排序方式: 共有38条查询结果,搜索用时 140 毫秒
31.
面对海量的海表面温度数据,如何使用大数据处理平台和新的处理技术来实时处理、分析并预测海表面温度数据,是一个亟待解决的问题。本文基于现阶段的时间序列方法和专家意见,首先,将类比合成方法引入到海表面温度预测应用中;其次,基于Spark平台提出了一种改进的快速DTW算法SparkDTW;最后,为了充分利用通过时间序列挖掘得到的信息,将SparkDTW与SVM相结合,提出了SparkDTW+SVM混合模型,为海表面温度预测的应用研究提供了较好的理论基础和技术支持。实验结果表明,SparkDTW算法预测精度优于SVM,提高了海表面温度预测效率,验证了将类比合成方法应用在海表面温度预测的可行性;SparkDTW+SVM在精度方面要优于SparkDTW和SVM,表明SVM模型能充分利用时间序列挖掘的信息,验证了SparkDTW+SVM在海表面温度预测的有效性。 相似文献
32.
基于中国数字海洋建设的经验和成果,制定了海洋数据要素的分类方案,将海洋信息分为5大类:海洋点要素、海洋线要素、海洋面要素、海洋网格要素、海洋动态要素。采用基于特征的方法和面向对象的技术设计了适合数字海洋大型信息系统工程建设的时空数据模型,探讨了海洋空间数据模型、海洋立体格网数据模型、关系数据模型在数字海洋数据仓库建设中... 相似文献
33.
基于德国Max-Planck气象研究所的最新大气海洋环流模式(ECHAM5/MPI-OM),对控制试验(control run)下热盐环流(THC)年际及年代际变化进行了分析,揭示了年代际变率的产生机制。研究表明:(1)THC年际振荡的主导周期是4 a,年代际振荡的主导周期是24 a,THC的年代际振荡信号最强,是第一主成分。(2)THC的年代际振荡机制为:首先从大西洋径向翻转环流(MOC)强度最小开始,由于MOC强度处于较弱状态,从低纬度向高纬度输送的热量偏少,副极地海区海表温度出现负异常,持续5 a之后,北大西洋副极地海区海表温度达到最大负异常。此时副极地流环中心(北大西洋)的表层海水变冷,密度增加,海表面下降,产生从副极地流环边缘指向副极地流环的中心的压强梯度力,根据地转平衡关系,北大西洋副极地海区的上层海洋会出现一个气旋式的环流异常(副极地流环得到加强),北大西洋暖流(NAC)同时得到加强。在副极地海区海表温度达到最大负异常的3 a之后,副极地流环和NAC达到最强。由此,作为NAC延伸的法鲁海峡入流水增强,更多的高盐法鲁海峡入流水进入格陵兰-冰岛-挪威海(GIN)海域,使GIN海域层结稳定性减弱。1 a后,GIN海域深层对流增强,格陵兰-苏格兰海脊溢流水增加。在GIN海域深层对流达到最强的3 a之后,MOC强度达到最大。整个状态翻转过程完成的时间大约为12 a,THC年代际振荡的整个周期大约是24 a。 相似文献
34.
35.
从空间到时间——时空数据模型研究 总被引:13,自引:1,他引:12
从地学中的时空观出发,论述了时空数据模型的研究现状与发展趋势,就几类有代表性的模型原理和特点进行了详细介绍。其次,重点分析了时空数据模型研究过程中急需解决的问题及其根源,认为单纯地在空间维基础上扩展时间维是不能满足时空数据表达需求的。建议从系统理论角度出发,分析、模拟地学现象的基本变化与过程,建立面向对象和过程的、基于时空语义的、符合人类逻辑思维的时空数据模型方法,从而为时态地理信息系统的研究奠定基础。 相似文献
36.
针对时空数据模型与时态地理信息系统研究中存在的几类问题,本文提出了一种通用的面向对象的时空数据模型,即GOO-STDM。该模型从时空对象的基本属性和行为出发,运用面向对象方法,将地学对象封装为空间、专题、时间的整体,满足地学对象的what/where/when语义。在此基础上,利用开放地理空间联盟(OGC)的简单要素规范(SFS)以及对象-关系型数据库设计了模型的时空类结构、时空拓扑关系函数、存储方案和时空中间件实现方法。GOO-STDM模型具有较好的扩展性、实用性和通用性,为时空数据模型的研究提供了新的思路。 相似文献
37.
目前,海洋数据获取量日益增多,根据时空分辨率、时空范围、垂向分层情况等的不同,可将海洋数据分为多种类型。了解和掌握现有的海洋数据资料,并加以利用,对国家经济发展、国防安全、军事活动等具有重要意义。经过长时间的研究和积累,本文总结了国内外海洋数据资料发布的几个主要数据源,同时归纳了几类常用的海洋数据资料,包括地形水深数据、卫星遥感数据、海洋调查观测数据、再分析产品数据,并对各类数据适用的时间尺度、空间尺度进行分析,旨在为海洋领域的科研工作者提供信息支持,为我国海洋大数据的建设提供参考。 相似文献
38.
结合了传统残差网络在数据样本小环境下分支卷积层特征的浪费问题,且考虑台风云图时空关联性强、特征复杂因素,参考日本国立情报学研究所在西北太平洋上空通过数个气象卫星拍摄的8 000多景高分辨率台风云图,编制了适应于残差神经网络的时序台风云图分类训练集和测试集。为满足数据集及台风特征,有效优化了原始残差网络的残差块,并得到了恒等映射残差块。经由增加卷积输出来促进分支通路更好的被利用,保留台风图像时序特性,提高网络性能。实验显示,W-ResNets模型在自建台风数据集上的训练精度达到99.60%,测试精度达到76.19%,相较于浅层卷积神经网络的测试精度高出8.48%,相比于使用传统的残差神经网络提高了2.87%,为进一步验证模型的泛化性能,采用MNIST通用数据集进行网络对比实验,宽残差网络得到98.786%的测试精度,优于传统残差网络。文中的W-ResNets预报模型可在小样本台风数据集推广使用。 相似文献