CSC-RS: Leveraging cloud-native serverless computing for large-scale remote sensing data processing
Notice bibliographique
Résumé
The rapid growth in the volume of remote sensing (RS) image data necessitates efficient computational methods to handle large-scale datasets. Traditional RS image processing methods, although effective for small datasets, face significant challenges when scaled up. In this research, we present a novel cloud-native serverless computing framework for RS data processing (CSC-RS), which integrates traditional parallel techniques with modern serverless computing technology. We demonstrate our 5 design principles and the architecture of CSC-RS, then introduce the three-level parallel structure for RS processing acceleration. As for implementation, CSC-RS has a high-performance RS processing core optimized with vectorization and shared memory parallelization techniques. By encapsulating these core functions within a cloud-based serverless wrapper, the framework flies onto the cloud, achieving higher scalability, efficiency, and resource utilization. We validated CSC-RS through a case study of extracting potential sandstorm sources in the middle reaches of the Yarlung Zangbo River over the past 30 years. Results demonstrate significant improvements in processing speed and scalability. CSC-RS was 8.04 times faster than the original unoptimized processing program in this case study. These improvements not only enhance the technical capabilities of remote sensing applications but also provide valuable insights for local sandstorm management and ecological protection. • Leverage a cloud-native serverless computing approach. • Introduce a three-level hybrid parallel structure for acceleration. • Applicable and efficient for complex and large-scale remote sensing processing. • Validated in a real-world case study and support ecological protection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».