1 基于CPUGPU异构混合编程的遥感数据时空融合.docxVIP

聚焦︱基于CPU-GPU异构混合编程的遥感数据时空融合 空间规划大数据联盟 2019-12-31 原文 以下文章来源于地理信息世界GeomaticsWorld ，作者地理信息世界 HYPERLINK 地理信息世界GeomaticsWorld 《地理信息世界》电子期刊推送（包括目次与正文），编辑部相关事务询问，测绘地理信息行业相关信息推送。 导读 遥感数据时空融合算法可猎取高时空辨别率的遥感影像，为深化认知地球表层变化供应有效的数据源。现有的遥感数据时空融合算法简洁，计算时间长，难以猎取海量时序的高时空辨别率遥感影像。因此，本文设计了一种基于CPU-GPU异构混合编程的遥感数据时空融合并行处理算法流程，大幅度提高了遥感数据时空融合算法的计算效率，可为海量时空遥感数据的深度应用供应技术支撑。 高时间、高空间辨别率遥感影像在地球系统科学争辩中有着格外重要的作用。但是由于技术与资金的限制，在轨同一传感器很难同时猎取既具有高空间辨别率，又具有高时间辨别率的影像。因此，争辩人员提出了遥感数据时空融合算法来猎取高时空辨别率的遥感影像，从而为深化认知地球表层变化供应有效的数据源。遥感影像数据量大，遥感数据时空融合算法简洁度高，使用CPU串行计算效率低、耗时长。因此，通过遥感数据时空融合算法猎取海量时序的高时空辨别率遥感影像格外困难。 为解决上述问题，本文设计了一种基于CPU-GPU异构混合编程的遥感数据时空融合并行处理算法流程来大幅度地提高其计算效率。GPU（Graphics Process Unit）有着高质量、高性能的图形处理与图形计算力气，格外适用于数据密集型计算。随着近几年来GPU的快速进展，GPU的计算力气有着巨大的提升，特殊是2006年NVIDIA推出CUDA（Compute Unified Device Architecture）架构后，大幅度降低了GPU编程的难度，使得一般用户也能使用GPU处理简洁的计算问题，充分发挥出GPU的高并行计算力气。从而，GPU在高性能计算领域得到了广泛的使用。GPU有着远高于CPU的数值运算力气，现有争辩证明在浮点运算、并行计算等方面，GPU相比CPU来说可以提高几十倍乃至于上百倍的性能。使用GPU处理海量遥感数据能够充分发挥CUDA大量处理器核心的高并行计算力气，是一种格外有效的处理方法。 遥感数据时空融合算法中存在大量的数据密集型计算和易于并行计算的步骤。关庆锋团队利用了GPU的高并行计算力气开发了STARFM、ESTARFM和STNLFFM3个遥感数据时空融合模型的并行算法，并使用了自适应数据分解、自适应线程设置、自适应寄存器优化和循环任务支配等策略削减了冗余计算和内存消耗，提高了机敏性和可移植性。但需要对输入的Landsat和MODIS影像进行预处理，限制了模型在实际应用中流程化处理的可行性。 因此，本文结合遥感数据时空融合算法和CUDA架构，基于CPU-GPU异构混合编程设计了一种合理的遥感数据时空融合并行处理算法流程，验证了STDFA、STARFM、CDSTARFM3种模型并行化的可行性，并具体论述了每一个时空融合模型中各个不同组件的并行处理算法与加速效果。本文程序要求输入MODGQ09标准数据集和解压缩后Landsat原始数据集，不需要额外的预处理操作，支持流程化处理（源代码参考网址：/bcrx/chenkai）。其中，CPU负责执行简洁的规律处理、事务处理与数据读写，GPU负责遥感数据时空融合算法中的数据密集型计算和易于并行部分的计算。充分发挥CPU和GPU各自的优势，大幅度地降低高时空辨别率影像的融合时间。 一、试验数据与方法 1.1 试验数据 本文选取两幅L a n d s a t 8 O L I影像(影像尺寸为7 864×7 767，空间辨别率为30 m)，4幅MODGQ09影像作为试验数据，各数据的猎取时间和用途等信息见表1。该地区大部分为植被掩盖，有少部分居民区等其他地物，满足遥感数据时空融合算法的要求。其中，Landsat8 OLI数据来源于地理空间数据云，MODIS反射率产品来源于NASA土地数据中心。 表1 Landsat8 OLI数据与MODIS数据 本文试验计算机配置如下：CPU型号i7-6700，内存8 G，基准速度2.60 GHz；显卡型号NVIDIA GTX960M，显卡内存2 G，CUDA处理器核心数量640，核心频率1 096 MHz。 1.2 试验方法 1.2.1 CPU-GPU异构混合编程 现有主要的CPU-GPU异构混合编程架构有两个，分别是CUDA和OpenCL。CUDA为NVIDIA推出的一个异构并行编程架构，相比OpenCL、CUDA拥有良好的开发环境、丰富的函数库和更加优秀的性能。本文接受CUDA架构，其中CPU作为主机负责执行简