TecTop
|
|
En AWS re:Invent 2022, presentamos una vista previa de las capacidades geoespaciales de Amazon SageMaker, lo que permitió a los científicos de datos y a los ingenieros de aprendizaje automático (ML) crear, entrenar e implementar modelos de ML utilizando datos geoespaciales. ML geoespacial con Amazon SageMaker admite el acceso a datos geoespaciales fácilmente disponibles, operaciones de procesamiento especialmente diseñadas y bibliotecas de código abierto, modelos de ML preentrenados y herramientas de visualización integradas con las capacidades geoespaciales de Amazon SageMaker.
Durante la vista previa, tuvimos mucho interés y excelentes comentarios de los clientes. En la actualidad, las capacidades geoespaciales de Amazon SageMaker están generalmente disponibles con nuevas actualizaciones de seguridad y ejemplos de casos de uso adicionales.
Presentamos funciones de ML geoespacial con SageMaker Studio
Para comenzar, use la configuración rápida para iniciar Amazon SageMaker Studio en la región EE. UU. Oeste (Oregón). Asegúrese de usar la versión predeterminada de Jupyter Lab 3 cuando cree un nuevo usuario en Studio. Ahora puede navegar a la página de inicio en SageMaker Studio. Luego seleccione el Datos menú y haga clic en geoespacial.
Aquí hay una descripción general de tres capacidades geoespaciales clave de Amazon SageMaker:
- Empleos de Observación de la Tierra – Adquiera, transforme y visualice datos de imágenes satelitales utilizando operaciones geoespaciales especialmente diseñadas o modelos ML preentrenados para hacer predicciones y obtener información útil.
- Empleos de Enriquecimiento vectorial – Enriquezca sus datos con operaciones, como convertir coordenadas geográficas en direcciones legibles.
- Visualización de mapas – Visualice imágenes satelitales o datos de mapas cargados desde un archivo CSV, JSON o GeoJSON.
Puede crear todos los trabajos de observación de la Tierra (EOJ) en el cuaderno de SageMaker Studio para procesar datos satelitales mediante operaciones geoespaciales especialmente diseñadas. Aquí hay una lista de operaciones geoespaciales especialmente diseñadas que son compatibles con el cuaderno SageMaker Studio:
- Apilamiento de bandas – Combine múltiples propiedades espectrales para crear una sola imagen.
- Enmascaramiento de nubes – Identifique píxeles en la nube y sin nubes para obtener imágenes satelitales mejoradas y precisas.
- Eliminación de la nube – Eliminar píxeles que contengan partes de una nube de las imágenes satelitales.
- Geomosaico – Combina varias imágenes para una mayor fidelidad.
- Segmentación de la cobertura terrestre – Identificar tipos de cobertura terrestre, como vegetación y agua, en imágenes satelitales.
- remuestreo – Escalar imágenes a diferentes resoluciones.
- Índice espectral – Obtener una combinación de bandas espectrales que indiquen la abundancia de características de interés.
- Estadísticas Temporales – Calcule estadísticas a través del tiempo para múltiples GeoTIFF en la misma área.
- Estadísticas Zonales – Calcular estadísticas sobre regiones definidas por el usuario.
Un trabajo de enriquecimiento de vectores (VEJ) enriquece sus datos de ubicación a través de operaciones especialmente diseñadas para la geocodificación inversa y la coincidencia de mapas. Si bien necesita usar una computadora portátil SageMaker Studio para ejecutar un VEJ, puede ver todos los trabajos que crea mediante la interfaz de usuario. Para usar la visualización en el cuaderno, primero debe exportar su salida a su depósito de Amazon S3.
- Geocodificación inversa – Convierta coordenadas (latitud y longitud) en direcciones legibles por humanos.
- Coincidencia de mapas – Ajustar coordenadas GPS inexactas a segmentos de carretera.
Con Map Visualization, puede visualizar datos geoespaciales, las entradas de sus trabajos EOJ o VEJ, así como las salidas exportadas desde su depósito de Amazon Simple Storage Service (Amazon S3).
Actualizaciones de seguridad
En GA, tenemos dos actualizaciones de seguridad importantes: AWS Key Management Service (AWS KMS) para el soporte de claves de AWS KMS administrado por el cliente y Amazon Virtual Private Cloud (Amazon VPC) para operaciones geoespaciales en el entorno Amazon VPC del cliente.
Las claves administradas por el cliente de AWS KMS ofrecen mayor flexibilidad y control al permitir que los clientes utilicen sus propias claves para cifrar cargas de trabajo geoespaciales.
Puedes usar KmsKeyId para especificar su propia clave en StartEarthObservationJob y StartVectorEnrichmentJob como parámetro opcional. Si el cliente no proporciona KmsKeyId, se utilizará una clave de propiedad del servicio para cifrar el contenido del cliente. Para obtener más información, consulte las capacidades geoespaciales de SageMaker AWS KMS Support en la documentación de AWS.
Con Amazon VPC, tiene control total sobre su entorno de red y puede conectarse de manera más segura a sus cargas de trabajo geoespaciales en AWS. Puede usar SageMaker Studio o Notebook en su entorno de Amazon VPC para operaciones geoespaciales de SageMaker y ejecutar operaciones de API geoespaciales de SageMaker a través de un punto de enlace de VPC de interfaz en operaciones geoespaciales de SageMaker.
Para comenzar con la compatibilidad con Amazon VPC, configure Amazon VPC en SageMaker Studio Domain y cree un punto de enlace de VPC geoespacial de SageMaker en su VPC en la consola de Amazon VPC. Elija el nombre del servicio como com.amazonaws.us-west-2.sagemaker-geospatial y seleccione la VPC en la que desea crear el punto de enlace de la VPC.
Todos los recursos de Amazon S3 que se utilizan para entrada o salida en las operaciones EOJ y VEJ deben tener habilitado el acceso a Internet. Si no tiene acceso directo a esos recursos de Amazon S3 a través de Internet, puede otorgarle acceso de ID de punto de enlace de VPC geoespacial de SageMaker cambiando la política de depósito de S3 correspondiente. Para obtener más información, consulte las capacidades geoespaciales de SageMaker Compatibilidad con Amazon VPC en la documentación de AWS.
Ejemplo de caso de uso para ML geoespacial
Los clientes de diversas industrias utilizan las capacidades geoespaciales de Amazon SageMaker para aplicaciones del mundo real.
Maximice el rendimiento de la cosecha y la seguridad alimentaria
La agricultura digital consiste en aplicar soluciones digitales para ayudar a los agricultores a optimizar la producción de cultivos en la agricultura mediante el uso de análisis avanzados y aprendizaje automático. Las aplicaciones agrícolas digitales requieren trabajar con datos geoespaciales, incluidas imágenes satelitales de las áreas donde los agricultores tienen sus campos ubicados.
Puede utilizar SageMaker para identificar los límites de los campos agrícolas en imágenes de satélite a través de modelos previamente entrenados para la clasificación de la cobertura terrestre. Obtenga información sobre cómo Xarvio aceleró las canalizaciones de datos espaciales para la agricultura digital con Amazon SageMaker Geospatial en el blog de aprendizaje automático de AWS. Puede encontrar un cuaderno de ejemplo de agricultura digital de extremo a extremo a través de la repositorio GitHub.
Evaluación de daños
A medida que aumentan la frecuencia y la gravedad de los desastres naturales, es importante que proporcionemos a los encargados de la toma de decisiones y al personal de primeros auxilios una evaluación de daños rápida y precisa. Puede usar imágenes geoespaciales para predecir daños por desastres naturales y datos geoespaciales inmediatamente después de un desastre natural para identificar rápidamente daños en edificios, carreteras u otra infraestructura crítica.
A partir de un cuaderno de ejemplo, puede entrenar, implementar y predecir daños por desastres naturales causados por las inundaciones en Rochester, Australia, a mediados de octubre de 2022. Usamos imágenes de antes y después del desastre como entrada para su modelo de aprendizaje automático entrenado. Los resultados de la máscara de segmentación para las inundaciones de Rochester se muestran en las siguientes imágenes. Aquí podemos ver que el modelo ha identificado ubicaciones dentro de la región inundada como probablemente dañadas.
Puede entrenar e implementar un modelo de segmentación geoespacial para evaluar los daños de los incendios forestales utilizando datos satelitales Sentinel-2 multitemporales a través de repositorio GitHub. El área de interés de este ejemplo se encuentra en el norte de California, en una región que se vio afectada por el Dixie Wildfire en 2021.
Monitorear el Cambio Climático
El cambio climático de la Tierra aumenta el riesgo de sequía debido al calentamiento global. Puede ver cómo adquirir datos, realizar análisis y visualizar los cambios con las capacidades geoespaciales de SageMaker para monitorear la reducción de la costa causada por el cambio climático en el ejemplo del lago Mead, el embalse más grande de los EE. UU.
Puede encontrar el código del cuaderno para este ejemplo en el repositorio GitHub.
Predecir la demanda minorista
El ejemplo de libreta nueva demuestra cómo usar las capacidades geoespaciales de SageMaker para realizar una operación de comparación de mapas basada en vectores y visualizar los resultados. La coincidencia de mapas le permite ajustar coordenadas GPS ruidosas a segmentos de carretera. Con las capacidades geoespaciales de Amazon SageMaker, es posible realizar un VEJ para la coincidencia de mapas. Este tipo de trabajo toma un archivo CSV con información de la ruta (como la longitud, la latitud y las marcas de tiempo de las mediciones de GPS) como entrada y genera un archivo GeoJSON que contiene la ruta pronosticada.
Apoyar el Desarrollo Urbano Sostenible
Arup, uno de nuestros clientes, utiliza tecnologías digitales como el aprendizaje automático para explorar el impacto del calor en las áreas urbanas y los factores que influyen en las temperaturas locales para ofrecer un mejor diseño y respaldar resultados sostenibles. Las islas de calor urbanas y los riesgos e incomodidades asociados son uno de los mayores desafíos a los que se enfrentan las ciudades en la actualidad.
Con las capacidades geoespaciales de Amazon SageMaker, Arup identifica y mide los factores de calor urbano con datos de observación de la tierra, lo que aceleró significativamente su capacidad para asesorar a los clientes. Permitió a sus equipos de ingeniería llevar a cabo análisis que antes no eran posibles al proporcionar acceso a mayores volúmenes, tipos y análisis de conjuntos de datos más grandes. Para obtener más información, consulte Facilitación del diseño de ciudades sostenibles con Amazon SageMaker con Arup en historias de clientes de AWS.
Ya disponible
Las capacidades geoespaciales de Amazon SageMaker ya están disponibles de forma general en la región EE.UU. Oeste (Oregón). Como parte de la capa gratuita de AWS, puede comenzar a usar las capacidades geoespaciales de SageMaker de forma gratuita. La capa gratuita dura 30 días e incluye 10 horas de cómputo ml.geospatial.interactive gratis, hasta 10 GB de almacenamiento gratuito y sin tarifa de usuario mensual de $150.
Una vez que finaliza el período de prueba gratuito de 30 días, o si supera los límites de la capa gratuita definidos anteriormente, paga los componentes descritos en la página de precios.
Para obtener más información, consulte las capacidades geoespaciales de Amazon SageMaker y la Guía para desarrolladores. Pruébelo y envíe sus comentarios a AWS re: publicación para Amazon SageMaker o a través de sus contactos habituales de soporte de AWS.
– channy
