时空行为检测,时空数据分析
自研算法再立功 OPPO CVPR 2021获多项佳绩
【PChome手机频道资讯报道】 全球顶级的计算机视觉及人工智能会议CVPR 2021落下帷幕，OPPO在六大赛道共十二项赛项中取得一项第一，七项第二，四项第三的优异成绩，仅次于百度等国内第一梯队的参赛选手。据了解，本次OPPO的参赛团队来自OPPO研究院智能感知与交互研究部和OPPO美国研究所，先后在多目标行为分析、足球行为分析、长视频理解、时空行为检测、跨模态分析及人机交互识别六大赛道上取得优异的成绩。
由OPPO智能感知首席科学家郭彦东与清华学者等共同发表的《View-Guided Point Cloud Completion》论文，被本次CVPR所收录。该论文通过执行有效的跨模态和跨级别融合框架，为点云补全任务提出了一套视图引导的全新解决方案。
OPPO在多目标行为分析赛道中收获颇丰，其所应用的AI算法能准确判别、预测动物及人在复杂交互内容下的行为。目前，这项技术已经赋能OPPO智慧工厂，在这套算法的辅助下，可以避免关键生产环节的错漏错放，令自身和产线更安全。
OPPO的自研算法其实早就在OPPO手机中发挥了重要功能，在Reno6所主打的炫人像视频拍摄功能中，就是运用了OPPO自研的AI算法来实现视频美颜、美妆功能的。OPPO的算法可以基于多张2D图片对人脸的3D模型进行精准构建，模型精度与现实差距能够控制在1mm级别。运用这种算法即便是在动态视频拍摄上，也能够对人脸的模型进行精确识别，方便后续的美颜算法进行处理。
依托于这种自研算法支持，OPPO Reno6系列已经实现了635个特征点的视频识别，从而可以为用户展现出自然的美颜效果。也正是源于该算法的使用，OPPO将人像视频拍摄功能推向了一个新的赛道，让视频拍摄成为一种必备的功能支持。另外该算法也能让AR特效展现出更丰富、更自然的效果。
OPPO的AI能力已经发展到能够识别人在时空环境中的行为状态，比如在足球行为识别的功能上，就展现出非常优秀的识别表现，它可以通过比赛视频来判定包括越位、红牌等复杂赛场难题，让赛场中的判罚准确，减少视频回看的时间，加强比赛的连贯性。对于足球爱好者来说，也能通过算法支持在比赛后实时整理精集锦。
在跨模态行为分析的算法支持上，OPPO强大的AI算法仅通过视觉信息便可准确识别一段视频中人物在特定空间内发生的交谈、屈膝、走动等十余种动作。该技术未来有望广泛应用在家居场景，为家中老人、小孩、宠物带来更贴心的照料。
此外，OPPO还在时空行为定位算法也有着顶级的表现，时空行为定位算法不仅可以准确识别视频中人们的行为，还可以同步定位其所处的时间段和空间范围。这也意味着，OPPO的AI技术不仅能理解你在做什么，还可以在时空中“找到”你。
OPPO的自研AI算法有着OPPO对于市场和用户的深刻理解在其中，其在CVPR 2021的竞赛成绩也表明了OPPO的技术实力。OPPO以往的诸多自研算法已经在OPPO手机中正式商用，取得了用户的高度认可。而现在所展示的诸多AI算法，或许在不久过后就会应用到新款的OPPO手机之中。
时空伴随疫情是什么意思?
近日成都8.2万“时空伴随者”上了热搜。继成都之后郑州、长沙等地也陆续有市民收到与之相关的短信。于是，带有浪漫色的防疫新名词“时空伴随者”出现在大众面前。
所谓的时空伴随疫情指的是没有交集的陌生人因为时空重合、时空交叉、时空伴随而产生的新冠感染。举个例子说，某患者近日去过某地，而你恰好在这个时间段也去过某地，你俩并不相识，或许只是擦肩而过，都可能因为某患者而被认定为时空重合或者说是时空伴随。目前认定时空伴随者与确诊者共同出现在同一个网格内，范围是800M*800M的。共同停留时间超过10分钟，而且最近时间14天内任何一方的累计停留时间超过30小时以上的。你的绿色健康码就会变成黄码。并且会被标记为时空伴随者。而这些数据的统计和来源都是你本人的手机号码。
鉴于目前疫情的发展，为了保障大家安全的度过这个冬季，当你的手机绿色健康码转为黄码的时候，不要太过紧张，要积极配合防疫部门要求的所有检查，收到短信提示之后的72小时内做2次核酸检测。大家不要关闭网络逃避大数据的检测，为了自己和他人的健康，大家都应该积极努力的响应防疫部门的要求，听从指挥，共同渡过难关。
时空伴随者是指本人的电话号码与确诊号码在同一时空网格(范围是 800M*800M)共同停留超过 10 分钟，且最近 14 天任一方号码累计停留时长超过 30 小时以上，查出的号码为时空伴随号码。本人的绿色健康码就会变成带有警告性质的黄色码，并被系统标记为“时空伴随”者。比如，感染者 14 天内到过某地，而你这 14 天的轨迹与他有过交集，无论是身体上擦肩而过，还是通讯信号上的漂移，都可能被认定为“时空伴随”者。通俗地说，比如，感染者 14 天内到过某地，而你这 14 天的轨迹与他有过交集，无论是身体上擦肩而过，还是通讯信号上的漂移，都可能被认定为时空伴随。经系统检测出，你与确诊患者发生时空伴随，属于风险人群中的时空伴随者，健康码便会变黄码。
时空伴随者的黄码怎么转绿码呢？
转码条件为：做 2 次核酸检测，即变黄码后，具有 2 次以上间隔 24 小时核酸检测阴性报告，即可自动转绿码。
未直接接触确诊人群或未前往风险地区出现变黄的情况，只需按照相关要求做好核酸检测，待检测结果正常后上传至系统即可自动转为绿码。
目前并没有对“时空伴随者”的统一定义和管理方法。在许多地方发布的信息中，时空伴随、时空交叉、时空重合都统一作为一个名词进行解释，但各地发布的定义内容却不太统一。时空伴随者是指本人的电话号码与确诊号码在同一时空网格(范围是 800M*800M)共同停留超过 10 分钟，且最近 14 天任一方号码累计停留时长超过 30 小时以上，查出的号码为时空伴随号码。本人的绿色健康码就会变成带有警告性质的黄色码，并被系统标记为“时空伴随”者。比如，感染者 14 天内到过某地，而你这 14 天的轨迹与他有过交集，无论是身体上擦肩而过，还是通讯信号上的漂移，都可能被认定为“时空伴随”者。
通俗地说，比如，感染者 14 天内到过某地，而你这 14 天的轨迹与他有过交集，无论是身体上擦肩而过，还是通讯信号上的漂移，都可能被认定为时空伴随。经系统检测出，你与确诊患者发生时空伴随，属于风险人群中的时空伴随者，健康码便会变黄码。
时空伴随者是指有着移动对象的位置和时间的记录序列的人。
时空轨迹是移动对象的位置和时间的记录序列。作为一种重要的时空对象数据类型，时空轨迹的应用涵盖了人类行为、交通物流等诸多方面。
通过对各种时空轨迹数据进行分析，可以得到时空轨迹数据中的相似性异常特征，有助于发现其中有意义的轨迹模式。伴随模式是时空轨迹模式中的一种，在交通管理，资源分配等领域有着重要的应用。
疫情期间勤洗手和保持良好的呼吸道卫生习惯：
使用肥皂或洗手液并用流动水洗手，用一次性纸巾或干净毛巾擦手。双手接触呼吸道分泌物后（如打喷嚏后）应立即洗手。
保持良好的呼吸道卫生习惯。咳嗽或打喷嚏时，用纸巾、毛巾等遮住口鼻，咳嗽或打喷嚏后洗手，避免用手触摸眼睛、鼻或口。
时空伴随者需要隔离么
时空伴随者不需要隔离。但是需要做核酸检测。
时空伴随者是指有着移动对象的位置和时间的记录序列的人。有一定的风险，需不需要隔离要看当地防疫政策安排。
时空轨迹是移动对象的位置和时间的记录序列。作为一种重要的时空对象数据类型，时空轨迹的应用涵盖了人类行为、交通物流等诸多方面。
通过对各种时空轨迹数据进行分析，可以得到时空轨迹数据中的相似性异常特征，有助于发现其中有意义的轨迹模式。伴随模式是时空轨迹模式中的一种，在交通管理，资源分配等领域有着重要的应用。
疫情个人卫生注意：
1.处于单人办公环境下的工作人员原则上可以不佩戴口罩。处于多人办公环境下的工作人员，办公环境宽松、通风良好，且彼此间确认健康状况良好情况下可以不佩戴口罩。其它工作环境或无法确定风险的环境下应佩戴口罩，通常建议佩戴一次性使用医用口罩。
2.接触可能被污染的物品后，必须洗手，或用手消毒剂消毒。外出回到家，一定要先洗手。
3.保持环境卫生清洁，及时清理垃圾。
4.公用物品及公共接触物品或部位要加强清洗和消毒。
防疫新词“时空伴随者”到底指的是什么?
指的是本人的号码与确诊者的号码在同一时空网格共同停留超过10分钟，而且最近14天其中一人号码累计停留时长超过30小时以上，查出的号码就有此称谓。时空伴随者是指在长时间的一个潜伏过程当中，无症状感染者在低风险地区活动而造成的一个感染的过程，在此期间病毒会有一定的存活能力。会感染人群。指的是本人电话和确诊号码在同一时空网络共同停留过10分钟，且某一个号码累计停留时长为30小时以上。
时空阳性什么意思
时空阳性是这样的意思，时空伴随号码是指与确诊病例阳性检测者在同一个时空网络，也就是800米乘以800米的范围内共同停留10分钟的时间以上。
什么是时空伴随者?
时空伴随者是指和确诊号码在同一时空网格，在800米*800米的范围之内，共同停留超过10分钟，且最近14天任一号码累计停留时间超过30小时以上，这样的号码就是时空伴随号码。
时空伴随者概念是怎么出现的？
疫情自2020年爆发，一直不断，期间也出现很多新的概念词汇，像密切接触者，想必很多人都听过，也都知道大概什么意思。最近又出现了一个新的防疫概念词汇，叫”时空伴随者“。
自四川成都发现本土病例后，利用大数据和信息资源，精准摸排病例活动轨迹，对于重叠人员开展全面排查，发现8.2万人存在时空伴随风险。
自11月3日开始，四川成都向此类风险人群发送提示短信，其中就出现了新名词——时空伴随者，瞬间引发网友热议，有网友还借助歌词说成都把浪漫发挥到了极致。
什么是时空伴随者？
据专业媒体介绍，时空伴随者是指本人的电话号码，被防疫系统检测出和确诊病例的关联电话号码在同一时空网格（800米*800米的范围）共同停留时间超过 10 分钟，且最近14 天任一号码累计停留时长超过30小时，这样的号码是时空伴随号码。此时，本人的绿色健康码就会变成警告性质的黄色码，并被标记为"时空伴随"者。
举个例子大家就明白了，某感染确定者14 天内到过某地，而你在这14 天内的轨迹和他重叠过，不管是身体上的接触，还是通讯信号上，你们都在同一时空出现过，这样的人员就可能会被定为"时空伴随者"。
时空伴随者和收到提示短信的人员该怎么做？
上面我们也提到，如果被定义为时空伴随者绿色健康码会变成黄色健康码，此时不要慌，向社区报备，然后在3天内做2次间隔24小时以上的核酸检测，得到检测结果为阴性后，黄码会自动转绿码。
收到提示短信的，向居住地社区、居委会报备，接着到相应的核酸检测机构进行核酸检测，也是在3天内进行间隔24小时以上的2次核酸检测，得到阴性结果前，待在家中不要外出，阴性结果出来后，黄码会自动转绿码。
其他防疫词汇
密切接触者
是指和疑似病例、确诊病例症状出现前2天开始，或无症状感染者标本采样前2天开始，与其有近距离接触（1米内），且没有进行有效防护的人员。
比如共同生活的家庭成员，在车间、班组、电梯、食堂等同场所近距离接触的人员，在密闭空间共餐、娱乐及提供服务的人员等等。另外，疾控专家还指出，高铁整节车厢、飞机前后三排乘客，都属于这个范畴。
次密切接触者
在密接者和确诊病例、无症状感染者首次接触至密接者被隔离前，和密接者共同生活、工作、聚餐等近距离接触，但没有采取有效防护措施的人员。其中，和密接者接触较频繁的家人和同事作为重点人群。
一般接触者
是指和疑似病例、确诊病例、无症状感染者乘坐同一交通工具过程中有过接触，以及共同暴露在商场、公交车站、地铁等公共场所的人员，但不符合密切接触者原则的人员。
疫情防控，人人有责。大家要时刻铭记疫情还在，切不可掉以轻心，提高防护意识，并严格遵守防疫措施。牢记“戴口罩、勤洗手、少出门、不扎堆、不聚集”的习惯。同时，不信谣，不传谣，从正规渠道了解疫情相关信息。中国加油！
时空伴随者是指有着移动对象的位置和时间的记录序列的人。时空轨迹是移动对象的位置和时间的记录序列。作为一种重要的时空对象数据类型，时空轨迹的应用涵盖了人类行为、交通物流等诸多方面。
通过对各种时空轨迹数据进行分析，可以得到时空轨迹数据中的相似性异常特征，有助于发现其中有意义的轨迹模式。伴随模式是时空轨迹模式中的一种，在交通管理，资源分配等领域有着重要的应用。
时空轨迹的定义
时空轨迹是移动对象的位置和时间的记录序列。简单来说，时空轨迹是时间到空间的映射，假设由一个以时间为自变量的连续函数o表示，当给定某一个时刻t(t∈R)时，通过该函数可以得到t时刻该对象所处的d维空间R (一般是二维或者三维空间)中的位置。
从定义中可以看出时空轨迹是连续的，但由于硬件的限制及其他原因，通常时空轨迹的采样点是离散的，因而通常时空轨迹也是以离散的方式表示。
在二维空间中，以T={(x1,y1,t1), (x2,y2,t2)… (xn,yn,tn)}为例，式中T代表一条轨迹，序列中每个(d+1)元组(xn,yn,tn)表示对象在tn时刻一个采样点，(xn,yn)表示对象在2维空间中的位置。时空伴随者，指本人的电话号码与确诊号码在同一时空网格（范围是800M*800M）共同停留超过10分钟，且最近14天任一方号码累计停留时长超过30小时以上，查出的号码为时空伴随号码。
本人的绿色健康码就会变成带有警告性质的黄色码，并被系统标记为“时空伴随”者。比如，感染者14天内到过某地，而你这14天的轨迹与他有过交集，无论是身体上擦肩而过，还是通讯信号上的漂移，都可能被认定为“时空伴随者”。
正确做法：
健康码黄码人员和收到成都市、市疾控中心短信提醒的时空伴随风险人员应立即向社区报备，并在3天内进行2次核酸检测，2次核酸检测间隔应在24小时以上，获得核酸阴性结果前请居家，不要外出
经常看电影里面时空穿梭,这种现象可以用科学解释的通吗?
经常看电影里面时空穿梭，这种现象可以用科学解释的通吗？人类虽然也是自然界创造出来的性命，可是人们不仅局限于地球上，不仅局限于太阳系行星。在他们日常生活之中有很多的科学合理，像这样的如今专家依然无法解释背后的原因，也正因为这般，大家才能疯狂研究大自然的秘密和宇宙空间浩瀚无边缘故。现在很多科幻片之中的时空旅行，那将来这种技术性极有可能会完成，可是目前来看是没有办法，。
一、科幻片中的桥段全部都是人们凭着想像得出来的界面。
前提第1点是在很多奇幻小说和科幻片中，人们通常就会发现很多的人，她们都可以做到穿梭时空，但也正因为这般，和电影小说情节也是根据或紧紧围绕穿梭时空来继写人力的行为。可是时空旅行这一现况来看的话，在当前人们依然无法达到的，由于人们现在还没有这样的一个设备可以实现这种基本原理。说在未来人有可能会完成，但是也有不可能的事情会出现。
二、时空旅行背当然社会道德。
时空旅行有一些违反大自然时光基本原理，因为时间这是一个相对稳定的值，当人们可以任意歪曲足够的时间，那对于自然界来毫无疑问会损害它标准，所以这样的一个个人行为来看的话，一定是无法得到大自然认同。所以当人们以后研制出这种产品，或是能够实现时空旅行，可是自然界是否会这般，这要看自然界自身，它对于这件事情的对待。
三、违反量子科学大道理。
最终1点是这样的操作，还有可能违反量子科技基本原理，毕竟在很多专家觉得时空旅行这根本就是摆脱针对时间与空间的一种限定，并且对于量子科技而言毫无疑问会损害它们。
目前科学没有达到这种地步，是没有办法了解到时空穿梭的具体情况的。电影里面的时空穿梭在科学世界里，是可以解释清楚的，就像是科学传送门一样。海洋数据时空特征分析
如上所述的海洋数据的总体特征，从GIS的角度来看，还有着其独特的时空特征。相对于陆地数据来讲，海洋数据普遍存在着非常典型的真三维和时刻变动的特点。
2.1.4.1 海洋数据的空间类型复杂
海洋数据的空间类型相比陆地数据的复杂性主要体现在:海洋是个真三维的环境。这就使处理海洋空间问题必然要涉及3个空间坐标的问题，而不再像陆地上那样，在很多情况下只需要处理2个平面坐标。值得重视的是，第3个空间坐标的出现，不是简单意义上的增加1个坐标。即使是只考虑空间数据的存储，按照这种2:3的线性比例来看，可能新出现需要考虑和处理的空间情况也会多增加一半，而实际情况则是在更多方面，如三维的可视化等，会增加更多的麻烦。
如图2.1所示，通过对国际流行的商业化GIS和数据库软件所采用的数据模型的对比研究，得出常用GIS系统的数据组织与管理模型。数据首先被分解成空间数据和属性数据两大类，属性数据与空间数据分开存储管理，其中属性数据用SQLServer等关系数据管理系统管理，空间数据用文件或关系数据库方式管理。空间数据的存储格式包括矢量、栅格、图像和多维表格等。此外，所谓的对象数据，则经常采用空间数据和属性数据并置的方式进行存储与管理。
对于二维数据(包括含高程的二维数据)，这种组织方式已经在无数个实例验证了它的成功，因此对它的效率和可靠度毋庸置疑。
但是目前需要处理的海洋数据，是一种真三维的数据，那么空间数据如果用关系表组织的话，就多出很大的数据量，因为原先是二维空间结构的，现在需要在二维的基础上再叠加一维，如果数据关系表设计不周到，必然会造成数据的极大冗余。数据的文件式存储暂时也许会是个更好的选择，但是需要重新制定新的文件格式，以提高三维空间数据存放的效率。
图2.1 GIS系统中常用的数据组织和管理模型
2.1.4.2 海洋数据的时间类型复杂
与增加了第三维空间数据相比，海洋数据新增加的时间类型则要更加突出。这是因为，在常用的陆地GIS系统中，一般都不考虑或极少考虑到数据的时间变动问题，而在海洋数据中，这种情况恰好相反，时间不再作为一种属性数据的形式出现，而是成为完全并列于空间数据的重要类型之一，在多数时候，它的重要性不亚于任何一维的空间数据。
如图2.2所示，既然有了新的时间类型数据，必须给它赋予一个合理的重要位置，与空间数据的位置同等重要，或者至少也要比一般的属性数据更加重要。
同时，海洋数据的时间类型具有多种样式，类比于空间数据的存储格式，时间数据也有所谓的“矢量”、“栅格”、“图表”等，用更加标准的语言描述，应该是“时刻”、“时段”、“过程”等。时刻指精确到一定精度的时间节点，例如对于一般海洋常规调查的海流测量，精确到分钟的时间精度已经可以作为一个时刻出现。时段指一定时间区间内的所有结果，即具有一定的起始时刻和结束时刻，在这个时间区间中的数据都属于该时段。实际上，一个时段的平均结果或代表性效果，在更大的时间尺度上，可以作为时刻出现，例如以每月的水温测量平均值作为当月的代表，在全年的水温序列中，它仅仅是一个时间点而已。过程定义成时刻或者时段的序列。
用时间和空间做个类比:单个时刻的数据相当于空间“矢量”数据中的点;单个时段的数据相当于空间“栅格”数据中的一个像素;时刻(或时段)的不规则序列，相当于空间“矢量”数据中的线;如果时刻(或时段)的序列是规则间隔的，并且时刻序列间的时间空隙是可以忽略的，那么该过程就相当于空间数据中的“栅格”数据。仅有时间概念的话，无法组成面，因此这里没有“矢量”数据的面，所谓的“栅格”数据也只是指栅格线而已。
这样，就可以重新勾勒一下海洋数据的常用组织方法和管理模型的概念框架了(图2.2)。其中，空间数据已经被时空数据全面代替，需要处理的同时包含时间和空间的数据类型。关于时空拓扑的研究，目前并没有取得较大的进展，并且考虑到这种研究如果和具体的专业(如物理海洋学)结合，将专业理论、技术和方法融入到拓扑关系研究中，会更加合适。
图2.2 海洋数据的时空组织和管理模型
2.1.4.3 海洋数据的属性数据
海洋数据的属性数据，可以分为海洋要素数据和海洋现象数据两大类，前者是海洋调查的真实测量数据，后者则是理论抽象的数据。海洋要素经常是以场的形式出现的，海洋场表现为海洋要素的连续场分布，海洋场是海洋和海洋科学的基本特点。
而关于欧拉方式和拉格朗日方式是物理海洋科学研究中的两种基本表达方式。在海洋地理信息系统中，这两种方式对于解决海洋数据，更重要的是海洋现象(如海流)的问题，具有非常重要的启发意义。其中，欧拉方式更多的是体现了一种欧拉场的表达方式，在空间场的范畴下建立海洋要素场，从而进一步揭示更多的海洋现象。例如，海洋水团的研究，则主要是从海洋要素场入手来分析水团的生消变化。在海洋地理信息系统中，这样的海洋现象应该更容易用欧拉方式来表达。而拉格朗日方式则有所不同，在拉格朗日表达方式中，场的概念被弱化了，但是海洋现象的空间位置变动成为一种更易于表现。例如，海流可以用欧拉方式表达为流场，但是持续的海流更应该用拉格朗日方式来表达，拉格朗日方式的海流在更多的时候更能体现海流研究中的很多精华，起到欧拉方式所难以达到的表达效果。
如前所述，所谓海洋现象，是指在对海洋场的分析和研究基础上，物理要素的特殊空间和时间分布规律的总称。一种海洋现象，外在表现上必然对应着某个或某些物理要素的特殊分布。所以，海洋动力学现象是其中的重点。某些海洋现象，其本身或许不发生明显的动力学变化，但是动力学的变化却必然影响和制约着其随后的发展变化。所以说，海洋动力学现象是海洋要素场的重点。
显然，海洋要素场和海洋现象概念既有联系，又有区别，经常需要在对象与场之间进行概念切换。它们的关系主要体现在:海洋场是海洋科学研究的基本对象，海洋现象相对于海洋场来说，实际上是海洋场的特征表达和概念提炼。从数学的空间变换角度看，对应着场域到局部域的变换。从对象视图到场视图的转换或逆过程，可以用特征函数(对象到场)或反函数(场到对象)建立。但是有时海洋现象也有其特殊性，不能仅仅用这种变换就能够完全解决问题。例如，基于拉格朗日描述方法的海洋现象就是另外一种思路。所以，海洋场的表达目前基本上只局限于欧拉方式下，对于基于拉格朗日的海洋现象的表达需要采用新的表达方法，如采用时空“矢量”方式来处理。
基于拉格朗日描述的海洋动力学，它在监测和预报海洋环境污染方面的特殊地位，因此一直受到广泛重视。例如，海域内污染物质(如油膜)的漂移可以认为是一种拉格朗日形式的运动。简单地说，海水的流线场才真正代表了污染物质的运动特征，海水的运动轨迹场才真正代表了污染物质可能造成的危害。认识到这一点，就可以发现它在应用层次上所具有的特殊意义。
如上所述，海洋数据有时也称为海洋时空数据，它具有三个基本特征，即时间、空间和属性特征。这也是地理信息系统处理地理空间数据的一般方法。
2.1.4.4 时空数据的复杂性
相比于一般地理数据，海洋数据的时间特性和空间三维特性使得海洋地理信息时刻面对时空数据的复杂性问题，尤其是海洋数据的组织、存储和管理，如何对时间和空间重新组合，从而在原有的二维空间图层的概念上增加新的数据类型是一个重要的基本问题。
海洋时空数据除了在数量上具有大小的概念之外，在时空尺度问题上也遵循海洋科学固有的规律，因此时空数据具有自身的尺度问题和多层次问题。
2.1.4.5 海洋现象的表达
海洋要素数据的表达可以通过增加时间—空间组合的方式进行表达，但海洋现象本身还涉及海洋科学研究对海洋现象的定量化刻画问题，对此，涉及海洋地理信息系统的完整化，需要对海洋现象的基本涵义做出定量的解释，进而构建它的时空表达方式。
时空大数据名词解释
时空大数据名词解释：是指利用空间技术，以用户位置、时间信息、空间关系等数据，从中提取发现新知识或推断规律，来发现客观联系，更好地理解和解释世界的技术方法。
时空大数据的研究和应用可以跨越传统的规模和范围，其重要性在于能够利用各种外部数据源、时间序列、地理位置信息等数据，清晰地反映某个空间的地理变化过程，从而为时空分析提供了基础信息。
2020年7月，大数据战略重点实验室全国科学技术名词审定委员会研究基地收集审定的第一批108条大数据新词，报全国科学技术名词审定委员会批准，准予向社会发布试用。
在现实世界中的数据，超过80%与地理位置有关，而时空大数据则是结合时间、空间、属性三类信息而成的特殊数据，随着近年来数据的爆发，三者相关联的数据应用越来越多，发展迅速，具有多源、海量、更新快速的特点。
时空大数据标准：
时空大数据呈现出海量、多源异构、动态多变等基础特性。所有数据都是在特定的时间和空间背景中产生的，且直接或间接地被贴上时间和位置标签。
广义的大数据从本质上可以认定为与时空大数据同等属性，它是现实地理世界空间结构与空间关系要素中具有（现象）的数量、质量、时间变化特征的数据集的“总和”。
所以，时空大数据具有时间、空间、属性三个维度的信息特征，同时也具备与大数据相同的海量数据规模、快速数据流转、多样数据类型和价值密度低四大特征。