Vanuit Zicht op Nederland waren we hierbij aanwezig. We volgen cloudontwikkelingen op de voet. Zo kunnen we beoordelen welke ontwikkelingen relevant zijn voor de doorontwikkeling van het nationale geo-datastelsel en hoe deze passen binnen de architectuurprincipes van het programma.
Aanpassen aan de cloud
Geo-informatie wordt steeds meer ontworpen, beheerd en gebruikt volgens de principes van moderne cloudtechnologie. Want geo-informatie in de cloud biedt veel mogelijkheden. Denk alleen al aan schaalbaarheid, beter deelbare geo-data, makkelijker te beheren en meer mogelijkheden voor samenwerking. Maar de vraag is dan: hoe benut je die mogelijkheden? Van welke formaten, standaarden en geautomatiseerde processen maak je bijvoorbeeld gebruik? In diverse presentaties werden bepaalde aspecten hiervan tegen het licht gehouden.
Object-based werken
Jeremy Tandy (UK Met Office) benadrukte onder andere het belang van object-based opslag. In plaats van volledige bestanden opslaan op een vaste server (zoals bij file-based opslag), werkt object-based opslag met losse, schaalbare objecten. Door hiervoor dezelfde open standaarden en afspraken te hanteren, sluiten geodata en systemen beter op elkaar aan. Organisaties kunnen dan gegevens eenvoudig combineren, opnieuw gebruiken en uitwisselen.
Capaciteitsopbouw voor Cloud-Native geodata
Serkan Girgin (Universiteit Twente) wees op de noodzaak om te stoppen met het downloaden van grote datavolumes voor lokale verwerking. Cloud-native benaderingen verdienen volgens hem de toekomst, maar vragen om durf, ondersteuning bij het loskomen van legacy-formaten en meer aandacht in opleidingen. Studenten en professionals moeten leren wanneer welke cloud-native oplossing passend is, niet alleen hoe je deze gebruikt.
AI, ML en DGGS voor schaalbare geodata-analyse
In een workshop ging Sjoerd Braaksma (Mimir Consultancy) in op het toepassen van AI en machine learning op ongestructureerde geodata. Hiervoor is volgens hem een cloud-cluster essentieel, gezien de benodigde rekenkracht. Verder pleitte hij voor het gebruik van Discrete Global Grid Systems (DGGS), waarbij de wereld wordt opgedeeld in vaste cellen in plaats van coördinaten. Dit maakt data eenvoudiger deelbaar en complexe analyses beter opschaalbaar.
Voordelen van het gebruik van DGGS zijn dat data op een gestandaardiseerde manier deelbaar gemaakt kan worden, complexe analyses opschaalbaar worden.
DGGS in verschillende resoluties.
Praktijklab: distributed computing vele malen sneller
Als afsluiting van de workshop hadden deelnemers nog wat voorbereid: een omgeving waarin je gemakkelijk Python-code kunt schrijven (Python lab). Aan de hand van data uit het Acueel Hoogtebestand Nederland (AHN) werd Nederland eerst in kleine kaartvakken verdeeld (tiles). Elk vak werd vervolgens nog verder opgeknipt in kleinere stukjes (subtiles). Daarna werd deze informatie gekoppeld aan gegevens uit de BGT. Tijdens de demonstratie werd getoond wat het verschil is tussen alles achter elkaar verwerken op één computer, of het werk verdelen over heel veel computers tegelijk (distributed computing). Dat laatste ging natuurlijk veel sneller. Uiteindelijk leverde dit een 3D beeld op van de puntenwolk, zoals in onderstaand beeld wordt weergeven.
