Sidst opdateret: 20 Aug, 2026

Cloud-Native Geospatial Formats Explained - COG, GeoParquet, PMTiles & More

Hvad er cloud-native GIS-filformater? En udviklerguide

Hvis du nogensinde har bygget en geospatiel pipeline, kender du smerten ved “download-first”-flaskehalsen. Traditionelt, hvis din applikation havde brug for en 500x500 pixel afgrænsningsboks fra en 15 GB satellitscene—eller ønskede at filtrere ti rækker fra et 4 GB kommunalt parcel-datasæt—så skulle du downloade hele filen, parse den ind i hukommelsen og derefter udskære den del, du faktisk var interesseret i.

Det er ikke nok blot at uploade en Shapefile, GeoJSON eller en standard GeoTIFF til en Amazon S3 bucket eller Google Cloud Storage for at gøre den cloud-native. Det placerer blot en ældre fil på en andens harddisk.

Cloud-native GIS-filformater løser dette problem ved at omstrukturere, hvordan rumlige data organiseres på disken. I stedet for at tvinge klienter til at læse filer sekventielt fra start til slut, er disse formater designet til direkte, delvise læsninger over netværket. For udviklere åbner dette op for serverløse arkitekturer, reducerer egress-omkostninger drastisk og lader webklienter forespørge massive datasæt direkte fra statisk objektlagring.

Mekanikken: Sådan fungerer cloud-native geospatiale data faktisk

Før du dykker ned i specifikke filendelser, er det nyttigt at forstå det underliggende ingeniørmønster, der får dem til at fungere. Næsten alle cloud-native geospatiale formater bygger på tre grundlæggende mekanismer:

  1. HTTP Range Requests (GET with Range headers): Standard HTTP/1.1 og HTTP/2 understøtter anmodning om specifikke byteområder fra en fjernfil (f.eks. bytes=0-16383). Cloud-objektlagre som AWS S3, Cloudflare R2 og Azure Blob Storage understøtter dette indbygget.
  2. Front-Loaded (or Predictable) Metadata & Spatial Indexes: For at anmode om de præcise bytes, der dækker et geografisk område, har klienten først brug for et kort over filens interne layout. Cloud-native formater gemmer deres header-metadata og rumlige indekser (som R-træer eller begrænsningsboks-hierarkier) på en forudsigelig placering—normalt i starten eller i slutningen af filen. En klient laver én lille indledende anmodning for at læse indekset, beregner de præcise byte‑offsets for målregionen og henter kun de pågældende dele.
  3. Intern fliselægning og opdeling: I stedet for at gemme rastere række for række eller vektorer som en flad tekstvæg, opdeles data i selvstændige, komprimerede blokke (fliser, rækkegupper eller N-dimensionelle chunk’er), som kan hentes og dekomprimeres uafhængigt.

De centrale cloud-native GIS-filformater

Der findes ikke ét enkelt format, der gælder for alle. Valget af det rette format afhænger af, om du arbejder med billeder, tabulære vektorer, kortfliser, multidimensionelle arrays eller LiDAR-punkt-skyer.

1. Cloud-optimeret GeoTIFF (COG) — Til rasterbilleder

En COG er ikke en splinterny proprietær filtype; den er en standard GeoTIFF (.tif) med et strengt internt layout, der er vedtaget som en officiel OGC-standard. Da den stadig er en gyldig GeoTIFF, kan ældre desktop‑værktøjer som QGIS og ArcGIS stadig åbne den uden problemer.

  • Sådan fungerer det: I stedet for at gemme pixels i horisontale scanningslinjer over hele billedet, organiserer en COG pixels i interne fliser (normalt 512×512 pixels). Den indlejrer også overviews (forud‑beregnede, lavere‑opløsnings‑billedpyramider) i den samme fil. Når en bruger zoomer ud på et webkort, henter klienten lav‑opløsnings‑overview‑fliser; når de zoomer ind, henter den kun de høj‑opløsnings‑fliser, der intersecterer viewporten.
  • Bedst til: Satellitbilleder, luftbårne orthomosaikker, digitale højde-modeller (DEMs) og dynamiske raster-flise servere (som TiTiler).

Generering af en COG via GDAL:

gdal_translate input.tif output_cog.tif \
  -of COG \
  -co COMPRESS=DEFLATE \
  -co OVERVIEWS=IGNORE_EXISTING

2. GeoParquet — Til stor vektoranalyse og datalagre

Hvis din arbejdsgang ligner mere data engineering end traditionel kortlægning, er GeoParquet (.parquet) den store spiller. Bygget oven på Apache Parquet gemmer den geometrier som ISO-standarden Well-Known Binary (WKB) sammen med rige tabelbaserede attributter.

  • Sådan fungerer det: I modsætning til Shapefiles eller GeoJSON, som gemmer data række for række, er Parquet kolonnebaseret. Hvis du kører en aggregation på en population-kolonne over 50 millioner polygoner, springer motoren læsning af de tunge geometri-bytes helt over. GeoParquet indlejrer også bounding-box metadata per rækkegruppe (og understøtter rumlig sortering via Hilbert-kurver eller H3-indekser), hvilket gør det muligt for forespørgselsmotorer at springe irrelevante segmenter over.
  • Bedst til: Storskala rumlige analyser, cloud-datavarehuse (Snowflake, BigQuery, Databricks) og serverløse SQL-motorer som DuckDB.

Forespørgsel af fjern-GeoParquet direkte med DuckDB:

INSTALL spatial;
LOAD spatial;

SELECT land_use, COUNT(*) AS parcel_count
FROM read_parquet('s3://example-bucket/parcels.parquet')
WHERE ST_Intersects(geometry, ST_MakeEnvelope(-122.5, 37.7, -122.3, 37.8))
GROUP BY land_use;

3. FlatGeobuf — Til streaming af vektorfunktioner til nettet

Mens GeoParquet skinner i analytiske motorer, er dens fodnote-baserede metadata og kolonneorientering ikke altid ideelle til at streame rå vektor-geometrier direkte ind i et browserkort. Mød FlatGeobuf (.fgb).

  • Sådan fungerer det: Bygget på Googles FlatBuffers binære serialiseringsbibliotek placerer FlatGeobuf et kompakt Hilbert R-tree rumligt indeks lige i starten af filen. Webklienter (som MapLibre GL JS, Leaflet eller OpenLayers) kan udføre en boks‑forespørgsel via HTTP‑range‑anmodninger og begynde at gengive funktioner på skærmen, mens de resterende bytes stadig streames ind.
  • Bedst til: Udskiftning af multi‑megabyte GeoJSON‑filer i interaktive webapplikationer uden at skulle starte en PostGIS/GeoServer‑backend.

4. PMTiles — Til serverløs vektor- og rastergrundkort

Traditionelt krævede servering af interaktive kortfliser (/{z}/{x}/{y}.pbf) enten at køre en dedikeret fliseserver (som Martin eller Tileserver-GL) eller at uploade millioner af små individuelle .pbf‑filer til S3 – et mareridt for bucket‑styring og omkostninger til API‑anmodninger.

  • Sådan fungerer det: Oprettet af Protomaps, PMTiles (.pmtiles) pakker en hel pyramide af Mapbox Vector Tiles (MVT) eller rasterfliser i en enkelt arkivfil. Den bruger en klynget mappe‑struktur optimeret til Hilbert‑kurve rumlig lokalitet, hvilket betyder, at et browser‑kortbibliotek kan hente fliser direkte fra en enkelt statisk fil på S3 eller Cloudflare R2 ved hjælp af HTTP‑range‑forespørgsler.
  • Bedst egnet til: Zero‑backend brugerdefinerede grundkort, webkort med høj trafik og offline mobile kortlægningsapplikationer.

5. Zarr — Til multidimensionelle videnskabelige data

NetCDF og HDF5 har i årtier domineret meteorologi, oceanografi og klimamodellering, men deres monolitiske filstrukturer har svært ved at klare sig i distribuerede sky‑miljøer. Zarr genopfinder N-dimensionale arrays til objektlagring.

  • Sådan fungerer det: En Zarr‑lager deler massive multidimensionale arrays (f.eks. time × latitude × longitude × altitude) op i små, ensartede, komprimerede chunks. Hvert chunk gemmes som et individuelt objekt (eller konsolideres via Zarr v3‑sharding) med JSON‑metadata, der beskriver array‑dimensionerne. Døzener af parallelle arbejdere kan læse eller skrive forskellige tids‑skiver samtidigt uden fil‑låsningskonflikter.
  • Bedst til: Tidsseriedatacuber fra satellitter, vejrudsigter, klimamodeller og distribuerede Xarray/Dask-pipelines.

6. Cloud-Optimized Point Cloud (COPC) — Til LiDAR

Bygget som en udvidelse af det standard LAZ 1.4 komprimerede LiDAR-format, COPC (.copc.laz) organiserer 3D-punkt‑skyer i en klynget oktree‑struktur. Ligesom COG forbliver den bagudkompatibel med eksisterende LAS/LAZ‑læserere, mens den tillader web‑visere (såsom Potree eller deck.gl) at streame punkter baseret på kamera‑frustum og detaljeringsniveau uden at downloade multi‑gigabyte‑punkt‑skyer.

Udviklerens beslutningsmatrix: Hvilket format skal du vælge?

DatatypePrimær arbejdsbyrdeBedste formatErstattet ældre format
Raster / BilledmaterialeDynamisk fliselægning, pixelanalyse, webvisualiseringCOG (.tif)Uindekseret GeoTIFF, JPEG2000
VectorSQL-analyse, datalagre, massive joinsGeoParquet (.parquet)Shapefile, fil-geodatabase
VectorStreaming af rå funktioner direkte til en browserFlatGeobuf (.fgb)Store GeoJSON, KML
Forudstilte fliserServerløs interaktiv webkort & mobil offlinePMTiles (.pmtiles)MBTiles, ZXY-mappetræer
N-D ArraysKlima data, tidsserier rastere, parallel beregningZarr (.zarr)NetCDF4, HDF5
Punkt-skyer3D webvisualisering & rumlig LiDAR-udvælgelseCOPC (.copc.laz)Standard LAS / LAZ

Kritiske faldgruber ved implementering i produktion

At skifte til cloud-native formater forenkler din backend, men det overfører konfigurationsansvaret til dit cloud-lagringslag. Hold øje med disse tre almindelige faldgruber:

  1. Glemmer CORS-overskrifter: Hvis en browserapplikation (der bruger MapLibre, OpenLayers eller geotiff.js) foretager en HTTP range-anmodning til din S3-spand, skal spandens Cross-Origin Resource Sharing (CORS)-politik skal eksplicit tillade Range-headeren i AllowedHeaders og eksponere Content-Range, Content-Length og Accept-Ranges i ExposeHeaders. Uden dette vil anmodninger fejle stille i browseren.
  2. Usorteret GeoParquet-rækkegrupper: At konvertere en rodet Shapefile direkte til GeoParquet gør ikke automatisk bounding‑box‑forespørgsler hurtige. Hvis funktioner er spredt tilfældigt på tværs af rækkegrupper, skal forespørgselsmotoren stadig scanne hver rækkegruppe. Sortér altid dine geometrier spatialt (f.eks. ved at bruge en Hilbert‑kurve via geopandas eller DuckDB før skrivning), så spatialt nærliggende funktioner lever i de samme rækkegrupper.
  3. Suboptimale Chunk-/Tile‑størrelser: Små chunks (f.eks. 64×64 pixels) udløser tusindvis af HTTP‑anmodninger, hvilket øger latenstid og omkostninger til cloud‑API’er. Store chunks (f.eks. 4096×4096 pixels) tvinger klienter til at hente for meget data. Hold dig til standardstandarderne—512×512 pixels for COG’er og 10 MB til 100 MB pr. chunk for Zarr‑ eller GeoParquet‑rækkegrupper.

Afslutning

Cloud-native GIS-filformater repræsenterer et grundlæggende skift fra at flytte data til beregning til at flytte beregning (og letvægts‑range‑anmodninger) til data. Ved at kombinere formater som COG, GeoParquet, FlatGeobuf og PMTiles med STAC (SpatioTemporal Asset Catalog)‑metadata, kan udviklere bygge robuste, planetomspændende kortlægnings‑ og analyse‑pipelines oven på billig statisk objektlagring — ingen tung rumlig database nødvendig.

Ofte stillede spørgsmål (FAQ)

Q1. Hvad gør et GIS-filformat “cloud-native”? Et format er cloud-native, når det kombinerer et forudindlæst rumligt indeks med intern fliselægning eller opdeling, så klienter kan hente små geografiske delmængder via HTTP‑range‑anmodninger uden at downloade hele filen.

Q2. Skal jeg bruge en dedikeret GIS‑server for at hoste COG-, GeoParquet- eller PMTiles‑filer? Nej — du kan hoste dem på enhver standard statisk objektlagring, der understøtter HTTP‑range‑anmodninger, såsom AWS S3, Google Cloud Storage, Azure Blob Storage eller Cloudflare R2.

Q3. Skal jeg bruge GeoParquet eller FlatGeobuf til mine vektordata? Brug GeoParquet til tunge analytiske forespørgsler, SQL-motorer (som DuckDB) og datalagre, og brug FlatGeobuf, når du streamer rå vektorfunktioner direkte til et browserkort.

Q4. Er en Cloud-Optimized GeoTIFF (COG) kompatibel med traditionel desktop GIS-software? Ja, fordi en COG i bund og grund er en standard GeoTIFF med interne fliser og oversigts-pyramider, åbner den problemfrit i ældre værktøjer som QGIS, ArcGIS Pro og GDAL.

Q5. Hvordan adskiller PMTiles sig fra MBTiles? MBTiles er afhængig af en SQLite-database (som kræver server‑side kode for at forespørge over nettet), mens PMTiles organiserer fliser i et statisk arkiv, som webbrowsere kan læse direkte via HTTP‑range‑forespørgsler.

Se også

Bedste GIS-filformater til mobilapps

GIS-filformater på FileFormat.com

Top 5 GIS-filformater til Google Maps

Filformatnyheder

Filformatfora