试论空间数据库的数据处理模式及优越性
摘要：空间数据库技术已经成为了地理信息尤其是海量地理信息管理的主流技术，本文围绕空间数据库介绍了其数据特点、数据结构和空间数据模型的内容及其优点，结合传统数据模型的特性，从空间数据模型的角度分析了空间数据库的数据处理模式以及其优越性。
关键词：空间数据库；空间数据结构；传统数据模型；空间数据模型Abstract：Spatial database has become the main aspect of the technol ogy to geological data processing and management, especially to massive data. This paper focuses on spatial database and d escribes the characteristics, structure of its data，and the content of spatial data mod el. Combined with the characteristics of traditional data mod els，analyzes the superiority of the data processing mod e based on spatial data mod el.
Key words: Spatial database；spatial data structure；traditional data mod el；spatial data mod el
空间数据库是某一区域内一定地理要素特征的相关空间数据集合；是地理信息系统在计算机物理存储介质上存储的与应用相关的地理空间数据的总和，一般是以特定结构的文件的形式组织在存储介质上的。数据模型是描述数据内容和数据之间联系的工具，它是衡量数据库能力强弱的主要标志之一。数据模型是一组描述数据库的概念。这些概念精确地描述数据、数据之间的关系、数据的语义和完整性约束。很多数据模型还包括一个操作集合。这些操作用来说明对数据库的存取和更新。数据模型应满足三方面要求：一是能真实地模拟现实世界；二是容易为人们理解；三是便于在计算机上实现。数据库设计的核心问题之一就是设计一个好的数据模型。
1.传统数据模型以及其优缺点：
传统数据模型主要有以下三种：（1）层次数据模型：层次模型是数据库系统中最早出现的数据模型，层次数据库系统采用层次模型作为数据的组织方式，用树形结构来表示各类实体以及实体间的联系。如行政机构，家族关系等。（2）网络数据模型：在现实世界中客体的联系更多的是非层次关系的，用层次模型表示非树形结构是很不直接的，网络模型可以克服这一弊病。在数据库中，把满足以
下两个条件的基本层次联系集合称为网状模型：允许一个以上的结点无双亲：一个结点可以有多于一个的双亲；网状模型可以更直接地去描述现实世界，而层次模型实际上是网状模型的一个特例。（3）关系数据模型：用表格数据表示实体与实体之间联系的模型。基于关系数据模型的数据库系统称关系数据库系统，如Access、SQL Server、FoxPro、Oracle等
传统数据模型出现的时期比较早，因此存在着很多不足：首先，层次数据模型的缺点是访问限于自上而下的路径，结构呆板、不够灵活、要保留大量的索引文件、一些属性值重复多次利用、数据冗余。其次，网络数据模型的不足之处是间接的指针使数据库扩大，在复杂的系统中可能占据数据库的很大部分，每次数据库变动，这些指针必须要更新维护，其工作量相当大。再者，关系数据模型也存在很多不足之处，主要是为找到满足制定关系要求的数据，许多操作涉及到对文件的顺序搜索，对大型系统而言，很费时间，为保证以适宜速度进行搜索的能力，商用系统一般需要经过十分精心的设计，因而价格很昂贵。传统数据库系统管理的是不连续的、相关性较小的数字和字符；而地理信息数据是连续的，并且具有很强的相关性。
2.空间数据模型及其各自的优缺点：
空间数据的特点是具有空间性、专题性、时间性、多态性、多尺度性、可靠性、不确定性、选择性、抽样性、完备性、海量性和自相关性。
空间数据模型是指利用特定的数据结构来表达空间对象的空间位置、空间关系和属性信息；是对空间对象的数据描述。目前在数据库领域，空间数据库的数据模型主要分为：矢量数据模型、栅格数据模型和三角网格数据模型。
2.1矢量数据模型
矢量数据模型：用欧几里得（Euclid）几何学中的点、线、多边形及其组合表示地理实体空间位置、形态和分布特征的一种数据组织形式。
矢量数据的编码方法主要有三种，分别为：（1）坐标序列法，适用于简单数据结构（也称面条数据结构）。点表示为单个的by坐标，线表示为一组有序的by坐标，而区域表示为一组有序的xy坐标，但其起点的坐标和终点的坐标相同，即区域是闭合的多边形。为了区别不同实体，每个实体都赋予一个唯一的标识符。（2）层次索引法又称树状索引编码法，采用树状索引以减少数据冗余并
间接增加邻域信息，方法是对所有边界点进行数字化，将坐标对以顺序方式存储，由点索引与边界线号相联系，以线索引与各多边形相联系，形成树状索引结构。消除了多边形边界的数据冗余和不一致问题，可直接对复杂边界线简化或合并相邻多边形而不必改造索引表，邻域信息和岛状信息可以通过对线索引处理得到，但是繁琐易出错。（3）拓扑结构法，拓扑单元主要有节点弧段和多边形。节点(Node)定义为弧段的起点、终点或几条线的交点。节点具有拓扑特征，用于表示弧段是否相连，而拐点没有拓扑特征，只是表示了弧段的位置和形状属性；弧段是最基本的空间数据单元之一，每个弧段包含两个节点——起节点和终节点，起节点和终节点定义了弧段的方向，从而也定义了该弧段的左右多边形，在节点之间由零个或多个拐点，弧段的长度和形状由节点和拐点的坐标所决定；多边形由一系列的相互连结的弧段组成，并通过其内部的唯一标识点来标识。标识点的标识码和该多边形属性表中的标识码相一致，由此建立的多边形空间信息和属性信息的关系。
矢量数据模型的优点：矢量数据可以提供更严密的数据结构明确表示地理现象的位置和形状；存储量较小，精度较高，制图效果好；易于识别特征之间的拓扑关系，因而对需要拓扑信息的操作更有效；适合于建立几何网络模型;便于进行某些特殊的地理分析，如基于矢量的网络分析，缓冲区分析。
2.2栅格数据模型
栅格数据结构指将分析空间划分成多个规则的、互相相邻的网格单元（多为矩形区域,也偶有表示为三角形或六边形的），然后给各个格网单元赋以相应空间对象的属性值，用这多个格网单元组成的规则格网（GRID）来表示地理现象的空间位置和属性特征。栅格系统的组成要素：栅格单元、栅格取值的数据类型和栅格数据模型的坐标系统。
栅格数据模型的优点：栅格数据易于地理定位；数据结构简单，软件开发容易；Grid适于表示连续变化的变量, 如高程、污染扩散。可以进行一些矢量模型不能进行的空间分析操作，能有效表达空间变化；对于空间建模，由于其基本单元的尺寸和形状是一致的，因此单元格之间的空间关系是恒量，且易于跟踪，适合于空间建模；叠置运算处理速度快，易于进行各类空间分析；大量的数据源以栅格形式存储，这些已有的数据源不通过矢量化就可为系统使用，特别栅格图
象便于做图象的有效增强。
2.3三角网数据模型
TIN是使用彼此相邻而不重叠的三角形组成的三角网，每个三角形顶点的xyz坐标已知，所以通过在一个三角形表面使用简单的线性插值和多项式插值，可以估计任何位置的表面值；TIN的基本组成是三角形（Triangles），而三角形由节点（Nodes）和边(Edge)。Nodes 是由x,y,z定义的坐标和变量值组成，边Edges 即指三角形的边。三角形Triangles由节点按一定规则相连形成的；TIN不但由连续点生成，也可包含突变或断线（表示为三角形的边）。
三角网数据模型优点：TIN模型能表示联系变化的地理现象，可表示曲面上的地理现象的渐变；具有随坡度变化而不同的点密度，在坡度变化大的地区点密度较高，能精确地表示曲面类型地理现象的形状； TIN模型中一些典型地形如山脊、山峰等特征被特别存储，位置和表面值都很精确，适合进行基于形态的坡度、坡向、体积计算和视线分析等。
3.空间数据处理模式及其优越性
空间数据的处理主要包括：数据变换、数据重构和数据提取。数据变换：指数据从一种数学状态到另一种数学状态的转换，包括几何校正和投影变换等，解决空间数据的几何配准问题；数据重构：指数据格式转换，包括结构变换、格式变换和类型转换等，解决数据的统一问题，实现多元和异构数据的融合和连接；数据提取：指根据给定的条件提取感兴趣的部分，包括类型提取、窗口提取和空间内插等，解决不同用户对数据的特殊需要问题。
空间数据模型主要分为矢量数据模型和栅格数据模型两大类，所以空间数据库的数据处理模式也主要是针对矢量数据和栅格数据进行的。主要有矢量数据和栅格数据的相互转换以及数据信息的提取。
3.1矢量数据和栅格数据的相互转换
矢量数据和栅格数据各有优缺点，在功能完善的GIS软件中，两种格式的数据往往并存，但为了数据处理和分析的方便，需要在这两种格式的数据之间进行相互转换。（1）栅格向矢量转换：栅格数据矢量化，即从栅格单元转换到几何图形的过程,包括：表示类别或属性再生栅格的矢量化直接转换和基于栅格数据结构的扫描图像的矢量化处理（2）矢量向栅格转换：将以矢量表示的点、线、
多边形直接转换为栅格格式，将以矢量表示的样本点或等值线插值为栅格。
3.2数据信息的提取
矢量数据模型以X,Y坐标表示地理现象的位置和形状，侧重于地理实体的空间和属性特征，即某个空间实体所具备的空间和属性特征，矢量数据模型能明确定义地理现象的边界，可以明确表示地理现象的位置和形状。适合于建立几何网络模型，便于进行某些特殊的地理分析。而栅格数据易于地理定位，能有效表达空间变化，易于进行各类空间分析，可以更好地表示连续变化的地理现象――如降水量的变化；并可进行特定类型的空间分析，如流域模型；污染扩散模型等。
3.3空间数据处理模式的优越性
空间数据库的数据处理模式和传统数据库相比具有很大的优越性：
一、传统数据库系统管理的是不连续的、相关性较小的数字和字符；而地理信息数据是连续的，并且具有很强的相关性。
二、传统数据库系统管理的实体类型太少，并且实体之间通常只有简单、固定的空间关系；而地理空间数据的实体类型繁多，实体类型之间存在着复杂的空间关系，并且还能产生新的关系（如拓扑关系）。
三、空间数据库不仅有地理要素的属性数据(与一般数据库中的数据性质相似)，还有大量的空间数据，即描述地理要素空间分布位置的数据，并且这两种数据之间具有不可分割的联系。而且数据应用广泛，例如地理研究、环境保护、土地利用与规划、资源开发、生态环境、市政管理、道路建设等。
参考文献：
[1] 吴信才主编著．地理信息系统原理、方法及应用．武汉：中国地质大学（武汉），2000
[2]闫金凤.GIS专业“空间数据库”课程教学内容研究与实践.测绘工程.2010.12第19卷第6期
[3] 张山山. “空间数据库”课程教学内容研究[ J] . 测绘与空间地理信息, 2009( 6)
[4]张春森. 植被指数空间数据库的建立及应用.西安科技大学学报.2010.11第30卷第6期
[5] 郭际元、周顺平、刘修国编著.空间数据库.中国地质大学（武汉）2000
[6]高翔. 多源数据更新空间数据库的方法研究.城市勘测.2009.04.10.04
[7]廖之平.从数字化成果到空间数据库的数据转换.测绘信息与工程Journal of Geomatics Feb.2006;31(1)
[8]李定平. MapGIS下空间数据库的建立及其典型问题研究. 武汉大学学报信息科学版. 2005 年11 月第30 卷第11 期
[9]朱楚宏.空间数据库中的三种查询优化方法.理论与实践.
[10] 田洋，谢国刚. 数字填图系统中1∶5 万地质图空间数据库建立质量控制与操作技巧. 华南地质与矿产. (2010)04-0077-06
[11] 徐健华. 网格空间数据库调度算法的研究.信息科学.2008
矢量数据结构：通过记录坐标的方式来表达点、线、面等地理实体。 矢量数据结构的主要特点：定位明显和属性隐含。 结构：Spaghetti（面条）结构和拓扑矢量数据结构。 只有像拓扑结构这样的数据结构才是“矢量”数据结构。 拓扑矢量数据结构的特点是：1、一个多边形和另一个多边形之间没有空间 坐标的重复，这样就消除了重复线；2、拓扑信息与空间坐标分别存储，有利于进行近邻、包含和相连等查询操作；3、拓扑表必须在一开始就创建，这要花费一定的时间和空间；4、一些简单的操作比如图形显示比较慢，因为图形显示需要的是空间坐标而非拓扑结构。 栅格数据模型是将连续的空间离散化，将地理区域的平面表象按一定分解力作行和列的规则划分，形成大小均匀紧密相邻的网格阵列。 空间数据引擎（SDE）：是用来解决如何在关系数据库中存储空间的数据，实现真正的数据库方式管理空间数据，建立空间数据服务器的方法。 工作原理：SDE客户端发出请求，由SDE服务端处理这个请求，转换成DBMS 能处理的请求事物，由DBMS处理完相应的请求，SDE服务端再将处理的结果实时反馈给GIS的客户端。客户通过空间数据引擎将自己的数据交给大型关系型DBMS,由DBMS统一管理，同样，客户可以通过空间数据引擎从关系型DBMS 中获取其它类型的GIS数据，并转换成客户端可以使用的方式。 空间数据引擎的作用： （1）与空间数据库联合，为任何支持的用户提供空间数据服务。 （2）提供开放的数据访问，通过TCP/IP横跨任何同构或异构网格，支持分布式的GIS系统。 （3）SDE对外提供了空间几个对象模型，用户可以在此模型基础之上建立空间几何对象，并对这些几何对象进行操作。 （4）快速的数据提取和分析。 （5）SDE提供了连续DBMS数据库的接口，其他的一切涉及与DBMS数据库进行交互的操作都是在此基础之上完成的。 （6）与空间数据库联合可以管理海量空间信息。 （7）无缝的数据管理，实现空间数据与属性数据统一存储。 （8）并发访问。 空间数据是对空间事物的描述,实质上就是指以地球表面空间位置为参照,用来 描述空间实体的位置、形状、大小及其分布特征诸多方面的数据。 数据库是长期储存在计算机内的、有组织的、可共享的数据集合。 空间数据特征：时空特征、多维特征、多尺度性、海量数据特征。
术大数据关键技 大数据技术，就是从各种类型的数据中快速获得有价值信息的技 术。大数据领域已经涌现出了大量新的技术，它们成为大数据采集、存储、处理和呈现的有力武器。 大数据处理关键技术一般包括：大数据采集、大数据预处理、大 数据存储及管理、大数据分析及挖掘、大数据展现和应用（大数据检索、大数据可视化、大数据应用、大数据安全等）。 一、大数据采集技术 社交网络交互数据及数据是指通过 RFID传感器数据、射频数据、（或称之半结构化移动互联网数据等方式获得的各种类型的结构化、是大数据知识服务模型的根本。为弱结构化）及非结构化的海量数据，重点要突破分布式高速高可靠数据爬取或采集、高速数据全映像等大数据收集技术；突破高速数据解析、转换与装载等大数据整合技术；设计质量评估模型，开发数据质量技术。 大数据采集一般分为大数据智能感知层：主要包括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入非结构化的海量数据的智能化识别、实现对结构化、系统，半结构化、定位、跟踪、接入、传输、信号转换、监控、初步处理和管理等。必须着重攻克针对大数据源的智能识别、感知、适配、传输、接入等技术。基础支撑层：提供大数据服务平台所需的虚拟服务器，结构化、半结构化及非结构化数据的数据库及物联网络资源等基础支撑环境。重点攻
克分布式虚拟存储技术，大数据获取、存储、组织、分析和决． 大数据隐策操作的可视化接口技术，大数据的网络传输与压缩技术，私保护技术等。 二、大数据预处理技术 ）抽取：1主要完成对已接收数据的辨析、抽取、清洗等操作。数据抽取过程可以帮助我们因获取的数据可能具有多种结构和类型，以达到快速分将这些复杂的数据转化为单一的或者便于处理的构型，）清洗：对于大数据，并不全是有价值的，有些数析处理的目的。2据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据。 三、大数据存储及管理技术 大数据存储与管理要用存储器把采集到的数据存储起来，建立相 半结构化和应的数据库，并进行管理和调用。重点解决复杂结构化、可表示、非结构化大数据管理与处理技术。主要解决大数据的可存储、可处理、可靠性及有效传输等几个关键问题。开发可靠的分布式文）、能效优化的存储、计算融入存储、大数据的去件系统（DFS突破分布式非关系型大数冗余及高效低成本的大数据存储技术；据管理与处理技术，异构数据的数据融合技术，数据组织技术，突破大数据移动、研究大数据建模技术；突破大数据索引技术；备份、复制等技术；开发大数据可视化技术。 非关系型数据开发新型数据库技术，数据库分为关系型数据库、数非关系型数据库主要指的是库以及数据库缓存系统。其中，NoSQL据库，
校园基础地理空间数据库建设设计方案 遥感1503班第10组 （杨森泉张晨欣杨剑钢熊倩倩） 测绘地理信息技术专业 昆明冶金高等专科学校测绘学院 2017年5月
一．数据来源 二. 目的 三 .任务 四. 任务范围 五 .任务分配与计划六．小组任务分配七. E-R模型设计八．关系模式九．属性结构表十．编码方案
一．数据来源 原始数据为大二上学期期末实训数字测图成果（即DWG格式的校园地形图） 导入GIS 软件数据则为修改过的校园地形图 二．目的 把现实世界中有一定范围内存在着的应用数据抽象成一个数据库的具体结构的过程。空间数据库设计要满足用户需求，具有良好的数据库性能，准确模拟现实世界，能够被某个数据库管理系统接受。
三．任务 任务包括三个方面：数据结构、数据操作、完整性约束 具体为： ①静态特征设计——结构特性，包括概念结构设计和逻辑结构设计； ②动态特性设计——数据库的行为特性，设计查询、静态事务处理等应用程序； ③物理设计，设计数据库的存储模式和存储方式。 主要步骤：需求分析→概念设计→逻辑设计→物理设计 原则：①尽量减少空间数据存储冗余；②提供稳定的空间数据结构，在用户的需要改变时，数据结构能够做出相应的变化；③满足用户对空间数据及时访问的需求，高校提供用户所需的空间数据查询结果；④在空间元素间为耻复杂的联系，反应空间数据的复杂性；⑤支持多种决策需要，具有较强的应用适应性。 四、任务范围 空间数据库实现的步骤、建库的前期准备工作内容、建库流程 步骤：①建立实际的空间数据库结构；②装入试验性数据测试应用程序；③装入实际空间数据，建立实际运行的空间数据库。 前期准备工作内容：①数据源的选择；②数据采集存储原则；③建库的数据准备；④数据库入库的组织管理。 建库流程：①首先必须确定数字化的方法及工具；②准备数字化原图，并掌握该图的投影、比例尺、网格等空间信息；③按照分层要求进行
一、数据管理的发展阶段 1、人工管理阶段 2、文件系统阶段 3、数据库管理阶段 注意了解各阶段的背景和特点 二、数据库系统的特点 1、面向全组织的复杂的数据结构 2、数据的冗余度小，易扩充 3、具有较高的数据和程序的独立性：数据独立性 数据的物理独立性 数据的逻辑独立性 三、数据结构模型三要素 1、数据结构 2、数据操作 3、数据的约束性条件 四、数据模型反映实体间的关系 1、一对一的联系(1：1) 2、一对多的联系(1：N) 3、多对多的联系(M：N) 五、数据模型： 是数据库系统中用于提供信息表示和操作手段的形式构架。 数据库结构的基础就是数据模型。数据模型是描述数据(数据结构)、数据之间的联系、数据语义即数据操作，以及一致性(完整性)约束的概念工具的集合。 概念数据模型：按用户的观点来对数据和信息建模。ER模型 结构数据模型：从计算机实现的观点来对数据建模。层次、网状模型、关系 六、数据模型的类型和特点 1、层次模型： 优点：结构简单，易于实现 缺点：支持的联系种类太少，只支持二元一对多联系 数据操纵不方便，子结点的存取只能通过父结点来进行 2、网状模型： 优点：能够更为直接的描述世界，结点之间可以有很多联系 具有良好的性能，存取效率高 缺点：结构比较复杂 网状模型的DDL、DML复杂，并且嵌入某一种高级语言，不易掌握，不易使用
3、关系模型： 特点：关系模型的概念单一；（定义、运算） 关系必须是规范化关系； 在关系模型中，用户对数据的检索操作不过是从原来的表中得到一张新的表。 优点：简单，表的概念直观，用户易理解。 非过程化的数据请求，数据请求可以不指明路径。 数据独立性，用户只需提出“做什么”，无须说明“怎么做”。 坚实的理论基础。 缺点：由于存储路径对用户透明，存储效率往往不如非关系数据模型 4、面向对象模型 5、对象关系模型 七、三个模式和二级映像 1、外模式(Sub-Schema)：用户的数据视图。是数据的局部逻辑结构，模式的子集。 2、模式(Schema)：所有用户的公共数据视图。是数据库中全体数据的全局逻辑结构和特性的描述。 3、内模式(Storage Schema)：又称存储模式。数据的物理结构及存储方式。 4、外模式/模式映象：定义某一个外模式和模式之间的对应关系，映象定义通常包含在各外模式中。当模式改变时，修改此映象，使外模式保持不变，从而应用程序可以保持不变，称为逻辑独立性。 5、模式/内模式映象：定义数据逻辑结构与存储结构之间的对应关系。存储结构改变时，修改此映象，使模式保持不变，从而应用程序可以保持不变，称为物理独立性。 八、数据视图 数据库管理系统的一个主要作用就是隐藏关于数据存储和维护的某些细节，而为用户提供数据在不同层次上的抽象视图，即不同的使用者从不同的角度去观察数据库中的数据所得到的结果—数据抽象。 九、规范化 1、几个概念 候选码（候选关键字）：如果一个属性（组）能惟一标识元组，且又不含有其余的属性，那么这个属性（组）称为关系的一个候选码(候选关键字)。 码（主码、主键、主关键字）：从候选码中选择一个唯一地标识一个元组候选码作为码 主属性：任何一个候选码中的属性（字段） 非主属性：除了候选码中的属性 外码：关系模式R中属性或属性组X并非R的码，但X是另一个关系模式的码，则称X是R的外部码，简称外码。 2、函数依赖 （1）设R(U)是一个属性集U上的关系模式，X和Y是U的子集。若对于R(U)的任意一个可能的关系r，r中不可能存在两个元组在X上的属性值相等，而在Y上的属性值不等，则称“X函数确定Y”或“Y函数依赖于X”，记作X→Y。X称为这个函数依赖的决定属性集(Determinant)。Y=f(x)
大数据处理常用技术简介 storm,Hbase,hive,sqoop, spark,flume,zookeeper如下 ?Apache Hadoop:是Apache开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目(HDFS)和支持MapReduce分布式计算的软件架构。 ?Apache Hive:是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，通过类SQL语句快速实现简单的MapReduce 统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。 ?Apache Pig:是一个基于Hadoop的大规模数据分析工具，它提供的SQL-LIKE语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。 ?Apache HBase:是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。 ?Apache Sqoop:是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。 ?Apache Zookeeper:是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务?Apache Mahout:是基于Hadoop的机器学习和数据挖掘的一个分布式框架。Mahout用MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题。 ?Apache Cassandra:是一套开源分布式NoSQL数据库系统。它最初由Facebook开发，用于储存简单格式数据，集Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身 ?Apache Avro:是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。Avro是新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制 ?Apache Ambari:是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。 ?Apache Chukwa:是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合Hadoop 处理的文件保存在HDFS 中供Hadoop 进行各种MapReduce 操作。 ?Apache Hama:是一个基于HDFS的BSP（Bulk Synchronous Parallel)并行计算框架, Hama可用于包括图、矩阵和网络算法在内的大规模、大数据计算。
基于ArcSDE的空间数据库的设计与建立 摘要：随着地理信息系统的发展，传统的以文件形式管理、存储地理空间数据的方式已不能满足现在应用的需求。针对以上问题，本文通过arcsde对空间数据进行管理，使空间数据和属性数据统一存储在面向对象的关系型数据库（sql server）中，实现统一、高效的管理。 关键词：空间数据库；属性数据；arcsde 围绕空间数据的管理，前后出现了几种不同的空间数据管理模式：纯文件模式、文件结合关系型数据库的管理模式、全关系型数据库管理模式和面向对象的数据库管理模式。前两种方式都是将空间数据和属性数据分离存储，这样往往会产生诸多问题：1.空间数据与属性数据的连接太弱，综合查询效率不高，容易造成空间数据与属性数据的脱节；2.空间数据与属性数据不能统一管理，实质上是两套管理系统，造成资源的浪费和管理的混乱，数据一致性较难维护；3.由于空间数据不能统一在标准数据库里存放，造成空间数据不能在网上共享。而面向对象数据库管理系统技术还不够成熟，并且价格昂贵，目前在gis领域还不够通用。所以在较长时间内，还不能完全脱离现有关系型数据库来建设gis空间数据库。arcsde是esri公司提供的一个基于关系型数据库基础上的地理数据库服务器。同一些数据库厂商推出的在原有数据库模型上进行空间数据模型扩展的产品（如oracle spatial）不同，esri的arcsde 的定位则是空间数据的管理及应用，而非简单的数据库空间化。
1.系统目标 建成一个多级比例尺(100万、25万、5万、1万)矢量、栅格以及航空影像、遥感影像(tm,spot)的c/s结构基础地理空间数据库,便于对空间数据有效的管理、分发和应用。 2.总体设计方案 系统总体技术方案设计在充分考虑实际应用环境及应用需求的 基础上,结合考虑国际国内发展的主流趋势和平台产品的功能与性能来完成。 2.1技术路线 空间数据库建设应放弃数据文件式的管理方式,采用大型关系数据库管理系统(sql server)管理空间数据，arcsde作为sql server 2008和arc/info或其他地理信息系统软件的接口, vb/vc/delphi/java/c#为前端应用开发工具。其中，空间数据通过arcsde存储在sql server 2008数据库。arcsde是基于c/s计算模型和关系数据管理模式的一个连续的空间数据模型，借助这一模型,可将空间数据加入到数据库管理系统(rdbms)中去[1]。arcsde 融于rdmbs后,提供了对空间、非空间数据进行高效率操作的数据接口。由于arcsde采用c/s体系结构，大量用户可同时针对同一数据进行操作。arcsde提供了应用程序接口(api)，开发人员可将空间数据检索和分析功能集成到应用工程中去，以完成前端的应用开发,最终提供数据的存储、查询和分发服务。如图1所示： 图1结构图
大数据关键技术 大数据技术，就就是从各种类型得数据中快速获得有价值信息得技术。大数据领域已经涌现出了大量新得技术，它们成为大数据采集、存储、处理与呈现得有力武器. 大数据处理关键技术一般包括:大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现与应用(大数据检索、大数据可视化、大数据应用、大数据安全等)。 一、大数据采集技术 数据就是指通过RFIＤ射频数据、传感器数据、社交网络交互数据及移动互联网数据等方式获得得各种类型得结构化、半结构化（或称之为弱结构化）及非结构化得海量数据，就是大数据知识服务模型得根本.重点要突破分布式高速高可靠数据爬取或采集、高速数据全映像等大数据收集技术;突破高速数据解析、转换与装载等大数据整合技术;设计质量评估模型,开发数据质量技术。 大数据采集一般分为大数据智能感知层：主要包括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，实现对结构化、半结构化、非结构化得海量数据得智能化识别、定位、跟踪、接入、传输、信号转换、监控、初步处理与管理等。必须着重攻克针对大数据源得智能识别、感知、适配、传输、接入等技术．基础支撑层：提供大数据服务平台所需得虚拟服务器,结构化、半结构化及非结构化数据得数据库及物联网络资源等基础支撑环境。
重点攻克分布式虚拟存储技术,大数据获取、存储、组织、分析与决策操作得可视化接口技术,大数据得网络传输与压缩技术,大数据隐 私保护技术等． 二、大数据预处理技术 主要完成对已接收数据得辨析、抽取、清洗等操作。1)抽取:因获取得数据可能具有多种结构与类型,数据抽取过程可以帮助我们将这些复杂得数据转化为单一得或者便于处理得构型,以达到快速分析处理得目得。2)清洗:对于大数据，并不全就是有价值得,有些数据并不就是我们所关心得内容,而另一些数据则就是完全错误得干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据. 三、大数据存储及管理技术 大数据存储与管理要用存储器把采集到得数据存储起来,建立相 应得数据库,并进行管理与调用。重点解决复杂结构化、半结构化与非结构化大数据管理与处理技术。主要解决大数据得可存储、可表示、可处理、可靠性及有效传输等几个关键问题。开发可靠得分布式文件系统（DFS）、能效优化得存储、计算融入存储、大数据得去冗余及高效低成本得大数据存储技术；突破分布式非关系型大数据管理与处理技术，异构数据得数据融合技术,数据组织技术,研 究大数据建模技术;突破大数据索引技术;突破大数据移动、备份、复制等技术；开发大数据可视化技术. 开发新型数据库技术，数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。其中，非关系型数据库主要指得就是NoSＱ
大数据应用技术网络课程 1课程目标 通过讲解几种主流大数据产品和技术的特性、实现原理和应用方向，并组织实习项目，使学员了解并初步掌握目前流行的大数据主流技术（采集、存储、挖掘等），了解其特点以及使用的场景，具备一定的大数据系统架构能力，并能自行开展简单的大数据应用开发。 2课程内容 本次课程讲解的大数据产品和技术包括：hadoop、storm、flume等，其中以hadoop为主要培训内容。 3培训课程列表 1.hadoop生态系统 （1）HDFS （2课时） （2）MapReduce2 （2课时） （3）Hive （1课时） （4）HBase （2课时） （5）Sqoop （1课时） （6）Impala （1课时） （7）Spark （4课时） 2.Storm流计算（2课时） 3.Flume分布式数据处理（2课时） 4.Redis内存数据库（1课时） 5．ZooKeeper （1课时） 4培训方式 学员以观看录像、视频会议等方式进行学习，搭建集中环境供大家实习，并设置作业和答疑环节。每周视频课程约2个课时，作业和实习时间约需2-3小时，课程持续10周左右。
5课程内容简介 大数据技术在近两年发展迅速，从之前的格网计算、MPP逐步发展到现在，大数据技术发展为3个主要技术领域：大数据存储、离线大数据分析、在线大数据处理，在各自领域内，涌现出很多流行的产品和框架。 大数据存储 HDFS、HBase 离线大数据分析 MapReduce、Hive 在线大数据处理 Impala、Storm（流处理）、Spark、Redis（内存数据库）、HBase 数据采集 Flume等 辅助工具 Zookeeper等 5.1Hadoop 1）HDFS 介绍： Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。它和现有的分布式文件系统有很多共同点。但同 时，它和其他的分布式文件系统的区别也是很明显的。HDFS是一个高度容错性的 系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，非常适合大 规模数据集上的应用。HDFS放宽了一部分POSIX约束，来实现流式读取文件系统 数据的目的。HDFS是Apache Hadoop Core项目的一部分。 培训内容： HDFS设计的思路 HDFS的模块组成（NameNode、DataNode） HADOOP Core的安装 HDFS参数含义及配置 HDFS文件访问方式 培训目标： 使学员掌握HDFS这个HADOOP基础套件的原理、安装方式、配置方法等2）MAPREDUCE 介绍： MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Reduce（归约）"，和它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会
人口分布空间数据库设计书 1）概念设计 概念设计是通过对错综复杂的现实世界的认识与抽象，最终形成空间数据库系统及其应用系统所需的模型。 具体是对需求分析阶段所收集的信息和数据进行分析、整理，确定地理实体、属性及它们之间的联系，将各用户的局部视图合并成一个总的全局视图，形成独立于计算机的反映用户观点的概念模式。概念模式与具体的DBMS无关，结构稳定，能较好地反映用户的信息需求。 表示概念模型最有力的工具是E-R模型，即实体-联系模型，包括实体、联系和属性三个基本成分。用它来描述现实地理世界，不必考虑信息的存储结构、存取路径及存取效率等与计算机有关的问题，比一般的数据模型更接近于现实地理世界，具有直观、自然、语义较丰富等特点。 本设计书中的E-R模型如图1所示： 图1 E-R模型 2）逻辑设计 在概念设计的基础上，按照不同的转换规则将概念模型转换为具体DBMS支持
的数据模型的过程，即导出具体DBMS可处理的地理数据库的逻辑结构(或外模式)，包括确定数据项、记录及记录间的联系、安全性、完整性和一致性约束等。导出的逻辑结构是否与概念模式一致，能否满足用户要求，还要对其功能和性能进行评价，并予以优化。 2.1要素分类 我们制作、统计的地理信息数据应该提供准确、可靠、经得起专业部门检验的地理信息，这就要求测绘部门和相关专业部门应该有一致的地理要素的定义和分类体系。依据GB/T 13923-2006《基础地理信息要素分类与编码》将地理要素分为了地位基础、水系、居民地及设施、交通、管线、境界与政区、地貌、植被 2.2 数据层设计 GIS的数据可以按照空间数据的逻辑关系或专业属性分为各种逻辑数据层或 专业数据层，原理上类似于图片的叠置。在进行空间分析、数据处理、图形显示时，往往只需要若干相应图层的数据。 数据层的设计一般是按照数据的专业内容和类型进行的。数据的专业内容的类型通常是数据分层的主要依据，同时也要考虑数据之间的关系。如需考虑两类物体共享边界(道路与行政边界重合、河流与地块边界的重合)等，这些数据间的关系在数据分层设计时应体现出来。不同类型的数据由于其应用功能相同，在分析和应用时往往会同时用到，因此在设计时应反映出这样的需求，即可将这些数据作为一层。 本设计书中的数据层设计如表2所示： 表2 数据层设计 2.3关系数据表 本设计书中的关系数据表如表3-表6所示：
数据库设计各阶段
1.数据库应用系统的设计步骤 按规范设计的方法可将数据库设计分为以下六个阶段 （1）需求分析; （2）概念结构设计; （3）逻辑结构设计; （4）数据库物理设计; （5）数据库实施; （6）数据库运行和维护。 2.需求分析 需求收集和分析是数据库应用系统设计的第一阶段。明确地把它作为数据库应用系统设计的第一步是十分重要的。这一阶段收集到的基础数据和一组数据流图（Data Flow Diaˉgram———DFD）是下一步设计概念结构的基础。概念结构对整个数据库设计具有深刻影响。而要设计好概念结构，就必须在需求分析阶段用系统的观点来考虑问题、收集和分析数据及其处理。如何分析和表达用户需求呢？在众多的分析方法中，结构化分析（Structured Analysis，简称SA方法）是一个简单实用的方法。SA方法用自顶向下、逐层分解的方式分析系统。用数据流图，数据字典描述系统。然后把一个处理功能的具体内容分解为若干子功能，每个子功能继续分解，直到把系统的工作过程表达清楚为止。在
处理功能逐步分解的同时，它们所用的数据也逐级分解。形成若干层次的数据流图。数据流图表达了数据和处理过程的关系。处理过程的处理逻辑常常用判定表或判定树来描述。数据字典（Data Dictionary，简称DD）则是对系统中数据的详尽描述，是各类数据属性的清单。对数据库应用系统设计来讲，数据字典是进行详细的数据收集和数据分析所获得的主要结果。数据字典是各类数据描述的集合，它通常包括以下5个部分： （1）数据项，是数据最小单位。 （2）数据结构，是若干数据项有意义的集合。 （3）数据流，可以是数据项，也可以是数据结构。表示某一处理过程的输入输出。 （4）数据存储，处理过程中存取的数据。常常是手工凭证、手工文档或计算机文件。 （5）处理过程。 3.概念结构设计 如同软件工程中重视需求分析与规范说明的思想一样，数据库设计中同样十分重视数据分析、抽象与概念结构的设计。概念结构的设计，是整个数据库设计的关键之一。概念结构独立于数据库逻辑结构，独立于支持数据库的DBMS，也独立于具体计算机软件和硬件系统。归纳总结，其主要特点是：
一、名词解释 1空间数据库 是地理信息系统在计算机物理存储介质上存储和应用的相关的地理空间数据的总合。 2空间数据库管理系统: 能进行语义和逻辑定义存储在空间数据库上的空间数据,提供必需的空间数据查询、检索和存取功能,以及能够对空间数据进行有效的维护和更新的一套软件系统。 3空间数据库应用系统 提供给用户访问和操作空间数据库的用户界面,是应用户数据处理需求而建立的具有数据库访问功能的应用软件。一般需要进行二次开发,包括空间分析模型和应用模型。 4什么是arcSDE 空间数据库引擎(SDE: Spatial Database Engine) ArcSDE是一个用于访问存储于关系数据库管理系统(RDBMS)中的海量多用户地理数据库的服务器软件产品。 5什么是空间数据 地理信息系统的数据库(简称空间数据库或地理数据库)是某一区域内关于一定地理要素特征的数据集合。 6空间数据模型 空间数据(库)模型:就是对空间实体及其联系进行描述和表达的数学手段,使之能反映实体的某些结构特性和行为功能。 空间数据模型是衡量GIS功能强弱与优劣的主要因素之一。 7空间数据结构 不同空间数据模型在计算机内的存储和表达方式。 8场模型 在空间信息系统中，场模型一般指的是栅格模型，其主要特点就是用二维划分覆盖整个连续空间 9对象模型 面向对象数据模型（Object―Oriented Data Model,简称O―O Data Model）是一种可扩充的数据模型,在该数据模型中,数据模型是可扩充的,即用户可根据需要,自己定义新的数据类型及相应的约束和操作。 10概念数据模型 按用户的观点来对数据和信息建模。用于组织信息世界的概念，表现从现实世界中抽象出来的事物以及它们之间的联系。如E-R模型。
大数据技术与应用专业详细解读 大数据技术与应用专业是新兴的“互联网+”专业，大数据技术与应用专业将大数据分析挖掘与处理、移动开发与架构、人软件开发、云计算等前沿技术相结合，并引入企业真实项目演练，依托产学界的雄厚师资，旨在培养适应新形势，具有最新思维和技能的“高层次、实用型、国际化”的复合型大数据专业人才。 专业背景 近几年来，互联网行业发展风起云涌，而移动互联网、电子商务、物联网以及社交媒体的快速发展更促使我们快速进入了大数据时代。截止到目前，人们日常生活中的数据量已经从TB(1024GB=1TB)级别一跃升到PB(1024TB=1PB)、EB(1024PB=1EB)乃至ZB(1024EB=1ZB)级别，数据将逐渐成为重要的生产因素，人们对于海量数据的运用将预示着新一波生产率增长和消费者盈余浪潮的到来。大数据时代，专业的大数据人才必将成为人才市场上的香饽饽。当下，大数据从业人员的两个主要趋势是：1、大数据领域从业人员的薪资将继续增长；2、大数据人才供不应求。 图示说明：2012-2020年全球数据产生量预测 专业发展现状 填补大数据技术与应用专业人才巨大缺口的最有效办法无疑还需要依托众多的高等院校来培养输送，但互联网发展一日千里，大数据技术、手段日新月异，企业所需要的非常接地气的人才培养对于传统以培养学术型、科研型人才为主要使命的高校来说还真有些难度。幸好这个问题已经被全社会关注，政府更是一再提倡产教融合、校企合作来创办新型前沿几
乎以及“互联网+”专业方向，也已经有一些企业大胆开始了这方面的创新步伐。据我了解，慧科教育就是一家最早尝试高校校企合作的企业，其率先联合各大高校最早开设了互联网营销，这也是它们的优势专业，后来慧科教育集团又先后和北京航空航天大学、对外经济贸易大学、贵州大学、华南理工大学、宜春学院、广东开放大学等高校在硕、本、专各个层次开设了大数据专业方向，在课程体系研发、教学授课及实训实习环节均有来自BAT以及各大行业企业一线的技术大拿参与，所培养人才能够很好地满足企业用人需求。 专业示例 笔者在对慧科教育的大数据技术与应用专业做了专门研究，共享一些主要特色给大家参考： 1.培养模式 采用校企联合模式，校企双方（即慧科教育集团和合作校方）发挥各自优势，在最大限度保证院校办学特色及专业课程设置的前提下，植入相应前沿科技及特色人才岗位需求的企业课程。 2.课程体系 笔者对慧科教育的大数据技术与应用做了专门研究，现分享一下慧科专业共建的课程给大家参考。慧科教育集团的专业课程重在培养学生的理论知识和动手实践能力，学生在完成每个学期的理论学习后，至少有两个企业项目实战跟进，让学生在项目中应用各类大数据技术，训练大数据思路和实践步骤，做到理论与实践的充分结合。 大数据专业的课程体系包括专业基础课、专业核心课、大数据架构设计、企业综合实训等四个部分。
第31卷总第77期 西北民族大学学报(自然科学版)Vol.31,No.1 2010年3月 Journal of N orthw est U niversity for N ationalities(Natural Science)Sep,2010 GIS空间数据库设计方法讨论 薛国梁 (西北民族大学人事处,甘肃兰州730030) [摘 要]通过分析地理信息系统建设过程中空间数据库的建设内容1综述空间数据块的划分、图层的分层设计方法、专题图层划分和数据集设计、分析空间数据库的结构,讨论了空间数据库系统建设的方法和需解决的关键技术问题1 [关键词]GIS;空间数据库;专题图层;元数据 [中图分类号]TP311.131 [文献标识码]A [文章编号]1009-2102(2010)01-0049-04 0 引言 地理信息系统是集计算机科学、空间科学、信息科学、测绘遥感科学、环境科学等学科于一体的新兴边缘科学1GIS从20世纪60年代出现以来,至今只有短短的40多年时间,但已成为已成为多学科集成并应用于各领域的基础平台,成为地学空间信息分析的基本手段和工具1目前,地理信息系统不仅发展成为一门较为成熟的技术科学,而且已成为一门新兴产业,在测绘、地质、水利、环境检测、土地管理、城市规划、国防建设等领域发挥越来越重要的作用1 1 空间数据库内容 每个GIS数据集都提供了对世界某一方面的空间表达,包括: 基于矢量的要素(点、线和多边形)的有序集合; 诸如数字高程模型和影像的栅格数据集; 网络; 地形和其他地表; 测量数据集; 其他类型数据,诸如地址、地名和制图信息; 描述性的属性1 除了地理表现形式以外,地理数据集还包括传统的描述地理对象的属性表1许多表和空间对象之间可以通过它们所共有的字段(也常称为“关键字”)相互关联1就像它们在传统数据库应用中一样,这些以表的形式存在的信息集和信息关系在GIS数据模型中扮演着非常关键的角色1 2 空间数据表现形式 211 空间关系:拓扑和网络 空间关系,比如拓扑和网络,也是一个GIS数据库的重要部分1使用拓扑是为了管理要素间的共同边界、定义和维护数据的一致性法则,以及支持拓扑查询和漫游(如确定要素的邻接性和连接性)1 [收稿日期]2009-12-10 [作者简介]薛国梁(1980—),男,陕西韩城市人,党政管理研究实习员,主要从事高教管理工作1
大数据安防中的三种关键技术及五大挑战 1.大数据 在安防行业，随着前端设备分辨率的不断提高、安防系统建设规模的不断扩大以及视频、图片数据存储的时间越来越长，安防大数据问题日益凸显。如何有效对数据进行存储、共享以及应用变得愈加重要。要应用安防大数据，首先要了解安防大数据有何特点。 安防大数据涉及的类型比较多，主要包含结构化、半结构化和非结构化的数据信息。其中结构化数据主要包括报警记录、系统日志、运维数据、摘要分析结构化描述记录以及各种相关的信息数据库，如人口库、六合一系统信息等；半结构化数据如人脸建模数据、指纹记录等；而非结构化数据主要包括视频录像和图片记录，如监控、报警、视频摘要等录像信息和卡口、人脸等图片信息。区别于其他行业大数据特点，安防大数据以非结构化的视频和图片为主，如何对非结构化的数据进行分析、提取、挖掘及处理，对安防行业提出了更多挑战。 大数据 对于安防视频图像数据，传统的处理方式主要靠事后人工查阅来完成，效率极低。面对海量的安防数据，如果继续采用传统方式，不仅效率低下，而且不能达到实战应用目的，偏离了安防系统建设目的。为充分利用安防系统价值，提升对安防大数据的应用能力，大华股份(002236,股吧)从多层次、全方位考虑产品和方案规划，不断提升对于安防有效信息的快速挖掘能力。 要提升安防大数据的处理效率，首先要从智能分析做起，快速过滤无效信息。大华智能分析从多维度、多产品形态来实现。如对于事件检测、行为分析、异常情况报警等，大华前端、存储以及平台系统产品都能够快速实现智能检测，并通知系统对事件进行快速响应，这些产品从某种层面上将安防有效数据的分析分散化，大大加快了整个系统的大数据处理应用速度。此外，大华还推出了基于云存储系统的大数据应用系统，如视频编解码系统、车辆研判系统、以图搜图系统、视频浓缩摘要系统、人脸识别系统以及车型识别系统等等。 大数据安防应用的几种关键技术 1）大数据融合技术 经过十几年的发展，国内安防系统建设基本形成了是以平安城市、智能交通系统为主体，其他行业系统有效完善的发展态势。而“重建设、轻应用”的现况给安防应用提出了更高要求，如何解决这些问题成为当务之急。 为实现数据融合、数据共享，首先要解决存储“分散”问题，大华云存储系统不仅能够实现数据的有效融合与共享，解决系统在硬件设备故障条件下视频数据的正常存储和数据恢复问题，为安防大数据应用分析提供可靠基础。 2）大数据处理技术 安防大数据以半结构化和非结构化数据居多，要实现对安防大数据的分析和信息挖掘，首先要解决数据结构化问题。所谓的数据结构化就是通过某种方式将半结构化和非结构化数据转换为结构化数据。大华通过采用先进的云计算系统对安防非结构化数据进行结构化处
需求分析 1.分析的重要性 需求分析就是分析软件用户的需求是什么。如果投入大量的人力，物力、财力、时间，开发出的软件却没人要，那所有的投入都是徒劳。如果费了很大的精力，开发一个软件，最后却不满足用户的要求，从而要重新开发过，这种返工是让人痛心疾首的。比如：用户需要一个for linux的软件，而你在软件开发前期忽略了软件的运行环境，忘了向用户询问这个问题，而想当然的认为是开发for windows的软件。当你千辛万苦地开发完成向用户提交时才发现出了问题，那时候你是欲哭无泪了，恨不得找块豆腐一头撞死。 需求分析之所以重要，就因为他具有决策性、方向性、策略性的作用，他在软件开发的过程中具有举足轻重的地位，大家一定要对需求分析具有足够的重视。在一个大型软件系统的开发中，他的作用要远远大于程序设计。 2.需要分析的过程和任务 随着社会发展水平的日益提高，人民的生活水平越来越高，私家车也是越发的普及，人们对于自由旅游的意向越来越浓重，大量的出游人群都会选择自驾游。但对景点的路线规划很多人都会有一定的犹豫，不知该如何选择。 在这样的背景之下，我们进行了这个课程设计，简洁方便的找出去某个景点的最佳方案，我们建立“任行”旅游查询平台让游客更加方便的进行查找，比如去某个旅游景点的最优路径。 需求分析的阶段分为以下四个方面： 问题识别，分析与综合，面向游客介绍，评价系统。 问题识别 就是从实际出发，了解我们设计的平台的适用范围，我们应该达到的标准，这些需求包括：功能需求(做什么)，性能需求(要达到什么标准)，可靠性需求(不发生道路寻找混乱的情况)，方便需求(寻找最优化路径)。 分析与综合 对每一步的连接窗口进行监测，避免发生逻辑混乱。逐步细化每补的功能，分析是否能满足游客的切身需求，剔除不合理的部分，增加需要的能解
空间数据库结课报告—空间数据库的发展与应用学号： 班级序号： 专业： 姓名： 指导老师： 中国地质大学（武汉）信息工程学院 2013年1月
目录 一、前言 (3) 二、空间数据库的简介及特征 (3) 2.1空间数据库简介 (3) 2.2空间数据库的特征 (3) 2.2.1空间数据库的完备性 (3) 2.2.2空间查询的执行效率 (3) 2.2.3空间数据的物理特征 (4) 三、空间数据库管理系统模式 (4) 四、空间数据库的应用模式 (4) 4.1文件与关系数据库混合管理系统 (4) 4.2全关系型空间数据库管理系统 (5) 4.3对象—关系数据库管理系统 (6) 4.4面向对象空间数据库管理系统 (6) 4.5面向对象的矢栅一体化空间数据库管理系统 (6) 五、空间数据库的实际应用.......................................................................................... .7 5.1空间数据库实际应用的必要性 (7) 5.2空间数据库的具体应用 (7) 5.2.1实例1—石油地质空间数据库 (7) 5.2.2实例2—城市规划图 (9) 六、结束语 (10) 参考文献 (11)
空间数据库的发展与应用 XXX （中国地质大学（武汉）信息工程学院湖北武汉 430074） 摘要：在GIS的基础上，鉴于实际需求下，空间数据库应运而生，本文从空间数据库的简单介绍开始，主要概述了空间数据库的发展、特征、应用类型及其在发展中的一些实际应用。在通过对文献的阅读它的实际作用和空间数据库管理系统模式的概述，对空间数据库从三方面有了进一步的了解，最后列出空间数据库在实际应用中的具体案例。 关键词：空间数据库；GIS；特征；模式；类型；应用。 一、前言 地理信息系统( Geographic Informa tion System ,GIS)融合了信息学、地理学、测绘学、城市科学等一系列科学技术,是一门典型的边缘学科。经过40余年的发展,GIS 经历了从最早期简单的机助制图,到现在与 卫星遥感技术相结合的过程,已经发展成为 一项非常成熟的应用技术,活跃于生产和生 活的各个部门。但是,GIS 的广泛应用和深 入发展, 也给 GIS 数据库带来了数据量激 增的问题，而且传统GIS中空间数据与属性数据是分别存储的,即空间数据(图形数据) 以文件格式存放,非空间数据(属性数据)则 存放在关系数据库中,形成文件 + 关系数 据库的二元存储模式。这样的存储方式在数据安全和数据共享方面都存在着不少缺陷。基于这种情况,GIS自身的数据存储能力显 然已经不能完全满足实际需求,需要借助功 能更加强大的外部数据库来存储和处理海 量数据。空间数据库正是在这一背景下应运而生, 并应用到了 GIS中。 二、空间数据库的简介及 特征。 2.1空间数据库简介 空间信息是指与位置（特别是地理位置）有关的信息，它在信息中占有相当大的比例（曾有统计可达 80%）然而，空间信息又有其特殊的一面，它具有诸如数据量巨大、结构复杂多样操作是计算密集型的具有自相关性等特性随着IT技术的迅速发展，以GIS 为代表的空间信息技术在各领域得到了应用，同时遥感等空间信息获取技术不断进步，现代社会对位置服务和分析决策的需要也日益迫切，因此深入研究和掌握空间信息技术的理论与方法的重要性也日益凸显出来空间数据库是近年的热点研究领域，是一门前沿的交叉学科其研究成果（如空间多维索引）开始应用于许多不同领域正是已有应用的需求推动了空间数据库管理系统的研究，这些应用包括地理信息系统（geographical information system ,GIS）和计算机辅助设计（computer-aided design ,CAD），以及诸如多媒体信息系统数据仓库等近年来，许多计算机应用领域通过扩充数据库管理系统的功能来支持与空间相关的数据空间数据库管理系统（spatial database management system ,SDBMS）研究是找到有效处理空间数据的模型和算法的重要步骤。 2.2空间数据库的特征 2.2.1空间数据的完整性 所谓完整性，就是数据的正确性和一致性，在关系型数据库中，有实体完整性参照完整性用户自定义完整性；在空间数据库中，语义层面的空间数据的正确性和一致性，就很难界定，它要比关系型属性数据复杂得多。打个比方一条道路横跨一条河流，必然经过一座桥，而如果不经过，就必然违背了空间数据的正确性，也就是说不完整这只是一个很简单的例子，类似于这样的空间语义关系，