KI-gestützte Analyse von Übertragungsleitungen und Wildtieren mit MCP

Anwendungsfall

Eine Wildtierschutzgruppe möchte die potenziellen Auswirkungen der elektrischen Übertragungsinfrastruktur auf Wildtiere und geschützte Flächen im San Joaquin Valley in Kalifornien überwachen.

Die Gruppe verfügt über begrenzte Mittel und kann nicht kontinuierlich manuelle GIS-Analysen durchführen oder große räumliche Datensätze mit herkömmlicher GIS-Software untersuchen. Sie benötigt eine einfache Möglichkeit, räumliche Fragen zu Übertragungsleitungen und Wildtiergebieten zu stellen und analytische Ergebnisse zu erhalten, ohne manuell SQL schreiben oder GIS-Operationen ausführen zu müssen.

Dieses Projekt verwendet das Model Context Protocol (MCP), um Claude mit räumlichen Daten zu verbinden, die in GIS-Dateien gespeichert und über DuckDB abgefragt werden.

Anstatt manuell GIS-Software zu öffnen und räumliche Analysen durchzuführen, können Benutzer Claude Fragen in natürlicher Sprache stellen.

Beispiele:

Which wildlife areas intersect transmission lines?

Which transmission lines pass through public access lands?

How many transmission line segments intersect wildlife areas?

What wildlife areas are within 1 kilometer of a transmission line?

Show me the transmission lines that have potential impacts on wildlife areas.

Claude interpretiert die Anfrage, nutzt den MCP-Server, um auf die räumlichen Daten zuzugreifen, führt die erforderlichen räumlichen DuckDB-Abfragen aus und liefert die Ergebnisse in einem lesbaren Format.

Related MCP server: PostGIS Yukon MCP

Zielsetzung

Das Hauptziel besteht darin zu demonstrieren, wie KI, MCP, DuckDB und räumliche Daten kombiniert werden können, um einen leichtgewichtigen GIS-Analyseassistenten zu erstellen.

Das Projekt konzentriert sich auf:

1. Zugriff auf räumliche Datensätze in natürlicher Sprache

2. Räumliche Abfragen, ohne dass Benutzer SQL schreiben müssen

3. Analyse von Übertragungsleitungen und Wildtiergebieten

4. Kostengünstige GIS-Datenverarbeitung

5. Reproduzierbare räumliche Analyse mit DuckDB

6. Rückgabe analytischer Ergebnisse direkt über Claude

Daten

Das Projekt arbeitet derzeit mit zwei räumlichen Datensätzen:

Übertragungsleitungen

Übertragungsleitungsinfrastruktur, dargestellt als Shapefile.

data/
└── transmission_lines/
    └── TransmissionLine_CEC.shp

Wildtiere / Öffentlich zugängliche Flächen

Daten zu öffentlich zugänglichen Flächen des California Department of Fish and Wildlife, dargestellt als Shapefile.

data/
└── public_lands/
    └── CDFW_Public_Access_Lands_[ds3077].shp

Diese Datensätze werden mithilfe der DuckDB-Spatial-Erweiterung in DuckDB geladen.

Architektur

Die grundlegende Architektur ist:

User
  |
  | Natural-language question
  v
Claude
  |
  | MCP
  v
MCP Server
  |
  | DuckDB Spatial SQL
  v
Spatial Datasets
  |
  +-- Transmission Lines
  |
  +-- Wildlife / Public Access Lands
  |
  v
Analysis Result
  |
  v
Claude Response

Der MCP-Server fungiert als Brücke zwischen Claude und der räumlichen Datenbankschicht.

DuckDB führt die eigentliche Datenverarbeitung und die räumlichen Operationen durch.

Tech-Stack

1. Python 3.14

2. DuckDB

3. DuckDB Spatial

4. MCP Python

5. PyArrow

6. Pandas

7. Claude

Projektstruktur

free-transmission-wildlife/
│
├── app/
│   ├── db/
│   │   ├── load_data.py
│   │   └── queries.py
│   │
│   └── server/
│       └── server.py
│
├── data/
│   ├── transmission_lines/
│   │   └── TransmissionLine_CEC.shp
│   │
│   └── public_lands/
│       └── CDFW_Public_Access_Lands_[ds3077].shp
│
├── pyproject.toml
├── uv.lock
├── Makefile
└── README.md

Erste Schritte

Dieses Projekt verwendet uv für die Verwaltung der Python-Umgebung und der Abhängigkeiten.

Installieren Sie die Projektabhängigkeiten:

uv sync

Entwicklung

Starten Sie den MCP-Server im Entwicklungsmodus:

make dev

Dies führt aus:

uv run mcp dev app/server/server.py

Der Entwicklungsserver kann verwendet werden, um die MCP-Tools zu testen und ihr Verhalten zu untersuchen.

Claude-Installation

Installieren Sie den MCP-Server für Claude:

make install

Dies entspricht der Ausführung von:

uv run mcp install app/server/server.py

Nach der Installation steht der MCP-Server Claude zur Verfügung.

Ausführen der Anwendung

Nach der Installation des MCP-Servers öffnen Sie Claude und beginnen Sie, Fragen zu den räumlichen Datensätzen zu stellen.

Zum Beispiel:

Show me the schema of the transmission lines dataset.

Show me the schema of the wildlife lands dataset.

Find transmission lines that intersect wildlife lands.

How many wildlife areas intersect transmission lines?

Which transmission lines have the greatest number of wildlife intersections?

Der MCP-Server übersetzt diese Anfragen in Operationen auf DuckDB.

Räumliche Analyse

Das Projekt soll räumliche Operationen unterstützen wie:

• Überschneidung

• Innerhalb

• Abstandsanalyse

• Pufferanalyse

• Geometrieinspektion

• Räumliche Filterung

• Aggregation

• Zählen sich überschneidender Objekte

• Flächenberechnungen

• Längenberechnungen

Beispielsweise kann eine Überschneidungsanalyse konzeptionell wie folgt dargestellt werden:

SELECT
    t.*,
    w.*
FROM transmission_lines t
JOIN wildlife_lands w
    ON ST_Intersects(t.geom, w.geom);

Dies ermöglicht es DuckDB, die räumliche Analyse durchzuführen, während Claude die Schnittstelle in natürlicher Sprache bereitstellt.

Ausgabe

Die Ergebnisse werden über Claude in Markdown zurückgegeben.

Beispiel:

Transmission lines intersecting wildlife lands

| Transmission Line | Wildlife Area | Intersection |
|-------------------|---------------|--------------|
| Line A             | Area 001      | Yes          |
| Line B             | Area 014      | Yes          |
| Line C             | Area 021      | Yes          |

Total intersecting transmission lines: 3

Das Ziel ist es, das analytische Ergebnis für Benutzer verständlich zu machen, ohne dass sie SQL oder DuckDB verstehen müssen.

Warum DuckDB

DuckDB bietet eine leichtgewichtige analytische Datenbank, die Daten direkt abfragen kann, ohne dass ein herkömmlicher Datenbankserver erforderlich ist.

In Kombination mit der Spatial-Erweiterung kann es GIS-Operationen ausführen und dabei eine relativ einfache Architektur beibehalten.

Das Projekt benötigt für diesen Prototyp daher kein PostgreSQL/PostGIS.

Die Architektur ist:

Shapefile / GeoParquet
        |
        v
      DuckDB
        |
        v
  DuckDB Spatial
        |
        v
    MCP Server
        |
        v
      Claude

Dies macht das Projekt für Experimente mit KI-gestützter GIS-Analyse geeignet.

Zukünftige Entwicklung

Mögliche zukünftige Verbesserungen umfassen:

1. Migration von Shapefiles zu GeoParquet

2. Hinzufügen weiterer kalifornischer Wildtierdatensätze

3. Hinzufügen von Parzellendatensätzen

4. Hinzufügen von Schutzgebieten

5. Hinzufügen von Datensätzen zu Umweltrestriktionen

6. Hinzufügen von Abstands- und Pufferanalysen

7. Hinzufügen automatisierter räumlicher Berichte

8. Hinzufügen von Kartenvisualisierung

9. Rückgabe von GeoJSON-Ergebnissen für Webkarten

10. Bereitstellen der räumlichen Daten in Cloud-Objektspeichern

11. Hinzufügen größerer räumlicher Datensätze

12. Aufbau eines KI-gestützten GIS-Analyse-Workflows

Projektziel

Das langfristige Ziel ist zu zeigen, dass räumliche Analysen zugänglicher gemacht werden können, indem traditionelle GIS-Datenverarbeitung mit KI-Schnittstellen in natürlicher Sprache kombiniert wird.

Anstatt von jedem Benutzer zu verlangen, GIS-Software, SQL und räumliche Datenbankoperationen zu beherrschen, kann der Benutzer die Frage in natürlicher Sprache beschreiben und Claude die Analyse über MCP und DuckDB koordinieren lassen.