基于XQuery的GML查询语言研究

随着GML规范的不断完善及GIS软件厂商的广泛支持,越来越多的空间数据以GML格式存储,GML空间数据的查询已成为GIS研究的热点问题。传统的关系数据库查询语言SQL是针对平面的二维关系数据而设计的,并不适合XML/GML半结构化数据的查询;商品化GIS软件的查询系统只能查询自身的空间数据而无法查询其它GIS系统的空间数据;XML查询的研究为GML查询奠定了一定的基础。首先针对GML查询存在的问题,提出了扩展XQuery是GML查询语言实现的最佳选择;结合XML查询语言和空间数据查询语言,提出了GML查询语言的特征和GML查询语言系统框架;并根据GML空间数据的特点,以XML标准查询语言XQuery为基础,提出了XQuery空间扩展的内容;开发了GML空间数据查询语言GMLXQL,实现了GML空间数据的本原查询。     

GML空间数据查询与索引机制研究

由于传统GIS数据模型的差异，导致空间数据难以集成与共享。各GIS软件厂商及第三方软件厂商提出了利用空间数据转换的解决方案，但是它还是不能很好地解决空间数据集成与共享存在的问题。地理标记语言GML的出现，为GIS空间数据建模、集成与共享提供了统一的标准与框架。GML已经成为事实上的空间数据编码、传输、存储和发布的国际标准，大量GML格式的空间数据开始涌现。如何有效地存储管理GML空间数据，已经成为GIS研究的热点问题。本文结合XML数据库技术和传统的空间数据库技术，对GML空间数据的查询、索引进行了深入的研究。以XML标准查询语言XQuery为基础，提出了XQuery空间扩展的内容，开发了GML空间数据查询语言，实现了GML空间数据的本原查询；结合XML文档编码和传统的空间数据索引，提出了基于空间索引的GML一体化索引机制，并以R树索引为例，对一体化索引的查询处理性能进行了实验分析。实验结果表明，本文提出的基于空间索引的GML一体化索引机制是可行的、高效的。     

基于MongoDB云计算下GML分布式集群环境搭建研究

虽然大容量服务器可以解决普通的GIS数据存储问题,但随着数据量的增大,管理存储操作越来越难。在开源MongoDB分布式文件数据库支撑下,根据MongoDB对GML海量数据的存储理论,搭建海量GML数据集群环境,构成GML分布式云计算平台,为GML在服务器集群中实现存储查询索引管理提供性能支持。     

空间查询语言规范GML—QL的研究

广泛运用Web和分布式地理信息系统(WGIS/DGIS)有利于共享的空间数据库组织之间和用户通过互连网进行数据交换。不过,这些系统和应用软件的互操作性仍然是一个不能解决的问题,直到最近出版的地理标记语言(GML)标准的出现,这一问题才得到了解决。GML是一个新的实施规范并提供中立的框架为定义地理空间应用模式和对象的可扩展标记语言(XML)的文档。XML迅速成为一个事实上的标准电子数据交换之间的Web应用程序,然而,传统的数据库查询语言,在其目前的形式下并不适合直接查询和更新XML库。由W3C提出的XQuery查询语言为XML提供了强大的查询功能,但它缺乏支持空间查询,本文主要研究具有空间查询的语言GML-QL。     

基于XQEngine的GML本原查询系统的实现

传统 GIS 软件查询功能以及 SQL 查询语言不能直接操作 GML 数据,而 XML 查询语言只能适应非空间的 XML 数据,但是 GML 是基于 XML 的标记语言。基于这点,结合 XML 查询语言和GML 空间数据特征,提出了 GML 查询语言的特征和 GML 本原查询系统的体系结构,并以开放源码 XML 查询引擎 XQEngine 为基础进行空间扩展,开发了 GML 本原查询原型系统,实现了对 GML空间数据的本原查询。     

基于PostgreSQL的GML数据查询管理系统

GML(Geography Markup Language,地理标记语言)用文本的形式来表示地理信息,提供了一种可扩展的、标准化的空间信息编码方式。目前GML空间数据的管理以文档存储管理方式为主,数据的查询更新效率低下,特别在文档较大时,对内存的要求也比较高。为此,这里设计和实现了一个基于PostgreSQL的GML数据管理系统,其中包括元数据查询、属性到图形的查询、空间信息到属性的查询和基于点位的查询,同时设计和实现了将查询到的WKT(the Well-Known Text)格式空间数据的可视化。     

基于PostgreSQL的GML数据查询管理系统

GML(Geography Markup Language,地理标记语言)用文本的形式来表示地理信息,提供了一种可扩展的、标准化的空间信息编码方式.目前GML空间数据的管理以文档存储管理方式为主,数据的查询更新效率低下,特别在文档较大时,对内存的要求也比较高.为此,这里设计和实现了一个基于PostgreSQL的GML数据管理系统,其中包括元数据查询、属性到图形的查询、空间信息到属性的查询和基于点位的查询,同时设计和实现了将查询到的WKT(the Well-Known Text)格式空间数据的可视化.     

GML土地利用空间数据查询与应用

本文以全国第二次土地调查中的土地利用数据为例,根据国家标准GML 3.2规范,提出了基于GML的土地利用数据模型;针对传统的符合W3C标准的XML查询语言XQuery不能进行空间查询的问题,提出了一种在Saxon开源版本的XQuery引擎基础上扩展空间函数功能进而对GML数据进行空间查询的方法,并探讨了基于GML和XQ...     

基于并行空间数据库和GML的WebGIS系统的研究与实现

目前,对海量空间数据的快速处理与地理信息的互操作问题正制约着WebGIS的进一步发展和应用。作者对并行空间数据库和GML技术进行了探讨与研究,并采用并行空间数据库存储和管理GIS数据、GML作为其在因特网上地理信息的传输数据格式,设计和实现了一个基于WebService的WebGIS系统,取得了良好的应用效果。     

GML空间数据库系统研究

长期以来,由于GIS数据模型的差异所导致诸多问题一直得不到很好地解决,迫切需要新的数据模型来构建新的空间数据库;大量GML空间数据的涌现,迫切需要研究其存储管理问题。另一方面,传统数据库技术并不适合GML空间数据的存储管理,本原XML数据库技术为GML空间数据的存储管理奠定了一定的基础。在这种环境下,本文从本原XML数据库的角度,对GML空间数据存储问题进行了研究。首先,分析了GML空间数据的特征和存储管理方式,然后,提出了本原GML空间数据库的体系结构。针对GML空间数据的特点,提出了GML空间数据的存储粒度和存储的逻辑模型;最后,在开放源代码数据库Ozone的基础上,实现了本原GML空间数据库的原型系统。     

MongoDB环境下GML云存储构建研究

GML作为GIS数据共享标准,单机环境下的研究已经取得了一定成果,而面对海量数据的存储管理需求,迫切需要研究GML在分布式环境下的相关技术。在当前分布式技术和开源数据库MongoDB支持下,对MongoDB的内部存储数据结构作详细说明,设计GML云存储结构,从而提出共享式核心模式存储、隔离型GML文档和应用模式存储的GML云存储构建方案,并用MongoDB设计GML文档的存储,具有一定的有效性。     

云计算环境下的地理信息资源共享研究

本文以湖南省地理信息公共交换共享平台为例,对如何在云计算环境下实现地理信息资源共享进行了研究.研究结果表明基于云计算的地理信息资源共享是可行的,能够满足不同部门之间地理信息资源共享的需要.     

云计算环境下空间索引构建研究

空间数据索引对于空间数据管理和分析具有重要作用,与数据处理速度和效率密切相关。随着人类社会进入大数据时代,遥感矢量数据具备了大数据的特点,传统的空间索引构建方法无法有效满足矢量大数据处理的需求,为此引入云计算环境来进行空间索引构建,目的是提高空间索引构建速度。首先,对常见的空间索引及现阶段云计算环境下基于MapReduce模型的空间数据管理进行了综述;然后以云计算环境下R树索引构建为例,对云计算环境下空间索引的构建进行了研究;最后,通过实验验证,证明了云计算环境下空间索引构建的速度与单机索引构建相比,加速比为28~40倍;在相同云环境下,网格索引构建速度最快,R+索引构建速度相对较慢。     

基于云计算的空间矢量数据并行处理

研究了提高空间矢量数据运算效率的分布式并行处理方法, 基于微软Azure云平台设计了适用于矢量数据并行处理的3种架构方式:中心负载均衡架构、分布式静态负载均衡架构、分布式动态负载均衡架构, 并分别搭建原型系统对小规模偏态分布数据和大规模数据进行叠置分析测试。试验结果表明, 基于Azure云的分布式动态负载均衡架构版本原型系统可大幅度提高计算效率, 对小规模偏态分布数据集可以达到超过10倍的加速比, 对大规模数据集的分析计算更是达到了超过40倍的加速比, 证明基于Azure云的分布式动态负载均衡架构方法是提高空间矢量数据分析效率的有效方法。     

网格环境下缓冲区分析的并行计算

提出了基于网格环境下缓冲区分析的并行计算方法,用以提高缓冲区分析的效率。考虑到大多数地理信息系统中缓冲区分析数据的特点,提出了基于图层和地理空间区域的任务分解方法。利用已经构建的网格计算环境,实现了武汉城市地图中一条道路缓冲区分析的图层式并行计算,从实验结果的分析,可以看出网格环境下缓冲区分析的并行计算在效率方面具有明显的优势。     

云计算下的ArcGIS Server应用探析

云计算是分布式计算技术的一种。介绍云计算的基本概念及其在GIS领域的应用,从Arc-GIS的云计算部署模型、ArcGIS的云计算解决方案以及云端缓冲技术3个方面探析云计算与GIS相结合的应用方法,并以ArcGIS Server与Amazon的云计算为例进行分析。     

云环境下海量空间矢量数据并行划分算法

空间数据划分是空间大数据索引方法及其数据存储的重要组成部分。针对Hadoop云计算平台在空间数据划分及其存储方面的不足,提出了基于Hilbert空间填充曲线的海量空间矢量数据并行划分算法。在数据划分阶段,充分考虑空间数据相邻对象的空间位置关系、空间对象的自身大小以及相同编码块的空间对象个数等影响因素;通过“合并小编码块,分解大编码块”的划分原则,实现了云环境下海量空间矢量数据的并行划分算法。试验表明,该算法不仅能够提高海量空间矢量数据的索引效率,同时也能够很好地解决空间矢量数据在Hadoop分布式文件系统（Hadoop distributed file system,HDFS）上的数据倾斜问题。