در دو دهه گذشته، سیستم‌های اطلاعات جغرافیایی (GIS) تحول بزرگی را تجربه کرده‌اند. GIS که در گذشته عمدتاً به‌عنوان نرم‌افزاری دسکتاپ برای مدیریت و تحلیل مجموعه‌داده‌های محدود مورد استفاده قرار می‌گرفت، امروزه به سمت پلتفرم‌های وب، ابری و توزیع‌شده حرکت کرده است.
یکی از مهم‌ترین عوامل این تحول، رشد چشمگیر حجم و تنوع داده‌های مکانی است. ماهواره‌ها، پهپادها، سامانه‌های موقعیت‌یابی، حسگرهای اینترنت اشیا (IoT)، دوربین‌های شهری و حتی شبکه‌های اجتماعی، روزانه حجم عظیمی از داده‌هایی را تولید می‌کنند که دارای مؤلفه مکانی هستند.
پردازش و تحلیل این حجم از اطلاعات با معماری‌های سنتی، به‌خصوص زمانی که داده‌ها به‌صورت پیوسته و در مقیاس بزرگ تولید می‌شوند، می‌تواند بسیار پرهزینه و زمان‌بر باشد. در پاسخ به این چالش، ترکیب GIS، کلان‌داده (Big Data)، رایانش ابری (Cloud Computing) و پردازش توزیع‌شده (Distributed Computing) شکل جدیدی از پردازش مکانی را ایجاد کرده است.
در این معماری، به‌جای آنکه تمام داده‌ها روی یک رایانه یا سرور پردازش شوند، ذخیره‌سازی و محاسبات می‌توانند میان مجموعه‌ای از منابع پردازشی توزیع شوند و متناسب با حجم کار، مقیاس سیستم افزایش یا کاهش پیدا کند.
کلان‌داده‌های مکانی (Spatial Big Data) چیست؟
کلان‌داده مکانی به مجموعه‌هایی از داده‌های جغرافیایی گفته می‌شود که از نظر حجم، سرعت تولید، تنوع، کیفیت و ارزش، پردازش آن‌ها با روش‌های سنتی دشوار است.
Big Data معمولاً با پنج ویژگی شناخته می‌شود که به 5V معروف هستند:
۱. حجم (Volume)
تصاویر ماهواره‌ای با وضوح بالا، داده‌های LiDAR، مدل‌های رقومی ارتفاع، داده‌های GPS و داده‌های سنجش‌ازدور می‌توانند در مقیاس بسیار بزرگ تولید و ذخیره شوند.
۲. سرعت (Velocity)
برخی داده‌های مکانی به‌صورت پیوسته و در زمان نزدیک به واقعی تولید می‌شوند؛ مانند موقعیت خودروها، داده‌های حسگرهای شهری، اطلاعات آب‌وهوا، ترافیک و پایش بلایای طبیعی.
در این کاربردها، سیستم GIS باید بتواند داده‌های جدید را با سرعت بالا دریافت، پردازش و در صورت نیاز منتشر کند.
۳. تنوع (Variety)
داده‌های مکانی تنها به لایه‌های برداری محدود نمی‌شوند. یک سامانه GIS ممکن است هم‌زمان با Vector، Raster، DEM، LiDAR، تصاویر ماهواره‌ای، داده‌های حسگر، جداول، ویدئو و داده‌های متنی دارای موقعیت مکانی سروکار داشته باشد.
۴. صحت و اعتبار (Veracity)
کیفیت و قابلیت اعتماد داده نیز اهمیت زیادی دارد. داده‌های مکانی ممکن است دارای خطاهای اندازه‌گیری، عدم دقت مکانی، داده‌های ناقص یا اختلاف در زمان ثبت باشند. بنابراین، مدیریت کیفیت داده بخش مهمی از پردازش کلان‌داده‌های مکانی است.
۵. ارزش (Value)
هدف از پردازش Big Data صرفاً ذخیره‌سازی حجم عظیمی از اطلاعات نیست؛ بلکه استخراج اطلاعات و الگوهای قابل استفاده برای تصمیم‌گیری اهمیت دارد.
چرا پردازش سنتی GIS برای Big Data کافی نیست؟
در معماری‌های سنتی، بخش عمده پردازش روی یک رایانه یا تعداد محدودی سرور انجام می‌شود. با افزایش حجم داده، این معماری با محدودیت‌هایی مانند ظرفیت پردازشی، حافظه، فضای ذخیره‌سازی، زمان اجرای تحلیل و هزینه توسعه زیرساخت مواجه می‌شود.
فرض کنید سازمانی قصد دارد چندین سال تصاویر ماهواره‌ای یک منطقه را پردازش کند و برای هر تصویر شاخص‌های پوشش گیاهی را محاسبه کند. اجرای این فرآیند به‌صورت ترتیبی روی یک سرور می‌تواند زمان زیادی نیاز داشته باشد.
در یک معماری توزیع‌شده، می‌توان داده‌ها یا عملیات پردازشی را میان چندین گره تقسیم کرد و بخش‌های مختلف فرآیند را به‌صورت هم‌زمان اجرا نمود.
اینجاست که رایانش ابری و پردازش توزیع‌شده وارد معماری GIS می‌شوند.
رایانش ابری؛ موتور جدید پردازش مکانی
رایانش ابری مجموعه‌ای از منابع پردازشی، ذخیره‌سازی و سرویس‌های نرم‌افزاری را به‌صورت سرویس در اختیار کاربران قرار می‌دهد. یکی از ویژگی‌های مهم این مدل، امکان استفاده از منابع متناسب با نیاز و مقیاس‌پذیری زیرساخت است.
ترکیب GIS با رایانش ابری چند قابلیت مهم ایجاد می‌کند:
پردازش موازی و توزیع‌شده
در یک معماری توزیع‌شده، یک فرآیند پیچیده مکانی می‌تواند به چندین عملیات کوچک‌تر تقسیم شود و هر بخش روی یک منبع پردازشی مستقل اجرا شود.
برای مثال، پردازش مجموعه بزرگی از تصاویر ماهواره‌ای را می‌توان به‌گونه‌ای طراحی کرد که تصاویر یا محدوده‌های مختلف به‌صورت موازی پردازش شوند.
این رویکرد می‌تواند زمان اجرای بسیاری از پردازش‌های حجیم را نسبت به پردازش ترتیبی کاهش دهد؛ البته میزان این بهبود به نوع الگوریتم، حجم داده، معماری سیستم و منابع سخت‌افزاری بستگی دارد.
مقیاس‌پذیری (Scalability)
در پروژه‌های مکانی، حجم پردازش همیشه ثابت نیست. ممکن است یک سازمان در حالت عادی به منابع محدودی نیاز داشته باشد، اما هنگام وقوع یک بحران یا اجرای یک پروژه بزرگ، حجم پردازش به‌طور ناگهانی افزایش پیدا کند.
معماری ابری امکان افزایش یا کاهش منابع پردازشی متناسب با نیاز را فراهم می‌کند.
دسترسی تحت وب
یکی دیگر از نتایج مهم انتقال GIS به زیرساخت‌های ابری، امکان ارائه داده‌ها و تحلیل‌ها به‌صورت Web GIS و سرویس‌های استاندارد است.
کاربران می‌توانند بدون نصب نرم‌افزارهای سنگین، از طریق مرورگر به نقشه‌ها، لایه‌ها، داشبوردها و سرویس‌های مکانی دسترسی داشته باشند.
ذخیره‌سازی مقیاس‌پذیر
ذخیره حجم زیادی از تصاویر، داده‌های سنجش‌ازدور، مدل‌های سه‌بعدی و سایر داده‌های مکانی نیازمند معماری ذخیره‌سازی مناسب است. زیرساخت‌های ابری و توزیع‌شده می‌توانند فضای ذخیره‌سازی را متناسب با رشد داده افزایش دهند.
معماری GIS ابری و پردازش توزیع‌شده چگونه کار می‌کند؟
در یک معماری مدرن GIS، معمولاً چند لایه اصلی در کنار یکدیگر قرار می‌گیرند:
منابع داده → ذخیره‌سازی → پردازش توزیع‌شده → سرویس‌های مکانی → کاربردها و داشبوردها
برای مثال، داده‌های ماهواره‌ای، سنسورها و لایه‌های سازمانی می‌توانند وارد زیرساخت ذخیره‌سازی شوند. موتور پردازش، عملیات مورد نیاز را روی داده‌ها اجرا می‌کند و نتیجه از طریق سرویس‌های مکانی، API، Web GIS یا Dashboard در اختیار کاربران قرار می‌گیرد.
این معماری باعث می‌شود GIS دیگر صرفاً یک نرم‌افزار برای مشاهده و تحلیل داده نباشد، بلکه به یک زیرساخت پردازش و ارائه اطلاعات مکانی در مقیاس سازمانی تبدیل شود.
نقش ژئوباکس در زیرساخت GIS سازمانی
در سازمان‌هایی که حجم زیادی از داده‌های مکانی را مدیریت می‌کنند، استفاده از یک زیرساخت یکپارچه GIS می‌تواند پیچیدگی معماری را کاهش دهد.
ژئوباکس با رویکرد پلتفرمی خود می‌تواند یک معماری سازمانی برای مدیریت داده، پردازش، انتشار سرویس‌های مکانی و ارائه ابزارهای تحت وب مورد استفاده قرار گیرد.
یکی از مزیت‌های مهم چنین معماری‌ای این است که سازمان می‌تواند داده‌های مکانی خود را در یک زیرساخت متمرکز مدیریت کرده و سرویس‌های مورد نیاز را در اختیار کاربران و سامانه‌های دیگر قرار دهد.
در سناریوهای سازمانی که به دلایل امنیتی، حاکمیتی یا سیاست‌های مدیریت داده، امکان انتقال اطلاعات حساس به زیرساخت‌های عمومی وجود ندارد، می‌توان از استقرار On-Premise استفاده کرد. در این مدل، داده‌ها و سرویس‌های GIS در زیرساخت سازمان باقی می‌مانند و کاربران داخلی از طریق شبکه سازمانی به آن‌ها دسترسی پیدا می‌کنند.
این معماری به‌خصوص برای داده‌های حساس مانند کاداستر، زیرساخت‌های حیاتی، شبکه‌های تأسیساتی و داده‌های سازمانی اهمیت دارد.
پردازش نزدیک به منبع داده
در پروژه‌هایی که حجم زیادی از داده در نقاط مختلف تولید می‌شود، مفهوم Edge Computing نیز می‌تواند در کنار GIS مورد استفاده قرار گیرد.
برای مثال، داده‌های یک ایستگاه پایش محیطی، دوربین ترافیکی یا حسگر صنعتی می‌توانند ابتدا در نزدیک‌ترین نقطه به منبع پردازش شوند و به‌جای ارسال تمام داده خام، تنها اطلاعات ضروری یا نتایج پردازش به مرکز منتقل شوند.
این رویکرد می‌تواند حجم انتقال داده، تأخیر و فشار واردشده به زیرساخت مرکزی را کاهش دهد.
در چنین معماری‌ای، ژئوباکس می‌تواند به‌عنوان بخش مکانی سیستم، داده‌های پردازش‌شده را دریافت کرده، روی نقشه نمایش دهد و آن‌ها را در کنار سایر لایه‌های سازمانی و سرویس‌های مکانی قرار دهد.
از Big Data تا GeoAI؛ آینده پردازش مکانی
ترکیب GIS، رایانش ابری و Big Data زمینه را برای ورود گسترده‌تر هوش مصنوعی مکانی (GeoAI) فراهم کرده است.
مدل‌های یادگیری ماشین و یادگیری عمیق برای آموزش و اجرا به حجم قابل توجهی از داده و توان پردازشی نیاز دارند. زیرساخت‌های ابری و توزیع‌شده می‌توانند این منابع را در مقیاس بزرگ در اختیار الگوریتم‌های GeoAI قرار دهند.
در آینده، ترکیب این فناوری‌ها می‌تواند به توسعه سامانه‌هایی منجر شود که نه‌تنها وضعیت فعلی یک پدیده را نمایش می‌دهند، بلکه الگوهای مکانی را شناسایی، تغییرات را پیش‌بینی و سناریوهای مختلف را تحلیل می‌کنند.
به این ترتیب، معماری آینده GIS را می‌توان حاصل تعامل چند فناوری دانست:
داده‌های مکانی + Cloud + Big Data + IoT + GeoAI
هرکدام از این فناوری‌ها بخشی از زنجیره را تکمیل می‌کنند؛ IoT داده تولید می‌کند، GIS داده را در بستر مکانی سازمان‌دهی می‌کند، Cloud و پردازش توزیع‌شده منابع لازم برای پردازش حجم بالا را فراهم می‌کنند و GeoAI از این داده‌ها برای استخراج الگو و پیش‌بینی استفاده می‌کند.
