HGML在基于G/S模式的地学浏览器平台中的解析与应用

来源 :成都理工大学 | 被引量 : 9次 | 上传用户:hdf2006
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
本次论文研究以HGML为主要研究对象,开发基于G/S模式的地学浏览器平台,并通过数字旅游项目(以“数字九寨沟”为主)展示地学浏览器平台在处理、展示地理空间信息数据上的特性和特点。本文通过研究当今主流数字地球平台,分析讨论地学浏览器应具备的系统架构;并以Java、JOGL和Ardor3D COLLADA API作为地学浏览器开发的主要技术支撑;以及采用HGML作为地学浏览器应用项目的主要输入源数据格式。中国的许多城市都开展了“数字城市”的规划,各大城市都希望能够利用三维地学浏览器或二维地学应用程序促进国内城镇信息化的建设,提高自身的经济发展软实力并为各个经济实体提供全方位的基础信息资源,促进当地及周边地区的经济发展,率先进入以智慧资本作为竞争主体的知识型经济时代。地学浏览器和分布式数据服务器组成了我们所知的地理信息系统,为我们提供了大量的地理空间信息数据。地学浏览器既是一款连接于互联网,具有高交互性的地理数据浏览工具,又是一个可独自运行的电脑应用程序。本次实现支持HGML解析的地学浏览器平台是一款可提供公共领域科学数据展示的地学浏览器。本论文主要围绕以下三点进行理论的阐述以及应用实例的展示:1.实现了一款基于G/S模式可高效传输海量空间信息数据的U-Star地学浏览器平台。U-Star地学浏览器平台以NASA World Wind Java数字地球平台作为研究对象,并采用了JOGL、Ardor3D等国内外主流技术。2.提出了一种基于G/S模式的地学浏览器平台对HGML进行加载解析的方法。首先熟悉并剖析HGML内容结构,然后借鉴JAVA技术对XML拆分解析的方法,完成地学浏览器平台对HGML的加载解析,并采用项目组提供的数字九寨沟旅游HGML文件,在本次论文研究开发的地学浏览器平台上进行应用展示。3.结合Ardor3D技术,提出了一种地学浏览器平台上加载COLLADA三维模型的方法。并且设计了一种针对地学浏览器渲染大量图层时出现画面滞缓现象的渲染优化方法—LAOIV(Limit Altitude and Only in View)。
其他文献
监控视频下的行为识别是计算机视觉领域的研究热点之一,本文对其从时空关系挖掘的角度进行研究。首先,提出针对监控下异常行为的基于时空一致性光流特征分类的行为识别技术,获得了很好的识别效果;进一步,针对干扰识别效果的重要因素之一——阴影问题,提出了基于马尔可夫时空关系建模的移动阴影检测方法,获得了很好的阴影检测结果,从而有助于取得更佳的行为识别效果。(1)基于时空一致性光流特征分类的行为识别为了区分视频
学位
随着计算机网络信息时代的到来,企业信息的安全问题已经越来越多的被广泛关注。对于企业来说,不仅要杜绝来自企业外部的攻击和破坏,更要防止来自企业内部的有意或者无意的泄密行
随着当代高铁技术的蓬勃发展,列车速度不断提升,铁道线路快速延伸,这就对列车到达预警的很多性能参数,如预警距离、系统功耗成本、扩展性、抗干扰性等提出了更高要求。面对这
随着互联网的不断发展,网络已经成为了人们获取信息的重要来源。但是网络信息的快速增加,使得人们快速准确查找信息的难度也不断增大。搜索引擎的出现,就是为了帮助人们解决这个
移动机器人路径规划问题是机器人研究中的关键技术,一直以来是国内外学者热衷的研究课题。然而,传统的路径规划方法都存在各自的缺陷,所以寻求更佳的算法就成为该领域的一个研究
随着智能互联网时代的到来,人们迫切需要一些技术手段从海量数据中自动快速地找到符合用户感兴趣的数据,个性化推荐技术就此诞生。协同过滤(Collaborative filtering,CF)算法是推荐技术中最成熟的技术之一。在面对日益增长的大规模用户和项目时,由于用户评分的有限性以及新用户和新项目的增加,CF算法还存在着一些问题亟需解决。针对CF算法自身存在的缺陷及现有问题解决方法的不足,本文对其进行
学位
作为数据挖掘领域中一项重要的技术,分类技术在许多方面有着广泛的应用,目前存在着很多的分类技术,如决策树、支持向量机等。为了达到比较好的预测效果,传统的操作中,常常通
双目立体视觉通过模拟人类视觉机理可以获取图像的深度信息最终实现物体的三维重建,是计算机视觉中一个重要的研究方向。面对数码相机拥有率不断提高的今天,普通用户如何利用
现实世界的很多复杂系统可以用网络的形式来表达,比如在社会网络和生物网络中,网络中的点表示系统中的实体,网络中的边来表示实体间的关系。随着研究的不断深入,学者们发现实
随着大数据时代的到来,终端设备的广泛普及使各种各样数据的收集、存储得以实现。同时体量巨大、维度高、数据类型复杂、价值密度低特性已经成为当前大数据的主要特点[1-2]。