Giriiş: Bazen uygulamanızda kullanıcı konumlarını haritalamak veya coğrafi verileri analiz etmek gibi jeo-uzamsal işlevleri gerçekleştirme ihtiyacıyla karşılaşabilirsiniz. Bu görevler için GDAL, Shapely ve Python için Geopandas gibi çok sayıda dile özgü kitaplık mevcuttur. Alternatif olarak, jeo-uzamsal işlevsellik veritabanları aracılığıyla uygulanabilir; örneğin, PostGIS uzantısını PostgreSQL gibi ilişkisel bir veritabanıyla kullanabilir veya Azure CosmosDB gibi dağıtılmış bir veritabanındaki uzamsal veri türleri için yerel destekten yararlanabilirsiniz. Ancak Redis veya Google Spanner gibi arka uç depolama alanınız uzamsal sorguları yerel olarak desteklemiyorsa ve büyük ölçekli coğrafi uzamsal sorguları işlemeniz gerekiyorsa bu makale sizin için özel olarak hazırlanmıştır. Seçeneklerim Nelerdir? Uzamsal verileri işlemek için her zaman başka bir mikro hizmet oluşturabilirsiniz, ancak bu seçenek genellikle ek bir uygulamanın bakımını yapma yükünü içerir. Diğer bir yaklaşım ise S2 ve H3 gibi coğrafi indeksleme kütüphanelerini kullanmaktır. Google tarafından geliştirilen S2, Hilbert eğrisini temel alırken, Uber tarafından geliştirilen H3, jeodezik ayrık küresel ızgara sistemini temel alıyor. S2 ve H3 pek çok benzerliğe sahiptir: her ikisi de belirli bir bölgeyi hücrelere böler ve bu hücreleri indekslemek için 64 bitlik tamsayılar kullanır. Ancak asıl fark hücrelerin şeklindedir; S2 kare şekilli hücreleri kullanırken H3 altıgen şekilli hücreleri kullanır. Bazı uygulamalar için H3 daha iyi performans sunabilir. Ancak genel olarak her iki kütüphane de yeterli olacaktır. Bu yazımızda S2 kullanacağız ancak benzer işlevleri H3 kullanarak da gerçekleştirebilirsiniz. Google S2 Kütüphanesinin Temel Kavramları Hücreler: S2, küreyi her biri benzersiz bir 64 bit tanımlayıcıya sahip hücrelere böler. Hücre Düzeyleri: Hiyerarşi, büyük bölgelerden küçük hassas alanlara kadar farklı ayrıntı düzeylerine izin verir. Her seviye farklı bir çözünürlüğü temsil eder: Seviye 0: Dünya yüzeyinin önemli bir bölümünü kaplayan en büyük hücreler. Daha Yüksek Seviyeler: Hücreler giderek daha küçük çeyreklere bölünür. Örneğin, Düzey 1 hücrelerinin her biri dört Düzey 2 hücreye bölünür ve bu böyle devam eder. Çözünürlük ve Alan: Daha yüksek seviyeler, daha iyi çözünürlüklere ve daha küçük hücre alanlarına karşılık gelir. Bu hiyerarşi, farklı ayrıntı düzeylerinde hassas indekslemeye ve sorgulamaya olanak tanır. Aşağıdaki tablo, karşılık gelen alanlarla birlikte çeşitli hücre seviyelerini göstermektedir. seviye minimum alan maksimum alan ortalama alan birimler Hücre sayısı 00 85011012.19 85011012.19 85011012.19 km2 6 01 21252753.05 21252753.05 21252753.05 km2 24 02 4919708.23 6026521.16 5313188.26 km2 96 03 1055377.48 1646455.50 1328297.07 km2 384 04 231564.06 413918.15 332074.27 km2 1536 05 53798.67 104297.91 83018.57 km2 6K 06 12948.81 26113.30 20754.64 km2 24K 07 3175.44 6529.09 5188.66 km2 98 bin 08 786.20 1632,45 1297.17 km2 393 bin 09 195.59 408.12 324.29 km2 1573K 10 48.78 102.03 81.07 km2 6 milyon 11 12.18 25.51 20.27 km2 25 milyon 12 3.04 6.38 5.07 km2 100 milyon 13 0,76 1.59 1.27 km2 402 milyon 14 0.19 0.40 0,32 km2 1610M 15 47520.30 99638.93 79172.67 m2 6B 16 11880.08 24909.73 19793.17 m2 25B 17 2970.02 6227.43 4948.29 m2 103B 18 742.50 1556,86 1237.07 m2 412B 19 185.63 389.21 309.27 m2 1649B 20 46.41 97.30 77.32 m2 7T 21 11.60 24.33 19.33 m2 26T 22 2.90 6.08 4.83 m2 105 ton 23 0,73 1.52 1.21 m2 422T 24 0,18 0,38 0.30 m2 1689T 25 453.19 950.23 755.05 cm2 7e15 26 113.30 237.56 188.76 cm2 27e15 27 28.32 59.39 47.19 cm2 108e15 28 7.08 14.85 11.80 cm2 432e15 29 1.77 3.71 2.95 cm2 1729e15 30 0,44 0,93 0,74 cm2 7e18 Sağlanan tablodan, S2 kullanarak 0,44 cm^2'ye kadar haritalama hassasiyeti elde edebileceğiniz açıktır. Bir S2 hücresinin her karesinde, aynı ebeveyni paylaşan bir alt hücre bulunur, bu da hiyerarşik bir yapıya işaret eder. Hücrenin düzeyi statik bir değer olabilir (tüm hücrelere uygulanan aynı düzey) veya S2'nin hangi çözünürlüğün en iyi şekilde çalıştığına karar vereceği dinamik olabilir. En Yakın Komşuların Hesaplanması Bir örnekle başlayalım. Seattle bölgesi için yakınlık hizmeti benzeri özellikler sağlayan bir uygulama yazdığımızı düşünün. Verilen civardaki kafelerin bir listesini döndürmek istiyoruz. Bu işlemleri gerçekleştirmek için bu görevi 4 alt göreve ayıracağız: Seattle haritası yükleniyor S2 hücrelerini Seattle haritasında görselleştirin Birkaç kahve dükkanı konumunu veritabanında saklayın En yakın kahve dükkanlarını sorgula Seattle Haritası Yükleniyor Bir Google haritasını yüklemek için gmplot kütüphanesini kullanırız. Bu kitaplığın yüklenmesi için bir Google Haritalar API anahtarı gerekiyor. API anahtarını oluşturmak için talimatları izleyin. buradaki import gmplot import const # plot seattle with zoom level 13 gmap = gmplot.GoogleMapPlotter(47.6061, -122.3328, 13, apikey=const.API_KEY) # Draw the map to an HTML file: gmap.draw('map.html') Yukarıdaki kod aşağıda gösterildiği gibi bir harita.html dosyası oluşturur: S2 Hücrelerini Seattle Haritasında Görselleştirin Artık haritamız olduğuna göre haritalar için bazı S2 hücreleri çizelim: from s2 import * import gmplot # plot seattle with zoom level 13 gmap = gmplot.GoogleMapPlotter(47.6061, -122.3328, 13, apikey=const.API_KEY) areatobeplotted = [ (47.64395531736767,-122.43597221319135), (47.51369277846956,-122.43597221319135), (47.51369277846956,-122.24156866779164), (47.64395531736767,-122.24156866779164), (47.64395531736767,-122.43597221319135) ] region_rect = S2LatLngRect( S2LatLng.FromDegrees(47.51369277846956,-122.43597221319135), S2LatLng.FromDegrees(47.64395531736767, -122.24156866779164)) coverer = S2RegionCoverer() coverer.set_min_level(8) coverer.set_max_level(15) covering = coverer.GetCovering(region_rect) geoms = 0 for cellid in covering: new_cell = S2Cell(cellid) vertices = [] for i in range(0, 4): vertex = new_cell.GetVertex(i) latlng = S2LatLng(vertex) vertices.append((latlng.lat().degrees(), latlng.lng().degrees())) gmap.polygon(*zip(*vertices), face_color='pink', edge_color='cornflowerblue', edge_width=5) geoms+=1 gmap.polygon(*zip(*areatobeplotted), face_color='red', edge_color='green', edge_width=5) print(f"Total Geometries: {geoms}") gmap.draw('/tmp/map.html') Output: Total Geometries: 273 Yukarıdaki kodda, öncelikle Google Harita çizicisini Seattle bölgesi etrafında ortalıyoruz. , bölge kapsayıcıyı minimum seviye 8 ile maksimum seviye 15 arasında dinamik seviyelere sahip olacak şekilde başlatırız. Bu, S2'nin en iyi uyum için tüm hücreleri dinamik olarak belirli hücre boyutlarına sığdırmasına olanak tanır. yöntemi, Seattle alanının etrafındaki bir dikdörtgenin kaplamasını döndürür. S2RegionCoverer GetCovering Daha sonra, her bir hücre üzerinde yinelemeler yaparak hücrelerin köşelerini hesaplıyoruz ve bunları harita üzerinde işaretliyoruz. Oluşturulan hücre sayısını 273 civarında tutuyoruz. Son olarak giriş dikdörtgenini kırmızı renkle çiziyoruz. Bu kod, S2 hücrelerini Seattle haritası üzerinde adresinde aşağıda gösterildiği gibi çizecektir: /tmp/map.html Birkaç Kahve Dükkanı Konumunu Veritabanında Saklayın S2 hücre tanımlayıcılarıyla birlikte kahve dükkanlarının bir veritabanını oluşturalım. Bu hücreleri istediğiniz herhangi bir veritabanında saklayabilirsiniz. Bu eğitim için bir SQLite veri veritabanı kullanacağız. Aşağıdaki kod örneğinde , ve olmak üzere 3 alanlı tablosu oluşturmak için SQLite veritabanına bağlanıyoruz. Id name cell_id CoffeeShops Önceki örneğe benzer şekilde hücreleri hesaplamak için kullanıyoruz ancak bu sefer noktaları çizmek için sabit bir seviye kullanıyoruz. Son olarak hesaplanan kimlik bir dizeye dönüştürülür ve veritabanında saklanır. S2RegionCoverer import sqlite3 from s2 import S2CellId,S2LatLng,S2RegionCoverer # Connect to SQLite database conn = sqlite3.connect('/tmp/sqlite_cells.db') cursor = conn.cursor() # Create a table to store cell IDs cursor.execute('''CREATE TABLE IF NOT EXISTS CoffeeShops ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT, cell_id TEXT )''') coverer = S2RegionCoverer() # Function to generate S2 cell ID for a given latitude and longitude def generate_cell_id(latitude, longitude, level=16): cell=S2CellId(S2LatLng.FromDegrees(latitude, longitude)) return str(cell.parent(level)) # Function to insert cell IDs into the database def insert_cell_ids(name,lat,lng): cell_id = generate_cell_id(lat, lng) cursor.execute("INSERT INTO CoffeeShops (name, cell_id) VALUES (?, ?)", (name, cell_id)) conn.commit() # Insert cell IDs into the database insert_cell_ids("Overcast Coffee", 47.616656277302155, -122.31156460382837) insert_cell_ids("Seattle Sunshine", 47.67366852914391, -122.29051997415843) insert_cell_ids("Sip House", 47.6682364706238, -122.31328618043693) insert_cell_ids("Victoria Coffee",47.624408595334536, -122.3117362652041) # Close connection conn.close() Bu noktada kahvehanelerin hücre seviyesi için seçilen çözünürlüğe göre belirlenen hücre kimlikleriyle birlikte saklandığı bir veritabanına sahibiz. En Yakın Kahve Dükkanlarını Sorgulayın Son olarak Üniversite Bölgesi bölgesindeki kafeleri sorgulayalım. import sqlite3 from s2 import S2RegionCoverer,S2LatLngRect, S2LatLng # Connect to SQLite database conn = sqlite3.connect('/tmp/sqlite_cells.db') cursor = conn.cursor() # Function to query database for cells intersecting with the given polygon def query_intersecting_cells(start_x,start_y,end_x,end_y): # Create S2RegionCoverer region_rect = S2LatLngRect( S2LatLng.FromDegrees(start_x,start_y), S2LatLng.FromDegrees(end_x,end_y)) coverer = S2RegionCoverer() coverer.set_min_level(8) coverer.set_max_level(15) covering = coverer.GetCovering(region_rect) # Query for intersecting cells intersecting_cells = set() for cell_id in covering: cursor.execute("SELECT name FROM CoffeeShops WHERE cell_id >= ? and cell_id<=?", (str(cell_id.range_min()),str(cell_id.range_max()),)) intersecting_cells.update(cursor.fetchall()) return intersecting_cells # Query for intersecting cells intersecting_cells = query_intersecting_cells(47.6527847,-122.3286438,47.6782181, -122.2797203) # Print intersecting cells print("Intersecting cells:") for cell_id in intersecting_cells: print(cell_id[0]) # Close connection conn.close() Output: Intersecting cells: Sip House Seattle Sunshine Aşağıda hücrelerin görsel bir temsili bulunmaktadır. Kısalığı korumak için aşağıdaki görselleştirme kodu eklenmemiştir. Tüm alt ve üst hücreler bir öneki paylaştığından, bu iki değer arasındaki tüm hücreleri elde etmek için minimum ve maksimum arasındaki hücre aralıklarını sorgulayabiliriz. Örneğimizde kahve dükkanını sorgulamak için aynı prensibi kullanıyoruz Çözüm: Bu makalede, jeo-uzaysal sorgulamayı desteklemeyen veritabanlarında coğrafi-uzaysal verileri depolamak ve sorgulamak için coğrafi-indekslemenin nasıl kullanılacağını gösterdik. Bu, 2 nokta arasındaki yönlendirmenin hesaplanması veya en yakın komşuların alınması gibi birden fazla kullanım durumunu kapsayacak şekilde genişletilebilir. Tipik olarak, coğrafi indeksli veritabanı sorgulaması için veriler üzerinde bazı ek işlem sonrası işlemler gerçekleştirmeniz gerekir. Düğümü bunaltmadığımızdan emin olmak için sorgulama ve işlem sonrası mantığının dikkatli bir şekilde değerlendirilmesi gerekir. Referanslar: Google harita çizici - https://github.com/gmplot/gmplot/wiki/GoogleMapPlotter S2 geliştirici kılavuzu - http://s2geometry.io/devguide/ SQLite - https://docs.python.org/3/library/sqlite3.html Azure Cosmos DB coğrafi uzamsal - https://learn.microsoft.com/en-us/azure/cosmos-db/nosql/query/geospatial?tabs=javascript GDAL - https://gdal.org/index.html Shapley- https://shapely.readthedocs.io/en/stable/manual.html Geopandalar - https://geopandas.org Posgis - https://postgis.net/ Google anahtarı - https://cloud.google.com/spanner?hl=tr Redis - https://redis.io/
