高性能GIS研究進展及評述

1 引言

互聯(lián)網(wǎng)時代來臨，使地理信息技術得到前所未有的應用、推廣和發(fā)展，地理信息計算呈現(xiàn)出計算速度快、運行效率高、應用多樣化的發(fā)展特征。隨著計算機技術的發(fā)展，以分布式、并行化為代表的高性能計算技術正逐漸融入到地理信息領域，如何利用高性能計算的新型硬件體系結構帶來的計算性能提升，解決現(xiàn)有時空數(shù)據(jù)密集、計算密集和通訊密集問題成為 GIS 領域的熱點問題[1-4]。為此，基于并行集群計算技術等的高性能計算[5-9]，研究新一代高性能 GIS 系統(tǒng)十分重要。它可以有效地為時空大數(shù)據(jù)集存儲、可視化、空間分析和數(shù)據(jù)服務帶來新的解決方案。

高性能計算是基于一組或幾組計算機系統(tǒng)組成的集群，通過網(wǎng)絡連接組成超級計算系統(tǒng)以加強數(shù)據(jù)處理、分析計算性能的一種技術[10-12]。而高性能 GIS 則利用高性能計算的理論體系、技術架構和數(shù)據(jù)模型等對 GIS 已有的性能進行擴充和增強，從而方便、快捷地實現(xiàn)海量空間數(shù)據(jù)的高性能讀寫，使 GIS 系統(tǒng)更高效地為地理空間信息科學領域中的計算、數(shù)據(jù)、通信密集型的科學問題的解決提供技術支撐[13-17]。其高性能表現(xiàn)在：更龐雜的地理空間數(shù)據(jù)計算，更復雜、多類型的 GIS 模型與算法，處理時間更短[18-21]。

目前，主流的 3 大分布式計算系統(tǒng)包括 Ha-doop，Spark 和 Storm[22-25]。Hadoop 基于 MapReduce分布式計算框架，其核心技術在于通過分布式架構實現(xiàn)性能提升。而 GIS 空間分析常常需要對研究區(qū)進行空間劃分，進一步細劃為地貌特征更加統(tǒng)一的計算單元，利用 Hadoop 的分布式特性及 MapRe-duce 分布式存儲，可極大地提高 GIS 空間分析性能[26-27]。但由于存儲硬件條件的限制，在處理更新快速的 GIS 模型時，則稍顯不足。Spark 是另一種重要的分布式計算系統(tǒng)，它基于分布式存儲集(RDD）的概念，利用計算機內(nèi)存來存儲數(shù)據(jù)，因而具有更快速的數(shù)據(jù)讀寫功能[28]。相比于 Hadoop， Spark 的優(yōu)勢在于僅需導入一次數(shù)據(jù)即可實現(xiàn)多次迭代運算，具有更快的運行效率；缺點在于不適合處理需要長時間保存的數(shù)據(jù)，如果計算環(huán)境發(fā)生電力中斷故障，即會造成數(shù)據(jù)丟失。Storm 并不直接收集數(shù)據(jù)，而是通過網(wǎng)絡節(jié)點實現(xiàn)數(shù)據(jù)傳輸、處理。其優(yōu)勢在于處理流式數(shù)據(jù)時，無需進行數(shù)據(jù)收集和作業(yè)調(diào)度，而可以直接進行分析，更適應在線的實時GIS大數(shù)據(jù)處理[29-30]。

2 研究現(xiàn)狀

當前 GIS 發(fā)展的重要趨勢是服務化、云端一體化，亟待研發(fā)高效的高性能 GIS 關鍵技術[31-32]。其中，分布式并行技術的應用顯著提高了 GIS 空間分析效率，隨著內(nèi)存計算、高性能算法等先進技術的不斷進步，大大加速了高性能 GIS 技術體系的發(fā)展[33-34]。此外，二三維一體化也是當前 GIS 發(fā)展的一大趨勢。隨著硬件成本降低，顯卡性能提升，眾核技術的應用加速了三維 GIS 的發(fā)展[35-36]。因此，本研究將主要從高性能 GIS算法、并行GIS計算、內(nèi)存計算和眾核計算4個方面對高性能 GIS 的發(fā)展進行總結和歸納（圖1）。

2.1 高性能GIS算法

高性能技術出現(xiàn)不久，就開始應用于地理信息領域[37-39]。作為高性能并行 GIS 系統(tǒng)中的一個重要的組成部分，高性能 GIS 算法基于利用向量機和并行計算技術形成的高性能計算系統(tǒng)，對海量地理空間數(shù)據(jù)進行實時處理的空間算法，使原本難以計算的全球尺度、長時間尺度的地理空間現(xiàn)象分析模擬得以實現(xiàn)。已有許多學者開始了相關技術研究，如Turton 等[40]研究了職工上下班交通數(shù)據(jù)分析，原本在工作站需要運行 91 h的雙約束地理計算模型，在內(nèi)存共享模型中執(zhí)行并行計算后僅需 3 min，極大地提高了效率。

隨著 IT 技術的不斷進步，高性能 GIS 算法的研究主要分為2個方面：① 對已存在的高密度計算進行并行化處理，利用高性能 GIS 技術對全局性的海量時空數(shù)據(jù)進行地學分析和推演，探索構建新的空間模型等；② 探索新的空間分析方法，并不斷賦予新的內(nèi)涵。具有代表性的空間分析算法有：神經(jīng)網(wǎng)絡模型、遺傳算法模型、元胞自動機模型等[41-45]。這2 個方面各有側重，前者側重于從技術層級提供計算行的優(yōu)化處理，提升運行效率；后者則通過模型、算法，進一步尋找更加高效、便捷的空間分析方法，通過專業(yè)地理信息領域模型達到提高分析效率的目的。

以往，高性能計算常常需要一臺高 CPU、大容量的計算機完成大量計算，這樣勢必繁瑣。近年來，研究人員開始基于一組或幾組計算機組成的高性能計算機集群，計算機之間通過網(wǎng)絡進行連接，對海量 GIS 數(shù)據(jù)進行并行處理和高性能計算，增加了部署的靈活性?；?MapReduce 計算架構的Hadoop 有簡潔的并行計算模型，可對原本串行算法進行快速改造，以適應并行計算等高性能算法[46-47]。目前，這方面研究主要集中在 GIS 空間分析算法上。例如，Cary 等[48]基于 MapReduce 實現(xiàn)了部分GIS 算法，并構建了R樹；Chen 等[49]基于 Hadoop 研究設計實現(xiàn)了高性能地理計算框架。這些研究方法為進一步開展高性能算法研究提供了參考。

在并行空間數(shù)據(jù)結構組織方面，高效的空間數(shù)據(jù)劃分策略有助于合理的空間數(shù)據(jù)組織存儲，可大大提升空間分析的性能。

更多內(nèi)容請點擊下方的PDF下載