Seagull: como usar o GizmoSQL para criar aplicações GIS web escaláveis

Artigo de convidado: este artigo foi escrito por Kasper F. Pedersen, do grupo de pesquisa Daisy da Universidade de Aalborg, na Dinamarca, e é publicado aqui com a autorização do autor. O Seagull é descrito no artigo do IEEE MDM 2026 "Seagull: Data-Driven Maritime Traffic Analysis".

Os dados marítimos têm recebido muita atenção da comunidade de pesquisa nos últimos anos graças à disponibilidade de grandes conjuntos de dados abertos. No grupo de pesquisa Daisy, da Universidade de Aalborg, na Dinamarca, trabalhamos com teoria e prática no domínio marítimo. Na parte prática, criamos a plataforma Seagull para disponibilizar dados AIS por meio de várias camadas:

Uma camada de histórico de posições das embarcações
Uma camada de grade quadkey agregada com filtros
Uma camada de grade de meio grau agregada com filtros
Uma camada de histórico de trajetórias das embarcações

A plataforma é desenvolvida em colaboração com a Danish Geodata Agency, como parte da iniciativa Digital Research Centre Denmark (DIREC). O Seagull é útil para quem tem interesse no histórico de movimentação na água. Na data de redação deste artigo (setembro de 2026), o Seagull armazena mais de 18,7 bilhões de registros do Sistema de Identificação Automática (AIS), de mais de 126.400 navios.

Desafios

O grupo de pesquisa responsável pelo Seagull usa PostgreSQL há bastante tempo e está satisfeito com ele. Por isso, muitos projetos anteriores o utilizaram para gerenciar dados. O Seagull também começou com PostgreSQL, mas logo percebemos que eram necessárias muitas tabelas pré-agregadas para acompanhar o volume de dados disponível. Manter essas tabelas de agregação aumenta o trabalho nos pipelines de dados.

A solução

Para resolver os problemas de escalabilidade mantendo um pipeline de dados enxuto e simples, o grupo decidiu experimentar o DuckDB. Ficamos impressionados com o desempenho e o pouco espaço em disco que ele exige. Mas havia um grande problema: o DuckDB é um banco OLAP que roda dentro do processo, com múltiplas leituras e uma única gravação; portanto, só um processo pode gravar dados por vez. Nossa plataforma depende de vários componentes, como o Apache Airflow para os pipelines de dados, o MapLibre Martin para servir blocos vetoriais e uma aplicação web para apresentar os dados ao usuário final. Acessar os dados por um único processo não seria suficiente.

GizmoSQL para resolver o problema

Estava claro que precisávamos de algum tipo de camada intermediária para limitar o acesso ao arquivo do banco. Foi exatamente aí que o GizmoSQL entrou. O GizmoSQL nos permitiu usar o DuckDB como se fosse um banco de dados centralizado. Ele oferece acesso ao DuckDB pelo protocolo Arrow Flight SQL. Assim, apenas um processo precisava acessar o arquivo do banco, enquanto várias conexões podiam consultá-lo. A ingestão também continuou rápida graças ao trabalho da equipe GizmoData nos drivers ADBC. Era hora de construir a plataforma Seagull!

A plataforma Seagull

Tudo o que a aplicação web Seagull entrega é processado sob demanda. Não há pré-agregação, mas o Martin armazena em cache os blocos já servidos para reduzir o processamento. Os blocos são gerados com a funcionalidade MVT disponível no DuckDB. Isso elimina a necessidade de pré-calcular arquivos como PMTiles e MBTiles.

Grade quad do Seagull no nível de zoom 11 sobre um estreito dinamarquês, com cores por quantidade de embarcações e rotas de tráfego intenso em vermelho — Figura 1: grade quad no nível de zoom 11, por quantidade de embarcações. Vermelho indica maior quantidade.

Grade quad do Seagull no nível de zoom 18 ao redor de um porto, com cores por quantidade de embarcações e berços e canais em vermelho — Figura 2: grade quad no nível de zoom 18, por quantidade de embarcações. Vermelho indica maior quantidade.

A Figura 1 mostra a grade quad no nível de zoom 11, com uma visão aérea geral da quantidade de embarcações que passam pelas células. Em comparação, a Figura 2 mostra uma visão mais detalhada no nível de zoom 18.

Grade quad do Seagull no nível de zoom 23 sobre a bacia de um porto em imagem aérea, com cores por folga abaixo da quilha, berços rasos em vermelho e o canal mais profundo em azul — Figura 3: grade quad no nível de zoom 23, por folga abaixo da quilha. Vermelho indica menor folga.

Enquanto a Figura 1 e a Figura 2 mostram a quantidade de embarcações, a Figura 3 destaca a folga abaixo da quilha (metros de água sob a quilha). A Figura 3 usa o nível de zoom mais detalhado, 23 (cerca de 2,1 m² por célula), útil para passagens estreitas ou áreas congestionadas, como portos. Todos os dados podem ser apresentados dos níveis de zoom 1 a 23 e são processados a cada solicitação.

Grade quad do Seagull no nível de zoom 17 ao largo de Skagen, na Dinamarca, com cores por tempo de ocupação das embarcações e navios ancorados em células vermelhas — Figura 4: grade quad no nível de zoom 17, por tempo de ocupação das embarcações. Vermelho indica maior duração.

Camada de posições das embarcações do Seagull ao largo de Skagen, na Dinamarca: círculos para embarcações paradas e setas para as que estão em movimento, com cores por tipo de embarcação — Figura 5: histórico de posições das embarcações (última posição conhecida).

A Figura 4 e a Figura 5 ilustram a mesma área em formatos diferentes. A Figura 4 destaca onde as embarcações ficam paradas. A métrica corresponde aos segundos de embarcação únicos por dia em cada célula, acumulados em um período de 5 dias. A Figura 5 mostra um retrato das posições em 04/09/2026 às 8h36. Círculos representam embarcações paradas e setas representam as que estão em movimento; a inclinação da seta indica o rumo sobre o fundo. As cores correspondem ao tipo de embarcação.

Conclusão

A plataforma Seagull se beneficia da centralização do DuckDB oferecida pelo GizmoSQL. Isso nos permitiu projetar um sistema com um esquema de dados relativamente simples, que exige pouca manutenção e ainda entrega uma plataforma responsiva e de alto desempenho. Para mais detalhes de implementação do Seagull, leia nosso artigo.

Da equipe GizmoData: o Seagull é um ótimo exemplo do modelo para o qual o GizmoSQL foi criado: manter a simplicidade de um único arquivo do DuckDB e colocar um servidor Arrow Flight SQL à sua frente, para que pipelines, servidores de blocos e aplicações compartilhem um banco. Se você está construindo algo semelhante, instale o GizmoSQL Core gratuitamente ou fale conosco sobre usá-lo em produção.