خلاصه

پدیده‌های واقعی، مانند گرداب‌های اقیانوس و ابرها، در حین حرکت در یک فضا تمایل به تقسیم و ادغام دارند. مسیرهای آنها معمولاً دارای یک یا چند شاخه است و بر این اساس در این مطالعه به عنوان مسیرهای پیچیده تعریف می شوند. مسیرها ممکن است تغییرات مکانی و زمانی قابل توجهی را از نظر ساختار خود نشان دهند و برخی از آنها ممکن است برجسته تر از بقیه باشند. شناسایی ساختارهای برجسته در مسیرهای پیچیده چنین پدیده های دنیای واقعی می تواند فرآیندهای تکامل آنها را بهتر آشکار کند و حتی عوامل محرک پشت آنها را روشن کند. روش‌هایی برای استخراج الگوهای تناوبی از مسیرهای ساده (یعنی آنهایی که ساختار خطی و بدون هیچ شاخه‌ای دارند) با تمرکز بر استخراج اطلاعات زمانی، مکانی یا معنایی مرتبط پیشنهاد شده‌اند. متأسفانه استفاده مستقیم از چنین روش هایی برای بررسی مسیرهای پیچیده مناسب نیست. این مطالعه یک روش جدید برای مطالعه الگوهای تناوبی مسیرهای پیچیده با در نظر گرفتن اطلاعات مکانی، زمانی و توپولوژیکی ذاتی پیشنهاد می‌کند. اول، ما از دنباله ای از نمادها برای نشان دادن ساختارهای مختلف یک مسیر پیچیده در طول عمر آن استفاده می کنیم. سپس، بر اساس الگوریتم PrefixSpan، الگوریتم الگوریتم کاوش دوره‌ای تکامل ساختاری (PPSE) را پیشنهاد می‌کنیم و از آن برای شناسایی بزرگترین و متداول‌ترین الگوها (LFPs) از دنباله نمادها استفاده می‌کنیم. ما همچنین رفتارهای دوره ای بالقوه را شناسایی می کنیم. سپس از روش PPSE برای بررسی مسیرهای پیچیده گردابه مقیاس متوسط ​​در دریای چین جنوبی (SCS) از سال 1993 تا 2016 استفاده می‌شود. مسیرهای پیچیده گرداب های اقیانوس در جنوب شرقی ویتنام از نظر فرآیندهای تکامل ساختاری با سایر مناطق SCS متفاوت است، همانطور که توسط LFP ها با طولانی ترین طول عمر، وسیع ترین محدوده فعال، بالاترین پیچیدگی و بیشترین نشان داده شده است. رفتارهای فعال LFP در جنوب شرقی ویتنام دارای طولانی ترین طول عمر، وسیع ترین محدوده فعال، بالاترین پیچیدگی و فعال ترین رفتارها است. در سراسر SCS، ما هفت کانال مهاجرت را پیدا کردیم. LFP های گرداب هایی که از طریق این کانال ها مهاجرت می کنند یک چرخه زمانی 17 تا 24 ساله دارند. این کانال ها همچنین مناطقی هستند که در آن گرداب ها اغلب ظاهر می شوند، همانطور که توسط داده های میدان جریان آشکار می شود. گسترده ترین محدوده فعال، بالاترین پیچیدگی و فعال ترین رفتارها. LFP در جنوب شرقی ویتنام دارای طولانی ترین طول عمر، وسیع ترین محدوده فعال، بالاترین پیچیدگی و فعال ترین رفتارها است. در سراسر SCS، ما هفت کانال مهاجرت را پیدا کردیم. LFP های گرداب هایی که از طریق این کانال ها مهاجرت می کنند یک چرخه زمانی 17 تا 24 ساله دارند. این کانال ها همچنین مناطقی هستند که در آن گرداب ها اغلب ظاهر می شوند، همانطور که توسط داده های میدان جریان آشکار می شود. گسترده ترین محدوده فعال، بالاترین پیچیدگی و فعال ترین رفتارها. LFP در جنوب شرقی ویتنام دارای طولانی ترین طول عمر، وسیع ترین محدوده فعال، بالاترین پیچیدگی و فعال ترین رفتارها است. در سراسر SCS، ما هفت کانال مهاجرت را پیدا کردیم. LFP های گرداب هایی که از طریق این کانال ها مهاجرت می کنند یک چرخه زمانی 17 تا 24 ساله دارند. این کانال ها همچنین مناطقی هستند که در آن گرداب ها اغلب ظاهر می شوند، همانطور که توسط داده های میدان جریان آشکار می شود.

کلید واژه ها:

مسیر پیچیده ؛ گردابی در مقیاس متوسط ; تکامل ساختاری ; الگوی مکرر ؛ الگوی دوره ای

چکیده گرافیکی

1. معرفی

الگوی تناوبی یک مسیر را می توان به عنوان چرخه رفتارهای یک جسم که در یک بازه زمانی منظم در مکان های خاص حرکت می کند [ 1 ] تعریف کرد. الگوهای تناوبی می توانند رفتارهای تکراری یک شی متحرک را نشان دهند و می توانند برای پیش بینی رویدادهای آینده استفاده شوند [ 2 ، 3 ، 4 ]. با این حال، تحقیقات موجود در الگوی کاوی دوره ای مسیر عمدتاً بر یک مسیر ساده با ساختار خطی مانند افراد، حیوانات، وسایل نقلیه و غیره متمرکز است ( شکل 1).آ). امروزه داده‌های مکانی با کیفیت بالا (شامل داده‌های رصد ماهواره‌ای، داده‌های مشاهدات میدانی و خروجی‌های مدل) امکان بازسازی و مطالعه مسیرهای پیچیده اجسامی را که در حین حرکت به اطراف تقسیم می‌شوند و/یا ادغام می‌شوند را ممکن می‌سازد [ 5 ، 6 ، 7 ] ( شکل 1 ب). علاوه بر این، فقدان آشکار روش‌های الگوکاوی وجود دارد که بتوان آن را در مسیرهای پیچیده اعمال کرد و بیشتر روش‌های الگوکاوی موجود برای مسیرهای ساده هستند. بنابراین، این مقاله به طور عمده به بررسی مسایل پیچیده الگوی کاوی دوره ای می پردازد.
چند الگوریتم کلاسیک مانند الگوریتم Apriori [ 8 ]، الگوریتم رشد FP (الگوی مکرر) [ 9 ] و PrefixSpan (پیشوند رشد الگوی پیش‌بینی شده) [ 10 ] به طور گسترده برای استخراج الگوهای توالی مکرر از مسیرهای ساده استفاده می‌شوند. در میان آنها، الگوریتم PrefixSpan به دلیل راندمان محاسباتی بالا و مصرف حافظه پایدار نسبی، احتمالاً محبوب ترین الگوریتم است. نیازی به الگوریتم PrefixSpan برای تولید توالی های نامزد نیست و پایگاه داده طرح ریزی آن به سرعت کوچک می شود [ 11 ]. با این حال، الگوریتم PrefixSpan عمدتاً بر فرکانس توالی بدون در نظر گرفتن تغییرات زمانی در توالی ها متکی است.
روش‌های موجود مورد استفاده در مطالعات الگوی دوره‌ای مسیر فعلی را می‌توان به چهار دسته تقسیم کرد. دسته اول، روش کاوی الگوی تناوبی زمانی، معمولاً مسیرهای مورد علاقه را در یک ترتیب زمانی به نمادهای یک بعدی یا توالی رویداد تبدیل می کند، که از آن الگوهای دوره ای توالی رویدادها شناسایی می شوند [ 9 ، 12 ]. دسته دوم، منطقه روش الگوبرداری دوره‌ای مبتنی بر علاقه، یک مسیر را به دنباله‌ای از بخش‌ها در مناطق مورد نظر می‌شکند و از روش کاوی الگوی توالی مکرر برای یافتن الگوهای تناوبی سالانه، ماهانه و/یا هفتگی استفاده می‌کند [ 13 ]. ، 14]. دسته سوم فرض می کند که اشیاء مکرراً در مسیرهای یکسان یا مشابه با یک فاصله زمانی ثابت حرکت می کنند و سپس الگوهای تناوبی از ویژگی های مکانی و زمانی مسیرها شناسایی می شوند [ 2 ، 3 ]. برای مثال، کائو و همکاران. [ 2 ] به مشکلات الگوبرداری دایره‌ای از داده‌های مکانی-زمانی پرداخت و یک الگوریتم خوشه‌بندی چگالی (DBSCAN) برای الگوکاوی دوره‌ای پیشنهاد کرد. روش آخرین دسته، الگوهای دوره‌ای معنایی مسیرها را با ادغام اطلاعات معنایی مکانی و زمانی و اطلاعات معنایی پس‌زمینه جغرافیایی شناسایی می‌کند [ 4 ، 15 ]. برای مثال، یینگ و همکاران. [ 15] مکان بعدی کاربران تلفن همراه را بر اساس الگوهای رفتاری مکرر کاربران مشابه در یک خوشه استنباط کرد که با ویژگی های جغرافیایی و معنایی مسیرهای کاربران تعیین می شود. ژانگ و همکاران [ 4 ] یک مسیر مکانی-زمانی را با مجموعه‌ای از قطعات معنایی که با اطلاعات پس‌زمینه جغرافیایی مرتبط مطابقت دارد نشان می‌دهد و روش جدیدی را برای استخراج الگوهای متناوب مکرر معنایی از مسیرهای مکانی-زمانی پیشنهاد می‌کند.
روش های فوق الذکر همگی عمدتاً برای استخراج الگوهای تناوبی [ 4 ، 8 ، 9 ، 10 ، 11 ، 12 ، 13 ، 14 ، 15 ] از مسیرهای ساده به جای مسیرهای پیچیده توسعه داده شدند. چنین روش‌هایی را نمی‌توان مستقیماً برای مسیرهای پیچیده با شاخه‌ها، مانند مواردی که توسط گرداب‌های مقیاس متوسط ​​با رفتارهای شکاف و ادغام مکرر تشکیل می‌شوند، اعمال کرد [ 5 ، 16 ]]. مسیرهای پیچیده دارای ساختار توپولوژیکی غیرخطی هستند و بررسی تغییرات در ساختارهای توپولوژیکی داخلی آنها و شناسایی الگوهای تناوبی با استفاده از روش های توسعه یافته برای مسیرهای ساده چالش برانگیز است.
مطالعات قبلی نشان داده‌اند که برخی از پدیده‌های دنیای واقعی مانند گرداب‌های مقیاس متوسط ​​ممکن است در طول عمر خود شکافته و ادغام شوند [ 5 ، 6 ، 16 ] و مسیرهای پیچیده ایجاد کنند. مطالعات قبلی رفتارهای تقسیم و ادغام و الگوهای توزیع مکانی و زمانی آنها را بررسی کرده‌اند. به عنوان مثال، نان و همکاران. [ 5 ] در سال 2007 سه گرداب پادسیکلون با عمر طولانی را از ناهنجاری سطح دریا (SLA) و داده های مشاهدات میدانی در شمال SCS کشف کرد. یی و همکاران [ 6] حالات و فرآیندهای تقسیم و ادغام فعالیت‌های گردابی در مقیاس متوسط ​​در SCS را از داده‌های SLA شناسایی و ردیابی کردند و همچنین الگوهای توزیع فضایی حالت‌ها و رفتارهای مختلف گردابی (از جمله تولید، ناپدید شدن، عود، تقسیم و ادغام) را تجزیه و تحلیل کردند. ). کوی و همکاران [ 17 ] داده‌های ارتفاع‌سنجی 23 ساله را بررسی کرد و ساختارهای چند هسته‌ای گرداب‌های اقیانوسی را شناسایی کرد و رویدادهای شکافتن و ادغام آنها را خلاصه کرد. چنین رفتارهایی تأثیرات خود را بر انتقال انرژی و تغییرات دما، شوری و میکروب ها در اکوسیستم دریایی نشان داده اند [ 17 ، 18 ، 19 ].
مطالعات فوق ویژگی های توزیع زمانی و مکانی رفتارهای تقسیم و ادغام گرداب ها را آشکار کرده است. هنوز فقدان دانش عمیق در مورد تغییرات در ساختار مسیرهای پیچیده گرداب ها وجود دارد. به عنوان مثال، مشخص نیست که آیا یک الگوی دوره ای خاص در فرآیند تکامل یک گردابی وجود دارد یا خیر. به طور شهودی، یک الگوی دوره‌ای، اگر وجود داشته باشد، به کشف رفتارهای تکاملی پیچیده یک گرداب کمک می‌کند و به طور بالقوه عواملی را نشان می‌دهد که بر ظهور، نابودی، تقسیم شدن و رفتارهای ادغام گرداب‌ها تأثیر می‌گذارند.
در این مقاله، ما یک روش الگوی کاوی دوره ای تکامل ساختاری (PPSE)را برای استخراج الگوهای دوره ای از مسیرهای پیچیده پیشنهاد کردیم. این روش بر اساس الگوریتم کاوی الگوی توالی مکرر PrefixSpan [ 10 ] توسعه یافته است] و به طور کامل ویژگی های مکانی-زمانی مسیرهای پیچیده و ساختارهای توپولوژیکی آنها را در نظر می گیرد. ابتدا یک مسیر پیچیده را به یک دنباله نماد تبدیل می کند که نشان دهنده تکامل ساختارهای توپولوژیکی است. سپس الگوریتم PrefixSpan گسترش یافت و برای شناسایی بزرگترین و متداول‌ترین الگوهای توالی (LFPs) از توالی‌های تکامل ساختاری استفاده شد. پس از آن الگوهای دوره ای سالانه، ماهانه و/یا هفتگی بالقوه از LFP ها شناسایی شدند. در پایان، ما از روش PPSE برای بررسی مسیرهای پیچیده گردابه‌های مقیاس متوسط ​​در SCS از سال 1993 تا 2016 استفاده کردیم و الگوهای دوره‌ای مکرر آنها را شناسایی کردیم.
مقاله بصورت زیر مرتب شده است. بخش 2 مجموعه داده ها و روش های مورد استفاده در این مطالعه را معرفی می کند. بخش 3 گردابه های مقیاس متوسط ​​در SCS از سال 1993 تا 2016 و الگوهای دوره ای مسیر حرکت آنها را نشان می دهد. بخش 4 یافته های مهم و نتایج تأیید را با استفاده از داده های میدان جریان مورد بحث قرار می دهد. در پایان، ما این مطالعه را خلاصه می کنیم و کارهای آینده خود را در بخش 5 ترسیم می کنیم .

2. مواد و روشها

2.1. مجموعه داده ها

این مطالعه از مسیرهای پیچیده گردابه‌های مقیاس متوسط ​​در SCS از ژانویه 1993 تا دسامبر 2016 استفاده کرد. گروه تحقیقاتی ما گرداب‌های اقیانوسی در مقیاس متوسط ​​را از داده‌های ناهنجاری سطح دریا (SLA) شناسایی و مسیر حرکت آنها را بازسازی کرد [ 6 ، 20 ، 21 ]. مجموعه داده های مسیر دارای وضوح زمانی روزانه و وضوح مکانی ¼ درجه [ 22 ] است. مقدمه ای کوتاه بر روش های پردازش داده ها و نتایج ارزیابی دقت در زیر ارائه شده است و جزئیات بیشتر در [ 6 ، 20 ، 21 ] موجود است.

گروه تحقیقاتی ما از یک روش تشخیص ترکیبی (HD) برای شناسایی گردابه های اقیانوسی در مقیاس متوسط ​​در SCS استفاده کردند [ 20 ]. روش HD با ادغام دو روش پرکاربرد شناسایی گردابی توسعه یافت: روش Okubo-Weiss (OW) [ 23 ، 24 ] و ارتفاع سطح دریا (SSH) [ 25 ]. گردابی فقط در صورتی وجود دارد که معیار OW را برآورده کند و دارای حداکثر یا حداقل مقدار SLA محلی باشد. معیار OW به صورت زیر تعریف می شود:

دبلیو=اسn2+اسس2-ω <-0.2σw

که در آن Sn، Ss، و ω به ترتیب نرخ تغییر شکل کرنش، نرخ تغییر شکل برشی، و گردابه هستند. σ w انحراف استاندارد فضایی W است. ما نتایج شناسایی گردابی را مقایسه کردیم و دریافتیم که روش HD در شناسایی صحیح پیچش‌های اقیانوسی در مقیاس متوسط ​​در SCS از روش OW و روش SSH بهتر عمل می‌کند [ 20 ].

سپس گرداب ها با استفاده از روش فیلتر نزدیکترین همسایه جهانی (GNNF) پیشنهاد شده توسط یی و همکاران، به هم متصل شدند. [ 21 ]. این روش فیلتر کالمن و فناوری‌های بهینه ارتباط داده‌ها را برای بازیابی بازگشتی سلف و جانشین یک گردابی خاص یکپارچه می‌کند. روش GNNF برای گردابه‌ها در SCS اعمال شد و نتایج با روش‌های جستجوی مبتنی بر فاصله [ 26 ] و جستجوی مبتنی بر همپوشانی [ 27 ] مقایسه شد. روش GNNF کمترین میزان عدم تطابق را نشان داد (0.19%) و در نتیجه از دو روش دیگر در الحاق گردابی بهتر عمل کرد.
دو نوع گردابی در مقیاس متوسط ​​وجود دارد. گردابه های آنتی سیکلونی (AE) به آنهایی اطلاق می شود که در نیمکره شمالی در جهت عقربه های ساعت می چرخند. آب در مرکز آنها به سمت پایین حرکت می کند و دمایی بالاتر از کناره های آنها دارد. در مقابل، گرداب‌های سیکلونی (CE) در نیمکره شمالی در خلاف جهت عقربه‌های ساعت می‌چرخند. آب در مرکز آنها به سمت بالا حرکت می کند و خنک تر از آب کناره ها است. مطالعات قبلی نشان داده‌اند که گرداب‌های مقیاس متوسط ​​در SCS دارای چرخه زندگی حداقل 28 روزه هستند [ 28 ]. بر این اساس، مسیرهای پیچیده گردابه‌های مقیاس متوسط ​​که در مجموعه داده‌های ما انتخاب شده‌اند، تمام ۲۸ روز یا بیشتر گذشته است. در میان آنها، به ترتیب 626 مسیر پیچیده AE و 730 مسیر پیچیده CE وجود دارد.
ما همچنین داده‌های میدان جریان سال‌های 1993 تا 2006 را از بایگانی، اعتبارسنجی، و تفسیر اقیانوس‌شناسی ماهواره‌ای (AVISO) ارتفاع سنج ماهواره‌ای اقیانوس جهانی دانلود کردیم. مجموعه داده دارای وضوح مکانی 1/4 درجه × 1/4 درجه و وضوح زمانی روزانه [ 29 ] است.

2.2. الگوی دوره ای استخراج از مسیرهای پیچیده

شکل 2 نشان می دهد که روش پیشنهادی PPSE شامل سه جزء است. مسیرها ابتدا ساده شده و به عنوان یک دنباله نماد نشان داده شدند. الگوریتم PrefixSpan [ 10 ] گسترش یافت و سپس برای استخراج LFPها استفاده شد، که از آن الگوهای تناوبی سالانه، ماهانه و هفتگی شناسایی شدند. هر جزء در زیر بیشتر نشان داده شده است.

2.2.1. ترجمه یک مسیر پیچیده به یک دنباله نماد

یک مسیر پیچیده مانند یک گردابه مقیاس متوسط ​​دارای ساختار خطی با تعداد شاخه های مختلف است ( شکل 1 ب). پیچیدگی آن را می توان به صورت کمی با یک شاخص پیچیدگی η (0 < η ≤ 1) اندازه گیری کرد، که نسبت بین تعداد نقاط در امتداد شاخه(ها) و نقاط در طول کل مسیر است. شکل 1 ب نمونه‌ای از یک مسیر پیچیده معمولی است که شامل شاخه‌هایی است که توسط فرآیندهای تقسیم و ادغام تشکیل شده‌اند. این مسیر دارای η از 0.82 است. گردابی به عنوان یک کل تکامل می یابد، همانطور که از نقاط p1 تا p3 نشان داده شده است. پس از آن، شروع به تقسیم می کند (p3 به p4 و p5 تقسیم می شود، بنابراین p3 به عنوان یک نقطه تقسیم تعریف می شود). نقاط p3، p4 و p5 با هم یک ساختار فرآیند تقسیم را تشکیل می دهند.
نقاط p4 و p5 سپس در p6 ادغام می شوند، بر این اساس به عنوان یک نقطه ادغام در این مطالعه تعریف می شود. نقاط p4، p5 و p6 با هم یک ساختار فرآیند ادغام را تشکیل می دهند. سپس گرداب به عنوان یک کل مهاجرت می کند، همانطور که با نقاط p6، p7 و p9 نشان داده می شود. سپس گردابی دیگر (p8) به p9 می پیوندد که بلافاصله به p10 و p11 تقسیم می شود. در این مطالعه، نقطه ای مانند p9 به عنوان نقطه ادغام و تقسیم تعریف می شود زیرا به طور همزمان در هر دو فرآیند ادغام و تقسیم نقش دارد. نقاط p7، p8، p9، p10 و p11 یک ساختار فرآیند ادغام و تقسیم را تشکیل می دهند.
انواع نقاط مسیر (شکاف، ادغام، ادغام و شکافت) تغییرات ساختاری را در طول یک مسیر پیچیده مشخص می کنند. بر این اساس، ما می‌توانیم یک مسیر پیچیده را به دنباله‌ای از نمادها ترجمه کنیم، که هر یک نشان دهنده رفتار/مرحله خاص یک گردابی در فرآیند تکامل آن است ( شکل 3 ). به طور خاص، از حرف v برای نشان دادن یک ساختار خطی استفاده شد که در آن همه نقاط درگیر هیچ رویدادی از هم گسیختگی یا ادغام نیستند. حرف s برای نشان دادن ساختار شکافنده ای که در آن یک گردابی به دو یا حتی چند ساختار تقسیم می شود استفاده می شود. حرف m برای نشان دادن ساختار ادغامی که در آن دو یا چند گرداب با هم ادغام می شوند استفاده شد. در نهایت حرف wبرای نشان دادن ساختاری استفاده شد که در آن چندین نقطه به هم می پیوندند و سپس بلافاصله تقسیم می شوند.
بسته به پیچیدگی یک مسیر گردابی، می توان از دنباله ای از نمادهای مختلف برای نشان دادن روند تکامل یک گرداب استفاده کرد. برای مثال، دو مسیر پیچیده در شکل 3 b را می توان به ترتیب با دنباله ای از نمادها vssmv و mwmv نشان داد.
زمانی که تغییرات ساختاری به صورت موازی اتفاق بیفتند، اولویت های متفاوتی به آنها اختصاص داده می شود. در این مطالعه، اولویت بالاتری به ساختار w ، سپس s و سپس m و ساختار خطی v کمترین اولویت را دارد.
2.2.2. بزرگترین و رایج ترین الگو (LFP)

یک پایگاه داده مسیر پیچیده (CTD) مجموعه داده مسیر چندگانه CTD را ذخیره می کند:

CTD={سیتیآر1،سیتیآر2،⋯ سیتیآرn}

که در آن CTR i نشان دهنده مسیر i- امین است که از m نقطه تشکیل شده است.

سیتیآرمن={پ1،پ2،⋯، پj،⋯،پمتر}

که در آن P j نشان دهنده نقطه j در طول یک مسیر است. یک نقطه مسیر به صورت زیر نشان داده می شود:

پجی=〈ایکسجی،Yجی،تیجی،پتیyپه〉

که در آن X j و Y j نشان دهنده موقعیت مکانی آن، T j زمان حرکت، و نوع P نشان دهنده نوع نقطه ای است که نشان دهنده رفتار خاص یک گردابی در Tj در طول پیشرفت تکامل آن است. نوع P می تواند یک (an) شروع، پایان، تقسیم، ادغام، نقطه ادغام-شکاف یا نقطه مشترک باشد. هر نقطه غیر شروع، پایان، تقسیم، ادغام، تقسیم-ادغام به عنوان نقاط مشترک در این مطالعه تعریف شده است.

هنگامی که یک مسیر پیچیده CTR i به دنباله ای از نمادها ترجمه می شود، می توان آن را به صورت بیان کرد

سیتیاسمن={پتی1،پتی2،⋯،پتیک}

که در آن Pt k نشان دهنده نوع تغییرات ساختاری است (یعنی آنهایی که با v، s، m و w در شکل 3 a نشان داده شده اند) و موارد داده در دنباله. اقلام داده به ترتیب زمانی مرتب شده اند و بر این اساس مسیرهای پیچیده مجموعه CTD به یک مجموعه داده CTS ترجمه می شود که در پایگاه داده توالی CTSD ذخیره می شود .

تعریف  1.

دنباله مکرر (الگو)

برای دو دنباله ساختار مسیر پیچیده

آ={پتیآ1،پتیآ2،⋯،پتیآn} و ب={پتیب1،پتیب2،⋯،پتیبمتر}

جایی که n≤بمتر آnد 1≤j1≤j2≤⋯≤jn≤بمتر. اگر پتیآ1⊆پتیj1،پتیآ2⊆پتیj2،⋯، آnد پتیآn⊆پتیjn، A دنباله ای از B و B فوق دنباله ای از A است.

تعداد کل دنباله A یا B در یک CTSD درجه پشتیبانی نامیده می شود. وقتی مساوی یا بزرگتر از یک آستانه معین است (معمولاً حداقل درجه پشتیبانی (α))، دنباله A یا B را دنباله مکرر با طول an یا bm می نامند . الگوبرداری متوالی مکرر اساساً برای یافتن همه مجموعه‌های بعدی با درجه پشتیبانی کمتر از α در CTSD استفاده می‌شود . این توالی های فرعی نیز به عنوان الگوهای متوالی مکرر شناخته می شوند [ 30 ].

تعریف  2.

بزرگترین و متداول ترین الگوی دنباله LFP

در این مطالعه، ما ابتدا توالی‌های (T) را با طول و درجه حمایت بیش از یک آستانه از پیش تعریف‌شده در CTSD شناسایی کردیم. از T، توالی های حداکثر (L) را استخراج کردیم [ 30 ]. توالی های مکرر حداکثر در L با بیشترین درجه پشتیبانی استخراج و در S ذخیره شدند ( S = < Pt 1 ، Pt 2 … Pt a >). LFP به عنوان دنباله ای در S با طول دنباله L T و فرکانس ( f ) تعریف شد که در زیر بیان شده است :

LFP=〈اس،Lتی،f〉

که در آن L T نشان دهنده طول دوره فعال بزرگترین و پرتکرارترین دنباله S ​​است و f به تعداد S در CTSD اشاره دارد.

2.2.3. استخراج LFP ها با استفاده از روش PPSE
سپس از روش PPSE برای استخراج LFPها استفاده کردیم. ایده اصلی الگوریتم PrefixSpan این است که پس از هر تکرار، قطعات بعدی رشد می کنند تا زمانی که الگوهای مکرر که حداقل پشتیبانی را برآورده می کنند، شناسایی شوند. الگوریتم تعداد کمی از کتابخانه های طرح ریزی را تولید می کند، که الگوهای مکرر را می توان با سرعت بیشتری نسبت به الگوریتم های رشد Apriori و FP شناسایی کرد [ 10 ]. یکی از اشکالات الگوریتم PrefixSpan این است که عمدتاً بر فرکانس توالی ها تمرکز می کند و تغییر زمانی در رویدادهای مربوط به دنباله را در نظر نمی گیرد.
مانند PrefixSpan، PPSE نیز یک کتابخانه طرح ریزی از توالی های مکرر ایجاد می کند. با این حال، PPSE یک آستانه زمانی T را تنظیم می کند و دو دنباله فقط زمانی جفت می شوند و با هم مقایسه می شوند که اختلاف زمان بندی آنها کمتر از آستانه از پیش تعیین شده باشد. آستانه T می تواند دانه بندی هر زمانی باشد. شکل 4 نحوه استفاده از PPSE برای شناسایی LFP ها را نشان می دهد و مراحل اصلی در زیر توضیح داده شده است.
الگوریتم PrefixSpan از دو کلمه کلیدی در مرحله از پیش تعریف شده استفاده می کند. اولی پیشوند است که به دنباله ای در قسمت جلوی سکانس اشاره دارد. برای مثال، وقتی دنباله‌های A=<vmvwm> و B= <vmv> مقایسه می‌شوند، دنباله B پیشوند دنباله A خواهد بود. ، یا <vmvw>. کلیدواژه دوم طرح پیشوند است که به عنوان پسوند نیز شناخته می شود. به تمام بخش های غیر پیشوندی از دنباله اشاره دارد. به عنوان مثال، اگر دنباله A =<vmvwm> دارای پیشوند <vmv> باشد، پیشوند طرح ریزی آن <wm> خواهد بود.
در مرحله 2، یک مجموعه ساختار خط سیر پیچیده مجموعه M با n دنباله به PPSE وارد می شود. یک آستانه درجه پشتیبانی α و یک آستانه زمانی T نیز تعیین شد. در مرحله 3، PPSE یک کتابخانه طرح‌ریزی مربوط به دنباله‌های پیشوند و پسوند با طول 1 می‌سازد.
در مرحله بعد، PPSE پیشوندهایی را با طول 1 شناسایی می کند و تعداد کل را می شمارد. اگر یک پیشوند دارای درجه پشتیبانی کمتر از آستانه α باشد ، PPSE آیتم مربوط به پیشوند را حذف می کند. موارد باقی مانده (یعنی الگوهای توالی آنها) با طول 1 ذخیره می شوند.
سپس PPSE به صورت بازگشتی پیشوندهایی را با طول i و درجه پشتیبانی بزرگتر یا مساوی با آستانه α همانطور که در مراحل زیر نشان داده شده است شناسایی می کند. (1) تمام پیش بینی های مربوط به پیشوندها مشخص می شوند. اگر هیچ طرحی یافت نشد، PPSE پیشوندها را برمی گرداند. (2) سپس درجه پشتیبانی هر دنباله در کتابخانه طرح ریزی محاسبه می شود و الگوریتم همه دنباله های بعدی را با درجه پشتیبانی کمتر از α برمی گرداند . (3) سپس PPSE مواردی را با اختلاف زمانی Δt بین فاصله زمانی هر زیر دنباله و میانگین فاصله زمانی همه دنباله‌های بزرگتر از T حذف می‌کند. پیشوندهای جدید با ترکیب موارد منفرد با پیشوندهای فعلی به دست می آیند. با پیشوند جدیدi = i + 1، PPSE به صورت بازگشتی مرحله (3) را اجرا می کند تا زمانی که کتابخانه طرح ریزی خالی شود.
همه الگوهای فرکانس شناسایی شده در مجموعه داده M ذخیره می شوند ، که از آن LFP همانطور که در بخش 2.2.2 توضیح داده شد، شناسایی شد . در نهایت، الگوهای دوره ای از LFP ها پیدا شد و سپس با دانه بندی زمانی سالانه، ماهانه، هفتگی، یا روزانه تجزیه و تحلیل شد. چند LFP، در صورت وجود، از S استخراج خواهد شد .

3. نتایج

ما از روش PPSE برای استخراج LFP ها از خوشه های گردابی اقیانوس در SCS استفاده کردیم. یک روش خوشه‌بندی سلسله مراتبی مبتنی بر الگوریتم اندازه‌گیری شباهت جهانی برای مسیرهای پیچیده (GSMCT) پیشنهاد شده توسط وانگ و همکاران. [ 31 ] اولین بار برای گروه بندی مسیرهای پیچیده گردابه های مقیاس متوسط ​​در SCS از ژانویه 1993 تا دسامبر 2016 استفاده شد. شکل 5 نشان می دهد که مسیرهای پیچیده AE و CE را می توان به ترتیب در چهار خوشه گروه بندی کرد. تعداد مسیرهای پیچیده AE به ترتیب 84، 385، 44 و 113 در خوشه های 1، 2، 3 و 4 می باشد. مسیرهای پیچیده 730 CE نیز در چهار خوشه با 133، 418، 46، و 133 خط سیر در خوشه های 1، 2، 3 و 4 گروه بندی شدند.
از نظر فضایی، خوشه های 1، 2، 3 و 4 به ترتیب در شمال SCS، SCS مرکزی، جنوب شرقی ویتنام و جنوب SCS قرار دارند. مسیرهای پیچیده AE و CE در چهار خوشه فوق، سپس به دنباله های نماد ترجمه می شوند، که از آنها LFP ها با استفاده از روش PPSE استخراج می شوند.
ما دو مقدار آستانه برای PPSE تعیین کردیم. آستانه اول، حداقل درجه حمایت α ، در این مطالعه 50٪ یا بیشتر تعیین شده است. به گفته پی و همکاران. [ 10 ]، یک الگوی با درجه حمایت بیش از 50٪ می تواند به عنوان یک الگوی مکرر در نظر گرفته شود، با توجه به اینکه نتایج الگوبرداری تحت تأثیر عوامل مختلفی قرار دارند. آستانه دوم، آستانه فاصله زمانی T ، روی 30 روز تنظیم شده است. محققان قبلی مانند چن و همکاران. [ 28 ] و لین و همکاران. [ 32 ] پیشنهاد کرده‌اند که تعداد روزهای فعال گرداب‌های مقیاس متوسط ​​در SCS به ترتیب حداقل 30 و 28 روز است.

3.1. تجزیه و تحلیل LFP

جدول 1 LFPهای ساختارهای مسیر AE و CE را به ترتیب فهرست می کند. هر LFP با بزرگترین و پرتکرارترین دنباله S ​​خود، طول چرخه فعال L T برای دنباله S ، تعداد مسیرها، و همچنین درصد مسیرها نشان داده می شود. درصد به عنوان نسبت مسیرها در دنباله S ​​در رابطه با تعداد کل مسیرهای درون آن خوشه خاص محاسبه می شود.
LFPهای بسیار مشابهی برای چهار خوشه AE(a) و CE(b) یافت شدند ( شکل 6 ). به طور متوسط، بیش از 60٪ از مسیرهای پیچیده AE و CE تحت تسلط تغییرات ساختاری ادغام در شمال (مسیرهای نارنجی)، مرکزی (مسیر آبی) و جنوبی (مسیر سبز) SCS هستند. این LFPها (LFP 1, LFP 2, LFP 3) دارای یک دوره فعالیت 60 یا 90 روزه از تغییرات ساختاری هستند.
در مقابل، LFP3 AE و CE در جنوب شرقی ویتنام دارای دوره فعال بسیار طولانی تری به ترتیب 150 روز و 120 روز هستند. علاوه بر این، LFP3 همچنین ساختار پیچیده تری را نشان می دهد که توسط رفتارهای پیوسته ادغام و تقسیم گرداب ها شکل گرفته است. همچنین جالب است بدانید که LFP3 AE بسیار شبیه به LFP3 CE است، با شاخص شباهت 90٪. به طور خاص، AE LFP 3 دارای ساختار <vmvsvmsvsvsv> است، در حالی که ساختار CE LFP 3 <vmvsvmvsv> است، یعنی AE تنها یک رفتار تقسیمی بیشتر از CE دارد.
شکل 7 نتایج تجزیه و تحلیل آماری AE و CE LFP را در مورد دامنه فعالیت آنها (حداکثر فاصله بین هر دو نقطه در طول یک مسیر مشخص)، دوره فعال (طول عمر مسیر)، تعداد نقاط فعال روزانه (تعداد) نشان می دهد. موقعیت های مختلف که یک گرداب ممکن است در روز اشغال کند) و پیچیدگی مسیر. LFP 3 در جنوب شرقی ویتنام به طور قابل توجهی با سایر LFP ها متفاوت است زیرا دارای وسیع ترین برد حرکتی است (AE 638.72 کیلومتر، CE 559.25 کیلومتر)، طولانی ترین دوره فعال (AE 170 روز، CE 153 روز)، بیشترین تعداد نقاط فعال در روز (AE 0.38، CE 0.43) و بیشترین پیچیدگی (AE 0.61، CE 0.59) در SCS است.

3.2. کشف الگوی دوره ای

شکل 8 کانال های مهاجرت بین سالانه AE و CE LFP ها را در 0.5 × 0.5 درجه (حدود 55 کیلومتر در 55 کیلومتر) نشان می دهد، که نزدیک به محدوده مهاجرت گرداب ها در SCS است [ 28 ]. تعداد سال‌ها در هر شبکه به سال‌های مختلفی اشاره دارد که مسیرها در آن شبکه ظاهر می‌شوند. مناطق بیضی شکل نشان دهنده کانال های مهاجرت (R1-R7) هستند که نزدیک به LFP ها با الگوی دوره ای بین سالانه قابل توجهی هستند (17-24 سال، 70-100٪ از 24 سال). جدول 2 مشخصات آماری این کانال ها را نشان می دهد.
هفت کانال مهاجرت نزدیک به AE و CE LFP در جنوب غربی جزیره تایوان (R1)، شیب قفسه شمالی SCS (R2)، جنوب شرقی ویتنام (R3)، جنوب غربی و شمال غربی جزیره لوزون (R4) قرار دارند. ، R6) و جنوبی ترین قسمت SCS (R5, R7). در امتداد این کانال های مهاجرت، LFP ها یک الگوی تناوبی سالانه را نشان می دهند ( جدول 2 ).
مطالعات قبلی نشان داده‌اند که R2 یک کانال مهاجرت معمولی است و کانال‌های مهاجرت دیگر (R1, R3-R6) مکان‌های عمده‌ای هستند که اکثر گرداب‌ها در آن پدیدار می‌شوند [ 28 , 32 , 33 ]. سازگاری بین نتایج قبلی و این مطالعه در مورد کانال‌های مهاجرت تأیید می‌کند که PPSE در شناسایی LFPها از مسیرهای پیچیده پیچاب‌های اقیانوس در مقیاس متوسط ​​در SCS مؤثر است.

4. بحث

LFP های شناسایی شده در این مطالعه بینش جدیدی در مورد تکامل پیچاب های اقیانوسی در مقیاس متوسط ​​در SCS ارائه می دهند. پیچیده ترین LFP از نظر ساختاری در جنوب شرقی ویتنام یافت می شود، که نشان می دهد گرداب های این منطقه رفتارهای تکاملی پیچیده تری از خود نشان می دهند. LFP های AE و CE در جنوب شرقی ویتنام بسیار شبیه به هم هستند و هر دو دارای طولانی ترین چرخه فعال، وسیع ترین طیف فعالیت ها، بالاترین پیچیدگی هستند و در بین تمام LFP های موجود در SCS فعال ترین هستند.
ویژگی های منحصر به فرد LFP ها در جنوب شرقی ویتنام نشان می دهد که گرداب های اقیانوس در این منطقه با سایر مناطق در SCS کاملاً متفاوت است. مطالعات قبلی عمدتاً ظهور گرداب‌ها در جنوب شرقی ویتنام را به جریان دریایی که توسط بادهای موسمی جنوب غربی هدایت می‌شود نسبت می‌دهند [ 34 ]. انرژی گردابی آب در این منطقه نیز زیاد است [ 35 ]. تعامل قوی بین جریان دریایی و انرژی گردابی بالا در این منطقه ممکن است گرداب‌ها را مجبور به تقسیم و ادغام بیشتر کند. بر این اساس، یک LFP از نظر ساختاری پیچیده تر را می توان با چرخه فعال طولانی تر و طیف وسیع تری از فعالیت ها یافت.
LFP های AE و CE در کانال های مهاجرت چرخه ای از 17 تا 24 سال را در جنوب غربی جزیره تایوان (R1)، شیب قفسه شمالی SCS (R2)، جنوب شرقی ویتنام (R3, R5, R7) نشان می دهند. جنوب غربی و شمال غربی جزیره لوزون (R4, R6) به ترتیب. این کانال های مهاجرت اساساً با آنچه مطالعات قبلی نشان داده است مطابقت دارد و نیروهای محرک مختلفی برای توضیح این کانال های مهاجرت ذکر شده اند. برای مثال، تولید و حرکت مکرر گرداب‌ها در کانال R1 عمدتاً به تهاجم جزر و مد سیاه [ 28 ]، ناپایداری باروکلینیک جریان‌های پس‌زمینه [ 28 ] و تغییر در تنش باد محلی [ 36 ] نسبت داده می‌شود.]. توپوگرافی در شیب شمالی SCS گرداب ها را به سمت غرب از طریق کانال R2 هدایت می کند [ 33 ]. کانال های R3، R5 و R7 در جنوب شرقی ویتنام توسط جریان جت شرقی [ 28 ، 37 ] تشکیل می شوند، در حالی که کانال های R4، R6 در جنوب غربی و شمال غربی لوزون به پیچ خوردگی شدید باد ناشی از برهم کنش باد و توپوگرافی [ 36 ، 37 ].

سرعت جریان ژئوستروفیک نیز اغلب برای مطالعه تولید یک گرداب اقیانوسی در مقیاس متوسط ​​استفاده می شود و به این صورت تعریف می شود:

V=توg2+vg2

جایی که توgو vgبه ترتیب جریان های ژئوستروفیک ناحیه ای و نصف النهاری است.

داده های میدان جریان 1993 تا 2006 از AVISO ( شکل 9 ) نشان می دهد که حداکثر سرعت متوسط ​​سالانه جریان در کانال R1 50.29 سانتی متر بر ثانیه است. حداکثر سرعت متوسط ​​سالانه جریان در کانال‌های دیگر (R2-R7) از 11.32 تا 25.2 سانتی‌متر بر ثانیه است که بالاتر از گزارش‌شده در مطالعه قبلی (10 سانتی‌متر بر ثانیه) است [ 28 ]. سرعت جریان بیشتر در یک کانال مهاجرت می‌تواند با نیروی برشی قوی‌تر همراه باشد، که ممکن است باعث شکافتن و ادغام بیشتر گرداب‌ها شود.

5. نتیجه گیری ها

ما روشی را برای شناسایی LFPها از مسیرهای پیچیده AE و CE از گردابه‌های مقیاس متوسط ​​در SCS پیشنهاد کردیم. ما ابتدا گرداب ها را در خوشه های مختلف گروه بندی کردیم که LFP از آنها شناسایی شد. نتایج ما نشان می‌دهد که LFP در جنوب شرقی ویتنام پیچیده‌ترین و فعال‌ترین در میان تمام LFP‌ها در SCS است. در جنوب شرقی ویتنام، AE و CE LFP بیش از 90٪ شباهت دارند و هر دو طولانی ترین دوره فعالیت و وسیع ترین دامنه فعالیت را دارند. LFP ها چرخه ای از 17 تا 24 سال را نشان می دهند. علاوه بر این، LFP ها هفت کانال مهاجرت گردابی را نشان دادند که در آن حداکثر سرعت متوسط ​​سالانه جریان بیش از 11 سانتی متر بر ثانیه است. نیروهای برشی زیاد مرتبط با جریان‌های سریع‌تر در کانال‌ها ممکن است باعث ایجاد گرداب، تف کردن و فعالیت‌های ادغام شوند.
این مطالعه الگوهای مهاجرت گردابه‌های اقیانوسی در مقیاس متوسط ​​در SCS را از منظر ساختار مسیر آنها نشان می‌دهد و دانش جدیدی را به این زمینه اضافه می‌کند. با این حال، PPSE را می توان با جفت کردن بیشتر رابطه بعد زمانی، بعد فضا و ساختار، که در دستور کار مطالعات آینده ما قرار دارد، بهبود بخشید.

منابع

  1. مامولیس، ن. کائو، اچ. کولیوس، جی. کاوی، نمایه سازی و جست و جوی داده های مکانی و زمانی تاریخی. در مجموعه مقالات دهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سیاتل، WA، ایالات متحده آمریکا، 25-25 اوت 2004. صص 236-245. [ Google Scholar ]
  2. کائو، اچ. مامولیس، ن. Cheung، DW کشف الگوهای تناوبی در توالی های فضایی و زمانی. IEEE Trans. بدانید. مهندسی داده 2007 ، 19 ، 453-467. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. جیندال، تی. گیردار، ص. تانگ، لس آنجلس الگوی کاوی دوره‌ای مکانی-زمانی در داده‌های ترافیک. در مجموعه مقالات دومین کارگاه بین المللی ACM SIGKDD در محاسبات شهری، شیکاگو، IL، ایالات متحده آمریکا، 11 تا 14 اوت 2013. [ Google Scholar ]
  4. ژانگ، دی. تره فرنگی.؛ لی، I. استخراج الگوی دوره‌ای معنایی از مسیرهای مکانی-زمانی. Inf. علمی 2019 ، 502 ، 164-189. [ Google Scholar ] [ CrossRef ]
  5. نان، اف. او، ز. ژو، اچ. وانگ، N. سه گرداب ضد چرخه با عمر طولانی در شمال دریای جنوبی چین. جی. ژئوفیس. Res. فیزیک فضایی 2011 , 116 . [ Google Scholar ] [ CrossRef ]
  6. یی، جی. دو، ی. لیانگ، اف. ژو، سی. وو، دی. Mo, Y. چارچوبی برای مطالعه تغییرات مکانی و زمانی و تعاملات پدیده های جغرافیایی پویا. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1010-1027. [ Google Scholar ] [ CrossRef ]
  7. وانگ، اچ. دو، ی. یی، جی. سان، ی. لیانگ، F. روشی جدید برای اندازه گیری شباهت ساختار توپولوژیکی بین مسیرهای پیچیده. IEEE Trans. بدانید. مهندسی داده 2019 ، 31 ، 1836-1848. [ Google Scholar ] [ CrossRef ]
  8. آگراوال، آر. Srikant، R. الگوهای متوالی معدن. در مجموعه مقالات یازدهمین کنفرانس بین المللی مهندسی داده، تایپه، تایوان، 6 تا 10 مارس 1995. [ Google Scholar ]
  9. هان، JW; گونگ، دبلیو. الگوهای تناوبی بخش عاقلانه استخراج Yin، YW در پایگاه‌های داده مرتبط با زمان. در مجموعه مقالات چهارمین کنفرانس بین المللی کشف دانش و داده کاوی، نیویورک، نیویورک، ایالات متحده آمریکا، 27 اوت 1998. [ Google Scholar ]
  10. پی، جی. هان، جی. مرتضوی اصل، ب. وانگ، جی. پینتو، اچ. چن، کیو. دیال، یو. Hsu، M.-C. استخراج الگوهای متوالی با الگوی رشد: رویکرد PrefixSpan. IEEE Trans. بدانید. مهندسی داده 2004 ، 16 ، 1424-1440. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. نورالحق، NZ; Sitanggang، استخراج الگوی متوالی IS بر روی داده‌های نقطه اتصال در استان ریاو با استفاده از الگوریتم PrefixSpan. در مجموعه مقالات کنفرانس بین المللی صنعت کشاورزی سازگار و هوشمند، بوگور، اندونزی، 3 تا 4 اوت 2015. [ Google Scholar ]
  12. یانگ، ک.-جی. هانگ، تی.-پی. چن، ی.-م. لان، جی.-سی. الگوبرداری دوره ای جزئی مبتنی بر پروجکشن برای توالی رویداد. سیستم خبره Appl. 2013 ، 40 ، 4232-4240. [ Google Scholar ] [ CrossRef ]
  13. او، ز. وانگ، XS; لی، BS; لینگ، ACH ماینینگ همبستگی های دوره ای جزئی در سری های زمانی. بدانید. Inf. سیستم 2006 ، 15 ، 31-54. [ Google Scholar ] [ CrossRef ]
  14. یوان، جی. ژائو، جی. شیا، اس. ژانگ، ی. لی، دبلیو. کشف فعالیت دوره ای چند دانه ای برای اجسام متحرک. بین المللی جی. جئوگر. Inf. علمی 2016 ، 31 ، 435-462. [ Google Scholar ] [ CrossRef ]
  15. یینگ، جی جی سی. لی، دبلیو.-سی. Tseng، VS Mining الگوهای جغرافیایی – زمانی – معنایی در مسیرها برای پیش‌بینی مکان. ACM Trans. هوشمند سیستم تکنولوژی 2013 ، 5 ، 1-33. [ Google Scholar ] [ CrossRef ]
  16. کوی، دبلیو. وانگ، دبلیو. ژانگ، جی. یانگ، جی. ساختارهای چند هسته ای و تقسیم و ادغام گرداب ها در اقیانوس های جهانی از داده های ارتفاع سنج ماهواره ای. علم اقیانوس 2019 ، 15 ، 413-430. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. ژانگ، ز. وانگ، دبلیو. Qiu، B. حمل و نقل جرم اقیانوسی توسط گردابه های متوسط. علوم 2014 ، 345 ، 322-324. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. رودریگز مارویو، آر. ویودز، Á; رویز، ادغام S. Vortex در سه قطبی اقیانوسی. J. Phys. اقیانوسگر. 2011 ، 41 ، 1239-1251. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. لی، Q.-Y.; سان، ال. لین، اس.-ف. GEM: یک مدل ردیابی پویا برای گرداب‌های مقیاس متوسط ​​در اقیانوس. علم اقیانوس 2016 ، 12 ، 1249-1267. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. یی، جی. دو، ی. او، ز. ژو، سی. افزایش دقت تشخیص گردابی خودکار و قابلیت تشخیص ساختارهای چند هسته ای از روی نقشه های ناهنجاری سطح دریا. علم اقیانوس 2014 ، 10 ، 39-48. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. یی، جی. دو، ی. لیانگ، اف. ژو، سی. یک الگوریتم ردیابی خودکار برای گردابهای مقیاس متوسط ​​با استفاده از فیلتر نزدیکترین همسایه جهانی. لیمنول اقیانوسگر. Methods 2017 , 15 , 276-290. [ Google Scholar ] [ CrossRef ]
  22. پوژول، م. فاوگر، ی. تابورت، جی. دوپوی، اس. پلوکین، سی. آبلین، م. Picot, N. DUACS DT2014: مجموعه داده های ارتفاع سنج چند ماموریتی جدید طی 20 سال دوباره پردازش شد. علم اقیانوس 2016 ، 12 ، 1067-1090. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. Okubo، A. پراکندگی افقی ذرات شناور در مجاورت تکینگی های سرعت مانند همگرایی ها. Deep Sea Res. اقیانوسگر. Abstr. 1970 ، 17 ، 445-454. [ Google Scholar ] [ CrossRef ]
  24. ویس، جی. دینامیک انتقال آنستروفی در هیدرودینامیک دو بعدی. فیزیک D پدیده غیرخطی. 1991 ، 48 ، 273-294. [ Google Scholar ] [ CrossRef ]
  25. چلتون، دی.بی. Schlax، MG; ساملسون، RM مشاهدات جهانی گردابه‌های غیرخطی در مقیاس متوسط. برنامه اقیانوسگر. 2011 ، 91 ، 167-216. [ Google Scholar ] [ CrossRef ]
  26. مورو، آر. بیرول، اف. گریفین، دی. Sudre, J. مسیرهای واگرای گرداب های اقیانوسی طوفانی و ضد گردابی. ژئوفیز. Res. Lett. 2004 ، 31 ، 24311. [ Google Scholar ] [ CrossRef ]
  27. هنسون، اس. توماس، AC سرشماری از گردابه های ضد چرخه اقیانوسی در خلیج آلاسکا. Deep Sea Res. قسمت اول Oceanogr. Res. پاپ 2008 ، 55 ، 163-176. [ Google Scholar ] [ CrossRef ]
  28. چن، جی. هو، ی. پیچه‌های چو، X. Mesoscale در دریای چین جنوبی: ویژگی‌های میانگین، تنوع مکانی و زمانی و تأثیر بر ساختار ترموهالین. جی. ژئوفیس. Res. فیزیک فضایی 2011 ، 116 ، 1-20. [ Google Scholar ] [ CrossRef ]
  29. سودره، ج. میس، سی. گارسون، وی. در مورد برآوردهای جهانی جریان های سطح زمین شناسی و اکمن. لیمنول اقیانوسگر. محیط سیالات 2013 ، 3 ، 1-20. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. لو، سی. Chung، SM یک الگوریتم مقیاس‌پذیر برای استخراج توالی‌های مکرر حداکثر با استفاده از یک نمونه. بدانید. Inf. سیستم 2007 ، 15 ، 149-179. [ Google Scholar ] [ CrossRef ]
  31. وانگ، اچ. دو، ی. سان، ی. لیانگ، اف. یی، جی. وانگ، N. خوشه‌بندی مسیرهای پیچیده بر اساس شباهت توپولوژیکی و مجاورت فضایی: مطالعه موردی گرداب‌های اقیانوسی در مقیاس متوسط ​​در دریای چین جنوبی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 574. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  32. لین، پی اف. فن، دبلیو. چن، YL ویژگی‌های تغییرات زمانی و مکانی در گردابه‌ها در دریای چین جنوبی I. تحلیل‌های آماری. Acta Oceanol. گناه 2008 ، 29 ، 14-22. [ Google Scholar ]
  33. نان، اف. شو، اچ. یو، اف. کوروشیو نفوذ به دریای چین جنوبی: بررسی. Prog. اقیانوسگر. 2015 ، 137 ، 314-333. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. چن، جی. هو، ی. ژانگ، Q. چو، ایکس. جفت گردابی در ویتنام شرقی: تنوع بین سالانه و تأثیر بر ساختار ترموهالین. ادامه Shelf Res. 2010 ، 30 ، 715-723. [ Google Scholar ] [ CrossRef ]
  35. یانگ، اچ. وو، ال. لیو، اچ. Yu, Y. منابع انرژی و غرق شدن در دریای چین جنوبی. جی. ژئوفیس. Res. Oceans 2013 , 118 , 4716–4726. [ Google Scholar ] [ CrossRef ]
  36. گرداب‌های Wang، G. Mesoscale در دریای چین جنوبی با داده‌های ارتفاع سنج مشاهده شدند. ژئوفیز. Res. Lett. 2003 ، 30 ، 2121. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  37. گان، جی. Qu، T. جدایی جت ساحلی و تنوع جریان مرتبط در جنوب غربی دریای چین جنوبی. Deep Sea Res. قسمت I Oceanogr. Res. پاپ 2008 ، 55 ، 1-19. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00441 g001 550
شکل 1. ( الف ) یک مسیر ساده و ( ب ) یک مسیر پیچیده.
Ijgi 09 00441 g002 550
شکل 2. نمودار جریانی که اجزای اصلی روش الگوی کاوی دوره ای تکامل ساختاری (PPSE) را نشان می دهد.
Ijgi 09 00441 g003 550
شکل 3. حروف نشان دهنده رفتارهای مختلف یک گردابی ( a ) و نتایج ترجمه (توالی نمادها) دو مسیر پیچیده ( b ) هستند.
Ijgi 09 00441 g004 550
شکل 4. نمودار جریانی که نحوه عملکرد PPSE را نشان می دهد.
Ijgi 09 00441 g005 550
شکل 5. نتایج خوشه‌بندی مسیرهای پیچیده گردابه‌های پادسیکلونی (AE) ( a ) و گردابه‌های گردابی (CE) ( b ) در دریای چین جنوبی (SCS) با استفاده از الگوریتم اندازه‌گیری شباهت جهانی برای مسیرهای پیچیده (GSMCT) پیشنهاد شده توسط وانگ و همکاران al. [ 31 ].
Ijgi 09 00441 g006 550
شکل 6. LFPها برای تکامل ساختاری AE ( a ) و CE ( b ) در SCS بر اساس الگوریتم PPSE.
Ijgi 09 00441 g007 550
شکل 7. مشخصات آماری AE و CE LFPs.
Ijgi 09 00441 g008 550
شکل 8. کانال های مهاجرت همانطور که توسط LFP های مسیر پیچیده AE و CE نشان داده شده است.
Ijgi 09 00441 g009 550
شکل 9. حداکثر (نمایش داده شده با دایره) و سرعت متوسط ​​سالانه (نمایش با خطوط) جریان در کانال های مهاجرت (R1-R7).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید