Изменение климата Земли создает повышенный риск засухи из-за глобального потепления. С 1880 года глобальная температура повысилась на 1.01 °C. С 1993 года уровень моря поднялся на 102.5 миллиметра. С 2002 года наземные ледяные щиты в Антарктиде теряют массу со скоростью 151.0 миллиарда метрических тонн в год. В 2022 году атмосфера Земли содержит более 400 частей на миллион углекислого газа, что на 50% больше, чем в 1750 году. Хотя эти цифры могут показаться далекими от нашей повседневной жизни, Земля нагревается с беспрецедентной скоростью в течение последние 10,000 1 лет [XNUMX].
В этом посте мы используем новые геопространственные возможности Amazon SageMaker для мониторинга засухи, вызванной изменением климата в озере Мид. Озеро Мид является крупнейшим водохранилищем в США. Он снабжает водой 25 миллионов человек в штатах Невада, Аризона и Калифорния [2]. Исследования показывают, что уровень воды в озере Мид находится на самом низком уровне с 1937 года [3]. Мы используем геопространственные возможности SageMaker для измерения изменений уровня воды в озере Мид с помощью спутниковых снимков.
Доступ к данным
Новые геопространственные возможности в SageMaker обеспечивают легкий доступ к геопространственным данным, таким как Sentinel-2 и Landsat 8. Встроенный доступ к наборам геопространственных данных экономит недели усилий, которые в противном случае были бы потрачены на сбор данных от различных поставщиков данных и поставщиков.
Сначала мы будем использовать записную книжку Amazon SageMaker Studio с геопространственным изображением SageMaker, выполнив шаги, описанные в Начало работы с геопространственными возможностями Amazon SageMaker. Мы используем блокнот SageMaker Studio с геопространственным изображением SageMaker для нашего анализа.
Блокнот, использованный в этом посте, можно найти в amazon-sagemaker-примеры Репозиторий GitHub. SageMaker geospatial делает запрос данных чрезвычайно простым. Мы будем использовать следующий код, чтобы указать местоположение и временные рамки для спутниковых данных.
В следующем фрагменте кода мы сначала определяем AreaOfInterest
(AOI) с ограничивающей рамкой вокруг района озера Мид. Мы используем TimeRangeFilter
для выбора данных с января 2021 г. по июль 2022 г. Однако изучаемая нами область может быть закрыта облаками. Чтобы получить в основном безоблачные изображения, мы выбираем подмножество изображений, устанавливая верхнюю границу облачности на уровне 1%.
Вывод модели
После того, как мы идентифицируем данные, следующим шагом будет извлечение водоемов из спутниковых изображений. Как правило, нам нужно с нуля обучить модель сегментации земного покрова, чтобы идентифицировать различные категории физических материалов на поверхности земли, таких как водоемы, растительность, снег и т. д. Обучение модели с нуля требует много времени и денег. Он включает в себя маркировку данных, обучение модели и развертывание. Геопространственные возможности SageMaker обеспечивают предварительно обученную модель сегментации земного покрова. Эту модель сегментации земного покрова можно запустить с помощью простого вызова API.
Вместо того, чтобы загружать данные на локальный компьютер для выводов, SageMaker сделает всю тяжелую работу за вас. Мы просто указываем конфигурацию данных и конфигурацию модели в задании по наблюдению за Землей (EOJ). SageMaker автоматически загружает и предварительно обрабатывает данные спутниковых изображений для EOJ, делая их готовыми для логического вывода. Затем SageMaker автоматически запускает вывод модели для EOJ. В зависимости от рабочей нагрузки (количество изображений, прошедших через вывод модели), завершение EOJ может занять от нескольких минут до нескольких часов. Вы можете следить за статусом задания, используя get_earth_observation_job
функции.
Визуализируйте результаты
Теперь, когда мы запустили вывод модели, давайте визуально проверим результаты. Мы накладываем результаты вывода модели на входные спутниковые изображения. Мы используем инструменты Foursquare Studio, предварительно интегрированные с SageMaker, для визуализации этих результатов. Сначала мы создаем экземпляр карты, используя геопространственные возможности SageMaker для визуализации входных изображений и прогнозов модели:
Когда интерактивная карта готова, мы можем визуализировать входные изображения и выходные данные модели в виде слоев карты без необходимости загрузки данных. Кроме того, мы можем дать каждому слою метку и выбрать данные для определенной даты, используя TimeRangeFilter
:
Мы можем убедиться, что область, отмеченная как вода (ярко-желтая на следующей карте), точно соответствует водоему в озере Мид, изменив непрозрачность выходного слоя.
Пост-анализ
Далее мы используем export_earth_observation_job
для экспорта результатов EOJ в корзину Amazon Simple Storage Service (Amazon S3). Затем мы запускаем последующий анализ данных в Amazon S3, чтобы рассчитать площадь поверхности воды. Функция экспорта позволяет удобно обмениваться результатами между командами. SageMaker также упрощает управление наборами данных. Мы можем просто поделиться результатами EOJ, используя задание ARN, вместо того, чтобы сканировать тысячи файлов в корзине S3. Каждый EOJ становится активом в каталоге данных, поскольку результаты могут быть сгруппированы по заданию ARN.
Далее анализируем изменения уровня воды в озере Мид. Мы загружаем маски земного покрова в наш локальный экземпляр, чтобы рассчитать площадь поверхности воды, используя библиотеки с открытым исходным кодом. SageMaker сохраняет выходные данные модели в формате Cloud Optimized GeoTiff (COG). В этом примере мы загружаем эти маски как массивы NumPy с помощью пакета Tifffile. Создатель мудрецов Geospatial 1.0
Ядро также включает в себя другие широко используемые библиотеки, такие как GDAL и Rasterio.
Каждый пиксель в маске земного покрова имеет значение от 0 до 11. Каждое значение соответствует определенному классу земного покрова. Индекс класса воды равен 6. Мы можем использовать этот индекс класса для извлечения водной маски. Сначала мы подсчитываем количество пикселей, помеченных как вода. Затем мы умножаем это число на площадь, которую покрывает каждый пиксель, чтобы получить площадь поверхности воды. В зависимости от каналов пространственное разрешение изображения Sentinel-2 L2A составляет 10m, 20 mИли 60m. Все каналы уменьшены до пространственного разрешения 60 метров для вывода модели сегментации земного покрова. В результате каждый пиксель в маске земного покрова представляет площадь земли в 3600 m2Или 0.0036 km2.
На следующем рисунке мы строим график изменения площади водной поверхности во времени. Площадь водной поверхности явно уменьшилась в период с февраля 2021 г. по июль 2022 г. Менее чем за 2 года площадь поверхности озера Мид уменьшилась с более чем 300 km2 менее 250 km2, относительное изменение на 18%.
Мы также можем выделить границы озера и наложить их на спутниковые изображения, чтобы лучше визуализировать изменения береговой линии озера. Как показано на следующей анимации, северная и юго-восточная береговая линия сократились за последние 2 года. В некоторые месяцы площадь поверхности сокращалась более чем на 20% в годовом исчислении.
Заключение
Мы стали свидетелями воздействия изменения климата на сокращение береговой линии озера Мид. SageMaker теперь поддерживает геопространственное машинное обучение (МО), упрощая специалистам по данным и инженерам по машинному обучению создание, обучение и развертывание моделей с использованием геопространственных данных. В этом посте мы показали, как получать данные, выполнять анализ и визуализировать изменения с помощью геопространственных сервисов SageMaker AI/ML. Вы можете найти код для этого поста в amazon-sagemaker-примеры Репозиторий GitHub. См. Геопространственные возможности Amazon SageMaker чтобы узнать больше.
Рекомендации
[2] https://www.nps.gov/lake/learn/nature/overview-of-lake-mead.htm
[3] https://earthobservatory.nasa.gov/images/150111/lake-mead-keeps-dropping
Об авторах
Сюн Чжоу является старшим научным сотрудником в AWS. Он возглавляет научную группу по геопространственным возможностям Amazon SageMaker. Его текущая область исследований включает компьютерное зрение и эффективное обучение моделей. В свободное время он любит бегать, играть в баскетбол и проводить время со своей семьей.
Анируд Вишванатан является старшим менеджером по продуктам, техническим специалистам по внешним услугам в группе геопространственного машинного обучения SageMaker. Он имеет степень магистра робототехники Университета Карнеги-Меллона, степень магистра делового администрирования Уортонской школы бизнеса и является изобретателем более 40 патентов. Увлекается бегом на длинные дистанции, посещением художественных галерей и бродвейских шоу.
Трентон Липскомб является главным инженером и частью команды, которая добавила геопространственные возможности в SageMaker. Он принимал участие в разработке решений для человека в цикле, работая над сервисами SageMaker Ground Truth, Augmented AI и Amazon Mechanical Turk.
Синцзянь Ши является старшим научным сотрудником и частью команды, которая добавила геопространственные возможности в SageMaker. Он также работает над глубоким обучением для наук о Земле и мультимодальным AutoML.
Ли Эрран Ли является менеджером по прикладным наукам в сервисах humain-in-the-loop, AWS AI, Amazon. Его исследовательские интересы включают глубокое 3D-обучение, а также обучение зрению и репрезентации языка. Ранее он был старшим научным сотрудником Alexa AI, главой отдела машинного обучения Scale AI и главным научным сотрудником Pony.ai. До этого он работал с командой восприятия в Uber ATG и командой платформы машинного обучения в Uber, работая над машинным обучением для автономного вождения, системами машинного обучения и стратегическими инициативами ИИ. Он начал свою карьеру в Bell Labs и был адъюнкт-профессором Колумбийского университета. Он преподавал учебные пособия на ICML'17 и ICCV'19, а также был соорганизатором нескольких семинаров в NeurIPS, ICML, CVPR, ICCV по машинному обучению для автономного вождения, трехмерному зрению и робототехнике, системам машинного обучения и противоборствующему машинному обучению. Он имеет докторскую степень в области компьютерных наук в Корнельском университете. Он является научным сотрудником ACM и IEEE.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/monitoring-lake-mead-drought-using-the-new-amazon-sagemaker-geospatial-capabilities/
- 000
- 1
- 10
- 100
- 11
- 2021
- 2022
- 3d
- 7
- 9
- a
- доступ
- точно
- ACM
- приобретать
- через
- добавленный
- Дополнительно
- состязательный
- AI
- AI / ML
- Alexa
- Все
- Amazon
- Создатель мудреца Амазонки
- Геопространственные данные Amazon SageMaker
- Студия Amazon SageMaker
- анализ
- анализировать
- и
- анимация
- Антарктике
- API
- прикладной
- ПЛОЩАДЬ
- Аризона
- около
- Искусство
- Художественные галереи
- активы
- Активы
- Атмосфера
- дополненная
- автоматически
- AutoML
- автономный
- AWS
- Баскетбол
- становится
- до
- Колокол
- Лучшая
- между
- миллиард
- тело
- Граница
- Границы
- Коробка
- Яркие
- строить
- встроенный
- бизнес
- вычислять
- Калифорния
- призывают
- возможности
- углерод
- двуокись углерода
- Карьера
- Карнеги Меллон
- каталог
- категории
- вызванный
- Центр
- изменение
- изменения
- изменения
- главный
- Выберите
- класс
- явно
- климат
- Изменение климата
- облако
- код
- Сбор
- COLUMBIA
- сочетании
- полный
- Заполненная
- компьютер
- Информатика
- Компьютерное зрение
- Конфигурация
- содержит
- Удобно
- соответствует
- чехол для варгана
- охват
- Обложки
- Создайте
- создает
- Текущий
- ежедневно
- данным
- Время
- глубоко
- глубокое обучение
- в зависимости
- развертывание
- развертывание
- желанный
- различный
- Дисплей
- скачать
- загрузок
- вождение
- Засуха
- каждый
- земля
- легче
- эффективный
- усилие
- инженер
- Инженеры
- пример
- дорогим
- экспорт
- и, что лучший способ
- извлечение
- чрезвычайно
- семья
- февраль
- человек
- несколько
- фигура
- Файлы
- Найдите
- окончание
- Во-первых,
- после
- формат
- найденный
- от
- функция
- галереи
- Геопространственное машинное обучение
- получить
- GIF
- GitHub
- Дайте
- Глобальный
- земля
- имеет
- ЧАСЫ
- Как
- How To
- Однако
- HTML
- HTTPS
- человек
- ICE
- определения
- IEEE
- изображение
- изображений
- Влияние
- Импортировать
- in
- включает в себя
- расширились
- индекс
- инициативы
- вход
- пример
- вместо
- интерактивный
- интересы
- вовлеченный
- IT
- пункты
- январь
- Январь 2021г.
- работа
- июль
- Основные
- этикетка
- маркировка
- Labs
- озеро
- Земля
- язык
- крупнейших
- Фамилия
- слой
- слоев
- Лиды
- УЧИТЬСЯ
- изучение
- уровень
- уровни
- библиотеки
- Подтяжка лица
- Живет
- загрузка
- локальным
- расположение
- потери
- самый низкий уровень
- машина
- обучение с помощью машины
- ДЕЛАЕТ
- Создание
- управление
- менеджер
- карта
- с пометкой
- маска
- Маски
- Масса
- материалы
- Matplotlib
- проводить измерение
- механический
- Mellon
- метрический
- может быть
- миллиона
- Минут
- ML
- модель
- Модели
- монитор
- Мониторинг
- месяцев
- БОЛЕЕ
- Названный
- НАСА
- Необходимость
- нуждающихся
- потребности
- NEVADA
- Новые
- следующий
- север
- ноутбук
- номер
- номера
- NumPy
- объекты
- затемняется
- получать
- предлагают
- с открытым исходным кодом
- оптимизированный
- OS
- Другое
- в противном случае
- изложенные
- собственный
- пакет
- часть
- особый
- части
- мимо
- Патенты
- путь
- Люди
- восприятие
- Выполнять
- период
- физический
- Pixel
- Платформа
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- игры
- представляет
- После
- Predictions
- предварительно
- Основной
- Продукт
- Менеджер по продукции
- Профессор
- свойства
- собственность
- обеспечивать
- поставщики
- Обменный курс
- готовый
- Цена снижена
- удален
- замещать
- представление
- представляет
- исследованиям
- Постановления
- ответ
- результат
- Итоги
- Risen
- Снижение
- робототехника
- Run
- Бег
- sagemaker
- спутник
- Шкала
- масштаб ай
- Школа
- Наука
- Ученый
- Ученые
- МОРЕ
- сегментация
- старший
- обслуживание
- Услуги
- Сессия
- установка
- несколько
- Поделиться
- показанный
- Шоу
- просто
- просто
- с
- снег
- So
- Решения
- некоторые
- Источник
- пространственный
- Расходы
- SQ
- и политические лидеры
- Области
- Статус:
- Шаг
- Шаги
- диск
- Стратегический
- студия
- изучение
- последующее
- такие
- Поддержка
- Поверхность
- системы
- взять
- команда
- команды
- Технический
- Ассоциация
- Местоположение
- их
- тысячи
- Через
- время
- сроки
- в
- Тон
- инструменты
- Train
- Обучение
- правда
- учебные пособия
- типично
- Uber
- Университет
- беспрецедентный
- us
- использование
- ценностное
- различный
- поставщики
- проверить
- видение
- визуализация
- Вода
- Недели
- Wharton
- , которые
- в то время как
- широко
- будете
- без
- свидетелем
- работает
- Семинары
- бы
- X
- год
- лет
- Ты
- ВАШЕ
- зефирнет