AI-DGGS for Disaster Management pilootprojekt viidi läbi OGC teadusprogrammi raames ning seda rahastasid Kanada Loodusvarade ministeerium (NRCan), Euroopa Kosmoseagentuur (ESA), Prantsuse kosmoseagentuur (CNES) ja USA Geoloogiateenistus (USGS). Piloodis uuriti, kuidas globaalseid diskreetseid võrgustikke (DGGS), OGC API – DGGS standardit ja tehisintellekti (AI) koos üleujutusriski hindamiseks kasutada. Uurimisalaks oli Red Riveri vesikond Manitobas (Kanada). DGGS on ühine ruumiline alus: nii RADARSAT Constellation Missioni (RCM) radaripildid kui ka rahvastikuandmed indekseeritakse samadesse võrgu rakkudesse. Tehisintellekti agendid (nt Retrieval-Augmented Generation (RAG) või Model Context Protocol (MCP) kaudu) saavad seejärel pärida asukohapõhiseid andmeid mitmest sõltumatust DGGS-serverist, selle asemel et tugineda eelnevalt õpitud teadmistele.
OGC lõpparuanne on nüüd avalik ning saadaval HTML ja PDF kujul.
Meie panus: pydggsapi kui avatud lähtekoodiga DGGS-server
Alexander Kmoch ja Wai Tik Chan osalesid piloodis (Geolynxi kaudu, koostöös meie laboriga) avatud lähtekoodiga DGGS API serverikomponendiga (D121), mis põhineb meie tarkvaral pydggsapi. pydggsapi oli ka meie partneri, Montréali Arvutiuuringute Instituudi (CRIM), DGGS API aluseks. Seega testiti sama koodibaasi kahte sõltumatut paigaldust nii omavahel kui ka teiste osalejate tehisintellektil põhinevate klientrakendustega. Piloodi käigus pydggsapi’t laiendati ja täiustati:
- IGEO7 ja H3 võrgustike vaheline teisendus päringu ajal, nii et andmete salvestus ei sõltu kliendi soovitud võrgustikust;
- moodulpõhine arhitektuur võrgustike teekide (DGGRID läbi dggrid4py, DGGAL) ja salvestuslahenduste (ClickHouse, Zarr, Parquet) jaoks;
- OGC API – DGGS vastavusklassid tsoonipäringuteks, tsooniandmete pärimiseks, CQL2 filtriteks, kohandatud sügavusteks ja mitmeks väljundformaadiks;
- Mapbox vektortailide liides DGGS-andmekogumite visualiseerimiseks otse QGIS-is;
- laiuskraadi nihke parandused dggrid4py-s ja pydggsapi-s, et koordinaadid oleksid rakenduste vahel ja GeoJSON-väljundis kooskõlas.
Teisendasime mitu rasterandmestikku IGEO7-indekseeritud Zarr-andmekogumiteks, mis sisaldavad 14. täpsustustasemel (~75 m² tsooni kohta) 60 kuni 200 miljonit tsooni. Tehnoloogia integratsiooni eksperimentides (TIE) pärisid teiste osalejate tehisintellekti kliendid andmeid korraga meie serverist ning Geomatysi, Ecere, Safe Software’i ja teiste serveritest.
Õppetunnid
Piloot tõi esile ka piiranguid, mis on kirjeldatud aruande lisas J. Üle ~200 miljoni tsooniga andmekogumeid ei olnud meie testserveris võimalik avaldada, sest Xarray laadib kogu tsooniindeksi mällu. Seetõttu on vahemikupõhised või virtuaalsed indeksid Zarr-vormingus DGGS-andmetele meie edasise töö prioriteet nii pydggsapi kui ka XDGGS arenduses. Lisaks võib 7-apertuuriga kuusnurkvõrgustike (nii IGEO7 kui ka H3) agregeerimine loogilise vanem-laps hierarhia järgi põhjustada kuni 6,5% statistilise vea, sest vanemtsoon ei kata täielikult oma lapsi. Wai Tik Chan rõhutas ka, et tehisintellekti agendid vajavad metaandmeid andmete DGGS-i viimisel kasutatud kvantimismeetodi kohta (nt lähima naabri või bilineaarne interpolatsioon), sest muidu ei ole võimalik ümberdiskreetimise artefakte arvesse võtta.
Lisaks serveri arendusele panustasime aruande lisadesse DGGS-i valimise kohta (lisa C), serveriteekide ja analüüsivõimaluste kohta (lisad D ja E) ning DGGS-Zarr kodeeringu spetsifikatsiooni mustandisse (lisa F), mis tugineb meie tööle XDGGS ja Zarri kogukonnaga.
Palun viita piloodi aruandele järgmiselt:
Contarinis, S., Taghavikish, S. (Eds.): AI-DGGS Disaster Management Pilot Report, OGC Engineering Report 25-031, Open Geospatial Consortium, http://www.opengis.net/doc/PER/AI-DGGS/D001, 2026.
