澜沧江(湄公河)流域水资源空间数据仓库设计及实现

数字地球建设要求广泛共享空间信息,空间数据仓库则为空间信息的有效管理和大众分发提供了有效的工具。该文针对澜沧江(湄公河)流域丰富的水资源数据信息及应用背景,探讨了建立空间数据仓库的总体体系结构和建立策略。基于这些理论基础,设计并实现了澜沧江流域水资源空间数据仓库的原型系统。     

地理编码在空间数据仓库ETL中的应用

空间数据仓库可以有效地管理和利用空间信息以便支持空间分析和决策支持．在空间数据的抽取、转换和加载中如何有效地把非空间信息与空间信息融合起来，是空间数据仓库ETL实现的难点．将地理编码技术引入到空间数据仓库ETL中，给出了融合地理编码模块的ETL体系机构．同时为了提高地址匹配能力，将动态规划算法应用到地理编码地址匹配中，并对算法做了改进．给出了完整的应用示例。     

空间Cube计算方法

随着卫星勘测、遥感影像、GPS等系统的广泛应用,目前各行各业拥有了大量的地理空间数据。空间数据仓库技术将较为成熟的数据仓库和联机分析处理技术应用到空间信息领域,以有效地支持空间分析和决策。空间Cube的构建与维护是空间数据仓库和空间联机分析处理的一个核心问题。文章在介绍空间数据仓库模型和空间Cube的基础上,结合空间聚集计算的特点,给出了几种空间Cube计算的有效方法。     

基于元数据的空间数据ETL规则库设计研究

空间数据仓库可以有效地管理和利用空间信息以便支持空间分析和决策支持。空间数据抽取、转换和加载是空间数据仓库研究中最重要的问题之一,利用元数据对空间ETL过程进行控制,可以增加该过程的灵活性和可扩展性。提出一种基于元数据驱动的空间数据ETL新方法,介绍基于元数据的空间数据ETL规则库设计理念。     

澜沧江数据仓库中空间度量的物化选取

空间数据仓库技术是将数据仓库和联机分析处理技术应用到空间信息领域,以有效地支持空间数据分析和决策。空间度量的物化是提高空间联机分析处理响应速度的关键。该文在介绍澜沧江空间数据仓库基础上,介绍了空间度量的物化选取策略。     

空间数据仓库的概念框架和认知过程*

首先表述了空间数据仓库的三个核心思想;其次设计出了空间数据仓库的概念框架,着重描述了空间数据仓库的外部结构、内部结构以及各组成模块的工作流程,设计出了空间数据仓库认知过程的概念框图,并对认知的基本概念进行了描述,表述了认知过程14个世界模型和13个转换算子的基本内容,并用代数系统给出了严格定义;最后得出的结论是,研制空间数据仓库十分必要,以支持我国的空间数据基础设施建设.     

空间数据信息系统研究

空间信息产业的发展与系统目标的实现需要一个坚实的基础空间数据平台,空间数据是一切地理信息应用的基础.城市空间信息来源于城市,城市空间信息基础数据平台将给数字地球、数字城市的发展提供支撑,成为可持续发展的数字工程的框架.叙述了数据空间的内容、含义、特点、结构、采集、集成等技术要点,提出了其在空间数据平台系统在数字城市建设中的应用.     

一种基于关系数据库的空间数据管理方法

对Shapefile的格式进行分析,设计了在关系数据库上存储和管理空间数据的空间信息表的结构,既保留了所有的空间信息,又保证了空间数据和属性数据在修改时的一致性.对空间数据的编辑可以完全基于关系数据库,使得将空间数据导入关系数据库管理更有意义.     

分布式空间信息的对等协同计算机制研究*

海量空间信息的处理需要分布式协同工作的GIS平台支持。为解决空间数据源的异构和分布式网络中的计算能力共享问题,设计了分布式空间信息的协同计算模型,分析了分布式空间信息协同计算具备的基本特征;从空间数据分布存储模型、空间数据分布式计算协同和分布式空间数据并行索引等方面讨论分布式空间信息的协同计算技术体系,并提出现阶段可行的实现机制。分布式对等协同计算机制避免了集中式执行引擎带来的网络拥塞和单点失效问题,提高了海量空间信息资源和计算资源协作的可靠性和可用性。     

面向高效检索的多源地理空间数据关联模型

地理空间信息往往包含矢量数据、栅格数据和文本描述信息,这些信息之间通常相互联系.如何快速、全面检索和定位这些相关联的信息,是地理空间信息应用中的新需求.为提高地理空间数据检索和分析的性能,该文提出一种面向高效检索的多源地理空间数据关联模型MSGCM.该模型通过提取多源地理空间数据空间信息、语义描述信息、内容描述信息及其关联关系,构建特征要素图,并基于关联模式将多源地理空间对象融合到统一空间中.通过计算不同对象之间的关联强度,构建类似图的关联模型.为提高模型构建效率,提出了一种基于特征索引的分块构建方法.与已有方式相比,MSGCM模型可以有效支持多源地理空间信息的关联,进而能够支持地理空间信息查询、分析及综合展现等多种地理空间应用.实验及分析表明,MSGCM可以有效提高多源地理空间信息关联检索结果的多样性,并具备一定的可扩展性.     

一种空间数据仓库动态物化视图选择算法

物化视图能够有效地提高空间数据仓库的查询效率,但由于空间操作的复杂性,传统数据仓库中物化视图的选择算法不能很好地应用于空间数据仓库。为了在存储空间约束下选择查询进行物化,并动态调整物化视图集,以适应用户查询的时变性和即席查询,提出了空间物化视图选择算法SMVS。实验结果表明该算法是有效可行的,不仅能够提高查询性能,而且解决了查询响应性能随用户查询分布变化而下降的问题。     

基于空间数据仓库的数据采掘

文章介绍了数据采掘技术的定义、数据采掘的过程和主要技术手段以及空间数据仓库的定义、基本结构框架、处理流程和技术支持,分析了基于空间数据仓库的数据采掘特点.     

分布式空间数据仓库的构建与OLAP服务实现

介绍基于分布式数据库技术、网络通信技术、地理信息系统技术的空间数据仓库的设计方法。以福建省沿海地区遗迹保护区为例,搭建了一个分布式的空间数据仓库。在此基础上实现以地区行政级别、类型划分及保护区一般信息为雏度的多粒度数据部署。并以本数据仓库为倒,根据不同的空间联机分析（OLAP）服务请求,动态创建数据立方体,完成OLAP服务并返回空间OLAP结果。     

空间决策支持系统的信息模型研究*

空间决策支持系统作为地理信息系统与决策支持系统的结合体,兼有两者优点,并在国家信息化的发展中扮演越来越重要的角色。其信息模型（即空间数据仓库的信息模型）的优劣直接影响到空间决策支持系统的成败。从支持一般决策过程的角度出发,提出了一种通用的空间决策支持系统信息模型,即实体—关系—问题模型,最后给出了基于实体—关系—问题模型的空间数据仓库构建方法。     

空间数据仓库技术与模型研究

该文从空间数据仓库（ＳＤＷ）的产生与发展入手,对ＳＤＷ的内容及功能要求作了比较详细的描述,并对ＳＤＷ中空间元数据与地理实体及地理空间数据的关系进行了分析,以信息流程的方式对ＳＤＷ的基本体系结构模型进行了详尽的描述。     

Spatial data warehouses and spatial OLAP come towards the cloud: design and performance

Cloud computing systems handle large volumes of data by using almost unlimited computational resources, while spatial data warehouses (SDWs) are multidimensional databases that store huge volumes of both spatial data and conventional data. Cloud computing environments have been considered adequate to host voluminous databases, process analytical workloads and deliver database as a service, while spatial online analytical processing (spatial OLAP) queries issued over SDWs are intrinsically analytical. However, hosting a SDW in the cloud and processing spatial OLAP queries over such database impose novel obstacles. In this article, we introduce novel concepts as cloud SDW and spatial OLAP as a service, and afterwards detail the design of novel schemas for cloud SDW and spatial OLAP query processing over cloud SDW. Furthermore, we evaluate the performance to process spatial OLAP queries in cloud SDWs using our own query processor aided by a cloud spatial index. Moreover, we describe the cloud spatial bitmap index to improve the performance to process spatial OLAP queries in cloud SDWs, and assess it through an experimental evaluation. Results derived from our experiments revealed that such index was capable to reduce the query response time from 58.20 up to 98.89 %.     

基于多源数据集成的松嫩平原

以数字地球科学和数据仓理论为指导,以3S技术、环境模拟技术和计算机编程技术为手段,根据空间信息与非空间信息在地理单元和空间上的存储特征,建立了基于域和对象的公共数据模型,继而构建了不同专属性的空间数据库。以此为基础,通过应用空间数据引擎和空间数据操作对象,首次对面向应用的松嫩平原土地资源空间数据仓进行了分析与设计。     

The SB-index and the HSB-index: efficient indices for spatial data warehouses

Spatial data warehouses (SDWs) allow for spatial analysis together with analytical multidimensional queries over huge volumes of data. The challenge is to retrieve data related to ad hoc spatial query windows according to spatial predicates, avoiding the high cost of joining large tables. Therefore, mechanisms to provide efficient query processing over SDWs are essential. In this paper, we propose two efficient indices for SDW: the SB-index and the HSB-index. The proposed indices share the following characteristics. They enable multidimensional queries with spatial predicate for SDW and also support predefined spatial hierarchies. Furthermore, they compute the spatial predicate and transform it into a conventional one, which can be evaluated together with other conventional predicates by accessing a star-join Bitmap index. While the SB-index has a sequential data structure, the HSB-index uses a hierarchical data structure to enable spatial objects clustering and a specialized buffer-pool to decrease the number of disk accesses. The advantages of the SB-index and the HSB-index over the DBMS resources for SDW indexing (i.e. star-join computation and materialized views) were investigated through performance tests, which issued roll-up operations extended with containment and intersection range queries. The performance results showed that improvements ranged from 68% up to 99% over both the star-join computation and the materialized view. Furthermore, the proposed indices proved to be very compact, adding only less than 1% to the storage requirements. Therefore, both the SB-index and the HSB-index are excellent choices for SDW indexing. Choosing between the SB-index and the HSB-index mainly depends on the query selectivity of spatial predicates. While low query selectivity benefits the HSB-index, the SB-index provides better performance for higher query selectivity.