向先全，王海波，路文海，楊翼，陶建華

（1.國家海洋信息中心，天津 300171；2.天津大學(xué) 環(huán)境科學(xué)與工程學(xué)院，天津 300072）

隨著包括遙感在內(nèi)的現(xiàn)代化監(jiān)測技術(shù)的發(fā)展和監(jiān)測手段的多樣化，水生態(tài)環(huán)境數(shù)據(jù)的數(shù)量、覆蓋范圍和復(fù)雜性都在飛快地增長。如何科學(xué)、有效地利用這些數(shù)據(jù)，從中獲取潛在有用的信息，成為水生態(tài)環(huán)境研究的重要問題。因此，需要一種從大量數(shù)據(jù)中去粗存精、去偽存真的技術(shù)，數(shù)據(jù)挖掘技術(shù)就是人們長期對數(shù)據(jù)庫技術(shù)進(jìn)行研究和開發(fā)的結(jié)果，是信息技術(shù)自然演化的結(jié)果（魏紅宇等，2008）。國內(nèi)外關(guān)于數(shù)據(jù)挖掘技術(shù)在海洋領(lǐng)域的應(yīng)用研究已經(jīng)取得了許多實質(zhì)性的進(jìn)展。Bridges等（1999）利用海洋數(shù)據(jù)源開展了分類規(guī)則挖掘的研究；Kitamoto（2002）對海洋遙感圖像進(jìn)行了聚類分析研究；馬超飛等（2003）針對遙感圖像的關(guān)聯(lián)規(guī)則挖掘進(jìn)行了深入研究；夏登文等（2005）利用海洋數(shù)據(jù)倉庫開展了數(shù)據(jù)挖掘技術(shù)方法的研究；寧勇（2008）將數(shù)據(jù)挖掘技術(shù)應(yīng)用于海洋環(huán)境在線監(jiān)測及赤潮災(zāi)害智能預(yù)警系統(tǒng)中，取得了較好的效果。

渤海灣是位于渤海西側(cè)的一個半封閉淤泥質(zhì)淺水海灣，海水交換能力和自凈能力很弱，近岸海域水體的富營養(yǎng)化和赤潮頻繁發(fā)生（向先全 等，2011）。近年來，隨著衛(wèi)星遙感技術(shù)的快速發(fā)展，其在近岸海域生態(tài)環(huán)境研究中應(yīng)用廣泛（Takahiro et al，2007）。因此，本文以渤海灣為研究背景，利用海洋環(huán)境遙感數(shù)據(jù)，綜合采用多種數(shù)據(jù)挖掘技術(shù)對渤海灣的水生態(tài)環(huán)境特性進(jìn)行研究。

1 研究方法

數(shù)據(jù)挖掘覆蓋的算法很廣，在特定的問題中，數(shù)據(jù)挖掘的分析方法有一定的區(qū)別，這主要取決于數(shù)據(jù)的類型和規(guī)模，以及問題求解的目標(biāo)。常用的數(shù)據(jù)挖掘分析方法包括：聚類分析、關(guān)聯(lián)分析和決策樹分析等（廖芹等，2010）。

聚類分析是對一群不知道類別的觀察對象按照彼此相似程度進(jìn)行分類，達(dá)到“物以類聚”的目的。主要是用數(shù)學(xué)的方法研究給定對象的分類，把一個沒有類別標(biāo)記的樣本集按某種準(zhǔn)則分成若干個子集（類），使相似的樣本盡可能歸為一類，而不相似的樣本盡量劃分到不同的類中。聚類分析的算法可分為：分裂法、層次法、基于密度方法、基于網(wǎng)格方法、基于模型方法等。

關(guān)聯(lián)分析就是要發(fā)現(xiàn)關(guān)聯(lián)規(guī)則，找出給定數(shù)據(jù)集中數(shù)據(jù)項之間的聯(lián)系，發(fā)現(xiàn)項目集或?qū)傩灾g的相關(guān)性、關(guān)聯(lián)關(guān)系。一個典型的關(guān)聯(lián)規(guī)則是“在購買面包和黃油的顧客中，有90%的人同時也買了牛奶”（面包+黃油=>牛奶）。一般用信任度和支持度來描述關(guān)聯(lián)規(guī)則的屬性。設(shè)D是一個事務(wù)數(shù)據(jù)庫，其中每一個事務(wù)由一些項目構(gòu)成，項目的集合簡稱項目集，項目集X的支持度是指在事務(wù)數(shù)據(jù)庫D中包含項目集X的事務(wù)占整個事務(wù)的比例，即項目集X在總事務(wù)中出現(xiàn)的頻率，記為sup（X），一般定義為

可信度是指項目集X出現(xiàn)，使項目集Y也出現(xiàn)的事件在總事務(wù)中出現(xiàn)的頻率，記為conf（Y|X），一般定義為

支持度可發(fā)現(xiàn)頻率出現(xiàn)較大的項目集，而可信度可發(fā)現(xiàn)頻率較大的關(guān)聯(lián)規(guī)則，體現(xiàn)項目集在另一項目集影響下相對總事務(wù)所占的比重。關(guān)聯(lián)分析的目的是從已知的事務(wù)集中產(chǎn)生數(shù)據(jù)項集之間的關(guān)聯(lián)規(guī)則，同時保證規(guī)則的支持度和信任度大于用戶預(yù)先指定的最小支持度和最小信任度。

決策樹學(xué)習(xí)算法是以一組樣本數(shù)據(jù)集為基礎(chǔ)的一種歸納學(xué)習(xí)算法，著眼于從一組無次序、無規(guī)則的樣本數(shù)據(jù)中推理出決策樹表示形式的分類規(guī)則。決策樹是類似于流程圖的一個樹狀結(jié)構(gòu)，由一個根節(jié)點、一系列內(nèi)部節(jié)點（分支節(jié)點）以及終極節(jié)點（葉節(jié)點）組成。每個非葉節(jié)點表示對一個屬性的測試，每個分支對應(yīng)于一個輸出；每個葉節(jié)點表示一個判定的類別。決策樹學(xué)習(xí)算法最大的優(yōu)點就在于它在學(xué)習(xí)過程中不需要了解很多的背景知識，只從樣本數(shù)據(jù)集提供的信息就能夠產(chǎn)生一棵決策樹。

2 研究區(qū)域及數(shù)據(jù)來源

本文采用的衛(wèi)星遙感數(shù)據(jù)來源于國家衛(wèi)星海洋應(yīng)用中心，使用的是國家海洋一號衛(wèi)星HY-1B的遙感數(shù)據(jù)。圖1為該衛(wèi)星遙感水體葉綠素濃度的一個專題圖示例。通過遙感影像反演，提取出海洋生態(tài)環(huán)境的一些指標(biāo)因子，其數(shù)據(jù)格式為HDF（Hierarchical Data Format）格式。

圖1 衛(wèi)星遙感水體葉綠素濃度的專題圖示例

衛(wèi)星遙感探測的生態(tài)環(huán)境指標(biāo)主要有4個：葉綠素濃度（CHL）、懸浮泥沙濃度（Suspended Sediment Concentration，SSC）、海水透明度（Secchi Disk Depth，SDD）及海表溫度（Sea Surface Temperature，SST），單位分別為μg/L、mg/L、m和℃。利用美國資源系統(tǒng)研究所（ESRI）開發(fā)的ArcGIS軟件中的功能模塊，讀取HDF文件，然后轉(zhuǎn)化為柵格數(shù)據(jù)形式。HY-1B衛(wèi)星圖像的分辨率為0.01°×0.01°，約為1 100 m×1 100 m。本文的研究中，渤海灣覆蓋的網(wǎng)格數(shù)為11 106個，如圖2所示。

圖2 渤海灣覆蓋的網(wǎng)格

通過HY-1B衛(wèi)星，每日可獲取2幅生態(tài)環(huán)境因子的遙感影像。本文采用的水生態(tài)環(huán)境遙感數(shù)據(jù)，其時間范圍為2008-2009年。2008、2009年渤海灣各網(wǎng)格中水生態(tài)環(huán)境各指標(biāo)的遙感數(shù)據(jù)采用該網(wǎng)格中該指標(biāo)的年均值計算而來。由于陰雨等天氣原因，衛(wèi)星遙感并不能實時地檢測到地面（海面）的信息，故在原始的遙感數(shù)據(jù)中，欠缺了某些空間位置或某些天的遙感值。本文對于圖像中未檢測的像素，采用剔除方式進(jìn)行處理。

3 研究結(jié)果與討論

3.1 基于k-means算法的渤海灣水生態(tài)環(huán)境聚類分析

通過聚類分析可以把指標(biāo)值大小相似的網(wǎng)格聚在一起，將渤海灣分成不同的區(qū)塊，通過研究各區(qū)塊的指標(biāo)值可更清楚地了解渤海灣水生態(tài)環(huán)境的一些特性。本節(jié)利用聚類分析的k-means算法對2008和2009年渤海灣水生態(tài)環(huán)境特性進(jìn)行研究，k-means算法是一種基于劃分的聚類方法，是最常用和最知名的聚類算法。利用k-means算法分別對2008和2009年的渤海灣遙感數(shù)據(jù)進(jìn)行聚類分析。由于各指標(biāo)的單位不同，而且各指標(biāo)值的數(shù)量級也有差異，故聚類之前對各指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。

原始的遙感數(shù)據(jù)為 Xi=（xi，1，…，xi，j，…，xi，m），通過公式（3）標(biāo)準(zhǔn)化為：Zi=（zi，1，…，zi，j，…，zi，m），其中i表示渤海灣網(wǎng)格數(shù)，i=1，2，…，n，n為11 106；j表示遙感指標(biāo)數(shù)，j=1，2，…，m，m為4。

其中：dij表示xi到cj的歐氏距離，cj表示聚類中心。

通過計算發(fā)現(xiàn)當(dāng)取k=3時，聚類的效果最好，此時將遙感數(shù)據(jù)在渤海灣空間上共聚成3類。2008和2009年的聚類結(jié)果如圖3所示，藍(lán)色為第Ⅰ類；綠色為第Ⅱ類；黃色為第Ⅲ類。表1給出了各聚類中心的指標(biāo)值。第Ⅰ類主要分布在渤海灣東北部，表現(xiàn)出葉綠素濃度低、懸浮泥沙濃度低、透明度高和海表溫度較低的特征。第Ⅲ類主要分布在渤海灣西南部，表現(xiàn)出與第Ⅰ類相反的特征。第Ⅱ類的聚類中心各指標(biāo)值在第Ⅰ和第Ⅲ類聚類中心值的中間，同時在空間上也處于中間過渡區(qū)域。

圖3 渤海灣遙感數(shù)據(jù)的聚類圖

表1 渤海灣遙感數(shù)據(jù)的聚類中心

第Ⅰ類區(qū)域的分布位置靠近渤海中部，離近岸較遠(yuǎn)，受陸源影響較小，因此表現(xiàn)出懸浮泥沙濃度低、葉綠素濃度低等特征。對于第Ⅲ類區(qū)域，王勇智（2006）和于煒（2011）指出受風(fēng)浪、潮流以及環(huán)流等影響，渤海灣南部始終維持懸浮物濃度高，同時由于懸浮物對氮、磷等營養(yǎng)鹽的吸附作用，促進(jìn)浮游植物的生長（畢玲玲，2006），加上陸源營養(yǎng)鹽的作用，因此在渤海灣近岸西南部出現(xiàn)懸浮泥沙濃度高、葉綠素濃度高等特征。

3.2 基于Apriori算法的渤海灣水生態(tài)環(huán)境關(guān)聯(lián)分析

通過關(guān)聯(lián)分析，提取出大于最小支持度和最小可信度的指標(biāo)之間的關(guān)聯(lián)規(guī)則，可以了解渤海灣各生態(tài)環(huán)境指標(biāo)之間的聯(lián)系。Apriori關(guān)聯(lián)規(guī)則算法是一種最有影響的挖掘布爾型關(guān)聯(lián)規(guī)則頻繁項集的基本算法，貨籃分析就是采用這種算法進(jìn)行的。

關(guān)聯(lián)規(guī)則挖掘通常適用于指標(biāo)值為離散值的情況。由于生態(tài)環(huán)境遙感數(shù)據(jù)庫中的指標(biāo)值是連續(xù)的數(shù)據(jù)，故在關(guān)聯(lián)規(guī)則挖掘之前應(yīng)該進(jìn)行適當(dāng)?shù)臄?shù)據(jù)離散化（即把某個區(qū)間的值映射為某個值）。本文采用聚類離散化方法，利用3.1節(jié)分析的聚類中心對各指標(biāo)的遙感數(shù)據(jù)進(jìn)行離散處理，將每個指標(biāo)按離中心的遠(yuǎn)近分成三類，各指標(biāo)值從小到大分別標(biāo)記為“低”、“中”、“高”。

利用Apriori算法對離散化處理后的渤海灣遙感數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析。取最小支持度min_sup為0.08，最小可信度min_conf為0.5，關(guān)聯(lián)分析的結(jié)果見表2和表3。

表2顯示了從渤海灣遙感數(shù)據(jù)中提取的極大頻繁集，2008和2009年的極大頻繁集中都包括：高CHL、低 SDD、高 SSC及高 SST；中 CHL、中SDD、中SSC及中SST。表明它們在整個渤海灣遙感數(shù)據(jù)集中出現(xiàn)頻率較大，表現(xiàn)出較強的關(guān)聯(lián)性。需要指出的是，獲得的關(guān)聯(lián)規(guī)則并沒有包含各指標(biāo)的內(nèi)在機理性聯(lián)系，因此其是否具有因果關(guān)系還需進(jìn)一步驗證。

表2 遙感數(shù)據(jù)關(guān)聯(lián)分析的極大頻繁集

表3 遙感數(shù)據(jù)的關(guān)聯(lián)規(guī)則及可信度

表3給出了Apriori算法計算的渤海灣遙感數(shù)據(jù)的關(guān)聯(lián)規(guī)則及其可信度情況。從大于0.9可信度的情況來看，2008年遙感數(shù)據(jù)有兩條關(guān)聯(lián)規(guī)則“高SSC，高SST，高CHL=>低SDD”和“高SSC，中SST，高CHL=>低SDD”，聯(lián)合這兩條規(guī)則（至少從數(shù)據(jù)上）可表明：高SSC、高CHL以及SST不低的時候SDD就會低。2009年遙感數(shù)據(jù)中關(guān)聯(lián)規(guī)則“高 SDD，低 SSC，低 SST=>低 CHL”和“低SDD，高SSC，高SST=>高CHL”的可信度也大于0.9。對2008年和2009年各指標(biāo)因子的年均值進(jìn)行相關(guān)性分析，兩年的相關(guān)性分析結(jié)果都表明了CHL與SSC和SST有較好的正相關(guān)關(guān)系，而與SDD有負(fù)相關(guān)關(guān)系。以上幾條關(guān)聯(lián)規(guī)則與相關(guān)性分析的結(jié)果相互吻合。

3.3 基于CART算法的渤海灣水生態(tài)環(huán)境決策樹分析

決策樹學(xué)習(xí)是當(dāng)前應(yīng)用最廣泛的歸納推理方法之一，對噪聲數(shù)據(jù)也有比較好的魯棒性，且能夠直接得到學(xué)習(xí)的析取表達(dá)式。由于CART算法只產(chǎn)生二叉，計算速度快，且適合于混合數(shù)據(jù)問題的處理，因此本文采用CART算法對渤海灣生態(tài)環(huán)境遙感數(shù)據(jù)進(jìn)行分析。

由于葉綠素濃度是表征浮游植物生物量的重要指標(biāo)之一，了解葉綠素濃度可掌握水體初級生產(chǎn)力情況和富營養(yǎng)化程度。因此，本文水生態(tài)環(huán)境的決策樹分析以葉綠素濃度為標(biāo)簽向量，其它3個變量——SDD、SSC、SST為屬性向量對葉綠素濃度進(jìn)行分類研究。葉綠素濃度采用3.2節(jié)的聚類離散化方法，離散為3個值：“低CHL”、“中CHL”、“高CHL”。而對其它3個指標(biāo)不做離散化處理，仍為連續(xù)值。

利用CART算法對2008和2009年渤海灣生態(tài)環(huán)境遙感數(shù)據(jù)進(jìn)行決策樹分析。在運算過程中，構(gòu)建分類樹第一步驟時產(chǎn)生的最大樹Tmax時，分支有很多個，共有1千余個，其準(zhǔn)確率也較大（2008年準(zhǔn)確率為89.35%；2009年準(zhǔn)確率為90.93%）。但是由于過多的分支使得分類較困難，也失去了決策樹快速分類的優(yōu)勢，因此需要進(jìn)行一定的修剪操作。通過一次修剪后所構(gòu)建的決策樹如圖4所示。圖中決策樹各非葉節(jié)點右側(cè)的不等式表示該節(jié)點的測試準(zhǔn)則，左分支表示滿足測試屬性，右分支表示不滿足測試屬性。SDD、SSC和SST的單位分別為m、mg/L和℃。

通過一次修剪后，2008和2009年渤海灣水生態(tài)環(huán)境數(shù)據(jù)的決策樹具有了一定的可讀性，葉綠素濃度的分類準(zhǔn)確率分別為74.29%、79.18%。雖然其準(zhǔn)確率有所降低，但分支數(shù)大大減少，也避免了“過擬合”的問題，可進(jìn)行實際情況的分類操作。為進(jìn)一步地提高決策樹的可讀性以及便于分析，對以上兩個決策樹進(jìn)行了二次剪枝操作，剪枝后的決策樹如圖5所示。

從圖中可以看出，通過二次修剪后，得到的水生態(tài)環(huán)境數(shù)據(jù)決策樹分支較少，可讀性很強。這兩棵決策樹對2008和2009年渤海灣葉綠素濃度分類的準(zhǔn)確率分別是72.01%、76.94%，準(zhǔn)確率較高。與第一次修剪后決策樹的準(zhǔn)確率相比，下降得并不明顯。

圖4 2008和2009年渤海灣水生態(tài)環(huán)境數(shù)據(jù)的決策樹（一次修剪）

圖5 2008和2009年渤海灣水生態(tài)環(huán)境數(shù)據(jù)的決策樹（二次修剪）

這兩棵決策樹都含有5個葉節(jié)點，可分別對應(yīng)5個分類準(zhǔn)則。如2008年的最簡潔的一個分類準(zhǔn)則“SSC大于或等于92.325 mg/L時，葉綠素濃度較高”；2009年的一個分類準(zhǔn)則“SDD小于0.675m，且SSC大于或等于80.195 mg/L時，葉綠素濃度較高”。其它的分類準(zhǔn)則可類似地得到。通過這些分類準(zhǔn)則可對渤海灣遙感葉綠素濃度進(jìn)行快速地分類判別，以及進(jìn)行相應(yīng)的特性研究。

4 結(jié)論

本文對海洋數(shù)據(jù)挖掘的理論和方法進(jìn)行了研究，以渤海灣為研究背景，利用海洋環(huán)境衛(wèi)星遙感數(shù)據(jù)，對渤海灣水生態(tài)環(huán)境特性進(jìn)行聚類分析、關(guān)聯(lián)分析和決策樹分析等一系列的數(shù)據(jù)挖掘研究，得出了如下的結(jié)論：

（1）利用k-means算法對2008和2009年渤海灣生態(tài)環(huán)境的年均遙感數(shù)據(jù)分別進(jìn)行了聚類分析。將渤海灣遙感數(shù)據(jù)共聚成3類，聚類結(jié)果表現(xiàn)為較強的空間分布特征。第Ⅰ類主要分布在渤海灣東北部，表現(xiàn)出低CHL、低SSC、高SDD和低SST的特征。第Ⅲ類主要分布在渤海灣西南部，表現(xiàn)出與第Ⅰ類相反的特征。第Ⅱ類聚類中心的各指標(biāo)值在第Ⅰ和第Ⅲ類聚類中心值的中間，同時在空間上也處于中間過渡區(qū)域。

（2）利用Apriori關(guān)聯(lián)規(guī)則算法對聚類離散化處理后的渤海灣生態(tài)環(huán)境遙感數(shù)據(jù)進(jìn)行了關(guān)聯(lián)分析。2008和2009年的極大頻繁集里都包括了“高CHL、低SDD、高SSC、高SST”和“中CHL、中SDD、中SSC、中SST”。表明它們在整個渤海灣遙感數(shù)據(jù)中出現(xiàn)的頻率較大，表現(xiàn)出較強的關(guān)聯(lián)性。通過關(guān)聯(lián)分析還得出了渤海灣遙感數(shù)據(jù)的一些關(guān)聯(lián)規(guī)則及其可信度情況。

（3）利用CART算法對2008和2009年渤海灣生態(tài)環(huán)境遙感數(shù)據(jù)進(jìn)行了決策樹分析。以聚類離散化處理后的葉綠素濃度為標(biāo)簽向量，其它三個變量——SDD、SSC、SST為屬性向量對葉綠素濃度進(jìn)行分類研究。通過兩次修剪后，分別得到了分支少、可讀性強的2008和2009年渤海灣生態(tài)環(huán)境遙感數(shù)據(jù)決策樹。這兩棵決策樹都含有5個葉節(jié)點，可分別對應(yīng)5個分類準(zhǔn)則。通過這些分類準(zhǔn)則可對渤海灣遙感葉綠素濃度進(jìn)行快速地分類判別，以及相應(yīng)的特性研究。

需指出的是，數(shù)據(jù)挖掘得出的結(jié)論來源于數(shù)據(jù)本身，而其中內(nèi)在聯(lián)系還需結(jié)合海洋生態(tài)環(huán)境的內(nèi)部作用機理加以分析。本文將數(shù)據(jù)挖掘方法引入到海洋生態(tài)環(huán)境的研究中，可為日益增長的海洋生態(tài)環(huán)境海量數(shù)據(jù)分析提供新手段、新思路。

致謝：本文采用的衛(wèi)星遙感數(shù)據(jù)是國家衛(wèi)星海洋應(yīng)用中心提供的海洋一號衛(wèi)星HY-1B的遙感數(shù)據(jù)，在此對國家衛(wèi)星海洋應(yīng)用中心表示感謝。

Bridges S，Hodges J，Wooley B，et al，1999.Knowledge discovery in an oceanographic database.Applied Intelligence，11（2）：135-148.

Kitamoto A，2002.Spatio-temporal data mining for typhoon image collection.Journal of Intelligent Information Systems，19（1）：25-41.

Takahiro Iida，Sei-Ichi Saitoh，2007.Temporal and spatial variability of chlorophyll concentrations in the Bering Sea using empirical orthogonal function（EOF）analysis of remote sensing data.Deep Sea Research Part II：Topical Studies in Oceanography，54（23-26）：2657-2671.

畢玲玲，2006.膠州灣懸浮物組成特征及對營養(yǎng)鹽的吸附解吸作用研究.學(xué)位論文，青島：中國海洋大學(xué).

廖芹，郝志峰，陳志宏，2010.數(shù)據(jù)挖掘與數(shù)學(xué)建模.北京：國防工業(yè)出版社.

馬超飛，劉建強，2003.遙感圖像多維量化關(guān)聯(lián)規(guī)則挖掘.遙感技術(shù)與應(yīng)用，18（4）：243-247.

寧勇，2008.數(shù)據(jù)挖掘在海洋環(huán)境在線監(jiān)測及赤潮災(zāi)害智能預(yù)警系統(tǒng)中的應(yīng)用.濟(jì)南：山東大學(xué).

王勇智，2006.渤、黃、東海懸浮物濃度及輸運季節(jié)變化的數(shù)值模擬.學(xué)位論文，青島：中國海洋大學(xué).

魏紅宇，張峰，李四海，2008.海洋數(shù)據(jù)挖掘技術(shù)應(yīng)用研究.海洋通報，27（6）：82-87.

夏登文，石綏祥，于戈，等，2005.海洋數(shù)據(jù)倉庫及數(shù)據(jù)挖掘技術(shù)方法研究.海洋通報，24（3）：60-65.

向先全，陶建華，2011.基于GA-SVM的渤海灣富營養(yǎng)化模型，天津大學(xué)學(xué)報，44（3）：215-220.

于煒，2011.渤海表層懸浮物分布變異規(guī)律的研究.學(xué)位論文，青島：中國科學(xué)院海洋研究所.