高性能GIS研究进展及评述

1 引言

互联网时代来临，使地理信息技术得到前所未有的应用、推广和发展，地理信息计算呈现出计算速度快、运行效率高、应用多样化的发展特征。随着计算机技术的发展，以分布式、并行化为代表的高性能计算技术正逐渐融入到地理信息领域，如何利用高性能计算的新型硬件体系结构带来的计算性能提升，解决现有时空数据密集、计算密集和通讯密集问题成为 GIS 领域的热点问题[1-4]。为此，基于并行集群计算技术等的高性能计算[5-9]，研究新一代高性能 GIS 系统十分重要。它可以有效地为时空大数据集存储、可视化、空间分析和数据服务带来新的解决方案。

高性能计算是基于一组或几组计算机系统组成的集群，通过网络连接组成超级计算系统以加强数据处理、分析计算性能的一种技术[10-12]。而高性能 GIS 则利用高性能计算的理论体系、技术架构和数据模型等对 GIS 已有的性能进行扩充和增强，从而方便、快捷地实现海量空间数据的高性能读写，使 GIS 系统更高效地为地理空间信息科学领域中的计算、数据、通信密集型的科学问题的解决提供技术支撑[13-17]。其高性能表现在：更庞杂的地理空间数据计算，更复杂、多类型的 GIS 模型与算法，处理时间更短[18-21]。

目前，主流的 3 大分布式计算系统包括 Ha-doop，Spark 和 Storm[22-25]。Hadoop 基于 MapReduce分布式计算框架，其核心技术在于通过分布式架构实现性能提升。而 GIS 空间分析常常需要对研究区进行空间划分，进一步细划为地貌特征更加统一的计算单元，利用 Hadoop 的分布式特性及 MapRe-duce 分布式存储，可极大地提高 GIS 空间分析性能[26-27]。但由于存储硬件条件的限制，在处理更新快速的 GIS 模型时，则稍显不足。Spark 是另一种重要的分布式计算系统，它基于分布式存储集(RDD）的概念，利用计算机内存来存储数据，因而具有更快速的数据读写功能[28]。相比于 Hadoop， Spark 的优势在于仅需导入一次数据即可实现多次迭代运算，具有更快的运行效率；缺点在于不适合处理需要长时间保存的数据，如果计算环境发生电力中断故障，即会造成数据丢失。Storm 并不直接收集数据，而是通过网络节点实现数据传输、处理。其优势在于处理流式数据时，无需进行数据收集和作业调度，而可以直接进行分析，更适应在线的实时GIS大数据处理[29-30]。

2 研究现状

当前 GIS 发展的重要趋势是服务化、云端一体化，亟待研发高效的高性能 GIS 关键技术[31-32]。其中，分布式并行技术的应用显著提高了 GIS 空间分析效率，随着内存计算、高性能算法等先进技术的不断进步，大大加速了高性能 GIS 技术体系的发展[33-34]。此外，二三维一体化也是当前 GIS 发展的一大趋势。随着硬件成本降低，显卡性能提升，众核技术的应用加速了三维 GIS 的发展[35-36]。因此，本研究将主要从高性能 GIS算法、并行GIS计算、内存计算和众核计算4个方面对高性能 GIS 的发展进行总结和归纳（图1）。

2.1 高性能GIS算法

高性能技术出现不久，就开始应用于地理信息领域[37-39]。作为高性能并行 GIS 系统中的一个重要的组成部分，高性能 GIS 算法基于利用向量机和并行计算技术形成的高性能计算系统，对海量地理空间数据进行实时处理的空间算法，使原本难以计算的全球尺度、长时间尺度的地理空间现象分析模拟得以实现。已有许多学者开始了相关技术研究，如Turton 等[40]研究了职工上下班交通数据分析，原本在工作站需要运行 91 h的双约束地理计算模型，在内存共享模型中执行并行计算后仅需 3 min，极大地提高了效率。

随着 IT 技术的不断进步，高性能 GIS 算法的研究主要分为2个方面：① 对已存在的高密度计算进行并行化处理，利用高性能 GIS 技术对全局性的海量时空数据进行地学分析和推演，探索构建新的空间模型等；② 探索新的空间分析方法，并不断赋予新的内涵。具有代表性的空间分析算法有：神经网络模型、遗传算法模型、元胞自动机模型等[41-45]。这2 个方面各有侧重，前者侧重于从技术层级提供计算行的优化处理，提升运行效率；后者则通过模型、算法，进一步寻找更加高效、便捷的空间分析方法，通过专业地理信息领域模型达到提高分析效率的目的。

以往，高性能计算常常需要一台高 CPU、大容量的计算机完成大量计算，这样势必繁琐。近年来，研究人员开始基于一组或几组计算机组成的高性能计算机集群，计算机之间通过网络进行连接，对海量 GIS 数据进行并行处理和高性能计算，增加了部署的灵活性。基于 MapReduce 计算架构的Hadoop 有简洁的并行计算模型，可对原本串行算法进行快速改造，以适应并行计算等高性能算法[46-47]。目前，这方面研究主要集中在 GIS 空间分析算法上。例如，Cary 等[48]基于 MapReduce 实现了部分GIS 算法，并构建了R树；Chen 等[49]基于 Hadoop 研究设计实现了高性能地理计算框架。这些研究方法为进一步开展高性能算法研究提供了参考。

在并行空间数据结构组织方面，高效的空间数据划分策略有助于合理的空间数据组织存储，可大大提升空间分析的性能。

更多内容请点击下方的PDF下载