Fitur Amazon SageMaker untuk ML Geospasial

Ikhtisar

Kemampuan Amazon SageMaker memudahkan ilmuwan data dan perekayasa machine learning (ML) dalam membangun, melatih, serta melakukan deployment model ML dengan menggunakan data geospasial. Akses alat data, pemrosesan, dan visualisasi sumber terbuka guna menyiapkan data geospasial untuk ML secara lebih efisien. Anda dapat meningkatkan produktivitas menggunakan operasi yang dibangun secara khusus dan model ML yang telah dilatih sebelumnya untuk mempercepat pembangunan dan pelatihan model. Gunakan alat visualisasi bawaan untuk menjelajahi output prediksi pada peta interaktif dan diskusikan wawasan serta hasil dengan seluruh tim intradisipliner.

Dapatkan akses yang lebih mudah ke banyak sumber data geospasial

Hindari melalui beberapa siklus pengembangan untuk mengimpor set data geospasial yang besar. Kemampuan geospasial SageMaker mempermudah akses citra sumber terbuka, seperti Landsat dan Sentinel-2.

Transformasikan set data geospasial yang sudah ada dengan operasi prabangun

Hemat waktu Anda dengan meniadakan proses membangun dan menyimpan kode komoditas untuk operasi geospasial umum. Misalnya, gunakan Amazon Location Service untuk secara mudah membalik kode geografi antara koordinat peta—lintang dan bujur—serta alamat berbagai lokasi. Gunakan fitur pencocokan peta untuk secara otomatis menangkap, atau menyelaraskan, pelacakan GPS yang tidak akurat atas jalan dan jalur yang diketahui.

Percepat pra-pemrosesan beban kerja geospasial berskala besar

Gunakan operasi pra-pemrosesan data siap pakai. Kombinasikan pita yang terpisah dari beberapa citra satelit yang berbeda untuk menghasilkan citra multipita baru, statistik agregat untuk instans komputasi, dan operasi skala besar lainnya pada data satelit.

Bawa model ML Anda sendiri atau gunakan model ML prabangun untuk membuat prediksi

Gunakan model jaringan neural mendalam (DNN) yang telah dilatih sebelumnya seperti segmentasi tutupan lahan atau cloud masking. Misalnya, gunakan segmentasi tutupan lahan untuk mengidentifikasi perbedaan jenis wilayah untuk tutupan lahan—termasuk pepohonan dan air. Gunakan cloud masking untuk menyegmentasi piksel yang berawan dan tidak berawan serta untuk menghilangkan awan dan bayangan dengan menggunakan fitur penghilang awan.

Kolaborasikan wawasan dari prediksi geospasial dengan menggunakan alat visualisasi bawaan

Kemampuan geospasial SageMaker membantu melakukan overlay prediksi model pada peta dasar dan memberikan visualisasi berlapis untuk mempermudah kolaborasi. Alat visualisasi interaktif yang ditenagai GPU dan notebook Python menyediakan cara bebas gangguan untuk menjelajahi jutaan titik data dalam satu jendela tunggal dan berbagi wawasan serta hasil.