This study aims to investigate and identify how to effectively generate blurred geospatial heatmaps for use in geo-spatial map engines. We focus on how to store the points in a way that facilitates efficient window querying, with support for zoom-level handling. We decide on primarily using a Morton-ordered variant of the point-region quadtree, which we name a HeatMap Quadtree (HMQ). The nodes of the HMQ each have access to the points they contain, through storing the number of points and the lower bound of where to look at in the input point set, which we also store in Morton order. The HMQ also has the functionality to allow for window querying at different levels of detail. We parallelize the generation of the HMQ as well as the Gaussian blurring of the raster resulting from the window query using CUDA, and compare this implementation with that of two naive solutions as well as a linear point-region quadtree. In conclusion we find that the HMQ provides a significant improvement in window querying time, at the cost of additional construction time. / Denna studie avser att undersöka och identifiera hur man effektivt kan generera Gaussiskt oskarpa geospatiala värmekartor för användning i geospatiala kartmotorer. Vi fokuserar på hur man ska lagra punkterna på ett sätt som underlättar effektiv `window querying', med stöd för zoomnivå-hantering. Vi bestämmer oss för att huvudsakligen använda oss av en Morton-ordnad variant av ett `point-region quadtree', vilket vi döper till `HeatMap Quadtree' (HMQ). Noderna i vårt HMQ har alla tillgång till punkterna dom innehåller, genom att lagra antalet punkter och den lägre gränsen för var man ska leta efter punkterna i den ursprunliga punktlistan, som vi också lagrar i Morton-ordning. Vårt HMQ har också funktionaliteten att tillåta `window querying' på olika detaljnivåer. Vi parallelliserar genererandet av vårt HMQ samt uträknandet av den Gaussiska oskärpan på rastret som resulterar från vår `window query' med hjälp av CUDA, och jämför denna implementation med två naiva lösningar samt ett linjärt `point-region quadtree'. Vår slutsats är att vårt HMQ ger en signifikant förbättring i `window query'-tid, till en kostnad av extra konstruktionstid.

Profilering är ett underutforskat område inom spelutveckling trots de höga prestandakraven och därmed optimeringsbehov i moderna spel. Detta arbete ämnar underlätta profileringsarbete genom att spatialt visualisera profileringsdata i form av värmekartor och dessutom visualisera GPU- och CPU-bundenhet. Målet med detta arbete var att avancera profileringsområdet inom spelutveckling, att uppmana vidareutveckling av profileringsverktyg för att dra ner på kostnader och tid som i ställetkan spenderas på implementering av ny funktionalitet. Projektet har bidragit till området automatiserad profilering, genom att ta fram en metod för att underlätta tolkningsaspekten av profileringsarbetet och kan därmed bidra till att göra profilering mer tillgängligt för utvecklare som saknar djupgående kunskap kring mjuk- och hårdvara. / <p>Det finns övrigt digitalt material (t.ex. film-, bild- eller ljudfiler) eller modeller/artefakter tillhörande examensarbetet som ska skickas till arkivet.</p><p>There are other digital material (eg film, image or audio files) or models/artifacts that belongs to the thesis and need to be archived.</p>

Complex spatial relationships and patterns in multivariate data are relatively simple to identify visually but di cult to detect computation- ally. For this reason, Anivis, an interactive tool for visual exploration of multivariate quantitative pure serial periodic data was developed. The data has four dimensions depth, laterality, frequency and time. The data was visualized as an animated heatmap, by mapping depth and laterality to coordinates in a pixel grid and frequency to color. Transfer functions were devised to map a single variable to color through parametric curves. Anivis implemented heatmap generation through both weighted sum and deconvolution for comparison reasons. Deconvolution exhibited a to have better theoretical and practical performance. In addition to the heatmap visualization a scatter-plot was added in order to visualize the causal relationships between data points and high value areas in the heatmap visualization. Performance and applicability of the tool were tested and verified on experimental data from the Karolinksa Institute’s Department of Neuroscience. / Komplexa spatiala mo ̈nster och fo ̈rh ̊allanden i multivariat data a ̈r rel- ativt sv ̊ara att identifiera via bera ̈kningar men simpla att identifiera vi- suellt. Att visualisera data fo ̈r denna typ av data-analys anva ̈nds ofta i m ̊anga olika typer av fa ̈lt. Detta motiverade utvecklingen av Anivis; ett interaktivt verktyg fo ̈r visuell utforskning av multivariat kvantitativ data av neural aktivitet. Anivis anva ̈nder sig av dataset baserade p ̊a experi- mentell data fr ̊an en forskningsgrupp p ̊a Karolinska Institutets Institution fo ̈r Neurovetenskap. Dessa fyrdimensionella dataset best ̊ar av ma ̈tningar fr ̊an neuroner i form av deras position, aktivitet i form av frekvens och tidpunkt. Denna data anva ̈nds fo ̈r att generera en animerad heatmap, da ̈r neuroners frekvensva ̈rden visas i form av f ̈arg. Frekvensva ̈rdena om- vandlades till fa ̈rgva ̈rden via ̈overg ̊angsfunktioner som kopplar numeriska va ̈rden till fa ̈rgva ̈rden via parametriserade kurvor. Anivis lyckades imple- mentera tv ̊a olika metoder f ̈or att generera heatmap, viktade summor och dekonvolution. Dessa tv ̊a metoder ja ̈mfo ̈rdes med varandra, varav dekon- volution visade sig vara den teoretiskt och praktiskt e↵ektivaste meto- den. Utvecklingen av Anivis visade a ̈ven behovet fo ̈r ett punktdiagram fo ̈r att visualisera f ̈orh ̊allandet mellan ma ̈tta frekvensv ̈arden och spatial frekvensfo ̈rdelning i heatmappen.