| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第17-51页 |
| 1.1 研究背景及意义 | 第18-34页 |
| 1.1.1 大数据驱动的智能时代背景 | 第18-21页 |
| 1.1.2 智能时代下的地理时空栅格大数据 | 第21-32页 |
| 1.1.3 地理时空栅格大数据组织面临的问题与挑战 | 第32-34页 |
| 1.2 国内外研究现状综述 | 第34-46页 |
| 1.2.1 地理时空栅格数据模型 | 第34-38页 |
| 1.2.2 多源异构地理时空栅格数据规格化 | 第38-41页 |
| 1.2.3 海量地理时空栅格数据高效存储与计算 | 第41-43页 |
| 1.2.4 面向智能化挖掘的地理时空栅格大数据组织 | 第43-46页 |
| 1.3 研究动机与目的 | 第46页 |
| 1.4 主要研究内容与论文组织 | 第46-51页 |
| 1.4.1 研究思路 | 第46-47页 |
| 1.4.2 研究内容 | 第47-48页 |
| 1.4.3 论文章节安排 | 第48-51页 |
| 2 地理时空栅格数据智方体模型 | 第51-73页 |
| 2.1 智方体数据组织概念模型 | 第51-59页 |
| 2.1.1 智方体数据组织模型定义 | 第51页 |
| 2.1.2 智方体数据组织模型构建思想 | 第51-53页 |
| 2.1.3 智方体数据组织模型对象描述 | 第53-56页 |
| 2.1.4 智方体数据组织模型功能描述 | 第56-58页 |
| 2.1.5 智方体数据组织模型特征 | 第58-59页 |
| 2.2 地理时空栅格数据特性分析 | 第59-62页 |
| 2.2.1 空间信息的基本特征 | 第59-60页 |
| 2.2.2 属性信息间的内在关联特征 | 第60-62页 |
| 2.2.3 大数据应用的适应特征 | 第62页 |
| 2.3 地理时空栅格数据智方体模型定义 | 第62-63页 |
| 2.4 地理时空栅格数据智方体构建原理与优势 | 第63-64页 |
| 2.5 地理时空栅格数据智方体数据组织 | 第64-67页 |
| 2.6 地理时空栅格数据智方体对象结构 | 第67-68页 |
| 2.7 地理时空栅格数据智方体技术体系 | 第68-70页 |
| 2.8 地理时空栅格数据智方体模型特性 | 第70-71页 |
| 2.9 本章小结 | 第71-73页 |
| 3 基于GRIC模型的组织框架设计原理与方法 | 第73-103页 |
| 3.1 地理时空数据多维关联结构抽象 | 第73-77页 |
| 3.1.1 时间维度关联 | 第73-74页 |
| 3.1.2 空间维度关联 | 第74-75页 |
| 3.1.3 地理数据多尺度间关联 | 第75-77页 |
| 3.2 基于时空语义网络的信息描述与组织 | 第77-81页 |
| 3.2.1 基于本体的GRIC语义网络 | 第77-78页 |
| 3.2.2 GRIC遥感特征信息概念本体的构建 | 第78-80页 |
| 3.2.3 GRIC时间概念本体的构建 | 第80-81页 |
| 3.2.4 GRIC空间概念本体的构建 | 第81页 |
| 3.3 地理时空栅格大数据规格化组织模型 | 第81-90页 |
| 3.3.1 地理时空栅格数据规格化 | 第82-83页 |
| 3.3.2 双地理经纬格网数据切分模型 | 第83-88页 |
| 3.3.3 矢量栅格一体化转换模型 | 第88-90页 |
| 3.4 基于地理位置的栅格列存储模型 | 第90-94页 |
| 3.4.1 基于地理位置的栅格列存储模型结构 | 第91-92页 |
| 3.4.2 多维地理时空数据集栅格列存储过程 | 第92-94页 |
| 3.4.3 基于地理位置的栅格列存储模型分析 | 第94页 |
| 3.5 基于地理位置分布相关的云存储架构 | 第94-99页 |
| 3.5.1 基于GRIC模型的逻辑存储结构 | 第95-96页 |
| 3.5.2 基于虚拟映射的分布式对象存储模型 | 第96-98页 |
| 3.5.3 基于GRIC模型的云存储系统组成 | 第98-99页 |
| 3.6 基于GRIC模型的栅格并行计算架构 | 第99-101页 |
| 3.7 本章小结 | 第101-103页 |
| 4 基于GRIC模型的大数据应用分析方法 | 第103-125页 |
| 4.1 基于语义网络的地理时空数据关联搜索 | 第103-108页 |
| 4.1.1 GRIC关联搜索的过程 | 第103-105页 |
| 4.1.2 GRIC语义联想匹配方法 | 第105-107页 |
| 4.1.3 GRIC关联权重赋值算法 | 第107-108页 |
| 4.1.4 基于关联权重的联想信息降维和过滤 | 第108页 |
| 4.2 基于特征规则的网络数据识别与汇聚 | 第108-115页 |
| 4.2.1 GRIC数据认知特征库与特征学习 | 第109-112页 |
| 4.2.2 基于特征匹配的地理时空数据认知过程 | 第112-113页 |
| 4.2.3 多源异构网络地理时空数据汇聚与整合 | 第113-115页 |
| 4.3 基于经典规则的GRIC信息自我发生 | 第115-119页 |
| 4.3.1 基于组件化的GRIC信息发生算法 | 第115-116页 |
| 4.3.2 GRIC信息发生算法组件流程描述 | 第116-118页 |
| 4.3.3 GRIC信息发生算法描述 | 第118页 |
| 4.3.4 GRIC信息发生算法工作方式 | 第118-119页 |
| 4.4 基于经验规则的GRIC信息模拟预测 | 第119-123页 |
| 4.4.1 时间序列和时间序列预测的概念 | 第120-121页 |
| 4.4.2 BP神经网络进行时间序列预测的可行性分析 | 第121页 |
| 4.4.3 基于非线性最小二乘法的BP神经网络模拟预测算法 | 第121-123页 |
| 4.5 本章小结 | 第123-125页 |
| 5 原型试验系统实现与实验分析 | 第125-141页 |
| 5.1 系统架构 | 第125-127页 |
| 5.2 系统运行环境 | 第127-129页 |
| 5.2.1 系统部署 | 第127-128页 |
| 5.2.2 试验环境 | 第128页 |
| 5.2.3 试验数据 | 第128-129页 |
| 5.3 系统模块组件 | 第129-132页 |
| 5.4 系统模块实现 | 第132-137页 |
| 5.4.1 数据产品规格化 | 第132-133页 |
| 5.4.2 规格化数据查询 | 第133页 |
| 5.4.3 规格化数据传输 | 第133-134页 |
| 5.4.4 语义信息管理 | 第134页 |
| 5.4.5 信息产品生产 | 第134-136页 |
| 5.4.6 系统节点监控 | 第136-137页 |
| 5.5 原型试验系统的实验比较与分析 | 第137-139页 |
| 5.5.1 基于列存储的并发传输性能测试 | 第137页 |
| 5.5.2 基于列存储和GPU的并发计算性能测试 | 第137-138页 |
| 5.5.3 数据模拟预测效果测试 | 第138-139页 |
| 5.6 本章小结 | 第139-141页 |
| 6 结论及展望 | 第141-145页 |
| 6.1 研究工作总结 | 第141页 |
| 6.2 研究特色与创新 | 第141-142页 |
| 6.3 研究展望 | 第142-145页 |
| 参考文献 | 第145-151页 |
| 作者简介 | 第151页 |
