Zukunft der räumlichen Datenbanken?

Es kann ein bisschen vom Thema abweichen. Ich bin gespannt auf die branchenspezifische Bedeutung von Geodatenbanken.

Ist die räumliche Datenbank ein sehr wichtiger Bestandteil eines GIS-Systems? Oder werden wir in naher Zukunft andere Technologien zum Speichern und Abrufen von Geodaten verwenden?

Ich möchte diese Dinge wissen, weil ich in Kürze MS zur räumlichen Datenbankoptimierung betreiben werde.

Geodatenbanken bieten Dienste zum Speichern und Bearbeiten von Geometrien, die im Allgemeinen in einem geodätischen System positioniert sind. Die Bedeutung der räumlichen Datenbank hinter Ihrem GIS hängt hauptsächlich von der Verwendung ab. Im Allgemeinen können Sie jedoch kaum von GIS sprechen, wenn Sie keine geeignete räumliche Datenbank für die Datenspeicherung haben.

Aufgrund der Tatsache, dass Computer nur lineare eindimensionale Daten bearbeiten können, können Sie räumliche Datenbanken in zwei logische Teile aufteilen:

• Geometrie-Manipulation und -Indizierung mit Unterstützung für Geodäsie
• Lagertechnik

Die Algorithmen und die Logik, die für die Geometriemanipulation verwendet werden, sind wirklich spezifisch und werden dann auf "klassische" eindimensionale Daten abgebildet, um sie für die Speicherung direkt mit Computern kompatibel zu machen. Das einzige Merkmal, das einen Fuß in jeder Welt hat, sind die raumbezogenen Indizes, die Algorithmen verwenden, die R-Trees ähneln .

Für die Speicherung kann jede zugrunde liegende Technologie geeignet sein und wird nicht viel an der Art und Weise ändern, wie Sie die räumlichen Daten bearbeiten. Es kann sich um eine SQL-Datenbank (und eine assimilierte Technologie) oder eine Art noSQL- Speicher oder etwas anderes handeln. Die Hauptsache, die sich ändern wird, ist die räumliche Indizierung. Jedes andere Merkmal kann ohne größere Nachteile implementiert werden (auch mit Ausnahme der gelegentlichen zusätzlichen Arbeiten).

Hier ist meine Schlussfolgerung: Wenn Sie lernen, wie Sie Geodaten effizient verarbeiten, und je nachdem, ob Sie in der Lage sind, neue Technologien zu erlernen, können Sie die tatsächlich verwendete Technologie anpassen. Das Erlernen der allgemeinen Konzepte hinter räumlichen Daten, insbesondere für die relationale Manipulation, ist der schwierige Teil und verwendet ausgereifte Konzepte, die sich wahrscheinlich nicht ändern.

Ich habe keine so gründliche Antwort wie Valise, aber ich denke, dass die Verwendung von Graph (NoSQL) -Datenbanken für das Speichern und Abrufen von Geodaten eine Zukunft bietet. Die Graphenstruktur wird in GIS-Daten bereits sehr häufig verwendet (denken Sie an Knoten und Bögen). Es gibt bereits einige Bemühungen, aber ich habe sie nicht verwendet. Siehe Neo4j Spatial zum Beispiel: http://wiki.neo4j.org/content/Neo4j_Spatial . Diagramme können auch verwendet werden, um die oben genannten Indizes zu speichern ...

Nur meine zwei Cent ...

Räumliche Datenbankverwaltungssysteme sind in GIS sehr wichtig. Ein Schwerpunkt lag seit jeher auf räumlichen Datenbanken, die auf dem relationalen Modell basieren . Es gibt jedoch zahlreiche Beispiele für unterschiedliche Datenmodelle und Verarbeitungsansätze, die verwendet werden können:

• Rasterdaten verwenden auf Matrizen basierende Strukturen.
• Räumliche Indizes verwenden Baumdatenstrukturen .
• Die Netzwerkanalyse verwendet Datenstrukturen und Algorithmen im Zusammenhang mit der Graphentheorie .

Alle diese Ansätze haben einen Platz im GIS und Vor- und Nachteile. Aus der Sicht des GIS-Benutzers ist eine räumliche Datenbank eine Abstraktion, die eine bestimmte Datenstruktur und eine Reihe von Algorithmen verbirgt. Sie müssen die Feinheiten der Prädikatenlogik nicht kennen, um eine Bounding-Box-Abfrage durchzuführen.

Persönlich sehe ich die Zukunft räumlicher Datenbanken als divergent an. Wir verstecken mehr von der zugrunde liegenden Technologie und erleichtern es den Benutzern, GIS-Fragen zu stellen und Karten zu erstellen. Gute Beispiele sind SimpleGeo , Google Maps APIs und Fusion Tables. Auf der anderen Seite ziehen wir Code aus anderen Bereichen ein, wie zum Beispiel R für die Rasteranalyse und die Verwendung von Graphdatenbanken, wie von dslamb erwähnt.