数据挖掘和知识发现在农业气象预报中的应用.ppt

数据挖掘和知识发现在农业气象预报中的应用 北京科技大学信息工程学院 杨炳儒 教授 理论与实际应用背景 国家自然科学基金（No ——理论研究的实际应用 本课题是国家气象局“大城市环境气象信息系统研究”课题的子项 ——数据挖掘和知识发现在气象预报中的应用 农业生产与气象预报 气象预报的复杂性 天气系统是一个复杂性系统，其影响因素多，时空状态变化大。气象数据中蕴含着复杂非线性动力学机制。各个因素之间的关系十分复杂，并具有纷杂多变的时空特征。因而，难以建立农业生产与气象要素的关系。采用新的技术和方法进行相关研究有实际意义，也是应用发展及需求的驱动。因而我们采用KDD技术来解决此问题。 气象系统的非线性动力学机制——混沌 国内外研究现状 国内外利用知识发现来进行气象预报的应用研究不多，文献较少，所采用的方法主要包括：神经网络；分类和聚类。其缺点是： 无法处理大数据量； 使用数据类型简单； 没有考虑已有领域知识； 没有考虑系统的复杂性。 我们提出的理论与方法——A 首次应用了自1997年以来杨炳儒教授独立提出和完成的知识发现系统内在机理研究（涵盖的三个机制）以及相应于三个机制的知识发现的新结构模型KDD*、KDK*、KD（DK）及ESKD； 我们提出的理论与方法——B 从知识发现、复杂性大系统、认知科学等多学科交叉的角度，研究了气象数据的结构和特点。构建了一个全新的多层递阶的智能化的气象数据知识发现系统的体系结构，该系统的核心部分是KDD*结构；同时紧密结合应用背景，提出与实现一种全新的复杂数据类型的知识信息处理的新机制。 系统的理论基础 因果关联规则的发掘算法与评价方法； 新的知识表示方法（语言场与语言值结构）等； 知识发现系统内在机理研究以及相应于三个机制的知识发现的新结构模型； 新的知识评价方法。 系统的新技术特点 系统采用了小波分析与语言场相结合的知识表示方法； 针对气象数据提出一种新的基于小波分析和混沌理论相结合进行类别知识的发现方法； 气象数据_高度场的3D表示 气象数据的小波包变换 气象数据的小波包变换—分解 气象数据的知识发现 气象数据通过小波变换后可以提取表示天气系统的特征数据 利用特征数据同农业生产相关指标（如产量，害虫密度等）的关系进行知识发现 知识发现的方法包括：分类、聚类、关联规则以及相似模式等。 系统的创新性 采用基于双库协同机制的知识发现的新结构模型KDD*；并在此模型下提出因果关联规则，相似模式、混沌模式等信息挖掘新算法（如： Maradbcm算法和新的知识自动评价方法）；并通过智能化的接口引擎链接到集成算法库，通过人机交互进行实时控制。这种信息挖掘的思想与方法适用于动态的时空数据库的挖掘，并具有普适性。 系统应用 该系统从非结构化数据信息挖掘的角度构建了一个实用的、可扩展的、易操作的气象科学研究的应用系统。在气象数据处理与提高天气预报准确率的研究方面起到了其它方法与技术不可替代的作用。同时系统的框架和实现技术可适用于多媒体等非结构化数据的知识发现，有着非常广泛的应用领域和产品化前景。 * * 农业生产与气候、气象有着密切的关系，我国是一个农业大国，农业生产关系到国家经济命脉和人民生活。 多个奇异吸引子 在奇异吸引子上的 运动具有回归性 系统对初值敏感性 动力学随机性 奇异吸引子在相空间中的位置和吸引域的范围是确定的 天气系统的动态行为