Anteriormente nesta série, apresentei três desafios comuns que encontro frequentemente em projetos de integração geoespacial. Nos dois posts anteriores, explorei a importância de conhecer seus dados e criar metadados baseados em padrões . Neste último post, volto-me para os próprios dados, explorando a importância de ter dados estruturados e baseados em padrões, embora reconheça que essa nem sempre é a realidade.
Quando queremos integrar dados vetoriais (por exemplo, pontos, polígonos ou linhas) de um formato não estruturado, como um PDF, vídeo ou imagem, algum pré-processamento é necessário. Isso complica o processo de Extração-Transformação-Carga (ETL) e pode levar à perda de informações durante o processo.
No entanto, deparei-me com casos em que não havia alternativa, pois os produtores de dados só podiam fornecer informações nesses formatos. Nesses casos, a Inteligência Artificial (IA) pode desempenhar um papel valioso, ajudando a extrair elementos estruturados de informações não estruturadas, utilizando algoritmos como Redes Neurais Convolucionais (CNNs) para segmentação de imagens.
Mas mesmo quando falamos de formatos estruturados, nem todos os formatos são criados iguais.
Na imagem abaixo, apresento uma classificação dos formatos de dados com base em seu potencial de interoperabilidade. Vale ressaltar que estes são apenas exemplos ilustrativos e não uma lista completa de todos os formatos de dados vetoriais existentes.
O formato CSV é o menos recomendado, mesmo sendo um padrão ( RFC 4180 ). O fato de não possuir um esquema fixo dificulta a validação das informações. Isso é particularmente problemático para geometrias, que podem ser codificadas de diversas maneiras sem fornecer qualquer informação sobre os Sistemas de Referência de Coordenadas (SRCs).
O Shapefile é um formato estruturado e aberto; um white paper foi publicado em 1998 descrevendo o formato em detalhes, permitindo que qualquer pessoa o implemente (e ele é efetivamente suportado pela maioria das ferramentas geoespaciais). No entanto, a especificação não é um padrão, pois não é desenvolvida e mantida por uma organização de padronização independente. Como resultado, não oferece o mesmo nível de garantia que os padrões formais.
Os três formatos restantes, no extremo superior da escala, são padrões e, portanto, recomendados. GeoJSON e JSON-FG têm uma classificação superior em termos de interoperabilidade, pois suportam validação semântica por meio do JSON Schema . O JSON-FG, em particular, suporta a definição de FeatureTypes, definidos por FeatureSchemas.
Algumas ressalvas devem ser consideradas ao selecionar padrões usando este diagrama. JSON-FG é um padrão relativamente novo e pode ainda não ter sido amplamente adotado, enquanto GeoJSON sempre assume o CRS padrão (WGS84).
Embora seja valioso recomendar formatos mais interoperáveis, reconheço que os usuários frequentemente chegam com formatos diferentes. O lado bom é que, se estivermos trabalhando com formatos estruturados, geralmente é simples convertê-los usando ferramentas como o GDAL.
Colocando essas recomendações em prática
Para orientações práticas, consulte estas diretrizes sobre formatos de dados, nomes de arquivos e nomes de campos. Este guia fornece uma abordagem passo a passo para transformar dados tabulares em um formato de dados geoespaciais.
