地理空间数据分析在生物多样性、移动通讯、网络监控、环境监测等领域应用广泛，如生物地理分析、即时通讯场景的位置共享、手机定位、卫星定位等。因此，大规模地理数据的快速呈现具有重要的理论意义和实际应用价值。然而，由于技术难题，尚无法有效实现地理动态大数据的实时性呈现。实际上，技术问题可以被刻画为一个数学问题，即点在球面多边形内的位置判定。这既是全球地理分析中的必要环节，也是解决该问题的关键所在。由于球面是非欧空间，导致计算过程更为复杂，从而严重影响判定速度。相比投影、经纬度网格等方法，使用六边形网格来判定点的空间位置是可能的途径之一。中国科学院动物研究所白明研究组与软件研究所研究员王文成，提出了基于六边形的自适应层次网格结构和球面信息点的判定方法。该方法可以很好地处理球面的非欧空间约束，从而提高点向多边形的检测效率。同时，这种自适应层次结构的构建面临较多挑战——任务负载、动态内存分配以及数据依赖与同步。因此，该研究进一步提出使用GPU并行计算来实现高效的（Adaptive Hexagonal Hierarchical Grid，AHHG）构建。相比于类似的球面网格划分方法，该方法大幅降低计算开销，并可以更稳定而高效地处理动态变化的情况。这一方法可以很好地应用于生物多样性研究，可以显著提高运算效率和稳定性。例如，在基于AHHG构建的球面体中，从约1.5亿个甲虫地理标点数据集过滤并可视化240万北美甲虫标本地理标点信息仅需95毫秒，比此前研究提出的算法快了877倍。依据白明研究组与海关系统正在合作研究的关口前移有害生物监测技术，项目组计划在远洋货轮上布设智能监测装备，从而可以精准探明货轮在不同国家地区监测到的有害生物，为避免国际纠纷提供科学支撑。然而，货轮在地球上的精准实时害虫风险预测存在一些困难。本研究基于5艘移动的货船在大西洋的航行轨迹和约100万个害虫的动态分布点，平均每帧运行时间为23毫秒，实现了实时监控害虫风险。同时，本研究对于边界不断变化的自然区域，点的判定速度比其他最新优化算法效率更高。例如，可以适用于洪水发展和消退过程中边界的快速追踪、昆虫迁飞区域识别等方面。该技术为地理大数据快速呈现领域提供了目前最快的解决方案，对理论研究和行业应用等方面具有重要支撑作用。此前，白明团队创制了保存高质量DNA的昆虫野外监测装置WET、开发了表型编码网络PENet。科研人员结合本研究提出的使用GPUs创建六边形自适应层次网格，在昆虫标本的采集和高质量监测、表型数据提取和表征、地理大数据的处理等方面提供了一系列高效的新工具和方法，将助力下一代生物分类学发展。相关研究成果以Hexagon-based Adaptive Hierarchies for Effcient Point-in-Spherical-Polygon Tests on GPUs为题，在线发表在《国际地理信息科学杂志》（International Journal of Geographical Information Science TGIS）上。研究工作得到国家重点研发计划、国家自然科学基金、国家科技基础资源调查项目和东北亚生物多样性研究中心等的支持。论文链接图1. 使用GPU构建六边形自适应层次网格（AHHG）的工作流程图图2. AHHG的工作原理图3. 三个AHHG应用实例的截图（视频地址http://beetle.ioz.ac.cn/GAHHG.mp4）