近些年来,伴随着气象行业现代化与信息化的不断推进,如何存储以及利用海量的气象资源,从中挖掘出有用的、有价值的信息就显得尤为重要,这也是提高天气预报正确率、灾情预警及时性等多方面问题的关键所在。聚类分析是将物理或抽象的对象集合分割成由类似的对象组成的多个类簇的过程。K-Means算法是一种基于空间欧式距离进行相似度划分的聚类算法,认为欧式距离越小的两个样本对象之间的相似程度会越高。但是经典K-Means算法在处理海量数据问题时,存在的初始点随机选取、噪声点影响以及算法效率与扩展性等问题。文中首先利用“最大化最小距离“思想优化K个初始中心点的选取工作;其次针对源数据集中噪声点影响这一问题,提出了样本质心以及样本密度两个概念,用以剔除源数据集中低密度区域内的噪声点;最后将优化后的K-Means聚类算法与Hadoop平台的Map Reduce分布式编程模型相结合,以解决经典K-Means聚类算法在处理海量数据问题时存在的算法效率以及扩展性等问题。实验阶段,首先采用数据加速比(Speedup)、伸缩率(Sizeup)和扩展率(Scaleup)三种指标评价HKM聚类算法性能,然后使用Grid Analysis and Display System系统将聚类结果以图表的形式进行可视化展示。