基于雷达图序列的海洋多维数据可视化方法
基于傅立叶变换的多维数据可视化分类
［ ｂ ｔａｔ ｏ ｅ ｔｏ ｏ ｅｉｎｎ ｅｃａｓ ｅ ｆｍｕｔｄｍｅ ｓ ｎｌ ａａｉ ｐｏ ｏｅ ， ｉｈｕ ｅ ｒｄｒｃａｔ ｆｍｕｔｓａ ｓｃ ｈ ｗ Ａ ｓ ｃ］Ａ ｎ ｖｌ ｈ ｄｆｒ ｓ ｉｇｔ ｌｓｄ ｗｈｃ ｓｓ ａａ ｈ ｒｏ ｌ— ｔ ｔ ｓＯｓｏ ｒ ｍｅ ｄ ｇ ｈ ｉ ｆ ｏ ｉ ｏ ｉｔｉｉ ｔ
关健词 ：数据 可视化 ；雷达 图；傅立叶描述子 ；形状识 别 ；概 率神经 网络
Ｖｉｕ ｌ ａ ｉ ｎ Ｃｌ ｓ ｉ ｃ ｔｏ ｅ ｈ ｄ ｏ ｕ ｔ． ｉ ｅ ｓｏ ａ ｔ ｓ ａ ｉ ｔｏ ａ ｓｆ ａ ｉ ｎ Ｍ ｔ ｏ ｆ ｚ ｉ Ｍ ｌｉｄ ｍ ｎ ｉ ｎ ｌ Ｄａ ａ
维普资讯
第３ 卷 第 １ 期 ４ ５
Ｖ １３ ｏ．４
・
计
算
机
工
程
２０ ０８年 ８月
Ａｕｇ ｔ ０ ８ ｕｓ ２ ０
Ｎ ｏ． ５ １
Ｃｏ ｐｕｔ ｒＥｎｇ ｎｅ ｒ ｎｇ ｍ ｅ ｉ ｅｉ
人 工智 能 及识 别技术 ・
￣Ｉｍｇ：１ ４８ ０８ ５ ７— ３ 文献标识码： － ０ ＿３ （ ０） — １３ ０ ２２ １ Ａ
［ ｙｗｏ ｄ ！ｄ ｔ ｖｓａｉ ｔ ｎ ｒｄ ｈｒ； ｏ ｒ ｒ ｅｃ ｐｏｓｓａ ｅｒｃｇ ｉｏ ； ｒｂ ｂｌｔ ｕａＮｅｗｏｋＰ Ｎ） Ｋｅ ｒ ｓ ａａ ｉ ｌａｉ ；ａａ ｃ ａ Ｆ ｕ ｅ ｓｒ ｔｒ；ｈ ｐ ｏ ｎｔ ｎ Ｐｏ ａ ｉｓｉＮｅ ｒｌ ｔ ｒ（Ｎ ｕ ｚ ｏ ｒ ｔ ｉ ｄ ｉ ｅ ｉ ｉ ｃ
海域多要素感知观测与预警关键技术
海域多要素感知观测与预警关键技术作者：林化琛郑佳春黄一琦孙世丹曹长玉来源：《航海》2020年第02期摘要：本文介绍了一种海域多要素感知观测与预警系统。
该系统主要由雷达网、光电观察设备、AIS、GPS、综合信息处理平台等组成。
以先进雷达技术、大数据和人工智能为支撑，实现对海面目标实时态势跟踪和海洋环境实时监测，综合感知和立体观测预警分析。
文中介绍了基于非恒定自适应门限的目标全自动探测、雷达组网全目标融合、基于经验正交分解的X-BAND雷达海浪探测、基于雷达视频处理的溢油探测与报警等关键技术;给出了系统在福建省海洋渔业、海警、海事等部门成功应用案例，证明了该系统技术的可行性、先进性，极具应用推广价值。
关键词：雷达;AIS;综合感知;数据融合;海浪探测O引言党的十八大提出了建设海洋强国的重大部署。
习近平总书记曾指出，建设海洋强国是中国特色社会主义事业的重要组成部分，要进一步坚持创新、协调、绿色、开放、共享的新发展理念，树立海洋经济全球布局观，主动适应并引领海洋经济发展新常态，加快供给侧结构性改革，着力优化海洋经济区域布局，提升海洋产业结构和层次，提高海洋科技创新能力。
《福建省“十三五”海洋经济发展专项规划》提出了运用“互联网+”思维指导海洋信息化工作，综合应用通信技术、计算机技术、物联网技术、云技术等，构建融合海域使用动态化管理、海洋工程环境监管、渔船信息化管理、安全生产监管、养殖区域及水质监控、海洋渔业生产状况及经济数据收集、应急事项处置于一体的“智慧海洋”平台，实现智能感知、智能调度、智能决策、智能服务，形成与海洋现代化管理相适应的智慧海洋体系[1]。
基于海洋观测、海洋渔业、海洋执法等业务需求，“海域多要素感知观测与预警系统”应运而生，该系统通过对海面目标实时态势的跟踪观测和海洋环境实时监测，综合感知分析与预测处理，实现海域海面的“透明化”和“智能化”;可为海洋渔业、海警、海事等部门海上执法及事故调查等提供关键信息支撑，可赋能智能渔业、智能执法、智能搜救、海洋环境服务等新业态，对国家海洋信息化战略的实现具有重大意义，具有广泛的应用前景。
基于图表达原理的多维数据特征的选取
了数据 的维数 。基 于标准数据库 中的葡 萄酒 数据的特征提取 ， 了良好 的效果 。 得到
关键词 ： 征选取 ； 特 雷达图
中 图分 类 号 ：Ｔ ２４ ． Ｐ ７＋ ２ 文 献 标 识 码 ：Ａ
Ｍ ｕ ｔ－ ｉ ｅ ｓｏ ｌｄ ｔ ｅ ｔ ｒ ｅ ｅ ｔｏ ｓ ｄ ｏ ｈ ｒ ｈ ｏ ｙ ｌｉｄ ｍ ｎ ｉ ｎａ ａ ａ ｆ ａ ｕ ｅ ｓ ｌ ｃ ｉ ｎ ｂａ ｅ ｎ ｃ ａ ｔ ｔ ｅ ｒ －
以概 括 为 以下两方 面含 义 ： 征提取 和特 征选 择 。 特
外学者 们 目前讨 论 的热 点 问题 。本 文 以数 据 选 取 来 综合 上面两 个步 骤 的实质 。所谓 特 征选取 ， 简单 的 说就 是 给定
作者简介 ： 昕（ ９０） 博士 ，副教授 ， 李 １７－， 主要研究方 向为信 息融 合 、 医学 信息处理 。
中国科 技核心期刊
维普资讯
己 口 年 Ｉ 月 口７ Ｄ
第己 卷 第１ 期 ５ Ｄ
特征 提取 指 的 是 从 高 维 的测 量 空 间通 过 映射 （ 变 或 换） 的方 法 降 低 维 数 得 到 特 征 空 间 的 过程 。特 征 提 取 问
原因：
为 了更 好地 描述 一个 复杂 系统 ， 要 大量 的数 据 和信 需 息 ， 中 许 多 数 据属 于 高维 数据 ， 多媒 体 数 据 、 票 数 其 如 股
据、 蛋白质数据等 ， 这些海量数据中蕴 藏着大量有价值的
信息 。如何 高效 、 准确地 利用 已知 信息 成 为 当今研 究 的一
— 特征ｌ －特征 Ｊ ｌ 提取广＿Ｉ １选择 广
特征选 取
个典 型 的复杂 系统 描述 可 以分为 以下 几 个 阶段 ， 如
高维数据可视化策略：图表结合分析
高维数据可视化策略：图表结合分析结合其他图表来展示高维数据是一种有效的数据可视化策略，它可以帮助我们更全面地理解数据中的复杂关系和模式。
以下是一些常见的结合其他图表来展示高维数据的方法：1. 散点图与箱线图结合●散点图：用于展示两个变量之间的关系，通常选择最重要的两个维度进行绘制。
●箱线图：提供数据分布的统计概览，包括中位数、四分位数和异常值等信息。
●结合方式：将散点图与箱线图并列展示，或在散点图中添加箱线图的统计摘要（如中位数线或四分位数线），以同时观察数据点的具体分布和整体统计特性。
2. 平行坐标图与条形图结合●平行坐标图：用于展示高维数据的多个维度，每个维度表示为坐标轴上的一条平行线。
●条形图：适用于展示分类数据的比较或排序。
●结合方式：在平行坐标图的基础上，为某些关键维度添加条形图，以更直观地展示这些维度上数据的差异和变化。
例如，可以用条形图的长度表示某个分类数据在不同维度上的得分或排名。
3. 雷达图与热力图结合●雷达图：用于展示多个变量的相对大小和变化，每个变量表示为图表上的一个轴。
●热力图：通过颜色的深浅来表示数据的密集程度或大小关系。
●结合方式：将雷达图与热力图结合，可以在雷达图的基础上添加颜色信息，以表示数据点在不同维度上的密集程度或变化强度。
这样不仅可以观察数据的整体结构，还可以发现数据中的局部热点或异常值。
4. 散点图与直方图结合●散点图：如前所述，用于展示两个变量的关系。
●直方图：展示单变量数据的分布情况。
●结合方式：对于散点图中的某个维度，可以绘制其对应的直方图，以展示该维度上数据的分布情况。
这种方法有助于理解散点图中数据点的背景分布，以及它们如何与整体数据分布相关联。
5. 多维数据立方体与切片图结合●多维数据立方体：在数据仓库和OLAP系统中，用于存储和查询高维数据。
●切片图：从多维数据立方体中选取特定维度组合的数据切片进行展示。
●结合方式：通过多维数据立方体提供的数据结构，用户可以选择不同的维度组合来生成切片图。
多维数据可视化分析的方法与应用
多维数据可视化分析的方法与应用随着互联网和信息技术的发展，数据量爆炸式增长，数据分析已经成为企业决策和个人决策不可或缺的一部分。
然而，由于数据量和复杂性的提高，传统的二维数据可视化已经无法满足人们对于数据分析的需求。
因此，多维数据可视化分析成为解决这个问题的重要手段。
一、多维数据可视化分析的概念多维数据可视化分析就是将数据进行高维度的可视化，使得人们能够更直观地感受数据中的相关性和规律。
传统的数据可视化只能显示数据的两个方向，而多维数据可视化则可以显示数据在多个维度上的变化。
多维数据可视化的可视化技术种类繁多，包括平行坐标图、散点图矩阵、轮廓图、热力图、雷达图和星形图等。
这些图形可以显示数据在多维上的相关性和规律，为数据分析提供更多的信息，进而更好地服务于决策。
二、多维数据可视化分析的方法1、数据预处理在进行多维数据可视化分析前，需要对数据进行预处理，清洗掉一些不相关的数据。
同时，随着数据维度的提高，数据可视化的消耗会变得越来越大，所以需要使用一些降维方法，如主成分分析(PCA)、不相似性映射(ISOMAP)、流行学习等，将高维数据转化为低维数据，并尽量保留原始数据的信息。
2、选择合适的可视化方法在选择可视化方法时，需要根据数据的特点和需求来选取合适的图形。
例如，平行坐标图适用于线性关系较强的数据，而散点图矩阵适用于快速找出数据中的相关性和规律等。
3、调整可视化参数在可视化数据时，需要对可视化效果进行调整，使得数据更加清晰和易于理解。
例如，可以调整颜色、透明度等可视化参数，以及坐标轴刻度和字体的大小等。
三、多维数据可视化分析的应用多维数据可视化分析在许多领域都有重要的应用，例如:1、金融领域在金融领域中，多维数据可视化分析可以帮助交易员更好地理解市场行情和预测未来趋势。
同时，它也可以帮助分析师找出股票和市场指数之间的相关性和规律。
2、医疗领域在医疗领域中，多维数据可视化分析可以用于药物研发、疾病预测和临床试验等方面。
海底地震监测数据的可视化与分析方法
海底地震监测数据的可视化与分析方法地震是地球内部能量释放的结果，也是地球表面最常见的自然灾害之一。
随着科技的进步，海底地震的监测数据越来越丰富，这些数据对于预测地震、研究地球内部结构以及提高地震预警系统等方面都有重要意义。
本文将介绍海底地震监测数据的可视化和分析方法，旨在利用这些方法更好地理解地震活动以及地球的动态变化。
一、海底地震监测数据的来源海底地震监测数据的主要来源是地震仪器，包括地震仪、地震传感器等。
这些仪器安装在海底地壳上，并能够记录和传输地震事件发生时的地震波信号。
另外，还有一些远程遥测站点可以接收到这些海底地震数据，并进行实时传输和存储。
这些数据被广泛使用以研究地震活动、构建地震模型以及改进地震预警系统等应用。
二、海底地震监测数据的可视化方法海底地震监测数据的可视化方法可以帮助我们更直观地理解地震活动的过程和特征。
以下是几种常用的可视化方法：1.地震波形图：通过绘制地震波信号的振幅和时间变化关系，可以直观地展示地震波的传播过程。
这种方法通常用于研究地震的发生时间、震级和震源位置等信息。
2.地震热点图：将地震事件在地球表面上的分布以热点的形式表示出来，颜色的深浅代表地震事件的频率和强度。
这种方法可以帮助我们识别地震活动的热点区域，进一步研究地震的空间分布规律。
3.地震活动周期图：通过统计一段时间内地震事件的数量和强度，可以绘制出地震活动的周期图。
这种方法可以帮助我们分析地震活动的周期性变化，探究地震的季节性和周期性规律。
4.地震断层图：将地震事件和断层的空间位置信息综合起来，可以绘制出地震断层图。
这种方法可以帮助我们理解地震活动与断层的关系，进一步研究地震的成因和机制。
三、海底地震监测数据的分析方法海底地震监测数据的分析方法可以帮助我们更深入地研究地震活动的规律和机制。
以下是几种常用的分析方法：1.频谱分析：通过将地震波信号转换到频域上，可以得到地震信号在不同频率上的能量分布情况。
这种方法可以帮助我们分析地震波的频谱特征，进一步研究地震的震源机制和能量释放过程。
数据可视化的7种方法
数据可视化的7种方法数据可视化是将数据以图形、图表、图像等形式展示的过程，可以帮助人们更清晰、更直观地理解数据。
在当今数据时代，数据可视化已经成为了数据分析和决策过程中必不可少的工具之一、以下是7种常见的数据可视化方法：1.折线图：折线图是一种以折线连接数据点的图表形式，通常用于显示数据随时间变化的趋势。
折线图能够清晰地显示数据的趋势和周期性变化，并且能够方便地比较多组数据的变化。
2.柱状图：柱状图通过矩形的高度来表示数据的数量或大小，通常用于比较多组数据之间的差异。
柱状图能够直观地显示数据的大小关系，尤其适用于展示离散的数据。
3.饼图：饼图是以圆形的扇区表示数据的百分比或比例，通常用于展示数据的组成部分。
饼图常用于比较各组数据的占比情况，能够直观地显示数据的分布情况。
4.散点图：散点图用于展示两个变量之间的关系，每个数据点表示一个观测值。
散点图能够帮助人们发现数据间的相关性或趋势，并且可以用不同颜色或大小的数据点表示其他维度的数据。
5.热力图：热力图用不同颜色的方块或区域表示数据的强度或密度，通常用于显示地理、时间等维度上的数据分布。
热力图常用于展示数据的热点区域或集中程度，能够清晰地显示数据的空间分布特征。
6.树状图：树状图用于展示数据的层次结构或组织关系，通常由节点和连线组成。
树状图能够清晰地显示数据的上下层次关系，适用于展示组织结构、分类关系等。
7.地图：地图是基于地理信息呈现的可视化方式，用于展示地理位置上的数据分布和相关信息。
地图能够直观地显示地理位置上的数据差异和相关性，常用于分析地理分布特征、市场研究等领域。
除了以上7种常见的数据可视化方法，还有词云图、雷达图、箱线图、网络图等不同形式的可视化方式。
无论使用哪种方法，都应该根据数据的特点和分析目的选择合适的可视化方式，并注重其简洁、直观、准确地表达数据。
高维数据可视化的主要方法
高维数据可视化的主要方法引言：在现代社会中，我们所获取的数据越来越多，而且这些数据往往是高维的。
高维数据的可视化是一项重要的任务，它可以帮助我们更好地理解数据的内在结构和规律。
本文将介绍高维数据可视化的主要方法，包括降维、聚类、流形学习和可视化技术等。
一、降维：降维是高维数据可视化的关键步骤之一。
在高维空间中，我们往往难以直观地理解数据的结构和关系。
而通过降维，我们可以将高维数据映射到低维空间中，从而更容易进行可视化和理解。
常用的降维方法包括主成分分析（PCA）、线性判别分析（LDA）和t-SNE等。
这些方法可以通过保留数据的主要信息来降低数据的维度，从而实现高维数据的可视化。
二、聚类：聚类是高维数据可视化的另一个重要方法。
聚类可以帮助我们发现数据中的相似性和差异性，从而更好地理解数据的内在结构。
在高维空间中，聚类算法往往面临着维度灾难的挑战，因为高维空间中的数据点之间的距离往往非常稀疏。
为了解决这个问题，我们可以使用密度聚类方法，如DBSCAN和OPTICS，这些方法可以通过测量数据点之间的密度来发现聚类结构。
此外，我们还可以使用基于子空间的聚类方法，如COP-KMeans和Spectral-Clustering，这些方法可以将高维数据分解为多个子空间，从而更好地进行聚类分析。
三、流形学习：流形学习是一种通过学习数据样本之间的局部关系来实现高维数据可视化的方法。
在高维空间中，数据样本往往分布在一个低维流形上，而流形学习算法可以学习这个流形的结构，并将数据映射到低维空间中进行可视化。
常用的流形学习方法包括等距映射（Isomap）、局部线性嵌入（LLE）和拉普拉斯特征映射（LE）等。
这些方法可以帮助我们发现数据样本之间的局部关系，并在可视化中保持数据的局部结构。
四、可视化技术：除了上述方法外，还有一些可视化技术可以帮助我们更好地理解高维数据。
例如，平行坐标图可以将多个特征的变化趋势可视化为一条线，从而帮助我们发现数据中的模式和异常。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Computer Science and Application 计算机科学与应用, 2018, 8(9), 1347-1353Published Online September 2018 in Hans. /journal/csahttps:///10.12677/csa.2018.89146Ocean Hydrological Data VisualizationBased on Radar Chart SeriesZhaoyang Feng, Caixia LiSatellite Marine Tracking and Control Department of China, Jiangyin JiangsuReceived: Aug. 22nd, 2018; accepted: Aug. 31st, 2018; published: Sep. 7th, 2018AbstractTraditional data visualization can only visualize single element of ocean hydrological data. Multi-dimensional data visualization can visualize multi-element in planar coordinate. During to its shortage in displaying multidimensional multivariate data, a new method to add dimension was proposed, which could extend Radar Chart into 3D space (Radar Chart Series). So that multidi-mensional multivariate data could be displayed as polygonal plane cluster for marine elements showing and analyzing. Results reveal that Radar Chart Series can effectively analyze characters and provide a powerful tool to reveal the rules of abstract data and the complex oceanic pheno-mena.KeywordsOcean Hydrological Data, Multidimensional Multivariate, Radar Chart, Data Visualization基于雷达图序列的海洋多维数据可视化方法冯朝阳，李彩霞中国卫星海上测控部，江苏江阴收稿日期：2018年8月22日；录用日期：2018年8月31日；发布日期：2018年9月7日摘要传统的海洋水文数据可视化方法通常只对单一要素进行显示，而多维数据可视化方法通常只在二维平面坐标系上显示多要素数据。
本文针对海洋高维多元数据提出了一种通过添加时空维度坐标轴，将雷达图扩展到三维空间的方法，绘制由二维雷达图和一个时空维构成的雷达图序列Radar Chart Series，融合冯朝阳，李彩霞了剖面图和雷达图各自的信息，既在每个雷达图表示多个水文要素的数据信息，又在时空维度上反映各要素沿某一时空维度的变化趋势，从而在全局上展现整个数据集分布特征以及各个研究对象(要素)之间可能存在的关系。
实验结果表明，雷达图序列方法在很大程度上拓宽了一个图所能承载的数据信息，对数据中的隐藏信息进行了更深层次的挖掘。
关键词海洋水文数据，高维多元数据，雷达图，数据可视化Copyright © 2018 by authors and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY)./licenses/by/4.0/1. 引言海洋的信息化应用程度是衡量一个国家海洋实力的重要标志。
利用可视化技术来仿真海洋水文要素在空间和时间的分布与运动，一直是国内外学者和相关机构关注和着力研究的重大课题[1]。
目前国内外几种典型图件的绘制都是侧重表现单要素的空间变化。
比如剖面图，描述某一测站海洋水文要素(温度、盐度、密度或声速)随深度的变化，通常一幅图中最多展现两个要素；断面图是垂向二维分布图，描述特定断面深度剖面上海洋水文要素的分布情况；平面图是水平二维分布图，描述典型层面海洋水文要素的分布情况，与断面图一起可以获得关于海洋水文要素的立体分布情况[2]。
这些基于等值线图、散点图、折线图等传统可视化方法绘制的图件通常只能表现某一单一海洋水文要素的变化规律。
而专业分析关注的特征不仅仅依赖一个要素本身，通常需要将影响海洋环境变化的多种复杂海洋水文要素同时表达出来，在空间坐标系上直观地比较一个数据维与其它数据维之间的联系，分析数据集的特性如趋势、聚类和关联等等。
因此，传统的可视化方法在表现具有多维数据特征的海洋水文要素时面临着许多挑战。
近年来研究人员已经提出很多有效的多维数据可视化方法，如散点图矩阵[3]、平行坐标[4](Parallel Coordinates)、星形坐标法(雷达图)等，这些方法是基于二维坐标系的可视化方法，在二维可视空间中展现多维抽象信息的多属性数据特征[5]，在统计、金融、文本等信息可视化领域中得到广泛应用。
但海洋水文数据与这些非时空数据不同，属于高维多元数据，即高维(Multidimensional)是海洋水文数据具有多个独立属性，如时空维度；多元(Multivariate)是海洋水文数据具有多个相关属性，如温、盐、密等海洋水文要素与经度、纬度、深度等空间维度和时间维度相关。
这就要求可视化技术要满足以下四个条件：1) 能反映数据的时空特性，即空间维度(经度、纬度、深度)和时间维度；2) 能同时进行定性或定量的多个维度属性数据的比较，反映数据的相关度；3) 能提供整体概况和局部信息；4) 能快速检索到元数据。
因此，传统的多维数据可视化方法需要针对时空多维数据进行改进，从而准确快速地发现数据集中时空维度隐藏的特征信息、关系信息、模式信息及趋势信息等。
孙扬等对多变元数据可视化方法[6]进行了研究，姚中华探索了一种时序多维数据的可视化方法[7]，文献[8]基于几何的平行坐标系法和圆形平行坐标系法实现了地质数据属性信息的分布特征可视化。
本文提出一种扩展时空维度的雷达图序列可视化方法(简称为Radar Chart Series)，在二维雷达图的基础上添加一个时空维度，将坐标系扩展至三维空间，从而支持在时空维度观察海洋水文数据多要素随某一时空维度的变化，在有限的空间里表达更加丰富的信息。
冯朝阳，李彩霞2. 海洋时空多维数据可视化方法2.1. 时空多维数据模型将海洋水文数据集中相互完全独立要素(如经度、纬度、深度、时间)称作维度(dimension)，相关要素(如温度、盐度、密度和声速等信息)称为变元(variate) [5]。
定义1：海洋水文数据集中的一条记录可以看作定义在4维空间D 中的k 元函数F (X )。
其中，()1,2,,F f f fk = 由k 个变元组成，表征温度、盐度、密度、声速等k 个物理量；X = (xlon, xlat, xdep, xtime)为4维空间D 中一点，xlon 表征经度，xlat 表征纬度，xdep 表征深度，xtime 表征采样时刻。
以数据立方(Data Cube)的视角来看，每一个最细粒度的数据立方(或称数据单元)记录k 个物理量，由xlon ，xlat ，xdep ，xtime 4个维度坐标定位(图1)。
2.2. 多元数据雷达图绘制定义2：当X = (xlon, xlat, xdep, xtime) = 常量C ，F (C )只描述某个数据单元中k 个变元表征的物理量。
在二维空间中用等角度的k 条半径表示k 个变元的坐标轴，()1,2,,Fi f i f i fki = 的k 个属性值对应到k 条坐标轴上，再将k 条坐标轴上的点用连续线段连接起来表示Fi 。
在平面直角坐标系中，以O 为圆心绘制圆形，将圆周切成k 等分，连接圆心与圆周上各个点，形成k 条半径，将k 条半径分别定义为温度、盐度、密度、电导率、声速等各个变元的坐标轴；每个坐标轴上点的位置由物理量值与该物理量最大值的比例决定；折线连接所有坐标轴上的点，形成雷达图(Radar Chart)。
从雷达图(图2)中可以看到所有坐标轴连接到共同的原点(圆心)，其布局沿圆周等角度分布，线段的长短代表温、盐、密等数值的大小，图形区域的整体形状和大小反应了某时刻某采样点海洋水文数据的特征。
Figure 1. Data Cube model图1. 数据立方体模型Figure 2. Radar Chart of ocean hydrological data图2. 某时刻某采样点水文数据雷达图冯朝阳，李彩霞2.3. 雷达图序列可视化方法定义3：当X = (xlon, xlat, xdep, xtime)中有3个维度为常量C，只有一个维度为变量，F(X)描述k个变元表征的温度、盐度、密度、声速等物理量沿该维度(经度或纬度或深度或时间维度)的变化。
雷达图基于二维坐标提供了一种多维数据表示方法，本文针对海洋高维多元数据对雷达图进行改进，通过添加时空维度坐标轴，将雷达图扩展到三维空间，绘制由二维坐标、一个时空维构成的雷达图序列Radar Chart Series，即由一组雷达图沿一个时空维度构成平面簇。
从时空维度(只研究1个维度变化的情况)的角度，同一个时空维度采样的数据组成海洋要素多元数据，利用雷达图绘制在同一平面上；不同时空维度的采样数据表现为多个平面，形成如图3所示的平面簇。
添加时空维度后，将二维雷达图拓展到三维空间，在增大了数据表现容量的同时，提供了观察分析数据的新视角。
绘制时采用两种表现形式：1) 离散映射，海洋水文时空多维数据表现为平面簇中的一系列空间折线形成的多边体轮廓，视线方向好比轴线将这些平面像糖葫芦一样串起，也可以理解为将多个雷达图形沿某一时空维度拉伸形成拉花(节日装饰用的手工品)；2) 嵌套映射，对于沿时空维度(比如深度)变化差异大的数据集，可沿视线方向将不同平面叠压在一起形成嵌套雷达图序列，用颜色对不同雷达图进行区分，如图4。
Figure 3. Radar Chart Series in discrete mapping图3. 离散映射雷达图序列Figure 4. Radar Chart Series in nesting mapping图4. 嵌套映射雷达图序列冯朝阳，李彩霞3. 实验结果分析3.1. 数据描述本文选取2014年太平洋上7个测站点(纬度接近，经度不同)温度、盐度、密度数据进行实例分析。