gis 联合 融合_MapGIS Desktop(九州)自主可控联合解决方案

10月23日,2020中国地理信息产业大会在广西南宁盛大开幕。在大会“MapGIS 10.5 九州全国产化平台创新应用与生态建设”分论坛上,中地数码联合华为、麒麟软件、龙芯中科、达梦数据库、海尔、统信软件、飞腾、人大金仓共同发布了MapGIS Desktop(九州)、MapGIS IGServer(九州)、MapGIS 九州大数据与云平台自主可控软硬一体化联合解决方案。

6c1afabd6eb91dd6262aae9e2154024f.png

MapGIS 10.5 九州自主可控软硬一体化联合解决方案发布仪式

MapGIS Desktop(九州)作为专业的跨平台桌面GIS产品,基于跨平台微内核技术构建,与信创技术深度融合,全面适配全国产化环境,为用户提供强大的数据管理与编辑、数据制图与可视化、空间分析与影像处理、三维可视化与分析等能力,通过插件化的框架,实现用户按需定制。

国产GIS平台与信创技术的深度融合,为产品与解决方案打造出坚实的时空信息自主创新底座,中地数码在国产化生态链的开放式创新探索道路中,推出MapGIS Desktop(九州)自主可控软硬一体化联合解决方案。

MapGIS Desktop(九州)国产化推荐方案

3c818336602e547ff9cce122b793885c.png

应用场景一:基于龙芯+统信+达梦的数据管理场景

MapGIS空间数据库引擎为MapGIS所有产品提供访问空间数据的能力, MapGIS Desktop(九州)空间数据库引擎支持达梦数据库、华为GaussDB、阿里PolarDB、瀚高、人大金仓、浪潮KDB、南大通用GBase、博阳等9种国产商用数据库;数据转换模块支持SHP、E00、DWG等12种矢量数据格式,支持TIFF、IMG等20种影像格式。

在“龙芯+统信+达梦+MapGIS”的国产化场景中,CPU选择龙芯,操作系统选择统信UOS,数据库选择达梦,在该环境下部署MapGIS Desktop(九州)产品。其中,利用达梦数据库实现空间数据的存储与管理;MapGISDesktop(九州)产品通过。通过针对入库数据完整性及结构一致性检查、数据转换、坐标变换、投影转换、数据质检、数据拼接建库流程实现多来源、多类型、多尺度、多时相市级基础地理信息数据、土地利用专题数据的集成管理。对数据库中100万条地理信息数据记录进行属性查询检索响应时间小于1秒;在数据库中浏览5万条地理信息数据,放大、缩小、漫游平均响应时间小于1秒。

3233a55b4ce23de3778fbd6a954eb58e.png

基于龙芯+统信+达梦的MapGISDesktop(九州)空间数据上载

a32ea539d17e43a5d289710a0c1376c8.png

基于基于龙芯+统信+达梦的MapGISDesktop(九州)DLG数据管理

应用场景二:基于兆芯+麒麟+人大金仓的地图制图和可视化场景

地图制图和可视化作为地理信息软件最为核心的功能之一,在GIS行业的数据生产和应用中无处不在,例如:地图生产和出版打印、电子地图的发布共享、空间数据分析和统计的可视化表达,无一不依赖制图和可视化。如何能在全国产化环境下进行桌面端制图是GIS软件国产化迁移的关键。

MapGIS Desktop(九州)依托多年来在制图方面的丰富经验和沉淀,结合升级后的跨平台自适应渲染引擎,在保证了不同平台架构下地图的绘制效果的前提下最大限度发挥各平台架构和操作系统的性能优势。对矢量地图、栅格地图、三维场景等制图场景都能完美支持。

5e5368ec9810b645aacae85406213a30.png

基于兆芯+麒麟软件+人大金仓的MapGISDesktop(九州)矢量地图

09b415f10d98c9f3377e6e1856a81168.png

基于兆芯+麒麟软件+人大金仓的MapGISDesktop(九州)土地利用专题地图

d31054118b781313ff772966dd2f72cc.png

基于兆芯+麒麟软件+人大金仓的MapGISDesktop(九州)栅格地图

d15abc99ecc3f9f5c57144dc98383f8e.png

基于兆芯+麒麟软件+人大金仓的MapGIS Desktop(九州)三维可视化场景

如何将GIS产业生态价值最大化,将生态建设逐步落到实地,构建协同发展的开放生态环境,赋能行业数字化转型,中地数码始终在不断探索前行。MapGIS 10.5九州已构建了全国产化适配的技术体系,支持多种国产芯片、国产操作系统、国产数据库,完美适应国产软件生态。未来,中地数码将继续以国产GIS平台MapGIS为依托,践行“平台自主生态创新”战略,持续助力GIS产业高质量发展,实现跨界共赢的生态创新。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值