آخرین به‌روزرسانی: 20 Aug, 2026

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

فرمت‌های فایل GIS مبتنی بر ابر چیست؟ راهنمای توسعه‌دهندگان

اگر تا به حال یک خط لوله جغرافیایی-فضایی ساخته‌اید، درد گلوگاه “download-first” را می‌دانید. به‌صورت سنتی، اگر برنامه شما به یک جعبه مرزی ۵۰۰×۵۰۰ پیکسل از یک صحنه ماهواره‌ای ۱۵ گیگابایتی نیاز داشته باشد — یا بخواهد ده ردیف را از یک مجموعه داده‌های قطعه‌های شهری ۴ گیگابایتی فیلتر کند — مجبور بودید کل فایل را دانلود کنید، آن را به حافظه تجزیه کنید، و سپس قطعه‌ای که واقعاً به آن نیاز داشتید را جدا کنید.

فقط بارگذاری یک Shapefile، GeoJSON، یا GeoTIFF استاندارد به یک سطل Amazon S3 یا Google Cloud Storage، آن را بومی‌ابری نمی‌کند. این فقط یک فایل قدیمی را روی هارد دیسک شخص دیگری می‌گذارد.

بومی‌ابری فرمت‌های GIS این مشکل را با بازساختاردهی نحوه سازماندهی داده‌های فضایی روی دیسک حل می‌کنند. به‌جای مجبور کردن مشتریان به خواندن فایل‌ها به‌صورت ترتیبی از ابتدا تا انتها، این فرمت‌ها برای خواندن مستقیم و جزئی از طریق شبکه طراحی شده‌اند. برای توسعه‌دهندگان، این امر معماری‌های بدون سرور را باز می‌کند، هزینه‌های خروجی را به‌طور چشمگیری کاهش می‌دهد، و به کلاینت‌های وب امکان می‌دهد تا مجموعه‌داده‌های عظیم را مستقیماً از ذخیره‌سازی شیء ایستا جستجو کنند.

مکانیک‌ها: چطور جغرافیایی مبتنی بر ابر واقعاً کار می‌کند

قبل از پرداختن به پسوندهای خاص فایل، مفید است که الگوی مهندسی پایه‌ای که آن‌ها را فعال می‌کند درک کنید. تقریباً هر فرمت جغرافیایی بومی‌ابری بر سه سازوکار اصلی تکیه دارد:

  1. درخواست‌های محدوده HTTP (GET با هدرهای Range): استانداردهای HTTP/1.1 و HTTP/2 امکان درخواست محدوده‌های بایتی خاص از یک فایل راه دور را فراهم می‌کنند (مثلاً bytes=0-16383). ذخیره‌سازهای ابری مانند AWS S3، Cloudflare R2 و Azure Blob Storage به‌صورت بومی این قابلیت را از ابتدا پشتیبانی می‌کنند.
  2. متادیتا و ایندکس‌های فضایی پیش‌بارگذاری‌شده (یا قابل پیش‌بینی): برای درخواست بایت‌های دقیق که یک ناحیه جغرافیایی را پوشش می‌دهند، کلاینت ابتدا به نقشه‌ای از ساختار داخلی فایل نیاز دارد. فرمت‌های بومی‌ابری متادیتای سرصفحه و ایندکس‌های فضایی خود (مانند R‑trees یا سلسله‌مراتب‌های جعبه‌محاط) را در موقعیتی قابل پیش‌بینی ذخیره می‌کنند—معمولاً در ابتدای یا انتهای فایل. یک کلاینت یک درخواست اولیهٔ کوچک برای خواندن ایندکس می‌فرستد، آفست‌های بایتی دقیق برای ناحیه هدف را محاسبه می‌کند و فقط آن بخش‌ها را دریافت می‌کند.
  3. کاشی‌گذاری داخلی و تقسیم به بخش‌ها: به‌جای ذخیره‌سازی رسترها به‌صورت ردیف به ردیف یا بردارها به‌عنوان یک دیوار متن صاف، داده‌ها به بلوک‌های خودکفا و فشرده (کاشی‌ها، گروه‌های ردیف یا بخش‌های N‑بعدی) تقسیم می‌شوند که می‌توانند به‌صورت مستقل بازیابی و استخراج شوند.

فرمت‌های اصلی فایل GIS مبتنی بر ابر

هیچ قالب واحدی وجود ندارد که همه را پوشش دهد. انتخاب قالب مناسب بستگی دارد به اینکه آیا با تصاویر، بردارهای جدولی، کاشی‌های نقشه، آرایه‌های چندبعدی یا ابرهای نقطه‌ای LiDAR سروکار دارید.

1. GeoTIFF بهینه‌سازی‌شده برای ابر (COG) — برای تصاویر رستری

یک COG نوع فایل مالکیتی جدیدی نیست؛ این یک GeoTIFF استاندارد (.tif) با یک ساختار داخلی سخت‌گیرانه است که به عنوان استاندارد رسمی OGC پذیرفته شده است. چون همچنان یک GeoTIFF معتبر است، ابزارهای دسکتاپ قدیمی مانند QGIS و ArcGIS می‌توانند آن را بدون مشکل باز کنند.

  • نحوه کار: به‌جای ذخیره‌سازی پیکسل‌ها در خطوط اسکن افقی در سراسر تصویر، یک COG پیکسل‌ها را در کاشی‌های داخلی (معمولاً ۵۱۲×۵۱۲ پیکسل) سازماندهی می‌کند. همچنین نمای کلی (هرم‌های تصویر پیش‌محاسبه‌شده با وضوح پایین‌تر) را در همان فایل تعبیه می‌کند. وقتی کاربر در یک نقشه وب زوم خروجی می‌کند، کلاینت کاشی‌های نمای کلی با وضوح پایین را دریافت می‌کند؛ وقتی زوم ورودی می‌کند، تنها کاشی‌های با وضوح بالا که با نمای صفحه‌نمایش تقاطع دارند، دریافت می‌شوند.
  • بهترین برای: تصاویر ماهواره‌ای، اورثوموزاییک‌های هوایی، مدل‌های ارتفاع دیجیتال (DEMs)، و سرورهای پوسته‌کشی رستر پویا (مانند TiTiler).

تولید COG با استفاده از GDAL:

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

۲. GeoParquet — برای تجزیه و تحلیل برداری بزرگ و انبارهای داده

اگر جریان کاری شما شبیه مهندسی داده بیشتر از کارتوگرافی سنتی به نظر می‌رسد، GeoParquet (.parquet) گزینهٔ قدرتمند است. این فرمت که بر پایهٔ Apache Parquet ساخته شده، هندسه‌ها را به‌صورت باینری شناخته‌شدهٔ استاندارد ISO (WKB) همراه با ویژگی‌های جدولی غنی ذخیره می‌کند.

  • نحوه کار: برخلاف Shapefiles یا GeoJSON که داده‌ها را ردیف به ردیف ذخیره می‌کنند، Parquet ستونی است. اگر یک تجمیع روی ستون population در ۵۰ میلیون چندضلعی انجام دهید، موتور به‌طور کامل خواندن بایت‌های سنگین هندسه را نادیده می‌گیرد. GeoParquet همچنین متادیتای جعبه‌حدود را برای هر گروه ردیف تعبیه می‌کند (و از مرتب‌سازی فضایی با منحنی‌های هیلبرت یا شاخص‌های H3 پشتیبانی می‌کند)، که به موتورهای پرس‌و‌جو اجازه می‌دهد بخش‌های نامربوط را رد کنند.
  • بهترین برای: تجزیه و تحلیل‌های فضایی در مقیاس بزرگ، انبارهای دادهٔ ابری (Snowflake، BigQuery، Databricks) و موتورهای SQL بدون سرور مانند DuckDB.

پرس‌و‌جوی مستقیم GeoParquet از راه دور با 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;

۳. FlatGeobuf — برای پخش ویژگی‌های برداری به وب

در حالی که GeoParquet در موتورهای تحلیلی می‌درخشد، متادیتای مبتنی بر پاورقی و جهت‌گیری ستونی آن همیشه برای جریان‌سازی مستقیم هندسه‌های برداری خام به یک نقشه مرورگر ایده‌آل نیست. وارد FlatGeobuf (.fgb) شوید.

  • چگونه کار می‌کند: ساخته شده بر پایه کتابخانه سریال‌سازی باینری FlatBuffers گوگل، FlatGeobuf یک شاخص فضایی درخت Hilbert R‑tree فشرده را درست در ابتدای فایل قرار می‌دهد. کلاینت‌های وب (مانند MapLibre GL JS، Leaflet یا OpenLayers) می‌توانند یک پرس‌و‌جو با جعبه مرزی را از طریق درخواست‌های محدوده HTTP اجرا کنند و رندر ویژگی‌ها را روی صفحه آغاز کنند در حالی که بایت‌های باقی‌مانده هنوز در حال جریان هستند.
  • مناسب برای: جایگزینی فایل‌های GeoJSON چند مگابایتی در برنامه‌های وب تعاملی بدون راه‌اندازی یک بک‌اند PostGIS/GeoServer.

۴. PMTiles — برای پایه‌نقشه‌های برداری و رستری بدون سرور

به‌طور سنتی، سرو کردن کاشی‌های نقشه تعاملی (/{z}/{x}/{y}.pbf) یا نیاز به اجرای یک سرور کاشی اختصاصی (مانند Martin یا Tileserver-GL) یا بارگذاری میلیون‌ها فایل کوچک .pbf به‌صورت جداگانه در S3 داشت — کابوسی برای مدیریت سطل‌ها و هزینه‌های درخواست API.

  • چگونه کار می‌کند: ساخته شده توسط Protomaps، PMTiles (.pmtiles) یک هرم کامل از کاشی‌های برداری Mapbox (MVT) یا کاشی‌های رستر را در یک فایل آرشیوی واحد بسته‌بندی می‌کند. این از ساختار دایرکتوری خوشه‌ای بهینه‌شده برای محلی‌سازی فضایی منحنی هیلبرت استفاده می‌کند، به این معنی که کتابخانه نقشه مرورگر می‌تواند کاشی‌ها را مستقیماً از یک فایل ثابت واحد در S3 یا Cloudflare R2 با استفاده از درخواست‌های محدوده HTTP بازیابی کند.
  • بهترین برای: نقشه‌های پایه سفارشی بدون بک‌اند، نقشه‌های وب با ترافیک بالا، و برنامه‌های نقشه‌برداری موبایل آفلاین.

۵. Zarr — برای داده‌های علمی چندبعدی

NetCDF و HDF5 دهه‌ها بر هواشناسی، اقیانوس‌شناسی و مدل‌سازی اقلیم تسلط داشته‌اند، اما ساختارهای فایل تک‌قطعه‌ای آن‌ها در محیط‌های ابری توزیع‌شده مشکل دارند. Zarr آرایه‌های N‑بعدی را برای ذخیره‌سازی شیء بازنگری می‌کند.

  • چگونه کار می‌کند: یک ذخیره‌ساز Zarr آرایه‌های چندبعدی عظیم (مثلاً time × latitude × longitude × altitude) را به تکه‌های کوچک، هم‌اندازه و فشرده تقسیم می‌کند. هر تکه به عنوان یک شیء جداگانه (یا با ادغام از طریق شاردینگ Zarr v3) همراه با متادیتای JSON که ابعاد آرایه را توصیف می‌کند، ذخیره می‌شود. ده‌ها کارگر موازی می‌توانند به‌صورت همزمان بخش‌های زمانی مختلف را بخوانند یا بنویسند بدون اینکه با قفل‌گذاری فایل مواجه شوند.
  • بهترین برای: دیتاکوب‌های ماهواره‌ای سری زمانی، پیش‌بینی‌های هواشناسی، مدل‌های اقلیمی، و خطوط لوله توزیع‌شده Xarray/Dask.

۶. Cloud-Optimized Point Cloud (COPC) — برای لایدار

ساخته شده به عنوان یک افزونه برای فرمت استاندارد فشرده‌سازی LiDAR LAZ 1.4، COPC (.copc.laz) ابرهای نقطه‌ای 3 بعدی را در یک ساختار اکتری خوشه‌ای سازماندهی می‌کند. مشابه COG، با خوانندگان LAS/LAZ موجود سازگار است در حالی که به نمایشگرهای وب (مانند Potree یا deck.gl) امکان پخش نقاط بر اساس نمای دوربین و سطح جزئیات را بدون دانلود ابرهای نقطه‌ای چند گیگابایتی می‌دهد.

ماتریس تصمیم‌گیری توسعه‌دهندگان: کدام فرمت را باید انتخاب کنید؟

نوع دادهبار کاری اصلیبهترین فرمتفرمت قدیمی جایگزین شده
رستر / تصویرکاشی‌گذاری پویا، تحلیل پیکسل، تجسم وبCOG (.tif)GeoTIFF بدون ایندکس، JPEG2000
بردارتحلیل‌های SQL، انبارهای داده، ترکیب‌های بزرگGeoParquet (.parquet)Shapefile، File Geodatabase
بردارپخش مستقیم ویژگی‌های خام به مرورگرFlatGeobuf (.fgb)بزرگ GeoJSON, KML
کاشی‌های پیش‌استایل‌شدهنقشه‌های وب تعاملی بدون سرور و حالت آفلاین موبایلPMTiles (.pmtiles)درخت‌های پوشه‌ای MBTiles، ZXY
آرایه‌های N‑بعدیداده‌های اقلیمی، رسترهای سری زمانی، محاسبهٔ موازیZarr (.zarr)NetCDF4, HDF5
ابرهای نقطه‌ایتصویرسازی وب 3D و زیرمجموعه‌سازی فضایی LiDARCOPC (.copc.laz)استاندارد LAS / LAZ

نکات مهم هنگام استقرار در محیط تولید

انتقال به فرمت‌های بومی‌ابری، پشتیبان شما را ساده می‌کند، اما مسئولیت پیکربندی را به لایه ذخیره‌سازی ابری شما منتقل می‌کند. به این سه مشکل رایج توجه کنید:

  1. فراموش کردن هدرهای CORS: اگر یک برنامه مرورگر (با استفاده از MapLibre، OpenLayers یا geotiff.js) درخواست محدوده HTTP به سطل S3 شما بفرستد، سیاست Cross-Origin Resource Sharing (CORS) سطل باید به‌طور صریح هدر Range را در AllowedHeaders اجازه دهد و Content-Range، Content-Length و Accept-Ranges را در ExposeHeaders نمایان کند. بدون این، درخواست‌ها به‌صورت ساکن در مرورگر شکست می‌خورند.
  2. گروه‌های ردیفی GeoParquet بدون ترتیب: تبدیل یک Shapefile نامرتب به‌صورت مستقیم به GeoParquet به‌طور خودکار سرعت پرس‌و‌جوهای جعبه‌حدود را افزایش نمی‌دهد. اگر ویژگی‌ها به‌صورت تصادفی در میان گروه‌های ردیفی پخش شوند، موتور پرس‌و‌جو هنوز باید تمام گروه‌های ردیفی را اسکن کند. همیشه هندسه‌های خود را به‌صورت فضایی مرتب کنید (مثلاً با استفاده از منحنی هیلبرت از طریق geopandas یا DuckDB قبل از نوشتن) تا ویژگی‌های نزدیک به‌هم در همان گروه‌های ردیفی قرار گیرند.
  3. اندازه‌های نامناسب تکه/کاشی: تکه‌های کوچک (مثلاً ۶۴×۶۴ پیکسل) هزاران درخواست HTTP را ایجاد می‌کنند و تأخیر و هزینه‌های API ابری را افزایش می‌دهند. تکه‌های بزرگ (مثلاً ۴۰۹۶×۴۰۹۶ پیکسل) باعث می‌شوند مشتریان داده‌های بیش از حد دریافت کنند. به پیش‌فرض‌های استاندارد پایبند باشید—۵۱۲×۵۱۲ پیکسل برای COGها و ۱۰ مگابایت تا ۱۰۰ مگابایت برای هر تکه در گروه‌های ردیفی Zarr یا GeoParquet.

جمع‌بندی

قالب‌های GIS بومی‑ابری نمایانگر یک تغییر اساسی از انتقال داده به محاسبه به سمت انتقال محاسبه (و درخواست‌های محدوده سبک) به داده هستند. با ترکیب قالب‌هایی مانند COG، GeoParquet، FlatGeobuf و PMTiles با فراداده STAC (کاتالوگ دارایی‌های فضازمانی‑زمانی)، توسعه‌دهندگان می‌توانند خطوط لولهٔ مقاوم و مقیاس‌پذیر سیاره‌ای برای نقشه‌برداری و تجزیه و تحلیل بر پایهٔ ذخیره‌سازی شیء ایستای ارزان قیمت بسازند — بدون نیاز به پایگاه‌دادهٔ فضایی سنگین.

سوالات متداول (FAQ)

Q1. چه چیزی یک قالب فایل GIS «بومی‑ابری» می‌سازد؟ یک قالب بومی‑ابری زمانی است که یک فهرست فضایی پیش‌بارگذاری‌شده را با تقسیم‌بندی یا تکه‌بندی داخلی ترکیب کند، به‌طوری که مشتریان بتوانند زیرمجموعه‌های جغرافیایی کوچک را از طریق درخواست‌های محدوده HTTP دریافت کنند بدون اینکه کل فایل را دانلود کنند.

Q2. آیا برای میزبانی فایل‌های COG، GeoParquet یا PMTiles به یک سرور GIS اختصاصی نیاز دارم؟ نه—می‌توانید آن‌ها را بر روی هر ذخیره‌سازی شیء ایستای استانداردی که از درخواست‌های محدوده HTTP پشتیبانی می‌کند میزبانی کنید، مانند AWS S3، Google Cloud Storage، Azure Blob Storage یا Cloudflare R2.

سوال ۳. آیا باید برای داده‌های برداری‌ام از GeoParquet یا FlatGeobuf استفاده کنم؟ از GeoParquet برای پرس‌و‌جوهای تحلیلی سنگین، موتورهای SQL (مانند DuckDB) و انبارهای داده استفاده کنید، و از FlatGeobuf زمانی که ویژگی‌های برداری خام را مستقیماً به نقشه مرورگر جریان می‌دهید، استفاده کنید.

سوال ۴. آیا یک GeoTIFF بهینه‌سازی‌شده برای ابر (COG) با نرم‌افزارهای دسکتاپ GIS سنتی سازگار است؟ بله، زیرا COG صرفاً یک GeoTIFF استاندارد با کاشی‌های داخلی و هرم‌های نمای کلی است و به‌صورت یکپارچه در ابزارهای قدیمی مانند QGIS، ArcGIS Pro و GDAL باز می‌شود.

سوال ۵. PMTiles چه تفاوتی با MBTiles دارد؟ MBTiles به یک پایگاه داده SQLite وابسته است (که برای پرس‌و‌جو از طریق وب به کد سمت سرور نیاز دارد)، در حالی که PMTiles کاشی‌ها را در یک بایگانی ثابت سازماندهی می‌کند که مرورگرهای وب می‌توانند به‌صورت مستقیم از طریق درخواست‌های بازه‌ای HTTP آن را بخوانند.

موارد مرتبط

بهترین فرمت‌های فایل GIS برای برنامه‌های موبایل

فرمت‌های فایل GIS در FileFormat.com

۵ فرمت برتر فایل GIS برای Google Maps

اخبار فرمت فایل

انجمن‌های فرمت فایل