How good are modern spatial analytics systems?

Abstract

Spatial data is pervasive. Large amount of spatial data is produced every day from GPS-enabled devices such as cell phones, cars, sensors, and various consumer based applications such as Uber, location-tagged posts in Facebook, Instagram, Snapchat, etc. This growth in spatial data coupled with the fact that spatial queries, analytical or transactional, can be computationally extensive has attracted enormous interest from the research community to develop systems that can efficiently process and analyze this data. In recent years a lot of spatial analytics systems have emerged. Existing work compares either limited features of these systems or the studies are outdated since new systems have emerged. In this work, we first explore the available modern spatial processing systems and then thoroughly compare them based on features and queries they support, using real-world datasets.

Analisando Sistemas Analíticos Espaciais Baseados em Hadoop e Spark: Uma Perspectiva de Usuário

“…Esses sistemas fornecem funcionalidades especializadas para processar e indexar grandes volumes de dados espaciais por meio da utilização de frameworks de processamento paralelo e distribuído de dados (GARCÍA-GARCÍA et al, 2017). Na literatura, os frameworks Hadoop (APACHE, 2019a) e Spark (APACHE, 2019d) se destacam, uma vez que a maioria dos SAEs existentes são baseados nos mesmos (PANDEY et al, 2018). Para processar dados de forma eficiente em ambientes de computação paralela e distribuída (ou seja, clusters de computadores ou ambientes de computação em nuvem), o Hadoop utiliza um modelo de programação genérico composto por operações map e reduce, denominado MapReduce (DEAN; GHEMAWAT, 2008).…”

“…Cada um dos SAEs supracitados possui características intrínsecas e funcionalidades distintas para lidar com dados espaciais vetoriais em ambientes computacionais paralelos e distribuídos. Além de suas características gerais, esses sistemas também integram duas perspectivas distintas: (i) características inerentes à manipulação de dados espaciais (GÜTING, 1994;OGC, 2019); e (ii) aspectos inerentes ao ambiente distribuído (PANDEY et al, 2018). Sendo assim, os usuários que projetam, desenvolvem e implementam aplicações espaciais para organizações enfrentam o desafio de escolher um sistema em detrimento de outros.…”

“…Além disso, existem 1.4. Objetivo e Contribuições 21 aplicações que requerem respostas rápidas para consultas espaciais específicas (PANDEY et al, 2018). Nesse caso, o sistema escolhido deve fornecer, por exemplo, índices projetados especificamente para responder a essas consultas com eficiência.…”

“…Além disso, esses frameworks têm sido estendidos para que consigam executar consultas com predicados espaciais de forma eficiente. Essas extensões são conhecidas na literatura como sistemas analíticos espaciais (PANDEY et al, 2018).…”

“…SAEs surgiram para superar essa limitação (PANDEY et al, 2018). Esses sistemas incorporam o conceito de manipulação de dados espaciais vetoriais nos frameworks Hadoop e Spark, fornecendo técnicas otimizadas para o processamento de consultas espaciais.…”