移动3DGIS服务实现关键技术综述

刘盛恩 王崇峻 齐斌

摘  要： 数字地球的概念提出以来，三维地理信息系统（3DGIS）一直是国际数字地球协会的研究目标，极大地提升地理空间信息的感知能力和精度，广泛运用于在军事和民用范畴。但是由于三维数据有限并且精确的三维模型的显示需要很强的计算机性能，所以实现三维地理信息服务尤其是移动服务困难重重。由于其信息量巨大，不同于传统如二维矢量导航的GIS功能，实现三维移动服务需要依赖网格简化和边缘计算的研究。网格简化是为了减少三维模型的不规则三角网TIN的数量以降低计算机计算的压力;边缘计算是为了节约珍贵的IP传输资源充分利用智慧城市的边缘服务器，以提升计算效率和性能。

关键词： 3DGIS;网格简化;边缘计算;数字地球;网络

【Abstract】： Since the advent of Digital Earth， playing significant role no matter in civil or military use， 3DGIS expands the cognition as the stress of International Society of Digital Earth. However， due to the strong need of computing capacity and precious 3D models， tough problems are numberous for 3DGIS services， mobile ones in particular. Unlike traditional 2D vectorial navigations with tiny information volume， the realization of 3D mobile services depends on mesh simplification and edge computing. Mesh simplification is able to decrease the quantity of triangular irregular network （TIN）， while edge computing takes full advantage of edge servers within smart cities and economizes precious IP transmission resources， so as to load off the pressure on computing efficiency and capacity.

【Key words】： 3DGIS; Mesh simplification; Edge computing; Digital earth; Network

0  引言

地理空間情报承载与应用受到多国重视，因为无论是在军事安全领域、还是国民经济领域，都起着举足轻重的作用。

国民经济领域，阿里巴巴集团创始人马云在2016年10月13日在杭州云栖大会第一次发表未来30年影响世界的五个新的发展，并且之后所有演讲基本都提到：新零售，新制造，新金融，新技术，新能源。总结起来就是对信息技术的应用、融资、买卖、制造、零售都会个人化、定制化，加上快速的物流。由此可得出，这五个“新”需要地理空间信息承载与应用的支撑。如果全人类都需要依托地理信息进行云服务云交易云物流，对地理空间信息承载与应用系统的需求和压力将会跨数量级的增加。

在安全领域，地理空间情报是现代信息化战争的基础[1]，也是“数字化战场”的重要组成部分，它有机融合了图像情报、地理空间信息及其他数据，融合多元情报协作，化繁为简，集分析和观点于一身，能够赋予领导者敏锐的洞察力并为他们快速决策提供情报保障，为现代化的军事行动提供近

实时、高精度动态的情报支援，同时还可以构建高仿真的虚拟战场环境。该系统的建设可以达到以下效果：

（1）建设透明战场以确保C4ISR暨指挥、控制、通信、计算机、情报及监视与侦察系统的稳定运行，快速决策并赋予领导者敏锐的观察力;

（2）提供近实时、高精度动态的情报支援，确保武器的精准快速打击能力;

（3）构建高仿真的虚拟战场环境，虚拟现实练兵。

自美军提出全球信息栅格（GIG）和美国国家地理空间情报局（NGA）成立以来，美军逐渐从“平台中心站”向“网络中心战”转型，更加依赖民用的网络信息服务，尤其是大型云服务器，由于其耗费大量经济资源，只有需求强劲的民用领域才会大规模建设，只应用于军事会给国民经济带来巨大负担。在舆论更为公开的今天，最小规模的力量投入达到作战目的，才能更好服务大局。综上，从云转向边缘减少云服务器和作战单元终端的流量十分必要，可以从根源上降低泄密风险，意味着图1[2]的“指挥控制”模块要利用高保密度的计算机和通信网络执行。

在此系统的构建中，涉及到两个问题。一是有了云分发、服务平台后如何获取人所需要的信息，从地理信息的语义分析中转变成人类可以马上理解的语义信息;二是该系统的关键要素三维模型数据量非常庞大，如何让用户能够用日常的客户端（个人电脑、智能手机），可以流畅地实现三维漫游。这两点都是为了达到以上安全领域和国民经济发展目的的必要技术。

为了使计算性能尤其是显示元件的性能相对较低的移动设备能流畅地阅览包含大规模网格数量的三维信息，是当今移动三维软件的基本要求，为了解决三维移动服务的难题，本文提出性能导向结合的边缘计算结构（Performance-oriented edge computing architecture， POETOA）构想。基于当下成熟的视频传输传输技术，本文重点论证POETOA在移动设备借助边缘服务器预览3DGIS信息的可行性。

1  承载三维空间信息的技术需求分析

1.1  数字地球

1996年，中国李清泉为首的科学家提出3DGIS概念并提出了NURMS和栅矢结合数据结构;1998年美国环境学家前副总统Al Gore提出了数字地球的蓝图，当时旨在为保护生态系统提供精确的地理数据平台，OSG诞生;2005年谷歌地球面世，世界上第一个全球卫星图像浏览器;2009年，中国科学院牵头成立国际数字地球学会，在GoodChild等学者的推动下，数字地球的需求和方向进一步明确[3];2016年后，Locaspaceviewer， FreeViewer， Cesium等一大批数字地球平台相继投入市场，智慧城市、地理信息服务等理念开始受到重视。

在GIS体系和云分发体系的服务下，目前整合三维信息最好方式是数字地球（Digital Earth）。由中国科学院领导的地球观测和数字地球中心（CEODE）和国际数字地球学会（ISDE）在2010国际数字地球大会上对2020数字地球的发展做出了展望。数字地球平台是解决下面五个问题的最好平台[3]：

（1）大规模完善的观测系统构建;

（2）未来环境变化及其对人类影响的预警;

（3）确定人类对全球环境变化预测、避免、适应能力的阈值;

（4）提升全球可持续发展能力在制度上、经济上、个人行为上的指导;

（5）鼓励人们推进全球可持续发展的创新积极性，包括技术、政策制定和社会活动方面。

为了适应人们多层次的需要，新时代的数字地球需要稳定的跨平台性能。目前能够实现跨平台的数字地球主要有基于JavaScript浏览器数字地球和基于C++桌面端数字地球使用QT编程架构实现跨平台。

JavaScript利用的浏览器进行云端处理，通过网络将用户的指令传给云端进行处理。处理方式简单但是浏览器/服务器模式（B/S）不适合协调多种计算资源的边缘计算。比如说由于移动设备的芯片散热要求高，散热采用被动散热的方式，所以采用的一般是精简指令集（reduced instruction set， RIS），而桌面端设备特别是服务器为了提升性能一般采用较为复杂的指令集系统。浏览器在这里扮演虚拟机的功能，将用户和云端服务器的指令相互转换，限制了计算机性能。

为了满足3DGIS对计算机性能尤其是图形性能的要求，考虑到C语言是操作系统底层的开发语言，而C++是C语言基础上增加了类与对象形成的，并且许多语法和C语言完全一样，是非虚拟机语言，效率最高，因而C++是很好的选择。另外，数字地球软件开发包OSGEarth是基于开源计算机图形应用程序编程接口OSG开发的[4]，OSG的开发历史已经有二十年，比较稳定和完善，而且还有特效模块有利于以后利用该功能进行可视化指挥，提升指挥效率。不仅如此，OSG还集成了跨平台用户界面QT的模块和与其他计算机语言如上述的JavaScript乃至人工智能开发语言Python等接口，鲁棒性比较强，方便熟悉不同计算机语言的开发人员继续开发。所以对OSG技术的开发对于满足3DGIS的流畅性要求至关重要。

1.2  承载三维空间信息的GIS

三维地理信息系统（3DGIS）的概念提出并不早，早在1998年时任美国副总统戈尔提出数字地球概念时，由于当时三维桌面端电子游戏已经在市场崭露头角，所以当时3DGIS已经开始被学者广泛研究，甚至出版了专著[5]。但是，直到二十年后的今天，世界上也没有任何一个完全的3DGIS平台。

3DGIS的承载平台是数字地球。数字地球是一个拥有多尺度分辨率结构的三维数字表现形式，用以推动与地理有关自然和人文科学研究。这个概念并非纯理论概念，因为戈尔不仅是一个环境学家，而且还是一个政治家因而会比较多地考虑应用。戈尔的报告[6]指出，数字地球应当让不同层次的人群，接触到尽可能大的跨度信息。目标是让科学家、政策制定者甚至孩子能够读懂并使用。这个概念和最近兴起的大数据不谋而合，以及让众人参与进来和人工智能深度学习也是有所联系，因而是一个很有前景的研究方向。

数字地球可以集成很多功能，包括可以规划最短路径的网络分析、可以测量视域的视域分析、可以分析剖面的剖面分析等等。这些都和数字高程模型（DEM）分不开。但是加载了卫星影像纹理和DEM的数字地球2005年谷歌地球问世以来已经具备，可这离3DGIS的标准差之甚远。3DGIS的定义是可以加载三维模型并可以实现地理信息系统空间信息处理功能的地理信息系统[7]，而处于国家安全需要，全球覆盖的DEM精度最高只有30 m，并没有达到高精度城市空间分析如视域和剖面分析的要求。所以3DGIS需要满足以下要求：

（1）加载真正的三维模型，每一个栅格或者像素点的高程必须是该点最高处的海拔高度。

（2）能够融合三维模型进行空间分析。

（3）可以进行流畅的漫游不出现人眼可以识别得出的卡顿，即帧数不小于24帧。

（4）可以满足给个人化定制化的需求，实现稳定安全的服务与分发。

为了减轻网络压力，提升多任务处理能力，在有限影响三维预览效果的前提下，需要简化3DGIS的模型，以解决因性能不足或者帶宽不足导致的卡顿问题。最主要的方式是网格简化（Mesh Simplification）。

简化三维模型，需要经过视点相关网格简化（viewpoint dependent mesh simplification， VDMS）和视点无关动态网格简化（viewpoint independent mesh simplification， VIMS）两步，其中主要是静态网格简化，动态网格简化主要是对OSG的PagedLOD模块进行设计，对视点和视角参数与静态网格简化的比例进行协调分析，然后根据视觉效果和计算机性能的要求调整VDMS的简化程度参数。

1.3  承载三维空间信息的GIS

近年来，云计算，大数据和物联网等概念在我们的社会中盛行。他们的应用通过互联网提供更多的访问和信息服务，有利于人们的生活。但是，这条道路上存在一些限制。

自2005年以来，云计算成为公众关注的焦点，它有效释放个人设备有限的存储容量，并且利用模式识别技术将重复的信息共享，大大减少了信息冗余。它通过将更多数据传输到云中心来处理数据和生成情报，改变了我们的工作和生活方式。这样的云中心配备了大量的计算和存储设备。例如，软件即服务（SaaS）普遍应用于Google，Twitter和Facebook，这对应用程序的运行方式产生越来越大的影响。因此，设计了可编程模型MapReduce[8]，可分发文件系统Hadoop[9]等可扩展基础设施和云服务处理引擎等文件系统。

自1999年以来，为了在没有任何人为干预的情况下实现全自动计算机感应和处理，物联网（IoT）[10-11]在智能家居，智能城市和智能驾驶系统等领域逐渐普及。两端数量和数据量都很可怕，很难快速传输到云端。随着人类进入每个新时代，计算单元和用户都将呈指数级增长。2017年Statista的数据显示，目前大约有40亿移动设备可以通过网络访问。据思科全球云指数估计，人、机器和物品将产生500兆字节的数据，而那时数据全球数据中心IP流量仅需10.4兆字节。

尽管云计算可以缓解本地设备（如智能手机）等便携式设备的压力，但指数级数量的传感器生成的个性化定制数据太大。定制化的数据无法通过模式识别极速秒传传到云端处理。在这种情况下，探索新的方法，如边缘计算和雾计算来解决问题。根据思科互联网业务解决方案集团和思科全球云指数，由500亿件产品生成的物联网创建的数据中，至少45%将在边缘或接近启动网络源的计算机中存储，处理和分析。

2  三维模型简化

三维信息动态显示的流程为模型简化、模型分割、纹理简化、纹理分割和LOD组织五个流程。其中模型简化和LOD组织都属于网格简化，前者属于视点无关后者属于视点相关的网格简化方法。下面分类对网格简化相关技术进行分类介绍：

2.1  顶点聚类方法

顶点聚类方法[12]首先用一个包围盒将原始模型包围起来，然后通过空间划分将包围盒分成若干个小区域。这样原始模型的所有顶点分别落在这些小区域内，将区域内的顶点合并成一个新顶点，再根据原始网格的拓扑关系对这些顶点进行三角化，得到简化模型。但对于新顶点的划分总体上是简单的加权平均，没有进行很好的误差控制。Peter Lindstrom拓展了顶点聚类方法，且应用于大规模网格化简。

顶点聚类法的关键技术有三步：一是分区，如何选择合适大小的分区既方便编码又有利于顶点的聚类;二是聚类的顶点或者三角网的选择，选择什么样的三角网进行聚类能够简化顶点结构又将对原图的破坏程度降到最小;三是计算删除的三角网用哪个位置的顶点代替，这个过程一般都是选取质心，主要是为了验证聚类单元的选择过程需要计算几次代表点，所以第二步是顶点聚类法的核心工作。除此之外，还涉及到上述三个过程在GPU和CPU中计算的方法。分区方面一般采用文献[13]研究出的64x64或者128x128的大小，最适合栅格数据结构的压缩和索引。文献[14]采用了一遍完成的平衡布点外存模型算法，暨改进了二次误差矩阵（Quadric Error Metrics，QEM）判断顶点重要度的方法：QEM是网格简化最常用的判断网格复杂度的数学模型，在下一节会具体论述;同时将简化的模型同原模型相交的簇进行量化和细化;还采用了核外（out- of-core）网格简化将各个步骤并行计算提升了效率，核外指的是计算机硬件中的ROM，通过RAM的释放，极大地减轻了计算机的负担。这虽然减轻了计算机的负担，但也影响了计算效率，魏子衿[15]提出了将代表点计算和模型数据流严格分开的多数据流并行算法，提升了计算效率，但是并行严格来说依然是依照包围盒索引进行，没能从源模型层并行，并行效率有较大提升空间。文献[16]则提到了利用法向量乘积来判断顶点重要度公式（1），是一种高效的判断顶点重要度进而规划网格简化程度。

2.2  几何要素折叠简化算法

边折叠简化算法是指，在每一次简化操作中以边作为被删除的基本几何元素（图2（a））。在进行多次的选择性边折叠后，面片就可以被简化到我们想要的任何程度了。点分裂是边折叠的逆变换，可以用来恢复被简化掉的信息。Hoppe[17]通过边折叠和点分裂构建了渐进网格（Progressive Mesh，简称PM）模型，实现了多分辨率（multi-resolution）的层次细节模型。Level of detail，简称LOD）的实时生成[18]。

三角形折叠简化方法是指，在简化时三角面作为被删除的基本元素。它是边折叠算法的延续，一次三角形折叠可以删除4个三角形、两个顶点（图2（b））。不同的三角折叠简化的算法虽然互不相同，但只是判别标准的不同，也就是对哪些三角网格进行三角简化的标准。

二次折边算法的“二次”指的是基于二次误差矩阵的新顶点选择算法，三角折叠只是把两个点变成三个点而已，本质是一样的，该算法最开始由Garland[19]提出。在此基础上后来人的研究基本上都采取直接计算出代表点的算法，这涉及到运算速度的问题。结合GPU的原理，文献[20]对该算法进行了并行加速改进;文献[21]结合了OpenMesh平台采用半边数据结构（Half-Edge Data Structure）对其进

行了优化，该方法在选择一条合适的边进行迭代收缩时，定义了一个描述边收缩代价的变量D，具体如下：对于网格中的每个顶点v，我们预先定义一个4?4的对称误差矩阵Q，那么顶点v = [vx vy vz 1]T的誤差为其二次项形式D（v） = vTQv。假设对于一条收缩边（v1， v2），其收缩后顶点变为vbar，定义顶点vbar的误差矩阵Qbar为Qbar = Q1 + Q2，对于如何计算顶点vbar的位置有两种策略：一种简单的策略是在v1， v2和（v1+ v2）/2中选择一个使得收缩代价D（vbar）最小的位置。另一种策略是数值计算顶点vbar位置使得D（vbar）最小。如Qbar可逆，则计算vTQbarv=0即可，如果不可逆，则计算新顶点到收缩边顶点所有平面的距离平方和最小，进行迭代计算即可。文献[14]将计算距离平方和转换为计算长度与三角形面积相同的法向量组成的四面体平方和，给计算机机器运算提供了另外一种解决方案。

关于三角网的折叠，文献[22]提出了高效率的三角网格模型保特征简化方法，分三步完成简化：①该简化方法引入了曲面细分的方法，采用曲面细分方法更新三个顶点使得模型更加连续光滑;②后依据先然后根据原模型复杂度的顺序依次这个简化方法首先选出三个新顶点;引入拉普拉斯坐標控制网格生长[23]，选取出三角网的代表点;③将新顶点与原三角形构成四面体和三角网平展度的乘性参数规划折叠顺序。该方法效率高而且效果也相比传统的QEM算法有所改善，但是没有充分考虑边界点，而且细分之前没有筛选三角网格，可能造成细节的缺失。通过结合其他曲面细分方法：loop曲面细分[24-25]、蝶形曲面细分[26]以及C-C曲面细分[27]。一方面可以改善细分法本身，另外一方面和不同代表点确定算法的结合，比如说下一节的ACVD算法，结合曲面细分法的网格简化有较大研究提升的空间。

2.3  ACVD重构算法

ACVD算法的全称是Approximated Centroidal Voronoi Diagrams，其中Voronoi指的是泰森多边形。泰森多边形法最初是由荷兰气象学家A·H·Thiessen提出的，当时是作为通过离散雨量点连成三角形，再做出三角形各边的垂线，于是每个离散点被围成一个多边形[28]。泰森多边形在国内当下是以应用方面为主，比如不同矿产质量的地理分布、使用Voronoi图也就是泰森多边形应用于对森林的角观测[29]以提高进度更好地保护森林资源等等。

国外最著名的研究成果当属S-Valette提出的ACVD[30]，即“基于近似质心的泰森多边形方法”了。在这之后S-Valette在离散、网格依赖以及网格的各向同异性做了进一步的研究[31]。相关研究包括Zichao Di提出了一种改进的子空间截断牛顿法[32]，用于求解惩罚函数法迭代过程中的仅带有决策变量边界约束的子优化问题;Dong-Ming Yan引入了本地化的限制泰森多边形模型[33]，也获得了比较好的效果;魏宁基于工作需要对目标的特征部位精确观测，将极点和二次误差矩阵引入了该算法，获得了比较好的效果[34]。

ACVD的实质是根据一定规则对Delaunay三角化网格进行二次划分，进行质点的选取，对能量函数进行最小化处理，通过（2）求出泰森多边形的质点，（3）是能量函数的表达式的原始定义， 是密度，比较抽象，因而转化为（4）解释为分区边界三角网的面积，借此判定三维模型皱褶的程度，复杂程度越大的区域内的顶点邻接的泰森多边形越多。最后通过顶点邻接的多边形数量来重新三角化。图5表达了增长收缩的过程，通过区域Vk和Vl计算出来的能量高地来决定边界的三角网属于哪个区域。

3  边缘服务分发技术

3.1  从云GIS到边缘3DGIS

“云计算”和“大数据”这两个概念，加上“人工智能”近几年基本上占据了各大学科、社会各领域各大版面。这三个概念也被阿里巴巴创始人马云称之为“影响未来30年动力源”。大数据有4V特征：Volume（数量海量）、Variety（种类繁杂）、Velocity（动态快速）、Value（价值巨大）。为了达到这个目的，除了云计算外，必须引入边缘计算。

云GIS是基于云计算的理论、方法和技术，扩展GIS的基本功能，从而进一步改进传统GIS的结构体系，以实现海量空间数据的高性能存取与处理操作，使其更好地提供高效的计算能力和数据处理能力，解决地理信息科学领域中计算密集型和数据密集型的各种问题。其实质是将GIS的平台、软件和地理空间信息能够方便、高效地部署到以云计算为支撑的“云”基础设施之上，能够以弹性的、按需获取的方式提供最广泛的基于Web的服务[35]。目前，云GIS这一概念在能查到的中外文献中并没有公认的定义，Yang等[36]认为云GIS是以地理信息科学为核心，充分利用云计算带来的优势。本文认为，云GIS是利用云基础设施获得大规模计算能力，来解决GIS中海量空间数据的分布式存储、处理任务划分、查询检索、互操作和虚拟化等关键性科学问题，提高GIS数据处理与管理能力，为计算密集型和数据密集型的各类GIS服务提供高性能处理的技术。

图4展示了一个简单的家用以路由器为核心的Webgis和LAN结构，看似是边缘计算，但是本质上只是数据的共享而非协同各个计算机的性能。简而言之，就是只能使用用户直接使用的终端进行数据处理和服务。

总体来说，云GIS主要是解决数据管理的问题，就是数据库管理系统（DBMS）的问题，因为GIS有很

强的跨学科性质，很多其他学科的数据都可以借助GIS工具进行分析，因而造成数据的海量化。因此数据必须在云端进行管理以提供稳定准确的服务和分发，边缘服务器根据需要对云端数据进行筛选存储提供移动边缘服务。上述提到的4V特征都具有非常强的交互性，在接入互联网的单元指数爆炸的物联网时代，定制或者紧迫的信息传输的实时性要求大大提升，大量信息依靠互联网传输易造成延时堵塞而边缘计算有以下几个特点：

（1）云传输通道泄流：物联网GIS中存在对传输延迟容忍度极低的信息，比如说事故、病房尤其是重症监护甚至是间谍活动。一方面，云计算作为一个统一化的大型计算平台，很难做到面面俱到;另一方面，把更多交互性强、流量大的处理模块转移到边缘端，为云服务器提供更多带宽冗余和性能冗余，更加有利于缩短优先信息的传播时间，提升实时性。

（2）实时性增强：边缘服务器所用的局域网提速的空间要远高于公共网络，甚至可以接近设备内传输速度，而且边缘服务器分布性强，冗余多而所有边缘服务器崩溃的情况概率极低。而且定制化计算难度大的信息处理需求往往需要支付高额服务费，因而在处理高速计算需求比如说三维实景显示方面有着独特的优势，这也是下节讨论和本章节的重点。

（3）信息安全性高：边缘架构可以实现指定范围内信息的隔离，如图5简单的混合边缘信息流设计，内部边缘端的信息只能够与内部移动设备交互和与接收公开边缘端发送的信息，无论是通过硬件还是软件方法实现信息的单向传输，安全性无疑是提高了。

边缘计算前人出的研究成果大多的目标是延长移动设备电池耐性，包括Cuervo提出的MAUI架构[37]和文献[38][39]提出的给移动设备的传输和计算泄流的方案，主要方向都是节约移动设备的能源，不需要数据量庞大的信息交互。针对3DGIS在借助边缘计算移动设备上的需求，结合LAN路由技术，下一节论证POETOA框架，实现3DGIS预览的可行性，因为预览功能是GIS的基础功能，为更复杂的未来3DGIS提供基本的支撑。

3.2  边缘3DGIS显示技术及可行性分析

随着网络技术的不断发展，第四代移动通信技术已经成熟第五代移动通信技术蓄势待发，互联网信息的分发与服务正支撑着数字地球的发展。但是移动设备的图形计算能力有限制约着数字地球在移动设备上的开发。而且三维模型的显示交互性极强，云服务器过载的情况下，连续不断的交互导致大量的信息冗余，造成网络资源的大量浪费。3DGIS云服务覆盖所有移动设备的困难：①数量庞大的移动终端短时间堵塞，云服务器或者有限的带宽;②操作杆和图像的交互流量造成资源浪费;③恶劣的环境下，比如说考古、勘探工作和军事运用中天基信息网络资源珍贵;④移动终端GPU芯片被动散热，处理三维信息能力有限。在数据爆炸的时代IP流量仍然远远落后于数据量，而且未来客户的需求将趋向定制化，全部交托给云服务器将大大削弱其作为复杂计算任务中的新职能。将更多的重复的数据于无线局域网WLAN进行传输尤为重要，这也是边缘计算的目的。

图6是移动边缘服务计算结构的设计，表达了移动3DGIS各个模块之间的关系。

优化的3DGIS服务在哪个位置进行计算由很多因素决定：①移动设备和边缘服务设备的CPU、GPU和内存占用情况和移动终端的电池续航要求;②网络带宽、资费和占用情况;③用户指令需求的分析，评估所需服务队网络和计算性能要求，指定边缘方案;④服务定制与否，占用计算资源最大的三维显示可以新建相机共享资源;⑤清晰度和显示帧数的评估，力争确保质量不低于阈值调配计算和网络资源;

主要的技术点有：①协调云服务器、边缘服务器和移动设备的接口;②电池续航能力无法同CPU、GPU和内存那样有明确的占比标准，电池续航作为计算能力之一进行标准化界定;③云端的共享数据传输与边缘服务器共享资源的最优化;④移动应用中定制化和多用户共享的服务如何共享服务器的内存资源，接口和GIS数据的方法。⑤LOD组织中视点距离的确定，暨界定视点与3D元素的距离，平衡移动设备显示屏大小和计算机压力。

由于预设和语义学的局限性[40]要实现以上的技术点，需要实时获取移动设备和边缘服务器的性能指标、互联网带宽闲置情况：①java有为移动设备提供CPU和内存指数接口;②C++可导出windows和linux操作系统计算机的CPU和内存使用情况;③Opengl提供GPU三维渲染性能、专用GPU内存和共享GPU内存使用率的接口，OSG中osgviewer类的StatsHandler将其归一化提供了GPU整体使用率参数[41];④I/O可查询当前计算机互联网速度。

图7表达了移动和边缘端除了数据共享外的两种共享方式，即通过QT框架使得不同承载操作系统的服务器和移动设备显示窗口和操作杆互联互通。再次架构上POETOA的目的就是探索 3DGIS的移动边缘服务（主要是三维场景浏览）的最佳方案。除此之外多个移动用户对边缘服务的并行共享方案的优化也是重要的研究内容。其中Android系统原生态开发包（Native Development Kit， NDK）兼容C++开发，而且由于所有操作系统核心代码大多基于C++开发，在提升效率方面具有天生优势。除此以外，声音同步模块在QT中也有相应接口，但非3DGIS的技术点。

4  总结与展望

本文总结了实现移动3DGIS服务所需要的两个最主要的技术点——网格简化和移动边缘计算。移动边缘计算尚处于开发阶段，现阶段GIS乃至数字地球的移动软件都是通过云服务器和移动设备本身的交互实现的。尚无法在移动设备流畅地加載三维模型，这需要后续的研究。

网格简化方面，现有的LOD基本都采用如QEM的均匀网格简化方法，需要将如ACVD的非均匀网格简化方法集成到LOD动态加载中，以减少对计算机资源的耗费，通过局域网利用边缘计算服务更多的设备。但ACVD的分区需要三维模型无缝贴合，否则能量函数无法对模型分区，只有理想的三维模

型比如说斯坦福bunny才是完全封闭的。把ACVD用在局部的城市倾斜摄影模型中，能量函数需要进一步优化。总体而言，网格简化的程度可以在根本上减轻边缘服务分发的压力，边缘分发服务将网格简化的成果实现到底层三维显示应用当中，是一个体系化的研究。

通过QT+OSG架构同步边缘服务器和移动设备的操作杆和显示窗口的方式，本文在程序架构上论证了边缘计算的编程兼容性，而且相对于基于浏览器的webgis，使得数据和计算压力分布化，提升力效率和安全性。需要深化研究的内容包括依据计算性能制定LOD精确到第几层、视距定义，以及根据边缘服务器和移动设备性能及电源方案规划触发边缘服务的阈值，从移动设备单独计算处理转向边缘服务器处理也会有相应时间。这些都是需要深入研究的内容。

网格简化从根本上为未来的移动三维地理信息边缘服务降低服务器计算压力，边缘计算则提供更加安全和节能的移动3DGIS实现方式。边缘计算使得移动设备有限的功能用于与个人或敏感信息的处理上，既节省计算资源又能确保信息安全。未来研究的重点是综合计算资源消耗、数据量要求、计算需求的定制化程度和信息安全对云服务、边缘服务和移动设备的分工进行设计和标准量化。

参考文献

于渤， 全吉成， 吴婧文. 地理空间情报在现代军事行动中的作用分析[J]. 情报探索， 2013， 1（9）： 36-38.

卢山， 鞠茂光， 晏庆. 全球信息栅格及军事应用启示[J]. 通信技术， 2010， 43（12）： 88-90.

Goodchild M F. The use cases of digital earth[J]. International Journal of Digital Earth， 2008， 1（1）： 31-42.

王文涛. 地理栅格数据压缩与场景组织管理技术研究与实现[D]. 国防科学技术大学， 2011.

Bartel S. 3d-Gis for Urban Purposes[M]. Kluwer Academic Publishers， 1998.

Gore Al. The digital earth[J]. Australian Surveyor， 1998， 43（2）： 89-91.

Costamagna E. Geographic Information Science （GIS） 3D[M]. Springer Netherlands， 2014.

Dean J， Ghemawat S. Simplified Data Processing on Large Clusters[J]. Osdi， 2004， 51（1）：10-10.

Shvachko K， Kuang H， Radia S， et al. The Hadoop Distributed File System[C]// IEEE， Symposium on MASS Storage Systems and Technologies. IEEE Computer Society， 2010： 1-10.

Tao X， Ota K， Dong M， et al. Performance Guaranteed Computation Offloading for Mobile-Edge Cloud Computing [J]. IEEE Wireless Communications Letters， 2017， 6（6）： 774- 777.

Ahmed A， Ahmed E. A survey on mobile edge computing [C]// International Conference on Intelligent Systems and Control. IEEE， 2016.

蔡振锋， 史云飞， 邵长江， 等. 基于TEN的三维空间叠置分析[J]. 长春工程学院学报（自然科学版）， 2016， 17（2）： 89-91.

李慧婷， 李朝奎， 卜璞. 顶点重要度调整的三维场景集成简化方法[J]. 测绘科学， 2016， 41（9）： 147-151

蔡康穎， 王文成， 费广正， 等. 一遍完成的平衡布点外存模型简化算法[J]. 计算机学报， 2002， 25（9）： 936-944.

魏子衿， 肖丽. 改进顶点聚类方法的并行核外模型简化算法[J/OL]. 计算机工程与应用： 1-11[2018-06-07].

王家腾， 殷宏， 解文彬， 等. 基于顶点重要度和层次聚类树的地形网格简化[J]. 计算机工程与设计， 2016， 37（6）： 1543-1548

Hoppe H. View-dependent refinement of progressive meshes[C]// Conference on Computer Graphics and Interactive Techniques. ACM Press/Addison-Wesley Publishing Co. 1997： 189-198.

Cheen-Hau T， Lap-Pui C. Single Viewpoint Image-Driven Simplification[J]. International Journal of Image & Graphics， 2014， 14（03）： 204-108.

Garland M. Surface simplification using quadric error metrics[C]// Conference on Computer Graphics and Interactive Techniques. ACM Press/Addison-Wesley Publishing Co. 1997： 209-216.

范豪， 刘峻， 孙宇， 等. GPU并行加速的边折叠简化算法[J]. 计算机工程与设计， 2016， 37（11）： 3051-3057.

丁文文. 基于OpenMesh的三维网格简化算法优化[J]. 电脑知识与技术， 2017， 13（6X）： 200-202.

段黎明， 邵辉， 李中明， 等. 高效率的三角网格模型保特征简化方法[J]. 光学精密工程， 2017， 25（2）： 460-468

Zhou K， Huang J， Snyder J， et al. Large mesh deformation using the volumetric graph Laplacian[C]// Acm Siggraph. ACM， 2005： 496-503.

邓重阳， 汪国昭. 用Loop细分曲面插值三角网格[J]. 中国科学： 信息科学， 2010， 40（7）： 934-942

王艳艳， 张荣国， 王蓉， 等. 向量线性相关的三角网格自适应Loop细分方法[J]. 图学学报， 2009， 30（1）： 91-96.

Ling R， Luo X， Chen Z. Ternary butterfly subdivision[J]. Computers & Graphics， 2009， 33（4）： 566-575.

李涛， 周来水. 基于平方距离极小化方法用C-C细分曲面拟合三角网格[J]. 南京航空航天大学学报， 2008， 40（3）： 364-369.

颜真梅， 母国宏. 基于泰森多边形法的流域面平均雨量计算[J]. 水利科技与经济， 2017， 23（01）： 19-22.

冯仲科， 郭清文， 朱萍. Voronoi图—泰森多边形法在角规测树中的应用[J]. 林业资源管理， 2006， 1（03）： 44-47.

Valette S. Approximated Centroidal Voronoi Diagrams for Uniform Polygonal Mesh Coarsening[C]// Computer graphics forum： The international journal of Eurographics Association. Blackwell， 2004：381-389.

Valette S， Chassery J M， Prost R. Generic remeshing of 3D triangular meshes with metric-dependent discrete voronoi diagrams[J]. IEEE Trans Vis Comput Graph， 2008， 14（2）： 369-381.

Di Z， Maria E， Stephen N. Truncated Newton-Based Multigrid Algorithm for Centroidal Voronoi Diagram Calculation[J]. Numerical Mathematics Theory Methods & Applications， 2012， 5（2）： 242-259.

Yan D M， Bao G， Zhang X， et al. Low-Resolution Remeshing Using the Localized Restricted Voronoi Diagram[J]. Visualization & Computer Graphics IEEE Transactions on， 2014， 20（10）： 1418-27.

魏宁， 徐婷婷， 高开源， 等. 基于Voronoi極点特征值显著度加权的网格简化算法[J]. 图学学报， 2017， 38（3）： 314-319.

李少丹. "云GIS"的发展趋势分析[J]. 电脑知识与技术， 2011， 07（16）： 3824-3826.

Chaowei Yang， Michael Goodchild， Qunying Huang， et al. Spatial cloud computing： how can the geospatial sciences use and help shape cloud computing？[J]. International Journal of Digital Earth， 2011， 4（4）： 305-329.

Cuervo E， Balasubramanian A， Cho D K， et al. MAUI： making smartphones last longer with code offload[C]// International Conference on Mobile Systems， Applications， and Services. DBLP， 2010： 49-62.

Sardellitti S， Scutari G， Barbarossa S. Joint Optimization of Radio and Computational Resources for Multicell Mobile-Edge Computing[J]. IEEE Transactions on Signal & Information Processing Over Networks， 2015， 1（2）： 89-103.

Mao Y， You C， Zhang J， et al. A Survey on Mobile Edge Computing： The Communication Perspective[J]. IEEE Communications Surveys & Tutorials， 2017， PP（99）： 1-1.

Pierro A D， Wiklicky H. Semantics of Probabilistic Programs： A Weak Limit Approach[M]// Programming Languages and Systems. 2013：241-256.

Wang R， Qian X. OpenSceneGraph 3 Cookbook[M]. Packt Publishing， 2012.