En intégrant Examind Datacube à votre infrastructure de données, vous étendez ses capacités à exploiter de très grands volumes de données géoréférencées.
LIRE PLUS
Le Datacube offre une interface unifiée pour accéder à une grande diversité de fichiers et de types de bases de données
En s’appuyant sur le standard OGC GeoAPI, Examind-datacube permet d’interconnecter des technologies d’analyses et de traitements géographiques en Java aussi bien qu’en Python.
L’utilisation conjointe d’Examaind-Community (ou server) avec le Datacube et un notebook Jupiter (ou Zeppelin), permet d’élaborer un atelier de GeoDatascience apportant une visualisation en temps réel des résultats d’algorithmes élaborés.
La solution, pivot de votre infrastructure, catalogue et indexe les ressources disponibles sur les Datalakes cibles. Elle gère une grande variété de formats géospatiaux et propose un accès unifié à ces sources de données. Des librairies ne gérant pas nativement ces formats peuvent alors manipuler la donnée.
La solution dispose de mécanisme avancé (indexation, lecteur de données optimisées, scalabilité...) pour l'extraction et la transformation à la volée de la donnée tout en garantissant les performances. L'entiereté du DataLake peut donc être exploitée sans préparation préalable de la donnée.
L'ensemble des données est rendu accessible au travers de produits pour lesquels vous choisissez la granularité et la structure.
Il devient alors possible de manipuler ces produits dans toutes les dimensions du cube de données ainsi obtenu: en 2D, 3D ou selon un axe temporel via des API programatiques (Python, Java...) ou des services de diffusions standards (WCS, WFS, SOS, SensorThings...).
Un certain nombre de traitements pour l'extraction et la manipulation des données sont disponibles au travers du DataCube. Ces traitements peuvent être combinés à des librairies tierces via les API du DataCube, vous permettant ainsi de prototyper, puis passer en production le traitement qui répond parfaitement à votre besoin.
Le prototypage peut être réalisé au travers de Notebook (Jupyter ou Zepellin).
Quelques exemples d'usages
Créer des systèmes d'alertes riches combinant données environnementales et données situationnelles.
Disposer d'un accès riche et simplifié à vos données afin de prototyper efficacement vos traitements puis de les passer en production
Utilisation des Moving Feature pour l'exploitation de la dimension temporelle des trajectoires dans l'analyse et la combinaison des phénomènes.
Passer d'un ensemble de données 2D à une scène 3D riche.