”表示拉尼娜。
综合以上实验结果可以看出,本方法解决了传统方法由于仅考虑区域离散静态属性变化而造成的ENSO类型划分不一致、存在争议性的问题,从数据驱动的角度采用数据挖掘多种手段实现了ENSO类型有效、准确地划分,同时也直观展示了ENSO动态演化的完整过程,为进一步探索ENSO形成机制以及区域极端天气监测预警等问题提供方法支撑。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种ENSO事件类型划分方法,其特征在于,包括以下步骤:
(1)当接收到对ENSO事件类型进行划分的请求时,获取全球海洋表面温度遥感影像产品时序数据集,并提前设定提取海洋表面温度异常变化过程对象的限制条件,包括时空扫描窗口的空间邻近域、时间窗口、专题属性相似性阈值、聚簇核阈值;
(2)基于海洋表面温度遥感影像产品数据集,通过时空双约束海洋聚类挖掘模型获取海洋表面温度异常变化时空聚簇,将海洋表面温度异常变化时空聚簇所包含的多个空间状态对象进行矢量化处理,实现海洋表面温度异常变化过程对象的提取;
(3)按照尼诺分区的空间范围,筛选出所包含空间状态对象空间范围的并集与尼诺分区存在拓扑相交关系的海洋表面温度异常变化过程对象;
(4)针对筛选出的海洋表面温度异常变化过程对象,按照时空拓扑关系对其所包含的多个空间状态对象进行关联,并通过空间状态对象的质心进行连接,抽取海洋表面温度异常变化过程对象的动态运动轨迹;
(5)从海洋表面温度异常变化过程对象的动态运动轨迹中提取起始、消亡以及发生复杂演化行为的轨迹点,其中复杂演化行为包括合并、分裂以及合并分裂三种,由时间顺序按照“起始→发生复杂演化行为→消亡”的表达模型对海洋表面温度异常变化过程对象的动态演化过程进行抽象表达;
(6)基于海洋表面温度异常变化过程对象的专题属性对其所对应的厄尔尼诺事件或拉尼娜事件进行区分,即异常高值对应厄尔尼诺事件,异常低值对应拉尼娜事件;按照海洋表面温度异常变化过程对象抽象化后的动态演化过程与尼诺分区的时空关联关系,将厄尔尼诺事件和拉尼娜事件划分为中部型、东部型以及混合型三类。
2.根据权利要求1所述的一种ENSO事件类型划分方法,其特征在于,步骤(2)包括如下步骤:
(201)利用标准化月均距平算法去除海洋表面温度遥感影像产品时序数据集中的季节模式,生成海洋表面温度异常时序数据集;
(202)按照空间邻近域、时间窗口两参数构建以当前栅格单元为中心的立方体,以该立方体作为时空邻域扫描窗口,此基础上,基于密度聚类方法,利用专题属性相似性阈值和聚簇核阈值定义时空可达、时空相连、时空聚簇核心,对海洋表面温度异常时序数据集中每个栅格单元进行时空邻域构建,并全局搜索提取时空聚簇核心,得到时空聚簇核心集合;
(203)在时空聚簇核心集合中选取一个未被访问的时空聚簇核心,并分配聚簇ID,将满足与此时空聚簇核心时空可达的栅格单元添加到时空聚簇核心集合中,并标记相同的聚簇ID;
(204)添加与时空聚簇核心集合满足时空相连的栅格单元,对时空聚簇核心集合进行扩展,并不断更新时空聚簇核心集合的专题属性均值;
(205)重复步骤(204),直到没有满足时空相连的栅格单元再加入到聚簇集合中,完成时空聚簇核心集合的聚类,对其中所包含的栅格单元不再进行处理,标记聚类ID,并设置为已被访问;
(206)重复步骤(203)-(205),直到海洋表面温度异常时序数据集中的全部数据均被处理,即,每个栅格数据均被聚类或被标记为噪声,然后输出海洋表面温度异常变化时空聚簇;
(207)遍历每个海洋表面温度异常变化时空聚簇,将其包含的每个空间栅格连通区域转换为空间矢量面对象,标记为空间状态对象,计算并添加每个空间状态对象的空间特征、时间特征、专题属性特征以及行为属性特征;其中,每个空间状态对象的空间特征为质心位置,时间特征为所在时刻,专题属性特征为异常高值或异常低值。
3.根据权利要求1所述的一种ENSO事件类型划分方法,其特征在于,步骤(5)包括如下步骤:
(501)按照海洋表面温度异常变化过程对象的动态运动轨迹中前后轨迹点间的连接关系,对轨迹中行为属性为“起始”、“消亡”、以及“复杂演化行为”的轨迹点进行标记;其中,行为属性为“起始”的轨迹点的时间属性为整个轨迹中最早,且不存在前一时刻的轨迹点与之连接;行为属性为“消亡”的轨迹点的时间属性为整个轨迹中最晚,且不存在后一时刻的轨迹点与之连接;行为属性为“复杂演化行为”的轨迹点至少存在前一或后一时刻的多个轨迹点与之连接,若其不存在前一时刻的轨迹点与之连接,只存在后一时刻的多个轨迹点连接则仍标记为“起始”,若其不存在后一时刻的轨迹点与之连接,只存在前一时刻的多个轨迹点连接则仍标记其为“消亡”;
(502)提取海洋表面温度异常变化过程对象的动态运动轨迹中行为属性标记为“起始”、“消亡”以及“复杂演化行为”的轨迹点,基于时间先后顺序对海洋表面温度异常变化过程对象的动态演化进行抽象表达。
4.根据权利要求1所述的一种ENSO事件类型划分方法,其特征在于,步骤(6)中,厄尔尼诺事件和拉尼娜事件的划分方式为:
中部型ENSO事件:尼诺区域存在海洋表面温度异常变化过程对象,其起始地、发生复杂演化行为以及消亡地均位于尼诺 4区/3.4区;若此海洋表面温度异常变化过程对象的专题属性为异常高值,则为中部型厄尔尼诺事件,若此海洋表面温度异常变化过程对象的专题属性为异常低值,则为中部型拉尼娜事件;
东部型ENSO事件:尼诺区域存在海洋表面温度异常变化过程对象,其起始地位于尼诺1+2区/3区,并在尼诺 3区发生复杂演化行为变化后,在尼诺 1+2区/3区消亡;若此海洋表面温度异常变化过程对象的专题属性为异常高值,则为东部型厄尔尼诺事件,若此海洋表面温度异常变化过程对象的专题属性为异常低值,则为东部型拉尼娜事件;
混合型ENSO事件:尼诺区域存在海洋表面温度异常变化过程对象,其起始地位于尼诺1+2区/3区,并在尼诺 3区/3.4区发生复杂演化行为变化后,在尼诺 4区消亡;若此海洋表面温度异常变化过程对象的专题属性为异常高值,则为混合型厄尔尼诺事件,若此海洋表面温度异常变化过程对象的专题属性为异常低值,则为混合型拉尼娜事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741816.XA CN113434576A (zh) | 2021-06-30 | 2021-06-30 | 一种enso事件类型划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741816.XA CN113434576A (zh) | 2021-06-30 | 2021-06-30 | 一种enso事件类型划分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113434576A true CN113434576A (zh) | 2021-09-24 |
Family
ID=77758437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110741816.XA Pending CN113434576A (zh) | 2021-06-30 | 2021-06-30 | 一种enso事件类型划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434576A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330132A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院大气物理研究所 | 一种基于人工智能的enso多样性预报方法 |
CN117421386A (zh) * | 2023-12-19 | 2024-01-19 | 成都市灵奇空间软件有限公司 | 基于gis的空间数据处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130024118A1 (en) * | 2010-01-18 | 2013-01-24 | The Regents Of The University Of California | System and Method for Identifying Patterns in and/or Predicting Extreme Climate Events |
CN106250699A (zh) * | 2016-08-04 | 2016-12-21 | 中国南方电网有限责任公司 | Enso综合指标及其径流预测方法 |
US20200372349A1 (en) * | 2019-05-20 | 2020-11-26 | ClimateAI, Inc. | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models |
CN112488382A (zh) * | 2020-11-27 | 2021-03-12 | 清华大学 | 基于深度学习的enso预报方法 |
-
2021
- 2021-06-30 CN CN202110741816.XA patent/CN113434576A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130024118A1 (en) * | 2010-01-18 | 2013-01-24 | The Regents Of The University Of California | System and Method for Identifying Patterns in and/or Predicting Extreme Climate Events |
CN106250699A (zh) * | 2016-08-04 | 2016-12-21 | 中国南方电网有限责任公司 | Enso综合指标及其径流预测方法 |
US20200372349A1 (en) * | 2019-05-20 | 2020-11-26 | ClimateAI, Inc. | Systems and methods of data preprocessing and augmentation for neural network climate forecasting models |
CN112488382A (zh) * | 2020-11-27 | 2021-03-12 | 清华大学 | 基于深度学习的enso预报方法 |
Non-Patent Citations (3)
Title |
---|
LIU JINGYI,XUE CUNJIN,ET AL.: "Dual-Constraint Spatiotemporal Clustering Approach for Exploring Marine Anomaly Patterns Using Remote Sensing Products", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
刘敬一: "面向海洋异常变化的时空聚类方法——以海表面温度异常和高度异常为例", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
洪娅岚: "全球海洋初级生产力异常变化时空聚簇模式挖掘分析", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330132A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院大气物理研究所 | 一种基于人工智能的enso多样性预报方法 |
CN114330132B (zh) * | 2021-12-30 | 2022-07-01 | 中国科学院大气物理研究所 | 一种基于人工智能的enso多样性预报方法 |
CN117421386A (zh) * | 2023-12-19 | 2024-01-19 | 成都市灵奇空间软件有限公司 | 基于gis的空间数据处理方法及系统 |
CN117421386B (zh) * | 2023-12-19 | 2024-04-16 | 成都市灵奇空间软件有限公司 | 基于gis的空间数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bi et al. | Pangu-weather: A 3d high-resolution model for fast and accurate global weather forecast | |
CN113434576A (zh) | 一种enso事件类型划分方法 | |
CN109947879B (zh) | 一种基于复杂网络的海洋观测大数据可视化分析方法 | |
Choi et al. | Type classification of sudden stratospheric warming based on pre-and postwarming periods | |
CN108256032B (zh) | 一种对时空数据的共现模式进行可视化的方法及装置 | |
Nakamura et al. | HITS: Hurricane intensity and track simulator with North Atlantic Ocean applications for risk assessment | |
Yao et al. | A time series of urban extent in China using DSMP/OLS nighttime light data | |
KR20160104788A (ko) | 화산재해 대응 의사결정 지원 시스템 | |
CN116069882B (zh) | 空域网格图生成方法 | |
Studholme et al. | Objective determination of the extratropical transition of tropical cyclones in the Northern Hemisphere | |
Pan et al. | Spatiotemporal dynamics of electricity consumption in China | |
CN111507415A (zh) | 一种基于分布密度的多源大气数据聚类方法 | |
KR20220102329A (ko) | 산불 위험 계절 예보 장치 및 방법 | |
Ito et al. | Seasonal characteristics of future climate change over Japan and the associated atmospheric circulation anomalies in global model experiments | |
Wang et al. | The spatiotemporal evolution and impact mechanism of energy consumption carbon emissions in China from 2010 to 2020 by integrating multisource remote sensing data | |
CN110245692A (zh) | 一种用于集合数值天气预报成员的层次聚类方法 | |
CN116167440A (zh) | 基于网格时空知识图谱的时空知识规则判定方法及相关设备 | |
Ni et al. | Urban renewal mapping: A case study in Beijing from 2000 to 2020 | |
Endo | Future changes of Yamase bringing unusually cold summers over northeastern Japan in CMIP3 multi-models | |
Hong | Super El Niño | |
Adeniyi et al. | Assessment of heat and cold wave events over West Africa using three regional climate models | |
Dai et al. | Having a Bad Day? Predicting High Delay Days in the National Airspace System | |
Devis et al. | A height dependent evaluation of wind and temperature over Europe in the CMIP5 Earth System Models | |
CN114359510A (zh) | 一种基于锚点检测的点云补全方法 | |
Nascimento et al. | Piece‐wise constant cluster modelling of dynamics of upwelling patterns |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |