数字城市是智慧城市重要的组成部分,也同时面临着海量空间数据获取、管理、分析和挖掘等挑战。移动互联网的发展使得网络空间数据呈现爆炸式增长,其中蕴含的信息对智慧城市建设有着重要的参考建议,然而这些数据存在着异质性、不规则性和海量性等特点,使得空间数据查询、空间数据挖掘和空间知识提取愈发难以处理。传统的空间分析工具面对上述需求往往捉襟见肘,本文对当前流行的并行计算框架Spark进行空间扩展,构建Spatial-Spark并行空间计算框架。以此为基础,对海量新浪微博POI进行同位模式挖掘,对全国新浪微博用户空间位置进行人口网络图分析,本文所作的工作和结论如下:(1)对 Spark RDD((Resilient Distributed Datasets)进行空间维度上扩展,对点、线和面构建了相应的Spatial RDD,支持海量空间数据读写、空间坐标转换和分区空间数据索引。提供空间拓扑查询、空间K邻居查询和空间连接查询三个常用的空间查询模块,通过搭建Hadoop/Spark计算集群,验证了 Spatial-Spark在处理海量空间数据方面的优势。(2)使用新浪微博API获取全国范围内微博POI数据,对其进行同位模式挖掘。首先分析同位模式挖掘算法的关键,使用Spatial-Spark对全连接算法进行并行化设计。对上海、武汉和重庆三市二阶模式进行比较,不同城市呈现不同模式;选择距离阈值d = 500m和空间参与度阈值0.6,对北京市微博POI类别进行同位模式挖掘,结果显示阶数越高越呈现商业聚集模式,其中最高六阶模式为(KTV,中餐厅,咖啡厅,甜品店,美容美发店,酒吧)。(3)根据全国新浪微博用户在2016年春节期间的空间位置数据,使用Spatial-Spark构建全国城市之间人口流动网络图。首先计算每个城市人口流入量、流出量和流入流出比,发现全国城市在春节期间人口流动呈现多样性;然后采用PageRank算法计算城市在人口流动网络图中的权重,发现城市权重与城市GDP发展的存在相关性,并根据权重将中心城市划分四个层次;最后对社群挖掘算法进行并行化改进,对人口流动网络图进行社群挖掘,发现城市联系紧密性与省份有关,地理位置对其影响很大,但也存在突破地理空间位置限制的城市。