CN113268557A - 一种适应显示导向型可视化分析的快速的空间索引方法 - Google Patents
一种适应显示导向型可视化分析的快速的空间索引方法 Download PDFInfo
- Publication number
- CN113268557A CN113268557A CN202110647685.9A CN202110647685A CN113268557A CN 113268557 A CN113268557 A CN 113268557A CN 202110647685 A CN202110647685 A CN 202110647685A CN 113268557 A CN113268557 A CN 113268557A
- Authority
- CN
- China
- Prior art keywords
- tree
- tile
- node
- space
- range
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明属于地理矢量数据技术领域,具体为一种适应显示导向型可视化分析的快速的空间索引方法,包括步骤一:首先参考瓦片地图技术,基于四叉树剖分方法对全球地理范围进行递归划分设计了TQ‑tree结构,TQ‑tree中每个节点代表特定且规律的空间范围,并对节点进行编码,实现节点与空间范围间的映射关系;步骤二:接着提出TQ‑tree generation算法(TQTG),将矢量要素索引项按要求插入树节点中构建TQ‑tree,该算法构建索引的速度快并且索引结构简单,其结构合理,在使用的过程中,生成的索引结构简单、构建速度快、内存占用少,并且能大幅提升显示导向型可视化分析的效率,可作为亿级以上大规模地理矢量数据实时可视化分析的数据组织支撑。
Description
技术领域
本发明涉及地理矢量数据技术领域,具体为一种适应显示导向型可视化分析的快速的空间索引方法。
背景技术
地理矢量数据在城市规划、土地利用、环境因素分析等诸多领域都发挥着重要的作用,可视化分析是一种理解和分析矢量数据的重要手段,通过可视化分析对矢量数据进行理解和分析,将矢量数据的分析结果以可视化的形式呈现出来,让用户以易于理解的方式获取分析结果(Keim D et al.,2008)。在我们的前期工作中,提出显示导向型地理矢量数据可视化分析方法,对大规模地理矢量数据的可视化分析可实现实时响应的性能(Ma etal.,2018,2020)。该方法以屏幕显示效果为计算目标,其核心在于以屏幕显示像素为计算单元,对像素对应的一定地理空间范围进行检索从而生成像素值,检索效率决定了可视化分析的效率。为了提升检索效率需要对矢量数据进行组织,当矢量数据规模急剧增长时,如何对大规模地理矢量数据进行高效的组织管理并适应快速检索的需求是显示导向型方法亟需解决的问题。
空间索引技术是解决海量数据快速检索、查询和访问的重要手段,索引技术的效率是决定数据服务的关键因素。传统常用的空间索引方法有格网索引(J.Nievergelt etal.,1984;K.Y.Whang et al.,1991)、KD-树索引(Bentley,1975)、四叉树索引(Finkel RAet al.,1974)和R-树索引(Guttman,1984)以及上述索引的改进、联合和变种等,这些索引方法在点、线、面的索引中各自有着自己的应用特点,在实际应用中也对应这不同的场景(F.C.Com et al.,2008)。随着计算机硬件和分布式技术的发展,分布式存储系统被广泛应用于空间数据的组织与管理(H.Tan et al.,2012;A.Aji et al.,2013;A.Eldawy et al.,2015;J.Yu et al.,2016)。分布式索引可以认为是传统索引理论在分布式环境下的重新实现,其显著提高了数据的检索效率,通过并行数据划分和并行空间查询,格网索引(A.Ajiet al.,2013)、四叉树索引(J.Feng et al.,2014)、R-树索引(P.Lu et al.,2014)等传统的串行空间索引算法在并行环境中得到了实现。
然而当前空间索引技术主要侧重于实现特定的场景应用:平衡树索引结构保证了查询性能却带来了较大的构建与更新代价,非平衡树结构保证了构建与更新效率,却难以处理聚集分布模式下产生的数据倾斜问题。采用分布式技术虽然提升了索引的检索效率,但是增加了集群内部节点之间的通信协议和通信开销,索引结构更加复杂(Weng et al.,2016),同时分布式存储系统的索引机制必须充分考虑分布式系统的整体框架和数据的组织存储方式,使得索引构建的开销较大,无法在数据组织和可视化分析两方面同时达到较高的效率。
为了解决以上问题,兼顾数据组织效率和可视化分析效率,本文提出了一种适应显示导向型可视化分析的快速的空间索引方法。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于现有空间索引技术中存在的问题,提出了本发明。
因此,本发明的目的是提供一种适应显示导向型可视化分析的快速的空间索引方法,能够实现在使用的过程中,生成的索引结构简单、构建速度快、内存占用少,并且能大幅提升显示导向型可视化分析的效率,可作为亿级以上大规模地理矢量数据实时可视化分析的数据组织支撑。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种适应显示导向型可视化分析的快速的空间索引方法,其包括如下步骤:
步骤一:首先参考瓦片地图技术,基于四叉树剖分方法对全球地理范围进行递归划分设计了TQ-tree结构,TQ-tree中每个节点代表特定且规律的空间范围,并对节点进行编码,实现节点与空间范围间的映射关系;
步骤二:接着提出TQ-tree generation算法(TQTG),将矢量要素索引项按要求插入树节点中构建TQ-tree,该算法构建索引的速度快并且索引结构简单;
步骤三:同时基于构建好的TQ-tree设计TQ-tree-Based visualization算法(TQTBV),将空间范围检索问题转化为TQ-tree中结点是否存在的问题,而TQ-tree中结点是否存在可通过编码快速确定,从而避免了空间范围检索中的空间比较操作,提升了可视化分析的效率。
作为本发明所述的一种适应显示导向型可视化分析的快速的空间索引方法的一种优选方案,其中:HiIndex的核心任务:一是实现矢量数据的高效组织;二是实现瓦片的快速绘制,瓦片快速绘制的关键在于对组织后的数据实现快速的空间范围检索:在显示导向的计算模型中以瓦片金字塔的形式对可视化结果进行浏览,在瓦片金字塔中,每张瓦片的规格为256*256像素,并且每张瓦片和瓦片中每个像素均有唯一的地理空间范围,所以在进行计算像素值时,检索的空间范围是特定且规律的,即在像素点为中心的一定空间范围内对矢量数据源进行检索。
为了支持以上数据组织和瓦片绘制的需求,在HiIndex中设计了TQ-tree空间索引结构:四叉树作是目前空间索引技术中常用索引方法之一,其是对一块矩形区域进行递归划分的层次结构,它将一块矩形空间等分成四个相等的矩形作为其子空间,如此递归划分,划分出4的n-1次方个矩形区域(n为划分的深度),直至满足设定的条件后停止。相较其他索引技术,四叉树在索引构建时数据插入对四叉树的构建速度影响较小。在HiIndex中对四叉树进行改进得到适合显示导向可视化分析需求的TQ-tree空间索引结构,TQ-tree以结点作为最小存储单元,结点分为五种类型:根结点、左下结点、右下结点、右上结点、左上结点,要注意的是TQ-tree中仅有一个根结点。每个结点中记录编码,空间范围,结点类型,子结点指针,父结点指针等属性信息,父子结点之间通过指针相连,当子结点或父结点不存在时指针为空。当TQ-tree为满树时,每个层级的结点数如式(1)所示
Numberlevel=2level*2level (1)
作为本发明所述的一种适应显示导向型可视化分析的快速的空间索引方法的一种优选方案,其中:TQ-tree generation算法(TQTG)的构建步骤如下:
(1)创建初始根结点,设置根节点属性,其中四个子结点指针值为空。同时设置TQ-tree的最大层级n;
(2)开始插入空间对象,从根结点开始将空间范围均分为四个象限,当象限与对象MBR存在空间包含或相交关系时,即创建新结点,设置新结点空间范围属性为该象限空间范围。再按此法从新结点向下递归创建新结点直至到设定的最大层级。当所有空间对象插入后,根结点同所有新创建结点组成TQ-tree,生成的TQ-tree可用于支持瓦片金字塔0-(n-8)层级瓦片的绘制;
(3)将TQ-tree中所有结点的属性信息存储到磁盘空间中,将索引输出到外存中。
其中:在插入点对象与线对象和面对象之间存在细微的区别:当插入点对象时,均按步骤从根节点向下递归创建新结点,当插入线对象或面对象时,先根据一个线对象或面对象的MBR从根节点递归向下创建至空间范围包含该MBR的最小结点,再按步骤根据该线对象的线段的MBR或面对象边的MBR从该结点递归向下创建新结点。这样无需每次插入均从根节点向下递归判断,以此缩短索引构建的时间。
作为本发明所述的一种适应显示导向型可视化分析的快速的空间索引方法的一种优选方案,其中:TQ-tree-Based visualization算法(TQTBV)的构建步骤如下:
(1)判断瓦片是否需要绘制,判断条件为瓦片空间范围内是否包含空间对象,对于瓦片金字塔中坐标为(z,x,y)的瓦片,计算瓦片空间范围并进行编码,通过编码从TQ-tree根结点向下查找与其对应的树结点tileNode,当结点存在说明该瓦片空间范围内含有空间对象,该瓦片需要绘制,反之无需绘制;
(2)对需要绘制的瓦片再逐一计算像素值,判断条件为像素点一定像素宽度内是否包含空间对象,绘制某个像素点时,首先获取该像素点一定像素宽度内的像素点集合,再逐一遍历像素点集合,根据像素点空间范围进行编码,再从(1)中得到的tileNode结点向下查找与该像素点对应的树结点,若树结点存在则说明该像素点一定像素宽度内包含空间对象,从而生成像素值。
其中:相比SIBV中基于R-Tree的像素生成算法,TQTBV优势有两点:第一,通过预先判断瓦片对应结点是否存在来确定瓦片是否绘制,可以减少空白瓦片的绘制从而减少瓦片绘制的总数量。第二,将像素点中空间拓扑判别问题转换为TQ-tree结点存在判断问题,而通过编码可以快速确定结点是否存在,尽可能减少执行空间交判断,这大大缩短了每张可视化瓦片的绘制时间。
与现有技术相比,本发明的有益效果是:设计了TQ-tree结构,树中每个结点均对应了特定且规律的空间范围。我们以矢量大数据的快速可视化应用为例,在HiIndex中,首先设计TQTG算法构建TQ-tree实现对数据的快速组织,然后基于构建的TQ-tree设计了可视化算法TQTBV,并且并行技术被用于加快分析效率,实现对数据的快速可视化浏览,兼顾数据组织效率和可视化分析效率。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明地图瓦片编码方式;
图2为本发明HiIndex中空间矢量数据组织流程;
图3为本发明TQ-tree中数据组织形式;
图4为本发明TQ-tree中结点编码形式;
图5为本发明TQ-tree结点,编码和瓦片空间范围间对应关系;
图6为本发明基于TQTG算法构建的TQ-tree结构;
图7为本发明TQTG中的主要算法流程图;
图8为本发明TQTBV的流程细节图;
图9为本发明不同数据集的索引构建时间对比;
图10为本发明输出索引尺寸大小对比;
图11为本发明生成0-8层级所有瓦片的时间对比;
图12为本发明生成0-8层级瓦片数据所需绘制的瓦片数对比;
图13为本发明各层级瓦片绘制速度对比。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施方式的限制。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
实施例1
HiIndex和HiVisoin的数据组织效率对比
在实验一中,为了验证HiIndex在数据组织方面的高效性,将HiIndex中TQTG与HiVision中SIBV进行了对比分析,两个算法均在给定的实验环境中实现,SIBV中数据组织的方式是基于Quadratic algorithm构建R-Tree空间索引,这样可实现索引的快速建立(Fernandez,2018)。TQTG中采用递归插入的方式构建总层数为16的TQ-tree。两种算法生成的空间索引均输出到外存中。
图9展示了两种算法索引构建时间的对比,索引构建时间中包括了读取数据和进行坐标转换的时间。从两者结果比较可得:首先,对于每个数据集,TQTG的索引构建速率远远高于SIBV:其中两者的构建效率最小在L7数据集上相差5倍(2468.21s÷492.01s),最大在L4数据集上的构建效率相差19倍(118.58s÷6.09s)。其次,对于亿级以上的数据集(L4-7,P2,A1-2),采用SIBV构建索引的时间非常漫长,这是因为R-Tree构建过程是一个不停调整的动态过程,需要重新对结点内的数据甚至需要对整个R-Tree的层次结构进行调整,所以当数据量增大时使得索引的构建非常耗时。而TQTG构建索引的时间远远短于SIBV,对于十亿规模的数据集L7,P2和A2,TQTG的索引构建时间分别仅为SIBV的19.94%(492.01s÷2468.21s),9.92%(685.92s÷6916.73s)和12.96%(437.76s÷3378.77s)。
图10对比了两种方法输出索引在磁盘存储的占用量,从实验结果可知,HiIndex输出的索引尺寸远远小于HiVision,对于十亿规模的数据集L7,P2和A2,索引大小分别仅为HiVision的2.72%(4.09GB÷150.61GB),1.77%(4.33GB÷244.28GB),1.55%(3.06GB÷197.98GB)。原因是在绘制瓦片时TQTBV通过判断结点是否存在生成像素值,所以在TQTG仅需存储TQ-tree结点信息,从而节省了大量的存储空间。
综上,在对矢量大数据进行数据组织方面,HiIndex的索引构建时间更短并且索引尺寸更小,具有非常优异的性能。
实施例2
HiIndex和HiVision的可视化效率对比
在该实验中主要验证HiIndex在矢量大数据可视化方面的优势。HiIndex和HiVision中,均并行启动了32个MPI进程(每个MPI进程包含8个OpenMP线程)用于生成可视化瓦片。对于每个数据集,分别使用两种算法生成0-8层级的瓦片数据。
图11展示了两种方法生成0-8级全部可视化瓦片耗时对比,对于所有数据集,HiIndex生成瓦片耗时均远远少于HiVision,对于十亿规模的数据集L7,P2和A2,HiIndex生成瓦片的耗时分别仅为HiVision的8.22%(33.41s÷406.29s),4.53%(36.27s÷801.04s),3.16%(30.84s÷975.71s)。从L1到L7,随着数据集规模的增加,相比于HiVison,HiIndex生成可视化瓦片的耗时增长趋势很小,表示HiIndex具有更强的对数据规模不敏感的特性。HiIndex高效的原因在于:一是其所需绘制瓦片数更少,二是其瓦片绘制速度更快。
图12中展示了两种算法在生成0-8层级瓦片数据时所需绘制的瓦片数量,由实验结果可知,对于所有数据集,HiIndex中所需绘制瓦片的数量远远小于HiVision,原因在于:在HiVision中SIBV绘制瓦片时,需要判断瓦片空间范围是否与整个数据集的MBR相交,当瓦片空间范围包含在整个数据集的MBR中但瓦片空间范围内没有空间对象时,会使得绘制大量空白瓦片,并且随着绘制层级增大绘制的空白瓦片越多。而HiIndex中TQTBV在绘制瓦片时进行了判别,避免了空白瓦片的绘制。
图13展示了采用两种方法对各层级可视化瓦片的生成速度,从实验结果可知,对于所有数据集,HiVison在各个层级上总体表现出了较高的瓦片生成速度,在P2数据集中第0层级的绘制速度也达到了73.53张/s,考虑到实际应用中,用户视口范围内可视化瓦片数量通常不超过50个,所以HiVision具有支持实时可视化的能力;同时对于所有数据集,HiIndex在各层级的瓦片生成速度均远快于HiVision,HiIndex具有更强的实时可视化能力.
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (4)
1.一种适应显示导向型可视化分析的快速的空间索引方法,其特征在于:包括如下步骤:
步骤一:首先参考瓦片地图技术,基于四叉树剖分方法对全球地理范围进行递归划分设计了TQ-tree结构,TQ-tree中每个节点代表特定且规律的空间范围,并对节点进行编码,实现节点与空间范围间的映射关系;
步骤二:接着提出TQ-tree generation算法(TQTG),将矢量要素索引项按要求插入树节点中构建TQ-tree,该算法构建索引的速度快并且索引结构简单;
步骤三:同时基于构建好的TQ-tree设计TQ-tree-Based visualization算法(TQTBV),将空间范围检索问题转化为TQ-tree中结点是否存在的问题,而TQ-tree中结点是否存在可通过编码快速确定,从而避免了空间范围检索中的空间比较操作,提升了可视化分析的效率。
2.根据权利要求1所述的一种适应显示导向型可视化分析的快速的空间索引方法,其特征在于:HiIndex的核心任务:一是实现矢量数据的高效组织;二是实现瓦片的快速绘制,瓦片快速绘制的关键在于对组织后的数据实现快速的空间范围检索:在显示导向的计算模型中以瓦片金字塔的形式对可视化结果进行浏览,在瓦片金字塔中,每张瓦片的规格为256*256像素,并且每张瓦片和瓦片中每个像素均有唯一的地理空间范围,所以在进行计算像素值时,检索的空间范围是特定且规律的,即在像素点为中心的一定空间范围内对矢量数据源进行检索。
3.根据权利要求1所述的一种适应显示导向型可视化分析的快速的空间索引方法,其特征在于:TQ-tree generation算法(TQTG)的构建步骤如下:
(1)创建初始根结点,设置根节点属性,其中四个子结点指针值为空。同时设置TQ-tree的最大层级n;
(2)开始插入空间对象,从根结点开始将空间范围均分为四个象限,当象限与对象MBR存在空间包含或相交关系时,即创建新结点,设置新结点空间范围属性为该象限空间范围。再按此法从新结点向下递归创建新结点直至到设定的最大层级。当所有空间对象插入后,根结点同所有新创建结点组成TQ-tree,生成的TQ-tree可用于支持瓦片金字塔0-(n-8)层级瓦片的绘制;
(3)将TQ-tree中所有结点的属性信息存储到磁盘空间中,将索引输出到外存中。
4.根据权利要求1所述的一种适应显示导向型可视化分析的快速的空间索引方法,其特征在于:TQ-tree-Based visualization算法(TQTBV)的构建步骤如下:
(1)判断瓦片是否需要绘制,判断条件为瓦片空间范围内是否包含空间对象,对于瓦片金字塔中坐标为(z,x,y)的瓦片,计算瓦片空间范围并进行编码,通过编码从TQ-tree根结点向下查找与其对应的树结点tileNode,当结点存在说明该瓦片空间范围内含有空间对象,该瓦片需要绘制,反之无需绘制;
(2)对需要绘制的瓦片再逐一计算像素值,判断条件为像素点一定像素宽度内是否包含空间对象,绘制某个像素点时,首先获取该像素点一定像素宽度内的像素点集合,再逐一遍历像素点集合,根据像素点空间范围进行编码,再从(1)中得到的tileNode结点向下查找与该像素点对应的树结点,若树结点存在则说明该像素点一定像素宽度内包含空间对象,从而生成像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110647685.9A CN113268557B (zh) | 2021-06-10 | 2021-06-10 | 一种适应显示导向型可视化分析的快速的空间索引方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110647685.9A CN113268557B (zh) | 2021-06-10 | 2021-06-10 | 一种适应显示导向型可视化分析的快速的空间索引方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113268557A true CN113268557A (zh) | 2021-08-17 |
CN113268557B CN113268557B (zh) | 2023-08-04 |
Family
ID=77234625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110647685.9A Active CN113268557B (zh) | 2021-06-10 | 2021-06-10 | 一种适应显示导向型可视化分析的快速的空间索引方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268557B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114116948A (zh) * | 2021-12-06 | 2022-03-01 | 中国人民解放军国防科技大学 | 地理矢量数据空间缓冲区分析方法、装置、设备及介质 |
CN114529633A (zh) * | 2022-04-22 | 2022-05-24 | 南京师范大学 | 一种支持gis线对象和面对象连续lod绘制的方法 |
CN115794938A (zh) * | 2023-02-06 | 2023-03-14 | 中国人民解放军国防科技大学 | 地理矢量线数据的可视化方法、装置和计算机设备 |
CN116562172A (zh) * | 2023-07-07 | 2023-08-08 | 中国人民解放军国防科技大学 | 面向时空叙事的地理场景时间推演方法、装置和设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092992B8 (zh) * | 2013-02-17 | 2016-09-14 | 南京师范大学 | 基于Key/Value型NoSQL数据库的矢量数据先序四叉树编码和索引方法 |
US10007677B1 (en) * | 2014-12-04 | 2018-06-26 | Google Llc | System and method for geospatial indexing |
CN105138560A (zh) * | 2015-07-23 | 2015-12-09 | 北京天耀宏图科技有限公司 | 基于多级空间索引技术的分布式空间矢量数据管理方法 |
CN111782742B (zh) * | 2020-06-06 | 2021-01-26 | 中国科学院电子学研究所苏州研究院 | 一种面向大规模地理空间数据的存储和检索方法及其系统 |
-
2021
- 2021-06-10 CN CN202110647685.9A patent/CN113268557B/zh active Active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114116948A (zh) * | 2021-12-06 | 2022-03-01 | 中国人民解放军国防科技大学 | 地理矢量数据空间缓冲区分析方法、装置、设备及介质 |
CN114529633A (zh) * | 2022-04-22 | 2022-05-24 | 南京师范大学 | 一种支持gis线对象和面对象连续lod绘制的方法 |
CN115794938A (zh) * | 2023-02-06 | 2023-03-14 | 中国人民解放军国防科技大学 | 地理矢量线数据的可视化方法、装置和计算机设备 |
CN116562172A (zh) * | 2023-07-07 | 2023-08-08 | 中国人民解放军国防科技大学 | 面向时空叙事的地理场景时间推演方法、装置和设备 |
CN116562172B (zh) * | 2023-07-07 | 2023-09-15 | 中国人民解放军国防科技大学 | 面向时空叙事的地理场景时间推演方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113268557B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113268557B (zh) | 一种适应显示导向型可视化分析的快速的空间索引方法 | |
CN107423368B (zh) | 一种非关系数据库中的时空数据索引方法 | |
US9721320B2 (en) | Fully parallel in-place construction of 3D acceleration structures and bounding volume hierarchies in a graphics processing unit | |
US9396512B2 (en) | Fully parallel construction of k-d trees, octrees, and quadtrees in a graphics processing unit | |
US10685067B2 (en) | Data visualization system | |
Isaac et al. | Low-cost parallel algorithms for 2: 1 octree balance | |
US20130151535A1 (en) | Distributed indexing of data | |
Lu et al. | Massive point cloud space management method based on octree-like encoding | |
CN108009265B (zh) | 一种云计算环境下的空间数据索引方法 | |
CN106709503A (zh) | 一种基于密度的大型空间数据聚类算法k‑dbscan | |
US20230281182A1 (en) | R-tree index merging and updating method and apparatus based on hilbert curve, and medium | |
CN115408382B (zh) | 面向大规模卫星数据的矢量空间信息网格化存储管理方法 | |
CN113419861A (zh) | 一种面向gpu卡群的图遍历混合负载均衡方法 | |
Kocon et al. | Point cloud indexing using Big Data technologies | |
WO2021232442A1 (zh) | 基于动态网格哈希索引的密度聚类方法及装置 | |
CN110110158B (zh) | 一种三维网格数据的存储空间划分方法及系统 | |
Corral et al. | Algorithms for joining R-trees and linear region quadtrees | |
Lin et al. | Database-oriented storage based on LMDB and linear octree for massive block model | |
CN110659286A (zh) | 基于弱平衡空间树动态空间索引方法及其存储介质、装置 | |
CN103106254A (zh) | 多边形矢量数据文件的并行拼接方法 | |
CN116090395A (zh) | 数据处理方法、数据结构的生成方法、查询方法 | |
Liu et al. | Research on hybrid index based on 3D multi-level adaptive grid and R+ Tree | |
CN115145930A (zh) | 基于树状层次索引的gis矢量数据层次编码方法及装置 | |
Li et al. | A Survey of Multi-Dimensional Indexes: Past and Future Trends | |
Gill et al. | The design perspective of the structures based on kd tree |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |