论文部分内容阅读
摘 要：厄尔尼诺是最严重的自热灾害之一，它不仅危害海洋生物和生态坏境，还会引起气候异常以及相关的气象异常。因此研究厄尔尼诺现象，并分析其影响因素具有重大的意义。本文介绍一个web的厄尔尼诺可视分析工具。结合交互式可视分析到厄尔尼诺研究中，使用时间序列图，地图实现厄尔尼诺的时空分析，发现厄尔尼诺的历年发生规律和空间分布规律。
关键词：厄尔尼诺 可视分析
【分类号】：P463.1
0 引言
厄尔尼诺现象是指南美赤道附近（约北纬4度至南纬4度，西经150度至9 0度之间）幅度数千公里的海水带的异常增温现象。这种气候的异常变化，往往会导致本土物种的不适用，甚至死亡。还可能造成某些地方的洪涝或者干旱等。因此从80年代以来，厄尔尼诺（ El Nino）已引起各国政府和科学家们的关注，如印度的降水量的研究，对南美地区厄尔尼诺的研究【1】【2】，我国对它的研究有降水量，旱涝如【3】【4】【5】。
在以往的这些研究中，对厄尔尼诺的研究很多，但是把可视分析结合到厄尔尼诺的不多，对厄尔尼诺的时间空间的研究，使用静态的图片展示【6】， 没有加入交互的功能【7】。 现在可视分析工具越来越多，如地图【8】。
所以，本文把厄尔尼诺的研究和交互式可视分析结合起来，实现基于web的厄尔尼诺的可视分析，主要研究区域为Nino3.4区（5N～5S，170W～120W）。
1 海洋环境数据介绍
本论文的数据有1951年1月—2006年12月全球的温度，压力，降水量，海表压力，横向风速，纵向风速数据。时间分辨率：月；空间范围：90N-90S，0E-360E；空间分辨率：2.5°× 2.5°。
2 厄尔尼诺可视分析
2。1时间序列分析
本小节主要是为了发现厄尔尼诺的发生规律，并且可以交互的看到特定时间的海温异常值。我们取1951年到2006年Nino3.4区的海温异常，展示出来，如图1所示：图中蓝色表示的是负值，绿色表示的是正值，颜色越深表示值越大，当连续出现正值（并且大于0.5度）大于五个月则判定为发生了厄尔尼诺现象，相反，则是拉尼娜现象。
从时间序列图中，我们可以清晰的看出如下规律，首先，当出现负值异常后，接下来的几年往往伴随着正值异常。其次從图中可以明显的看出显著的厄尔尼诺事件，如1997年的厄尔尼诺事件（绿色最深，且持续时间较长）。除此之外，当你把鼠标点击在某一个月份，会在图中显示相应的海温异常值，如图1下方所示显示2006年12月的异常值0.99。
2。2 空间可视化
空间可视化主要分为第一章提到的7维变量的展示（图2）从中我们可以看出7维变量中每个变量在地球上的分布的情况。
我们把1951年到2006年的全球的温度值，气压值，降水量，相对湿度，海表压力，和U＼V两个方向的风向展示在地图上，如图1所示：图中黑色的框即为Eino3.4区，即时间序列所表示的地区的值，如图2所展示的是温度在1997年10月份的分布图，我们可以通过上面的选项来选择需要展示的年份月份以及变量的值。而且当你点击图下方时间序列图上的某个点，上方的空间序列图也会相应的更新。
3 总结与展望
本文借助可视分析技术对厄尔尼诺事件的时间规律和空间分布进行了分析，当然本文需要改进的地方还有很多，比如可视化的效果需要进一步改进，另外需要增加新的功能，如厄尔尼诺的预测，并交互选择预测模型以及预测的数据集来达到更高的准确率。为分析厄尔尼诺事件提供更为有效的帮助。
参考文献：
[1]Chavez F P， Collins C A， Huyer A， et al. El Nino along the west coast of North America[J]. Progress in Oceanography， 2002， volume 54（1）：1-5（5）.
[2]林学椿， 于淑秋. 厄尔尼诺与我国汛期降水[J]. 气象学报， 1993， （4）：434-441.
[3]赵振国. 厄尔尼诺现象对北半球大气环流和中国降水的影响[J]. 大气科学， 1996， 20（4）：422-428. DOI：10.1007/BF02029074.
[4]朱炳瑗， 李栋梁. 1845—1988年期间厄尔尼诺事件与我国西北旱涝[J]. 大气科学， 1992， 16（2）：185-192. DOI：10.1007/BF02656973.
[5]张治国， 杨毅恒， 林玎，等. 基于SOM网络的厄尔尼诺事件预测[J]. 地球物理学进展， 2010， 25（3）：836-839. DOI：10.3969/j.issn.1004-2903.2010.03.015.
[6]严军， 刘健文. 基于神经网络—奇异谱分析的ENSO指数预测[C]// 新世纪气象科技创新与大气科学发展——中国气象学会2003年年会“气候系统与气候变化”分会论文集2003：620-626.
[7]林玎， 刘伟， 张治国. 自组织特征映射神经网络在厄尔尼诺事件检验中的应用[J]. 吉林大学学报：地球科学版， 2006， 36（4）：609-612. DOI：10.3969/j.issn.1671-5888.2006.04.020.
[8]Balmaseda， M.A， Davey， M.K， Anderson， D.L.T. Decadal and Seasonal Dependence of ENSO Prediction Skill[J]. Journal of Climate， 1995， 8.
[9]Guo D， Chen J， Maceachren A M， et al. A Visual Inquiry System for Space-Time and Multivariate Patterns （VIS-STAMP）[J]. Citeseer， 2006， 12（6）：1461-1474.
关键词：厄尔尼诺 可视分析
【分类号】：P463.1
0 引言
厄尔尼诺现象是指南美赤道附近（约北纬4度至南纬4度，西经150度至9 0度之间）幅度数千公里的海水带的异常增温现象。这种气候的异常变化，往往会导致本土物种的不适用，甚至死亡。还可能造成某些地方的洪涝或者干旱等。因此从80年代以来，厄尔尼诺（ El Nino）已引起各国政府和科学家们的关注，如印度的降水量的研究，对南美地区厄尔尼诺的研究【1】【2】，我国对它的研究有降水量，旱涝如【3】【4】【5】。
在以往的这些研究中，对厄尔尼诺的研究很多，但是把可视分析结合到厄尔尼诺的不多，对厄尔尼诺的时间空间的研究，使用静态的图片展示【6】， 没有加入交互的功能【7】。 现在可视分析工具越来越多，如地图【8】。
所以，本文把厄尔尼诺的研究和交互式可视分析结合起来，实现基于web的厄尔尼诺的可视分析，主要研究区域为Nino3.4区（5N～5S，170W～120W）。
1 海洋环境数据介绍
本论文的数据有1951年1月—2006年12月全球的温度，压力，降水量，海表压力，横向风速，纵向风速数据。时间分辨率：月；空间范围：90N-90S，0E-360E；空间分辨率：2.5°× 2.5°。
2 厄尔尼诺可视分析
2。1时间序列分析
本小节主要是为了发现厄尔尼诺的发生规律，并且可以交互的看到特定时间的海温异常值。我们取1951年到2006年Nino3.4区的海温异常，展示出来，如图1所示：图中蓝色表示的是负值，绿色表示的是正值，颜色越深表示值越大，当连续出现正值（并且大于0.5度）大于五个月则判定为发生了厄尔尼诺现象，相反，则是拉尼娜现象。
从时间序列图中，我们可以清晰的看出如下规律，首先，当出现负值异常后，接下来的几年往往伴随着正值异常。其次從图中可以明显的看出显著的厄尔尼诺事件，如1997年的厄尔尼诺事件（绿色最深，且持续时间较长）。除此之外，当你把鼠标点击在某一个月份，会在图中显示相应的海温异常值，如图1下方所示显示2006年12月的异常值0.99。
2。2 空间可视化
空间可视化主要分为第一章提到的7维变量的展示（图2）从中我们可以看出7维变量中每个变量在地球上的分布的情况。
我们把1951年到2006年的全球的温度值，气压值，降水量，相对湿度，海表压力，和U＼V两个方向的风向展示在地图上，如图1所示：图中黑色的框即为Eino3.4区，即时间序列所表示的地区的值，如图2所展示的是温度在1997年10月份的分布图，我们可以通过上面的选项来选择需要展示的年份月份以及变量的值。而且当你点击图下方时间序列图上的某个点，上方的空间序列图也会相应的更新。
3 总结与展望
本文借助可视分析技术对厄尔尼诺事件的时间规律和空间分布进行了分析，当然本文需要改进的地方还有很多，比如可视化的效果需要进一步改进，另外需要增加新的功能，如厄尔尼诺的预测，并交互选择预测模型以及预测的数据集来达到更高的准确率。为分析厄尔尼诺事件提供更为有效的帮助。
参考文献：
[1]Chavez F P， Collins C A， Huyer A， et al. El Nino along the west coast of North America[J]. Progress in Oceanography， 2002， volume 54（1）：1-5（5）.
[2]林学椿， 于淑秋. 厄尔尼诺与我国汛期降水[J]. 气象学报， 1993， （4）：434-441.
[3]赵振国. 厄尔尼诺现象对北半球大气环流和中国降水的影响[J]. 大气科学， 1996， 20（4）：422-428. DOI：10.1007/BF02029074.
[4]朱炳瑗， 李栋梁. 1845—1988年期间厄尔尼诺事件与我国西北旱涝[J]. 大气科学， 1992， 16（2）：185-192. DOI：10.1007/BF02656973.
[5]张治国， 杨毅恒， 林玎，等. 基于SOM网络的厄尔尼诺事件预测[J]. 地球物理学进展， 2010， 25（3）：836-839. DOI：10.3969/j.issn.1004-2903.2010.03.015.
[6]严军， 刘健文. 基于神经网络—奇异谱分析的ENSO指数预测[C]// 新世纪气象科技创新与大气科学发展——中国气象学会2003年年会“气候系统与气候变化”分会论文集2003：620-626.
[7]林玎， 刘伟， 张治国. 自组织特征映射神经网络在厄尔尼诺事件检验中的应用[J]. 吉林大学学报：地球科学版， 2006， 36（4）：609-612. DOI：10.3969/j.issn.1671-5888.2006.04.020.
[8]Balmaseda， M.A， Davey， M.K， Anderson， D.L.T. Decadal and Seasonal Dependence of ENSO Prediction Skill[J]. Journal of Climate， 1995， 8.
[9]Guo D， Chen J， Maceachren A M， et al. A Visual Inquiry System for Space-Time and Multivariate Patterns （VIS-STAMP）[J]. Citeseer， 2006， 12（6）：1461-1474.