使用 Apache Sedona 进行云原生地理空间分析 (Chinese Edition)

第四章 点 、线与面：基于空间SQL的向量数据分析

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

向量数据是空间数据分析中最常用的数据类型，它简化了我们描述周边物体的方式。通过一组称为点的坐标，可以确定跳点、道路交叉口和地震震中的位置。描述道路网络或河流时，可使用线串；而城市中的建筑物、禁入区域或公园则用多边形来表示。 简而言之，向量基本元素是任何地理空间框架的基础，是不可或缺的核心要素。

MapReduce（）作为谷歌推出的分布式执行框架，使海量数据分析成为可能。随后，Apache Hive通过SQL封装层简化了MapReduce交互方式。当分析操作愈发便捷之际，Apache Spark更以精简高效的数据处理与转换能力实现了突破性进展。 大数据框架的早期阶段曾试图淘汰SQL，但SQL始终是表达数据转换的最优方案。人们越是试图摒弃SQL，它就越发彰显其价值。

向量数据分析的复杂性不仅取决于DataFrame中的记录数量，更与单个向量观测值的规模及其相对空间位置密切相关. Apache Spark等大数据工具虽擅长大规模数据处理，却未针对地理空间数据进行优化。举例而言，若用非适配框架处理海量地理空间数据，可能耗时数日乃至数年，甚至永远无法完成。

Apache Sedona融合了Apache Spark的优势与优化的地理空间算法，提供了一个直观的平台，能够快速处理小规模、中规模乃至难以想象的大量数据，同时支持使用广为人知的SQL语言。

向量数据（亦称几何与地理数据）通过坐标对描述空间对象。采用有限数量的点可简化计算并提升查询性能。此处"有限"至关重要，但更关键的是识别几何形状何时过于复杂——这如同维生素：缺乏有害，过量亦毒。 若几何体已能以可接受精度表示对象，则不宜添加更多顶点。

正如原子构成整个地球的基石，几何体亦是空间分析的基石。研究单个原子的特性固然引人入胜，但它们之间的关系、联结及相互影响才能帮助我们理解宇宙。 空间分析中的几何体与空间关系亦遵循此理。空间关系正是从地理空间数据中获取洞察的关键——最近的商店在哪里？哪些区域面临洪水风险？出租车司机最常行驶的城市路段是哪些？这些案例都体现了空间关系与空间向量数据的结合应用。

Apache Sedona的诞生旨在简化地理空间数据处理与分析流程，使其惠及更广泛人群。该框架能统一处理小规模、中等规模乃至海量向量数据，并支持各类空间查询操作。

向量数据模型与空间关系

我们已在前一章使用过几何术语，现在让我们深入探讨。Apache Sedona通过Geometry类型定义通用抽象，其可能包含 （多）边形、 （多）点、 （多）线串，或几何集合。Apache Sedona遵循中OGC简单特征规范的指导原则：

点

最基础的几何类型。它可能是2D坐标XY或3D坐标XYZ。Apache Sedona还允许为2D和3D点（即XYM和XYZM）保存额外数值，称为M值（只要是数值型即可添加，如时间戳）。地图上显示的所有Google地点都是点。

线串

由有限点集连通构成的几何体，具有非零长度但面积为零。可表现为直线或曲线，现实世界中的河流、道路及路径即为此类。

多边形

一组点，其首尾点相连。该几何体同时具有大于0的长度和面积。多边形可能存在孔洞，处理时需特别注意。孔洞指多边形内部不相互重叠的边界线，这些边界线围成的区域不计入多边形面积。

为减少存储上述各类几何数据所需空间，可使用多元素对应类型。例如可定义多点、多线串或多边形集合。具体而言，可将建筑物各部分存储为单个多边形集合，并将所有非地理空间字段集中存放于一行，从而降低处理所需空间。 ...