Desarrollo geoespacial con PostGIS para aplicaciones basadas en la ubicación

ArcGIS y QGIS Server son suites GIS completas de escritorio y servidor, con herramientas cartográficas, conectores de datos con licencia y flujos de análisis con interfaz gráfica, adecuadas para analistas GIS que elaboran mapas. PostGIS es la mejor opción cuando su aplicación necesita consultar, unir y manipular datos espaciales de forma programática y a gran escala, usando SQL junto con los datos de negocio relacionales y sin licencias por puesto. La mayoría de los equipos de producto que desarrollan funciones de gestión de flotas, localizadores de tiendas o analítica espacial están mejor servidos por PostGIS que por un servidor GIS dedicado.

El índice 2dsphere de MongoDB resuelve bien la proximidad de puntos y las consultas básicas de polígonos en cargas orientadas a documentos. PostGIS es la mejor opción cuando se necesitan operaciones espaciales complejas —enrutamiento de varios pasos, intersección de polígonos, agregación espacial, análisis ráster, topología— o cuando los datos de ubicación deben unirse con tablas relacionales (pedidos, usuarios, inventario) en una sola consulta. Si sus consultas espaciales se reducen a «buscar documentos cerca de un punto», MongoDB es suficiente; si necesita un motor SQL espacial completo, PostGIS gana en capacidad y en cumplimiento de estándares.

Por defecto, pgRouting carga el grafo de enrutamiento en memoria en cada consulta, lo que resulta lento en redes de escala nacional. Los despliegues en producción preprocesan la topología con pgr_createTopology, construyen jerarquías de contracción (pgr_contraction) para reducir el tamaño efectivo del grafo en las consultas de larga distancia, particionan la red por región para limitar la carga del grafo y almacenan en caché en vistas materializadas los resultados de isócronas más frecuentes. Con estas optimizaciones, se puede conseguir un enrutamiento en menos de un segundo en redes con decenas de millones de aristas con hardware de gama media.

Los índices GiST sobre columnas de geometría almacenan jerarquías de bounding boxes (una variante del R-tree). Aceleran &&, ST_Intersects, ST_DWithin y ST_Contains al filtrar los candidatos a un conjunto reducido de bounding boxes antes de la prueba exacta de geometría. Rinden peor cuando las geometrías tienen tamaños muy dispares (puntos pequeños junto a polígonos de países), cuando las estadísticas de la tabla están obsoletas o cuando la consulta devuelve una fracción grande de la tabla. Particionar por tipo de geometría y ejecutar ANALYZE después de las cargas masivas restablece la precisión del planificador.

Imponemos un único SRID canónico (normalmente EPSG:4326 para el almacenamiento y EPSG:3857 para la visualización) en el esquema mediante las restricciones de AddGeometryColumn de PostGIS. Todos los datos entrantes se reproyectan en el momento de la ingesta mediante GDAL/OGR o ST_Transform, con comprobaciones de validación de SRID que rechazan las filas con un CRS desconocido o incompatible. El SRID de origen y los metadatos del datum se registran en una tabla de catálogo spatial_metadata, de modo que el origen de los datos sea trazable en cada columna de geometría.

PostGIS puede ofrecer geofencing en tiempo real si las consultas están bien estructuradas: el prefiltro de bounding box con && reduce los candidatos a un conjunto pequeño antes de la comprobación exacta con ST_Within o ST_DWithin, y los polígonos de las geovallas se indexan por separado con GiST. Para telemetría de alta frecuencia (miles de eventos por segundo), combinamos PostGIS con una caché de ruta crítica de Redis con GEORADIUS: PostGIS sigue siendo el almacén de referencia de las geovallas y se consulta para los fallos de caché, las actualizaciones de límites y las consultas de auditoría. Las hypertables de TimescaleDB absorben la carga de inserción de la telemetría de series temporales.

Martin y pg_tileserv son servidores ligeros en Rust y Go que se conectan directamente a PostGIS y generan Mapbox Vector Tiles (MVT) bajo demanda a partir de las tablas de geometrías. Configuramos las fuentes de teselas con ST_AsMVT, fijamos umbrales de ST_Simplify que dependen del nivel de zoom para que las teselas con zoom alto incluyan todo el detalle de la geometría y las de zoom bajo estén simplificadas, exponemos el endpoint MVT detrás de una CDN (Cloudflare o CloudFront) para la caché y ajustamos los parámetros de consultas paralelas de PostgreSQL para que la generación de teselas use varios núcleos de CPU bajo carga.