导读:本文包含了空间数据划分论文开题报告文献综述及选题提纲参考文献，主要关键词:县域,森林经营,空间推广,森林经营类型划分
空间数据划分论文文献综述
邹文涛,陈绍志,吴水荣,李婷婷[1]（2019）在《基于林业调查和地理空间数据的森林经营类型划分——以山西省沁水县为例》一文中研究指出为探索县域森林经营类型划分方法,以在山西省中条山国有林管理局已取得良好经营效果的森林资源经营区划和森林经营类型为基础,综合利用森林资源二类调查数据、土地利用遥感分类数据、坡度坡位等立地因子数据,根据森林属性和立地条件,将沁水县森林资源划分为:严格保护区、重点保护区、保护经营区和集约经营区4种森林经营区划类型。并进一步根据立地条件、地类属性、森林类别、优势树种和经营目的等属性,将沁水县森林资源细分为油松-阔叶异龄混交目标树经营、栎类多目标经营等24个森林经营类型。(本文来源于《林业科技通讯》期刊2019年11期）
付仲良,赵星源,王楠,杨元维,田宗舜[2]（2015）在《一种基于流形学习的空间数据划分方法》一文中研究指出空间数据划分是空间数据库系统进行高效空间连接操作的前提和基础。针对现有的空间数据划分方法难以保持低冗余度和高数据量均衡度以及高效支持空间连接的问题,提出了一种基于流形学习的空间数据划分算法。利用流形学习保留降维前源数据结构不变的特点,构建数据划分策略和映射方法,通过将邻近数据划分到同一数据块来减少数据冗余度,通过对最小数据块进行映射,提高整体的数据量均衡度。实验表明,本文提出的划分方法具有极低的数据冗余度和良好的数据量均衡度。(本文来源于《武汉大学学报(信息科学版)》期刊2015年10期）
邱强,方雷,姚晓,方金云[3]（2015）在《基于空间聚类的矢量空间数据并行计算划分方法》一文中研究指出为了解决并行矢量空间分析在数据划分阶段的负载均衡问题,研究了矢量空间数据的划分,提出了一种基于空间聚类思想的矢量空间数据划分方法。该方法充分考虑矢量空间数据规模以及空间邻近性特征对并行空间分析算法效率的影响,首先采用空间填充曲线对二维空间数据进行编码,保证空间要素邻近性特征;然后用空间要素集合对空间要素流进行填充,从而确保各个子任务集中的要素数据规模相对均衡。以并行迭加分析中点面、线面、面面迭加操作为例,设计了对比实验。实验结果表明,该方法能够有效提高以线、面要素为操作对象的并行算法负载均衡度和提高并行算法整体运行效率。(本文来源于《高技术通讯》期刊2015年04期）
黄泗勇,陈婷婷,卢清,吴英杰,叶少珍[4]（2015）在《基于kd-树的差分隐私二维空间数据划分发布方法》一文中研究指出为解决现有基于网格结构的差分隐私二维空间数据划分发布方法可能引起局部划分过细导致查询精度低的问题,提出了基于kd-树的差分隐私二维空间数据划分发布方法—kd-PPDP算法(differentially privacy partitioning publication algorithm based on kd-tree)。算法采用了kd-树算法思想,通过启发式地识别网格化后数据分布情况并合并相邻近似网格单元来防止局部划分过细问题,从而减少所添加的噪声,提高查询精度。通过实验对比分析了kd-PPDP算法与现有基于网格结构的划分发布方法的查询误差以及时间效率,结果表明了该算法的有效性和可行性。(本文来源于《山东大学学报(工学版)》期刊2015年01期）
彭延超[5]（2012）在《分布式并行计算环境下GML空间数据的划分策略及算法研究》一文中研究指出GML具有简单性、半结构化、互操作性、开放性、通用性、灵活性等特点,因而在诸多领域得到了广泛应用。随着地理信息领域求解问题的不断拓展,所遇到的问题也越来越复杂,规模越来越大,传统GIS的空间数据存储与空间分析算法的效率优化和性能提升无法满足海量数据的存储与空间运算需求。利用分布式并行计算平台可以很好地解决这一问题。分布式并行系统的优劣很大程度取决于数据划分策略的好坏,而目前空间数据的划分方法没有考虑空间关联关系。因此针对一种适合GML空间数据的综合考虑负载平衡、邻近程度、面积平衡及空间关联关系的空间数据划分方法,本文取得了以下研究成果：第一,研究分析了基于Hilbert空间排列码的空间数据划分和基于K-平均聚类算法的空间数据划分两种算法的缺点。前者在保持各结点的空间数据所占范围平衡性上表现不佳,而后者则由于初始质心的不确定性导致划分结果不稳定。第二,结合Hilbert空间排列码和K-平均聚类算法,并综合考虑对象的空间关联关系提出一种新的GML数据划分算法。该算法考虑了各结点负载平衡、对象的邻近程度、面积平衡及对象间的空间关联关系。最后,根据提出的GML空间数据划分算法,分析设计了GML分布式存储系统,完成了基于Hadoop平台的分布式并行GML存储系统的数据划分模块。通过系统验证了数据划分算法的负载平衡性,并与Oracle Spatial和基于K-平均聚类的空间数据划分算法的并行加速比做了比较分析,与Hilbert码划分算法做了等分区域查询效率对比。结果表明,本划分算法拥有良好的负载平衡性和优秀的并行查询效率。(本文来源于《江西理工大学》期刊2012-06-01）
田光[6]（2011）在《并行计算环境中矢量空间数据的划分策略研究与实现》一文中研究指出GIS行业的蓬勃发展带来了GIS技术的飞速进步,随着空间数据规模的不断扩展,空间运算复杂程度的不断提高,单一的GIS处理模式已不再适应海量数据空间运算的新需求,同时随着计算机硬件水平的提高,云环境下的高性能GIS应运而生。如何最大限度地发挥并行设备的计算能力成为当前研究的重要话题,以并行任务分解及空间数据划分为主的策略研究成为高性能GIS进一步深入的前提。论文根据并行GIS的运算需求,研究了基丁空间聚集的划分策略,提出了一种新的基于空间统计聚类思想的划分策略,并在并行环境下实现了顾及空间对象形态的动态数据划分策略。同时,给出了进行高质量的数据划分标准——良好的空间邻近性、均衡的数据量负载、较少的数据冗余、较低的划分时间消耗比。论文立足实际应用与科学技术的发展,从GIS应用中面临的问题出发,根据空间数据的特点,结合计算机科学技术的进步,讨论了解决矢量空间数据划分的算法与策略,并在并行环境下进行了部署与测试。本文首先综述了相关领域的研究发展,即云计算与并行计算,在透彻理解其期技术核心的基础上,全面分析了当前国内外对于云计算及数据划分的研究进展与应用,为论文后续的研究提供了理论基础、技术支撑。同时也确立了论文的研究方向和重难点,即顾及空间数据形态的并行环境下矢量空间数据的划分方法与策略。论文介绍了常用的数据划分方法,并结合矢量空间数据的特点明确了数据划分的原则,包括数据划分负载度量标准、矢量空间对象的位置定义、数据不相交原则、空间数据量、空间邻近性等。对比分析了传统的矢量空间数据划分方法存在的问题,阐述了并行环境下的矢量数据划分问题的核心,即对N个存储空间上的一个空间数据集进行一组空间操作,通过有效的数据划分将数据分配到不同的存储空间上,充分利用存储资源以提高空间操作的响应时间。论文的重点是并行环境下的矢量空间数据划分方法与策略的研究。本文根据空间数据划分的核心内容,结合空间数据聚集及统计聚类的特点,设计实现了两种划分策略体系。空间数据的划分本质是根据空间数据的聚集程度将数据划分为若干子块,而空间聚集的将一种将空间数据由多维集合映射到一维线性排列的特征,能够满足数据划分的需求。空间聚集里重要的Peano族空间填充曲线具有良好的空间聚集能力,能够一次遍历所有空间对象,以Hilbert曲线为代表的划分算法以建立对象良好的空间排列码为重点,按空间排列码的顺序进行划分。基于空间填充曲线的划分方法,不需要多次遍历空间对象,只需要一次性编码获取对象的空间排列即可,效率较高,时间消耗比将会很小,同时又有着很高的数据精确度。实验发现,空间曲线的方法存在一些由于曲线自身缺陷造成的问题——在空间聚集上不够理想。论文又针对空间聚集较差的数据探讨新的解决方法,研究了基于统计聚类思想的数据划分方法,从统计学的角度将空间上具有某种相同属性的空间对象归为同一类,从而得到划分结果。空间聚类则以统计具有相似空间特征的数据为准则,将空间对象聚类,而为了保证空间数据的邻近性,采用距离最近或面积增量最小的聚类标准,可获得较好的划分效果。为了验证论文研究的关键方法与技术的正确性与可行性,论文在并行环境下针对不同的空间要素类型(点、线、面)以及不同的数量规模的多组空间数据进行实验测试。选择具有普遍性并涵盖划分数据的一般性特征(即数据分布不均衡,数据量海量等)实验数据,对两种划分策略的正确性与效率进行了验证与测试。最后,论文基于对两种策略划分策略体系进行的系统、全面的实验测试,以实际运算效率和计算资源利用最优为最终目标,提出了在不同数据量、不同的数据形态、不同数据分布、不同计算要求情况下的空间数据划分策略动态选择方案。论文研究的重点技术和方法具有通用性,即本文研究的矢量空间数据的划分方法与策略设计与实现,能应用于各类并行计算环境下的空间运算的任务分解及矢量空间数据的分分布式部署。(本文来源于《中国地质大学》期刊2011-05-01）
周艳,朱庆,张叶廷[7]（2007）在《基于Hilbert曲线层次分解的空间数据划分方法》一文中研究指出针对现有空间数据划分方法普遍存在的不考虑空间对象自身大小和相邻对象空间关系对数据划分的影响等问题,提出一种基于Hilbert空间填充曲线层次分解的空间数据划分方法。该方法使用Hilbert曲线保持划分后空间数据之间的邻近性,利用少数子网格的层次分解避免对整个空间范围的密集划分,减少空间对象的Hilbert编码计算和排序时间;通过计算划分区域平均数据量和子网格内空间对象大小,确定合适的层次分解参数,实现各划分区域内空间数据量均衡。实验表明,该方法提高了空间数据的划分效率,能够保持划分后空间数据之间的邻近性和各个分区数据量的平衡。(本文来源于《地理与地理信息科学》期刊2007年04期）
吴丽娟,齐维毅,李继[8]（2007）在《海量空间数据点四边形网格划分边界优化算法的实现》一文中研究指出提出一种非封闭曲面的海量空间数据点四边形网格划分过程中的边界优化处理算法;详细论述了边界拟合、边界跳跃、边界分离、边界融合、边界封闭、边界优化的处理过程:给出了边界优化处理算法的运行实例,说明了算法的可行性。(本文来源于《中国几何设计与计算新进展2007——第叁届中国几何设计与计算大会论文集》期刊2007-07-15）
王永杰,孟令奎,赵春宇[9]（2007）在《基于Hilbert空间排列码的海量空间数据划分算法研究》一文中研究指出在深入分析了Hilbert空间排列码的线性映射特性后,将其应用于数据划分之中,并给出了具体的实现算法。本算法既考虑了空间目标的聚集性,又考虑了各个划分结点上数据存储量的平衡性,极大地提高了并行空间数据库的处理效率。(本文来源于《武汉大学学报(信息科学版)》期刊2007年07期）
李伟,刘仁义,刘南[10]（2005）在《基于任务划分和多版本技术的GIS空间数据协同处理研究》一文中研究指出针对协同GIS对多用户地图编辑和长事务处理的协同需求,给出了基于任务划分的协同GIS工作模型;构建了协同GIS工作环境;结合多版本技术,解决了协同GIS中多用户对地理数据的协同编辑等问题.通过在国家863项目中的实践证实,该方案支持对共享数据更新操作的并行执行,减少了数据锁定的需求,实现了协同工作机制与GIS的结合,取得较好效果.(本文来源于《浙江大学学报(理学版)》期刊2005年04期）
空间数据划分论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
空间数据划分是空间数据库系统进行高效空间连接操作的前提和基础。针对现有的空间数据划分方法难以保持低冗余度和高数据量均衡度以及高效支持空间连接的问题,提出了一种基于流形学习的空间数据划分算法。利用流形学习保留降维前源数据结构不变的特点,构建数据划分策略和映射方法,通过将邻近数据划分到同一数据块来减少数据冗余度,通过对最小数据块进行映射,提高整体的数据量均衡度。实验表明,本文提出的划分方法具有极低的数据冗余度和良好的数据量均衡度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
空间数据划分论文参考文献
[1].邹文涛,陈绍志,吴水荣,李婷婷.基于林业调查和地理空间数据的森林经营类型划分——以山西省沁水县为例[J].林业科技通讯.2019
[2].付仲良,赵星源,王楠,杨元维,田宗舜.一种基于流形学习的空间数据划分方法[J].武汉大学学报(信息科学版).2015
[3].邱强,方雷,姚晓,方金云.基于空间聚类的矢量空间数据并行计算划分方法[J].高技术通讯.2015
[4].黄泗勇,陈婷婷,卢清,吴英杰,叶少珍.基于kd-树的差分隐私二维空间数据划分发布方法[J].山东大学学报(工学版).2015
[5].彭延超.分布式并行计算环境下GML空间数据的划分策略及算法研究[D].江西理工大学.2012
[6].田光.并行计算环境中矢量空间数据的划分策略研究与实现[D].中国地质大学.2011
[7].周艳,朱庆,张叶廷.基于Hilbert曲线层次分解的空间数据划分方法[J].地理与地理信息科学.2007
[8].吴丽娟,齐维毅,李继.海量空间数据点四边形网格划分边界优化算法的实现[C].中国几何设计与计算新进展2007——第叁届中国几何设计与计算大会论文集.2007
[9].王永杰,孟令奎,赵春宇.基于Hilbert空间排列码的海量空间数据划分算法研究[J].武汉大学学报(信息科学版).2007
[10].李伟,刘仁义,刘南.基于任务划分和多版本技术的GIS空间数据协同处理研究[J].浙江大学学报(理学版).2005