Estudo Comparativo de Banco de Dados NoSQL para Gerenciamento de Séries Espaço-Temporais
Resumo
Este artigo avalia o desempenho dos SGBDs MongoDB e InfluxDB no gerenciamento de dados espaço-temporais oriundos do projeto Brazil Data Cube (BDC), utilizados em análises relacionadas à cafeicultura. Os dados foram tratados, modelados e armazenados em instâncias executadas em containers Docker. A metodologia envolveu testes de carga e consultas simulando dois cenários com dados reais: recuperação de séries temporais para um único pixel e consultas espaciais em uma data específica. Os resultados indicaram que o MongoDB apresentou melhor desempenho nas operações de carga e nas consultas espaciais, enquanto o InfluxDB se destacou nas consultas por pixel. O estudo contribui com uma análise prática que pode orientar a escolha de tecnologias para aplicações que lidam com dados espaço-temporais em contextos agrícolas.
Palavras-chave:
Séries espaço-temporais, NoSQL Benchmark, MongoDB, InfluxDB, Brazil Data Cube
Referências
Bassoi, L. H., Inamasu, R. Y., Bernardi, A. C. d. C., Vaz, C. M. P., Speranza, E. A., and Cruvinel, P. E. (2019). Agricultura de precisão e agricultura digital. TECCOGS: Revista Digital de Tecnologias Cognitivas, (20).
Batina, A. (2023). Data Cubes – A Modern Approach for Handling Earth Observation Data. In 2023 International Conference on Earth Observation and Geo-Spatial Information (ICEOGI), pages 1–6.
Choi, W. G., Kim, S., Kim, J., Song, M.-H., and Lee, S.-S. (2022). Real-Time Data Processing Framework for Things with time-series and spatial features. In 2022 13th International Conference on Information and Communication Technology Convergence (ICTC), pages 1694–1696. ISSN: 2162-1241.
CnosDB Documentation. Introduction | CnosDB.
Colosi, M., Martella, F., Parrino, G., Celesti, A., Fazio, M., and Villari, M. (2022). Time Series Data Management Optimized for Smart City Policy Decision. In 2022 22nd IEEE International Symposium on Cluster, Cloud and Internet Computing (CCGrid), pages 585–594.
DB-Engines. DB-Engines Ranking.
Formaggio, A. R. and Sanches, I. D. (2017). Sensoriamento remoto em Agricultura. Oficina de Textos. Google-Books-ID: hk88DwAAQBAJ.
Hachimi, C. E., Belaqziz, S., Khabba, S., Sebbar, B., Dhiba, D., and Chehbouni, A. (2023). Smart Weather Data Management Based on Artificial Intelligence and Big Data Analytics for Precision Agriculture. Agriculture, 13(1):95. Number: 1 Publisher: Multidisciplinary Digital Publishing Institute.
InfluxDB - pivot. pivot() function | Flux Documentation.
InfluxDB Documentation. InfluxDB OSS v2 Documentation.
InfluxDB Geo Package. Experimental geo package | Flux Documentation.
John, P., Hynek, J., Hruška, T., and Valný, M. (2023). Application of Time Series Database for IoT Smart City Platform. In 2023 Smart City Symposium Prague (SCSP), pages 1–6. ISSN: 2691-3666.
Kim, S., Hoang, Y., Yu, T. T., and Kanwar, Y. S. (2023). GeoYCSB: A Benchmark Framework for the Performance and Scalability Evaluation of Geospatial NoSQL Databases. Big Data Research, 31:100368.
Makris, A., Tserpes, K., Spiliopoulos, G., and Anagnostopoulos, D. (2019). Performance Evaluation of MongoDB and PostgreSQL for spatio-temporal data.
Mehmood, N. Q., Culmone, R., and Mostarda, L. (2017). Modeling temporal aspects of sensor data for MongoDB NoSQL database. Journal of Big Data, 4(1):8.
MongoDB Documentation. MongoDB Documentation.
Mongodb Storage. Time Series - Database Manual v8.0 - MongoDB Docs.
OpenTSDB Documentation. OpenTSDB - A Distributed, Scalable Monitoring System.
Petre, I., Boncea, R., Radulescu, C. Z., Zamfiroiu, A., and Sandu, I. (2019). A Time-Series Database Analysis Based on a Multi-attribute Maturity Model. Studies in Informatics and Control, 28(2).
Queiroz, D. M. d., Valente, D. S. M., Pinto, F. d. A. d. C., and Borém, A. (2022). Agricultura digital. Oficina de Textos. Google-Books-ID: 9ehvEAAAQBAJ.
Queiroz, G. R. D., Monteiro, A. M. V., and Câmara, G. (2013). BANCOS DE DADOS GEOGRÁFICOS E SISTEMAS NOSQL: ONDE ESTAMOS E PARA ONDE VAMOS. Revista Brasileira de Cartografia, 65(3).
S2 Documentation. Documentação s2 cell.
Sousa, G.; Leandro, M. F. H. (2023). O papel da cafeicultura no município de três pontas (mg). [s.l: s.n.].
Tripathi, P., Miraz, M. H., and Joshi, S. (2023). Comparative Analysis of MongoDB and InfluxDB for Time Series Data Management in IoT Environments: A Study on Performance, Scalability, and Concurrency. In 2023 International Conference on Computing, Networking, Telecommunications & Engineering Sciences Applications (CoNTESA), pages 39–42.
Tugores, A. and Colet, P. (2014). Mining online social networks with Python to study urban mobility. arXiv:1404.6966 [cs].
Zaglia, M., Vinhas, L., Queiroz, G., and Simões, R. (2019). Catalogação de Metadados do Cubo de Dados do Brasil com o SpatioTemporal Asset Catalog. pages 280–285, São José dos Campos, SP, Brazil.
Zehra, S. N. (2017). Time Series Databases and InfluxDB.
Zhou, Y., De, S., Wang, W., Moessner, K., and Palaniswami, M. S. (2017). Spatial Indexing for Data Searching in Mobile Sensing Environments. Sensors, 17(6):1427. Number: 6 Publisher: Multidisciplinary Digital Publishing Institute.
Batina, A. (2023). Data Cubes – A Modern Approach for Handling Earth Observation Data. In 2023 International Conference on Earth Observation and Geo-Spatial Information (ICEOGI), pages 1–6.
Choi, W. G., Kim, S., Kim, J., Song, M.-H., and Lee, S.-S. (2022). Real-Time Data Processing Framework for Things with time-series and spatial features. In 2022 13th International Conference on Information and Communication Technology Convergence (ICTC), pages 1694–1696. ISSN: 2162-1241.
CnosDB Documentation. Introduction | CnosDB.
Colosi, M., Martella, F., Parrino, G., Celesti, A., Fazio, M., and Villari, M. (2022). Time Series Data Management Optimized for Smart City Policy Decision. In 2022 22nd IEEE International Symposium on Cluster, Cloud and Internet Computing (CCGrid), pages 585–594.
DB-Engines. DB-Engines Ranking.
Formaggio, A. R. and Sanches, I. D. (2017). Sensoriamento remoto em Agricultura. Oficina de Textos. Google-Books-ID: hk88DwAAQBAJ.
Hachimi, C. E., Belaqziz, S., Khabba, S., Sebbar, B., Dhiba, D., and Chehbouni, A. (2023). Smart Weather Data Management Based on Artificial Intelligence and Big Data Analytics for Precision Agriculture. Agriculture, 13(1):95. Number: 1 Publisher: Multidisciplinary Digital Publishing Institute.
InfluxDB - pivot. pivot() function | Flux Documentation.
InfluxDB Documentation. InfluxDB OSS v2 Documentation.
InfluxDB Geo Package. Experimental geo package | Flux Documentation.
John, P., Hynek, J., Hruška, T., and Valný, M. (2023). Application of Time Series Database for IoT Smart City Platform. In 2023 Smart City Symposium Prague (SCSP), pages 1–6. ISSN: 2691-3666.
Kim, S., Hoang, Y., Yu, T. T., and Kanwar, Y. S. (2023). GeoYCSB: A Benchmark Framework for the Performance and Scalability Evaluation of Geospatial NoSQL Databases. Big Data Research, 31:100368.
Makris, A., Tserpes, K., Spiliopoulos, G., and Anagnostopoulos, D. (2019). Performance Evaluation of MongoDB and PostgreSQL for spatio-temporal data.
Mehmood, N. Q., Culmone, R., and Mostarda, L. (2017). Modeling temporal aspects of sensor data for MongoDB NoSQL database. Journal of Big Data, 4(1):8.
MongoDB Documentation. MongoDB Documentation.
Mongodb Storage. Time Series - Database Manual v8.0 - MongoDB Docs.
OpenTSDB Documentation. OpenTSDB - A Distributed, Scalable Monitoring System.
Petre, I., Boncea, R., Radulescu, C. Z., Zamfiroiu, A., and Sandu, I. (2019). A Time-Series Database Analysis Based on a Multi-attribute Maturity Model. Studies in Informatics and Control, 28(2).
Queiroz, D. M. d., Valente, D. S. M., Pinto, F. d. A. d. C., and Borém, A. (2022). Agricultura digital. Oficina de Textos. Google-Books-ID: 9ehvEAAAQBAJ.
Queiroz, G. R. D., Monteiro, A. M. V., and Câmara, G. (2013). BANCOS DE DADOS GEOGRÁFICOS E SISTEMAS NOSQL: ONDE ESTAMOS E PARA ONDE VAMOS. Revista Brasileira de Cartografia, 65(3).
S2 Documentation. Documentação s2 cell.
Sousa, G.; Leandro, M. F. H. (2023). O papel da cafeicultura no município de três pontas (mg). [s.l: s.n.].
Tripathi, P., Miraz, M. H., and Joshi, S. (2023). Comparative Analysis of MongoDB and InfluxDB for Time Series Data Management in IoT Environments: A Study on Performance, Scalability, and Concurrency. In 2023 International Conference on Computing, Networking, Telecommunications & Engineering Sciences Applications (CoNTESA), pages 39–42.
Tugores, A. and Colet, P. (2014). Mining online social networks with Python to study urban mobility. arXiv:1404.6966 [cs].
Zaglia, M., Vinhas, L., Queiroz, G., and Simões, R. (2019). Catalogação de Metadados do Cubo de Dados do Brasil com o SpatioTemporal Asset Catalog. pages 280–285, São José dos Campos, SP, Brazil.
Zehra, S. N. (2017). Time Series Databases and InfluxDB.
Zhou, Y., De, S., Wang, W., Moessner, K., and Palaniswami, M. S. (2017). Spatial Indexing for Data Searching in Mobile Sensing Environments. Sensors, 17(6):1427. Number: 6 Publisher: Multidisciplinary Digital Publishing Institute.
Publicado
29/09/2025
Como Citar
DAMASCENO, Luís Eduardo; V. DE PAULA, Melise Maria; SOUZA, Vanessa Cristina O. De; MOTA, Flávio Belizário da Silva.
Estudo Comparativo de Banco de Dados NoSQL para Gerenciamento de Séries Espaço-Temporais. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 40. , 2025, Fortaleza/CE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 507-520.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2025.247280.
