Hewan pengerat seperti tikus dan mencit dikaitkan dengan sejumlah risiko kesehatan dan diketahui menyebarkan lebih dari 35 penyakit. Mengidentifikasi wilayah dengan aktivitas hewan pengerat yang tinggi dapat membantu otoritas lokal dan organisasi pengendalian hama merencanakan intervensi secara efektif dan memusnahkan hewan pengerat tersebut.
Dalam posting ini, kami menunjukkan cara memantau dan memvisualisasikan populasi hewan pengerat menggunakan Kemampuan geospasial Amazon SageMaker. Kami kemudian memvisualisasikan efek infestasi hewan pengerat pada vegetasi dan badan air. Terakhir, kami mengkorelasikan dan memvisualisasikan jumlah kasus cacar monyet yang dilaporkan dengan penampakan hewan pengerat di suatu wilayah. Amazon SageMaker mempermudah data scientist dan machine learning (ML) engineer untuk membangun, melatih, dan menerapkan model menggunakan data geospasial. Alat ini memudahkan untuk mengakses sumber data geospasial, menjalankan operasi pemrosesan yang dibuat khusus, menerapkan model ML terlatih, dan menggunakan alat visualisasi bawaan dengan lebih cepat dan dalam skala besar.
buku catatan
Pertama, kita menggunakan an Studio Amazon SageMaker notebook dengan gambar geospasial dengan mengikuti langkah-langkah yang diuraikan dalam Memulai dengan kemampuan geospasial Amazon SageMaker.
Akses data
Gambar geospasial sudah diinstal sebelumnya dengan kemampuan geospasial SageMaker yang mempermudah pengayaan data untuk analisis geospasial dan ML. Untuk postingan kami, kami menggunakan citra satelit dari Sentinel-2 dan aktivitas hewan pengerat dan kumpulan data monkeypoxs dari sumber terbuka Data terbuka NYC.
Pertama, kami menggunakan aktivitas hewan pengerat dan mengekstrak lintang dan bujur penampakan dan inspeksi hewan pengerat. Kemudian kami memperkaya informasi lokasi ini dengan alamat jalan yang dapat dibaca manusia. Kami membuat pekerjaan pengayaan vektor (VEJ) di notebook SageMaker Studio untuk menjalankan operasi geocoding terbalik sehingga Anda dapat mengonversi koordinat geografis (lintang, bujur) ke alamat yang dapat dibaca manusia, didukung oleh Layanan Lokasi Amazon. Kami membuat VEJ sebagai berikut:
Visualisasikan aktivitas hewan pengerat di suatu wilayah
Sekarang kita dapat menggunakan kemampuan geospasial SageMaker untuk memvisualisasikan penampakan hewan pengerat. Setelah VEJ selesai, kami mengekspor hasil pekerjaan ke Amazon S3 ember.
Saat ekspor selesai, Anda akan melihat file CSV keluaran di file Layanan Penyimpanan Sederhana Amazon (Amazon S3) bucket, yang terdiri dari data input Anda (koordinat bujur dan lintang) bersama dengan kolom tambahan: nomor alamat, negara, label, kotamadya, lingkungan, kode pos, dan wilayah lokasi tersebut ditambahkan di bagian akhir.
Dari file keluaran yang dihasilkan oleh VEJ, kita dapat menggunakan kemampuan geospasial SageMaker untuk menghamparkan keluaran pada peta dasar dan menyediakan visualisasi berlapis untuk memudahkan kolaborasi. Kemampuan geospasial SageMaker menyediakan alat visualisasi bawaan yang didukung oleh Studio Empat Persegi, yang secara native bekerja dari dalam notebook SageMaker melalui SDK Peta geospasial SageMaker. Di bawah ini, kita dapat memvisualisasikan penampakan hewan pengerat dan juga mendapatkan alamat yang dapat dibaca manusia untuk setiap titik data. Informasi alamat dari setiap titik data penampakan hewan pengerat dapat berguna untuk tujuan inspeksi dan perawatan hewan pengerat.
Menganalisis efek infestasi hewan pengerat pada vegetasi dan badan air
Untuk menganalisis efek infestasi hewan pengerat pada vegetasi dan badan air, kita perlu mengklasifikasikan setiap lokasi sebagai vegetasi, air, dan tanah kosong. Mari kita lihat bagaimana kita dapat menggunakan kemampuan geospasial ini untuk melakukan analisis ini.
Kemampuan geospasial baru di SageMaker menawarkan akses yang lebih mudah ke data geospasial seperti Sentinel-2 dan Landsat 8. Akses set data geospasial bawaan menghemat upaya selama berminggu-minggu untuk mengumpulkan dan memproses data dari berbagai penyedia data dan vendor. Selain itu, kemampuan geospasial ini menawarkan model segmentasi Land Use Land Cover (LULC) pra-pelatihan untuk mengidentifikasi material fisik, seperti vegetasi, air, dan tanah kosong, di permukaan bumi.
Kami menggunakan ini LULC ML model untuk menganalisis efek populasi hewan pengerat pada vegetasi dan badan air.
Dalam cuplikan kode berikut, pertama-tama kita menentukan koordinat area minat (aoi_coords
) dari Kota New York. Kemudian kami membuat Earth Observation Job (EOJ) dan memilih operasi LULC. SageMaker mengunduh dan memproses data citra satelit untuk EOJ. Selanjutnya, SageMaker secara otomatis menjalankan inferensi model untuk EOJ. Runtime EOJ akan bervariasi dari beberapa menit hingga beberapa jam tergantung pada jumlah gambar yang diproses. Anda dapat memantau status EOJ menggunakan get_earth_observation_job
fungsi, dan memvisualisasikan input dan output dari EOJ di peta.
Untuk memvisualisasikan populasi hewan pengerat sehubungan dengan vegetasi, kami melapisi populasi hewan pengerat dan data pengamatan pada prediksi model segmentasi tutupan lahan. Visualisasi ini dapat membantu kita menemukan populasi hewan pengerat dan menganalisisnya pada vegetasi dan badan air.
Visualisasikan kasus cacar monyet dan hubungkan dengan data hewan pengerat
Untuk memvisualisasikan hubungan antara kasus monkeypox dan penampakan hewan pengerat, kami menambahkan dataset monkeypox dan file geoJSON untuk batas wilayah Kota New York. Lihat kode berikut:
Di dalam notebook SageMaker Studio, kita dapat menggunakan alat visualisasi yang diberdayakan oleh Foursquare untuk menambahkan lapisan di peta dan menambahkan bagan. Di sini, kami menambahkan data cacar monyet sebagai bagan untuk menunjukkan jumlah kasus cacar monyet untuk setiap wilayah. Untuk melihat korelasi antara kasus cacar monyet dan penampakan hewan pengerat, kami telah menambahkan batas wilayah sebagai lapisan poligon dan menambahkan lapisan peta panas yang merepresentasikan aktivitas hewan pengerat. Lapisan batas wilayah diwarnai agar sesuai dengan bagan data cacar monyet. Seperti yang bisa kita lihat, wilayah Manhattan menunjukkan konsentrasi penampakan hewan pengerat yang tinggi dan mencatat jumlah kasus cacar monyet tertinggi, diikuti oleh Brooklyn.
Hal ini didukung oleh analisis statistik sederhana yang menghitung korelasi antara konsentrasi penampakan hewan pengerat dan kasus cacar monyet di setiap wilayah. Perhitungan tersebut menghasilkan nilai r sebesar 0.714 yang berarti korelasi positif.
Kesimpulan
Dalam postingan ini, kami mendemonstrasikan bagaimana Anda dapat menggunakan kemampuan geospasial SageMaker untuk mendapatkan alamat mendetail tentang penampakan hewan pengerat dan memvisualisasikan efek hewan pengerat pada vegetasi dan badan air. Ini dapat membantu otoritas lokal dan organisasi pengendalian hama merencanakan intervensi secara efektif dan memusnahkan hewan pengerat. Kami juga mengkorelasikan penampakan hewan pengerat dengan kasus cacar monyet di area tersebut dengan alat visualisasi bawaan. Dengan memanfaatkan pengayaan vektor dan EOJ bersama dengan alat visualisasi bawaan, kemampuan geospasial SageMaker menghilangkan tantangan dalam menangani kumpulan data geospasial skala besar, pelatihan model, dan inferensi, serta menyediakan kemampuan untuk menjelajahi prediksi dan data geospasial dengan cepat pada peta interaktif menggunakan grafik akselerasi 3D dan alat visualisasi bawaan.
Anda dapat memulai kemampuan geospasial SageMaker dengan dua cara:
Untuk mempelajari lebih lanjut, kunjungi Kemampuan geospasial Amazon SageMaker dan Memulai dengan kemampuan geospasial Amazon SageMaker. Juga, kunjungi kami GitHub repo, yang memiliki beberapa contoh notebook tentang kemampuan geospasial SageMaker.
Tentang penulis
Kelinci Kaushik adalah Arsitek Solusi di AWS. Dia bersemangat membangun solusi AI/ML dan membantu pelanggan berinovasi di platform AWS. Di luar pekerjaan, dia menikmati hiking, panjat tebing, dan berenang.
Clarisse Vigal adalah Sr. Manajer Akun Teknis di AWS, berfokus untuk membantu pelanggan mempercepat perjalanan adopsi cloud mereka. Di luar pekerjaan, Clarisse senang bepergian, mendaki, dan membaca film thriller sci-fi.
Weda Raman adalah Arsitek Solusi Spesialis Senior untuk pembelajaran mesin yang berbasis di Maryland. Veda bekerja dengan pelanggan untuk membantu mereka merancang aplikasi pembelajaran mesin yang efisien, aman, dan skalabel. Veda tertarik untuk membantu pelanggan memanfaatkan teknologi tanpa server untuk pembelajaran Mesin.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/analyze-rodent-infestation-using-amazon-sagemaker-geospatial-capabilities/
- :memiliki
- :adalah
- 10
- 100
- 11
- 17
- 3d
- 40
- 7
- 8
- 9
- a
- kemampuan
- Tentang Kami
- mempercepat
- dipercepat
- mengakses
- Akun
- kegiatan
- menambahkan
- menambahkan
- Tambahan
- alamat
- alamat
- Adopsi
- Setelah
- AI / ML
- sepanjang
- juga
- Amazon
- Amazon SageMaker
- geospasial Amazon SageMaker
- Amazon Web Services
- an
- analisis
- menganalisa
- dan
- aplikasi
- Mendaftar
- ADALAH
- DAERAH
- AS
- terkait
- At
- Pihak berwenang
- secara otomatis
- AWS
- mendasarkan
- berdasarkan
- BE
- di bawah
- antara
- tubuh
- batas-batas
- batas
- Brooklyn
- membangun
- Bangunan
- built-in
- by
- menghitung
- CAN
- Bisa Dapatkan
- kemampuan
- kasus
- tantangan
- Grafik
- Charts
- Kota
- Klasifikasi
- Pendakian
- awan
- adopsi cloud
- kode
- kolaborasi
- Mengumpulkan
- Kolom
- datang
- lengkap
- konsentrasi
- terdiri
- kontrol
- mengubah
- Korelasi
- negara
- menutupi
- membuat
- pelanggan
- data
- titik data
- kumpulan data
- menetapkan
- menunjukkan
- Tergantung
- menyebarkan
- terperinci
- penyakit
- download
- setiap
- bumi
- mudah
- efektif
- efek
- efisien
- usaha
- menghapuskan
- akhir
- Insinyur
- memperkaya
- contoh
- pameran
- menyelidiki
- ekspor
- ekstrak
- lebih cepat
- File
- Akhirnya
- Pertama
- terfokus
- diikuti
- berikut
- berikut
- Untuk
- dari
- fungsi
- dihasilkan
- geografis
- mendapatkan
- grafis
- Tanah
- Penanganan
- Memiliki
- he
- Kesehatan
- membantu
- membantu
- di sini
- High
- paling tinggi
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- manusia
- bisa dibaca manusia
- mengenali
- mengidentifikasi
- gambar
- gambar
- mengimpor
- in
- informasi
- berinovasi
- memasukkan
- interaktif
- bunga
- tertarik
- IT
- Pekerjaan
- perjalanan
- dikenal
- label
- Tanah
- besar-besaran
- lapisan
- berlapis
- lapisan
- BELAJAR
- pengetahuan
- Leverage
- lokal
- tempat
- melihat
- kalah
- mesin
- Mesin belajar
- membuat
- MEMBUAT
- manajer
- peta
- Maryland
- masker
- Cocok
- bahan
- menit
- ML
- model
- model
- Memantau
- cacar monyet
- lebih
- Perlu
- New
- NY
- new york city
- berikutnya
- buku catatan
- jumlah
- NYC
- of
- menawarkan
- on
- Buka
- open source
- operasi
- Operasi
- organisasi
- jika tidak
- kami
- diuraikan
- keluaran
- di luar
- halaman
- bergairah
- untuk
- Melakukan
- fisik
- rencana
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- poin
- Poligon
- populasi
- positif
- Pos
- pos
- didukung
- Prediksi
- Diproses
- pengolahan
- Diproduksi
- properties
- milik
- memberikan
- penyedia
- tujuan
- cepat
- Bacaan
- arsip
- wilayah
- daerah
- hubungan
- Dilaporkan
- merupakan
- menghormati
- tanggapan
- membalikkan
- risiko
- batu
- Run
- berjalan
- pembuat bijak
- satelit
- terukur
- Skala
- sci-fi
- ilmuwan
- aman
- melihat
- segmentasi
- senior
- Tanpa Server
- Layanan
- Sidang
- beberapa
- Menunjukkan
- Sederhana
- potongan
- So
- Solusi
- sumber
- spesialis
- penyebaran
- kotak
- mulai
- statistik
- Status
- Tangga
- penyimpanan
- jalan
- studio
- seperti itu
- Didukung
- Permukaan
- Teknis
- Teknologi
- dari
- bahwa
- Grafik
- Daerah
- mereka
- Mereka
- kemudian
- Ini
- ini
- untuk
- alat
- alat
- Pelatihan VE
- Pelatihan
- Perjalanan
- pengobatan
- dua
- us
- menggunakan
- menggunakan
- Memanfaatkan
- nilai
- berbagai
- vendor
- melalui
- Mengunjungi
- visualisasi
- air
- cara
- we
- jaringan
- layanan web
- minggu
- yang
- akan
- dengan
- dalam
- Kerja
- bekerja
- York
- Kamu
- Anda
- zephyrnet.dll