Tải file PDF Tác giả
Đơn vị công tác
1 Trường Đại học Tài nguyên và Môi trường TPHCM; dttnga_cntt@hcmunre.edu.vn; nvkien@hcmunre.edu.vn; nttvi@hcmunre.edu.vn; pmkhan@hcmunre.edu.vn; tttri@hcmunre.edu.vn; ddtrung@hcmunre.edu.vn
*Tác giả liên hệ: dttnga_cntt@hcmunre.edu.vn; Tel: +84–938589589
Tóm tắt
Cơ sở dữ liệu không gian dần trở nên phổ biến và được sử dụng rộng rãi trong nhiều lĩnh vực nhờ sự phát triển của công nghệ trong việc thu thập dữ liệu. Lượng cơ sở dữ liệu không gian phong phú được thu thập từ các vệ tinh, cảm biến và các thiết bị khác có thể giúp cải thiện kết quả của các tác vụ phân tích nhưng cũng tạo ra thử thách trong việc xử lý dữ liệu. Một số công trình nghiên cứu đã đề ra các giải pháp xử lý đối với cơ sở dữ liệu không gian có kích thước lớn như tạo chỉ mục, thu giảm số chiều dữ liệu. Trong bài báo này, chúng tôi sẽ trình bày hai phương pháp để tối ưu việc lưu trữ và truy vấn dữ liệu không gian. Thứ nhất, chúng tôi đề xuất một phương pháp nén hình ảnh dạng raster để thu giảm kích thước nhưng không mất thông tin của dữ liệu. Ngoài ra, chúng tôi cũng đưa ra một số kỹ thuật để tối ưu thời gian thực thi câu truy vấn. Kết quả cho thấy phương pháp đề xuất của chúng tôi giúp cải thiện thời gian thực thi truy vấn đồng thời thu giảm được không gian lưu trữ dữ liệu.
Từ khóa
Trích dẫn bài báo
Nga, D.T.T.; Kiên, N.V.; Vi, N.T.T.; Khan, P.M.; Trí, T.T.; Trung, Đ.Đ. Phương pháp tối ưu hóa trong lưu trữ và truy vấn dữ liệu không gian. Tạp chí Khí tượng Thủy văn 2022, EME4, 132-138.
Tài liệu tham khảo
1. Suhaibah, A.; Uznir, U.; François, A.; Darka, M.; Alias, R. Review of Spatial Indexing Techniques for Large Urban Data Management. International Symposium & Exhibition on Geoinformation (ISG), Kuala Lumpur, Malaysia, 2013.
2. Michael, W.; An, L.K.N.; Tahar, K. Data Reduction in Very Large Spatio–Temporal Datasets. 19th IEEE International Workshops on Enabling Technologies: Infrastructures for Collaborative Enterprises, Larissa, Greece, 2010.
3. Dean, J.; Ghemawat, S. MapReduce: Simplified data processing on large clusters. Communications ACM 2008, 51(1), 107–113.
4. Guo, D.; Onstein, E. State–of–the–art geospatial information processing in NoSQL databases. Int. J. Geo–Inf. 2020, 9(5), 1–20.
5. Geetha, S.; Velavan, S.A. Optimization of location based queries using spatial indexing. ICTACT J. Soft Comput. 2014, 4(3), 738–742.
6. Jitkajornwanich, K.; Pant, N.; Fouladgar, M.; Elmasri, R. A survey on spatial, temporal, and spatio–temporal database research and an original example of relevant applications research and an original example of relevant applications. J. Inf. Telecommun. 2020, 4(4), 524–559.
7. Yogesh, C.; Mishra, S. Review Paper of Image Compression. Int. J. Emerging. Applied Sci. 2015, 2(2), 56–58.
8. Huffman, D. A method for the construction of minimum redundancy codes. Proceedings of the Institute of Radio Engineers 1952, 40(9), 1098–1101.
9. Witten, I.H.; Neal, R.M.; Cleary, J.G. Arithmetic coding for data compression. Commun. ACM 1987, 30(6), 520–540.
10. Kinsner, W.; Greenfield, R.H.The Lempel–Ziv–Welch (LZW) data compression algorithm for packet radio. WESCANEX '91, Regina, SK, Canada, 1991.
11. Ahmed, N.; Natarajan, T.; Rao, K.R. Discrete Cosine Transform. IEEE Trans. Comput. 1974, C–23(1), 90–93.
12. Guttman, A. R–Trees: A Dynamic Index Structure for. ACM SIGMOD Record 1984, 14(2), 47–57.
13. Beckmann, N.; Kriegel, H.P.; Schneider, R.; Seeger, B. The R*–Tree: An effecient and robust access method for points and rectangles. ACM SIGMOD Record 1990, 19(2), 322–331.
14. Sellis, T.; Roussopoulos, N.; Faloutsos, C. The R+–Tree: A dynamic index for multi–dimensional objects. In Proceedings of the 13th International Conference on Very Large Data Bases, Brighton, 1987.
15. Finkel, R.; Bentley, J.L. Quad Trees: A data structure for retrieval on composite keys. Acta Inf. 1974, 4(1), 1–9.
16. Sahr, K.; White, D.; Kimerling, A.J. Geodesic Discrete Global Grid Systems. Cartography Geographic Inf. Sci. 2003, 30(2), 121–134.