水流方向信息是水系网络提取过程中重要的输入数据。由于平地是没有局部高程梯度的区域,平地上的水流方向复杂,所以平地水流方向信息提取是整个水系网络提取中的重点和难点。同时,随着数字高程模型（DEM）精度的增加,DEM的数据量越来越大,传统的串行算法已经不能处理日益增加的数据量。为满足大数据量DEM上平地水流方向快速自动化提取的需求,本文改进了现有的平地水流方向串行提取算法,并设计了平地水流方向并行提取算法。具体研究如下:（1）本文提出了一种改进的平地水流方向串行提取算法。该改进的串行算法减少了计算过程中队列中的栅格数目,保证每个平地栅格只进入队列一次,避免重复进入队列。并且在计算平地栅格与低地势之间的测地线距离的过程中,能直接获取该栅格的水流方向信息,提高了算法的运行速度。由结果可知,改进的串行算法与Barnes算法相比,平均运行速度提高了13%;与G&M算法和Barnes算法相比,运行速度最快。因此该改进的串行算法效率更高,更适合作为算法基础应用于平地水流方向并行提取算法中。（2）基于三步并行框架和改进的串行算法,本文提出了一种平地水流方向并行提取算法。该并行算法首先将预先划分的数据块分配给多个子进程处理,子进程为这些数据块构造包含数据块边界平地栅格与高低地势之间的测地线距离的局部图。子进程处理完成后把局部图发送给主进程,主进程基于所有的局部图构建全局图,并计算数据块的边界平地栅格与高低地势之间的全局测地线距离,并将全局信息发送给子进程。最后,子进程更新每个数据块的测地线距离,并提取水流方向信息。由结果可知,平地水流并行提取算法在计算效率和内存使用上,相比串行算法都有明显的优势。在计算效率方面,当子进程数量达到35时,该并行算法的加速比大于7。当子进程的数量达到30时,平均强可扩展性效率大约在30%;当子进程的数量大于5时,弱可扩展性效率低于20%。在内存使用优化方面,该并行算法使用一个子进程和一个主进程所使用的内存远远小于串行算法所使用的内存。因此该并行算法能处理串行算法所不能处理的大数据量。（3）由于平地水流方向并行提取算法的局部图构建非常复杂,因此本文进一步提出了一种快速平地水流方向并行提取算法。该并行算法通过计算数据块的边界平地栅格与高地势以及低地势的近似测地线距离简化了局部图的构建。当子进程个数达到30时,该并行算法的加速比大于6,强可扩展性的效率达到20%;当子进程个数达到8时,弱可扩展性低于10%。虽然快速平地水流方向并行提取算法得到的是近似测地线距离,但是该并行算法与平地水流方向信息并行提取算法的运行结果的相似度达到了96.1%以上,并且极大减少了运行时间和内存使用量。