Gnavere som rotter og mus er forbundet med en række sundhedsrisici og er kendt for at sprede mere end 35 sygdomme. At identificere områder med høj gnaveraktivitet kan hjælpe lokale myndigheder og skadedyrsbekæmpelsesorganisationer med at planlægge indgreb effektivt og udrydde gnavere.
I dette indlæg viser vi, hvordan man overvåger og visualiserer en gnaverpopulation ved hjælp af Amazon SageMaker geospatiale muligheder. Vi visualiserer derefter gnaverangrebseffekter på vegetation og vandmasser. Endelig korrelerer og visualiserer vi antallet af abekopper, der er rapporteret med observationer af gnavere i en region. Amazon SageMaker gør det lettere for dataforskere og maskinlæringsingeniører (ML) at bygge, træne og implementere modeller ved hjælp af geospatiale data. Værktøjet gør det nemmere at få adgang til geospatiale datakilder, køre specialbyggede behandlingsoperationer, anvende præ-trænede ML-modeller og bruge indbyggede visualiseringsværktøjer hurtigere og i skala.
Notesbog
Først bruger vi en Amazon SageMaker Studio notesbog med et geospatialt billede ved at følge trinene beskrevet i Kom godt i gang med Amazon SageMaker geospatiale muligheder.
Datatilgang
Det geospatiale billede leveres forudinstalleret med SageMaker geospatiale muligheder, der gør det nemmere at berige data til geospatial analyse og ML. Til vores indlæg bruger vi satellitbilleder fra Sentinel-2 og gnaveraktivitet , abekopper datasæts fra open source NYC åbne data.
Først bruger vi gnaveraktiviteten og udtrækker bredde- og længdegraden af gnaverobservationer og -inspektioner. Så beriger vi denne placeringsinformation med menneskelæselige gadeadresser. Vi skaber en vektorberigelse job (VEJ) i SageMaker Studio-notesbogen for at køre en omvendt geokodningsoperation, så du kan konvertere geografiske koordinater (breddegrad, længdegrad) til adresser, der kan læses af mennesker, drevet af Amazon Location Service. Vi opretter VEJ som følger:
Visualiser gnaveraktivitet i en region
Nu kan vi bruge SageMaker geospatiale muligheder til at visualisere gnaverobservationer. Når VEJ er færdig, eksporterer vi outputtet af jobbet til en Amazon S3 spand.
Når eksporten er færdig, vil du se output CSV-filen i din Amazon Simple Storage Service (Amazon S3)-spand, som består af dine inputdata (længde- og breddegradskoordinater) sammen med yderligere kolonner: adressenummer, land, etiket, kommune, kvarter, postnummer og område for det pågældende sted tilføjet i slutningen.
Fra outputfilen genereret af VEJ kan vi bruge SageMaker geospatiale muligheder til at overlejre outputtet på et basiskort og levere lagvis visualisering for at gøre samarbejdet lettere. SageMaker geospatiale muligheder giver indbygget visualiseringsværktøj drevet af Foursquare Studio, som native fungerer inde fra en SageMaker notesbog via SageMaker geospatiale kort SDK. Nedenfor kan vi visualisere gnaverobservationerne og også få de menneskelige læsbare adresser for hvert af datapunkterne. Adresseoplysningerne for hvert af gnaverobservationsdatapunkterne kan være nyttige til gnaverinspektion og -behandlingsformål.
Analyser virkningerne af gnaverangreb på vegetation og vandmasser
For at analysere virkningerne af gnaverangreb på vegetation og vandmasser er vi nødt til at klassificere hvert sted som vegetation, vand og bar jord. Lad os se på, hvordan vi kan bruge disse geospatiale muligheder til at udføre denne analyse.
De nye geospatiale muligheder i SageMaker giver lettere adgang til geospatiale data såsom Sentinel-2 og Landsat 8. Indbygget geospatial datasætadgang sparer ugers indsats, der ellers går tabt ved indsamling og behandling af data fra forskellige dataudbydere og leverandører. Disse geospatiale muligheder tilbyder også en forudtrænet Land Use Land Cover (LULC) segmenteringsmodel til at identificere det fysiske materiale, såsom vegetation, vand og bar jord, på jordoverfladen.
Vi bruger dette LULC ML model til at analysere virkningerne af gnaverbestanden på vegetation og vandområder.
I det følgende kodestykke definerer vi først interesseområdets koordinater (aoi_coords
) fra New York City. Derefter opretter vi et jordobservationsjob (EOJ) og vælger LULC-operationen. SageMaker downloader og forbehandler satellitbilleddataene til EOJ. Dernæst kører SageMaker automatisk modelinferens for EOJ. Køretiden for EOJ vil variere fra flere minutter til timer afhængigt af antallet af behandlede billeder. Du kan overvåge status for EOJ'er ved hjælp af get_earth_observation_job
funktion og visualisere input og output fra EOJ på kortet.
For at visualisere gnaverpopulationen med hensyn til vegetation overlejrer vi gnaverpopulationen og observationsdata på forudsigelserne af landdækningssegmenteringsmodellen. Denne visualisering kan hjælpe os med at lokalisere bestanden af gnavere og analysere den på vegetation og vandområder.
Visualiser abekopper tilfælde og corelating med gnaver data
For at visualisere forholdet mellem abekopper og observationer af gnavere, tilføjer vi abekopper-datasættet og geoJSON-fil for New Yorks bygrænser. Se følgende kode:
I en SageMaker Studio-notesbog kan vi bruge visualiseringsværktøjet, der drives af Foursquare, til at tilføje lag på kortet og tilføje diagrammer. Her tilføjede vi abekoppedataene som et diagram for at vise antallet af abekopper for hver af bydele. For at se sammenhængen mellem abekopper og observationer af gnavere har vi tilføjet bygrænserne som et polygonlag og tilføjet varmekortlaget, der repræsenterer gnaveraktivitet. Bygrænselaget er farvet, så det passer til abekopper-datadiagrammet. Som vi kan se, udviser bydelen Manhattan en høj koncentration af gnavere og registrerer det højeste antal abekopper, efterfulgt af Brooklyn.
Dette understøttes af en simpel statistisk analyse af beregning af sammenhængen mellem koncentrationen af observationer af gnavere og abekopper i hver bydel. Beregningen gav en r-værdi på 0.714, hvilket indebærer en positiv korrelation.
Konklusion
I dette indlæg demonstrerede vi, hvordan du kan bruge SageMakers geospatiale muligheder til at få detaljerede adresser på gnaverobservationer og visualisere gnavereffekterne på vegetation og vandmasser. Dette kan hjælpe lokale myndigheder og skadedyrsbekæmpelsesorganisationer med at planlægge indgreb effektivt og udrydde gnavere. Vi korrelerede også observationerne af gnavere med abekopper i området med det indbyggede visualiseringsværktøj. Ved at bruge vektorberigelse og EOJ'er sammen med de indbyggede visualiseringsværktøjer eliminerer SageMakers geospatiale muligheder udfordringerne med at håndtere store geospatiale datasæt, modeltræning og inferens og giver mulighed for hurtigt at udforske forudsigelser og geospatiale data på et interaktivt kort ved hjælp af 3D-accelereret grafik og indbyggede visualiseringsværktøjer.
Du kan komme i gang med SageMaker geospatiale muligheder på to måder:
Hvis du vil vide mere, kan du besøge Amazon SageMaker geospatiale muligheder , Kom godt i gang med Amazon SageMakers geospatiale muligheder. Besøg også vores GitHub repo, som har flere eksempler på notesbøger om SageMaker geospatiale muligheder.
Om forfatterne
Bunny Kaushik er Solutions Architect hos AWS. Han brænder for at bygge AI/ML-løsninger og hjælpe kunder med at innovere på AWS-platformen. Uden for arbejdet nyder han at vandre, klatre og svømme.
Clarisse Vigal er Sr. Technical Account Manager hos AWS, fokuseret på at hjælpe kunder med at accelerere deres cloud-adoptionsrejse. Uden for arbejdet nyder Clarisse at rejse, vandre og læse sci-fi thrillere.
Veda Raman er en Senior Specialist Solutions Architect for machine learning baseret i Maryland. Veda arbejder sammen med kunder for at hjælpe dem med at udvikle effektive, sikre og skalerbare maskinlæringsapplikationer. Veda er interesseret i at hjælpe kunder med at udnytte serverløse teknologier til maskinlæring.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Automotive/elbiler, Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- BlockOffsets. Modernisering af miljømæssig offset-ejerskab. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/analyze-rodent-infestation-using-amazon-sagemaker-geospatial-capabilities/
- :har
- :er
- 10
- 100
- 11
- 17
- 3d
- 40
- 7
- 8
- 9
- a
- evne
- Om
- fremskynde
- accelereret
- adgang
- Konto
- aktivitet
- tilføje
- tilføjet
- Yderligere
- adresse
- adresser
- Vedtagelse
- Efter
- AI / ML
- sammen
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker geospatial
- Amazon Web Services
- an
- analyse
- analysere
- ,
- applikationer
- Indløs
- ER
- OMRÅDE
- AS
- forbundet
- At
- Myndigheder
- automatisk
- AWS
- bund
- baseret
- BE
- jf. nedenstående
- mellem
- organer
- grænser
- grænse
- Brooklyn
- bygge
- Bygning
- indbygget
- by
- beregning
- CAN
- Kan få
- kapaciteter
- tilfælde
- udfordringer
- Chart
- Diagrammer
- By
- Klassificere
- Klatring
- Cloud
- cloud adoption
- kode
- samarbejde
- Indsamling
- Kolonner
- kommer
- fuldføre
- koncentration
- består
- kontrol
- konvertere
- Korrelation
- land
- dæksel
- skabe
- Kunder
- data
- datapunkter
- datasæt
- definere
- demonstreret
- Afhængigt
- indsætte
- detaljeret
- sygdomme
- downloads
- hver
- jorden
- lettere
- effektivt
- effekter
- effektiv
- indsats
- eliminere
- ende
- Ingeniører
- berige
- eksempel
- udstillinger
- udforske
- eksport
- ekstrakt
- hurtigere
- File (Felt)
- Endelig
- Fornavn
- fokuserede
- efterfulgt
- efter
- følger
- Til
- fra
- funktion
- genereret
- geografiske
- få
- grafik
- Ground
- Håndtering
- Have
- he
- Helse
- hjælpe
- hjælpe
- link.
- Høj
- højeste
- HOURS
- Hvordan
- How To
- HTML
- http
- HTTPS
- menneskelig
- læsbar
- identificere
- identificere
- billede
- billeder
- importere
- in
- oplysninger
- innovere
- indgang
- interaktiv
- interesse
- interesseret
- IT
- Job
- rejse
- kendt
- etiket
- Land
- storstilet
- lag
- lagdelt
- lag
- LÆR
- læring
- Leverage
- lokale
- placering
- Se
- tabte
- maskine
- machine learning
- lave
- maerker
- leder
- kort
- Maryland
- maske
- Match
- materiale
- minutter
- ML
- model
- modeller
- Overvåg
- Abekopper
- mere
- Behov
- Ny
- New York
- New York
- næste
- notesbog
- nummer
- NYC
- of
- tilbyde
- on
- åbent
- open source
- drift
- Produktion
- organisationer
- Ellers
- vores
- skitseret
- output
- uden for
- side
- lidenskabelige
- per
- Udfør
- fysisk
- fly
- perron
- plato
- Platon Data Intelligence
- PlatoData
- punkter
- Polygon
- befolkning
- positiv
- Indlæg
- post-
- strøm
- Forudsigelser
- Behandlet
- forarbejdning
- produceret
- egenskaber
- ejendom
- give
- udbydere
- formål
- hurtigt
- Læsning
- optegnelser
- region
- regioner
- relation
- rapporteret
- repræsenterer
- respekt
- svar
- vende
- risici
- klippe
- Kør
- løber
- sagemaker
- satellit
- skalerbar
- Scale
- sci-fi
- forskere
- sikker
- se
- segmentering
- senior
- Serverless
- Tjenester
- Session
- flere
- Vis
- Simpelt
- uddrag
- So
- Løsninger
- Kilder
- specialist
- spredes
- firkant
- påbegyndt
- statistiske
- Status
- Steps
- opbevaring
- gade
- Studio
- sådan
- Understøttet
- overflade
- Teknisk
- Teknologier
- end
- at
- Området
- deres
- Them
- derefter
- Disse
- denne
- til
- værktøj
- værktøjer
- Tog
- Kurser
- Traveling
- behandling
- to
- us
- brug
- ved brug af
- Ved hjælp af
- værdi
- forskellige
- leverandører
- via
- Besøg
- visualisering
- Vand
- måder
- we
- web
- webservices
- uger
- som
- vilje
- med
- inden for
- Arbejde
- virker
- york
- Du
- Din
- zephyrnet