Inleiding
In recente jaren is AI geëvolueerd van alleen het beantwoorden van vragen naar "agentische AI" die taken uitvoert door gebruik te maken van externe diensten en data. Een opvallende methode waarmee deze AI samenwerkt met externe systemen is het Model Context Protocol (MCP). Dit is al meerdere keren besproken binnen de ArcGIS ontwikkelaarscommunity, en ook in het georuimtelijke domein neemt het gebruik van MCP toe. Zo kunnen administratieve open data, satellietdata en zelfs ArcGIS locatiegebaseerde diensten via natuurlijke taal worden gebruikt. In dit artikel introduceren we MCP in de georuimtelijke sector en MCP for ArcGIS Location Services (bèta) aangeboden door Esri in de VS.
Wat is MCP?
MCP is een open standaardprotocol om AI te verbinden met externe tools en data. Waar voorheen per dienst aparte API-koppelingen nodig waren, kan AI via MCP diverse diensten gebruiken via een gemeenschappelijk mechanisme.
MCP bestaat hoofdzakelijk uit de volgende drie componenten.
- MCP Host
- De AI-applicatie die de gebruiker gebruikt, zoals Claude Desktop, Visual Studio Code (GitHub Copilot), ChatGPT, enzovoort.
- MCP Client
- Werkt binnen de MCP Host en communiceert met de MCP Server.
- MCP Server
- Een server die externe diensten of databronnen via MCP beschikbaar stelt. De MCP Server biedt de volgende functies aan, die AI naar behoefte kan raadplegen en gebruiken.
- Tools (uitvoerbare functies)
- Resources (data)
- Prompt-sjablonen
MCP in de Japanse georuimtelijke sector
Ook in Japan wordt de ontwikkeling en publicatie van MCP-servers voortgezet. Hieronder staan representatieve voorbeelden van MCP-servers die in Japan beschikbaar zijn.
- MLIT DATA PLATFORM MCP Server (Ministerie van Land, Infrastructuur, Transport en Toerisme)
Dit is een MCP-server waarmee AI data op het "Land Transport Data Platform" kan gebruiken. Omdat administratieve data via natuurlijke taal doorzocht en opgehaald kan worden, wordt verwacht dat dit nuttig zal zijn voor rampenbestrijding, stadsplanning en infrastructuur. - Georuimtelijke MCP Server - MLIT Geospatial MCP Server - (alpha versie) (Ministerie van Land, Infrastructuur, Transport en Toerisme)
Dit is een MCP-server waarmee AI data uit de "Vastgoedinformatiebibliotheek" kan gebruiken. Hiermee kan men intuïtief vastgoeddata zoeken en ophalen via dialoogvorm. - JAXA Earth API gegenereerde AI-integratie (JAXA)
Via "JAXA Earth API for Python" kunnen satellietbeelden en milieudata door AI worden opgehaald, wat nuttig is voor rampbewaking en milieu-analyse.
Deze voorbeelden richten zich op het verkrijgen en doorzoeken van data; analyse en interpretatie van verkregen data gebeurt voornamelijk door AI. Echter, AI alleen heeft moeite met zoekopdrachten of analyses die ruimtelijke relaties binnen georuimtelijke context vereisen. Bijvoorbeeld: AI kan nabijgelegen faciliteiten vanaf een specifieke locatie zoeken, maar dit blijft beperkt tot rechte lijn afstanden; routeanalyse langs wegen is niet mogelijk zonder extra tools. Om dit op te lossen moet AI toegang krijgen tot routeanalyse-tools.
MCP for ArcGIS Location Services
MCP for ArcGIS Location Services is een MCP-server aangeboden door Esri in de VS waarmee een deel van de Location Services beschikbaar op het ArcGIS Location Platform via MCP gebruikt kan worden. Hierdoor kan AI ArcGIS locatiegebaseerde diensten via natuurlijke taal aanroepen. In de huidige publieke bèta-versie zijn representatieve functies van ArcGIS Location Services als MCP-tools beschikbaar gesteld.
Tools | Overzicht |
|---|
find_address_candidates | Zoek locaties op basis van adres of plaatsnaam *1 *2 |
reverse_geocode | Verkrijg adres vanuit coördinaten *1 *2 |
solve_route | Bereken route tussen vertrekpunt en bestemming |
elevation_at_locations | Verkrijg hoogte op opgegeven locaties |
map_with_overlay | Genereer kaartafbeelding |
get_topic_fields | Verkrijg veldenset over beschikbare onderwerpen in opgegeven land *3 |
describe_location | Verkrijg beschrijving van locatie met velden verkregen via get_topic_fields-tool |
*1 Alleen geldig bij opslaan van data.
*2 Creditcardregistratie is verplicht.
*3 Voor een lijst met beschikbare datatopics per land zie "Data Browser".
Met bovenstaande tools kan AI bijvoorbeeld instructies uitvoeren zoals:
'Toon me de route vanaf Tokyo Station naar het dichtstbijzijnde evacuatiecentrum met kaart'.
Hierbij kunnen geocodering, routeanalyse en kaartgeneratie uitgevoerd worden. MCP for ArcGIS Location Services is momenteel publiekelijk als bèta beschikbaar; toegang verkrijgt u door deel te nemen aan de Early Adopter Community
{
"mcpServers": {
"mlit-dpf-mcp": {
"command": "<python.exe までのパス>\\python.exe",
"args": [
"<server.py までのパス>\\server.py"
],
"env": {
"MLIT_API_KEY": "<国土交通データプラットフォーム アカウントの API キー>",
"MLIT_BASE_URL": "https://www.mlit-data.jp/api/v1/",
"PYTHONUNBUFFERED": "1",
"LOG_LEVEL": "WARNING"
}
},
"arcgis-location-services": {
"command": "npx",
"args": [
"mcp-remote",
"https://location-services-mcp.arcgis.com/beta/mcp",
"--header",
"Authorization:${ESRI_AUTH_HEADER}"
],
"env": {
"ESRI_AUTH_HEADER": "Bearer <ArcGIS Location Platform アカウントの API キー>"
}
}
}
}
なお、それぞれの MCP サーバーの構築や設定方法については下記を参考にしてください。
MCP for ArcGIS Location Services を利用するには、ArcGIS Location Platform のアカウントが必要です。アカウントをお持ちでない方はコチラを参考に作成することで利用できるようになります。
各拠点に一番近い避難所のルート解析
国土交通データプラットフォームには、国土交通省をはじめとしたさまざまな機関から提供されているデータが配置されています。これらのデータの中から全国の避難所を取得し、複数拠点の CSV ファイルから一番近い避難所を検索してもらいます。
使用するモデルは Sonnet 5 を使い、MCP ツール以外の情報源を利用しないよう、Web 検索を無効化して実施します。プロンプトは下記のように入力します。
添付した CSVファイルは、ESRIジャパンの各事業所の一覧です。それぞれの事業所周辺 1km 圏内にある避難所から最も近い避難所のうち 3 施設を実際の徒歩ルート距離 (m) と時間 (分) から割り出し、最も移動時間が短く、標高が高い位置にある避難所の施設名順に上から並べ、下記の表形式で出力してください。事業所名、避難所の施設名、施設までの徒歩距離 (m)、想定所要時間 (分)、施設のある位置の標高 (m)
今回は、MCP for ArcGIS Location Services を利用する場合と利用しない場合の比較もしてみましょう。
先に事業所ごとに一番近い避難所を割り出すために事前に ArcGIS Online の Map Viewer 上で実行したルート解析の結果を確認します。また、標高については ArcGIS Location Platform で利用可能な ArcGIS Elevation service から避難所のポイントごとに取得した標高値を参照します。実行した例として永田町オフィスの場合を下図に表示しています。
事業所ごとに手作業で実行した結果は下図のように Excel にまとめています。
今回は上図を正として、出力結果を確認していきます。ちなみに筆者がこの表を作るためにかけた時間は、使用するデータの検索やルート解析を実行するための作業など下準備も含めると 1 時間ほどでした。MCP 経由で AI に作業してもらうことで減る時間についても注目してみましょう。
MCP for ArcGIS Location Services を利用しない場合
プロンプトを実行して得られた結果を Excel 形式で見やすくしてもらったものが下図となります。実行時間は 7 分ほどでした。
In omgevingen waar Web Search niet beschikbaar is, kunnen echte gegevens niet worden gebruikt, dus lijkt het erop dat de hoogte in de tabel niet is verkregen. Wat betreft de geschatte benodigde tijd, lijkt AI een ruwe schatting te geven door de rechte afstand met 1,2 te vermenigvuldigen en dit om te rekenen naar loopafstand (uitgaande van 80 m per minuut). Laten we de resultaten vergelijken. Links ziet u de handmatig verkregen resultaten, rechts de door AI gegenereerde resultaten. De rode tekst geeft de verschillen aan.
Als we naar de bovenstaande afbeelding kijken, zien we aanzienlijke verschillen. Het lijkt erop dat zonder echte weggegevens geen nauwkeurige afstand of benodigde tijd kan worden berekend.
Wanneer MCP for ArcGIS Location Services wordt gebruikt
Hieronder ziet u het resultaat wanneer MCP for ArcGIS Location Services wordt gebruikt. Omdat meerdere tools werden ingezet, duurde de uitvoering iets langer, ongeveer 10 minuten. Ook deze resultaten zijn overzichtelijk gemaakt in Excel-formaat.
Naast het verkrijgen van hoogtegegevens zijn ook de benodigde tijden over het algemeen redelijk accuraat. Wat betreft de afstanden lijkt het erop dat sommige waarden in mijlen zijn berekend. Dit kan worden vermeden door in de prompt aan te geven dat output in meters moet zijn, of dit vooraf in skills te specificeren. Hieronder ziet u het resultaat nadat conversie van mijlen naar meters is uitgevoerd.
Laten we de resultaten vergelijken nadat ze naar meters zijn aangepast. Links ziet u de handmatige resultaten, rechts die van AI. Net als in de vorige sectie geeft rode tekst verschillen aan; loopafstanden binnen ± 5 m en benodigde tijden binnen ± 0,5 minuten worden als overeenkomend beschouwd en zijn zwart weergegeven.
De top 3 schuilplaatsen lijken grotendeels overeen te komen, maar er zijn enkele verschillen zichtbaar. Vooral bij het Sapporo-kantoor komen de top 3 overeen, maar afstand en tijd verschillen. Om deze verschillen in routeanalyse verder te onderzoeken, laten we AI kaartbeelden genereren voor vergelijking. Links is het handmatig uitgevoerde resultaat op een kaart weergegeven, rechts is een afbeelding verkregen via map_with_overlay van MCP for ArcGIS Location Services.
Bij vergelijking bleek dat de coördinaten van start- en eindpunt verschillend waren. Door kaartbeelden met routeanalyse-resultaten te genereren, kunt u dergelijke verschillen op een echte kaart visualiseren en controleren.
Tot nu toe hebben we twee scenario's vergeleken, maar in beide gevallen is het erg aantrekkelijk dat u zonder te wachten op data of tooluitvoering binnen ongeveer 10 minuten via natuurlijke taal instructies kunt uitvoeren.
Tot slot
MCP verspreidt zich snel als gemeenschappelijk platform voor het realiseren van agentische AI. Ook op het gebied van georuimtelijke data stimuleren organisaties zoals het Ministerie van Landinfrastructuur en Transport en JAXA in Japan MCP-ondersteuning, waardoor een omgeving ontstaat waarin georuimtelijke data en locatiegebaseerde diensten via natuurlijke taal kunnen worden gebruikt. MCP for ArcGIS Location Services maakt het eenvoudig om krachtige locatiefunctionaliteiten van ArcGIS in AI-agenten te integreren en is daarmee een ideale eerste stap om GIS × AI-toepassingen te ervaren. Probeer het zelf gerust uit.
Referenties
