การตรวจสอบห่วงโซ่อุปทานวัตถุดิบจากระยะไกลเพื่อความยั่งยืนด้วยความสามารถเชิงพื้นที่ของ Amazon SageMaker

ตัดไม้ทำลายป่า เป็นข้อกังวลหลักในภูมิศาสตร์เขตร้อนหลายแห่งที่ป่าฝนในท้องถิ่นมีความเสี่ยงสูงที่จะถูกทำลาย ประมาณ 17% ของป่าฝนแอมะซอนถูกทำลายในช่วง 50 ปีที่ผ่านมา และระบบนิเวศเขตร้อนบางแห่งกำลังเข้าใกล้จุดพลิกผันซึ่งไม่น่าจะฟื้นตัวได้

กุญแจ คนขับรถตัดไม้ทำลายป่า คือการสกัดและผลิตวัตถุดิบ เช่น การผลิตอาหารและไม้หรือการทำเหมืองแร่ ธุรกิจที่ใช้ทรัพยากรเหล่านี้ตระหนักถึงความรับผิดชอบร่วมกันมากขึ้นในการแก้ปัญหาการตัดไม้ทำลายป่า วิธีหนึ่งที่พวกเขาสามารถทำได้คือการทำให้มั่นใจว่าการจัดหาวัตถุดิบของพวกเขานั้นถูกผลิตและจัดหามาอย่างยั่งยืน ตัวอย่างเช่น หากธุรกิจใช้น้ำมันปาล์มในผลิตภัณฑ์ของตน พวกเขาจะต้องการให้แน่ใจว่าป่าธรรมชาติไม่ถูกเผาและแผ้วถางเพื่อสร้างสวนปาล์มน้ำมันใหม่

การวิเคราะห์เชิงพื้นที่ของภาพถ่ายดาวเทียมของสถานที่ที่ซัพพลายเออร์ดำเนินการสามารถเป็นเครื่องมือที่มีประสิทธิภาพในการตรวจจับเหตุการณ์การตัดไม้ทำลายป่าที่เป็นปัญหา อย่างไรก็ตาม การดำเนินการวิเคราะห์ดังกล่าวเป็นเรื่องยาก ใช้เวลานาน และใช้ทรัพยากรมาก ความสามารถเชิงพื้นที่ของ Amazon SageMaker—ขณะนี้พร้อมใช้งานโดยทั่วไปในภูมิภาค AWS Oregon—มอบวิธีแก้ปัญหาใหม่ที่ง่ายกว่ามากสำหรับปัญหานี้ เครื่องมือนี้ทำให้ง่ายต่อการเข้าถึงแหล่งข้อมูลภูมิสารสนเทศ ดำเนินการประมวลผลตามวัตถุประสงค์ ใช้โมเดล ML ที่ฝึกไว้ล่วงหน้า และใช้เครื่องมือสร้างภาพในตัวได้รวดเร็วขึ้นตามขนาด

ในโพสต์นี้ คุณจะได้เรียนรู้วิธีใช้ความสามารถเชิงพื้นที่ของ SageMaker เพื่อกำหนดพื้นฐานและตรวจสอบประเภทพืชพรรณและความหนาแน่นของพื้นที่ที่ซัพพลายเออร์ดำเนินการได้อย่างง่ายดาย ผู้เชี่ยวชาญด้านซัพพลายเชนและความยั่งยืนสามารถใช้โซลูชันนี้เพื่อติดตามการเปลี่ยนแปลงทางเวลาและเชิงพื้นที่ของการตัดไม้ทำลายป่าที่ไม่ยั่งยืนในห่วงโซ่อุปทานของตน โดยเฉพาะอย่างยิ่ง คำแนะนำจะให้ข้อมูลเชิงลึกเกี่ยวกับคำถามต่อไปนี้:

• การตัดไม้ทำลายป่าเกิดขึ้นเมื่อใดและช่วงใด – คำแนะนำช่วยให้คุณระบุได้เมื่อมีเหตุการณ์การตัดไม้ทำลายป่าครั้งใหม่เกิดขึ้น และติดตามระยะเวลา ความก้าวหน้า หรือการฟื้นตัว
• ที่ดินประเภทใดได้รับผลกระทบมากที่สุด – คำแนะนำช่วยให้คุณระบุประเภทพืชที่ได้รับผลกระทบมากที่สุดจากเหตุการณ์การเปลี่ยนแปลงสิ่งปกคลุมดิน (เช่น ป่าเขตร้อนหรือพุ่มไม้)
• การตัดไม้ทำลายป่าเกิดขึ้นที่ใดโดยเฉพาะ – การเปรียบเทียบแบบพิกเซลต่อพิกเซลระหว่างภาพพื้นฐานและภาพถ่ายดาวเทียมในปัจจุบัน (ก่อนและหลัง) ช่วยให้คุณระบุตำแหน่งที่แม่นยำซึ่งเกิดการตัดไม้ทำลายป่า
• ถางป่าไปเท่าไร – มีการประมาณการพื้นที่ที่ได้รับผลกระทบ (ในหน่วยกม.2) โดยใช้ประโยชน์จากความละเอียดของข้อมูลดาวเทียมแบบละเอียด (เช่น เซลล์แรสเตอร์ขนาด 10 ม. x 10 ม. สำหรับ Sentinel 2)

ภาพรวมโซลูชัน

โซลูชันนี้ใช้ความสามารถเชิงพื้นที่ของ SageMaker เพื่อดึงข้อมูลภาพถ่ายดาวเทียมล่าสุดสำหรับพื้นที่ใดๆ ที่สนใจด้วยโค้ดเพียงไม่กี่บรรทัด และใช้อัลกอริทึมที่สร้างไว้ล่วงหน้า เช่น ตัวแยกประเภทการใช้ที่ดินและการดำเนินการทางคณิตศาสตร์แถบความถี่ จากนั้น คุณสามารถแสดงภาพผลลัพธ์โดยใช้เครื่องมือสร้างภาพแบบสร้างภาพและภาพแรสเตอร์ในตัว เพื่อให้ได้ข้อมูลเชิงลึกเพิ่มเติมจากข้อมูลดาวเทียม คำแนะนำจะใช้ฟังก์ชันการส่งออกของ อเมซอน SageMaker เพื่อบันทึกภาพถ่ายดาวเทียมที่ประมวลผลแล้วไปยัง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) ซึ่งข้อมูลจะถูกจัดหมวดหมู่และแบ่งปันสำหรับการประมวลผลภายหลังและการวิเคราะห์แบบกำหนดเองใน สตูดิโอ Amazon SageMaker โน๊ตบุ๊คที่มี a ภาพเชิงพื้นที่ของ SageMaker. ผลลัพธ์ของการวิเคราะห์แบบกำหนดเองเหล่านี้จะถูกเผยแพร่ในภายหลังและทำให้สามารถสังเกตได้ใน อเมซอน QuickSight เพื่อให้ทีมจัดซื้อและความยั่งยืนสามารถตรวจสอบข้อมูลพืชพันธุ์ที่ตั้งของซัพพลายเออร์ได้ในที่เดียว แผนภาพต่อไปนี้แสดงสถาปัตยกรรมนี้

โน้ตบุ๊กและโค้ดพร้อมการใช้งานการวิเคราะห์ที่แสดงในโพสต์นี้มีอยู่ที่ที่เก็บ GitHub คำแนะนำสำหรับข้อมูลเชิงลึกเชิงพื้นที่เพื่อความยั่งยืนบน AWS

ตัวอย่างการใช้งาน

โพสต์นี้ใช้พื้นที่ที่น่าสนใจ (AOI) จากบราซิล ซึ่งการเคลียร์ที่ดินสำหรับการผลิตโค การปลูกเมล็ดพืชน้ำมัน (น้ำมันถั่วเหลืองและน้ำมันปาล์ม) และการเก็บเกี่ยวไม้เป็นปัญหาหลัก นอกจากนี้คุณยังสามารถสรุปโซลูชันนี้กับ AOI อื่น ๆ ที่ต้องการได้อีกด้วย

ภาพหน้าจอต่อไปนี้แสดง อ แสดงภาพถ่ายดาวเทียม (แถบที่มองเห็นได้) จากองค์การอวกาศยุโรป แมวมอง 2 กลุ่มดาวบริวารดึงข้อมูลและ แสดงภาพในสมุดบันทึก SageMaker. มองเห็นพื้นที่เกษตรกรรมตัดกับป่าฝนธรรมชาติสีเขียวเข้มได้อย่างชัดเจน สังเกตควันที่ก่อตัวจากภายใน AOI เช่นเดียวกับพื้นที่ขนาดใหญ่ทางทิศเหนือ ควันมักเป็นตัวบ่งชี้การใช้ไฟในการเคลียร์ที่ดิน

NDVI เป็นตัววัดความหนาแน่นของพืช

ในการระบุและวัดปริมาณการเปลี่ยนแปลงของพื้นที่ป่าเมื่อเวลาผ่านไป โซลูชันนี้ใช้ ดัชนีพืชผลแตกต่างปกติ (ม.ป.ป.). . NDVI คำนวณจากแสงที่มองเห็นได้และแสงอินฟราเรดใกล้ที่สะท้อนจากพืชพรรณ พืชที่ดีต่อสุขภาพจะดูดซับแสงที่มองเห็นได้ส่วนใหญ่ที่ตกกระทบ และสะท้อนแสงอินฟราเรดย่านใกล้เป็นส่วนใหญ่ พืชที่ไม่แข็งแรงหรือเบาบางจะสะท้อนแสงที่มองเห็นได้มากกว่าและแสงอินฟราเรดใกล้น้อยกว่า ดัชนีนี้คำนวณโดยการรวมแถบสีแดง (มองเห็นได้) และแถบอินฟราเรดใกล้ (NIR) ของภาพถ่ายดาวเทียมเป็นดัชนีเดียวตั้งแต่ -1 ถึง 1

ค่าลบของ NDVI (ค่าเข้าใกล้ -1) สอดคล้องกับน้ำ ค่าใกล้ศูนย์ (-0.1 ถึง 0.1) หมายถึงพื้นที่แห้งแล้งที่มีหิน ทราย หรือหิมะ สุดท้าย ค่าต่ำและค่าบวกแสดงถึงไม้พุ่ม ทุ่งหญ้า หรือพื้นที่เพาะปลูก (ประมาณ 0.2 ถึง 0.4) ในขณะที่ค่า NDVI สูงแสดงถึงป่าฝนเขตร้อนและเขตอบอุ่น (ค่าที่เข้าใกล้ 1) เรียนรู้เพิ่มเติมเกี่ยวกับการคำนวณ NDVI โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม). ดังนั้นค่า NDVI จึงสามารถแมปกับคลาสพืชที่สอดคล้องกันได้อย่างง่ายดาย:

NDVI_map={ (-1,0]: "no vegetation (water, rock, artificial structures)", (0,0.5]:"light vegetation (shrubs, grass, fields)", (0.5,0.7]:"dense vegetation (plantations)", (0.7,1]:"very dense vegetation (rainforest)"
}

การติดตามการเปลี่ยนแปลงใน NDVI เมื่อเวลาผ่านไปโดยใช้โมเดล NDVI ในตัวของ SageMaker เราสามารถอนุมานข้อมูลสำคัญว่าซัพพลายเออร์ที่ปฏิบัติงานใน AOI ดำเนินการอย่างมีความรับผิดชอบหรือไม่ หรือพวกเขามีส่วนร่วมในกิจกรรมการถางป่าที่ไม่ยั่งยืนหรือไม่

ดึงข้อมูล ประมวลผล และแสดงภาพข้อมูล NDVI โดยใช้ความสามารถเชิงพื้นที่ของ SageMaker

ฟังก์ชันหลักอย่างหนึ่งของ SageMaker Geospatial API คือ งานสังเกตการณ์โลก (EOJ) ซึ่งช่วยให้คุณได้รับและแปลงข้อมูลแรสเตอร์ที่รวบรวมจากพื้นผิวโลก EOJ เรียกค้นภาพถ่ายดาวเทียมจากแหล่งข้อมูลที่ระบุ (เช่น กลุ่มดาวดาวเทียม) สำหรับพื้นที่ที่สนใจและระยะเวลาที่ระบุ และใช้แบบจำลองหนึ่งหรือหลายแบบจำลองกับภาพที่ดึงมา

EOJ สามารถสร้างได้ผ่าน สมุดบันทึกเชิงพื้นที่. สำหรับโพสต์นี้ เราใช้ an ตัวอย่างโน๊ตบุ๊ค.

ในการกำหนดค่า EOJ ให้ตั้งค่าพารามิเตอร์ต่อไปนี้:

• การกำหนดค่าอินพุต – การกำหนดค่าอินพุตกำหนดแหล่งข้อมูลและเกณฑ์การกรองที่จะใช้ระหว่างการรับข้อมูล:
  • RasterDataCollectionArn – กำหนดดาวเทียมที่จะรวบรวมข้อมูลจาก
  • พื้นที่ที่น่าสนใจ – AOI ทางภูมิศาสตร์ กำหนดรูปหลายเหลี่ยมที่จะรวบรวมรูปภาพ (ใน GeoJSON รูปแบบ)
  • ตัวกรองช่วงเวลา – ช่วงเวลาที่สนใจ: {StartTime: <string>, EndTime: <string> }.
  • ตัวกรองคุณสมบัติ – ตัวกรองคุณสมบัติเพิ่มเติม เช่น ปริมาณเมฆปกคลุมสูงสุดที่ยอมรับได้
• การกำหนดค่างาน – การกำหนดค่าแบบจำลองกำหนดงานการประมวลผลที่จะใช้กับข้อมูลภาพถ่ายดาวเทียมที่ดึงมา มีรุ่น NDVI เป็นส่วนหนึ่งของรุ่นที่สร้างไว้ล่วงหน้า BandMath การทำงาน

ตั้งค่า InputConfig

ความสามารถเชิงพื้นที่ของ SageMaker รองรับภาพถ่ายดาวเทียมจากสองแหล่งที่แตกต่างกันซึ่งสามารถอ้างอิงผ่าน Amazon Resource Names (ARNs):

• Landsat Collection 2 ผลิตภัณฑ์วิทยาศาสตร์ระดับ 2ซึ่งวัดค่าการสะท้อนแสงพื้นผิวโลก (SR) และอุณหภูมิพื้นผิว (ST) ที่ความละเอียดเชิงพื้นที่ 30 ม.
• Sentinel 2 L2A COGs ซึ่งให้การตรวจวัดสเปกตรัมต่อเนื่องขนาดใหญ่ในแถบความถี่ 13 แถบ (สีน้ำเงิน เขียว อินฟราเรดใกล้ และอื่นๆ) โดยมีความละเอียดต่ำถึง 10 ม.

คุณสามารถเรียก ARN เหล่านี้ได้โดยตรงผ่าน API โดยการโทร list_raster_data_collections().

โซลูชันนี้ใช้ข้อมูล Sentinel 2 ภารกิจ Sentinel-2 ขึ้นอยู่กับกลุ่มดาวบริวารสองดวง ในฐานะ ก ภรณีจุดเดิมเหนือเส้นศูนย์สูตรจะมาเยือนทุกๆ 5 วัน ทำให้สามารถสังเกตการณ์ได้บ่อยครั้งและมีความละเอียดสูง หากต้องการระบุ Sentinel 2 เป็นแหล่งข้อมูลสำหรับ EOJ เพียงอ้างอิง ARN:

#set raster data collection arn to sentinel 2
data_collection_arn = "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8"

ถัดไป AreaOfInterest ต้องกำหนด (AOI) สำหรับ EOJ ในการทำเช่นนั้น คุณต้องระบุ GeoJSON ของ กรอบขอบเขตที่กำหนดพื้นที่ที่ซัพพลายเออร์ดำเนินการ. ข้อมูลโค้ดต่อไปนี้แยกพิกัดกล่องขอบเขตและกำหนดอินพุตคำขอ EOJ:

file_name = "../assets/aoi_samples/brazil_plantation_mato_grosso.geojson"
aoi_shape = gpd.read_file(geojson_file_name) #load geojson as shape file
aoi_shape = aoi_shape.set_crs(epsg=4326) #set projection, i.e. coordinate reference system (CRS)
aoi_coordinates = json.loads(aoi_shape.to_json())['features'][0]["geometry"]["coordinates"] #extract coordinates #set aoi query parameters
selected_aoi_feature = { "AreaOfInterestGeometry": { "PolygonGeometry": { "Coordinates": aoi_coordinates } }
}

ช่วงเวลาถูกกำหนดโดยใช้ไวยากรณ์คำขอต่อไปนี้:

start="2022-10-01T00:00:00" #time in UTC
end="2022-12-20T00:00:00" #time in UTC
time_filter = { "StartTime": start, "EndTime": end
}

ขึ้นอยู่กับการรวบรวมข้อมูลแรสเตอร์ที่เลือก สนับสนุนตัวกรองคุณสมบัติเพิ่มเติมที่แตกต่างกัน คุณสามารถตรวจสอบตัวเลือกที่มีได้โดยการโทร get_raster_data_collection(Arn=data_collection_arn)["SupportedFilters"]. ในตัวอย่างต่อไปนี้ มีการกำหนดขีดจำกัดของเมฆปกคลุมอย่างเข้มงวดที่ 5% เพื่อให้แน่ใจว่ามุมมองที่ค่อนข้างไม่มีสิ่งกีดขวางบน AOI:

property_filters={ "Properties":[ { "Property":{ "EoCloudCover":{ "LowerBound": 0, "UpperBound": 5 } } }, ], "LogicalOperator": "AND"
}

ตรวจสอบผลการสอบถาม

ก่อนที่คุณจะเริ่ม EOJ ตรวจสอบให้แน่ใจว่าพารามิเตอร์การสืบค้นส่งผลให้มีการส่งคืนภาพถ่ายดาวเทียมเป็นการตอบกลับจริง ในตัวอย่างนี้ ApproximateResultCount คือ 3 ซึ่งเพียงพอแล้ว คุณอาจต้องใช้ข้อจำกัดน้อยลง PropertyFilter หากไม่มีผลลัพธ์กลับมา

#consolidate query parameters
query_param = { "AreaOfInterest": selected_aoi_feature, "TimeRangeFilter": time_filter, "PropertyFilters": property_filters
}
#review query results
query_results = sm_geo_client.search_raster_data_collection( Arn = data_collection_arn, RasterDataCollectionQuery = query_param
)
#get result count
result_count = query_results["ApproximateResultCount"]

คุณสามารถตรวจสอบภาพขนาดย่อของภาพดิบได้โดยการจัดทำดัชนี query_results วัตถุ. ตัวอย่างเช่น, URL ภาพขนาดย่อของภาพดิบ ของรายการสุดท้ายที่ส่งคืนโดยแบบสอบถามสามารถเข้าถึงได้ดังนี้: query_results['Items'][-1]["Assets"]["thumbnail"]["Href"] .

ตั้งค่า JobConfig

ตอนนี้เราได้ตั้งค่าพารามิเตอร์ที่จำเป็นทั้งหมดที่จำเป็นในการรับข้อมูลดาวเทียม Sentinel 2 แบบดิบแล้ว ขั้นตอนต่อไปคือการอนุมานความหนาแน่นของพืชที่วัดได้ในรูปของ NDVI โดยทั่วไปจะเกี่ยวข้องกับการระบุชิ้นส่วนดาวเทียมที่ตัดกันของ AOI และการดาวน์โหลดภาพถ่ายดาวเทียมสำหรับกรอบเวลาในขอบเขตจากผู้ให้บริการข้อมูล จากนั้นคุณจะต้องผ่านขั้นตอนการวางซ้อน การรวม และการคลิปไฟล์ที่ได้มา คำนวณ NDVI ต่อแต่ละเซลล์แรสเตอร์ของภาพที่รวมกันโดยดำเนินการทางคณิตศาสตร์บนแถบความถี่ที่เกี่ยวข้อง (เช่น สีแดงและอินฟราเรดใกล้) และ ในที่สุดก็บันทึกผลลัพธ์เป็นอิมเมจแรสเตอร์แบนด์เดี่ยวใหม่ ความสามารถเชิงพื้นที่ของ SageMaker นำเสนอการใช้งานเวิร์กโฟลว์นี้แบบครบวงจร รวมถึงโมเดล NDVI ในตัวที่สามารถเรียกใช้ด้วย การเรียก API อย่างง่าย. สิ่งที่คุณต้องทำคือระบุการกำหนดค่างานและตั้งค่าเป็นโมเดล NDVI ที่กำหนดไว้ล่วงหน้า:

job_config={ "BandMathConfig": { 'PredefinedIndices': [ 'NDVI', ] }
}

เมื่อกำหนดอินพุตที่จำเป็นทั้งหมดสำหรับ SageMaker เพื่อรับและแปลงข้อมูลเชิงพื้นที่ที่สนใจแล้ว ตอนนี้คุณสามารถเริ่มต้น EOJ ด้วยการเรียก API แบบง่ายๆ:

#set job name
job_name = "EOJ-Brazil-MatoGrosso-2022-Q4" #set input config
input_config=query_param
input_config["RasterDataCollectionArn"] = data_collection_arn #add RasterDataCollectionArn to input_conf #invoke EOJ
eoj = sm_geo_client.start_earth_observation_job( Name=job_name, ExecutionRoleArn=sm_exec_role, InputConfig={"RasterDataCollectionQuery":input_config}, JobConfig=job_config
)

หลังจาก EOJ เสร็จสิ้น คุณสามารถเริ่มสำรวจผลลัพธ์ได้ ความสามารถเชิงพื้นที่ของ SageMaker มอบเครื่องมือการแสดงภาพในตัวที่ขับเคลื่อนโดย Foursquare Studio ซึ่งทำงานจากภายในโน้ตบุ๊ก SageMaker ผ่านทาง SageMaker แผนที่เชิงพื้นที่ SDK. ข้อมูลโค้ดต่อไปนี้เริ่มต้นและแสดงแผนที่ จากนั้นเพิ่มเลเยอร์หลายชั้นลงไป:

#initialize and render map
geo_map = sagemaker_geospatial_map.create_map({"is_raster": True})
geo_map.set_sagemaker_geospatial_client(sm_geo_client)
geo_map.render() #add AOI layer
config = {"label": "EOJ AOI"}
aoi_layer = geo_map.visualize_eoj_aoi( Arn=eoj["Arn"], config=config
)
#add input layer
config = {"label": "EOJ Input"}
input_layer = geo_map.visualize_eoj_input( Arn=eoj["Arn"], config=config
)
#add output layer
config = { "label":"EOJ Output", "preset": "singleBand", "band_name": "ndvi"
}
output_layer = geo_map.visualize_eoj_output( Arn=eoj["Arn"], config=config
)

เมื่อแสดงผลแล้ว คุณสามารถโต้ตอบกับแผนที่ได้โดยการซ่อนหรือแสดงเลเยอร์ ซูมเข้าและออก หรือแก้ไขโครงร่างสี ท่ามกลางตัวเลือกอื่นๆ ภาพหน้าจอต่อไปนี้แสดงเลเยอร์กล่องขอบเขต AOI ที่ซ้อนทับบนเลเยอร์เอาต์พุต (ไฟล์แรสเตอร์ Sentinel 2 ที่แปลงเป็น NDVI) ผืนสีเหลืองสดใสแสดงถึงป่าดงดิบที่ยังสมบูรณ์ (NDVI=1) ผืนดินที่เข้มกว่าหมายถึงทุ่งนา (0.5>NDVI>0) และผืนป่าสีน้ำเงินเข้มแทนผืนน้ำ (NDVI=-1)

โดยการเปรียบเทียบค่างวดปัจจุบันกับงวดพื้นฐานที่กำหนด การเปลี่ยนแปลงและความผิดปกติใน NDVI สามารถระบุและติดตามได้เมื่อเวลาผ่านไป

การประมวลผลภายหลังแบบกำหนดเองและการแสดงภาพ QuickSight สำหรับข้อมูลเชิงลึกเพิ่มเติม

ความสามารถด้านภูมิสารสนเทศของ SageMaker มาพร้อมกับชุดเครื่องมือการวิเคราะห์และการทำแผนที่ที่สร้างไว้ล่วงหน้าอันทรงพลัง ซึ่งมอบฟังก์ชันการทำงานที่จำเป็นสำหรับงานวิเคราะห์เชิงพื้นที่จำนวนมาก ในบางกรณี คุณอาจต้องการความยืดหยุ่นเพิ่มเติมและต้องการเรียกใช้การวิเคราะห์ภายหลังแบบกำหนดเองในผลลัพธ์ EOJ ความสามารถเชิงพื้นที่ของ SageMaker ช่วยให้มีความยืดหยุ่นนี้ผ่านฟังก์ชันการส่งออก การส่งออกเอาต์พุต EOJ เป็นการเรียก API ง่ายๆ อีกครั้ง:

export_job=sm_geo_client.export_earth_observation_job( Arn=eoj["Arn"], ExecutionRoleArn=sm_exec_role, OutputConfig={"S3Data": {"S3Uri":"s3://{}".format(main_bucket_name)+"/raw-eoj-output/"}}, ExportSourceImages=False
)

จากนั้นคุณสามารถดาวน์โหลดไฟล์แรสเตอร์เอาต์พุตสำหรับการประมวลผลในเครื่องเพิ่มเติมใน สมุดบันทึกเชิงพื้นที่ของ SageMaker การใช้ไลบรารี Python ทั่วไปสำหรับการวิเคราะห์เชิงพื้นที่ เช่น GDAL, Fiona, GeoPandas, Shapely และ Rasterio รวมถึงไลบรารีเฉพาะของ SageMaker ด้วยการวิเคราะห์ที่ทำงานใน SageMaker เครื่องมือการวิเคราะห์ AWS ทั้งหมดที่ผสานรวมเข้ากับ SageMaker ก็พร้อมให้คุณใช้งานเช่นกัน ตัวอย่างเช่น โซลูชันที่เชื่อมโยงใน คำแนะนำสำหรับข้อมูลเชิงลึกเชิงพื้นที่เพื่อความยั่งยืนบน AWS GitHub repo ใช้ Amazon S3 และ อเมซอน อาเธน่า สำหรับการสืบค้นผลลัพธ์หลังการประมวลผลและทำให้สามารถสังเกตได้ในแดชบอร์ด QuickSight รูทีนการประมวลผลทั้งหมดพร้อมกับรหัสการปรับใช้และคำแนะนำสำหรับแดชบอร์ด QuickSight มีรายละเอียดอยู่ใน พื้นที่เก็บข้อมูล GitHub.

แดชบอร์ดมีองค์ประกอบการแสดงภาพหลักสามส่วน:

• พล็อตอนุกรมเวลาของค่า NDVI ที่ทำให้เป็นมาตรฐานเทียบกับช่วงเวลาพื้นฐาน ซึ่งช่วยให้คุณสามารถติดตามพลวัตทางโลกในความหนาแน่นของพืชได้
• การกระจายแบบสมบูรณ์ของค่า NDVI ในช่วงเริ่มต้นและช่วงเวลาปัจจุบัน ทำให้เกิดความโปร่งใสว่าพืชชนิดใดมีการเปลี่ยนแปลงมากที่สุด
• ภาพถ่ายดาวเทียมที่แปลงเป็น NDVI สำหรับช่วงเวลาพื้นฐาน ช่วงเวลาปัจจุบัน และความแตกต่างแบบพิกเซลต่อพิกเซลระหว่างทั้งสองช่วงเวลา ซึ่งช่วยให้คุณระบุภูมิภาคที่ได้รับผลกระทบภายใน AOI

ดังที่แสดงในตัวอย่างต่อไปนี้ ในช่วง 5 ปี (2017-Q3 ถึง 2022-Q3) ค่าเฉลี่ย NDVI ของ AOI ลดลง 7.6% เมื่อเทียบกับระยะเวลาพื้นฐาน (Q3 2017) ซึ่งส่งผลกระทบต่อพื้นที่ทั้งหมด 250.21 km2 การลดลงนี้มีสาเหตุหลักมาจากการเปลี่ยนแปลงในพื้นที่ NDVI สูง (ป่า ป่าดิบชื้น) ซึ่งสามารถเห็นได้เมื่อเปรียบเทียบการกระจาย NDVI ของปัจจุบันกับช่วงเวลาพื้นฐาน

การเปรียบเทียบเชิงพื้นที่แบบพิกเซลต่อพิกเซลกับข้อมูลพื้นฐานเน้นว่าเหตุการณ์การตัดไม้ทำลายป่าเกิดขึ้นในพื้นที่ตรงกลางของ AOI ซึ่งป่าธรรมชาติที่ยังไม่ถูกแตะต้องก่อนหน้านี้ถูกแปลงเป็นพื้นที่เพาะปลูก ผู้เชี่ยวชาญด้านซัพพลายเชนสามารถใช้จุดข้อมูลเหล่านี้เป็นพื้นฐานสำหรับการตรวจสอบเพิ่มเติมและการตรวจสอบความสัมพันธ์กับซัพพลายเออร์ที่เป็นปัญหา

สรุป

ความสามารถเชิงพื้นที่ของ SageMaker สามารถเป็นส่วนสำคัญในการติดตามแผนปฏิบัติการด้านสภาพอากาศขององค์กร โดยทำให้การตรวจสอบเชิงพื้นที่ระยะไกลเป็นเรื่องง่ายและเข้าถึงได้ โพสต์บล็อกนี้มุ่งเน้นไปที่กรณีการใช้งานเฉพาะเพียงกรณีเดียว – การตรวจสอบแหล่งที่มาของห่วงโซ่อุปทานของวัตถุดิบ กรณีการใช้งานอื่น ๆ เป็นไปได้ง่าย ตัวอย่างเช่น คุณสามารถใช้สถาปัตยกรรมที่คล้ายกันเพื่อติดตามความพยายามในการฟื้นฟูป่าเพื่อชดเชยการปล่อยมลพิษ ตรวจสอบความสมบูรณ์ของพืชในการปลูกป่าหรือการใช้งานด้านการเกษตร หรือ ตรวจสอบผลกระทบของภัยแล้งต่อแหล่งน้ำท่ามกลางแอปพลิเคชันอื่นๆ อีกมากมาย

เกี่ยวกับผู้เขียน

คาร์สเตน ชโรเออร์ เป็นสถาปนิกโซลูชันที่ AWS เขาสนับสนุนลูกค้าในการใช้ประโยชน์จากข้อมูลและเทคโนโลยีเพื่อขับเคลื่อนความยั่งยืนของโครงสร้างพื้นฐานด้านไอที และสร้างโซลูชันที่ขับเคลื่อนด้วยข้อมูลแบบเนทีฟบนคลาวด์ซึ่งช่วยให้สามารถดำเนินการได้อย่างยั่งยืนในแนวดิ่งของตน Karsten เข้าร่วม AWS หลังจากศึกษาระดับปริญญาเอกด้านการเรียนรู้ของเครื่องประยุกต์และการจัดการการดำเนินงาน เขาหลงใหลอย่างแท้จริงเกี่ยวกับโซลูชันที่ใช้เทคโนโลยีเพื่อรับมือกับความท้าทายทางสังคม และชอบที่จะเจาะลึกลงไปในวิธีการและสถาปัตยกรรมแอปพลิเคชันที่เป็นรากฐานของโซลูชันเหล่านี้

ทามารา เฮอร์เบิร์ต เป็นนักพัฒนาแอปพลิเคชันที่มี AWS Professional Services ในสหราชอาณาจักร เธอเชี่ยวชาญในการสร้างแอปพลิเคชันที่ทันสมัยและปรับขนาดได้สำหรับลูกค้าที่หลากหลาย โดยปัจจุบันเน้นที่แอปพลิเคชันในภาครัฐ เธอมีส่วนร่วมอย่างจริงจังในการสร้างโซลูชันและผลักดันการสนทนาที่ช่วยให้องค์กรบรรลุเป้าหมายด้านความยั่งยืนทั้งในและผ่านระบบคลาวด์

มาร์กาเร็ต โอทูล เข้าร่วม AWS ในปี 2017 และได้ใช้เวลาช่วยเหลือลูกค้าในบทบาททางเทคนิคต่างๆ วันนี้ Margaret เป็นผู้นำด้านเทคโนโลยีความยั่งยืนของ WW และเป็นผู้นำชุมชนของลูกค้าที่ต้องเผชิญกับผู้เชี่ยวชาญด้านเทคนิคด้านความยั่งยืน กลุ่มร่วมกันช่วยลูกค้าเพิ่มประสิทธิภาพด้านไอทีเพื่อความยั่งยืนและใช้ประโยชน์จากเทคโนโลยี AWS เพื่อแก้ปัญหาความท้าทายที่ยากที่สุดด้านความยั่งยืนทั่วโลก มาร์กาเร็ตศึกษาชีววิทยาและวิทยาการคอมพิวเตอร์ที่มหาวิทยาลัยเวอร์จิเนียและบริษัทชั้นนำที่ยั่งยืนที่ Saïd Business School ของอ็อกซ์ฟอร์ด

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/remote-monitoring-of-raw-material-supply-chains-for-sustainability-with-amazon-sagemaker-geospatial-capabilities/