数据挖掘算法在河口羽状流数据分析中的应用*

李昭颖， 王厚杰

(中国海洋大学海洋地球科学学院，山东 青岛 266100)

作为河流携带的陆源物质向海洋输送的关键通道，河口羽状流(Plume)由自河口入海并浮于盐水上的低密度淡水形成，其在近场(Near-field)内的扩散状态作为河流动力学中的关键参数，决定着淡水、陆源沉积物、营养盐等在河口附近的分布状况和输运范围，对河口和近海物质输运与环境有重要影响[1-2]。特别是羽状流扩散角(Plume spreading angle)作为近场羽状流的关键特征将直接影响河流的回水过程，并决定了河口附近沉积物的堆积状态[3-4]。然而，囿于数据限制和技术手段，目前的研究多集中于理想条件下的定性分析[2]，数据来源以实验室数据和现场调查为主[1,5]，数据获取成本高、数量少，难以获得长期连续实际河口处羽状流扩散角的变化趋势，也无法就羽状流的动力因素进行显著性分析。鉴于此，卫星遥感数据以其大批量数据及长时间尺度的特征，为解译河口羽状流扩散趋势提供了新的方法。然而，针对遥感数据开展的传统人工处理方法存在效率低、误差大的缺陷，难以对海量数据开展批处理，亦无法提取数据背后隐含的规律性信息。因此，作为能够自动从数据中提取信息的方法，数据挖掘技术(Data mining)为解决这类传统难题提供了新思路，并已经在地球科学，特别是沉积学中获得了广泛的利用。以线性回归法为代表的数学算法在针对湖泊沉积物内有机碳的矿化程度以及周边环境因素的相关性开展分析[6]，针对沉积物的粒度、地球化学组分和物源分析中均取得了不错的效果[7-9]。……