空间 SQL 应用（Snowflake）

完成安装后，您就可以开始使用 Sedona 函数了。请使用具备访问数据库权限的用户重新登录 Snowflake。

Note

使用 Sedona 函数时请始终保留 schema 名 SEDONA（如 SEDONA.ST_GeomFromWKT），以避免与 Snowflake 内置函数冲突。

在 Snowflake 中访问 Sedona 函数

请先确保引用了正确的函数。默认情况下，Sedona 函数位于 SEDONASNOW.SEDONA 这个数据库.schema 下：

USE DATABASE SEDONASNOW;

也可以使用其他数据库，并通过完全限定名调用，例如 SEDONASNOW.SEDONA.ST_GeomFromText。

创建示例表

下面创建一个 city_tbl，其中包含城市的位置与名称。每个位置以 WKT 字符串表示：

CREATE OR REPLACE TABLE city_tbl (wkt STRING, city_name STRING);
INSERT INTO city_tbl(wkt, city_name) VALUES ('POINT (-122.33 47.61)', 'Seattle');
INSERT INTO city_tbl(wkt, city_name) VALUES ('POINT (-122.42 37.76)', 'San Francisco');

可以查看该表的内容：

SELECT *
FROM city_tbl;

输出：

WKT CITY_NAME
POINT (-122.33 47.61)   Seattle
POINT (-122.42 37.76)   San Francisco

创建 Geometry/Geography 列

SedonaSQL 中所有几何运算都作用在 Geometry/Geography 类型对象上。因此在执行任何查询之前，需要在表上构造一列 Geometry/Geography 类型列：

CREATE OR REPLACE TABLE city_tbl_geom AS
SELECT SEDONA.ST_GeomFromWKT(wkt) AS geom, city_name
FROM city_tbl

city_tbl_geom 表中的 geom 列现在是 Binary 类型，其中数据以 Sedona 能理解的格式存储。该查询的输出会以 WKB 二进制形式显示几何对象，类似如下：

GEOM CITY_NAME
010100000085eb51b81e955ec0ae47e17a14ce4740  Seattle
01010000007b14ae47e19a5ec0e17a14ae47e14240  San Francisco

如需以人类可读的方式查看该列内容，可以使用 SEDONA.ST_AsText，例如：

SELECT SEDONA.ST_AsText(geom), city_name
FROM city_tbl_geom

也可以创建 Snowflake 原生 Geometry / Geography 类型列。例如，以下代码创建一个 Snowflake 原生 Geometry 类型列（注意函数名称没有 SEDONA 前缀）：

CREATE OR REPLACE TABLE city_tbl_geom AS
SELECT ST_GeometryFromWKT(wkt) AS geom, city_name
FROM city_tbl

下面的代码创建一个 Snowflake 原生 Geography 类型列（同样没有 SEDONA 前缀）：

CREATE OR REPLACE TABLE city_tbl_geom AS
SELECT ST_GeographyFromWKT(wkt) AS geom, city_name
FROM city_tbl

Note

SedonaSQL 提供了大量构造 Geometry 列的函数，详见 SedonaSQL API。

检查经纬度顺序（lon/lat）

在 SedonaSnow v1.4.1 及之前的版本中，下列函数使用 lat/lon 顺序：

• SEDONA.ST_Transform
• SEDONA.ST_DistanceSphere
• SEDONA.ST_DistanceSpheroid

下列函数使用 lon/lat 顺序：

• SEDONA.ST_GeomFromGeoHash
• SEDONA.ST_GeoHash
• SEDONA.ST_S2CellIDs

自 Sedona v1.5.0 起，所有函数统一使用 lon/lat 顺序。

如果原始数据的坐标顺序与所需顺序不一致，可使用 SEDONA.ST_FlipCoordinates(geom: Geometry) 进行翻转。

上文示例数据采用 lon/lat 顺序，可按如下方式翻转坐标：

CREATE OR REPLACE TABLE city_tbl_geom AS
SELECT SEDONA.ST_FlipCoordinates(geom) AS geom, city_name
FROM city_tbl_geom

再次查看表内容，此时已变为 lat/lon 顺序：

SELECT SEDONA.ST_AsText(geom), city_name
FROM city_tbl_geom

输出：

GEOM    CITY_NAME
POINT (47.61 -122.33)   Seattle
POINT (37.76 -122.42)   San Francisco

保存为普通列

要将表持久化到永久存储中，只需把 Geometry 类型列里的每个几何对象转换回普通字符串再保存即可。

可使用以下代码把表中的 Geometry 列还原为 WKT 字符串列：

SELECT SEDONA.ST_AsText(geom)
FROM city_tbl_geom

Note

SedonaSQL 提供了多种保存 Geometry 列的函数，详见 SedonaSQL API。

转换坐标参考系

Sedona 不会自动管理一列 Geometry 中所有几何对象的坐标单位（基于度还是基于米）。SedonaSQL 中所有相关距离的单位与 Geometry 列中几何对象的单位保持一致。

要转换 Geometry 列的坐标参考系，可使用 SEDONA.ST_Transform(A:geometry, SourceCRS:string, TargetCRS:string)。

SEDONA.ST_Transform 第一个 EPSG 代码 EPSG:4326 是源 CRS——也就是最常见的基于度的 CRS（WGS84）。

第二个 EPSG 代码 EPSG:3857 是目标 CRS——最常见的基于米的 CRS。

SEDONA.ST_Transform 会把这些几何对象的 CRS 从 EPSG:4326 转换到 EPSG:3857。详细 CRS 信息可以在 EPSG.io 找到。

Note

该函数在 1.5.0+ 中使用 lon/lat 顺序，在 1.4.1 及之前使用 lat/lon 顺序。可以使用 SEDONA.ST_FlipCoordinates 交换 X 与 Y。

按以下方式转换示例数据：

SELECT SEDONA.ST_AsText(SEDONA.ST_Transform(geom, 'epsg:4326', 'epsg:3857')), city_name
FROM city_tbl_geom

输出：

POINT (6042216.250411431 -13617713.308741156)  Seattle
POINT (4545577.120361927 -13627732.06291255)  San Francisco

SEDONA.ST_Transform 同样支持 OGC WKT 格式的 CRS 字符串。下面的查询输出与上面相同，但目标 CRS 以 OGC WKT 字符串给出：

SELECT SEDONA.ST_AsText(SEDONA.ST_Transform(geom, 'epsg:4326', 'PROJCS["WGS 84 / Pseudo-Mercator",
     GEOGCS["WGS 84",
         DATUM["WGS_1984",
             SPHEROID["WGS 84",6378137,298.257223563,
                 AUTHORITY["EPSG","7030"]],
             AUTHORITY["EPSG","6326"]],
         PRIMEM["Greenwich",0,
             AUTHORITY["EPSG","8901"]],
         UNIT["degree",0.0174532925199433,
             AUTHORITY["EPSG","9122"]],
         AUTHORITY["EPSG","4326"]],
     PROJECTION["Mercator_1SP"],
     PARAMETER["central_meridian",0],
     PARAMETER["scale_factor",1],
     PARAMETER["false_easting",0],
     PARAMETER["false_northing",0],
     UNIT["metre",1,
         AUTHORITY["EPSG","9001"]],
     AXIS["Easting",EAST],
     AXIS["Northing",NORTH],
     EXTENSION["PROJ4","+proj=merc +a=6378137 +b=6378137 +lat_ts=0 +lon_0=0 +x_0=0 +y_0=0 +k=1 +units=m +nadgrids=@null +wktext +no_defs"],
     AUTHORITY["EPSG","3857"]]')), city_name
FROM city_tbl_geom

范围查询

使用 SEDONA.ST_Contains、SEDONA.ST_Intersects、SEDONA.ST_Within 在单列上执行范围查询。

下例查找位于给定多边形内的所有几何对象：

SELECT *
FROM city_tbl_geom
WHERE SEDONA.ST_Contains(SEDONA.ST_PolygonFromEnvelope(1.0,100.0,1000.0,1100.0), geom)

Note

了解如何创建 Geometry 类型的查询窗口请参阅 SedonaSQL API。

KNN 查询

使用 SEDONA.ST_Distance、SEDONA.ST_DistanceSphere、ST_DistanceSpheroid 计算距离并排序。

下面的代码返回距离给定点最近的 5 个对象：

SELECT geom, SEDONA.ST_Distance(SEDONA.ST_Point(1.0, 1.0), geom) AS distance
FROM city_tbl_geom
ORDER BY distance DESC
LIMIT 5

范围连接查询

Warning

Sedona 在 Snowflake 中的范围连接不会触发 Sedona 的优化空间连接算法（Sedona Spark 会触发），它使用的是 Snowflake 默认的笛卡尔连接，速度非常慢。建议改用 Sedona 的 S2 等值连接，或者使用 Snowflake 原生 ST 函数 + 原生 Geography 类型来执行范围连接，这样可以触发 Snowflake 的 GeoJoin 算法。

简介：从 A、B 两侧的几何对象中找到所有满足某种谓词的几何对组合。

示例：

构造演示用的表：

CREATE OR REPLACE TABLE polygondf AS
SELECT SEDONA.ST_GeomFromText('POLYGON((0 0, 0 1, 1 1, 1 0, 0 0))') polygonshape;

CREATE OR REPLACE TABLE pointdf AS
SELECT SEDONA.ST_GeomFromText('POINT(0.5 0.5)') pointshape;

使用不同的空间谓词执行查询：

SELECT *
FROM polygondf, pointdf
WHERE SEDONA.ST_Contains(polygondf.polygonshape,pointdf.pointshape)

SELECT *
FROM polygondf, pointdf
WHERE SEDONA.ST_Intersects(polygondf.polygonshape,pointdf.pointshape)

SELECT *
FROM pointdf, polygondf
WHERE SEDONA.ST_Within(pointdf.pointshape, polygondf.polygonshape)

对应的更快的空间连接（仅使用 Snowflake 原生函数）写法：

WITH polygondf AS (
    SELECT ST_GeomFromText('POLYGON((0 0, 0 1, 1 1, 1 0, 0 0))') polygonshape
),
pointdf AS (
    SELECT ST_GeomFromText('POINT(0.5 0.5)') pointshape
)
SELECT *
FROM polygondf, pointdf
WHERE ST_Contains(polygondf.polygonshape,pointdf.pointshape)

ST_Intersects、ST_Within 等其他谓词也可以原生使用。

距离连接

Warning

Sedona 在 Snowflake 中的距离连接不会触发 Sedona 的优化空间连接算法（Sedona Spark 会触发），它使用的是 Snowflake 默认的笛卡尔连接，速度非常慢。建议改用 Sedona 的 S2 等值连接，或者使用 Snowflake 原生 ST 函数 + 原生 Geography 类型来执行范围连接，从而触发 Snowflake 的 GeoJoin 算法。

简介：从 A、B 两侧的几何对象中找到所有距离小于等于某阈值的对组合。支持的平面欧氏距离函数包括 SEDONA.ST_Distance、SEDONA.ST_HausdorffDistance、SEDONA.ST_FrechetDistance，基于米的测地距离函数包括 SEDONA.ST_DistanceSpheroid 与 SEDONA.ST_DistanceSphere。Snowflake 仅原生支持 ST_Distance。

先创建两个仅含一个几何对象的演示表：

CREATE OR REPLACE TABLE pointdf2 AS
SELECT SEDONA.ST_GeomFromText('POINT(0 0)') pointshape;

CREATE OR REPLACE TABLE polygondf2 AS
SELECT SEDONA.ST_GeomFromText('POLYGON((0.5 0.5, 0.5 1, 1 1, 1 0.5, 0.5 0.5))') polygonshape;

平面欧氏距离示例：

POINT(0 0) 与 POINT(0.5 0.5) 之间的常规 L2 欧氏距离是 0.5 的平方根，因此下面这条查询返回这唯一一对点：

SELECT *
FROM pointdf, pointdf2
WHERE SEDONA.ST_Distance(pointdf.pointshape,pointdf2.pointshape) <= sqrt(0.5)

两个不相离的多边形之间的 L2 距离为 0，因此下面的查询返回这唯一的多边形对：

SELECT *
FROM polygondf, polygondf2
WHERE SEDONA.ST_Distance(polygondf.polygonshape,polygondf2.polygonshape) <= 0

但 Hausdorff 与 Fréchet 距离未必如此。下面的两个查询都不会返回任何行：

SELECT *
FROM polygondf, polygondf2
WHERE SEDONA.ST_HausdorffDistance(polygondf.polygonshape, polygondf2.polygonshape, 0.3) <= 0

SELECT *
FROM polygondf, polygondf2
WHERE SEDONA.ST_FrechetDistance(polygondf.polygonshape, polygondf2.polygonshape)  <= 0

注意：只有 Hausdorff 距离接受第三个参数 densityFraction，取值范围 $(0,1]$，值越小结果越精确。

Warning

如果使用 SEDONA.ST_Distance、SEDONA.ST_HausdorffDistance 或 SEDONA.ST_FrechetDistance 等平面欧氏距离函数作为谓词，Sedona 不会管理 distance 的单位（度还是米），其单位与几何对象保持一致。如果坐标是经纬度，那么 distance 的单位应当是度而不是米或英里。要修改几何对象的单位，要么通过 SEDONA.ST_Transform 转换到基于米的坐标系；如果不希望转换数据，请改用 SEDONA.ST_DistanceSpheroid 或 SEDONA.ST_DistanceSphere。

例如，下面的查询大约返回 78.45 千米——因为即使没有显式设置 CRS，几何对象也被默认视为经纬度：

SELECT SEDONA.ST_DistanceSpheroid(pointdf.pointshape,pointdf2.pointshape)
FROM pointdf, pointdf2

下面这条查询展示了：在 GEOGRAPHY 对象上使用 Snowflake 原生的 ST_DISTANCE 与 SEDONA.ST_DistanceSphere、SEDONA.ST_DistanceSpheroid 给出的结果相近：

SELECT
    SEDONA.ST_DistanceSphere(
        pointdf.pointshape,
        pointdf2.pointshape
    ) SEDONA_ST_DistanceSphere,
    --
    SEDONA.ST_DistanceSpheroid(
        pointdf.pointshape,
        pointdf2.pointshape
    ) SEDONA_ST_DistanceSpheroid,
    --
    ST_DISTANCE(
        TO_GEOGRAPHY(SEDONA.st_astext(pointdf.pointshape)),
        TO_GEOGRAPHY(SEDONA.st_astext(pointdf2.pointshape) )
    ) SFKL_ST_DISTANCE
FROM pointdf, pointdf2

输出：

SEDONA_ST_DISTANCESPHERE	SEDONA_ST_DISTANCESPHEROID	SFKL_ST_DISTANCE
78626.28640698	78451.248031239	78626.311089506

基于 Google S2 的近似等值连接

可以使用 Sedona 内置的 Google S2 函数来执行近似等值连接。该方法借助 Snowflake 内置的等值连接算法，可以选择跳过 refinement 步骤来牺牲精度换取性能。Sedona 的 S2 函数与 Snowflake 原生的 H3、Geohash 函数互为补充。

操作步骤如下：

1. 为两张表生成 S2 ID

使用 SEDONA.ST_S2CellIds 为每个几何对象生成 cell ID，单个几何对象可能产生多个 ID。

SELECT * FROM lefts, TABLE(FLATTEN(SEDONA.ST_S2CellIDs(lefts.geom, 15))) s1

SELECT * FROM rights, TABLE(FLATTEN(SEDONA.ST_S2CellIDs(rights.geom, 15))) s2

2. 执行等值连接

按 S2 cellId 对两张表做等值连接：

SELECT lcs.id AS lcs_id, lcs.geom AS lcs_geom, lcs.name AS lcs_name, rcs.id AS rcs_id, rcs.geom AS rcs_geom, rcs.name AS rcs_name
FROM lcs JOIN rcs ON lcs.cellId = rcs.cellId

3. 可选：refine 结果

由于 S2 cellId 的特性，连接结果可能存在少量假阳性，具体程度取决于 S2 level：level 越小，cell 越大，展开行数越少，但假阳性越多。

为保证正确性，可使用任一 空间谓词 过滤掉假阳性。将下面的查询替换步骤 2 中的查询：

SELECT lcs.id AS lcs_id, lcs.geom AS lcs_geom, lcs.name AS lcs_name, rcs.id AS rcs_id, rcs.geom AS rcs_geom, rcs.name AS rcs_name
FROM lcs, rcs
WHERE lcs.cellId = rcs.cellId AND ST_Contains(lcs.geom, rcs.geom)

可以看到，相比步骤 2 多了一个 ST_Contains 过滤来剔除假阳性，也可以使用 ST_Intersects 等其他谓词。

Tip

如果不要求 100% 准确度且希望更快的查询速度，可以跳过此步骤。

4. 可选：去重

由于生成 S2 cellId 时使用了 Flatten，结果 DataFrame 中可能出现 <lcs_geom, rcs_geom> 重复匹配。可通过 GroupBy 去重：

SELECT lcs_id, rcs_id, ANY_VALUE(lcs_geom), ANY_VALUE(lcs_name), ANY_VALUE(rcs_geom), ANY_VALUE(rcs_name)
FROM joinresult
GROUP BY (lcs_id, rcs_id)

ANY_VALUE 用于在多个重复值中取一个。

如果没有为每个几何对象提供唯一 ID，也可以直接按几何分组：

SELECT lcs_geom, rcs_geom, ANY_VALUE(lcs_name), ANY_VALUE(rcs_name)
FROM joinresult
GROUP BY (lcs_geom, rcs_geom)

Note

做点-多边形 join 时不会出现该问题，可以放心忽略；只有 polygon-polygon、polygon-linestring、linestring-linestring 等连接才会遇到此问题。

5. 完整示例

下面的查询创建了 2 个感兴趣区域（AOI）和 5 种空间查询（用经纬度边界框表示），分别为两张表生成 S2 覆盖，再以 S2 cell ID 进行合并。可以叠加空间过滤来保证连接结果的精确性。

下例中的几何对象使用 Snowflake 原生 ST_GeogFromText（被视作 geography），用 ST_GeomFromText 也是可行的。注意 SEDONA.ST_S2CellIDs 接受 Snowflake GEOGRAPHY 或 GEOMETRY 对象以及一个整数 S2 精度。

-- lng/lat 顺序：无需翻转坐标
-- lefts 是感兴趣区域（AOI）
with lefts AS (
  SELECT index AS poly_id_left, value AS wkt FROM TABLE(
      SPLIT_TO_TABLE (
          'POLYGON ((-74.64966372842101805 44.92318068906040196, -73.05513946490677313 44.92318068906040196, -73.05513946490677313 45.9127817308399031, -74.64966372842101805 45.9127817308399031, -74.64966372842101805 44.92318068906040196))|POLYGON ((-71.72125014775386376 46.58534825561803672, -70.72763860520016976 46.58534825561803672, -70.72763860520016976 47.26007441306773416, -71.72125014775386376 47.26007441306773416, -71.72125014775386376 46.58534825561803672))', '|'
          )
      )

),
-- rights 是查询多边形
-- 第 1 个多边形与两个 AOI 都相交
-- 第 2 个多边形包含两个 AOI
-- 第 3 个多边形被 AOI 1 包含
-- 第 4 个多边形与 AOI 1 接触
-- 第 5 个多边形与两个 AOI 都不相交
rights AS (
  SELECT index AS poly_id_right, value AS wkt FROM TABLE(
      SPLIT_TO_TABLE (
          'POLYGON ((-73.51160030163114811 45.54300066590783302, -71.31736631503980561 45.54300066590783302, -71.31736631503980561 46.82515071005796869, -73.51160030163114811 46.82515071005796869, -73.51160030163114811 45.54300066590783302))|POLYGON ((-75.26522832 44.23585380, -69.77500453509208 44.23585380, -69.77500453509208 47.59180373699041411, -75.26522832 47.59180373699041411, -75.26522832 44.23585380))|POLYGON ((-73.82001807503861812 45.0759163125215423, -73.34011383205873358 45.0759163125215423, -73.34011383205873358 45.35768613572972185, -73.82001807503861812 45.35768613572972185, -73.82001807503861812 45.0759163125215423))|POLYGON ((-74.64966372842101805 44.92318068906040196, -75.26522832 44.92318068906040196, -75.26522832 44.23585380, -74.64966372842101805 44.23585380, -74.64966372842101805 44.92318068906040196))|POLYGON ((-71.65791191749059408 44.19369241163229844, -70.2497216546401404 44.19369241163229844, -70.2497216546401404 44.96946189775351144, -71.65791191749059408 44.96946189775351144, -71.65791191749059408 44.19369241163229844))', '|'
          )
      )
),
-- 为两张表的多边形分别计算 S2 cell 覆盖
-- S2 会对多边形进行离散化，分辨率越高结果越精确，但计算开销也越大
-- 两张表必须使用相同 level 进行离散化，本例为 10
lefts_s2 AS (
    SELECT * FROM lefts, TABLE(FLATTEN(SEDONA.ST_S2CellIDs(ST_GeogFromText(lefts.wkt), 10)))
),
rights_s2 AS (
    SELECT * FROM rights, TABLE(FLATTEN(SEDONA.ST_S2CellIDs(ST_GeogFromText(rights.wkt), 10)))
)
-- 按 S2 索引（int）合并，并 group by 以恢复原多边形而非 S2 cell
-- 加上空间谓词可保证精确性；如果更看重速度可以省略
-- 预期除第 5 个查询外都会匹配
-- 期望结果共 6 行：1（接触）+ 1（被包含）+ 2（与两者相交）+ 2（包含两者）
-- AOI 1（poly_id_left 1）应出现 4 次，AOI 2（poly_id_left 2）应出现 2 次
SELECT rights_s2.wkt ,  lefts_s2.wkt, LISTAGG(DISTINCT poly_id_right::TEXT) poly_id_right, LISTAGG(DISTINCT poly_id_left::TEXT) poly_id_left
FROM lefts_s2,rights_s2
WHERE rights_s2.value = lefts_s2.value AND NOT ST_DISJOINT(ST_GeogFromText(rights_s2.wkt) , ST_GeogFromText( lefts_s2.wkt ) )
GROUP BY rights_s2.wkt ,  lefts_s2.wkt

本例中省略 not ST_DISJOINT(ST_GeogFromText(rights_s2.wkt) , ST_GeogFromText( lefts_s2.wkt ) ) 也会得到相同的结果。

距离连接中的 S2 用法

S2 同样适用于距离连接。先使用 SEDONA.ST_Buffer(geometry, distance) 把其中一列原始几何对象包裹起来。如果原始几何是点，SEDONA.ST_Buffer 会把它们变成半径为 distance 的圆。注意：Snowflake 没有原生的 ST_Buffer 函数。

由于坐标位于经纬度系统，distance 的单位应为度而不是米或英里。可以通过 METER_DISTANCE/111000.0 做近似换算，再过滤掉假阳性。靠近极地或反子午线的数据可能会因此产生不准确的结果。

简而言之，先在左表上跑下面这条查询（替换 METER_DISTANCE 为米值），然后在步骤 1 中基于 buffered_geom 列生成 S2 ID，再在原始 geom 列上执行步骤 2、3、4：

SELECT id, geom, SEDONA.ST_Buffer(geom, METER_DISTANCE/111000.0) AS buffered_geom, name
FROM lefts

Sedona 独有的函数

Sedona 实现了 200 多个地理空间矢量与栅格函数，远多于 Snowflake 原生函数。例如：

• SEDONA.ST_3DDistance
• SEDONA.ST_Force2D
• SEDONA.ST_GeometryN
• SEDONA.ST_MakeValid
• SEDONA.ST_Multi
• SEDONA.ST_NumGeometries
• SEDONA.ST_ReducePrecision
• SEDONA.ST_SubdivideExplode

可点击上面的链接深入了解这些函数。更多函数请参考 SedonaSQL API。

与 Snowflake 原生函数互通

Sedona 可以与 Snowflake 原生函数无缝互通，主要有两种方式：

• 使用 Sedona 函数 创建 Geometry 列，然后使用 Snowflake 原生函数与 Sedona 函数共同查询；
• 使用 Snowflake 原生函数 创建 Geometry/Geography 列，然后使用 Snowflake 原生函数与 Sedona 函数共同查询。

下面分别进行演示。

由 Sedona 几何构造器创建的几何

这种情况下 Sedona 使用 EWKB 作为几何对象的输入/输出类型。如果数据集中已是内置的 Snowflake GEOMETRY/GEOGRAPHY 类型，可以通过该函数轻松转换为 EWKB。

从 Snowflake 原生函数到 Sedona 函数

下例中 SEDONA.ST_X 是 Sedona 函数，ST_GeommetryFromWkt 与 ST_AsEWKB 是 Snowflake 原生函数：

SELECT SEDONA.ST_X(ST_AsEWKB(ST_GeometryFromWkt('POLYGON((0 0, 0 1, 1 1, 1 0, 0 0))'))) FROM {{ geometry_table }};

从 Sedona 函数到 Snowflake 原生函数

下例中 SEDONA.ST_GeomFromText 是 Sedona 函数，ST_AREA 与 to_geometry 是 Snowflake 原生函数：

SELECT ST_AREA(to_geometry(SEDONA.ST_GeomFromText('POLYGON((0 0, 0 1, 1 1, 1 0, 0 0))')));

优点：

Sedona 的几何构造器比 Snowflake 原生函数更强大，主要优势如下：

• Sedona 提供了更多构造器，尤其是用于 3D（XYZ）几何对象的构造器，Snowflake 原生函数不具备。
• WKB 序列化更高效。如果需要使用多个 Sedona 函数，建议采用此方式，可能带来 2 倍左右的性能提升。
• 几何对象的 SRID 信息会被保留。下面这种方式会丢失 SRID 信息。

由 Snowflake 几何构造器创建的 Geometry / Geography

这种情况下 Sedona 使用 Snowflake 原生 GEOMETRY/GEOGRAPHY 类型作为输入/输出类型，序列化格式为 GeoJSON 字符串。

SELECT ST_AREA(SEDONA.ST_Buffer(ST_GeometryFromWkt('POLYGON((0 0, 0 1, 1 1, 1 0, 0 0))'), 1));

下例中 SEDONA.ST_Buffer 是 Sedona 函数，ST_GeommetryFromWkt 与 ST_AREA 是 Snowflake 原生函数。

可以看到，Sedona 函数与 Snowflake 原生函数可以混用而无需显式转换。

优点：

• 无需显式转换几何类型，使用更方便。

注意：Snowflake 原生会把 Geometry 类型数据序列化为 GeoJSON 字符串再传给 UDF。GeoJSON 规范不包含 SRID。因此，如果直接混用 Snowflake 函数与 Sedona 函数而不使用 WKB，SRID 信息会丢失。

下例中 SRID=4326 信息会丢失：

SELECT ST_AsEWKT(SEDONA.ST_SetSRID(ST_GeometryFromWKT('POINT(1 2)'), 4326))

输出：

SRID=0;POINT(1 2)

已知问题

1. Sedona Snowflake 不支持 M 维度，原因是 WKB 序列化的限制。Sedona Spark 与 Sedona Flink 由于使用了内部专有序列化格式，因此支持 XYZM。Sedona Snowflake 中虽然存在与 M 相关的函数，但所有 M 值会被忽略。
2. Sedona H3 函数尚不可用，因为 Snowflake 不允许在 UDF 中嵌入 C 代码。
3. 由于 Snowflake 当前限制（Data type GEOMETRY is not supported in non-SQL UDTF return type），所有用户自定义表函数（UDTF）只能配合 Sedona 构造器创建的几何对象使用，包括：
   • SEDONA.ST_MinimumBoundingRadius
   • SEDONA.ST_Intersection_Aggr
   • SEDONA.ST_SubDivideExplode
   • SEDONA.ST_Envelope_Aggr
   • SEDONA.ST_Union_Aggr
   • SEDONA.ST_Collect
   • SEDONA.ST_Dump
4. Snowflake 中只提供 Sedona 的 ST 函数，栅格函数（RS 函数）暂未支持。