AirVis: Visual Analytics of Air Pollution Propagation

作者

浙江大学：

Zikun Deng
Di Weng
Jiahui Chen
Ren Liu
Zhibin Wang
Yingcai Wu

京东智慧城市研究院

Jie Bao
Yu Zheng

摘要

空气污染已经成为世界上许多城市的一个严重的公共健康问题。为了找出空气污染的原因，必须在大的空间尺度上研究空气污染物的传播过程。然而，复杂和动态的风场导致污染物输送的高度不确定性。如果没有领域知识的整合，最先进的数据挖掘方法不能完全支持跨多个地区的这种不确定时空传播过程的广泛分析。这些自动化方法的局限性促使我们设计和开发 AirVis，这是一种新颖的可视分析系统，它可以帮助领域专家基于图形可视化有效地捕捉和解释空气污染的不确定传播模式。设计这样的系统提出了三个挑战:a)传播模式的提取；b)模式表示的可伸缩性；和 c)传播过程的分析。为了应对这些挑战，我们开发了一个新的模式挖掘框架来模拟污染物迁移，并从大规模大气数据中有效地提取频繁传播模式。此外，我们基于最小描述长度原则对提取的模式进行分层组织，并允许专家用户基于模式拓扑有效地探索和分析这些模式。我们通过使用真实数据集和领域专家的积极反馈进行的两个案例研究证明了我们方法的有效性。

Introduction

空气污染成为一个严重的公共问题
来源：

Vehicle emission
Incineration
Factory emission
Forest fire

挑战：

传播模式的提取
模式表示的可伸缩性
传播过程分析
- The spatial and temporal distributions?
- The role of the district in this pattern?
- The largest contributor to the air pollution?

贡献：

我们描述了分析空气污染传播的问题。
我们开发了一个新颖的基于有限状态机的模式挖掘框架，它可以有效地模拟空气污染物的传输，并从大规模大气数据中提取潜在的传播模式。
我们提出了 AirVis，这是一个可视化分析系统，使专家能够根据不确定性图可视化的拓扑结构，在层次上识别和分析污染传播模式。

Related Work

本节介绍了以前的研究，这些研究按三个相关主题分类，即空气污染的模型和数据驱动分析、时空可视化，以及子图挖掘和可视化。

Model-driven: 数学模型，Complex district-level interactions
Data-driven：neural network, Continuous propagation process

局限：

Inherent uncertainties in the dynamic propagation processes
Interactive visual analysis

Overview

Requirements

探索基于拓扑的模式概览
获取模式的时空概要
展开模式的不确定传播过程
找出模式之间的相似或不同之处
检查模式中的传播实例

Pattern Mining

Modeling Pollutant Transportation

更新空气粒子的位置：

L ( Δ t + t ) = L ( t ) + v ⃗ t × Δ t v ⃗ t = ∑ m ∈ M ( d n − d m ) × v m , t ∑ m ∈ M ( d n − d m ) \begin{aligned} L(\Delta t+t) &=L(t)+\vec{v}_{t} \times \Delta t \\ \vec{v}_{t} &=\frac{\sum_{m \in M}\left(d_{n}-d_{m}\right) \times v_{m, t}}{\sum_{m \in M}\left(d_{n}-d_{m}\right)} \end{aligned} L(Δt+t)v t=L(t)+v t×Δt=∑m∈M(dn−dm)∑m∈M(dn−dm)×vm,t

Constructing Propagation Graphs

Extracting Propagation Patterns

Visual Design

Characterizing Requirements

Three domain experts

EA (Expert A), EB: Urban computing
EC: Atmospheric science

Five requirements

Explore a topology-based overview of patterns
Obtain the spatiotemporal summaries of patterns
Unfold the uncertain propagation process of a pattern
Find the similarities or differences between patterns
Examine the propagation instances in a pattern

Design Goals

Hierarchical presentation of propagation patterns
Uncertainty-aware visualization of pattern topologies
Spatiotemporal visual summaries of patterns
Intuitive illustrations of propagation process
Comparative visual analysis of propogation patterns
Detailed inspection of relational propagation instances.

G1: Hierarchical presentation of propagation patterns

G2: Uncertainty-aware visualization of pattern topologies

G3: Spatiotemporal visual summaries of patterns

G4: Intuitive illustrations of propagation process

G5: Comparative visual analysis of propogation patterns

G6: Detailed inspection of relational propagation instances

Evaluation

Regional Analyses
District-Centered Analyses
Expert Interviews

Experts Feedback

Visual designs
- Intuitiveness (motif, pattern glyphs, and pattern graphs)
- Depict complex propagation processes
User interactions
- Smooth interactions
Usability
- Finer granularity than the existing approaches.