جغرافیای محاسباتی با GIS :جنبش جغرافیای عصر حاضر :جغرافیای محاسباتی در دهه 1980 در پاسخ به محدودیت‌های تقلیل‌گرایانه نرم‌افزار GIS اولیه، که از تحلیل‌های عمیق داده‌های جغرافیایی غنی جلوگیری می‌کرد، پدیدار شد. امروزه، جغرافیای محاسباتی به ادغام طیف وسیعی از حوزه‌ها برای تسهیل تحلیل‌های فضایی که به منابع محاسباتی یا پارادایم‌های هستی‌شناختی فراتر از آنچه در بسته‌های نرم‌افزاری GIS سنتی در دسترس است، ادامه می‌دهد. اینها شامل رویکردهای جدید برای ایجاد انبوه داده‌های مکانی، طراحی پایگاه داده در مقیاس بزرگ برای ذخیره‌سازی و جستجوی مؤثر شناسه‌های مکانی (یعنی پایگاه‌های اطلاعاتی فضایی توزیع‌شده) و روش‌هایی است که شبیه‌سازی و/یا تجزیه و تحلیل را در زمینه مقیاس بزرگ ممکن می‌سازد. ، اغلب منابع اطلاعاتی نزدیک به زمان واقعی و فضایی صریح.
- بررسی اجمالی
- بهینه سازی نمایه سازی و بازیابی داده های مکانی در یک چارچوب جغرافیای محاسباتی
- اپراتورهای اولیه زمین فضایی در محیط های تقسیم شده و موازی شده
- تجزیه و تحلیل های توزیع شده فضایی
- ابزارها و تکنیک های رایج در جغرافیای محاسباتی
اصطلاح «جغرافیای محاسباتی» توسط دیوید مارک و همکارانش در مرکز ملی اطلاعات و تجزیه و تحلیل جغرافیایی در دهه 1980 ابداع شد و توسط استن اپنشاو با تأسیس مرکز جغرافیای محاسباتی در دانشگاه لیدز رسمیت یافت (باتی، 2020؛ برای مروری گسترده تر در مورد تاریخچه تحلیل کمی در جغرافیا، رجوع کنید به مارک، 2003). جنبش جغرافیای محاسباتی که به جای “محاسبات جغرافیایی” استفاده می شود، در پاسخ به تصمیمات تقلیل گرایانه اتخاذ شده برای ساده سازی ایجاد، نگهداری و تجزیه و تحلیل داده های مکانی در طول ظهور سیستم های اطلاعات جغرافیایی (GIS) تا دهه 1980 پدیدار شد (Gahegan & GeoComputation International Steering Group, 2001). . در حالی که بسیاری از این محدودیت‌های اولیه در قابلیت‌های GIS در چهار دهه گذشته بهبود یافته‌اند. جغرافی دانان محاسباتی همچنان با چالش هایی درگیر هستند که از نظر فنی یا هستی شناسی برای پیاده سازی در پلتفرم های نرم افزاری GIS معاصر غیرممکن است. امروزه، همپوشانی بین جغرافیای محاسباتی و محاسبه جغرافیایی همچنان قابل توجه است، با تمایز اصلی بین گروه ها تاکید بر مهندسی کامپیوتر و بهینه سازی در یک پایگاه داده یا سطح سیستم در جامعه جغرافیای محاسباتی (یعنی ساخت پایگاه های داده فضایی توزیع شده با هدف عمومی (هیوز) و همکاران 2015)، عملگرهای ابتدایی در محیط های موازی (Shook et al. 2016)، یا استراتژی های جدید برای پردازش توزیع شده (Worboys & Duckham 2006)) در مقایسه با تمرکز بیشتر بر روی بهینه سازی های خاص مدل در جامعه GeoComputation (یعنی ، استخراج راه های جدید برای توزیع مدل های مبتنی بر عامل).
شکل 1. نمودار نشان دهنده موضوعات شامل حوزه جغرافیای محاسباتی، در حدود 2021. منبع: نویسنده.
موضوعاتی که جغرافیای محاسباتی با آنها درگیر شده است، در طول زمان، با تمرکز بر تحقیقات کشف محور که قابلیت‌های GIS معاصر و مبتنی بر صنایع تجاری را تقویت یا بهبود می‌بخشد، دوباره تعریف شده‌اند. در کنار این تکامل، مشارکت‌کنندگان رشته‌ای در جغرافیای محاسباتی نیز تغییر کرده‌اند – نه تنها جغرافیدانان با مهارت‌های محاسباتی قوی، بلکه همچنین اطلاعات و دانشمندان رایانه‌ای را که با منابع داده‌های مکانی درگیر هستند، در خود جای داده‌اند. این تغییر بین رشته ای امروزه در دانشگاه منعکس شده است، با ارائه دو برنامه Ph.D. مدرک جغرافیای محاسباتی هر دو خارج از بخش های جغرافیا (تگزاس A&M، 2021؛ ویلیام و مری، 2021).
افزایش سریع اطلاعات موجود منجر به چالش‌های عملی و نظری برای روش‌های سنتی تحقیق مبتنی بر GIS شده است – از ناتوانی نرم‌افزار مدرن دسکتاپ GIS در مدیریت مجموعه داده‌های بزرگ در محیط‌های غیر توزیع‌شده، تا بحث‌های هستی‌شناختی و فنی در مورد چگونگی فضایی. مجموعه داده‌ها می‌توانند مفیدتر از حد مجاز در چارچوب‌های GIS رایج باشند (Bostock et al., 2017). بسیاری از ابزارها و تکنیک های مشتق شده توسط جغرافیدانان محاسباتی، در پاسخ، شروع به ارائه راه حل هایی برای این چالش ها کرده اند. این مشارکت ها در پیوند سه حوزه موضوعی بوده است: (1) نمایش داده های مکانی و ذخیره سازی، (2) تجزیه و تحلیل مکانی، آمار و GeoAI، و (3) بهینه سازی محاسباتی. با اذعان به اینکه هر یک از این حوزه های موضوعی نیازمند مقاله های جداگانه هستند،
2. بهینه سازی نمایه سازی و بازیابی داده های مکانی در یک چارچوب جغرافیای محاسباتی
همانطور که حجم و ماهیت اطلاعات مکانی افزایش یافته و تغییر کرده است، همچنین قابلیت های فنی مورد نیاز برای ثبت و پرس و جو از آن داده ها نیز افزایش یافته است. در جامعه GIS، توسعه سیستم‌های مدیریت پایگاه داده مکانی (SDBMS) مدل‌های جدید داده، ذخیره‌سازی و تکنیک‌های پرس و جو را بر اساس اطلاعات جغرافیایی فعال کرد و قابلیت‌های جدیدی را برای تجزیه و تحلیل در محیط‌های رومیزی و برنامه‌ای GIS فراهم کرد. به موازات این تلاش ها، جوامع علوم کامپیوتر و جغرافیای محاسباتی به دنبال پیاده سازی عملکرد پرس و جو فضایی در محیط های پایگاه داده سنتی و فضایی بودند. این تلاش ها – شامل مهندسی نرم افزار (یعنی هیوز و همکاران 2015) و توسعه سیستم های مرجع جدید (Tsui 1997) – امروزه منجر به طیف گسترده ای از راه حل ها برای بهینه سازی نمایه سازی و بازیابی داده های مکانی شده است.
افزودن عملکرد پرس و جو فضایی به پایگاه‌های داده رابطه‌ای یکی از اولین پیشرفت‌ها بود که عمدتاً به دلیل رواج پایگاه‌های داده رابطه‌ای در سیستم‌های ذخیره‌سازی داده‌های سازمانی بود. با نمایش هر موجودیت داده به عنوان یک ردیف، طیف وسیعی از تکنیک‌ها برای اضافه کردن یک ستون هندسی از اطلاعات و همچنین پیاده‌سازی الگوریتم‌هایی برای انتخاب ردیف‌ها بر اساس مقادیر موجود در این ستون هندسی استخراج شد. این تکنیک ها تا به امروز با تحقیقات اخیر بر موازی سازی یا توزیع پرس و جوهای فضایی (Giannousis et al., 2019; Ilba, 2021) و استراتژی های نمایه سازی فضایی بهینه در پایگاه های اطلاعاتی رابطه ای (Chaves Carniel et al., 2018؛ شون و همکاران، 2013).
متمایز از پایگاه‌های داده رابطه‌ای، رویکردهای سندمحور به دنبال فعال کردن یک استراتژی جمع‌آوری داده انعطاف‌پذیرتر بودند، که در آن یک طرحواره صریح نیازی به تعریف قبلی ندارد. به عنوان مثال، این امکان اضافه کردن انواع جدیدی از جمع‌آوری داده‌ها را برای برخی واحدها در پایگاه داده، در کنار طیف وسیعی از مزایای دیگر فراهم می‌کند. الگوریتم‌های جدید برای فعال کردن نمایه‌سازی و جستجوی فضایی در پایگاه‌های اطلاعاتی ذخیره‌سازی اسناد در کنار بسیاری از خود پایگاه‌های داده (یعنی 2dsphere MongoDB)، با اثرات مختلط وابسته به وظیفه محاسباتی مورد علاقه (Bartoszewski et al., 2019; Makris et al., 2019; Makris et al., 2021) تحقیقات برای بهبود کارایی پرس و جو فضایی در پایگاه‌های اطلاعاتی سندمحور امروز ادامه دارد (Makris et al. 2021؛ Xiang et al., 2016; Yan et al., 2016; Zhu & Gong, 2014).
علاوه بر رویکردهای پایگاه داده رابطه‌ای و سندمحور، فروشگاه‌های ارزش کلیدی اخیراً مورد توجه تحقیقات قرار گرفته‌اند. مزیت فروشگاه‌های ارزش کلیدی در ساختار پایه و ستونی آنها نهفته است که برای پردازش مجموعه داده‌های پراکنده بسیار کارآمد هستند. بعلاوه، بیشتر فروشگاه‌های با ارزش کلیدی به گونه‌ای طراحی شده‌اند که در محیط‌های بسیار پراکنده کار کنند. اکثر تحقیقات در مورد این موضوع بر پیاده سازی پرس و جو فضایی در بالای پایگاه داده های محبوب hBase و Accumulo متمرکز است، با طیف وسیعی از الگوریتم هایی که از پرس و جو و نمایه سازی فضایی در این پارادایم مشتق شده اند. محبوب ترین آنها پروژه GeoMesa است (Hughes et al., 2015).
برای محققان علاقه مند به روش های غیر سنتی برای تجزیه و تحلیل فضایی، تعداد کمی پایگاه داده مبتنی بر نمودار ایجاد شده است که در آنها روابط شبکه را می توان به عنوان عوامل فضایی، اجتماعی یا عوامل دیگر مفهوم سازی کرد. رایج‌ترین آنها Neo4j است که خصوصیات موجودیت بدون ساختار را امکان‌پذیر می‌سازد، با موجودیت‌ها اعضای یک یا مجموعه‌ای از شبکه‌های مرتبط با گره‌ها و لبه‌های تعریف‌شده (Webber, 2012). Neo4j-Spatial به طور خاص پرس و جو را در یک شبکه تعریف شده توسط جغرافیا، از جمله عملیات رایج مانند جستجو در مناطق مشخص یا فواصل از یک نقطه، امکان پذیر می کند (Taverner, 2012). سایر پایگاه های داده مبتنی بر نمودار با عملکرد فضایی عبارتند از RedisGraph و AllegroGraph.
طیف گسترده‌ای از چارچوب‌های جدیدتر برای پایگاه‌های داده فضایی توزیع شده اخیراً توسط جامعه پیشنهاد شده‌اند که بر اساس یا ترکیب فناوری‌های ذکر شده در بالا ساخته شده‌اند. اینها عبارتند از SpatialSpark، GeoSpark، Simba، LocationSpark، SparkGIS، TrajSpark، DITA، Gragoon و احتمالاً بسیاری دیگر. بررسی کامل این ابزارها و مشارکت آنها در این مجموعه رو به رشد تکنیک ها را می توان در Alam et al., 2021 یافت.
3. اپراتورهای زمین فضایی اولیه در محیط های تقسیم شده و موازی شده
چالش نمایش داده‌های مکانی به تکامل خود ادامه می‌دهد، با مفاهیم مختلف که تعاریف کاملاً متفاوتی را از مرزهای فضایی (یعنی مرزهای فازی)، روابط جغرافیایی (یعنی نمایش‌های شبکه)، و ویژگی‌های جغرافیایی (یعنی عضویت در کلاس فازی در مقابل گسسته) ترویج می‌کنند. گودچایلد و همکاران 1998). با افزایش حجم داده‌های جغرافیایی، دسترسی به اطلاعاتی که ممکن است در طیف وسیعی از روش‌ها جمع‌آوری و ذخیره شوند، یک چالش اصلی است. رایج‌ترین راه‌حل‌های امروزی شامل توزیع عملیات زمین فضایی اولیه در گره‌های کامپیوتری متعدد، جمع‌آوری، ادغام یا انتخاب داده‌هایی است که ممکن است برای یک تحلیل خاص استفاده شود.
یک مثال شهودی از این چالش را می توان با عملیات سنتی “آمار منطقه ای” بررسی کرد، که در آن شبکه ای از مقادیر (یعنی دمای اندازه گیری شده در هر 500 متر روی یک سطح) در یک منطقه جغرافیایی درشت تر (یعنی یک کشور) جمع می شود. گاهی اوقات این اولین مرحله ضروری در تحلیلی است که به دنبال درک رابطه(های) بین یک مجموعه داده جغرافیایی – یعنی بارش – و دیگری – یعنی مرزهای کشور است. در مواردی که میلیون‌ها یا میلیاردها امتیاز دارند، هزینه‌های زمانی میانگین ارزش‌های فردی در کل کشور بر روی یک کامپیوتر منفرد می‌تواند غیرقابل تحمل باشد و به سال‌ها، دهه‌ها یا بیشتر کشیده شود. به عنوان یک جایگزین، چندین کامپیوتر می توانند پارتیشن های داده را بارگذاری کنند، مقادیر را برای مجموعه ای از نقاط جمع کنند. و سپس یافته های خود را به یک گره متمرکز انتقال دهند تا محاسبات نهایی را انجام دهند (گودمن و همکاران، 2019؛ جی. ژانگ و همکاران، 2014). برای پشتیبانی از طیف وسیعی از عملیات‌های مختلف زمین‌فضایی، اجرای عملیات‌های زمین‌فضایی اولیه در محیط‌های موازی شامل جستجوهای نقطه‌ای در منطقه است (Kondor et al., 2014; Priya & Kalpana, 2018; Tarmur & Ozturan, 2019)، پیوندهای فضایی (آغاجاریان و پراساد، 2017؛ شما و همکاران، 2015)، کلیپ ها (پوری و پراساد، 2015)، و طیف وسیعی از تکنیک ها – اغلب بر اساس الگوریتم R-Tree – طراحی شده برای تقسیم خودکار داده های مکانی برای توزیع در سراسر گره ها برای کاربرد عمومی (روملیس و همکاران، 2017، 2019؛ شما و همکاران، 2013؛ جی. ژانگ و شما، 2013). این تکنیک ها “چسب” را بین معماری پایگاه داده و تجزیه و تحلیل فراهم می کنند (به عنوان مثال،
4. تجزیه و تحلیل های توزیع شده فضایی
تقاضا برای تجزیه و تحلیل داده های مکانی از طیف وسیعی از صنایع در حال رشد است، اما هزینه های محاسباتی (یعنی زمان مورد نیاز برای پردازش در هسته کامپیوتر) الگوریتم های هندسه آگاه از این رشد جلوگیری کرده است. یکی از حوزه‌های تحقیق فشرده برای غلبه بر این تنگنا، بهبود توانایی ما برای توزیع مدل‌های تحلیلی فضایی در طیفی از پردازنده‌ها یا گره‌های محاسباتی (یعنی محاسبات موازی یا توزیع شده فضایی) بوده است. مدل‌هایی که توزیع می‌شوند می‌توانند ماهیت بسیار متغیری داشته باشند – از شبیه‌سازی‌های مبتنی بر عامل تا شبکه عصبی کانولوشنال (یعنی بروور و همکاران، 2021؛ گودمن و همکاران، 2020) یا سایر رویکردهای یادگیری ماشین. دو رویکرد اتخاذ شده است: راه حل های تخصصی خاص برای یک نوع شناسی مدل تحلیلی،
رویکردهای توزیع خاص مدل در تعدادی از زیرشاخه ها ظاهر شده اند. یکی از برجسته‌ترین آنها، تلاش‌های شبیه‌سازی و مدل‌سازی مبتنی بر عامل بوده است، با بسته‌هایی مانند OpenABL (Cosenza et al., 2018) که رویکردهای توزیع شده و قابل دسترسی آسان را برای طیف وسیعی از توابع اولیه مورد نیاز جامعه مدل‌سازی مبتنی بر عامل ارائه می‌کند. OpenABL به شدت بر روی یک سلسله طولانی از سیستم های توزیع شده خاص ABM، از جمله معروف REPAST، REPAST-HPC، Mason، D-Mason، Flame، و موارد دیگر ساخته شده است (برای بررسی کامل به Cosenza و همکاران، 2018 مراجعه کنید. تکامل این و تلاش های مرتبط).
جامعه سنجش از دور در توسعه مدل‌های تحلیلی توزیع‌شده، عمدتاً برای طبقه‌بندی مقیاس بزرگ تصاویر ماهواره‌ای به‌عنوان بخشی از الگوریتم‌های زمان واقعی (هاویک و جیمز، 1997) و پردازش بر اساس تقاضا بسیار فعال بوده است. تصاویر آرشیوی (یانگ و همکاران، 2005؛ ام. ژانگ و همکاران، 2015). با تکیه بر این رویکردها، تحقیقات اخیر شروع به تمرکز بر تجزیه و تحلیل تصاویر ماهواره‌ای در محیط‌های توزیع‌شده با استفاده از مدل‌های یادگیری عمیق کرده است – به عنوان مثال، توزیع در زیرساخت‌ها مانند GPUهای تخصصی برای الگوریتم‌های یادگیری عمیق (Li & Choi, 2021؛ Sedona et al., 2019).
با تقویت این رویکردهای تخصصی، چارچوب‌های کلی برای فعال کردن تحلیل‌های مدل فضایی توزیع‌شده شامل GeoBeam (He et al., 2019)، Niharika (Ray et al., 2013) و تعدادی پیاده‌سازی جدید از نمایه‌سازی R-tree برای ترویج است. عملیات فضایی همزمان (دای، 2009). به طور گسترده تر، چارچوب های توزیع شده مانند Dask و Spark نیز به عنوان موتورهای انعطاف پذیر برای کمک به توزیع مدل های فضایی در تعداد دلخواه گره ها استفاده شده اند (به عنوان مثال، Erlacher et al., 2021).
5. ابزارها و تکنیک های رایج در جغرافیای محاسباتی
امروزه مطالعه در جغرافیای محاسباتی نیازمند درک عمیق موضوعاتی است که عبارتند از:
- موازی سازی و توزیع الگوریتم های فضایی مبتنی بر GPU و CPU.
- پایگاه داده توزیع شده و معماری سیستم فایل، و مزایا/معایب آنها برای استفاده در زمینه داده های مکانی (به عنوان مثال، پیامدهای استراتژی های پارتیشن بندی در معماری های رایج مانند HDFS، hBase، Accumulo، Sharded Mongo، و Hive).
- تمایزها و موارد استفاده برای فناوری های مختلف پایگاه داده در زمینه پرس و جو فضایی.
- تئوری محاسباتی در مورد بهینه سازی الگوریتم و جستجوی اساسی و استراتژی های مرتب سازی.
- دانش بنیادی GIS (یعنی نمایش داده ها، طرح ریزی، توپولوژی، انواع داده ها).
- دانش بنیادی سنجش از دور (به عنوان مثال، تصحیح جوی، بازتاب فیزیکی).
- درک تکنیک های مختلف آماری فضایی، شامل مدل های رگرسیون فضایی و سایر تکنیک های خودهمبستگی (به عنوان مثال، استراتژی های کریجینگ).
- آشنایی با مدل های یادگیری ماشینی مانند SVM، KNN، درختان رگرسیون و ANN.
- آشنایی با تکنیک های بینایی کامپیوتری به ویژه شبکه های کانولوشن.
خارج از انتخاب کوچک برنامه های جغرافیای محاسباتی امروزه، اکثر محققان این رشته این طیف متنوع از مهارت ها را از طریق همکاری بین رشته ای یا از طریق چندین مدرک در زمینه های مرتبط (یعنی علوم کامپیوتر یا علوم داده و جغرافیا) به دست می آورند.
آغاجاریان، د.، و پراساد، اس‌کی (1396). یک الگوریتم اتصال فضایی بر اساس تکنیک شبکه غیریکنواخت بر روی GPGPU. GIS: مجموعه مقالات سمپوزیوم بین المللی ACM در زمینه پیشرفت در سیستم های اطلاعات جغرافیایی، 2017- نوامبر. DOI: 10.1145/3139958.3140056
Alam، MM، Torgo، L.، & Bifet، A. (2021). بررسی سیستم های تجزیه و تحلیل داده های مکانی-زمانی. کامپیوتر ACM. Surv, 1, 44. https://arxiv.org/abs/2103.09883v1
Bartoszewski، D.، Piorkowski، A.، & Lupa، M. (2019). مقایسه کارایی پردازش داده های مکانی برای پایگاه های داده PostGIS و MongoDB. ارتباطات در علوم کامپیوتر و اطلاعات، 1018، 291-302. DOI: 10.1007/978-3-030-19093-4_22
باتی، ام (2020). پیشگفتار اول: ترسیم علوم اجتماعی محاسباتی از منظر فضایی. در سنتز فضایی (ص 3-5). 10.1007/978-3-030-52734-1_1
Bostock, M., Davies, J., & Stucki, J. (2017). توپوجسون. NYT Graphics، D3. https://github.com/topojson/topojson/graphs/contributors
بروور، ای.، کمپر، پی، لین، جی.، هنین، جی.، و رانفولا، دی (2021). پیش‌بینی کیفیت جاده با استفاده از تصاویر ماهواره‌ای با وضوح بالا: رویکرد یادگیری انتقالی PLoS One.
چاوز کارنیل، آ.، سیفری، آر آر، واسیلاکوپولوس، ام.، روملیس، جی.، کورال، آ.، و دوترا د آگویار سیفری، سیفری، سیفری (2018). یک شاخص فضایی کارآمد برای نقاط. https://www.researchgate.net/publication/329428256
Cosenza، B.، Popov، N.، Juurlink، B.، Richmond، P.، Chimeh، MK، Spagnuolo، C.، Cordasco، G.، & Scarano، V. (2018). OpenABL: یک زبان دامنه خاص برای شبیه سازی های موازی و مبتنی بر عامل توزیع شده. یادداشت های سخنرانی در علوم کامپیوتر (شامل یادداشت های سخنرانی در هوش مصنوعی و یادداشت های سخنرانی در بیوانفورماتیک)، 11014 LNCS، 505-518. 10.1007/978-3-319-96983-1_36
دای، جی (2009). عملیات همزمان کارآمد در پایگاه های داده فضایی [ویرجینیا تک]. https://vtechworks.lib.vt.edu/handle/10919/28987
Erlacher, C., Anders, K.-H., Jankowski, P., Paulus, G., & Blaschke, T. (2021). چارچوبی برای تجزیه و تحلیل عدم قطعیت و حساسیت فضایی صریح مبتنی بر ابر در مدل‌های چند معیاره فضایی. ISPRS International Journal of Geo-Information 10(4), 244. DOI: 10.3390/IJGI10040244
گاهگان، ام.، و گروه هدایت بین المللی ژئومحاسبات. (2001). محاسبه جغرافیایی https://www.geocomputation.org/what.html
Giannousis، K.، Bereta، K.، Karalis، N.، & Koubarakis، M. (2019). اجرای توزیع شده پرس و جوهای فضایی SQL. مجموعه مقالات – کنفرانس بین المللی IEEE 2018 درباره داده های بزرگ، داده های بزرگ 2018، 528–533. 10.1109/BIGDATA.2018.8621908
گودچایلد، مایکل اف.، دانیل آر. مونتلو، پیتر فوهل و جان گوتسگن. (1998). “پرس و جوهای فضایی فازی در کتابخانه های داده های مکانی دیجیتال.” در کنفرانس بین المللی IEEE در مجموعه مقالات FuzzySystems. کنگره جهانی IEEE در زمینه هوش محاسباتی (Cat. No. 98CH36228), vol. 1، ص 205-210..
گودمن، اس.، بن یشای، آ.، لو، زی، و رانفولا، دی. (2019). GeoQuery: یکپارچه‌سازی سیستم‌های HPC و ابزارهای عمومی داده‌های مکانی مبتنی بر وب. Computers and Geosciences , 122,103–112.DOI: 10.1016/j.cageo.2018.10.009
گودمن، اس.، بن یشای، ا.، و رانفولا، دی (2020). یک رویکرد شبکه عصبی کانولوشن برای پیش‌بینی محیط‌های غیرمجاز از تصاویر با وضوح متوسط. معاملات در GIS ، 25(2)، 674-691. DOI: 10.1111/tgis.12661
هاویک، کا، و جیمز، HA (1997). محاسبات با عملکرد بالا برای سنجش از راه دور توزیع شده است. مجموعه مقالات کنفرانس بین المللی ابررایانه. DOI: 10.1145/509593.509633
He, Z., Liu, G., Ma, X., & Chen, Q. (2019). GeoBeam: یک چارچوب محاسباتی توزیع شده برای داده های مکانی. کامپیوترها و علوم زمین ، 131، 15-22. DOI: 10.1016/J.CAGEO.2019.06.003
Hughes, JN, Annex, A., Eichelberger, CN, Fox, A., Hulbert, A., & Ronquest, M. (2015). GeoMesa: معماری توزیع شده برای همجوشی مکانی-زمانی. انفورماتیک جغرافیایی، فیوژن و تجزیه و تحلیل ویدیوی حرکتی V، 9473(21)، 94730F. DOI: 10.1117/12.2177233
ایلبا، م. (2021). الگوریتم موازی برای بهبود عملکرد کوئری های فضایی در SQL: موارد استفاده از پایگاه های داده SQLite/SpatiaLite و PostgreSQL/PostGIS. Computers & Geosciences , 155, 104840. 10.1016/J.CAGEO.2021.104840
Kondor, D., Dobos, L., Csabai, I., Bodor, A., Vattay, G., Budavári, T., & Szalay, AS (2014). طبقه بندی کارآمد میلیاردها نقطه در مناطق پیچیده جغرافیایی با استفاده از شبکه مثلثی سلسله مراتبی. مجموعه مقالات کنفرانس بین المللی ACM.DOI: 10.1145/2618243.2618245
لی، جی، و چوی، ی. (2021). پلت فرم یکپارچه سازی داده های تعریف شده توسط کاربر مبتنی بر خوشه HPC برای یادگیری عمیق در برنامه های علوم زمین. کامپیوتر و علوم زمین . DOI: 10.1016/j.cageo.2021.104868
ماکریس، آ.، کنستانتینوس تسرپس، ·، اسپیلیوپولوس، جی.، زیسیس، · دیمیتریوس، آناگنوستوپولوس، دی.، زیسیس، دی.، و گر.، دی. (2021). MongoDB در مقابل PostgreSQL: یک مطالعه مقایسه ای در مورد جنبه های عملکرد. Geoinformatica , 25, 268. DOI: 10.1007/s10707-020-00407-w
مارک، دی (2003). علم اطلاعات جغرافیایی: تعریف میدان. در مبانی علم اطلاعات جغرافیایی . ویراستاران: داکهام، ام.، گودچایلد، ام اف، و وربویز، ام اف تیلور و فرانسیس، نیویورک، نیویورک، ایالات متحده آمریکا. صص 1-17.
پریا، م.، و کالپانا، ر. (2018). پردازش توزیع شده پرس و جو فضایی مبتنی بر مکان از طریق تبدیل نقطه نظر. Future Computing and Informatics Journal, 3 (2), 296-303.DOI: 10.1016/J.FCIJ.2018.09.002
پوری، اس.، و پراساد، SK (2015). یک الگوریتم موازی برای برش چند ضلعی ها با کران های بهبود یافته و یک سیستم پردازش همپوشانی توزیع شده با استفاده از MPI. مجموعه مقالات – پانزدهمین سمپوزیوم بین المللی IEEE/ACM 2015 در محاسبات خوشه ای، ابری و شبکه ای، CCGrid 2015، 576–585. DOI: 10.1109/CCGRID.2015.43
Ray, S., Simion, B., Brown, AD, & Johnson, R. (2013). زیرساخت تحلیل داده های مکانی موازی برای ابر GIS: مجموعه مقالات سمپوزیوم بین المللی ACM در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، 274-283. DOI: 10.1145/2525314.2525347
روملیس، جی.، واسیلاکوپولوس، ام.، کورال، ا.، و مانولوپولوس، ی. (2017). پردازش پرس و جو کارآمد در پایگاه داده های فضایی بزرگ: یک مطالعه عملکرد مجله سیستم ها و نرم افزار ، 132، 165-185. DOI: 10.1016/J.JSS.2017.07.005
روملیس، جی.، ولنتزاس، پی.، واسیلاکوپولوس، ام.، کورال، آ.، فوگاس، ا.، و مانولوپولوس، ی. (2019). پردازش موازی پرس و جوهای دسته ای فضایی با استفاده از درخت های xBR+ در درایوهای حالت جامد. Cluster Computing 23:3، 23(3)، 1555-1575. DOI: 10.1007/S10586-019-03013-0
Schön، B.، Mosa، ASM، Laefer، DF، و Bertolotto، M. (2013). نمایه سازی مبتنی بر Octree برای نقاط سه بعدی در یک DBMS فضایی Oracle. کامپیوترها و علوم زمین ، 51، 430-438. DOI: 10.1016/J.CAGEO.2012.08.021
Sedona، R.، Cavallaro، G.، Jitsev، J.، & Strube، A. (2019). طبقه‌بندی داده‌های بزرگ سنجش از راه دور با یادگیری عمیق توزیع شده با کارایی بالا. سنجش از دور . DOI: 10.3390/rs11243056
شوک، ای.، هاجسون، من، وانگ، اس.، بهزاد، ب.، سلطانی، ک.، هیسکوکس، ا.، و آجایاکومار، جی. (2016). مدل سازی نقشه برداری موازی: روشی برای موازی سازی پردازش داده های مکانی مجله بین المللی علوم اطلاعات جغرافیایی ، 30(12)، 2355-2376.
Tsui، Paul HY، و Allan J. Brimicombe. (1997). مدل تسلسل سلسله مراتبی و استفاده از آن در تحلیل فضایی. معاملات در GIS 2 267-279.
Tarmur, S., & Ozturan, C. (2019). طبقه بندی موازی نقاط مکانی به مناطق جغرافیایی. مجموعه مقالات – 2019 هجدهمین سمپوزیوم بین المللی در محاسبات موازی و توزیع شده، ISPDC 2019، 9–15. DOI: 10.1109/ISPDC.2019.000-3
تاورنر، سی (2012). Neo4j فضایی. فناوری نئو https://github.com/neo4j-contrib/spatial .
تگزاس A&M. (2021). دکتری علوم کامپیوتر زمین فضایی | دانشگاه تگزاس A&M-Corpus Christi. https://www.tamucc.edu/programs/graduate-programs/geospatial-computer-sc…
وبر، جی (2012). معرفی برنامه ای Neo4J. SPLASH’12 – مجموعه مقالات کنفرانس ACM 2012 در مورد سیستم ها، برنامه نویسی و برنامه ها: نرم افزار برای بشریت، 217. DOI: 10.1145/2384716.2384777
وربویز، ام.، و داکهام، ام. (2006). پایش تغییرات کیفی مکانی و زمانی برای شبکه‌های ژئوسنسور مجله بین المللی علوم اطلاعات جغرافیایی , 20(10),1087-1108.
ویلیام و مری (2021). برنامه تحصیلات تکمیلی | ویلیام و مری https://www.wm.edu/as/appliedscience/graduateprogram/index.php
Xiang, L., Huang, J., Shao, X., & Wang, D. (2016). یک مدیریت مبتنی بر MongoDB از داده های فضایی مسطح با یک درخت R مسطح. ISPRS International Journal of Geo-Information , Vol. 5، صفحه 119، 5(7)، 119. DOI: 10.3390/IJGI5070119(لینک خارجی است)
Yan, L., Dongho, K., & Byeong-Seok, S. (2016). روش شاخص فضایی Geohashed برای یک سیستم مانیتورینگ داده WBAN با موقعیت مکانی مبتنی بر NoSQL. مجله سیستم های پردازش اطلاعات ، 12 (2)، 263-274. DOI: 10.3745/JIPS.04.0025
Yang, Y., Rana, OF, Walker, DW, Williams, R., Georgousopoulos, C., Caffaro, M., & Aloisio, G. (2005). زیرساخت عامل برای پردازش درخواستی آرشیوهای سنجش از راه دور. مجله بین المللی کتابخانه های دیجیتال 5:2، 5(2)، 120-132. DOI: 10.1007/S00799-003-0054-8
You, S., Zhang, J., & Gruenwald, L. (2013). پردازش پرس و جو فضایی موازی در GPU با استفاده از R-trees. مجموعه مقالات دومین کارگاه بین المللی ACM SIGSPATIAL در تجزیه و تحلیل برای داده های بزرگ جغرافیایی، فضایی بزرگ 2013، 23–31.DOI: 10.1145/2534921.2534949
You, S., Zhang, J., & Gruenwald, L. (2015). پردازش پرس و جو فضایی در فضای ابری: تجزیه و تحلیل انتخاب های طراحی و مقایسه عملکرد. مجموعه مقالات کنفرانس بین المللی کارگاه های پردازش موازی، 2015-ژانویه، 90-97. DOI: 10.1109/ICPPW.2015.41
Zhang, J., & You, S. (2013). ساختارهای چهاردرختی با کارایی بالا بر روی شطرنج‌های مکانی در مقیاس بزرگ با استفاده از اولیه‌های موازی GPGPU. 27 (11)، 2207-2226. DOI: 10.1080/13658816.2013.828840
Zhang, J., You, S., & Gruenwald, L. (2014). تجمعات مکانی و زمانی آنلاین موازی در CPUهای چند هسته ای و پردازنده های گرافیکی چند هسته ای. Systems Information , 44, 134-154.DOI: 10.1016/J.IS.2014.01.005
Zhang, M., Wang, H., Lu, Y., Li, T., Guang, Y., Liu, C., Edrosa, E., Li, H., & Rishe, N. (2015). TerraFly GeoCloud. ACM Transactions on Intelligent Systems and Technology (TIST), 6(3).DOI: 10.1145/2700494
ژو، ی.، و گونگ، جی (2014). یک روش نمایه سازی مسیر بلادرنگ مبتنی بر MongoDB. 2014 یازدهمین کنفرانس بین المللی سیستم های فازی و کشف دانش، FSKD 2014، 548–553.DOI: 10.1109/FSKD.2014.6980893
- تمایز بین رویکردهای GIS و جغرافیای محاسباتی برای جمع آوری، نگهداری و تجزیه و تحلیل داده ها را توضیح دهید
- روش‌های هستی‌شناختی مختلف برای نمایش داده‌های مکانی را با تمرکز بر اطلاعات جغرافیایی حفظ‌شده یا از دست رفته با بازنمایی‌های متفاوت توضیح دهید.
- ایجاد پایگاه های داده توزیع شده بزرگ (به عنوان مثال در مقیاس ترابایتی) که دارای شناسه های فضایی مرتبط هستند.
- با استفاده از استراتژی‌های فضایی و فضایی، پایگاه‌های داده توزیع‌شده را به‌طور کارآمد جستجو کنید
- جریان اطلاعات چند وجهی از پایگاه داده های توزیع شده به مدل های تحلیلی فضایی
- پیاده‌سازی مدل‌های تحلیلی فضایی در زمینه‌های توزیع‌شده (یعنی a در سراسر گره‌های محاسباتی متعدد
- چه نوع (هایی) از اطلاعات جغرافیایی را می توان – و نمی تواند – در طرحواره های داده های GIS رایج مانند فایل های شکل نمایش داد؟
- در مورد رویکردهای مختلف برای ادغام شناسه های جغرافیایی در یک پایگاه داده، و پیامدهای همزمان این رویکردها برای از دست دادن یا حفظ اطلاعات جغرافیایی بحث کنید.
- مبادلات بین حافظه، دیسک و محاسبات را در زمینه تجزیه و تحلیل محاسباتی توزیع شده اطلاعات مکانی توصیف کنید.
- در مورد تکنیک‌های مختلف برای بهبود سرعت جستجو در پایگاه‌های داده توزیع‌شده، هم از نظر فضایی و هم از نظر فضایی بحث کنید.
بدون دیدگاه