一种基于SOM多维农业时空数据可视化分析方法.docVIP

一种基于SOM的多维农业时空数据可视化分析方法 　　摘要：随着“3S”、物联网等技术逐渐被应用于农业生产过程中，多维农业时空数据大量产生。如何挖掘和分析多维时空数据在时空上的内在价值，对推动现代农业发展有重要意义。针对多维农业时空数据存在维数高，数据关系复杂，难以直接挖掘分析的问题，提出一种基于SOM的多维农业时空数据可视化分析方法。该方法利用SOM算法对多维数据降维，结合数据表、平行坐标系、时空立方体等可视化组件，实现数据的多角度显示和分析，达到深层次挖掘的目的。基于该方法，设计完成可视化分析平台，并以美国农产品数据为例，讨论该方法的可行性。 　　关键词：多维数据；时空数据；SOM神经网络；可视化分析 　　中图分类号： S126 文献标志码： A 文章编号：1002-1302（2017）20-0244-05 　　伴随全球定位系统、遥感技术等技术的不断突破及在农业领域的广泛应用，产生了大量多维时空数据。这些数据有效记录并展示了事物各阶段的发展状况，是一种结构复杂、多层嵌套、具有空间和时态特征的高维数据[1]。由于数据在时间和空间上具有很强的相关性，蕴含巨大的挖掘潜力。如何挖掘和分析这些数据对于精细农业的发展、农业生产的进步及现代社会的发展有着极大的研究意义。 　　作为探索数据内在隐藏信息的一种手段，时空数据可视化方法通过对多维时空数据进行图形化表示，能够全面展示数据基本特征，实现数据之间的交互[2]。当前，多维时空数据的可视化方法除了传统的2D、3D显示技术，还可分为基于几何的技术、基于层次的技术、基于图标的技术、面向像素的技术和降维映射技术等[3-5]。除了降维映射技术，其他多维时空数据可视化方法多是将数据各个维度直接映射于某一实体，降维映射技术能够将多维或高维数据投影到二维或三维空间，以数据散点图显示数据集的聚类结构和数据分布，并显示聚类结果类标信息（不同的类可以用数字或颜色区分）[6]。因此被广泛应用于维度较高、数据量较大的信息可视化。 　　降维可视化方法关键在于降维或映射技术的选择[7]。当前降维可视化方法主要有主成分分析法、投影寻踪法、自组织映射法（SOM）和多维标度法等。雷君虎等通过主成分分析法实现对烟用香料图谱数据进行数据降维和香料分类[8]。闫绪娴运用投影寻踪聚类方法对中西部地区2000―2011年自然灾害社会易损性时空?稻萁?行3个层面的空间特征和区域差异分析，从而对地区自然灾害社会易损性进行综合评价[9]。芮小平等利用自组织映射降维技术实现了对2003年中国“非典”的多维信息进行数据降维和可视化分析[10]。李权利用Sammon投影（一种典型的多维标度法）将多维数据映射到二维平面，从而实现对海量微博数据进行可视化分析[11]。 　　本研究采用SOM算法实现对高维数据的降维。原因在于SOM神经网络实现对数据降维的同时，能保留其拓扑结构不变，从而避免“维数灾难”的发生。同时，SOM将输入数据转换成数据量较小的矢量数据，数据在被其他投影技术分析和表达的同时，在较少计算量的情况下，能产生良好的投影结果。 　　考虑到多维数据多包含大量时空信息，单纯通过SOM降维可视化技术进行数据可视化，并不能很好地反映当前信息的时空特征。同时，针对某一问题的研究，由于采集数据的属性维度较多且存在差异性，即使采用多属性的时空数据可视化表达也无法保证其能够达到良好的可视化效果。有学者考虑使用多种可视化分析方法集成的模式对时空数据进行可视化分析表达，例如：Andrienko等利用SOM降维数据对美国41年间各州犯罪率时空数据进行降维分类，并在地图上进行各州犯罪情况的可视化展示，取得了良好的数据挖掘效果，提升了数据分析效率[12]。然而，这种多可视化方法集成的模式更多地还是集中于对原始数据的可视化表达，相互关联性并不强，且运算量较大，并不能很好地满足当前对时空数据全面、高效、动态的深入分析和挖掘要求。 　　针对单一的可视化方法无法满足时空数据多角度表示和分析的要求，集成的可视化方法更多也仅是对时空数据可视化工具的组合，本质上还是独立地对时空数据进行表达说明。本研究提出一种基于SOM的多视图协同可视化分析方法，该方法从对降维数据的可视化角度出发，集成多种可视化分析工具，针对降维后数据进行可视化表达，既解决了传统可视化分析工具无法对高维多属性时空数据进行可视化的问题，又做到各表达工具之间的联动，实现对数据的实时多角度可视化表达和分析，增强分析者对隐藏信息的挖掘能力。本研究以美国农业时空数据为例，搭建基于该方法的动态可视化分析平台，进行时空数据可视化分析，验证该方法的可行性，旨在为推进我国精细农业的发展提供依据。 　　1 基于SOM的降维可视化 　　1.1 基于SOM的聚类方法 　　1982年芬兰学者Kohonen根据人