發(fā)布時間：2020-08-09 12:20

【摘要】：衛(wèi)星云圖可直觀反映各類云系的運動狀態(tài),已成為氣候及水文預(yù)測的重要參考依據(jù)。多年來水利行業(yè)累積了大量的衛(wèi)星云圖和雨量數(shù)據(jù),但通過人工判讀的方式效率低,只能定性判斷,在決策過程中可信度低。為了解決此問題,本文綜合應(yīng)用Spark大數(shù)據(jù)技術(shù)與圖像挖掘技術(shù),通過關(guān)聯(lián)規(guī)則分析研究云圖與雨量之間的關(guān)系,為基于衛(wèi)星云圖的降雨預(yù)測提供理論了依據(jù)。論文主要研究開發(fā)內(nèi)容如下:(1)構(gòu)建了云圖數(shù)據(jù)和雨量數(shù)據(jù)關(guān)系模型�；诨叶忍卣髟O(shè)計了五種與降雨相關(guān)的云圖特征參數(shù),結(jié)合云圖特征參數(shù)和雨量數(shù)據(jù)建立多維立方體,并采用聚類技術(shù)完成混合數(shù)據(jù)分區(qū),進而利用關(guān)聯(lián)規(guī)則挖掘算法探究云圖與雨量之間的關(guān)系(2)利用聚類技術(shù)實現(xiàn)衛(wèi)星云圖云層分離提取。引入粗聚類Canopy算法對模糊C均值算法進行了改進,研究了Canopy FCM算法。針對局部最優(yōu)問題,結(jié)合最大最小原則,提出了MMCanopy FCM算法。為了支持海量衛(wèi)星云圖的處理,結(jié)合Spark編程模型,提出并實現(xiàn)了并行化SP MMCanopy FCM算法。實驗結(jié)果表明本文方法可有效實現(xiàn)云層分離。(3)基于云圖-雨量混合數(shù)據(jù)集進行關(guān)聯(lián)規(guī)則挖掘。結(jié)合矩陣特性改進了Apriori算法,提出了基于矩陣壓縮的MC_Apriori算法,克服了其產(chǎn)生過多無用候選項集的缺點,提高了內(nèi)存利用率。為支持海量云圖-雨量數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘,基于Spark平臺對Apriori算法進行了并行優(yōu)化,提出SP MC Apriori算法。通過實際的云圖-雨量混合數(shù)據(jù)集實驗分析表明,本文方法具有較好的準(zhǔn)確性和時效性。(4)應(yīng)用上述理論與方法,基于Spark大數(shù)據(jù)平臺,設(shè)計實現(xiàn)了一個降雨量預(yù)測原型系統(tǒng)。
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP311.13;P457.6
【圖文】：

所以該方法不能充分利用衛(wèi)星云圖中的有效信本文基于某省水利廳提供的黑河流域的雨量數(shù)據(jù)、衛(wèi)關(guān)聯(lián)規(guī)則，進而根據(jù)衛(wèi)星云圖進行降雨量預(yù)測。降雨關(guān)系挖掘框架降雨量之間的關(guān)系研究過程中，本文將云圖數(shù)據(jù)和雨征衛(wèi)星云圖內(nèi)容的特征數(shù)據(jù)，需要應(yīng)用圖像關(guān)聯(lián)規(guī)則像數(shù)據(jù)關(guān)聯(lián)規(guī)則分為兩種類型：內(nèi)容的關(guān)聯(lián)規(guī)則[23]像關(guān)聯(lián)規(guī)則挖掘過程中，以圖像內(nèi)容為基礎(chǔ)，發(fā)現(xiàn)同圖像之間的空間關(guān)系。本文不針對該類型問題進行內(nèi)容和相關(guān)描述數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則[23]。和相關(guān)描述數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則挖掘過程中，研究的關(guān)系。圖像描述數(shù)據(jù)通常為字符類型數(shù)據(jù)，經(jīng)過一定的挖掘算法進行處理。云圖和雨量關(guān)聯(lián)規(guī)則挖掘流

最后只保留陜西省地區(qū)的衛(wèi)星云圖，裁減前后測站坐標(biāo)在衛(wèi)星云圖中的對應(yīng)關(guān)系如下： /1.280 /41X X （2-7） /1.255 /41Y Y （2-8）（2）時間同步方法由于云圖和雨量數(shù)據(jù)的時間粒度不同，采用統(tǒng)計學(xué)方法實現(xiàn)時間上的同步，以雨量數(shù)據(jù)中的時段長度為基準(zhǔn)，根據(jù)氣象專家的建議，計算該時段內(nèi)的多幅圖像的特征參數(shù)值，如等效亮溫均值、等效亮溫均值方差等，利用這些參數(shù)實現(xiàn)云圖和雨量數(shù)據(jù)的統(tǒng)一，各個參數(shù)物理含義如表 2-4 所示。表 2-4 云圖特征參數(shù)Tab.2-4 Parameter of Cloud Map Characteristic

度值數(shù)據(jù)進行分區(qū)，該方法完全根據(jù)數(shù)據(jù)自身分布特點決定數(shù)據(jù)屬性值的劃分，合并了經(jīng)驗分區(qū)的部分區(qū)段，然后將聚類分區(qū)后的云層特征值分區(qū)數(shù)據(jù)和雨量分區(qū)數(shù)據(jù)的數(shù)據(jù)集作為挖掘?qū)ο�，進行云圖-雨量關(guān)聯(lián)規(guī)則挖掘，這樣得到的挖掘結(jié)果更具有效性和可理解性。具體的聚類方法在第三章中有講解。

【相似文獻】

相關(guān)期刊論文 前10條

1 趙志宇;肖穎婷;任瑩;;基于聚類算法的大用戶用電模式識別研究[J];中國管理信息化;2017年19期

2 喻平;;數(shù)學(xué)學(xué)科核心素養(yǎng)要素析取的實證研究[J];數(shù)學(xué)教育學(xué)報;2016年06期

3 李廣燕;;聚類分析對學(xué)生成績的研究[J];無線互聯(lián)科技;2014年12期

4 馬青華;李艷濤;程康;;聚類分析和判別分析在投資中的應(yīng)用[J];信息安全與技術(shù);2015年06期

5 沈海生;;基于K-聚類分析法的預(yù)防性養(yǎng)護路段劃分[J];安徽建筑;2015年03期

6 宮海欣;;我國“中部崛起”戰(zhàn)略的實證分析[J];智富時代;2016年S2期

7 溫興化;余皓珉;葉霽;;基于聚類分析的墨量預(yù)置優(yōu)化方法[J];數(shù)碼世界;2016年12期

8 溫小霓;張哲;;互聯(lián)網(wǎng)保險產(chǎn)品開發(fā)研究——基于平安互聯(lián)網(wǎng)保險產(chǎn)品的聚類分析[J];保險理論與實踐;2017年03期

9 江平;;高職大學(xué)生心理健康水平的聚類分析[J];現(xiàn)代職業(yè)教育;2017年07期

10 顧宇杰;;環(huán)境安全評價指標(biāo)體系的構(gòu)建及聚類分析——以江蘇省13市為例[J];赤子(下旬);2017年01期

相關(guān)會議論文 前10條

1 肖靜;楊澤峰;徐辰武;;微陣列表達譜監(jiān)督聚類分析方法的比較研究[A];江蘇省遺傳學(xué)會第七屆代表大會暨學(xué)術(shù)研討會論文摘要匯編[C];2006年

2 何國民;;復(fù)相關(guān)聚類分析法[A];第六屆全國體育科學(xué)大會論文摘要匯編（二）[C];2000年

3 趙小剛;張蒙蒙;黃河;戴思蘭;;基于聚類分析的小菊品種間親緣關(guān)系分析[A];中國觀賞園藝研究進展2018[C];2018年

4 孫曉東;胡勁松;焦s

本文編號：2787108