Das Cloud-basierte Online-Verarbeitungssystem für Fernerkundungs-Big-Data bietet eine effiziente Unterstützung für innovative Anwendungen in verschiedenen Bereichen der Fernerkundungsbilder. Die bestehenden Datenbanksysteme reagieren jedoch langsam auf raum-zeitliche Abfragen von Metadaten von Millionen Fernerkundungsbildern, sodass die zeitlichen Anforderungen des Online-Verarbeitungssystems nur schwer erfüllt werden können. Komplexe großskalige raum-zeitliche Abfragen sind zu einem Leistungsengpass bei der Fernerkundungsbildanalyse geworden. In diesem Artikel wird eine effiziente Methode zur raum-zeitlichen Indexierung und Abfrageoptimierung vorgeschlagen, die eine Kombination aus zweidimensionaler und dreidimensionaler Rasterteilung darstellt. Die Methode führt zunächst eine erste Abfragebereichszuordnung auf Basis der zweidimensionalen Rasterteilung durch und wandelt dann unter Berücksichtigung zeitlicher Bedingungen einige Rasterzellen in dreidimensionale Einheiten um, um die Abfrageausführungs-Effizienz zu verbessern. Globale Rasterzellen werden rekursiv aufgebaut, und mit einer Z-Order-Codierung werden Rasterzellen in eindimensionale Ganzzahlindizes abgebildet, wodurch raum-zeitliche Abfragen in Bereichsabfragen umgewandelt werden. Gleichzeitig wird ein Abfrageunterteilungsmechanismus basierend auf der raum-zeitlichen Lokalität des Rasters entworfen, der parallele Abfrageaufgaben unterstützt. Die Methode wurde in MongoDB und PostGIS implementiert und in Leistungsexperimenten mit nativen Systemindizes verglichen, wobei die Abfragezeit um jeweils 93,11 % bzw. 88,02 % reduziert wurde. Diese technische Lösung ist derzeit im EarthDataMiner-System der SDG-Big-Data-Plattform des Internationalen Forschungszentrums für nachhaltige Entwicklung integriert und wird als Dienst bereitgestellt.

Fernerkundungs-Big-Data; Fernerkundungsbilder; raum-zeitliche Abfragen; raum-zeitliche Rasterteilung; Abfrageoptimierung; Indexoptimierung; Fernerkundungs-Cloud-Computing-Plattform; raum-zeitliche Datenbank