过程——一种地理时空动态分析的新视角

doi:10.11867/j.issn.1001-8166.2021.108

地球科学进展 ›› 2022, Vol. 37 ›› Issue (1): 65 -79. doi: 10.11867/j.issn.1001-8166.2021.108

“青促会成立10周年之地球科学领域”专刊上一篇下一篇

过程——一种地理时空动态分析的新视角

薛存金 ¹ ^, ²(

), 苏奋振 ³(

), 何亚文 ⁴

^1.中国科学院空天信息创新研究院数字地球重点实验室，北京 100094
^2.可持续发展大数据国际研究中心，北京 100094
^3.中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京 100101
^4.中国石油大学（华东）海洋与空间信息学院，山东青岛 266580

收稿日期:2021-08-06 修回日期:2021-10-31 出版日期:2022-01-10
通讯作者: 苏奋振 E-mail:xuecj@aircas.ac.cn;sufz@lries.ac.cn
基金资助:
中国科学院A类先导专项子课题“全球海洋异常变化过程遥感监测系统”(XDA19060103);国家自然科学基金项目“面向过程的海洋异常变化时空聚类挖掘模型”(41671401)

Process：A New View of Geographical Spatiotemporal Dynamic Analysis

Cunjin XUE ¹ ^, ²( ), Fenzhen SU ³( ), Yawen HE ⁴

^1.Key Laboratory of Digital Earth Science，Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China
^2.International Research Center of Big Data for Sustainable Development Goals，Beijing 100094，China
^3.State Key Laboratory of Resource and Environmental Information System，Institute of Geographical Science and Natural Resources Research，Chinese Academy of Sciences，Beijing 100101，China
^4.College of Oceanography and Space Informatics，China University of Petroleum，Qingdao 266580，China

Received:2021-08-06 Revised:2021-10-31 Online:2022-01-10 Published:2022-01-29
Contact: Fenzhen SU E-mail:xuecj@aircas.ac.cn;sufz@lries.ac.cn
About author:XUE Cunjin (1979-), male, Chengwu County, Shandong Province, Professor. Research areas include marine spatiotemporal data mining. E-mail: xuecj@aircas.ac.cn
Supported by:
the Strategic Priority Research Program of the Chinese Academy of Sciences "Process-oriented global marine remote sensing monitoring system"(XDA19060103);The National Natural Science Foundation of China "Process-oriented spatiotemporal clustering model for mining marine abnormal variations"(41671401)

全文 ( 27 ) 下载PDF ( 116 )

地理世界中存在一类具有产生、发展和消亡的地理现象/对象，综合对地观测技术和多源信息获取技术的发展提升了获取这种动态地理现象的能力。现行的地理时空分析方法以点、线、面、体为基本单元，以数据获取尺度为分析尺度，割裂了地理现象的时间连续性，限制了地理时空动态的分析能力。把产生、发展和消亡的动态演变抽象为地理过程，从演变过程的尺度，提出一种新的地理时空分析方法。首先，提出“地理过程—演变序列—时刻状态”的分解抽象和逐级包含的地理时空过程语义，并基于“节点—边”的图思想建立地理时空过程图表达方法和存储模型，实现地理对象（节点）和对象演变行为（边）一体化表达和存储；其次，以地理过程为基本单元，设计“地理状态对象提取—演变序列追踪—过程对象重构”的过程对象提取方法，并基于节点的出度（该节点引起其他节点变化的边的个数）和入度（其他节点引起本节点变化的边的个数）实现过程对象演变行为的识别；再次，以地理过程为分析尺度，拓展时空邻域为过程邻域、时空相似性为过程相似性，设计面向过程的地理时空挖掘方法，开展地理对象及其演变行为的时空模式挖掘；最后，以1950—2019年月尺度的太平洋海洋表面温度异常变化过程对象为例，挖掘了海洋表面温度异常变化结构及其行为，并分析了与ENSO类型之间的关联模式，验证了所提方法的可行性和适用性。

关键词: 时空分析, 地理动态, 演变行为, 过程挖掘, 海洋环境异常变化

There exists a sort of dynamic geographic phenomena with a property from production through development to dissipation in a real world， and the integrated Earth observation technology and the crowd sources technology promote the capabilities of obtaining these dynamics. The traditional spatiotemporal methods take a point， a line， a polygon or a voxel as an analyzing unit， and a scale of data acquisition as the analyzing scale， which splits a continuity of temporal evolutions， and limits their dynamic analysis. This paper abstracts the property from production through development to dissipation into a geographical process， takes it as a scale of analysis， and proposes a novel approach of geographical dynamic analysis. Firstly， a process semantics with a hierarchical abstraction of "geographical process-evolution sequence- instantaneous state" is proposed. And a graph-based model with a "node-edge" is used to represent and store geographical objects and their evolution behaviors. Secondly， a geographical process is used as a unit to design a process-oriented object extracting method with an "extracting of instantaneous state-tracking of evolution sequence- reconstructing of geographical process"， and on the basis of in-degree and out-degree of a graph， four evolution behaviors are identified. Then， series of new concepts about spatiotemporal mining are redefined on the basis of a scale of process， and some process-oriented mining methods are designed， e.g. spatiotemporal clustering， association rule mining. Finally， a real dataset of monthly Sea Surface Temperature Anomaly （SSTA） during the period of January. 1950 to December. 2019 is to explore their evolving structures in Pacific Ocean， and the association patterns between the evolving structures of SSTA and the types of ENSO are addressed. Results demonstrate the effectiveness and the advantages of process-oriented dynamic analyzing method.

Key words: Spatiotemporal analysis, Geographical dynamics, Evolution behaviors, Process-oriented mining, Marine abnormal variations

中图分类号:

图1 地理时空过程语义

Fig. 1 Geographical semantics of spatiotemporal process

图2 面向过程的地理时空动态分析框架

Fig. 2 A process-oriented spatiotemporal analyzing framework of geographical objects

图3 地理时空过程图表达模型

Fig. 3 A graph-based representing model of geographical spatiotemporal process

图4 地理过程图存储模型

Fig. 4 A graph-based storing model of geographical spatiotemporal process

图5 面向过程的地理时空对象提取

Fig. 5 A process-oriented spatiotemporal extracting algorithm of geographical objects

图6 面向过程的地理时空挖掘

Fig. 6 A process-oriented spatiotemporal mining framework of geographical objects

图7 太平洋SST过程对象发生空间的强度分布图

Fig. 7 Spatial distribution of frequencies of SST process objects occurred in Pacific ocean

图8 太平洋区域SST过程对象演变结构

Fig. 8 Evolution structures of SST process objects occurred in Pacific Ocean

图9 Zone III区SST过程对象的演变行为的空间分布

Fig. 9 Spatial distribution of evolution behaviors of SST process objects occurred in Zone III

图10 EP 型 El Ni?o事件期间SST异常变化空间演变特征
发展关系省略，箭头代表SST异常对象的空间演变方向Here， the development relationship is omitted， and an arrow direction represents a spatial evolution direction of SST process object

Fig. 10 Spatial evolution characteristics of SST process object during the period of El Ni?o

图11 CP 型 El Ni?o事件期间SST异常变化空间演变特征
（a）SST异常变化过程对象的空间分布；（b）SST异常变化空间演变特征

Fig. 11 Spatial evolution characteristics of SST process object during the period of CP El Ni?o
（a） Spatial distribution of SST process objects；（b） Spatialevolution characteristics of a given SST process object

1	YUAN M， MARK D M， EGENHOFER M J， et al. Extensions to geographic representation： a research agenda for geographic information science［M］. Boca Raton： CRC Press， 2004： 129-156.
2	YU M， YANG C， JIN B. A framework for natural phenomena movement tracking-using 4D dust simulation as an example［J］. Computers & Geosciences， 2018， 121： 53-66.
3	XUE C， WU C， LIU J， et al. A novel process-oriented graph storage for dynamic geographic phenomena［J］. International Journal of Geo-Information， 2019， 8： 100.
4	ZHOU C， SU F， PEI T， et al. COVID-19： challenges to GIS with big data［J］. Geography and Sustainability， 2020， 1（1）： 77-87.
5	GONG Jianya. Object-oriented spatio-temporal data model in GIS［J］. Acta Geodaetica et Cartographica Sinica， 1997， 26（4）： 10-19.
	龚健雅. GIS中面向对象时空数据模型［J］.测绘学报，1997，26（4）：10-19.
6	KJENSTAD K. On the integration of object-based models and field-based models in GIS［J］. International Journal of Geographical Information Science， 2006， 20（5）： 491-509.
7	DODGE S， ROBERT W B， SEAN C A， et al. Analysis of movement data［J］. International Journal of Geographical Information Science， 2016， 30（5）： 825-834.
8	DODGE S. A data science framework for movement［J］. Geographical Analysis， 2019. DOI： 10.m/gean.12212.
9	YU M， BAMBACUS M， CERVONE G， et al. Spatiotemporal event detection： a review［J］. International Journal of Digital Earth， 2020， 1： 1-27.
10	WU Qunyong， SUN Mei， CUI Lei. Overview of research on spatio-temporal data model［J］. Advances in Earth Science， 2016， 31（10）： 1 001-1 011.
	邬群勇，孙梅，崔磊.时空数据模型研究综述［J］.地球科学进展，2016，31（10）：1 001-1 011.
11	YANG J， GONG P， FU R， et al. The role of satellite remote sensing in climate change studies［J］. Nature Climate Change， 2013， 3（11）： 875-883.
12	FERREIRA K R， CAMARA G， MIGUEL A， et al. An algebra for spatiotemporal data： from observations to events［J］. Transactions in GIS， 2014， 18（2）： 253-269.
13	FERREIRA L N， VEGA-OLIVEROS D A， COTACALLPA M， et al. Spatiotemporal data analysis with chronological networks［J］. Nature Communications， 2020， 11（1）： 4036.
14	CHENG Changxiu， SHI Peijun， SONG Changqing， et al. Geographic big data provides new opportunities for geographic complexity research［J］. Acta Geographica Sinica， 2018， 73（8）： 1 397-1 406.
	程昌秀，史培军，宋长青，等.地理大数据为地理复杂性研究提供新机遇［J］.地理学报，2018， 73（8）： 1 397-1 406.
15	XUE C， DONG Q， XIE J. Marine spatio-temporal process semantics and its applications-taking the El Niño southern oscilation process and chinese rainfall anomaly as an example［J］. Acta Oceanologica Sinica， 2012，31（2）： 16-24.
16	YI J， DU Y， LIANG F， et al. A representation framework for studying spatiotemporal changes and interactions of dynamic geographic phenomena［J］. International Journal of Geographical Information Science， 2014， 28（5）： 1 010-1 027.
17	SU Fenzhen， ZHOU Chenghu. Framework foundation and prototype construction of process geographic information system［J］. Geographical Research， 2006， 3（3）： 477-484.
	苏奋振，周成虎.过程地理信息系统框架基础与原型构建［J］.地理研究，2006，3（3）：477-484.
18	ZHU R， ERIC G， WONG M. Object-oriented tracking of the dynamic behavior of urban heat islands［J］. International Journal of Geographical Information Science， 2017， 31（2）： 405-424.
19	Gong J， Ge J， Chen Z. Real-time GIS data model and sensor web service platform for environmental data management［J］. International Journal of Health Geographics， 2015， 14： 2.
20	ZHU Jie， ZHANG Hongjun. Modeling of the temporal and spatial process of battlefield geographical environment oriented to simulation events［J］. Geomatics and Information Science of Wuhan University， 2020， 45（9）： 1 367-1 377.
	朱杰，张宏军.面向仿真事件的战场地理环境时空过程建模［J］.武汉大学学报：信息科学版，2020，45（9）：1 367-1 377.
21	MENG Lingkui， ZHAO Chunyu， LIN Zhiyong， et al. Research and implementation of spatio-temporal data model based on time-varying sequence of geographical events［J］. Geomatics and Information Science of Wuhan University， 2003， 28（2）： 202-207.
	孟令奎，赵春宇，林志勇，等.基于地理事件时变序列的时空数据模型研究与实现［J］. 武汉大学学报：信息科学版，2003，28（2）：202-207.
22	WORBOYS M F. Event-oriented approaches to geographic phenomena［J］. International Journal of Geographical Information Science， 2005， 19（1）： 1-28.
23	MCHLNTOSH J， YUAN M. Assessing similarity of geographic processes and events［J］. Transaction in GIS，2005， 9（2）： 223-245.
24	PEUQUET D J， DUAN N. An Event-based Spatio-Temporal Data Model （ESTDM） for temporal analysis of geographical data ［J］. International Journal of Geographical Information Systems， 1995， 9（1）： 7-24.
25	LIN Guangfa， FENG Xuezhi， WANG Lei， et al. Event-oriented object-oriented spatio-temporal data model［J］. Acta Geodaetica et Cartographica Sinica， 2002（1）： 71-76
	林广发，冯学智，王雷，等.以事件为核心的面向对象时空数据模型［J］.测绘学报，2002， 31（1）：71-76.
26	DU Yunyan， YI Jiawei， XUE Cunjin， et al. Geographic event modeling and analysis supported by multi-source geographic big data［J］. Acta Geographica Sinica， 2021，76（11）：2 853- 2 866.
	杜云艳，易嘉伟，薛存金，等.多源地理大数据支撑下的地理事件建模与分析［J］.地理学报， 2021，76（11）：2 853- 2 866.
27	REITSMA F， ALBRECHT J. Implementing a new data model for simulating processes［J］. International Journal of Geographical Information Science， 2005， 19（10）： 1 073-1 090.
28	XUE Cunjin， ZHOU Chenghu， SU Fenzhen， et al. Research on process-oriented spatio-temporal data model［J］. Acta Geodaetica et Cartographica Sinica， 2010， 39（1）： 95-101.
	薛存金，周成虎，苏奋振，等.面向过程的时空数据模型研究［J］.测绘学报，2010，39（1）： 95-101.
29	YUAN M. Representing complex geographic phenomena in GIS［J］. Cartography & Geographic Information Science， 2001， 28（2）： 83-96.
30	YUAN M， MCINTOSH J. GIS representation for visualizing and mining geographic dynamics［J］. Transaction in GIS， 2003， 2（3）： 3-10.
31	SIABATO W， CLARAMUNT C， ILARRI S， et al. A survey of modelling trends in temporal GIS［J］. ACM Computing Surveys， 2018， 51（2）： 1-41.
32	RAHIMI S， MOORE A B， WHIGHAM P A. Beyond objects in space-time： towards a movement analysis framework with 'How' and 'Why' elements［J］. International Journal of Geo-Information， 2021， 10（3）： 190.
33	MONDO G D， RODRIGUEZ M A， CLARAMUNT C， et al. Modelling consistency of spatio-temporal graphs［J］. Data & Knowledge Engineering， 2013， 84（1）： 59-80.
34	POKORNY J. Graph Databases： their power and limitations［C］// Springer International Publishing. Germany： Springer International Publishing， 2015.
35	ROBINSIN I， WEBBER J， EIFREM E. Graph Database［M］. 2nd， edition. Sebastopol， CA， USA： O'Reilly Media， 2015.
36	Thibaud RÉMY，GÉRALDINE del Mondo，THIERRY Garlan，et al. A spatio-temporalgraph model for marine dune dynamics analysis and representation［J］. Transactions in GIS，2013，17（5）：742-762.
37	YI J， DU Y， WANG D， et al. Tracking the evolution processes and behaviors of mesoscale eddies in the South China Sea： a global nearest neighbor filter approach［J］. Acta Oceanologica Sinica， 2017， 36（11）： 27-37.
38	WANG H， DU Y， YI J， et al. Mining evolution patterns from complex trajectory structures—a case study of mesoscale eddies in the South China Sea［J］. International Journal of Geo-Information， 2020， 9（7）： 441.
39	BALAGUER A， RUIZ L A， HERMOSILLA T， et al. Definition of a comprehensive set of texture semivariogram features and their evaluation for object-oriented image classification［J］. Computers & Geosciences， 2010， 36（2）： 231-240.
40	XUE C， DONG Q， QIN L. A cluster-based method for marine sensitive object extraction and representation［J］. Journal of Ocean University of China， 2015， 14（4）： 612-620.
41	LIU J， XUE C， HE Y， et al. Dual-constraint spatiotemporal clustering approach for exploring marine anomaly patterns using remote sensing products［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2018， 11（11）： 3 963-3 976.
42	LI L， XU Y， XUE C， et al. A process-oriented approach to identify evolutions of sea surface temperature anomalies with a time-series of a raster dataset［J］. International Journal of Geo-Information， 2021， 10： 500.
43	XUE C， LIU J， YANG G， et al. A process-oriented method for tracking process-objects with a time-series of raster datasets［J］. Applied Sciences， 2019， 9（12）： 2 468.
44	DIXON M， WIENER G. TITAN： Thunderstorm Identification， Tracking， Analysis， and Nowcasting—a radar-based methodology［J］. Journal of Atmospheric and Oceanic Technology， 1993， 10（6）： 785-797.
45	FIOLLEAU T， RÉMY R. An algorithm for the detection and tracking of tropical mesoscale convective systems using infrared images from geostationary satellite［J］. IEEE Transactions on Geoscience & Remote Sensing， 2013， 51（7）： 4 302-4 315.
46	LIU W， LI X， RAHN D A. Storm event representation and analysis based on a directed spatiotemporal graph model［J］. International Journal of Geographical Information Science， 2016，30（5）： 948-969.
47	MUÑOZ C， WANG L， WILLEMS P. Enhanced object-based tracking algorithm for convective rainstorms and cells［J］. Atmospheric Research， 2018， 201： 144-158.
48	WANG H， DU Y， YI J， et al. A new method for measuring topological structure similarity between complex trajectories［J］. IEEE Transactions on Knowledge and Data Engineering， 2019， 31： 1 836-1 848.
49	YU M， YANG C. A 3D multi-threshold， region-growing algorithm for identifying dust storm features from model simulations［J］. International Journal of Geographical Information Science， 2017， 31（5）： 939-961.
50	KHIALI L， IENCO D， TEISSEIRE M. Object-oriented satellite image time series analysis using a graph-based representation［J］. Ecological Informatics， 2018， 43： 52-64.
51	KHIALI L， NDIATH M， ALLEAUME S， et al. Detection of spatio-temporal evolutions on multi-annual satellite image time series： a clustering-based approach［J］. International Journal of Applied Earth Observation and Geoinformation， 2019， 74： 103-119.
52	HUSSAIN M， CHEN D， CHENG A， et al. Change detection from remotely sensed images： from pixel-based to object-based approaches［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2013， 80： 91-106.
53	XU T， MA T， ZHOU C， et al. Characterizing spatio-temporal dynamics of urbanization in China using time series of DMSP/OLS night light data［J］. Remote Sensing， 2014， 6（8）： 7 708-7 731.
54	LIU J， XUE C， QING D， et al. A process-oriented spatiotemporal clustering method for complex trajectories of dynamic geographic phenomena［J］. IEEE Access， 2019， 7： 155 951-155 964.
55	XUE C， SONG W， QIN L， et al. A spatiotemporal mining framework for abnormal association patterns in marine environments with a time series of remote sensing images［J］. International Journal of Applied Earth Observations & Geoinformation， 2015， 38： 105-114.
56	HE Z， DENG M， CAI J， et al. Mining spatiotemporal association patterns from complex geographic phenomena［J］. International Journal of Geographical Information Science， 2020， 34（6）： 1 162-1 187.
57	DODGE S， SONG G， MARTIN T， et al. Progress in computational movement analysis-towards movement data science［J］. International Journal of Geographical Information Science， 2020， 34（12）： 2 395-2 400.
58	PEI Tao， LIU Yaxi， GUO Sihui， et al. The essence of geographic big data mining［J］. Acta Geographica Sinica， 2019， 74（3）： 586-598.
	裴韬，刘亚溪，郭思慧，等.地理大数据挖掘的本质［J］.地理学报， 2019，74（3）：586-598.
59	MAKROGIANNIS S， ECONOMOU G， FOTOPOULOS S. A region dissimilarity relation that combines feature-space and spatial information for color image segmentation［J］. IEEE Transaction on Systems， Man， and Cybernetics， 2005， 35（1）： 44-53.
60	ESAIAS W E， IVERSON R L， TURPLE K. Ocean province classification using ocean colour data： observing biological signatures of variations in physical dynamics［J］. Global Change Biology， 2000， 6： 39-55.
61	LI Deren， ZHANG Liangpei， XIA Guisong. Remote sensing big data automatic analysis and data mining［J］. Acta Geodaetica et Cartographica Sinica， 2014， 43（12）： 1 211-1 216.
	李德仁，张良培，夏桂松.遥感大数据自动分析与数据挖掘［J］.测绘学报， 2014，43（12）：1 211-1 216.
62	DENG Min， LIU Qiliang， WANG Jiaqiu， et al. A universal method of spatio-temporal cluster analysis［J］. Scientia Sinica Informationis， 2012， 42 （1）： 111-124.
	邓敏，刘启亮，王佳璆，等.时空聚类分析的普适性方法［J］.中国科学：信息科学，2012，42 （1）：111-124.
63	JI Genlin， ZHAO Bin. Overview of big data-oriented spatio-temporal mining［J］. Journal of Nanjing Normal University（Natural Science Edition）， 2014， 37（1）： 1-7.
	吉根林，赵斌. 面向大数据的时空挖掘综述［J］. 南京师大学报：自然科学版，2014，37（1）：1-7.
64	ESTER M， KRIEGEL H P， JIIRG S， et al. A density based algorithm for discovering clusters in large spatial databases［C］// Proceedings of international conference on knowledge discovery & data mining. Germany： Institute for Computer Science of University of Munich， 1996.
65	PEI T， ZHOU C， ZHU A， et al. Windowed nearest neighbor method for mining spatio-temporal clusters in the presence of noise［J］. International Journal of Geographical Information Science， 2010， 24（6）： 925-948.
66	MCGUIRE M P， JANEIA V P， GANGOPADHVAY A. Mining trajectories of moving dynamic spatio-temporal regions in sensor datasets［J］. Data Mining and Knowledge Discovery， 2014， 28（4）： 961-1 003.
67	LIU Q， DENG M， BI J， et al. A novel method for discovering spatio-temporal clusters of different sizes， shapes， and densities in the presence of noise［J］. International Journal of Digital Earth， 2014， 7（2）： 138-157.
68	LEE J， LEE Y. A knowledge discovery framework for spatiotemporal data mining［J］. International Journal of Information Processing Systems， 2006， 2（2）： 124-129.
69	BERTOLOTTO M， DIMARTINO S， FERRUCCI F， et al. Towards a framework for mining and analysing spatio-temporal datasets［J］. International Journal of Geographical Information Science， 2007， 21（8）： 895-906.
70	KUMAR V. Discovery of patterns in global Earth science data using data mining［J］. Lecture Notes in Computer Science， 2010， 2： 6118.
71	RAO K V， GOVARDHAN A， RAO K V. An object-oriented modeling and implementation of spatio-temporal knowledge discovery system［J］. International Journal of Computer Science & Information Technology， 2011， 3（2）： 61-76.
72	AGRAWAL R， SRIKANT R. Fast algorithms for mining association rules［C］// Proceeding of the 20th international conference on very large databases. Santiago de Chile： Morgan Kaufmann， 1994.
73	HAN J， PEI J， YIN Y. Mining frequent patterns without candidate generation［C］//Proceedings of the 2000 ACM SIGMOD international conference on management of data. Dallas， Texas， USA： ACM， 2000.
74	KE Y P， CHEN G J， Ng W. An information-theoretic approach to quantitative association rule mining［J］. Knowledge Information Systeml， 2008， 16（2）： 213-244.
75	XUE C， SONG W， QIN L， et al. A mutual-information-based mining method for marine abnormal association rules［J］. Computers & Geosciences， 2015， 76： 121-129.
76	MCPHADEN M J， ZEBIAK S E， GLANTZ M H. ENSO as an integrating concept in Earth science［J］. Science， 2006， 314 （5 806）： 1 740-1 745.
77	SONG W， DONG Q， XUE C. A classified El Niño index using AVHRR remote-sensing SST data［J］. International Journal of Remote Sensing， 2016， 37（2）： 403-417.
78	WANG M， GUAN Z， JIN D. Two new sea surface temperature anomalies indices for capturing the eastern and central equatorial Pacific type El Niño-Southern Oscillation events during boreal summer［J］. International Journal of Climatology， 2018， 38： 4 066-4 076.
79	ZHANG Z， REN B， ZHENG J. A unified complex index to characterize two types of ENSO simultaneously［J］. Scientific Reports， 2019， 9（1）： 8373.
80	LEE T， MCPHADEN M J. Increasing intensity of El Niño in the central-equatorial Pacific［J］. Geophysical Research Letters， 2010， 37（14）. DOI 10.1024/20106L044007.
81	ISHII M， SHOUJI A， SUGIMOTO S， et al. Objective analyses of sea-surface temperature and marine meteorological variables for the 20th century using ICOADS and the Kobe collection［J］. International Journal of Climatology， 2005， 25（7）： 865-879.
82	WOLTER K， TIMLIN M S. El Niño/Southern Oscillation behavior since 1871 as diagnosed in an extended multivariate ENSO index （MEI.ext）［J］. International Journal of Climatology， 2011， 31（7）： 1 074-1 087.
83	KAO H Y， YU J. Contrasting eastern-Paciﬁc and central-Paciﬁc types of ENSO［J］. Journal of Climate， 2009， 22 （3）： 615-632.
84	XIANG B， WANG B， LI T. A new paradigm for the predominance of standing central pacific warming after the late 1990s［J］. Climate Dynamics， 2013， 41（2）： 327-340.

[1]	范小杉. 国际社会对生态系统服务研究误区的研讨综述[J]. 地球科学进展, 2021, 36(6): 616-624.
[2]	王飞, 陶宇, 欧维新. 景观格局变化的水质净化服务响应关系研究进展[J]. 地球科学进展, 2021, 36(1): 17-28.
[3]	于德永,郝蕊芳. 生态系统服务研究进展与展望[J]. 地球科学进展, 2020, 35(8): 804-815.
[4]	马学成, 巩杰, 柳冬青, 张金茜. 社会生态系统研究态势:文献计量分析视角[J]. 地球科学进展, 2018, 33(4): 435-444.
[5]	吴绍洪, 高江波, 戴尔阜, 赵东升, 尹云鹤, 杨琳, 郑景云, 潘韬, 杨勤业. 中国陆地表层自然地域系统动态研究:思路与方案[J]. 地球科学进展, 2017, 32(6): 569-576.
[6]	张莉, 王金满, 刘涛. 露天煤矿区受损土地景观重塑与再造的研究进展[J]. 地球科学进展, 2016, 31(12): 1235-1246.
[7]	戴尔阜, 王晓莉, 朱建佳, 高江波. 生态系统服务权衡/协同研究进展与趋势展望[J]. 地球科学进展, 2015, 30(11): 1250-1259.
[8]	彭建, 吕慧玲, 刘焱序, 陈昕, 胡晓旭. 国内外多功能景观研究进展与展望[J]. 地球科学进展, 2015, 30(4): 465-476.
[9]	彭建, 刘焱序, 潘雅婧, 赵志强, 宋治清, 王仰麟. 基于景观格局—过程的城市自然灾害生态风险研究：回顾与展望[J]. 地球科学进展, 2014, 29(10): 1186-1196.
[10]	傅伯杰,徐延达,吕一河. 景观格局与水土流失的尺度特征与耦合方法[J]. 地球科学进展, 2010, 25(7): 673-681.
[11]	刘睿文,吴殿廷,吴巧新. 中国近现代地理学发展脉络研究——基于《地理学报》学术论文的统计分析[J]. 地球科学进展, 2006, 21(9): 938-947.
[12]	何春阳,陈晋,史培军,于章涛. 基于CA的城市空间动态模型研究[J]. 地球科学进展, 2002, 17(2): 188-194.
[13]	贾玉连,施雅风,曹建廷,范云崎. 40~30 ka BP期间高湖面稳定存在时青藏高原西南部封闭流域的古降水量研究[J]. 地球科学进展, 2001, 16(3): 346-351.
[14]	王文，谢志仁. 从史料记载看中国历史时期海面波动[J]. 地球科学进展, 2001, 16(2): 272-278.
[15]	宋长青,冷疏影,吕克解. 地理学在全球变化研究中的学科地位及重要作用[J]. 地球科学进展, 2000, 15(3): 318-320.

阅读次数

全文

摘要