| 作者简介 | 第6-7页 |
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 选题背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 分布式并行数据处理平台研究现状 | 第13-14页 |
| 1.2.2 并行数字地形分析的数据划分与存储方案 | 第14-15页 |
| 1.2.3 数字地形分析并行算法研究现状 | 第15-16页 |
| 1.2.4 发展趋势和存在问题 | 第16-17页 |
| 1.3 研究目标和内容 | 第17-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 第二章 相关理论与技术背景介绍 | 第20-28页 |
| 2.1 数字地形分析 | 第20-22页 |
| 2.1.1 数字地形分析概述 | 第20-21页 |
| 2.1.2 数字高程模型 | 第21-22页 |
| 2.1.3 数字地形分析算法分类 | 第22页 |
| 2.2 分布式平台理论与技术 | 第22-27页 |
| 2.2.1 Hadoop分布式文件系统 | 第23-24页 |
| 2.2.2 Spark快速通用计算引擎 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 局部数字地形分析并行化算法设计与实现 | 第28-40页 |
| 3.1 山地分类算法简述 | 第28-29页 |
| 3.2 基于HDFS的瓦片划分与存储策略 | 第29-34页 |
| 3.2.1 现有分布式存储策略的适用缺陷 | 第29-30页 |
| 3.2.2 基于HDFS的瓦片划分方法 | 第30-32页 |
| 3.2.3 瓦片文件的压缩存储设计 | 第32-34页 |
| 3.3 适配存储模型的数据访问接口及并行算法设计 | 第34-39页 |
| 3.3.1 自定义Hadoop输入格式 | 第34-36页 |
| 3.3.2 山地分类并行化算法设计 | 第36-38页 |
| 3.3.3 自定义瓦片数据输出格式 | 第38-39页 |
| 3.3.4 局部数字地形分析并行化算法性能分析 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 全局数字地形分析并行化算法设计与实现 | 第40-51页 |
| 4.1 可视域分析简介 | 第40-42页 |
| 4.1.1 地形可视性分析概念 | 第40-41页 |
| 4.1.2 LOS算法原理 | 第41-42页 |
| 4.2 基于Spark的可视域分析数据划分策略 | 第42-46页 |
| 4.2.1 等角数据划分策略 | 第42-44页 |
| 4.2.2 顾及负载均衡的DEM数据等栅格量划分策略 | 第44-46页 |
| 4.3 基于Spark的可视域分析并行算法实现 | 第46-50页 |
| 4.3.1 可视域分析的数据划分策略的实现方案 | 第46-47页 |
| 4.3.2 可视域分析并行算法实现 | 第47-49页 |
| 4.3.3 可视域分析并行化算法性能分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 实验与分析 | 第51-60页 |
| 5.1 实验环境与测试数据 | 第51-53页 |
| 5.1.1 实验环境介绍 | 第51-52页 |
| 5.1.2 测试数据 | 第52-53页 |
| 5.2 实验设计 | 第53-58页 |
| 5.2.1 山地分类算法实验方案设计与结果对比 | 第53-55页 |
| 5.2.2 可视域分析算法实验方案设计与结果对比 | 第55-58页 |
| 5.3 实验结果分析 | 第58-59页 |
| 5.3.1 山地分类算法实验结果分析 | 第58页 |
| 5.3.2 可视域分析算法实验结果分析 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |