面向地震灾害场景建模的三维地形交互改造技术

在虚拟地震灾害场景基础上,提出一种细节可控的三维地形实时改造算法,用于模拟因地震造成灾区地表形态的变化情况。该方法将地形改造的主要任务交由GPU（图形处理器）的pixel shader（像素着色器）完成,在pixel shader中将原始地形高度图的高程数据读取出来,通过设计算法对数据进行改造后输出至一张新的高度图,并用新的高度图替换原始高度图重新绘制一遍场景,以完成地形的实时改造;使用“乒乓”算法和批处理方式对地形改造效率进一步优化;引入Perlin（柏林）噪声增加了地形改造结果的随机扰动性,使改造结果更加逼真和接近实际情况。实验结果表明：该方法能够在地震灾害场景仿真平台中得到很好的应用,运算效率高,能够满足地形实时改造和交互编辑的实际需求。     

海量遥感数据的高性能地学计算应用与发展分析

航空及航天遥感器的快速发展,使得多源、多时空分辨率的遥感数据成TB级增长,对海量遥感数据的高性能计算与处理提出了更高的要求。据此,当前的遥感应用已经吸收了新型硬件架构计算、集群计算和分布式计算等高性能计算领域的最新技术。本文针对高性能计算处理海量遥感数据的效率问题,分别从分布式并行遥感文件系统和高性能遥感地学计算模式两个方面来论述该问题的研究进展;在此基础上,列举了当前具有代表性的集群和分布式遥感计算平台/系统,并结合具体实验工作,详细阐述了遥感高性能计算平台gDos-IPM(Geospatial Data Operation System-Image Processing Machine)的设计思路;最后总结了高性能遥感地学计算的发展趋势。     

油气勘探地震资料处理GPU/CPU协同并行计算

随着图形处理器（Graphic Processing Unit: GPU）在通用计算领域的日趋成熟,使GPU/CPU协同并行计算应用到油气勘探地震资料处理中,对诸多大规模计算的关键性环节有重大提升.本文阐明协同并行计算机的思路、架构及编程环境, 着重分析其计算效率得以大幅度提升的关键所在.文中以地震资料处理中的叠前时间偏移和Gazdag深度偏移为切入点,展示样机测试结果的图像显示.显而易见,生产实践中,时常面临对诸多算法进行算法精度和计算速度之间的折中选择.本文阐明GPU/CPU样机协同计算具有高并行度,进而可在算法精度与计算速度的优化配置协调上获得广阔空间.笔者认为,本文的台式协同并行机研制思路及架构,或可作为地球物理配置高性能计算机全新选择的一项依据.     

基于CPU与GPU/CUDA的数字图像处理程序的性能比较

测绘系统通常有大量图像处理工作,而户外图像采集系统更需要极高的实时性。通过对GPU与CPU分别进行数字图像处理性能测试,结果表明GPU并行计算可以大幅提高图像处理性能:可优化图像预处理、后处理速度,使测绘系统更加实时高效。     

一种异构多核架构快速查询多边形图层间空间关系的方法

目前,空间关系查询中常用的Plane Sweep 算法是一种串行方法,而关于多核CPU的并行查询算法,在面对海量数据查询时,由于CPU核心数及线程数量的限制,其难以满足查询效率需求。针对该问题,本文提出了一种全新的异构多核架构多边形图层间空间关系查询的并行算法。首先,利用STR 树索引过滤不相交的多边形;然后,对过滤后多边形的线段构建四叉树索引,利用CPU+GPU架构并行计算线段的相交以判断多边形环间的拓扑关系;再根据环间的拓扑关系计算多边形间的维度扩展九交模型(DE-9IM)参数值,据此确定多边形间的空间关系;最后,通过实验验证了该算法的准确性和高效性。实验表明,本算法能有效缩短大数据量的空间查询时间。在实验中逐渐增加目标数据集和源数据集多边形的数量,当两数据集都为50 000 个多边形时,以包含关系为例,相比于ArcGIS,本文提出的算法可达到2 倍的加速比。     

基于波动方程表面多次波预测与 自适应相减方法研究

多次波预测与自适应相减是基于波动方程表面多次波压制的两个重要环节.文中利用具有并行计算优势的GPU加速表面多次波预测,使得预测效率大为提高.在自适应相减算法中,文中将预测的多次波道、预测多次波道的Hilbert变换道、预测多次波道的高频重建道、以及它们的平移道用作自适应相减中的多次波模型道.Hilbert变换道用以补偿预测多次波的相位信息,高频重建道用以改善预测多次波的高频信息,补偿频带能量差异.文中在预测和相减过程中均采用迭代算法,迭代预测,可较好地获得多次波的运动学特性,迭代相减,可较好地获得多次波的动力学特性,迭代预测与相减使预测的多次波与地震数据中实际的多次波更好地匹配.将该方法应用于理论模拟的SMAART模型和实际海洋数据中,测试结果表明,该方法预测多次波效率较高,在保持有效波振幅条件下可有效地压制地震数据中的表面多次波.     

地震叠前逆时偏移高阶有限差分算法及GPU实现

叠前逆时偏移技术是解决地震成像问题的有力工具,但由于计算量大、成像噪音以及存储量大等原因没有得到广泛的应用.本文给出了逆时偏移的实现过程,分析了高阶有限差分格式的稳定性与频散关系.针对叠前逆时偏移计算量大的问题,使用图形处理器(Graphic Processing Unit,简称GPU)实现算法加速,比传统的CPU计算速度提高了一个数量级.文中对理论模型进行了计算,并与单程波偏移方法做比较,结果表明:叠前逆时偏移有效突破了成像倾角限制,对垂直断层、盐丘空腔内幕等特殊构造成像效果均有显著提高.本文尚未涉及成像噪音去除以及存储量等问题,笔者将另文阐述.     

基于GPU-OpenACC的气候模式加速优化研究

为使数值模式适应异构架构在高性能计算领域的快速发展趋势,本文基于OpenACC语言,对气候模式BCC_AGCM3.0中动力框架三段程序段进行GPU加速优化试验。通过异步执行设置、循环内移、数据管理及向量参数化配置等方式,对模式中计算密集部分程序段进行GPU加速并行化,并进行了优化运行效率对比及正确性验证。试验结果表明,BCC_AGCM3.0模式中三段程序段GPU加速后效率提升均在3倍以上,BCC_AGCM气候模式全球涡度均方根相对误差控制在一定范围之内。加速方法及策略对于数值天气气候模式在异构环境下的移植与优化具有一定参考价值。     

基于CUDA技术的矿产储量计算

插值计算是矿产储量计算中的重要环节,但由于计算量大,经常需要在插值密度和计算时间之间进行权衡.本项研究通过最新的CUDA技术,将插值运算转换到显卡上进行并行化计算,极大地提高了计算速度.以紫金山铜矿数据为研究对象,进行了方法技术的实验,与基于CPU的计算相比,基于GPU下CUDA的计算速度提高了67倍.     

A GPU-accelerated adaptive kernel density estimation approach for efficient point pattern analysis on spatial big data

Kernel density estimation (KDE) is a classic approach for spatial point pattern analysis. In many applications, KDE with spatially adaptive bandwidths (adaptive KDE) is preferred over KDE with an invariant bandwidth (fixed KDE). However, bandwidths determination for adaptive KDE is extremely computationally intensive, particularly for point pattern analysis tasks of large problem sizes. This computational challenge impedes the application of adaptive KDE to analyze large point data sets, which are common in this big data era. This article presents a graphics processing units (GPUs)-accelerated adaptive KDE algorithm for efficient spatial point pattern analysis on spatial big data. First, optimizations were designed to reduce the algorithmic complexity of the bandwidth determination algorithm for adaptive KDE. The massively parallel computing resources on GPU were then exploited to further speed up the optimized algorithm. Experimental results demonstrated that the proposed optimizations effectively improved the performance by a factor of tens. Compared to the sequential algorithm and an Open Multiprocessing (OpenMP)-based algorithm leveraging multiple central processing unit cores for adaptive KDE, the GPU-enabled algorithm accelerated point pattern analysis tasks by a factor of hundreds and tens, respectively. Additionally, the GPU-accelerated adaptive KDE algorithm scales reasonably well while increasing the size of data sets. Given the significant acceleration brought by the GPU-enabled adaptive KDE algorithm, point pattern analysis with the adaptive KDE approach on large point data sets can be performed efficiently. Point pattern analysis on spatial big data, computationally prohibitive with the sequential algorithm, can be conducted routinely with the GPU-accelerated algorithm. The GPU-accelerated adaptive KDE approach contributes to the geospatial computational toolbox that facilitates geographic knowledge discovery from spatial big data.