Este visualizador pode desenhar o mapa em dois estilos, desenhando um Heatmap (mapa de calor) ou desenhando uma camada tem\u00e1tica. Ele faz todas as observa\u00e7\u00f5es ou medidas de uma data \u00fanica, e at\u00e9 mesmo entre todas as datas dispon\u00edveis (Clique na imagem para ver o v\u00eddeo).<\/p>\n
Al\u00e9m disso, podemos verificar o desempenho com este visualizador, ele mistura o filtro espacial e temporal em uma consulta exclusiva. <\/p>\n A op\u00e7\u00e3o mais f\u00e1cil, e talvez ideal, teria sido a aplica\u00e7\u00e3o do cliente executando solicita\u00e7\u00f5es WMS GetMap<\/a>, mas vou executar solicita\u00e7\u00f5es ao GeoServer para buscar as geometrias para desenh\u00e1-las no cliente. Poder\u00edamos usar os pedidos WFS GetFeature<\/a> com os limites atuais do mapa (Ele gera um filtro BBOX espacial) e um filtro propertyIsEqual de uma data espec\u00edfica. Mas n\u00e3o devemos esquecer que estamos gerenciando grandes stores de dados que podem criar respostas GML ou JSON com grandes tamanhos e milhares e milhares de registros.<\/p>\n Para evitar esse problema, foi desenvolvido um par de processos WPS, chamado “geowave: PackageFeatureLayer” e “geowave:PackageFeatureCollection”, que retornam a resposta em um fluxo bin\u00e1rio compactado. Voc\u00ea poderia usar outra l\u00f3gica de empacotamento, por exemplo, retornando uma imagem especial onde pixels codificam geometrias e atributos de recursos. Tudo \u00e9 para minimizar o tamanho da informa\u00e7\u00e3o e acelerar a digest\u00e3o dela na aplica\u00e7\u00e3o cliente.<\/p>\n Os par\u00e2metros do WPS s\u00e3o: primeiro, o nome da camada no cat\u00e1logo GeoServer atual (A “SimpleFeatureCollection” para o processo geowave:PackageFeatureCollection”), BBOX e um filtro CQL <\/a>opcional (neste caso, estou enviando algo semelhante ao “datetime_begin = 2017-06 -01 12:00:00”).<\/p>\n N\u00e3o vou explicar o c\u00f3digo em detalhes, deixa o escopo deste guia. Se voc\u00ea quiser, voc\u00ea pode estud\u00e1-lo no link do github no final do artigo.<\/p>\n O aplicativo cliente executa um WebWorker <\/a>executando uma solicita\u00e7\u00e3o WPS para nossa inst\u00e2ncia do GeoServer. O pedido executa o processo “geowave:PackageFeatureLayer” para minimizar o tamanho da resposta. Em seguida, o WebWorker descompacta o fluxo bin\u00e1rio, analisa-o para criar objetos javascript com pontos e atributos e, finalmente, devolv\u00ea-los ao segmento principal do navegador para desenhar. O aplicativo cliente processa esses objetos usando a biblioteca Heatmap.js<\/a> ou desenhando em um Canvas HTML5<\/a> para criar uma camada tem\u00e1tica. Para este segundo estilo, o aplicativo cria algumas texturas on-the-fly dos \u00edcones coloridos para usar ao desenhar os pontos. Este truque permite que mapas mostrem milhares e milhares de pontos de forma bastante r\u00e1pida.<\/p>\n Se nosso aplicativo cliente exigir desenhar milh\u00f5es de pontos, podemos mergulhar no WebGL<\/a> e na \u00f3tima biblioteca do WebGL Heatmap<\/a> ou demonstra\u00e7\u00f5es fant\u00e1sticas de como construir um mapa com WebGL<\/a>.<\/p>\n O c\u00f3digo-fonte do m\u00f3dulo WPS e o aplicativo cliente est\u00e3o dispon\u00edveis aqui<\/a>. Espero que tenha gostado do artigo, e tenha consigo entender um pouco de como utilizar grandes volumes de dados (Big Data) com intelig\u00eancia geogr\u00e1fica (GIS).<\/p>\n Este artigo e suas demais partes (1<\/a>, 2<\/a>, 3<\/a>, 4<\/a>) \u00e9 uma tradu\u00e7\u00e3o livre do artigo originalmente escrito por Alvaro Huarte no seu perfil do LinkedIn<\/a>.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":" Este \u00e9 o \u00faltimo post desta s\u00e9rie intitulado “Testando softwares para Big Data Spatial”. Para concluir este artigo, vamos fala um pouco sobre a disponibiliza\u00e7\u00e3o das informa\u00e7\u00f5es atrav\u00e9s de uma aplica\u00e7\u00e3o WebMap, que foi desenvolvida utilizando o Leaflet, mas poderia… Continue Reading →<\/a><\/p>\n","protected":false},"author":275,"featured_media":7057,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[24],"tags":[311,208,314,313],"class_list":["post-7053","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-gis","tag-big-data","tag-geoserver","tag-geowave","tag-hadoop"],"_links":{"self":[{"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/posts\/7053","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/users\/275"}],"replies":[{"embeddable":true,"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/comments?post=7053"}],"version-history":[{"count":7,"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/posts\/7053\/revisions"}],"predecessor-version":[{"id":7063,"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/posts\/7053\/revisions\/7063"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/media\/7057"}],"wp:attachment":[{"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/media?parent=7053"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/categories?post=7053"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.fernandoquadro.com.br\/html\/wp-json\/wp\/v2\/tags?post=7053"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"\"](\"http:\/\/www.fernandoquadro.com.br\/html\/wp-content\/uploads\/2018\/01\/webmap_leaflet-1024x537.png\")
<\/a><\/p>\n![\"\"](\"http:\/\/www.fernandoquadro.com.br\/html\/wp-content\/uploads\/2018\/01\/geoserver_wps-869x1024.png\")
<\/p>\n