●第1章 緒論
第2章 高性能計算與高性能地學計算
2.1 高性能計算演化進程
2.1.1 向量機、向量並行機時代
2.1.2 大規模並行計算時代
2.1.3 異構並行計算時代
2.1.4 雲計算與大數據時代
2.2 常見的高性能計算硬件平臺
2.2.1 Linux集群平臺
2.2.2 GPU平臺
2.2.3 集成眾核MIC平臺
2.3 常見並行模型與方法技術
2.3.1 MPI並行模型
2.3.2 OpenMP並行模型
2.3.3 CUDA並行模型
2.3.4 OpenCL並行模型
2.3.5 雲計算編程技術
2.4 衡量高性能計算並行算法的指標
2.4.1 計時工具
2.4.2 加速比
2.4.3 執行效率
2.4.4 可擴展性
2.4.5 阿姆達爾定律
2.5 高性能地學計算
2.5.1 高性能地學計算研究現狀
2.5.2 高性能地學計算未來展望
2.6 本章小結
第3章 基於集群平臺的MPI並行數據處理技術
3.1 概述
3.1.1 並行計算基礎
3.1.2 MPI及MPICH
3.1.3 相關研究現狀
3.2 基於集群的MPI並行計算方法
3.2.1 集群平臺類型的選擇
3.2.2 編程開發模型和工具的選擇
3.2.3 需要開發的並行程序的定位
3.3 基於Linux集群平臺的MODTRAN並行算法
3.3.1 應用背景概述
3.3.2 MODTRAN數據處理並行化研究現狀
3.3.3 PMODTRAN並行算法設計
3.3.4 PMODTRAN並行算法實現
3.3.5 PMODTRAN並打算法性能測試
3.4 基於Linux集群平舍的等高線生成並行算法
3.4.1 柵格DEM生成等高線算法原理
3.4.2 優化後的等高線追蹤串行算法實現
3.4.3 串行算法熱點分析
3.4.4 柵格DEM生成等高線並行算法設計
3.4.5 柵格DEM生成等高線並行算捷實現
3.4.6 柵格DEM生成等高錢並行算法實驗與測試
3.4.7 柵格DEM生成等高線並行算法的進一步優化
3.5 基於Windows集群的MPI並行處理方法
3.5.1 Windows集群搭建與配直
3.5.2 基於Windows集群的並行算法設計與實現
3.6 本章小結
第4章 基於Intel多核/眾核平臺的OpenMP井行數據處理技術
4.1 概述
4.1.1 多核與MIC設備
4.1.2 OpenMP編程模型
4.1.3 基於Intel多核/眾核計算平臺的研究現狀
4.2 基於Intel多核/眾核平臺的OpenMP並行數據處理方法
4.3 基於Intel多核平臺的坡度坡向並行算法
4.3.1 坡度坡向算法原理及串行實現
4.3.2 利用OpenMP實現坡度、坡向並行算法
4.3.3 在多核平臺上並行坡度、坡向算法性能測試
4.4 基於Intel多核/眾核平臺的NLM圖像處理並行算法
4.4.1 NLM圖像處理並行算法原理
4.4.2 NLM算法並行化研究現狀
4.4.3 基於多核平臺的NLM並行算法並行化設計
4.4.4 基於Intel多核/眾核平臺的NLM並行算法實現
4.4.5 基於Intel眾核平臺MIC的NLM並行算法實現
4.4.6 NLM並行算法在Intel多核/眾核平臺上的性能測試
4.5 本章小結
第5章 基於GPU平臺的CUDA/OpenCL並行數據處理技術
5.1 概述
5.1.1 GPU與通用GPU計算
5.1.2 CUDA與OpenCL編程模型
5.1.3 通用GPU計算在地學領域的應用現狀
5.2 基於GPU的空間信息並行處理方法
5.3 利用CUDA實現壓縮感知重構並行算法
5.3.1 壓縮感知重構算法原理及實現
5.3.2 壓縮感知重構算捷並行化研究現狀
5.3.3 壓縮感知重構算法熱點分析及其並行化設計
5.3.4 基於CUDA的壓縮感知重構並行算法實現
5.3.5 基於CUDA的壓縮感知重構並行算法性能測試
5.4 基於OpenCL的壓縮感知重構並行算法
5.4.1 基於句OpenCL的壓縮感知重構並行算法實現
5.4.2 基於OpenCL的壓縮感知重構並行算法實驗
5.5 本章小結
第6章 基於CPU+GPU/MIC異構平臺的協同並行數據處理技術
6.1 概述
6.2 基於CPU+MIC/GPU異構平臺的協同井行處理方法
6.3 基於CPU+MIC異構計算平臺下的NLM協同並行算法
6.3.1 CPU+MIC協同的NLM並行算法
6.3.2 基於動態任務分配的CPU+MIC協同NLM並行算法
6.3.3 基於CPU+MIC異構計算平臺的協同NLM並及算法性能測試
6.4 基於CPU+GPU/MIC異構計算平臺下的泛Kriging協同並行算法
6.4.1 Kriging算法並行化研究現狀
6.4.2 Kriging算法原理及其實現
6.4.3 基於OpenCL的泛Kriging並行算法設計
6.4.4 基於OpenCL的泛Kriging並行算法實現
6.4.5 基於CPU+GPU/MIC異構平臺的泛Kriging並行算法性能測試
6.5 不同異構計算平臺算法性能對比實驗
6.6 本章小結
第7章 基於大數據Spark平臺的並行數據處理技術
7.1 概述
7.2 雲計算與大數據及其關鍵技術
7.2.1 雲計算與大數據
7.2.2 Hadoop
7.2.3 Sperk
7.2.4 Docker容器虛擬化技術
7.2.5 大數據集群資源管理框架
7.3 基於雲計算/大數據平臺的並行數據處理方法
7.4 DBSCAN算法及其在Spark平臺上並行設計與實現
7.4.1 DBSCAN算法
7.4.2 DBSCAN算法並行化現狀
7.4.3 DBSCAN並行算法在Spark平臺上的設計與實現
7.4.4 DBSCAN並行算法在Spark平臺上的優化
7.4.5 DBSCAN並行算法在不同資源管理器模式下的並行實現
7.5 DBSCAN並行算法性能測試與分析
7.5.1 實驗平臺及配置
7.5.2 實驗數據
7.5.3 實驗內容
7.5.4 測試結果及分析
7.6 基於Spark平臺的DBSCAN並行算法在城市擁培區域發現應用
7.6.1 DBSCAN並行算法在城市擁培區域發現的應用流程
7.6.2 實驗數據與平臺
7.6.3 實驗測試與分析
7.7 本章小結
參考文獻

本書著眼於空間信息處理領域的行業應用/算法，采用現階段主流的多種高性能計算平臺和對應的編程模型，對實際的空間信息處理算法的不同並仔計算模式進行研究，形成基於集群的MPI並行計算方法、基於多核IMIC的句也阻並行計算方法、基於GPU平臺的CUDAI句enCL並行計算方法、基於CPU+GPU協同的異構並行計算方法，以及基於Spark平臺的大數據並行計算方法.這些計算方法都有各自適用的範圍及優勢，作者通過實例為讀者提供選擇性較多的變間信息並行處理參考方法，從而為大規模的雪間數據處理與分析提供技術支持。