Précédent|Prochain

Méthode d’indexation de grille fusionnée pour les requêtes spatio-temporelles des mégadonnées de télédétection

  • role： First author第一作者
  • Affiliation：

    Institute of Software of Chinese Academy of Sciences, Beijing 100190, China

    University of Chinese Academy of Sciences, Nanjing 211135, China

    Nanjing Institute of Software Technology, Nanjing 210000, China

  • Email：chenjunzhe21@otcaix.iscas.ac.cn
  • Introduction：陈俊哲，研究方向为分布式软件理论与技术。E-mail： chenjunzhe21@otcaix.iscas.ac.cn
CHEN Junzhe123,  
  • role： Corresponding author通信作者
  • Affiliation：

    Institute of Software of Chinese Academy of Sciences, Beijing 100190, China

    University of Chinese Academy of Sciences, Nanjing 211135, China

    Nanjing Institute of Software Technology, Nanjing 210000, China

  • Email：ljie@otcaix.iscas.ac.cn
  • Introduction：刘杰，研究方向为地球大数据、分布式系统。E-mail： ljie@otcaix.iscas.ac.cn
LIU Jie123*,  
  • Affiliation：

    The International Research Center of Big Data for Sustainable Development Goals, Beijing 100094, China

    Aerospace Information Research Institute of Chinese Academy of Sciences, Beijing 100094, China

QIN Yuchu45,  
  • Affiliation：

    Nanjing Institute of Software Technology, Nanjing 210000, China

CAO Yu3,  
  • Affiliation：

    Institute of Software of Chinese Academy of Sciences, Beijing 100190, China

    Nanjing Institute of Software Technology, Nanjing 210000, China

WANG Shuai13,  
  • Affiliation：

    Institute of Software of Chinese Academy of Sciences, Beijing 100190, China

YE Dan1,  
  • Affiliation：

    Institute of Software of Chinese Academy of Sciences, Beijing 100190, China

ZHONG Hua1

résumé

Le système de traitement en ligne des mégadonnées de télédétection pris en charge par une plateforme cloud offre un support efficace pour des applications innovantes multi-domaines des images de télédétection. Cependant, les systèmes de bases de données existants répondent lentement aux requêtes spatio-temporelles portant sur des métadonnées de millions d’images de télédétection, ce qui rend difficile la satisfaction des exigences temporelles du système de traitement en ligne. Les requêtes spatio-temporelles complexes et à grande échelle sont devenues un goulot d’étranglement en termes de performances dans l’analyse des images de télédétection. Cet article propose une méthode efficace d’indexation spatio-temporelle et d’optimisation des requêtes fusionnant une subdivision en grille à deux et trois dimensions. La méthode commence par faire correspondre la plage initiale de la requête sur la base d’une subdivision en grille bidimensionnelle, puis, en tenant compte des conditions temporelles, convertit certaines unités de la grille en unités tridimensionnelles afin d’améliorer l’efficacité d’exécution des requêtes. Une construction récursive des unités de grille globales est réalisée, et un codage en Z-order est utilisé pour mapper les unités de grille en indices entiers unidimensionnels, permettant ainsi de transformer des requêtes spatio-temporelles en requêtes de plage de codes. Un mécanisme de partitionnement des requêtes basé sur la localité spatio-temporelle de la grille est également conçu pour supporter l’exécution parallèle des tâches de requêtes. La méthode est mise en œuvre dans MongoDB et PostGIS et des expériences comparatives de performance avec les index natifs du système ont été réalisées, la méthode réduisant respectivement le temps de requête de 93,11 % et 88,02 %. Cette solution technologique est actuellement intégrée dans le système EarthDataMiner de la plateforme de données SDG du Centre international de recherche sur les mégadonnées pour le développement durable et est mise à disposition en service.

mots-clés

mégadonnées de télédétection; images de télédétection; requêtes spatio-temporelles; subdivision de grille spatio-temporelle; optimisation des requêtes; optimisation des index; plateforme de cloud computing en télédétection; base de données spatio-temporelle

References

  1. 1.
    Allen C, Smith M, Rabiee M and Dahmm H. 2021. A review of scientific advancements in datasets derived from big data for monitoring the sustainable development goals. Sustainability Science, 16(5): 1701-1716
  2. 2.
    Beckmann N, Kriegel H P, Schneider R and Seeger B. 1990. The R*-Tree: an efficient and robust access method for points and rectangles. ACM SIGMOD Record, 19(2): 322-331
  3. 3.
    Fu D J, Xiao H, Su F Z, Zhou C H, Dong J W, Zeng Y L, Yan K, Li S W, Wu J, Wu W Z and Yan F Q. 2021. Remote sensing cloud computing platform development and Earth science application. National Remote Sensing Bulletin, 25(1): 220-230
  4. 4.
    Gorelick N, Hancher M, Dixon M, Ilyushchenko S, Thau D and Moore R. 2017. Google earth engine: planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202: 18-27
  5. 5.
    Guttman A. 1984. R-Trees: a dynamic index structure for spatial searching//Proceedings of the 1984 ACM SIGMOD International Conference on Management of Data. Boston: ACM: 47-57
  6. 6.
    Khanal S, KC K, Fulton J P, Shearer S and Ozkan E. 2020. Remote sensing in agriculture—accomplishments, limitations, and opportunities. Remote Sensing, 12(22): 3783
  7. 7.
    Li D R. 2016. Towards geo-spatial information science in big data era. Acta Geodaetica et Cartographica Sinica, 45(4): 379-384
  8. 8.
    Li G B and Tang J E. 2012. A new R-Tree spatial index based on space grid coordinate division//Proceedings of 2011 International Conference on Informatics, Cybernetics, and Computer Engineering. Melbourne: Springer: 133-140
  9. 9.
    Li S, Cheng C Q, Tong X C, Chen B and Zhai W X. 2016. A study on data storage and management for massive remote sensing data based on multi-level grid model. Acta Geodaetica et Cartographica Sinica, 45(S1): 106-114
  10. 10.
    Liu H, Yan J N, Wang J L, Chen B, Chen M and Huang X H. 2023. HGST: a hilbert-GeoSOT spatio-temporal meshing and coding method for efficient spatio-temporal range query on massive trajectory data. ISPRS International Journal of Geo-Information, 12(3): 113
  11. 11.
    Liu J, Wang W and Zhong H. 2020. EarthDataMiner: a cloud-based big earth data intelligence analysis platform. IOP Conference Series: Earth and Environmental Science, 509(1): 012032
  12. 12.
    Negassa M D, Mallie D T and Gemeda D O. 2020. Forest cover change detection using Geographic Information Systems and remote sensing techniques: a spatio-temporal study on Komto Protected forest priority area, East Wollega Zone, Ethiopia. Environmental Systems Research, 9(1): 1
  13. 13.
    Qi J Z, Tao Y F, Chang Y C and Zhang R. 2020. Packing R-Trees with space-filling curves: theoretical optimality, empirical efficiency, and bulk-loading parallelizability. ACM Transactions on Database Systems, 45(3): 14
  14. 14.
    Qian C Y, Yi C, Cheng C Q, Pu G L, Wei X F and Zhang H C. 2019. GeoSOT-based spatiotemporal index of massive trajectory data. ISPRS International Journal of Geo-Information, 8(6): 284
  15. 15.
    Sellis T K, Roussopoulos N and Faloutsos C. 1987. The R+-tree: a dynamic index for multi-dimensional objects//Proceedings of the 13th International Conference on Very Large Data Bases. San Francisco: ACM: 507-518
  16. 16.
    Shao Z F, Ding L, Li D R, Altan O, Huq M E and Li C M. 2020. Exploring the relationship between urbanization and ecological environment using remote sensing images and statistical data: a case study in the Yangtze River Delta, China. Sustainability, 12(14): 5620
  17. 17.
    U.S. Geological Survey. Bulk metadata service. . [2024-04-15]
  18. 18.
    Zäschke T, Zimmerli C and Norrie M C. 2014. The PH-tree: a space-efficient storage structure and multi-dimensional index//Proceedings of 2014 ACM SIGMOD International Conference on Management of Data. Snowbird: ACM: 397-408
  19. 19.
    Zhou X H, Wang X Z, Zhou Y C, Lin Q H, Zhao J H and Meng X H. 2021. RSIMS: large-scale heterogeneous remote sensing images management system. Remote Sensing, 13(9): 1815
  20. 20.
    Zhu J K, Zhang Z, Zhao F, Su Z, Gu Z N and Wang L L. 2023. Efficient management and scheduling of massive remote sensing image datasets. ISPRS International Journal of Geo-Information, 12(5): 199

Lire l'article complet

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website