论文部分内容阅读
矢量数据作为GIS的基础数据结构之一，与栅格数据相比具有存储量小、图形显示精度高、有利于拓扑关系分析等优点。但由于其数据结构较为复杂，导致面向矢量数据并行化存取与处理的相关操作方法研究较为困难。特别是矢量数据的无结构化特点，与GPU利用数组结构存储数据之间存在较大差异，难以充分发挥GPU众核高度并行执行的优势。因此，本文将系统地研究基于GPU的矢量数据存取操作方法、程序设计架构、数据结构、高效并行空间分析算法以及空间索引等内容。 为适应GPU不能利用内核程序动态分配存储空间，只能依赖有限的总线带宽从CPU端发送和接收数据的编程特点，本文以CSV格式文件为例，设计与实现了面向矢量数据的并行计算框架。主要思想是首先在CPU端对空间数据进行预处理操作，然后根据空间对象的几何坐标大小分配GPU端存储空间，最后以空间对象为单位逐个拷贝至GPU端。 本文采用分层设计思想构建基于GPU的空间分析方法，共包含存储、空间算子、存取策略、空间分析操作四部分。该方法具有较好的可扩展性，当某一层发生变化时，其它层仅需较小的修改即可实现，从而降低了各功能模块间耦合度。 本文针对空间分析中的空间数据排序、空间关系分析等常见技术，在分析其并行性特点的基础上，结合面向GPU流处理器进行空间数据并行处理问题，以典型的叠加分析、静态R-树空间索引算法为例，提出了新的数据结构以及相关算法。并采用最大化并行执行、优化存储器使用等策略提高空间数据分析性能，力图为其它并行空间分析方法的优化提供借鉴。实验结果表明，与传统的基于CPU的算法相比，在一般的计算环境下基于GPU的算法能够获得较好的加速比。