Analyse quantitative du paysage visible avec le logiciel PixScape et utilisation des ressources HPC (multicore, GPU ou cluster)

Analyse quantitative du paysage visible avec le logiciel PixScape et utilisation des ressources HPC (multicore, GPU ou cluster) Yohan Sahraoui 1,2, Gilles Vuidel 1 1 UBFC, CNRS,ThéMA UMR 6049 2 UBFC, CNRS, MSHE C.N. Ledoux USR 3124

Introduction Modéliser le paysage visible S immiscer dans un environnement paysager reconstruit à partir des données spatiales Capter une information potentiellement visible par des observateurs virtuels parcourant l espace

Introduction Modéliser le paysage visible S immiscer dans un environnement paysager reconstruit à partir des données spatiales Capter une information potentiellement visible par des observateurs virtuels parcourant l espace Exemples d application Evaluations paysagères (diagnostics paysagers, évaluation de la qualité esthétique du paysage, etc.) Etudes d impacts d aménagement (infrastructures de transport, développement urbain, parcs éoliens, etc.)

Introduction Modéliser le paysage visible S immiscer dans un environnement paysager reconstruit à partir des données spatiales Capter une information potentiellement visible par des observateurs virtuels parcourant l espace Exemples d application Evaluations paysagères (diagnostics paysagers, évaluation de la qualité esthétique du paysage, etc.) Etudes d impacts d aménagement (infrastructures de transport, développement urbain, parcs éoliens, etc.) Positionnement par rapport aux logiciels existants Systèmes d Information Géographiques (SIG) commerciaux et grand public Facilité de prise en main pour un professionnel Fonctionnalités restreintes Programmes «prototype» de laboratoire Fonctionnalités avancées et spécifiques à des problématiques données Pas de diffusion à un large public

Introduction Modéliser le paysage visible S immiscer dans un environnement paysager reconstruit à partir des données spatiales Capter une information potentiellement visible par des observateurs virtuels parcourant l espace Exemples d application Evaluations paysagères (diagnostics paysagers, évaluation de la qualité esthétique du paysage, etc.) Etudes d impacts d aménagement (infrastructures de transport, développement urbain, parcs éoliens, etc.) Positionnement par rapport aux logiciels existants Systèmes d Information Géographiques (SIG) commerciaux et grand public Facilité de prise en main pour un professionnel Fonctionnalités restreintes Programmes «prototype» de laboratoire Fonctionnalités avancées et spécifiques à des problématiques données Pas de diffusion à un large public Proposition d un outil logiciel open-source intégrant l ensemble des fonctionnalités existantes

Données spatiales 3 types de données spatiales numériques en entrée Mode d occupation du sol (MOS) Caractérisation de la couverture de la surface d'un territoire Modèle numérique d élévation (MNE) Caractérisation du développement vertical des objets pouvant cacher la vue Modèle numérique de terrain (MNT) Reconstitution de l architecture physique du paysage Seule information indispensable à la création d un projet dans PixScape Analyses en 2D ½ et non en 3D

Analyses planimétriques Méthode des rayons divergents (Fisher, 1996, Joly et al. 2009) Simulation du regard d un observateur virtuel autour de lui et mesure de la quantité d espace visible

Analyses tangentielles Méthode des surfaces angulaires (Germino et al., 2011) Mesure du paysage visible dans la rétine d un observateur virtuel à partir du développement vertical des objets du paysage Surface angulaire de l objet ABCD = (AOB) (AOD) où O correspond à la rétine de l observateur

Calcul de métriques de visibilité Principe de calcul des métriques de visibilité Calcul de métriques de visibilité 1. Métriques de composition Part des différentes catégories d OS Diversité (indice de Shannon) 2. Métriques de configuration Fragmentation du paysage (CONTAG / IJI) Configuration de la ligne d horizon Ouverture Texture

Pixscape Pixscape est développé en Java et implémente 3 méthodes de parallélisation utilisables sur le mésocentre Thread : plusieurs coeurs/processeurs sur une même machine MPI : plusieurs coeurs/processeurs sur plusieurs machines GPU (CUDA) : une (ou plusieurs) carte graphique contenant des milliers de petits coeurs sur une machine 1 / 9

Parallélisation Parallélisation simple sans dépendance : map-reduce. Développement d une couche d abstraction pour la parallélisation Thread/MPI même code pour les 2 types de parallélisation Le GPU demande un développement spécifique 2 / 9

Parallélisation La parallélisation ne se fait pas au même niveau de l algorithme : Thread/MPI : chaque coeur calcule le bassin de visibilité d un point et les métriques GPU : le calcul du bassin de visibilité est parallélisé, chaque coeur calcule un rayon pour être efficace, il faut paralléliser aussi les métriques 3 / 9

GPU Parallélisation des métriques difficile. Exemple, la somme d un tableau en CUDA (métrique A) 1 s h a r e d i n t s d a t a [NCORE ] ; 2 unsigned i n t t i d = t h r e a d I d x. x ; 3 unsigned i n t i = b l o c k I d x. x NCORE + t i d ; 4 unsigned i n t g r i d S i z e = NCORE griddim. x ; 5 s d a t a [ t i d ] = 0 ; 6 w h i l e ( i < n ) { 7 s d a t a [ t i d ] += g i d a t a [ i ] ; i += g r i d S i z e ; 8 } 9 s y n c t h r e a d s ( ) ; 10 i f (NCORE >= 512) { i f ( t i d < 256) { s d a t a [ t i d ] += s d a t a [ t i d + 2 5 6 ] ; } s y n c t h r 11 i f (NCORE >= 256) { i f ( t i d < 128) { s d a t a [ t i d ] += s d a t a [ t i d + 1 2 8 ] ; } s y n c t h r 12 i f (NCORE >= 128) { i f ( t i d < 64) { s d a t a [ t i d ] += s d a t a [ t i d + 6 4 ] ; } s y n c t h r e a 13 i f ( t i d < 32) { 14 s d a t a [ t i d ] += s d a t a [ t i d + 3 2 ] ; 15 s y n c t h r e a d s ( ) ; 16 s d a t a [ t i d ] += s d a t a [ t i d + 1 6 ] ; 17 s y n c t h r e a d s ( ) ; 18 s d a t a [ t i d ] += s d a t a [ t i d + 8 ] ; 19 s y n c t h r e a d s ( ) ; 20 s d a t a [ t i d ] += s d a t a [ t i d + 4 ] ; 21 s y n c t h r e a d s ( ) ; 22 s d a t a [ t i d ] += s d a t a [ t i d + 2 ] ; 23 s y n c t h r e a d s ( ) ; 24 s d a t a [ t i d ] += s d a t a [ t i d + 1 ] ; 25 } 26 i f ( t i d == 0) 27 g o d a t a [ b l o c k I d x. x ] = s d a t a [ 0 ] ; 4 / 9

Performances Métrique IJI non implémentée en CUDA 5 / 9

Performances 6 / 9

Intérêts Thread : solution la plus simple à mettre en oeuvre, fonctionne partout MPI : solution la moins limitée en puissance de calcul GPU : plus économique (et écologique!) 7 / 9

Limites Thread : plus faible en capacité de calcul MPI : gestion mémoire délicate avec Java GPU : mise en oeuvre plus lourde, pour une bonne exécution, demande de coder chaque métrique en code GPU 8 / 9

GPU? GPU plus économique en exécution mais plus long en développement! Passer de CUDA à OpenCL pour une utilisation plus large (GPU, Xeon Phi,...) 9 / 9