Geospatial data has always been big

Geospatial data has always been big data. In these days, big data analytics for geospatial data is receiving considerable atten-tion to allow users to analyze huge amounts of geospatial data. Geospatial big datatypically refers to spatial data sets exceeding capacity of current computing systems. McKinsey Global Institute says that the pool of personal location data was in the level of 1PB in 2009 and is growing at a rate of 20% per year [1]. This estima-tion did not include the data from RFID sensors and those stored in private archives. According to the estimation by United Nations Ini-tiative on Global Geospatial Information Management (UN-GGIM), 2.5 quintillion bytes of data is being generated every day, and a large portion of the data is location-aware. Also, in Google, about 25 PB of data is being generated per day, and a significant portion of the data falls into the realm of spatio-temporal data [2]. This trend will be even accelerated since the world becomes more and more mobile in these days. As in Fig.1, in India, the internet traffic from mobile devices already exceeded that from desktop comput-ers [3].
Along with this exponential increase of geospatial big data, the capability of high performance computing is being required greatly than ever, for modeling and simulation of geospatially en-abled contents. However, because of limited processing power, it has been hard to fully exploit high-volume or high-velocity collec-tion of geospatial data in many applications. Recently, distributed, parallel processing on a cluster of commodity computers or a cloud such as Amazon EC21has been becomingwidely available for use, breaking the existing limitations on processing power. In addition, big data platforms such as Hadoop [4], Hive [5], and MongoDB [6]have been developed such that users can implement big data an-alytics software very easily on a distributed, parallel computing platform. It is obvious that these recent improvements are pro-viding us with a lot of opportunities for advanced analytics for geospatial big data [7–9]. According to Garner’s hype cycle in Fig.2, geospatial big data analytics belongs to the stage of peak of inflated expectationsas of July 2012 [10].
Geospatial big data or simply spatial big data are societal op-portunities [11,12]. The Millennium Project identified 15 global challenges that the human kind is facing as in Fig.3[13]. Many of them can benefit from geospatial big data. Shashi Shekhar [14], a renowned computer scientist, says that the seven challenges are related to geospatial big data, as indicated by boxes in the figure. For example, as for energy, eco-routing is one example that can save energy using geospatial big data. This technology minimizes fuel consumption rather than travel time or travel distance. For this purpose, eco-routing tries to find a route that avoids congestion, idling at red lights, turns and elevation changes, and so on. Com-pared to using the “Fastest Route” option, Ford researchers told that using the “Eco Route” option offered as much as 15% reduced fuel consumption in some of their vehicles [15]. Now, in many Ford cars, we can find the eco-route option, as in Fig.4.
McKinsey Global Institute conducted a study on how big data can innovate our world [16]. As for geospatial big data, the study says “the use of personal location data could save consumers worldwide more than $600 billion annually by 2020.” One can find out users’ current locations by tracking their mobile devices such as smart phones. The study mentioned geosocial networking ser-vices such as Foursquare used for locating friends and for finding nearby stores and restaurants, where many users check-in at var-ious places and reveal their current location [17]. On the other hand, according to the study, the biggest consumer benefit will be obtained from time and fuel saving thanks to location-based services that, by taking account of real-time traffic and weather data, help driver avoid traffic congestion and recommend alterna-tive routes. Location tracking can be done by using a driver’s smart phone or a global positioning system (GPS) equipped with a car.

ผลลัพธ์ (ไทย) 1:

ข้อมูล Geospatial ได้เสมอรับข้อมูลขนาดใหญ่ ในวันนี้ วิเคราะห์ข้อมูลขนาดใหญ่สำหรับข้อมูล geospatial ได้รับสเตรชัน atten มากให้ผู้ใช้สามารถวิเคราะห์ข้อมูล geospatial ขนาดใหญ่ Datatypically ใหญ่ Geospatial หมายถึงชุดข้อมูลปริภูมิที่เกินกำลังของระบบคอมพิวเตอร์ปัจจุบัน McKinsey สากล สถาบันกล่าวว่า ประเภทของข้อมูลส่วนบุคคลตั้งอยู่ในระดับของ 1PB 2009 และ เติบโตในอัตรา 20% ต่อปี [1] Estima-สเตรชันนี้ไม่มีข้อมูลจากเซนเซอร์ RFID และที่เก็บไว้ในคลังข้อมูลส่วนตัว ตามการประเมินโดยสหประชาชาติ Ini-tiative บนจัดการข้อมูล Geospatial สากล (UN-GGIM), 2.5 quintillion ไบต์ของข้อมูลจะถูกสร้างทุกวัน และส่วนใหญ่ข้อมูลจะทราบตำแหน่ง นอกจากนี้ ใน Google ประมาณ 25 PB ข้อมูลกำลังสร้างต่อวัน และเป็นส่วนสำคัญของข้อมูลอยู่ในขอบเขตของข้อมูล spatio ขมับ [2] แนวโน้มนี้จะสามารถแม้เร่งเนื่องจากโลกจะเคลื่อนขึ้นในวันนี้ ในภาพ ในอินเดีย การอินเทอร์เน็ตจากอุปกรณ์โมบายแล้วเกินที่จากเดสก์ท็อป comput-สกู๊ป [3]Along with this exponential increase of geospatial big data, the capability of high performance computing is being required greatly than ever, for modeling and simulation of geospatially en-abled contents. However, because of limited processing power, it has been hard to fully exploit high-volume or high-velocity collec-tion of geospatial data in many applications. Recently, distributed, parallel processing on a cluster of commodity computers or a cloud such as Amazon EC21has been becomingwidely available for use, breaking the existing limitations on processing power. In addition, big data platforms such as Hadoop [4], Hive [5], and MongoDB [6]have been developed such that users can implement big data an-alytics software very easily on a distributed, parallel computing platform. It is obvious that these recent improvements are pro-viding us with a lot of opportunities for advanced analytics for geospatial big data [7–9]. According to Garner’s hype cycle in Fig.2, geospatial big data analytics belongs to the stage of peak of inflated expectationsas of July 2012 [10].Geospatial big data or simply spatial big data are societal op-portunities [11,12]. The Millennium Project identified 15 global challenges that the human kind is facing as in Fig.3[13]. Many of them can benefit from geospatial big data. Shashi Shekhar [14], a renowned computer scientist, says that the seven challenges are related to geospatial big data, as indicated by boxes in the figure. For example, as for energy, eco-routing is one example that can save energy using geospatial big data. This technology minimizes fuel consumption rather than travel time or travel distance. For this purpose, eco-routing tries to find a route that avoids congestion, idling at red lights, turns and elevation changes, and so on. Com-pared to using the “Fastest Route” option, Ford researchers told that using the “Eco Route” option offered as much as 15% reduced fuel consumption in some of their vehicles [15]. Now, in many Ford cars, we can find the eco-route option, as in Fig.4.McKinsey Global Institute conducted a study on how big data can innovate our world [16]. As for geospatial big data, the study says “the use of personal location data could save consumers worldwide more than $600 billion annually by 2020.” One can find out users’ current locations by tracking their mobile devices such as smart phones. The study mentioned geosocial networking ser-vices such as Foursquare used for locating friends and for finding nearby stores and restaurants, where many users check-in at var-ious places and reveal their current location [17]. On the other hand, according to the study, the biggest consumer benefit will be obtained from time and fuel saving thanks to location-based services that, by taking account of real-time traffic and weather data, help driver avoid traffic congestion and recommend alterna-tive routes. Location tracking can be done by using a driver’s smart phone or a global positioning system (GPS) equipped with a car.

ผลลัพธ์ (ไทย) 2:

ข้อมูลเชิงพื้นที่ที่ได้รับเสมอข้อมูลขนาดใหญ่ ในวันนี้การวิเคราะห์ข้อมูลขนาดใหญ่สำหรับข้อมูลเชิงพื้นที่จะได้รับมาก Atten-การที่จะช่วยให้ผู้ใช้ในการวิเคราะห์ข้อมูลจำนวนมากเชิงพื้นที่ Geospatial datatypically ใหญ่หมายถึงชุดข้อมูลเชิงพื้นที่ความจุเกินของระบบคอมพิวเตอร์ในปัจจุบัน McKinsey สถาบันทั่วโลกกล่าวว่าสระว่ายน้ำของข้อมูลส่วนบุคคลที่ตั้งอยู่ในระดับของ 1PB ในปี 2009 และมีการเติบโตในอัตรา 20% ต่อปี [1] นี้ Estima-การไม่ได้รวมข้อมูลจากเซ็นเซอร์ RFID และผู้ที่เก็บไว้ในคลังข้อมูลส่วนตัว ตามการประมาณโดยสหประชาชาติ Ini-tiative ในโลก Geospatial สารสนเทศเพื่อการจัดการ (UN-GGIM) 2.5 quintillion ไบต์ของข้อมูลจะถูกสร้างขึ้นทุกวันและส่วนใหญ่มาจากข้อมูลที่มีสถานที่ตระหนักถึง นอกจากนี้ใน Google ประมาณ 25 PB ของข้อมูลจะถูกสร้างขึ้นต่อวันและเป็นส่วนสำคัญของข้อมูลที่ตกอยู่ในดินแดนของข้อมูล spatio กาล [2] แนวโน้มนี้จะเร่งตั้งแต่แม้โลกจะกลายเป็นมือถือมากขึ้นและมากขึ้นในวันนี้ เช่นเดียวกับในรูปที่ 1 ในประเทศอินเดีย, การจราจรทางอินเทอร์เน็ตจากโทรศัพท์มือถือแล้วที่เกินจากเดสก์ทอปของคอมพิวเต ERS [3].
พร้อมกับการเพิ่มขึ้นชี้แจงของข้อมูลขนาดใหญ่เชิงพื้นที่นี้ความสามารถในการประมวลผลประสิทธิภาพสูงจะถูกต้องมากขึ้นกว่าเดิม สำหรับการสร้างแบบจำลองและการจำลองของเนื้อหา geospatially en-abled แต่เนื่องจากพลังการประมวลผล จำกัด จะได้รับยากที่จะใช้ประโยชน์อย่างเต็มที่ปริมาณสูงหรือความเร็วสูง-การรวบรวมข้อมูลเชิงพื้นที่ในการใช้งานมาก เมื่อเร็ว ๆ นี้การกระจายการประมวลผลแบบขนานในกลุ่มของคอมพิวเตอร์หรือสินค้าโภคภัณฑ์เมฆเช่น Amazon EC21has รับ becomingwidely สามารถใช้งานได้ทำลายข้อ จำกัด ที่มีอยู่ในพลังการประมวลผล นอกจากนี้แพลตฟอร์มข้อมูลขนาดใหญ่เช่น Hadoop [4], ไฮฟ์ [5] และ MongoDB [6] ได้รับการพัฒนาดังกล่าวที่ผู้ใช้สามารถใช้ข้อมูลขนาดใหญ่-alytics ซอฟแวร์ได้อย่างง่ายดายมากในการกระจายแพลตฟอร์มประมวลผลแบบขนาน เป็นที่ชัดเจนว่าการปรับปรุงเมื่อเร็ว ๆ นี้เหล่านี้มีโปร viding เรามีจำนวนมากของโอกาสในการวิเคราะห์ขั้นสูงสำหรับข้อมูลขนาดใหญ่เชิงพื้นที่ [7-9] ตามวงจร hype การ์เนอร์ในรูปที่ 2 การวิเคราะห์ข้อมูลขนาดใหญ่เชิงพื้นที่เป็นขั้นตอนของการจุดสูงสุดของ expectationsas ที่สูงขึ้นของกรกฎาคม 2012 [10].
ข้อมูลขนาดใหญ่ Geospatial หรือเพียงแค่ข้อมูลขนาดใหญ่เชิงพื้นที่ทางสังคมสหกรณ์ portunities [11,12] มิลเลนเนียมโครงการ 15 ระบุความท้าทายระดับโลกที่มนุษย์ชนิดจะหันเช่นเดียวกับในรูปที่ 3 [13] หลายของพวกเขาสามารถได้รับประโยชน์จากข้อมูลขนาดใหญ่เชิงพื้นที่ ชาชิ Shekhar [14], นักวิทยาศาสตร์คอมพิวเตอร์ที่มีชื่อเสียงกล่าวว่าเจ็ดความท้าทายที่เกี่ยวข้องกับ Geospatial ข้อมูลขนาดใหญ่ตามที่ระบุโดยกล่องในรูป ยกตัวอย่างเช่นเป็นพลังงานเชิงนิเวศเส้นทางเป็นตัวอย่างหนึ่งที่สามารถประหยัดพลังงานโดยใช้ข้อมูลเชิงพื้นที่ขนาดใหญ่ เทคโนโลยีนี้จะช่วยลดการบริโภคน้ำมันเชื้อเพลิงมากกว่าเวลาในการเดินทางหรือระยะการเดินทาง เพื่อจุดประสงค์นี้เป็นมิตรกับสิ่งแวดล้อมเส้นทางพยายามที่จะหาเส้นทางที่หลีกเลี่ยงความแออัดของการทำงานที่ไฟแดงเปลี่ยนและเปลี่ยนแปลงระดับความสูงและอื่น ๆ ดอทคอมเทียบกับการใช้ "เส้นทางที่เร็วที่สุดในตัวเลือก" ฟอร์ดนักวิจัยบอกว่าการใช้ "Eco เส้นทาง" ตัวเลือกที่นำเสนอมากที่สุดเท่าที่ 15% ลดการใช้น้ำมันเชื้อเพลิงในบางส่วนของยานพาหนะของพวกเขา [15] ตอนนี้ในรถฟอร์ดอีกมากมายที่เราสามารถหาตัวเลือกที่เป็นมิตรกับสิ่งแวดล้อมเส้นทางในขณะที่ Fig.4.
McKinsey ทั่วโลกสถาบันการศึกษาเกี่ยวกับวิธีข้อมูลขนาดใหญ่สามารถสร้างสรรค์สิ่งใหม่ ๆ โลกของเรา [16] สำหรับข้อมูลขนาดใหญ่เชิงพื้นที่การศึกษากล่าวว่า "การใช้ข้อมูลส่วนบุคคลของสถานที่สามารถบันทึกผู้บริโภคทั่วโลกมากกว่า $ 600,000,000,000 ประจำทุกปีโดยในปี 2020" หนึ่งสามารถหาข้อมูลของผู้ใช้สถานที่ในปัจจุบันโดยการติดตามโทรศัพท์มือถือของพวกเขาเช่นโทรศัพท์สมาร์ท การศึกษากล่าวถึงความชั่วร้าย geosocial การบริการเครือข่ายเช่น Foursquare ใช้สำหรับเพื่อน ๆ และตำแหน่งสำหรับการค้นหาร้านค้าใกล้เคียงและร้านอาหารที่ผู้ใช้หลายคนในการเช็คอินในสถานที่-var IOUs และเปิดเผยที่ตั้งปัจจุบันของพวกเขา [17] บนมืออื่น ๆ ตามการศึกษาผลประโยชน์ของผู้บริโภคที่ใหญ่ที่สุดที่จะได้รับจากเวลาและประหยัดน้ำมันเชื้อเพลิงขอบคุณบริการตามสถานที่ต่างๆว่าโดยคำนึงถึงการจราจรแบบเรียลไทม์และข้อมูลสภาพอากาศช่วยให้คนขับรถหลีกเลี่ยงความแออัดของการจราจรและแนะนำ Alterna เส้นทาง -tive ติดตามสถานที่สามารถทำได้โดยการใช้โทรศัพท์สมาร์ทขับรถหรือ Global Positioning System (GPS) พร้อมกับรถ

ผลลัพธ์ (ไทย) 3:

ข้อมูลภูมิสารสนเทศได้เสมอข้อมูลใหญ่ ในวันเหล่านี้ การวิเคราะห์ข้อมูลสำหรับข้อมูลภูมิสารสนเทศ ได้รับ มาก ดูไว้เพื่อให้ผู้ใช้สามารถวิเคราะห์ข้อมูลจำนวนมากสำหรับ . สำหรับชุดใหญ่ datatypically หมายถึงข้อมูลเชิงพื้นที่เกินความจุของระบบคอมพิวเตอร์ในปัจจุบันสถาบันทั่วโลก McKinsey กล่าวว่าสระว่ายน้ำของข้อมูลสถานที่ส่วนบุคคลอยู่ในระดับ 1PB ในปี 2009 และมีการเติบโตในอัตรา 20% ต่อปี [ 1 ] tion นี้ติมา ไม่รวมค่าข้อมูลจากเซ็นเซอร์ RFID และเก็บไว้ในคลังส่วนตัว ตามการประมาณโดย tiative นี้สหประชาชาติว่าด้วยการจัดการข้อมูลภูมิสารสนเทศของโลก ( un-ggim ) , 2 .5 จำนวน quintillion ไบต์ของข้อมูลที่ถูกสร้างขึ้นทุกวัน และส่วนใหญ่ของข้อมูลสถานที่ทราบ นอกจากนี้ ใน Google , เกี่ยวกับ 25 PB ของข้อมูลที่ถูกสร้างขึ้น ต่อวัน และส่วนที่สำคัญของข้อมูลที่ตกอยู่ในขอบเขตของข้อมูลเชิงพื้นที่และเวลา [ 2 ] แนวโน้มนี้จะยิ่งเร่งตั้งแต่โลกจะกลายเป็นมากขึ้นและโทรศัพท์มือถือในวันนี้ ใน”ในอินเดียอินเทอร์เน็ตจราจรจากโทรศัพท์มือถือแล้วที่เกินจากเดสก์ทอปคอมพิวเตอร์ ERS [ 3 ] .
พร้อมกับเพิ่มนี้แบบใหญ่ข้อมูลภูมิสารสนเทศ และความสามารถของคอมพิวเตอร์ประสิทธิภาพสูงจะถูกใช้มากขึ้นกว่าเดิม สำหรับการสร้างแบบจำลองและการจำลอง geospatially en ไม่พิการต่างหากเนื้อหา อย่างไรก็ตาม เนื่องจาก จำกัด แปรรูปพลังงานมันคงยากที่จะใช้ประโยชน์ได้อย่างเต็มที่ หรือความเร็วสูงผ่านการรวบรวมข้อมูลภูมิสารสนเทศในการใช้งานมาก เมื่อเร็ว ๆนี้ , การกระจายการประมวลผลแบบขนานบนกลุ่มของคอมพิวเตอร์ชุด หรือเมฆเช่น Amazon ec21has ถูก becomingwidely สามารถใช้ทำลายข้อจำกัดที่มีอยู่ในพลังการประมวลผล นอกจากนี้ แพลตฟอร์มข้อมูลขนาดใหญ่ เช่น กลุ่ม Hadoop [ 4 ] , [ 5 ]mongodb [ 6 ] และได้รับการพัฒนา เช่น ผู้ใช้สามารถใช้ข้อมูล alytics ซอฟต์แวร์ได้อย่างง่ายดายมากในการกระจายขนาดใหญ่แพลตฟอร์มคอมพิวเตอร์แบบขนาน มันชัดเจนว่า การปรับปรุงล่าสุดเหล่านี้เป็น pro viding เรากับโอกาสมากมายสำหรับการวิเคราะห์ขั้นสูงสำหรับข้อมูล geospatial ใหญ่ [ 7 – 9 ] ตามเก็บ fig.2 hype รอบ ,ใหญ่สำหรับข้อมูล Analytics เป็นของเวทีสูงสุดของพอง expectationsas กรกฎาคม 2555 [ 10 ] .
ใหญ่ข้อมูลใหม่ หรือข้อมูลเชิงพื้นที่เป็นสังคมใหญ่ก็ 11,12 portunities [ OP ] โครงการมิลเลนเนียม ระบุ 15 ความท้าทายระดับโลกที่เป็นมนุษย์ซึ่งเป็น fig.3 [ 13 ] มากของพวกเขาสามารถได้รับประโยชน์จากข้อมูลใหญ่ใหม่ . Shashi เชค [ 14 ] , นักวิทยาศาสตร์คอมพิวเตอร์ชื่อดังกล่าวว่า ความท้าทายที่เกี่ยวข้องกับเจ็ดสำหรับข้อมูลใหญ่ ตามที่ระบุ โดยกล่องในรูป เช่นพลังงาน , Eco จัดเป็นหนึ่งในตัวอย่างที่สามารถประหยัดพลังงานโดยใช้ข้อมูลใหญ่ใหม่ . เทคโนโลยีนี้จะช่วยลดปริมาณการใช้เชื้อเพลิงมากกว่า เวลาเดินทาง หรือระยะทางที่เดินทาง สำหรับวัตถุประสงค์นี้ โค การพยายามหาเส้นทางที่ไม่แออัด เดินเบาที่ไฟสีแดงการเปลี่ยนและการเปลี่ยนแปลงความสูง , และอื่น ๆ com pared ใช้ " เส้นทาง " ที่เร็วที่สุด เลือก ฟอร์ด นักวิจัยบอกว่า การใช้ " เส้นทาง " Eco ตัวเลือกให้มากที่สุดเท่าที่ 15 % ลดการสิ้นเปลืองเชื้อเพลิงในบางส่วนของยานพาหนะ [ 15 ] ของพวกเขา ตอนนี้ในรถฟอร์ดมาก เราสามารถหาเส้นทาง Eco ตัวเลือก ใน fig.4 สถาบันทั่วโลก
McKinsey ทำการศึกษาวิธีการที่ข้อมูลสามารถสร้างสรรค์สิ่งใหม่ ๆในโลกของเราใหญ่ [ 16 ]ส่วนใหญ่ข้อมูลใหม่ ศึกษา กล่าวว่า " การใช้ข้อมูลสถานที่ส่วนบุคคลสามารถบันทึกผู้บริโภคทั่วโลกมากขึ้นกว่า $ 600 ล้านต่อปี ภายในปี 2020 " หนึ่งสามารถหาสถานที่ของผู้ใช้ปัจจุบัน โดยติดตามโทรศัพท์มือถือของพวกเขาเช่นโทรศัพท์สมาร์ท การศึกษากล่าว geosocial เครือข่ายเซอร์ vices เช่น Foursquare ที่ใช้สำหรับค้นหาเพื่อน และหาร้านค้าใกล้เคียง และร้านอาหารที่ผู้ใช้หลายสถานที่ IOUs var และเปิดเผยเช็คอินที่สถานที่ปัจจุบันของพวกเขา [ 17 ] บนมืออื่น ๆ , ตามการศึกษา , ประโยชน์ที่ใหญ่ที่สุดของผู้บริโภคจะได้รับจากเวลา และประหยัดน้ำมันเชื้อเพลิง ขอบคุณที่ใช้บริการ โดยการใช้บัญชีของการจราจรเวลาจริงและข้อมูลสภาพอากาศ ช่วยให้ผู้ขับขี่หลีกเลี่ยงความแออัดของการจราจรและแนะนำเส้นทาง alterna tive .ติดตามตำแหน่งสามารถทำได้โดยการใช้ของโปรแกรมควบคุมโทรศัพท์สมาร์ทหรือระบบตำแหน่งทั่วโลก ( GPS ) ติดตั้งกับรถยนต์