Características de Amazon SageMaker para ML para el análisis geoespacial

Información general

Las capacidades geoespaciales de Amazon SageMaker facilitan que los científicos de datos y los ingenieros de machine learning (ML) creen, entrenen e implementen modelos de ML mediante la utilización de datos geoespaciales. Acceda a herramientas de datos, procesamiento y visualización de código abierto para preparar de manera más eficiente los datos geoespaciales para ML. Puede aumentar la productividad mediante el uso de operaciones especialmente diseñadas y modelos de machine learning preentrenados para acelerar la creación y el entrenamiento de modelos. Utilice las herramientas de visualización integradas para explorar los resultados de las predicciones en un mapa interactivo y analice los conocimientos y los resultados entre equipos interdisciplinarios.

Obtenga un acceso más fácil a múltiples orígenes de datos geoespaciales

Evite pasar por múltiples ciclos de desarrollo para importar grandes conjuntos de datos geoespaciales. Las capacidades geoespaciales de SageMaker facilitan el acceso a imágenes de código abierto, como Landsat y Sentinel-2.

Transforme sus conjuntos de datos geoespaciales existentes con operaciones prediseñadas

Ahorre tiempo al no tener que desarrollar ni mantener códigos de materia prima para operaciones geoespaciales comunes. Por ejemplo, utilice Amazon Location Service para revertir la codificación geográfica sin problemas entre las coordenadas del mapa (latitud y longitud) y las direcciones de las calles. Utilice la función de emparejamiento de mapas para ajustar o alinear automáticamente los trazados de GPS inexactos con calles y carreteras conocidas.

Acelere el preprocesamiento de cargas de trabajo geoespaciales a gran escala

Utilice operaciones de preprocesamiento de datos listas para usar. Combine bandas separadas de diferentes imágenes satelitales para producir una nueva imagen multibanda, estadísticas agregadas para instancias informáticas y otras operaciones a gran escala en datos satelitales.

Traiga su propio modelo de ML o use un modelo de ML preconstruido para comenzar a hacer predicciones

Utilice modelos de redes neuronales profundas (DNN) preentrenados, como la segmentación de cobertura terrestre o el enmascaramiento de nubes. Por ejemplo, use la segmentación de cobertura terrestre para identificar diferentes tipos de regiones para cobertura terrestre, incluidos árboles o agua. Utilice el enmascaramiento de nubes para segmentar píxeles nublados y sin nubes y para eliminar nubes y sombras mediante funciones de eliminación de nubes prediseñadas.

Colabore en la generación de información a partir de predicciones geoespaciales al utilizar herramientas de visualización integradas

Las capacidades geoespaciales de SageMaker ayudan a superponer predicciones de modelos en un mapa base y brindan visualización en capas para facilitar la colaboración. El visualizador interactivo con tecnología de GPU y los cuadernos de Python proporcionan una manera simple de explorar millones de puntos de datos en una sola ventana y compartir información y resultados.