Det här är ett gästinlägg medförfattare av Shravan Kumar och Avirat S från Gramener.
Gramener, en Straive företag, bidrar till hållbar utveckling genom att fokusera på jordbruk, skogsbruk, vattenförvaltning och förnybar energi. Genom att förse myndigheter med de verktyg och insikter de behöver för att fatta välgrundade beslut om miljömässig och social påverkan, spelar Gramener en viktig roll för att bygga en mer hållbar framtid.
Urban värmeöar (UHIs) är områden inom städer som upplever betydligt högre temperaturer än deras omgivande landsbygd. UHI är ett växande problem eftersom de kan leda till olika miljö- och hälsoproblem. För att möta denna utmaning har Gramener utvecklat en lösning som använder rumslig data och avancerade modelleringstekniker för att förstå och mildra följande UHI-effekter:
- Temperaturskillnad – UHI:er kan göra att stadsområden är hetare än de omgivande landsbygdsområdena.
- Hälsopåverkan – Högre temperaturer i UHI bidrar till en 10-20 % ökning av värmerelaterade sjukdomar och dödsfall.
- Energiförbrukning - UHI:er förstärker kraven på luftkonditionering, vilket resulterar i en ökning av energiförbrukningen med upp till 20 %.
- Luftkvalitet - UHI försämrar luftkvaliteten, vilket leder till förhöjda nivåer av smog och partiklar, vilket kan öka andningsproblem.
- Ekonomisk påverkan – UHI:er kan resultera i miljarder dollar i extra energikostnader, skador på infrastrukturen och utgifter för sjukvård.
Grameners GeoBox-lösning ger användare möjlighet att enkelt utnyttja och analysera offentlig geospatial data genom dess kraftfulla API, vilket möjliggör sömlös integrering i befintliga arbetsflöden. Detta effektiviserar utforskningen och sparar värdefull tid och resurser, vilket gör att gemenskaper snabbt kan identifiera UHI-hotspots. GeoBox omvandlar sedan rådata till handlingsbara insikter presenterade i användarvänliga format som raster, GeoJSON och Excel, vilket säkerställer tydlig förståelse och omedelbar implementering av UHI-reduceringsstrategier. Detta ger samhällen möjlighet att fatta välgrundade beslut och genomföra initiativ för hållbar stadsutveckling, vilket i slutändan stöder medborgarna genom förbättrad luftkvalitet, minskad energiförbrukning och en svalare, hälsosammare miljö.
Det här inlägget visar hur Grameners GeoBox-lösning använder Amazon SageMakers geospatiala funktioner för att utföra jordobservationsanalys och låsa upp UHI-insikter från satellitbilder. SageMakers geospatiala funktioner gör det enkelt för datavetare och maskininlärningsingenjörer (ML) att bygga, träna och distribuera modeller med hjälp av geospatial data. SageMakers geospatiala funktioner låter dig effektivt transformera och berika storskaliga geospatiala datauppsättningar och påskynda produktutveckling och tid till insikt med förutbildade ML-modeller.
Lösningsöversikt
Geobox syftar till att analysera och förutsäga UHI-effekten genom att utnyttja rumsliga egenskaper. Det hjälper till att förstå hur föreslagna förändringar av infrastruktur och markanvändning kan påverka UHI-mönster och identifierar nyckelfaktorerna som påverkar UHI. Denna analytiska modell ger korrekta uppskattningar av markytans temperatur (LST) på en granulär nivå, vilket gör att Gramener kan kvantifiera förändringar i UHI-effekten baserat på parametrar (namn på index och använda data).
Geobox gör det möjligt för stadsavdelningar att göra följande:
- Förbättrad klimatanpassning planering – Informerade beslut minskar effekten av extrema värmehändelser.
- Stöd för utbyggnad av grönytor – Fler grönområden höjer luftkvaliteten och livskvaliteten.
- Förbättrat samarbete mellan avdelningarna – Samordnade insatser förbättrar den allmänna säkerheten.
- Strategisk krisberedskap – Riktad planering minskar risken för nödsituationer.
- Hälsosamverkan – Samarbete leder till effektivare hälsoinsatser.
Lösnings arbetsflöde
I det här avsnittet diskuterar vi hur de olika komponenterna fungerar tillsammans, från datainsamling till rumslig modellering och prognoser, som fungerar som kärnan i UHI-lösningen. Lösningen följer ett strukturerat arbetsflöde, med ett primärt fokus på att adressera UHI i en stad i Kanada.
Fas 1: Datapipeline
Landsat 8-satelliten tar detaljerade bilder av det intressanta området var 15:e dag klockan 11:30, vilket ger en heltäckande bild av stadens landskap och miljö. Ett rutsystem upprättas med en rutnätsstorlek på 48 meter med hjälp av Mapbox Supermercado Python-bibliotek på zoomnivå 19, vilket möjliggör exakt rumslig analys.
Fas 2: Undersökande analys
Genom att integrera infrastruktur och befolkningsdatalager ger Geobox användarna möjlighet att visualisera stadens varierande fördelning och härleda urbana morfologiska insikter, vilket möjliggör en omfattande analys av stadens struktur och utveckling.
Landsat-bilder från fas 1 används också för att få insikter som Normalized Difference Vegetation Index (NDVI) och Normalized Difference Built-up Index (NDBI), med data noggrant skalade till 48-metersrutnätet för konsekvens och noggrannhet.
Följande variabler används:
- Markytans temperatur
- Byggplatstäckning
- NDVI
- Byggstenstäckning
- NDBI
- Byggområde
- albedo
- Byggnadsräkning
- Modified Normalized Difference Water Index (MNDWI)
- Byggnadshöjd
- Antal våningar och golvyta
- Golvareaförhållande
Fas 3: Analysmodell
Denna fas består av tre moduler, som använder ML-modeller på data för att få insikter i LST och dess relation med andra inflytelserika faktorer:
- Modul 1: Zonstatistik och aggregering – Zonstatistik spelar en viktig roll vid beräkning av statistik med hjälp av värden från värderastret. Det innebär att extrahera statistiska data för varje zon baserat på zonrastret. Aggregering utförs med en upplösning på 100 meter, vilket möjliggör en omfattande analys av data.
- Modul 2: Rumslig modellering – Gramener utvärderade tre regressionsmodeller (linjära, spatiala och rumsliga fixerade effekter) för att reda ut korrelationen mellan landytans temperatur (LST) och andra variabler. Bland dessa modeller gav den rumsliga modellen med fixerad effekt det högsta genomsnittliga R-kvadratvärdet, särskilt för tidsramen som sträcker sig 2014 till 2020.
- Modul 3: Variabelprognoser – För att prognostisera variabler på kort sikt använde Gramener exponentiella utjämningstekniker. Dessa prognoser hjälpte till att förstå framtida LST-värden och deras trender. Dessutom grävde de ner sig i långsiktig skalaanalys genom att använda data från Representative Concentration Pathway (RCP8.5) för att förutsäga LST-värden över längre perioder.
Datainsamling och förbearbetning
För att implementera modulerna använde Gramener SageMaker geospatiala anteckningsbok inom Amazon SageMaker Studio. Den geospatiala notebook-kärnan är förinstallerad med vanliga geospatiala bibliotek, vilket möjliggör direkt visualisering och bearbetning av geospatial data inom Python-notebook-miljön.
Gramener använde olika datauppsättningar för att förutsäga LST-trender, inklusive byggnadsbedömning och temperaturdata, såväl som satellitbilder. Nyckeln till UHI-lösningen var att använda data från Landsat 8-satelliten. Denna jordbildssatellit, ett joint venture mellan USGS och NASA, fungerade som en grundläggande komponent i projektet.
Med SearchRasterDataCollection API, SageMaker tillhandahåller en specialbyggd funktionalitet för att underlätta hämtning av satellitbilder. Gramener använde detta API för att hämta Landsat 8-satellitdata för UHI-lösningen.
Smakämnen SearchRasterDataCollection
API använder följande indataparametrar:
- RNA – Amazon Resource Name (ARN) för rasterdatainsamlingen som används i frågan
- Intresseområde – En GeoJSON-polygon som representerar intresseområdet
- TimeRangeFilter – Tidsintervallet av intresse, betecknat som
{StartTime: <string>, EndTime: <string>}
- PropertyFilters – Kompletterande egenskapsfilter, såsom specifikationer för maximalt acceptabelt molntäcke, kan också införlivas
Följande exempel visar hur Landsat 8-data kan frågas via API:et:
För att bearbeta storskalig satellitdata använde Gramener Amazon SageMaker-bearbetning med den geospatiala behållaren. SageMaker Processing möjliggör flexibel skalning av beräkningskluster för att rymma uppgifter av varierande storlek, från att bearbeta ett enda stadskvarter till att hantera arbetsbelastningar i planetarisk skala. Traditionellt var det både kostsamt och tidskrävande att manuellt skapa och hantera ett datorkluster för sådana uppgifter, särskilt på grund av komplexiteten i att standardisera en miljö som lämpar sig för geospatial datahantering.
Nu, med den specialiserade geospatiala behållaren i SageMaker, har det blivit enklare att hantera och driva kluster för geospatial bearbetning. Denna process kräver minimal kodningsansträngning: du definierar helt enkelt arbetsbelastningen, anger platsen för geospatiala data i Amazon enkel lagringstjänst (Amazon S3), och välj lämplig geospatial behållare. SageMaker Processing tillhandahåller sedan automatiskt de nödvändiga klusterresurserna, vilket underlättar effektiv körning av geospatiala uppgifter på skalor som sträcker sig från stadsnivå till kontinentnivå.
SageMaker hanterar helt den underliggande infrastrukturen som krävs för bearbetningsjobbet. Den tilldelar klusterresurser under hela jobbet och tar bort dem när jobbet är klart. Slutligen sparas resultatet av bearbetningsjobbet i den avsedda S3-hinken.
Ett SageMaker Processing-jobb som använder den geospatiala bilden kan konfigureras enligt följande från den geospatiala anteckningsboken:
Parametern instance_count definierar hur många instanser som bearbetningsjobbet ska använda, och instance_type definierar vilken typ av instans som ska användas.
Följande exempel visar hur ett Python-skript körs på bearbetningsjobbklustret. När körkommandot anropas startar klustret och tillhandahåller automatiskt de nödvändiga klusterresurserna:
Rumslig modellering och LST-förutsägelser
I bearbetningsjobbet beräknas en rad variabler, inklusive top-of-atmosphere spektral radians, ljusstyrka temperatur och reflektans från Landsat 8. Dessutom beräknas morfologiska variabler som golvareakvot (FAR), byggplatstäckning, byggstenstäckning och Shannons entropivärde.
Följande kod visar hur denna bandaritmetik kan utföras:
Efter att variablerna har beräknats utförs zonstatistik för att aggregera data efter rutnät. Detta innebär att man beräknar statistik baserat på värdena av intresse inom varje zon. För dessa beräkningar har en rutnätsstorlek på cirka 100 meter använts.
Efter aggregering av data utförs rumslig modellering. Gramener använde spatial regressionsmetoder, såsom linjär regression och rumsliga fixerade effekter, för att ta hänsyn till rumsligt beroende i observationerna. Detta tillvägagångssätt underlättar modellering av förhållandet mellan variabler och LST på mikronivå.
Följande kod illustrerar hur sådan rumslig modellering kan köras:
Gramener använde exponentiell utjämning för att förutsäga LST-värdena. Exponentiell utjämning är en effektiv metod för tidsserieprognoser som tillämpar viktade medelvärden på tidigare data, där vikterna minskar exponentiellt över tiden. Denna metod är särskilt effektiv för att jämna ut data för att identifiera trender och mönster. Genom att använda exponentiell utjämning blir det möjligt att visualisera och förutsäga LST-trender med större precision, vilket möjliggör mer exakta förutsägelser av framtida värden baserat på historiska mönster.
För att visualisera förutsägelserna använde Gramener SageMaker geospatiala anteckningsbok med geospatiala bibliotek med öppen källkod för att överlägga modellförutsägelser på en baskarta och tillhandahålla lagervisa geospatiala datauppsättningar direkt i anteckningsboken.
Slutsats
Det här inlägget visade hur Gramener ger kunder möjlighet att fatta datadrivna beslut för hållbara stadsmiljöer. Med SageMaker uppnådde Gramener avsevärda tidsbesparingar i UHI-analys, vilket minskade bearbetningstiden från veckor till timmar. Denna snabba insiktsgenerering gör det möjligt för Grameners kunder att lokalisera områden som kräver UHI-reduceringsstrategier, proaktivt planera stadsutveckling och infrastrukturprojekt för att minimera UHI och få en holistisk förståelse av miljöfaktorer för en omfattande riskbedömning.
Upptäck potentialen med att integrera jordobservationsdata i dina hållbarhetsprojekt med SageMaker. För mer information, se Kom igång med Amazon SageMakers geospatiala funktioner.
Om författarna
Abhishek Mittal är en lösningsarkitekt för det globala teamet inom den offentliga sektorn med Amazon Web Services (AWS), där han främst arbetar med ISV-partners över branscher som ger dem arkitektonisk vägledning för att bygga skalbar arkitektur och implementera strategier för att driva införandet av AWS-tjänster. Han brinner för att modernisera traditionella plattformar och säkerhet i molnet. Utanför jobbet är han en reseentusiast.
Janosch Woschitz är Senior Solutions Architect på AWS, specialiserad på AI/ML. Med över 15 års erfarenhet stödjer han kunder globalt med att utnyttja AI och ML för innovativa lösningar och bygga ML-plattformar på AWS. Hans expertis spänner över maskininlärning, datateknik och skalbara distribuerade system, förstärkt med en stark bakgrund inom mjukvaruteknik och branschexpertis inom områden som autonom körning.
Shravan Kumar är en Senior Director of Client Succes på Gramener, med decennium av erfarenhet av Business Analytics, Data Evangelism och skapa djupa kundrelationer. Han har en solid grund inom Client Management, Account Management inom området dataanalys, AI & ML.
Avirat S är en geospatial dataforskare på Gramener, som använder AI/ML för att låsa upp insikter från geografiska data. Hans expertis ligger inom katastrofhantering, jordbruk och stadsplanering, där hans analys informerar beslutsprocesser.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/understanding-and-predicting-urban-heat-islands-at-gramener-using-amazon-sagemaker-geospatial-capabilities/
- : har
- :är
- :var
- $UPP
- 1
- 100
- 11
- 15 år
- 15%
- 16
- 17
- 19
- 1900
- 20
- 2014
- 2020
- 30
- 31
- 7
- 8
- a
- Om oss
- accelerera
- godtagbart
- rymma
- Konto
- kontohantering
- noggrannhet
- exakt
- uppnås
- förvärv
- tvärs
- angripbara
- Annat
- Dessutom
- adress
- adresse
- Antagande
- avancerat
- aggregat
- aggregerande
- aggregation
- jordbruket
- AI
- AI / ML
- Syftet
- LUFT
- allokerar
- tillåter
- tillåta
- tillåter
- också
- am
- amason
- Amazon SageMaker
- Amazon SageMaker geospatial
- Amazon Web Services
- Amazon Web Services (AWS)
- bland
- förstärka
- an
- analys
- Analytisk
- analytics
- analysera
- och
- och infrastruktur
- api
- applicerar
- tillvägagångssätt
- lämpligt
- cirka
- arkitektoniska
- arkitektur
- ÄR
- OMRÅDE
- områden
- AS
- bedömning
- At
- augmented
- Myndigheter
- automatiskt
- autonom
- AWS
- bakgrund
- BAND
- bas
- baserat
- bbc
- BE
- därför att
- blir
- blir
- varit
- mellan
- miljarder
- Blockera
- båda
- BT
- SLUTRESULTAT
- Byggnad
- företag
- by
- beräknat
- beräkning
- KAN
- Kanada
- kapacitet
- fångar
- Orsak
- utmanar
- Förändringar
- egenskaper
- Städer
- medborgare
- Stad
- klar
- klient
- klienter
- Klimat
- cloud
- kluster
- koda
- Kodning
- samling
- kommando
- vanligen
- samhällen
- företag
- Avslutade
- fullbordan
- komplexiteter
- komponent
- komponenter
- omfattande
- innefattar
- beräkningar
- Compute
- beräknad
- databehandling
- koncentration
- Oro
- konkurrent
- konfigurerad
- konsumtion
- Behållare
- kontinent
- bidra
- bidrar
- samarbete
- samordnas
- Kärna
- Korrelation
- kostsam
- Kostar
- täcka
- täckning
- Skapa
- Kunder
- skada
- datum
- Data Analytics
- datavetare
- data driven
- datauppsättningar
- Datum
- Dagar
- årtionde
- Beslutsfattande
- beslut
- djup
- definiera
- definierar
- krav
- demonstreras
- demonstrerar
- avdelningar
- beroende
- distribuera
- härleda
- betecknad
- detaljerad
- utvecklade
- Utveckling
- Skillnaden
- olika
- rikta
- direkt
- Direktör
- katastrof
- avvikelse
- diskutera
- distribueras
- distribuerade system
- fördelning
- do
- dollar
- domäner
- driv
- drivande
- grund
- varaktighet
- varje
- jord
- effekt
- Effektiv
- effekter
- effektiv
- effektivt
- ansträngning
- enkelt
- ansträngningar
- förhöjd
- nödsituation
- anställd
- utnyttjande
- ge
- bemyndigar
- möjliggör
- möjliggör
- energi
- Energiförbrukning
- energikostnader
- Teknik
- Ingenjörer
- förbättra
- berika
- säkerställa
- entusiast
- Miljö
- miljömässigt
- miljöer
- etablerade
- uppskattningar
- utvärderade
- händelser
- Varje
- exempel
- excel
- befintliga
- erfarenhet
- expertis
- utforskning
- exponentiell
- exponentiellt
- förlängas
- extrem
- främja
- underlättar
- underlättande
- faktorer
- långt
- Funktioner
- filter
- Slutligen
- fixerad
- flexibel
- Golv
- Fokus
- fokusering
- efter
- följer
- För
- Prognos
- prognoser
- smide
- formeln
- fundament
- från
- fullständigt
- funktionalitet
- grundläggande
- framtida
- Futures
- Få
- generering
- geografisk
- Globalt
- grynig
- större
- Grön
- Rutnät
- Odling
- Gäst
- gäst inlägg
- vägleda
- Arbetsmiljö
- Utnyttja
- Har
- he
- Hälsa
- hälso-och sjukvård
- friskare
- hjälper
- högre
- högsta
- hans
- historisk
- innehar
- helhetssyn
- ÖPPETTIDER
- Hur ser din drömresa ut
- html
- HTTPS
- i
- ID
- identifierar
- identifiera
- IDX
- if
- illustrerar
- bild
- omedelbar
- Inverkan
- genomföra
- genomförande
- genomföra
- importera
- förbättra
- förbättras
- in
- Inklusive
- Öka
- index
- index
- industrier
- industrin
- påverka
- Inflytelserik
- informationen
- informeras
- informerar
- Infrastruktur
- initiativ
- innovativa
- ingång
- insikt
- insikter
- exempel
- Integrera
- integrering
- intresse
- interventioner
- in
- åberopas
- involverade
- innebär
- Öar
- problem
- ISV
- IT
- DESS
- Jobb
- gemensam
- Joint Venture
- jpeg
- jpg
- Nyckel
- kumar
- land
- liggande
- storskalig
- senaste
- skiktad
- skikt
- leda
- ledande
- Leads
- inlärning
- vänster
- Nivå
- nivåer
- hävstångs
- bibliotek
- Bibliotek
- ligger
- livet
- tycka om
- linjär
- läge
- lång sikt
- Maskinen
- maskininlärning
- göra
- ledning
- förvaltar
- hantera
- manuellt
- många
- karta
- Materia
- maximal
- betyda
- metod
- metoder
- noggrant
- mikro
- minimum
- minimera
- Mildra
- begränsning
- ML
- modell
- modellering
- modeller
- modernisering
- Moduler
- mer
- namn
- namn
- Nasa
- nödvändigt för
- Behöver
- anteckningsbok
- observationen
- of
- on
- öppen källkod
- Övriga
- ut
- utanför
- över
- parameter
- parametrar
- särskilt
- partner
- brinner
- Tidigare
- väg
- mönster
- Utföra
- utfört
- perioder
- fas
- rörledning
- Planen
- planering
- Plattformar
- plato
- Platon Data Intelligence
- PlatonData
- Spela
- i
- Polygon
- befolkning
- möjlig
- Inlägg
- potentiell
- den mäktigaste
- exakt
- Precision
- förutse
- förutsäga
- Förutsägelser
- presenteras
- primärt
- primär
- problem
- process
- processer
- bearbetning
- Processorn
- Produkt
- produktutveckling
- projektet
- projekt
- egenskaper
- egenskapen
- föreslagen
- ger
- tillhandahålla
- allmän
- Python
- kvalitet
- snabbt
- område
- snabb
- ratio
- Raw
- rike
- Red
- minska
- Minskad
- minskar
- reducerande
- hänvisa
- regioner
- relationer
- relation
- avlägsnar
- Renewable
- förnybar energi
- representativ
- representerar
- Obligatorisk
- Kräver
- Upplösning
- resurs
- Resurser
- respons
- resultera
- resulterande
- Resultat
- hämtning
- avkastning
- Risk
- riskbedömning
- Roll
- Körning
- rinnande
- Landsbygd
- Landsbygdsområden
- s
- Säkerhet
- sagemaker
- satellit
- sparade
- Besparingar
- skalbar
- Skala
- skalad
- skalor
- skalning
- Forskare
- vetenskapsmän
- skript
- sömlös
- §
- sektor
- säkerhet
- välj
- senior
- Serier
- eras
- Tjänster
- portion
- Kort
- skall
- Visar
- signifikant
- Enkelt
- helt enkelt
- enda
- webbplats
- Storlek
- storlekar
- Social hållbarhet
- Sociala konsekvenser
- Mjukvara
- mjukvaruutveckling
- fast
- lösning
- Lösningar
- Utrymme
- utrymmen
- spänning
- spann
- rumsliga
- specialiserad
- specialiserat
- specifikationer
- Spektral
- standardisera
- igång
- startar
- statistisk
- statistik
- förvaring
- okomplicerad
- strategier
- strömlinjer
- stark
- struktur
- strukturerade
- väsentlig
- framgång
- sådana
- lämplig
- Stödjande
- Stöder
- yta
- uppstår
- kring
- Hållbarhet
- hållbart
- Hållbar utveckling
- hållbar framtid
- system
- System
- Tryck
- riktade
- uppgifter
- grupp
- tekniker
- termin
- än
- den där
- Smakämnen
- Området
- deras
- Dem
- sedan
- Dessa
- de
- detta
- tre
- Genom
- tid
- Tidsföljder
- tidskrävande
- tidsram
- till
- tillsammans
- verktyg
- traditionell
- traditionellt
- Tåg
- Förvandla
- transformer
- färdas
- Trender
- Typ
- Ytterst
- underliggande
- förstå
- förståelse
- låsa
- reda ut
- på
- urbana
- användning
- Begagnade
- användarvänligt
- användare
- användningar
- med hjälp av
- Värdefulla
- värde
- Värden
- variabel
- olika
- varierande
- vegetation
- våga
- via
- utsikt
- visualisering
- visualisera
- avgörande
- var
- Vatten
- we
- webb
- webbservice
- veckor
- VÄL
- Vad
- när
- som
- med
- inom
- Arbete
- jobba tillsammans
- arbetsflöde
- arbetsflöden
- arbetssätt
- fungerar
- inom hela sverige
- år
- år
- gav
- Om er
- Din
- zephyrnet
- zon
- zoom