نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

چکیده

در حالی که WFS OGC انتشار داده‌های فضایی ناهمگن را در وب تسهیل می‌کند و امکان اشتراک‌گذاری و همگام‌سازی اطلاعات مکانی در سطح ویژگی را فراهم می‌کند، مسائل مربوط به عملکرد، استفاده کارآمد و مؤثر از WFS برای واکنش به بلایا را به چالش می‌کشد. ادبیات نشان می‌دهد که هنگام جست‌وجوی سیستم‌های WFS از پایگاه‌های اطلاعاتی بزرگ جغرافیایی از طریق اینترنت، به دست آوردن اطلاعات مکانی بسیار کند می‌شود. راه‌حل‌هایی در مورد چگونگی بهبود عملکرد سیستم WFS به‌گونه‌ای که داده‌های مکانی را بتوان در مدت زمان معقولی به پاسخ‌دهندگان بلایا تحویل داد، مورد نیاز است. این مقاله یک رویکرد موازی مبتنی بر نمایه‌سازی نمودار ورونوی و موازی‌سازی داده/وظیفه برای بهبود عملکرد پرس و جو سیستم‌های WFS برای برنامه‌های کاربردی بلایا پیشنهاد می‌کند.
کلید واژه ها: 

پاسخ به فاجعه ؛ WFS ; عملکرد ؛ نمایه نمودار ورونوی ; محاسبات موازی

 

 

1. مقدمه

به نظر می رسد بزرگی و فراوانی بلایا در حال افزایش است، برای مثال زلزله اخیر ونچوان در چین، سونامی اندونزی، طوفان کاترینا و آتش سوزی های جنگلی کالیفرنیا. از آنجایی که بلایا ردپای زمانی و جغرافیایی دارند، داده‌ها و ابزارهای مکانی برای واکنش به بلایا مهم هستند. داده‌ها و ابزارهای جغرافیایی می‌توانند به واکنش‌گرهای بلایا کمک کنند تا محل ساختمان‌های آسیب‌دیده یا ساکنان آسیب‌دیده را تعیین کنند و بیشترین تأثیرات را در کجا داشته باشند، تا بتوانند برای کمک به نجات جان افراد، کاهش خسارات و هزینه‌های مقابله با بلایا سریع‌تر عمل کنند. پاسخ به بلایا به شدت بر توانایی کشف و استفاده از اطلاعات مکانی دقیق و به روز برای آماده شدن و واکنش به بلایا متکی است. تصمیم گیرندگان به اطلاعات مکانی مانند داده های جمعیتی، داده های شبکه جاده ای، امکانات حیاتی، زیرساخت‌ها و مکان‌های سرپناه اضطراری برای هماهنگ کردن تلاش‌های واکنش در هنگام بلایا. به دست آوردن سریع اطلاعات مکانی برای اطمینان از اینکه منابع و منابع اضطراری می توانند به کارآمدترین روش به مناطق آسیب دیده برسند بسیار مهم است. در واقع، ادبیات نشان داده است که واکنش به بلایا از پیشرفت های اخیر در فناوری اطلاعات، به ویژه GIS و سنجش از دور بهره زیادی برده است.1 ، 2 ]. با این حال، یافته‌ها نشان داده‌اند که استفاده از GIS برای واکنش به بلایا به‌دلیل ناتوانی در به‌دست‌آوری و ادغام سریع داده‌های مکانی و فقدان یک GIS متقابل [ 3 ، 4 ]، می‌تواند به آسانی با شکست مواجه شود. بر اساس گزارش انتقادی منتشر شده توسط کمیته دو حزبی منتخب مجلس نمایندگان ایالات متحده [ 5 ]، واکنش ناکارآمد دولت فدرال به طوفان کاترینا تا حدی شکست در به اشتراک گذاری و دسترسی به موقع به اطلاعات بود [ 6 ]. تجربه نشان می دهد که موانع واقعی برای پاسخ به بلایا کمبود داده نیست [ 6 ، 7] اما در بیشتر موارد مشکلاتی در به دست آوردن و یکپارچه سازی اطلاعات فضایی ناهمگن به موقع است [ 8 ]. موانع نهادی و مسائلی که مانع از به اشتراک گذاری داده های مکانی بین نهادهای دولتی فدرال، ایالتی و محلی و ارائه دهندگان داده های خصوصی و دولتی می شود، در مقالات مورد بحث قرار گرفته است [ 9 ، 10 ]. با این حال، حتی تمایل به اشتراک گذاری داده ها، موانع تکنولوژیکی برای استفاده پویا و موثر از منابع داده توزیع شده برای بهبود واکنش اضطراری و تلاش های امنیت داخلی را برطرف نمی کند [ 11 ].]. با توسعه سریع GIS و کاربردهای آن، پایگاه‌های اطلاعاتی جغرافیایی بیشتر و بیشتری توسط برنامه‌ها و برنامه‌های کاربردی مختلف توسعه یافته‌اند، اما اشتراک‌گذاری و جمع‌آوری داده‌ها همچنان یک مشکل بزرگ برای واکنش به بلایا است. نه اینکه داده‌ها در دسترس نباشند، حجم عظیمی از داده‌های جغرافیایی در مکان‌های مختلف در میان حوزه‌های قضایی متعدد و در قالب‌های مختلف ذخیره شده است، اما استفاده مجدد از داده‌ها و اشتراک‌گذاری برای واکنش به بلایا به دلیل ناهمگونی سیستم‌های موجود از نظر مدل‌سازی داده، وظایف دلهره‌آوری است. مفاهیم، ​​تکنیک های رمزگذاری داده ها و ساختارهای ذخیره سازی و غیره [ 12 ].
توسعه اینترنت یک محیط منحصر به فرد برای به اشتراک گذاری داده های مکانی ایجاد می کند. کاربران می توانند از اینترنت برای دانلود داده ها برای مشاهده، تجزیه و تحلیل یا دستکاری استفاده کنند. با این حال، به اشتراک گذاری داده که توسط پیشرفت فناوری های شبکه تسهیل می شود، هنوز به دلیل ناسازگاری انواع مدل های داده با مشکل مواجه است [ 13 ]. برای تسهیل تبادل و به اشتراک گذاری داده های مکانی با ایجاد هزینه های اولیه، زیرساخت های داده های مکانی (SDI) در بسیاری از کشورها در دو دهه گذشته توسعه یافته است. زیرساخت‌های داده‌های مکانی (SDI) دسترسی، استفاده مجدد و یکپارچه‌سازی اطلاعات جغرافیایی ناهمگون را از منابع متعدد از طریق اینترنت در پشتیبانی از واکنش به بلایا فراهم می‌کنند [ 14 ]]. برای تسهیل اشتراک‌گذاری و استفاده مجدد از داده‌های فضایی ناهمگن، توسعه اخیر SDI مبتنی بر استانداردهای باز و فناوری‌های خدمات وب کنسرسیوم فضایی باز (OGC) است [ 15 ، 16 ].
خدمات وب OGC مانند خدمات ویژگی های وب (WFS) راهی برای دستیابی به قابلیت همکاری و راه حلی برای حل مشکلات ناشی از ناهمگونی نحوی و ساختاری بین منابع داده ارائه می دهد. مطالعات نشان داده‌اند که WFS OGC نقش مهمی در اشتراک‌گذاری و تبادل داده‌های مکانی در زمان واقعی از منابع ناهمگن بر روی وب برای برنامه‌های کاربردی حساس زمانی ایفا می‌کند [ 15 ]]. یکی دیگر از مزایای مهم WFS OGC این است که جستجو، دسترسی و تبادل داده در سطح ویژگی را در زمان واقعی از طریق وب فراهم می کند. WFS OGC بر مشکل غلبه کرده و به برنامه های کاربردی واکنش در بلایا اجازه می دهد تا به سرعت به به روزترین داده های سطح ویژگی دسترسی داشته باشند. در حالی که WFS OGC انتشار داده‌های فضایی ناهمگن را در وب تسهیل می‌کند و امکان اشتراک‌گذاری و همگام‌سازی اطلاعات مکانی در سطح ویژگی را فراهم می‌کند، مسائل مربوط به عملکرد، استفاده کارآمد و مؤثر از WFS برای واکنش به بلایا را به چالش می‌کشد. ادبیات نشان می دهد که به دست آوردن اطلاعات مکانی زمانی بسیار کند می شود که سیستم های WFS را از پایگاه داده های بزرگ جغرافیایی از طریق اینترنت جستجو کنید [ 16 , 17 , 18 , 19]. این به این دلیل است که WFS داده های GML مبتنی بر متن را از طریق شبکه منتقل می کند. هنگامی که داده های مکانی با کد GML منتقل می شوند، تمام عناصر نشانه گذاری که ویژگی های مکانی و غیر مکانی، هندسه و سیستم های مرجع مکانی داده ها را توصیف می کنند نیز به گیرنده منتقل می شوند. این برای قابلیت همکاری داده ها مهم است، زیرا داده های کد شده با GML را می توان ذخیره کرد و توسط هر برنامه کاربردی دیگری که می تواند داده های GML را بخواند استفاده کرد. با این حال، این نیز تا حد زیادی عملکرد سیستم را کاهش می دهد. در مقایسه با برخی از فرمت های داده باینری GIS، اندازه فایل های داده GML بزرگ است. اندازه فایل های بزرگ ممکن است مانع استفاده از فایل های GML به عنوان وسیله ای برای انتقال داده از طریق اینترنت شود. اگرچه راه حل هایی مانند استفاده از فشرده سازی یا ارسال داده های GML به مشتری به صورت مرحله ای یا تدریجی در ادبیات ارائه شده است.17 ]، مسائلی برای روشن کردن عملکرد هنوز وجود دارد. راه‌حل‌هایی در مورد چگونگی بهبود عملکرد سیستم WFS به‌گونه‌ای که داده‌های مکانی را بتوان در یک بازه زمانی کوتاه معقول به پاسخ‌دهندگان بلایا تحویل داد، مورد نیاز است.
علاوه بر این، برنامه های کاربردی واکنش به بلایا نیازمند بسیاری از کاربران هستند که به طور همزمان به پایگاه داده های فضایی از طریق فرآیندهای محاسبات جغرافیایی بسیار فشرده دسترسی داشته باشند. اشیاء داده‌های مکانی عموماً تودرتو و پیچیده هستند و پرس‌وجوهای فضایی نه تنها بر اساس ویژگی‌های اشیاء مکانی بلکه بر موقعیت مکانی، وسعت و اندازه‌گیری اشیاء مکانی در یک سیستم جغرافیایی مرجع نیز مبتنی است. بنابراین، پرس و جو فضایی نیاز به دسترسی های فشرده ورودی/خروجی دیسک و محاسبات فضایی دارد. این چالش های بیشتری را برای انجام سریع و کارآمد پرس و جوهای فضایی از سیستم های WFS به همراه دارد.
با توسعه SDI و GIS، داده های مکانی سال به سال به طور تصاعدی در حال رشد هستند و متنوع تر می شوند. در حالی که WFS به اشتراک گذاری داده های مکانی را تسهیل می کند و جستجو، دسترسی و تبادل داده در سطح ویژگی را در وب فراهم می کند، بنابراین تصمیم گیرندگان نیازی به دانلود کل فایل داده برای تجزیه و تحلیل ندارند، عملکرد در حال تبدیل شدن به یک موضوع مهم برای پاسخگویان به بلایا یا تصمیم گیرندگان است که دسترسی همزمان به آن را دارند. اطلاعات مکانی، که ممکن است با محاسبات بسیار فشرده به دست آید. این امر به طور گسترده در ادبیات تصدیق شده است. با این حال، مطالعات کمی در ادبیات برای بررسی راه های بهبود عملکرد WFS وجود دارد [ 18 ، 19 ]]. این مقاله یک رویکرد موازی را برای بهبود عملکرد پرس و جو سیستم WFS برای برنامه های کاربردی واکنش به بلایا پیشنهاد می کند. با بهبود عملکرد پرس و جو سیستم های WFS، ما انتظار داریم که داده های مکانی مورد نیاز را بتوان به موقع به اولین پاسخ دهندگان، مدیران و تصمیم گیرندگان بلایا تحویل داد.

2. یک رویکرد موازی برای بهبود عملکرد

برای بهبود عملکرد WFS و افزایش توانایی پاسخ‌دهندگان بلایا یا تصمیم‌گیرندگان برای تصمیم‌گیری به‌موقع و دقیق، ما یک رویکرد موازی را برای ارائه یک پردازش جستجوی فضایی کارآمد در پایگاه‌های داده فضایی بزرگ پیشنهاد می‌کنیم. رویکرد موازی باید به کاربران متعددی اجازه دهد که پرس و جوهای همزمان را انجام دهند. رویکرد موازی پیشنهادی به طور کامل از نمودار ورونوی برای ایجاد یک شاخص فضایی و موازی سازی داده/وظیفه برای پرس و جوهای فضایی همزمان استفاده می کند. ما انتظار داریم که معماری پردازش «نمایه‌سازی نمودار ورونوی + موازی‌سازی داده/وظیفه» با بهره‌گیری از فرآیندهای موازی و توزیع شده، زمان اجرای پرس‌و‌جوی فضایی فردی را کاهش دهد، بنابراین می‌تواند تعداد زیادی پرس‌و‌جوی فضایی همزمان را برای برنامه‌های پاسخ به بلایا فراهم کند. شکل 1مراحل اصلی پردازش پرس و جو رویکرد موازی پیشنهادی را نشان می دهد. برای به دست آوردن اطلاعات مورد نیاز از سایت های داده توزیع شده متنوع، ابتدا پرس و جوی کاربر به دنباله ای از پرس و جوهای فرعی تجزیه می شود. پرس و جوهای فضایی تجزیه شده سپس تجزیه و تحلیل می شوند و به برنامه های موازی برای مکان یابی قطعات داده در سایت های داده، بهینه سازی پرس و جو و اجرای پرس و جو ترجمه می شوند. پس از آن، نتایج پرس و جوی موازی از چندین سرور WFS بازیابی و با انجام محاسبات فضایی ترکیب می شوند. در نهایت، ویژگی‌های جغرافیایی ترکیبی به عنوان یک پاسخ واحد به واکنش‌دهنده‌ها یا تصمیم‌گیرندگان بلایا ارائه می‌شوند. ایده اصلی رویکرد پیشنهادی، مکان یابی همه منابع داده توزیع شده است که ممکن است حاوی پاسخ به یک پرس و جو کاربر باشد. در یک سیستم توزیع شده،
Ijgi 02 00067 g001 1024
شکل 1. مراحل اصلی پردازش پرس و جو رویکرد موازی پیشنهادی.
شکل 2مولفه های اصلی رویکرد موازی پیشنهادی را نشان می دهد. این شامل سه جزء است – جزء پارتیشن داده های مکانی، جزء ترجمه پرس و جو و جزء موتور اجرا. مؤلفه موتور اجرا توسط زیر مؤلفه ارتباط، زیر مؤلفه بهینه سازی پرس و جو و زیر مؤلفه تکرار و تکرار تشکیل شده است. جزء پارتیشن داده های فضایی به صورت پویا داده ها را بر اساس ویژگی های آنها قطعه قطعه می کند و قطعات را به سایت های داده اختصاص می دهد. جزء ترجمه پرس و جو پرس و جو جهانی را تجزیه می کند و طرح های اجرای پرس و جوی خاص سایت را تولید می کند. مؤلفه موتور اجرا، پرس و جوها را در سرورهای موازی WFS موازی و اجرا می کند. جزء فرعی ارتباط، تمام الزامات ارتباطی بین سایت های داده را حفظ می کند، به عنوان مثال، داده ها را تحویل، جمع آوری و ترکیب نتایج پرس و جو می کند. جزء فرعی بهینه سازی پرس و جو، پرس و جوهای سایت را برای پردازش کارآمد بهینه می کند. تکثیر و تکثیر مولفه فرعی موازی سازی در سیستم را امکان پذیر می کند و سیستم را مقاوم به خطا می کند. همه این اجزا در هماهنگی کامل کار می کنند تا به تلاش کلی دست پیدا کنند. علاوه بر این، این سیستم همچنین حاوی الگوریتم هایی است که قادر به انجام محاسبات مکانی بر روی داده های مکانی است. در پاراگراف‌های بعدی، فناوری‌های کلیدی مورد استفاده در رویکرد موازی پیشنهادی – مدل برنامه‌نویسی موازی‌سازی داده/وظیفه با نمایه‌سازی مبتنی بر نمودار ورونوی را معرفی می‌کنیم. این سیستم همچنین شامل الگوریتم هایی است که قادر به انجام محاسبات مکانی بر روی داده های مکانی است. در پاراگراف‌های بعدی، فناوری‌های کلیدی مورد استفاده در رویکرد موازی پیشنهادی – مدل برنامه‌نویسی موازی‌سازی داده/وظیفه با نمایه‌سازی مبتنی بر نمودار ورونوی را معرفی می‌کنیم. این سیستم همچنین شامل الگوریتم هایی است که قادر به انجام محاسبات مکانی بر روی داده های مکانی است. در پاراگراف‌های بعدی، فناوری‌های کلیدی مورد استفاده در رویکرد موازی پیشنهادی – مدل برنامه‌نویسی موازی‌سازی داده/وظیفه با نمایه‌سازی مبتنی بر نمودار ورونوی را معرفی می‌کنیم.
Ijgi 02 00067 g002 1024
شکل 2. اجزای رویکرد موازی پیشنهادی.
رویکرد پیشنهادی از داده های ذاتی و موازی کاری پرس و جوهای فضایی با ترجمه هر پرس و جو کاربر به پرس و جوهای فرعی که می توانند در چندین سرور داده مکانی به صورت موازی اجرا شوند، استفاده می کند، که نتایج بعداً ترکیب می شوند. موازی سازی داده ها در یک پرس و جو فضایی زمانی وجود دارد که همان وظیفه پرس و جو بر روی داده های پارتیشن بندی شده به صورت موازی بدون نیاز به همگام سازی انجام شود. موازی کاری در یک پرس و جو فضایی زمانی وجود دارد که وظیفه پرس و جو به چندین کار فرعی تبدیل می شود که به طور مستقل در سرورهای داده موازی انجام می شوند. پرس و جوی فضایی که داده ها یا موازی کاری را نشان می دهد را می توان با پردازشگرهای موازی یا سرورهای توزیع شده به طور موثرتری پاسخ داد. یک شکل محدود از موازی سازی داده/وظیفه توسط مدل برنامه نویسی MapReduce [ 20 ] پشتیبانی می شود.]، که در آن وظایف مستقل (نقشه نگارها) به صورت موازی بر روی داده های پارتیشن بندی شده محاسبه می شوند و نتایج نگاشت ها توسط کاهنده ها در نتیجه نهایی جمع می شوند. با این حال، فریم‌ورک‌های MapReduce موجود مانند Hadoop سربار بالایی برای پرس و جوهای مشترک دارند و در نحوه تخصیص داده‌ها به وظایف موازی و نحوه همگام‌سازی وظایف محدودتر هستند. این محدودیت‌ها آن‌ها را برای کارهای پردازش دسته‌ای مناسب‌تر می‌سازد، به‌جای پرس‌وجوهای پیوستن فضایی بلادرنگ. در این مطالعه، ما پیشنهاد می کنیم از یک زبان برنامه نویسی سطح بالا X10 برای ارائه محیط محاسباتی موازی و توزیع شده استفاده کنیم. با X10، پارتیشن بندی، همگام سازی و تجمیع وظایف و داده ها در سطح زبان انجام می شود. بنابراین، ما قادر به پیاده سازی الگوریتم های پرس و جوی موازی انعطاف پذیرتر هستیم. از آنجایی که زبان X10 پشتیبانی داخلی را برای محاسبات موازی و توزیع شده فراهم می کند، برنامه نویسان می توانند بر روی توسعه برنامه های همزمان با استفاده از ساختارهای برنامه نویسی سطح بالا تمرکز کنند بدون اینکه به جزئیات ارتباط سطح پایین پردازنده های موازی و توزیع شده بپردازند. در زبان X10 به یک واحد محاسبات موازی وظیفه می گویند. یک برنامه می تواند چندین کار را برای اجرا روی تعدادی رشته موازی با استفاده از ساختاری به نام “async” شروع کند. رشته ها با استفاده از الگوریتم کار سرقت برنامه ریزی می شوند تا کارهای ناتمام را اجرا کنند تا تعادل بار خوبی در بین تمام پردازنده ها حاصل شود. یک برنامه می‌تواند یک نقطه همگام‌سازی را با استفاده از ساختار «پایان» مشخص کند تا منتظر بماند تا گروهی از کارهای موازی قبل از شروع فاز بعدی محاسبات تکمیل شوند. توجه داشته باشید که وظایف موازی باید با دقت انتخاب شوند تا به داده های مشترک وابستگی نداشته باشند زیرا همگام سازی صریح بر روی داده های مشترک برای جلوگیری از شرایط مسابقه می تواند عملکرد را به میزان قابل توجهی کاهش دهد. در واقعیت، تعداد زیادی از پرس و جوهای فضایی را می توان بدون وابستگی به داده های مشترک موازی کرد. به عنوان مثال، پرس و جو Q1 را در نظر بگیرید:

نزدیکترین پناهگاه اضطراری به هر مدرسه ابتدایی در کانکتیکات را انتخاب کنید.
یک پیاده‌سازی ساده با بازیابی تمام اشیاء فضایی برای پناهگاه‌های اضطراری (که با متغیر A مشخص می‌شود ) و اشیاء فضایی برای مدارس ابتدایی (با متغیر B مشخص می‌شود ) و سپس اتصال فضایی A و B برای یافتن K-نزدیکترین پناهگاه به هر مدرسه. اگر N تعدادی پناهگاه و N B تعداد مدارس وجود داشته باشد، پیچیدگی زمانی O ( K × N A × N B خواهد بود.). با این حال، اگر ترتیب پرس و جو را به گونه ای تغییر دهیم که ابتدا همه مدارس ابتدایی را پیدا کرده و سپس برای هر مدرسه از K-nearest پناهگاه های اضطراری استعلام کنیم، می توانیم عملکرد بهتری داشته باشیم. تحت این طرح، ما می توانیم پرس و جوهای فرعی را به صورت موازی اجرا کنیم تا K-nearest shelter را برای هر مدرسه پیدا کنیم، زیرا پرسش های فرعی مستقل از یکدیگر هستند. فرض کنید تعداد P پردازنده های موازی وجود دارد. سپس پیچیدگی زمانی پرس و جو O ( K × N A × ) خواهد بود که مطمئناً سریعتر از رویکرد قبلی است. علاوه بر این، اگر پناهگاه های اضطراری با استفاده از نمودار Voronoi نمایه شوند، می توانیم عملکرد پرس و جو را بیشتر بهبود بخشیم، که زمان پرس و جو K-نزدیکترین پناهگاه را به O کاهش می دهد. Ijgi 02 00067 i001(log N A ). به این معنا که با یک نمودار ورونوی در جای خود، برای یافتن نزدیکترین پناهگاه S فقط زمان لگاریتمی طول می کشد و K نزدیکترین پناهگاه بعدی را می توان در زمان ثابت با جستجو در همسایگان Voronoi S پیدا کرد. بنابراین، با یک نمودار ورونوی و موازی سازی، می توانیم زمان محاسبه پرس و جو Q1 را به O (log N A × ) بهبود دهیم. در مقایسه با راه حل پرس و جو اصلی، این یک بهبود عملکرد قابل توجه است. Ijgi 02 00067 i001
توجه داشته باشید که دو فرض برای این نوع بهبود عملکرد وجود دارد. یکی این که نمایه سازی مبتنی بر نمودار Voronoi فقط به جستارهایی کمک می کند که شامل اتصالات فضایی سایت های نمودار Voronoi مانند پناهگاه های اضطراری برای Query Q1 هستند. این احتمالاً یک فرض معقول برای برنامه‌های واکنش اضطراری است، که تمایل دارند جستارهای فضایی را بر اساس پناهگاه‌های اضطراری یا سایر مکان‌های مهم انجام دهند. فرض دوم این است که داده های پرس و جو توسط همه پردازنده های موازی به اشتراک گذاشته می شود. اگر مجموعه داده‌های مکانی در اندازه‌های متوسطی باشند و هر پردازنده موازی و سیستم ذخیره‌سازی متناظر آن پهنای باند کافی برای رسیدگی به توان عملیاتی مورد نیاز را داشته باشند، این یک فرض منطقی است. وقتی مجموعه‌های داده‌ها بیش از حد بزرگ هستند که در حافظه اصلی قرار نمی‌گیرند و داده‌های مکانی باید از سیستم‌های ذخیره‌سازی برای پاسخگویی به پرسش‌ها خوانده شوند، تقسیم مجموعه‌های داده بزرگ به چند بخش و ذخیره آنها در چندین سرور داده توزیع‌شده کارآمدتر خواهد بود. در این سناریو، ما نمی توانیم وظایف پرس و جو را برای مکان یابی نزدیکترین پناهگاه ها برای هر مدرسه تقسیم کنیم و آنها را به سرورهای مختلف ارسال کنیم، زیرا ممکن است یک سرور واحد حاوی داده هایی برای ارائه پاسخ نباشد. در عوض، همه سرورها باید تمام پرس و جوها را دریافت کنند تا پیچیدگی زمان اجرا کاهش یابد ما نمی توانیم وظایف پرس و جو را برای مکان یابی نزدیکترین پناهگاه ها برای هر مدرسه تقسیم کنیم و آنها را به سرورهای مختلف بفرستیم زیرا ممکن است یک سرور واحد حاوی داده هایی برای ارائه پاسخ نباشد. در عوض، همه سرورها باید تمام پرس و جوها را دریافت کنند تا پیچیدگی زمان اجرا کاهش یابد ما نمی توانیم وظایف پرس و جو را برای مکان یابی نزدیکترین پناهگاه ها برای هر مدرسه تقسیم کنیم و آنها را به سرورهای مختلف بفرستیم زیرا ممکن است یک سرور واحد حاوی داده هایی برای ارائه پاسخ نباشد. در عوض، همه سرورها باید تمام پرس و جوها را دریافت کنند تا پیچیدگی زمان اجرا کاهش یابدO (log N A × N B ). خوشبختانه، با شاخص‌های مبتنی بر نمودار Voronoi، هر سرور می‌تواند به سرعت پرس‌وجوهایی را که سرور داده‌های مرتبطی برای آن‌ها ندارد، کنار بگذارد، به طوری که پیچیدگی زمان اجرا در واقع نزدیک به O (log N A × ) با سرورهای P است. Ijgi 02 00067 i001
برای پشتیبانی از داده ها یا موازی سازی وظایف برای پرس و جوهای فضایی، شاخص های فضایی برای اشیاء مکانی ایجاد می شود. یک نمایه فضایی به یک سرور داده اجازه می دهد تا بدون جستجو در کل مجموعه اشیاء فضایی در پایگاه داده سرور، به سرعت شیء فضایی مورد درخواست را پیدا کند. عملکرد پردازش موازی یک پرس و جو فضایی به شدت به نحوه نمایه سازی داده های پرس و جو بستگی دارد. رویکردهای متفاوتی برای ساخت شاخص فضایی در ادبیات وجود دارد. به عنوان مثال، شاخص های سلسله مراتبی مانند R-tree و Quadtree [ 21] برای فعال کردن پردازش موازی کارآمد طیف گسترده ای از پرس و جوهای فضایی استفاده شده است. این رویکردها عملکرد زمان اجرا را با تقسیم قطعات گران قیمت محاسباتی الگوریتم در چندین سرور بهبود می بخشد. شاخص های سلسله مراتبی امکان بررسی کارآمد یک شی فضایی را بر اساس مختصات آن فراهم می کند. اشیایی که در مجاورت فضایی قرار دارند تمایل دارند روی یک سرور قرار بگیرند تا پردازش اتصالات فضایی به صورت موازی کارآمدتر باشد. با این حال، این شاخص ها به طور خاص برای یافتن اینکه آیا یک نقطه در منطقه ای از علایق مانند مشکل K-نزدیک ترین همسایگی قرار می گیرد یا خیر، طراحی نشده اند، که پرس و جوهای رایج در برنامه های کاربردی پاسخ اضطراری هستند. همانطور که قبلا توضیح داده شد، نمودار ورونوی (VD) [ 22] امکان جستجوی کارآمد از نزدیکترین همسایگان را فراهم می کند. بنابراین، نمودارهای Voronoi برای نمایه سازی اشیاء فضایی در سیستم پرس و جوی موازی پیشنهادی استفاده می شود.
نمودار Voronoi یک فضا را بر اساس مجموعه ای از سایت ها (به عنوان مثال ، ویژگی های نقطه ای) به چند ضلعی های مجزا تجزیه می کند. با توجه به مجموعه‌ای از مکان‌ها در فضای اقلیدسی، نمودار ورونوی همه مکان‌های هواپیما را به نزدیک‌ترین مکانشان مرتبط می‌کند. هر سایت دارای یک چند ضلعی Voronoi است که از تمام نقاط نزدیکتر به آن نسبت به هر ویژگی نقطه دیگری تشکیل شده است. مجموعه چند ضلعی های Voronoi مرتبط با تمام سایت ها نمودار Voronoi با توجه به مجموعه سایت نامیده می شود. چند ضلعی ها به جز مرزهایشان متقابلاً منحصر به فرد هستند. شکل 3نمونه ای از نمودار Voronoi و چند ضلعی های آن را برای 11 سایت نشان می دهد. رویکردهای زیادی برای تولید نمودار ورونوی در فضای اقلیدسی وجود دارد. برای مثال، در رویکرد «تقسیم کن و غلبه کن»، ویژگی‌های نقطه ورودی ابتدا بر اساس مختصات X آنها به ترتیب افزایشی مرتب می‌شوند [ 23 ]. در مرحله بعد، ویژگی های نقطه به چندین زیر مجموعه با اندازه مساوی تقسیم می شوند. یک نمودار جزئی Voronoi برای هر زیر مجموعه ایجاد می شود. در نهایت، نمودارهای جزئی ورونوی ایجاد شده با یک نمودار نهایی ورونوی برای کل ورودی ترکیب می شوند.
شکل 4 روند ساخت شاخص مبتنی بر نمودار ورونوی را نشان می دهد. نمودار Voronoi ابتدا با استفاده از یک نوع شی فضایی اصلی مانند پناهگاه های اضطراری محاسبه می شود. سپس اشیاء فضایی مجموعه ویژگی های WFS دیگر مانند مکان های مدرسه با استفاده از نمودار Voronoi نمایه می شوند. برای نمایه سازی یک مجموعه ویژگی WFS، ابتدا به چندین بلوک از اشیاء تقسیم می شود، سپس اشیاء فضایی هر بلوک با چند ضلعی Voronoi که شی متعلق به آن است نمایه می شود. پس از آن، اشیاء نمایه شده بر اساس نزدیکی آنها به یکدیگر جمع می شوند. در نهایت، اشیاء جمع‌آوری شده به پارتیشن‌هایی برای چندین سرور داده تقسیم می‌شوند.
Ijgi 02 00067 g003 1024
شکل 3. نمونه ای از نمودار ورونوی.
Ijgi 02 00067 g004 1024
شکل 4. روش نمایه سازی اشیاء فضایی با استفاده از نمودار Voronoi.

3. آزمایشات

برای ارزیابی مزیت عملکرد پرس و جو فضایی موازی با استفاده از نمودارهای Voronoi، آزمایش های پرس و جو فضایی بر روی ماشین های خوشه حافظه مشترک با 12 پردازنده انجام شد. برای این آزمایش، 40000 سایت به طور تصادفی ایجاد شد و چندین نمودار Voronoi برای سایت ها با استفاده از الگوریتم تقسیم و غلبه محاسبه شد که دارای پیچیدگی زمان اجرا O ( N log N ) است. با پردازنده های موازی P، زمان اجرا می تواند به طور بالقوه به O ( log N ) کاهش یابد. توجه داشته باشید که یک الگوریتم ترتیبی، مانند الگوریتم SweepLine [ 24 Ijgi 02 00067 i002 ]، ممکن است همان پیچیدگی زمان اجرا را داشته باشد که الگوریتم Divide and Conquer دارد، اما اولی را نمی توان به راحتی موازی کرد. بنابراین در این مطالعه از الگوریتم تقسیم و غلبه برای محاسبه نمودار ورونوی استفاده کردیم.
برای اجازه دادن به پرس و جوی کارآمد از نزدیکترین همسایه یک نقطه فضایی، نمودار Voronoi محاسبه شده ایندکس شد. توجه داشته باشید که نزدیکترین همسایه یک نقطه پرس و جو q یک سایت p است به طوری که فاصله بین q و p کمتر از فاصله بین q و هر سایت دیگری باشد. از آنجایی که ما نمودار Voronoi را داریم، نزدیکترین همسایه q فقط محل چندضلعی Voronoi است که حاوی نقطه q است. مسئله مکان یابی چند ضلعی در یک گراف مسطح که حاوی یک نقطه پرس و جو است، مسئله موقعیت نقطه نیز نامیده می شود. رویکرد brute-force مکان یابی چند ضلعی Voronoi یک نقطه پرس و جو شامل جستجوی خطی همه چند ضلعی های Voronoi است، در حالی که جستجوی بهینه فقط به O ( log N نیاز دارد) زمان با یک شاخص موجود. در این مطالعه ما یکی از الگوریتم های موقعیت مکانی بهینه به نام الگوریتم اصلاح مثلث [ 25 ] را پیاده سازی کردیم که به O ( N × log N نیاز دارد.) مقدار فضا و زمان برای محاسبه شاخص. الگوریتم اصلاح مثلث با اضافه کردن یک مثلث بیرونی به اندازه کافی بزرگ به نمودار ورونوی شروع می شود تا یک نمودار مسطح تشکیل دهد و سپس نمودار را مثلث می کند تا همه چند ضلعی های نمودار مثلث باشند. مرحله دوم شامل انتخاب رئوس مستقل از نمودار است که درجات هر رأس آن بیشتر از 8 نباشد. مجموعه ای از رئوس مستقل آنهایی هستند که به وجوه یکسان در نمودار تعلق ندارند. مرحله سوم این است که رئوس مستقل را از نمودار حذف کنید و سپس نمودار حاصل را دوباره مثلث کنید و به مرحله دوم برگردید تا زمانی که تنها مثلث بیرونی باقی بماند. در طی مراحل اصلاح مثلث، ما یک ساختار سلسله مراتبی از مثلث ها را ثبت کردیم به طوری که هر مثلث دارای یک یا چند فرزند بود و هر مثلث برگ بخشی از یک چند ضلعی Voronoi است. برای جستجوی چندضلعی Voronoi که یک نقطه به آن تعلق دارد، با مثلث ریشه شروع کردیم و بررسی کردیم که کدام فرزند مثلث حاوی نقطه است. سپس به صورت بازگشتی در آن مثلث جستجو کردیم تا به مثلث برگ رسیدیم. ارتفاع سلسله مراتب ناشی از اصلاح مثلث بودO ( log N ) زیرا هر مرحله اصلاح بخش ثابتی از رئوس موجود نمودار را حذف می کند. زمان تعیین مکان یک نقطه با استفاده از این سلسله مراتب مثلث، ارتفاع سلسله مراتب بود که O ( log N ) است. توجه داشته باشید که الگوریتم پالایش مثلث بسیار پیچیده تر از یک الگوریتم ساده مانند الگوریتم تجزیه دال است [ 26 ]. با این حال، الگوریتم دوم به حافظه O ( N 2 ) نیاز دارد که برای مجموعه داده های بزرگ عملی نیست. به عنوان مثال، نمایه یک میلیون سایت نمودار Voronoi ایجاد شده از الگوریتم تجزیه دال می تواند به 10 12 بایت نیاز داشته باشد.
در این مطالعه نمودار ورونوی با استفاده از الگوریتم پالایش مثلثی نمایه شد. به عنوان یک آزمایش، 10000 پرسش KNN بر روی نمودارهای Voronoi از 10000، 20000 و 40000 سایت با استفاده از 1 تا 12 پردازنده حافظه مشترک اجرا شد. پرس و جوها به 50 وظیفه موازی تقسیم شدند که در آن هر کار شامل 200 پرسش KNN بود. هر وظیفه به رشته ای که روی یک پردازنده موازی اجرا می شد ارسال شد. نتایج نهایی رزوه های موازی پس از تکمیل محاسبات همه رشته های موازی جمع آوری شد. برنامه پرس و جو در زبان برنامه نویسی X10 پیاده سازی شد. برنامه‌های X10 را می‌توان برای اجرا بر روی Java یا C++ کامپایل کرد. برای این آزمایش از Java Backend استفاده شد زیرا عملکرد نسبتاً بهتری دارد. شکل 5زمان اجرای 10000 کوئری KNN را در سه نمودار Voronoi نشان می دهد که به ترتیب از 10000، 20000 و 40000 سایت با استفاده از 1 تا 12 پردازنده موازی تولید شده اند. سرعت قابل توجهی با محاسبه موازی مشاهده می شود. از شکل 5مشاهده می شود که با افزایش تعداد پردازنده ها از 1 به 4، ضریب سرعت تقریبا خطی بوده و با اضافه شدن پردازنده های بیشتر، ضریب افزایش سرعت کاهش می یابد. این به دلیل این واقعیت است که هر یک از اجرای آزمایشی شامل 50 کار موازی بود و زمانی که پردازنده های بیشتری اضافه شد، هر پردازنده حجم کار کمتری داشت و سربار معماری موازی قابل توجه تر شد. توجه داشته باشید که پرس و جوهای فضایی واقعی حجم کاری بسیار بالاتری نسبت به یک پرس و جوی ساده KNN دارند و انتظار می رود افزایش عملکرد پرس و جوهای فضایی موازی در عمل بالاتر باشد.
Ijgi 02 00067 g005 1024
شکل 5. زمان اجرای 10000 کوئری KNN در سه نمودار Voronoi که به ترتیب از 10000، 20000 و 40000 سایت با استفاده از 1 تا 12 پردازنده موازی تولید شده اند.
Ijgi 02 00067 g006 1024
شکل 6. زمان اجرای اصلاح مثلثی سه نمودار Voronoi که به ترتیب از 10000، 20000 و 40000 سایت با استفاده از 1 تا 12 پردازنده موازی تولید شده است.
ما همچنین بخشی از الگوریتم اصلاح مثلث را برای نمایه سازی نمودارهای ورونوی موازی کردیم. شکل 6 زمان اجرای اصلاح مثلثی سه نمودار Voronoi را نشان می دهد که به ترتیب از 10000، 20000 و 40000 سایت با استفاده از 1 تا 12 پردازنده موازی تولید شده اند. با این حال، از آنجایی که الگوریتم نمایه سازی ساختار بازگشتی دارد و تنها بخشی از محاسبات در هر مرحله بازگشتی موازی شده است، بهبود سرعت نسبتاً محدود است. همچنین توجه داشته باشید که زمان اجرای نمایه سازی متناسب با اندازه نمودار Voronoi است.

4. بحث و گفتگو

پاسخ به فاجعه اغلب مستلزم دسترسی به پایگاه های داده توزیع شده متعدد و مجموعه داده های بزرگ برای پردازش داده ها، شبیه سازی و تصمیم گیری است. به دست آوردن و یکپارچه سازی اطلاعات فضایی ناهمگن به موقع برای واکنش کارآمد و موثر در بلایا مهم است. در حالی که OGC WFS به اشتراک گذاری داده های مکانی را در سطح ویژگی برای پاسخ به بلایا تسهیل می کند، داده های GML مبتنی بر متن و پرس و جوهای همزمان و پیچیده ممکن است زمان زیادی طول بکشد تا اطلاعات مورد نیاز از سیستم های WFS به دست آید. از آنجایی که پرس و جوی فضایی عبارت است از پرس و جوی که ویژگی ها را بر اساس رابطه فضایی آنها با هندسه پرس و جو مانند جستجوی ویژگی هایی با محدوده مشخص یا جستجوی ویژگی ها بر اساس ارتباط آنها با سایر ویژگی ها، یک درخواست سرویس پیچیده است و به فرآیندهای محاسبات جغرافیایی فشرده نیاز دارد.
علاوه بر این، پس از حوادث بلایا، ارتباطات اغلب محدود می‌شود، زیرا زیرساخت‌های موجود تخریب شده یا بلایایی در منطقه‌ای بدون زیرساخت رخ داده است. بنابراین، پاسخ به فاجعه ممکن است فقط دارای ارتباطات بی‌سیم از جمله شبکه‌های موقت بی‌سیم باشد که می‌تواند در میان واکنش‌دهنده‌ها یا امدادگرانی که دستگاه‌های دستی مانند تلفن همراه یا لپ‌تاپ را حمل می‌کنند، تشکیل شود. توجه داشته باشید که با توسعه شبکه‌های بی‌سیم و دستگاه‌های دیجیتال شخصی، انتظار می‌رود که ارتباطات بی‌سیم بیشتر و بیشتری برای برنامه‌های واکنش به بلایا مورد استفاده قرار گیرد. با این حال، ارتباطات بی سیم دارای محدودیت های پهنای باند و محدوده ارتباط محدود است. این باعث می شود حجم عظیمی از ترافیک و درخواست های خدمات، در نتیجه باعث ناکارآمدی جستجوهای فضایی WFS برای دریافت اطلاعات مورد نیاز شود.
برای بهبود عملکرد پرس و جو OGC WFS، در این تحقیق ما یک رویکرد موازی را پیشنهاد می کنیم، که از نمودار Voronoi برای ایجاد یک شاخص فضایی و موازی سازی داده/وظیفه برای پرس و جوهای فضایی همزمان، برای اجرای فرآیندهای پرس و جو در یک خوشه بزرگ استفاده کامل می کند. از کامپیوترها رویکرد پیشنهادی یک روش آگاه از جغرافیا برای تقسیم‌بندی یک منطقه نقشه بزرگ است. داده های ورودی را با ساختن نمودار Voronoi تقسیم و نمایه می کند. یک نمودار Voronoi طراحی شده است تا تضمین کند که داده‌ها در یک منطقه تقسیم‌بندی شده در یک گره ذخیره می‌شوند و همه داده‌های مکانی در بین خوشه‌ها بر اساس فضای جغرافیایی توزیع می‌شوند. نمودار Voronoi در جستجوی نزدیکترین منطقه همسایه بسیار کارآمد است زیرا فضای جغرافیایی دو بعدی را به چندین قسمت تقسیم می کند.
رویکرد پیشنهادی به برنامه‌های پاسخ به بلایا اجازه می‌دهد تا از منابع محاسباتی متعدد از جمله رایانه‌های با کارایی بالا یا خوشه‌هایی از ایستگاه‌های کاری، که ممکن است در یک شبکه گسترده توزیع شوند، برای استخراج اطلاعات مورد نیاز از مجموعه داده‌های جغرافیایی انبوه به طور کارآمد استفاده کنند. بنابراین، یک راه حل ایده آل و عملی برای بهبود عملکرد پرس و جو OGC WFS برای برنامه های کاربردی واکنش به بلایا ارائه می دهد. روش پیشنهادی ممکن است برای ارائه درجه ای از تحمل خطا استفاده شود. رویکرد پیشنهادی به سیستم‌های WFS اجازه می‌دهد پرس‌و‌جوهای در حال اجرا را به پرس‌و‌جوهای فرعی تقسیم کنند و داده‌های مکانی را تکرار کنند تا در صورت شکست سرور اولیه، هر فرعی می‌تواند روی سرور دیگری اجرا شود. این یک وضعیت رایج در هنگام حوادث فاجعه است، زمانی که بخش‌هایی از زیرساخت‌ها در منطقه ممکن است توسط بلایا از بین بروند. در این شرایط، اگر داده‌ها در سرورهای دیگری که تحت تأثیر بلایای طبیعی قرار نگرفته‌اند، تکرار می‌شوند، پرس‌و‌جوهای ناموفق WFS می‌توانند روی آن سرورهای کاربردی دوباره اجرا شوند.
نتایج تجربی نشان می‌دهد که رویکرد موازی می‌تواند به طور قابل‌توجهی زمان پاسخ مورد نیاز برای پردازش پرسش‌های مکانی را از حجم عظیمی از داده‌های مکانی برای پاسخ به بلایا بهبود بخشد.
رویکرد موازی همچنین می تواند با استراتژی های دیگر ترکیب شود تا عملکرد پرس و جو WFS برای پاسخ به فاجعه را بهبود بخشد. به عنوان مثال، با رشد و استفاده گسترده از تلفن‌های هوشمند، پاسخ به بلایای آینده ممکن است از تلفن‌های هوشمند برای جستجوی اطلاعات ویژگی‌های فضایی مورد نیاز از سیستم‌های WFS برای به‌روزرسانی و اشتراک‌گذاری اطلاعات فاجعه استفاده کند. با شبکه بی سیم برای تلفن های هوشمند، یک XML باینری فشرده (BXML) یا الگوریتم فشرده سازی محبوب مبتنی بر GZIP ممکن است برای کاهش حجم داده در انتقال شبکه به منظور بهبود بیشتر کارایی عملکرد WFS استفاده شود.
رویکرد موازی پیشنهادی همچنین می‌تواند با استراتژی ذخیره‌سازی ترکیب شود تا کارایی عملکرد پرس‌وجو را از سیستم‌های WFS برای برنامه‌های واکنش به بلایا بهبود بخشد. نتایج غالباً درخواست شده را می توان در سرورهای WFS ذخیره کرد تا به سیستم ها اجازه دهد تا در سریع ترین زمان ممکن پاسخ دهند. ذخیره سازی زمان دسترسی به داده ها را با ذخیره نتایج اتصالات مکرر فضایی در حافظه کاهش می دهد تا عملیات مشابه برای هر درخواست داده تکرار نشود.
علاوه بر این، رویکرد موازی پیشنهادی همچنین می‌تواند با تکنیک انتقال پیشرونده برای بهبود کارایی عملکرد پرس‌وجو از سیستم‌های WFS برای برنامه‌های پاسخ به بلایا ترکیب شود. با تکنیک انتقال پیشرونده، ویژگی‌های فضایی در سیستم‌های WFS با استفاده از اصول کارتوگرافی برای ساخت ساختار چند لایه استخراج می‌شوند. چندین روش در ادبیات برای انتقال پیش رونده داده های برداری پیشنهاد شده است [ 27 و 28 ]. این روش‌ها را می‌توان با رویکرد موازی پیشنهادی برای بهبود بیشتر کارایی عملکرد پرس‌وجو از سیستم‌های WFS برای برنامه‌های کاربردی واکنش به بلایا استفاده کرد.
علاوه بر این، رویکرد موازی پیشنهادی را می توان به راحتی با مدل Map-Reduce که توسط خدمات رایانش ابری استفاده می شود، تطبیق داد. یک چارچوب Map-Reduce می تواند بسیاری از وظایف نقشه را به صورت موازی اجرا کند و وظایف کاهش را برای یکپارچه سازی نتایج وظایف نقشه اجرا کند. برای رویکرد ما، پرس و جوهای فرعی موازی تولید شده از یک پرس و جو WFS را می توان به وظایف نقشه تبدیل کرد در حالی که نتایج جزئی وظایف نقشه را می توان با یک وظیفه کاهش خلاصه کرد. حتی اگر مدل کاهش نقشه رایانش ابری سربار زمان اجرا زیادی را معرفی می‌کند، می‌تواند قابلیت محاسبات توزیع‌شده را به روش‌های الاستیک و بر اساس تقاضا با مجازی‌سازی و ادغام منابع محاسباتی فراهم کند [ 29 ]]. با ارائه «محاسبات به‌عنوان یک سرویس» برای کاربران نهایی در حالت «پرداخت به‌موقع»، رایانش ابری ممکن است راحت‌تر باشد و بودجه و مصرف انرژی برای بهبود عملکرد سیستم‌های WFS با حجم کاری سنگین کارآمدتر باشد.
در نهایت، همانطور که در [ 16 ] ذکر شد، سیستم های WFS راه حلی برای به اشتراک گذاری داده های مکانی در زمان واقعی در سطح ویژگی ارائه می دهند. این مطالعه بر بهبود عملکرد پرس و جو از سیستم WFS تمرکز دارد در حالی که سایر عملیات های پشتیبانی شده توسط پروتکل WFS-T مانند ایجاد، حذف و به روز رسانی در اینجا در نظر گرفته نمی شوند زیرا اغلب عملکرد مهمی ندارند. علاوه بر این، برای حفظ یکپارچگی داده ها، آنها باید به صورت متوالی پردازش شوند، که دستیابی به افزایش عملکرد در چارچوب موازی را دشوار می کند. علاوه بر این، اگرچه این مقاله بر بهبود کارایی عملکرد پرس و جو از سیستم‌های WFS تمرکز دارد، باید اشاره کرد که رویکرد موازی پیشنهادی می‌تواند برای ویژگی‌های مکانی گسسته مانند مجموعه داده‌های آنلاین ارائه‌شده توسط EPA و اداره سرشماری ایالات متحده استفاده شود.19 ]. تا زمانی که اطلاعات موقعیت جغرافیایی در داده ها وجود دارد، می توانیم از نمودارهای Voronoi برای سازماندهی داده های مکانی و تقسیم داده های مکانی به چندین زیر مجموعه برای محاسبات موازی استفاده کنیم. روش پیشنهادی برای داده های شطرنجی مانند تصاویر نقشه بازگردانده شده توسط خدمات نقشه وب مناسب نیست.

5. نتیجه گیری ها

برنامه های کاربردی واکنش به بلایا به دسترسی سریع به داده های مکانی دقیق و به روز برای به دست آوردن یک دید کلی از وضعیت فاجعه، ارزیابی خسارات و ارائه اطلاعات قابل اعتماد به تیم های لجستیک محلی نیاز دارند. هیچ سازمان دولتی یا خصوصی به تنهایی نمی تواند تمام اطلاعات مکانی مورد نیاز را برای واکنش موثر در بلایا فراهم کند و تضمین کند. نیاز به جستجوی اطلاعات مکانی مورد نیاز از چندین منبع داده توزیع شده در وب وجود دارد.
WFS OGC یکپارچه سازی و به اشتراک گذاری اطلاعات مکانی از منابع داده ناهمگن متعدد را تسهیل می کند و امکان دسترسی سریع به اطلاعات مکانی سطح ویژگی را از طریق وب فراهم می کند. با این حال، چندین مکانیسم ذاتی WFS مانند داده‌های GML مبتنی بر متن و پرس‌وجوهای فضایی پیچیده از طریق فرآیندهای محاسبات جغرافیایی فشرده، چالش‌هایی را برای انجام کارآمد پرس‌و‌جوهای فضایی از سیستم‌های WFS ایجاد می‌کنند. این مقاله یک رویکرد موازی را برای بهبود عملکرد پرس و جو سیستم‌های WFS برای برنامه‌های کاربردی واکنش به بلایا بر اساس ترکیبی از نمایه‌سازی نمودار Voronois و تکنیک موازی پیشنهاد می‌کند. نتایج آزمایش نشان می‌دهد که رویکرد موازی پیشنهادی می‌تواند برای کاهش زمان پاسخ برای پرسش‌های فضایی فشرده محاسباتی از یک سیستم WFS استفاده شود. به ویژه برای پرس و جوهای فضایی که شامل جمع آوری و پردازش مقادیر زیادی از داده های مکانی از منابع مختلف است. رویکرد موازی پیشنهادی با استفاده کامل از سرورهای کامپیوتری با کارایی بالا که بر روی یک شبکه گسترده توزیع شده اند، عملکرد پرس و جوی WFS را بهبود می بخشد. با مزایای منحصر به فرد موازی کاری، رویکرد موازی پیشنهادی ممکن است راه حل موثری برای چالش تجزیه و تحلیل داده های بزرگ در برنامه های کاربردی واکنش به بلایا ارائه دهد.
علاوه بر این، رویکرد موازی پیشنهادی ممکن است به بسیاری از کاربران مانند واکنش‌دهنده‌ها و تصمیم‌گیرندگان امکان دسترسی همزمان به پایگاه‌های اطلاعاتی فضایی در طول فرآیندهای واکنش به بلایا را بدهد. اگرچه هنوز نیاز به ترکیب انواع استراتژی‌های دیگر مانند روش‌های فشرده‌سازی و حافظه پنهان با رویکرد موازی پیشنهادی برای بهبود بیشتر عملکرد پرس‌وجوی WFS وجود دارد، ما پیش‌بینی می‌کنیم که رویکرد پیشنهادی می‌تواند کارایی یک پرس و جو WFS را با موازی کردن محاسبات جغرافیایی فشرده بهبود بخشد. رویکرد پیشنهادی قادر به استفاده کامل از رایانه‌ها و خوشه‌های با کارایی بالا به‌طور فزاینده‌ای برای پاسخ‌گویی مؤثر به بلایا است.

منابع

  1. Cova، TJ GIS در مدیریت اضطراری. در سیستم های اطلاعات جغرافیایی: اصول، تکنیک ها، کاربردها و مدیریت ؛ Longley، PA، Goodchild، MF، Maguire، DJ، Rhind، DW، Eds. جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 1999; صص 845-858. [ Google Scholar ]
  2. کوان، نماینده مجلس؛ لی، جی. پاسخ اضطراری پس از 11 سپتامبر: پتانسیل GIS سه بعدی بلادرنگ برای واکنش سریع اضطراری در محیط‌های ریز فضایی. محاسبه کنید. محیط زیست سیستم شهری 2005 ، 29 ، 93-113. [ Google Scholar ] [ CrossRef ]
  3. ویلیامسون، RA; بیکر، جی سی دست کمک: استفاده از سنجش از راه دور برای پشتیبانی از عملیات پاسخ و بازیابی در مرکز تجارت جهانی. فتوگرام مهندس Remote Sens. 2002 ، 68 ، 870-875. [ Google Scholar ]
  4. زرگر، ا. اسمیت، DI موانع استفاده از GIS برای پشتیبانی تصمیم گیری بلادرنگ در زمان واقعی. محاسبه کنید. محیط زیست سیستم شهری 2003 ، 27 ، 123-141. [ Google Scholar ]
  5. مجلس نمایندگان آمریکا کمیته دو حزبی را برای بررسی آمادگی و واکنش به طوفان های کاترینا و ریتا انتخاب کرد. در شکست ابتکار: گزارش نهایی کمیته منتخب دو حزبی برای بررسی آمادگی و واکنش به طوفان های کاترینا و ریتا ؛ دفتر چاپ دولت ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 2006.
  6. دانکروورت، اس. دولان، اس ام. بکویث، م. Northrup, TP; Sozer، A. افزایش جمع آوری داده های دقیق در شناسایی های خویشاوندی مرگ و میر جمعی: درس های آموخته شده از طوفان کاترینا. پزشکی قانونی بین المللی ژنت 2008 ، 2 ، 354-362. [ Google Scholar ]
  7. مونمونیر، م. Giordano، A. GIS در دفاتر مدیریت اضطراری شهرستان نیویورک. Appl. Geogr. گل میخ. 1998 ، 2 ، 95-109. [ Google Scholar ] [ CrossRef ]
  8. ویگاند، ن. گارسیا، سی. یک رویکرد هستی شناسی مبتنی بر وظیفه برای خودکارسازی بازیابی داده های مکانی. ترانس. GIS 2007 ، 11 ، 355-376. [ Google Scholar ] [ CrossRef ]
  9. هاروی، اف. توسعه زیرساخت اطلاعات جغرافیایی برای دولت محلی: نقش اعتماد. می توان. Geogr.–Geogr. می توان. 2003 ، 47 ، 28-36. [ Google Scholar ]
  10. نیمن، بی جی; نیمن، اس. آلن، اچ. اشمیت: کارآموز GIS. جغرافیایی Inf. سیستم 1998 ، 8 ، 42-45. [ Google Scholar ]
  11. Grady، RK Homeland امنیت، حریم خصوصی و جمع آوری داده ها. زمین Obs. Mag. 2004 ، 13 ، 27-28. [ Google Scholar ]
  12. دووگل، تی. پدر و مادر، سی. Spaccapietra، S. در مورد ادغام پایگاه داده فضایی. بین المللی جی. جئوگر. اطلاعات علمی 1998 ، 12 ، 335-352. [ Google Scholar ]
  13. Choicki، J. قابلیت همکاری مبتنی بر محدودیت پایگاه‌های داده فضایی و زمانی. Geoinformatica 1999 ، 3 ، 211-243. [ Google Scholar ] [ CrossRef ]
  14. منصوریان، ع. رجبی فرد، ع. Valadan Zoej، MJ; ویلیامسون، IP استفاده از SDI و سیستم مبتنی بر وب برای تسهیل مدیریت بلایا. محاسبه کنید. Geosci. 2006 ، 32 ، 303-315. [ Google Scholar ]
  15. ژانگ، سی. لی، دبلیو. پنگ، Z.-R. روز، پایگاه‌های اطلاعاتی جغرافیایی متقابل مبتنی بر GML. کارتوگرافی 2003 ، 32 ، 1-16. [ Google Scholar ]
  16. ژانگ، سی. لی، دبلیو. نقش سرویس ویژگی های وب و سرویس نقشه وب در به اشتراک گذاری داده های جغرافیایی زمان واقعی برای برنامه های کاربردی حساس به زمان. کارتوگر. Geogr. به اطلاع رساندن. علمی 2005 ، 32 ، 269-283. [ Google Scholar ]
  17. پنگ، Z.-R. ژانگ، سی. نقش زبان نشانه گذاری جغرافیا، گرافیک برداری مقیاس پذیر، و مشخصات سرویس ویژگی های وب در توسعه سیستم های اطلاعات جغرافیایی اینترنتی. جی. جئوگر. سیستم 2004 ، 6 ، 95-116. [ Google Scholar ]
  18. یانگ، سی. وانگ، دی. یانگ، آر. کافاتوس، م. لی، کیو. تکنیک های بهبود عملکرد در GIS مبتنی بر وب. بین المللی جی. جئوگر. اطلاعات علمی 2005 ، 19 ، 319-342. [ Google Scholar ]
  19. یانگ، سی. وو، اچ. هوانگ، Q. لی، ز. لی، جی. لی، دبلیو. میائو، ال. Sun, M. WebGIS Performance Issues and Solutions. در پیشرفت در GIS مبتنی بر وب، خدمات نقشه برداری و برنامه های کاربردی ؛ Li, S., Dragicevic, S., Veenendaal, B., Eds.; تیلور و فرانسیس: نیویورک، نیویورک، ایالات متحده آمریکا، 2011; صص 121-138. [ Google Scholar ]
  20. دین، جی. Ghemawat، S. Mapreduce: پردازش داده های ساده در خوشه های بزرگ. اشتراک. ACM 2008 ، 51 ، 107-113. [ Google Scholar ]
  21. کری، ا. سان، ز. هریستیدیس، وی. Rishe، N. تجربیات در مورد پردازش داده های مکانی با MapReduce. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی مدیریت پایگاه داده های علمی و آماری، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 2 تا 4 ژوئن 2009. وینسلت، ام.، اد. صص 302-319.
  22. آکدوگان، ا. Demiryurek، U. بنایی کاشانی، ف. شهابی، سی. پردازش پرس و جوی مکانی مبتنی بر ورونوی با MapReduce. مجموعه مقالات دومین کنفرانس بین المللی IEEE در سال 2010 در فناوری و علم رایانش ابری (CloudCom)، ایندیاناپولیس، IN، ایالات متحده آمریکا، 30 نوامبر تا 3 دسامبر 2010. صص 9-16. در دسترس آنلاین: http://infolab.usc.edu/ DocsDemos/IEEE_Cloud_Computing_2010.pdf (در 23 دسامبر 2012 قابل دسترسی است).
  23. اوکابه، ا. چکمه، بی. سوگیهارا، ک. Chiu, SN Spatial Tessellations: Concepts and Applications of Voronoi Diagrams ; Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، 2000. [ Google Scholar ]
  24. Fortune, S. A الگوریتم Sweepline برای نمودارهای Voronoi. در مجموعه مقالات دومین سمپوزیوم سالانه هندسه محاسباتی، یورک تاون هایتس، نیویورک، ایالات متحده آمریکا، 2 تا 4 ژوئن 1986. صص 313-322.
  25. Kirkpatrick، DG Search Optimal در زیربخش های مسطح. SIAM J. Comput. 1983 ، 12 ، 28-35. [ Google Scholar ] [ CrossRef ]
  26. دوبکین، دی. مشکلات جستجوی چند بعدی لیپتون، RJ. SIAM J. Comput. 1976 ، 5 ، 181-186. [ Google Scholar ] [ CrossRef ]
  27. باتنفیلد، BP انتقال داده های مکانی برداری برداری در سراسر اینترنت. Geogr. به اطلاع رساندن. علمی 2002 ، 2478 ، 51-64. [ Google Scholar ] [ CrossRef ]
  28. هوپ، اچ. مش های پیشرو. در مجموعه مقالات SIGGRAPH’96، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 4 تا 9 اوت 1996; صص 99-108.
  29. یانگ، سی. گودچایلد، م. هوانگ، Q. نبرت، دی. راسکین، آر. بامباکوس، ام. خو، ی. Fay, D. Spatial Cloud Computing – چگونه علوم زمین فضایی می توانند از محاسبات ابری استفاده کنند و به آنها کمک کنند. بین المللی J. Digital Earth 2011 ، 4 ، 305-329. [ Google Scholar ] [ CrossRef ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربردهای GIs در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370