Otimizador de Particionamento Espaço-Temporal para Séries de Dados Matriciais

• Ana Paula B. Pereira Universidade de Londrina (UEL)
• Leonardo D. Fuzikawa Universidade de Londrina (UEL)
• Geovani P. Santos Universidade de Londrina (UEL) https://orcid.org/0009-0009-3912-8996
• Daniel S. Kaster Universidade de Londrina (UEL)

DOI: https://doi.org/10.5753/sbbd.2026.249657

Resumo

O gerenciamento de dados matriciais exige estratégias de particionamento devido ao seu grande volume, como o particionamento espaço-temporal, que pode ser aplicado a séries matriciais. Embora existam sistemas que lidam com esses dados, geralmente é necessária a intervenção do usuário para definir as configurações dos particionamentos. Este trabalho propõe um otimizador de particionamento espaço-temporal para séries de dados matriciais a fim de tomar decisões de particionamento com base na carga de trabalho. Foram realizados experimentos com cargas de trabalho dispostas em diferentes contextos de sobreposição espacial e temporal, onde o método proposto reduziu o número de acessos a bloco em 57,66%, em média.

Palavras-chave: Bancos de dados multidimensionais e temporais, Bancos de dados espaço-temporais, Armazenamento, indexação e projeto físico de bancos de dados

Referências

Aly, A. M., Mahmood, A. R., Hassan, M. S., Aref, W. G., Ouzzani, M., Elmeleegy, H., and Qadah, T. (2015). Aqwa: adaptive query workload aware partitioning of big spatial data. Proceedings of the VLDB Endowment, 8(13):2062–2073.

Baumann, P., Misev, D., Merticariu, V., and Huu, B. P. (2021). Array databases: Concepts, standards, implementations. Journal of Big Data, 8:1–61.

Brown, P. G. (2010). Overview of scidb: large scale array storage, processing and analysis. In Proceedings of the 2010 ACM SIGMOD International Conference on Management of data, pages 963–968.

Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P., Martimort, P., et al. (2012). Sentinel-2: Esa’s optical high-resolution mission for gmes operational services. Remote sensing of Environment, 120:25–36.

Fu, Y., Zhu, Z., Liu, L., Zhan, W., He, T., Shen, H., Zhao, J., Liu, Y., Zhang, H., Liu, Z., et al. (2024). Remote sensing time series analysis: A review of data and applications. Journal of Remote Sensing, 4:0285.

Hojati, M., Roberts, S., and Robertson, C. (2024). Dstree: A spatio-temporal indexing data structure for distributed networks. Mathematical and Computational Applications, 29:42.

Hu, F., Yang, C., Jiang, Y., Li, Y., Song, W., Duffy, D. Q., Schnase, J. L., and Lee, T. (2020). A hierarchical indexing strategy for optimizing apache spark with hdfs to efficiently query big geospatial raster data. International Journal of Digital Earth, 13:410–428.

Li, Z., Hu, F., Schnase, J. L., Duffy, D. Q., Lee, T., Bowen, M. K., and Yang, C. (2017). A spatiotemporal indexing approach for efficient processing of big array-based climate data with mapreduce. International Journal of Geographical Information Science, 31(1):17–35.

Miller, L., Pelletier, C., and Webb, G. I. (2024). Deep learning for satellite image time-series analysis: A review. IEEE Geoscience and Remote Sensing Magazine, 12(3):81–124.

Oracle (2026). Oracle spatial and graph. [link].

PostGIS (2026). Postgis — spatial and geographic objects for postgresql. [link].

Santos, G. P. and Kaster, D. S. (2025). Particionamento dinâmico espaço-temporal para séries de dados matriciais. In Simpósio Brasileiro de Banco de Dados (SBBD), pages 549–562. SBC.

Soltani, K., Padmanabhan, A., and Wang, S. (2022). Geobalance: workload-aware partitioning of real-time spatiotemporal data. GeoInformatica, 26(1):67–94.