Air pollution has become a serious public health problem for many cities around the world. To find the causes of air pollution, the propagation processes of air pollutants must be studied at a large spatial scale. However, the complex and dynamic wind fields lead to highly uncertain pollutant transportation. The state-of-the-art data mining approaches cannot fully support the extensive analysis of such uncertain spatiotemporal propagation processes across multiple districts without the integration of domain knowledge. The limitation of these automated approaches motivates us to design and develop AirVis, a novel visual analytics system that assists domain experts in efficiently capturing and interpreting the uncertain propagation patterns of air pollution based on graph visualizations. Designing such a system poses three challenges: a) the extraction of propagation patterns; b) the scalability of pattern presentations; and c) the analysis of propagation processes. To address these challenges, we develop a novel pattern mining framework to model pollutant transportation and extract frequent propagation patterns efficiently from large-scale atmospheric data. Furthermore, we organize the extracted patterns hierarchically based on the minimum description length (MDL) principle and empower expert users to explore and analyze these patterns effectively on the basis of pattern topologies. We demonstrated the effectiveness of our approach through two case studies conducted with a real-world dataset and positive feedback from domain experts.

中文翻译：

---

AirVis：空气污染传播的可视化分析。

空气污染已成为世界许多城市的严重公共卫生问题。为了找到造成空气污染的原因，必须在较大的空间范围内研究空气污染物的传播过程。然而，复杂而动态的风场导致高度不确定的污染物运输。如果没有领域知识的整合，最先进的数据挖掘方法就不能完全支持对跨多个地区的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，这是一种新颖的视觉分析系统，可帮助领域专家基于图形可视化来有效地捕获和解释不确定的空气污染传播模式。设计这样的系统带来了三个挑战：a）提取传播模式；b）模式展示的可扩展性；c）传播过程的分析。为了应对这些挑战，我们开发了一种新颖的模式挖掘框架来对污染物的运输进行建模，并从大规模大气数据中有效地提取频繁传播的模式。此外，我们根据最小描述长度（MDL）原理对提取的模式进行分层组织，并授权专家用户在模式拓扑的基础上有效地探索和分析这些模式。我们通过使用真实数据集进行的两个案例研究以及领域专家的积极反馈，证明了我们方法的有效性。为了应对这些挑战，我们开发了一种新颖的模式挖掘框架来对污染物的运输进行建模，并从大规模大气数据中有效地提取频繁传播的模式。此外，我们基于最小描述长度（MDL）原理对提取的模式进行分层组织，并授权专家用户在模式拓扑的基础上有效地探索和分析这些模式。我们通过使用真实数据集进行的两个案例研究以及领域专家的积极反馈，证明了我们方法的有效性。为了应对这些挑战，我们开发了一种新颖的模式挖掘框架来对污染物的运输进行建模，并从大规模大气数据中有效地提取频繁传播的模式。此外，我们基于最小描述长度（MDL）原理对提取的模式进行分层组织，并授权专家用户在模式拓扑的基础上有效地探索和分析这些模式。我们通过使用真实数据集进行的两个案例研究以及领域专家的积极反馈，证明了我们方法的有效性。我们根据最小描述长度（MDL）原理对提取的模式进行分层组织，并授权专家用户在模式拓扑的基础上有效地探索和分析这些模式。我们通过使用真实数据集进行的两个案例研究以及领域专家的积极反馈，证明了我们方法的有效性。我们根据最小描述长度（MDL）原理对提取的模式进行分层组织，并授权专家用户在模式拓扑的基础上有效地探索和分析这些模式。我们通过使用真实数据集进行的两个案例研究以及领域专家的积极反馈，证明了我们方法的有效性。