一、查询计划
查询计划是将GeoTools的查询（Query ）转换为底层数据扫描和筛选的过程。几个步骤：
1、CQL过滤器(如果有的话)被重写并优化，以实现快速评估
2、CQL过滤器根据可用的索引进行拆分
3、选择一个可用索引来执行查询
4、逻辑查询计划由核心的GeoMesa索引代码创建
5、为特定的后端数据库创建物理查询计划
在GeoMesa中，逻辑查询计划通常由一个“主”CQL过滤器(用于确定扫描范围)和一个“辅助”CQL过滤器(用于匹配行)组成。
在查询计划的第二步中，对整个过滤器进行分解并检查可用的索引。对于每个索引，将确定主过滤器和辅助过滤器(如果有的话)。
例如对于过滤器：BBOX(geom,0,0,10,10) AND dtg DURING 2017-01-01T00:00:00.000Z/2017-01-02T00:00:00.000Z AND name = ‘alice’.
对Z2索引来说，主过滤器为BBOX
对于Z3索引来说，主过滤器为BBOX和DURING
对于属性索引来说，主过滤器为name = ‘alice’
二、索引选择
由于跳过行要比读取和过滤它们快得多，所以最好的查询计划通常是扫描最少行。换句话说，最好的方案是具有最优主过滤器的方案。GeoMesa有两种方法来确定最佳索引—基于成本的，或基于启发式的。
三、基于成本的策略
GeoMesa将在摄入期间收集统计信息，并将其存储起来，以便在查询规划中使用。所收集的统计数字如下:
1、总数
2、最小/最大的默认几何，默认日期和任何属性索引
3、用于默认几何图形、默认日期和任何索引属性的直方图
4、任何索引属性的频率，按周划分
5、任何属性索引的Top-k
6、基于默认几何形状和默认日期的Z3直方图(如果同时存在)
这些统计数据用于估计匹配给定主过滤器的feature的数量（选择匹配最少特性的主过滤器）。
三、启发式策略
对于查询计划，启发式策略可以仅基于查询过滤器。
四、自定义策略
通过geomesa.strategy.decider来指定，自己指定的类需要实现org.locationtech.geomesa.index.planning.StrategyDecider
五、基数提示
对于有许多不同值(即高基数)的属性可以通过索引过滤掉许多数据，因此对属性索引的查询将涉及相对较少的记录。而布尔属性只有两个不同的值，可能需要扫描整个数据集的一半。如果属性被标记为具有高基数，则属性索引优先级较高。相反，如果属性的基数较低，则属性索引将优先级较低。
六、解释查询计
GeoMesa将在查询执行期间自动记录解释计划。（在调试查询问题时很有用）
为了显示解释日志，可以将org.locationtech.geomesa.index.utils.Explainer 设置为 trace
例如，在log4j中：log4j.category.org.locationtech.geomesa.index.utils.Explainer=TRACE
也可以在不执行查询时生成解释日志：
import org.locationtech.geomesa.index.utils.ExplainString
dataStore.getQueryPlan(query, explainer = new ExplainPrintln)
其中：ExplainPrintln—写入System.out
ExplainLogging—重定向到其他地方