论文: Multi-Resolution Climate Ensemble Parameter Analysis with Nested PCPs
作者: Junpeng Wang, Xiaotong Liu, Han-Wei Shen and Guang Lin
发表会议: VAST2016/ Session Machine Learning
一、气象预测数据集及相关问题简介
气象学中, 对流是降雨形成原因。 给定一个大气状态和大气移动参数的值（对流参数），根据已有信息迭代地运行模拟来得到下一个时间段的状态。 一般将感兴趣的空间区域离散化划分成一块块网格，在这些网格上迭代计算，计算下个时间段的状态，网格大小即是分辨率。为了提升准确率，会采用不同参数调节机制，这样就导致了多组参数；另在不同的分辨率下模拟可捕捉不同尺度下的特征，导致了 多分辨率时空气象 ensembles 这样的数据集。
在相关领域研究中，这样的预测模型有一定的局限性：模型对于参数设定与分辨率都很敏感，高分辨率模型不一定总比低分辨率的好、而且计算开销不同，分辨率越精细开销越大。为此，领域专家需要分析一些问题，来应对这样的局限性。比如：不同参数之间的关联（correlation）；这样的关联在不同分辨率下是否可转移（transferable）；对流参数和时空模拟 ensemble 数据（输出）间的关系。
为了方便叙述，我们做一些概念的正式定义：
Ensemble 集（Ensemble Set） ：
一次模拟的运行输出包含了多天的预测结果，单天的结果称为 ensemble item;
多天的构成一次运行的输出结果称为 ensemble member;
多个 ensemble members 构成 ensemble set（简称 ensemble），会有不同分辨率。
参数集（Parameter Set） :
一次模型运行中，由不同对流参数的值组成的一组值称为参数设定;
一个 ensemble 中采用的一批参数设定被称为一个参数集。
观测集（observation set） :
卫星观测到的特定区域的在一段时间上的天气，每天是一个观测项（observation item）。同样可以有不同分辨率。在此基础上我们定义更具体的分析任务，其中 R1~3 针对于参数可视化、而 R4~6 针对于 Ensemble 的可视化。
R1 集内参数关联（intra-set parameter correlation）
R2 集间参数关联（inter-set parameter correlation ）
R3 高维参数范围查询
R4 Ensemble item 和 ensemble member 的质量评估
R5 Ensemble member 的比较
R6 展现 ensemble 的时空方面的特性
二、系统概览
系统结构清楚，各视图分工明确，其中有三个主要视图：嵌套平行坐标、概览视图、地理信息视图。
三、可视设计
文章首先将一些常见平行坐标图列举，针对本文分析问题，陈述各自优缺点(他们用的是同一种人造数据)，如下图：
本文提出的嵌套式平行坐标 (NPCP), 则结合了他们的优点, 避免了他们的缺点. 其设计上也比较细致, 比如颜色、透明的自定义、实时范围查询的支持 交互上也做的很周到.
对于概览图，分为两块：Heatmap 展示天气预测的质量评价、 dendrogram 展示 ensemble 之间的关系。
其中质量评价是与观测集比较的，每个 ensemble item 有一个准确度的值，每个 ensemble member 是一个准确度向量。而在 dendrogram 中，首先有了准确度向量结合 Dynamic Time Warping 计算 ensemble member 之间的关系，这样计算出一个对称的距离矩阵，对于这个用自底向上的层次聚类。这些视图都是可以互相联动的，并且与 NPCP 也是互相关联的。
最后还有一些地理信息视图，从 ensemble item 和 ensemble member 的层面来展示上面预测结果与地图结合的可视化结果。
四、案例与专家评价
文章用了 2007 年 6 月某地 30 天的数据 (如下)，其中专家感兴趣的有 5 个。结合这些数据，有一些比较浅显的 case，这里不再 复述。
专家评价如下(比较常规性的评价)
- NPCP / heatmap + dendrogram 都获得好评
- 两者间互动构建了参数和 ensemble 之间的关联
- 可以泛化至其他类似应用场景
局限性:
- 在某些条件下可视化结果会显得复杂
- 学习曲线略陡
- 数据量太大时仍有视觉混乱
五、个人想法
解决的问题看似不难(其实也算是个老问题)，但其实文章抽象概括的很好，并把可视化很好的套上去；提出的分析任务也是很完备。设计上尽管有些细节可能略奇怪，但总的来说还是十分细致，并且交互简洁而实用。文章的语言描述也很完备。在系统评估方面，篇幅比较少、也未给人耳目一新的感觉。
✉️ akiori@zju.edu.cn