Caratteristiche di Amazon SageMaker per il ML geospaziale

Panoramica

Le capacità geospaziali di Amazon SageMaker facilitano la costruzione, l'addestramento e l'implementazione dei modelli di machine learning (ML) utilizzando i dati geospaziali da parte di data scientist e ingegneri del ML. Accesso a dati, elaborazione e strumenti di visualizzazione open-source per preparare in modo più efficiente i dati geospaziali per il ML. Puoi aumentare la produttività utilizzando operazioni appositamente create e modelli di ML preaddestrati per accelerare la creazione e l'addestramento dei modelli. Utilizza gli strumenti di visualizzazione integrati per esplorare i risultati delle previsioni su una mappa interattiva e discutere le intuizioni e i risultati tra team interdisciplinari.

Accesso facilitato a più origini dei dati geospaziali

Evita di eseguire più cicli di sviluppo per importare grandi set di dati geospaziali. Le funzionalità geospaziali di SageMaker semplificano l'accesso a immagini open source, come Landsat e Sentinel-2.

Trasforma i set di dati geospaziali esistenti con operazioni precostituite

Risparmia tempo non dovendo sviluppare e mantenere codice di base per le operazioni geospaziali comuni. Ad esempio, utilizza il servizio di posizione Amazon per invertire senza problemi la geocodifica tra le coordinate delle mappe (latitudine e longitudine) e gli indirizzi stradali. Utilizza la funzione di corrispondenza con la mappa per agganciare automaticamente, o allineare le tracce GPS imprecise a strade e vie conosciute.

Velocizza la pre-elaborazione di carichi di lavoro geospaziali su larga scala

Utilizza operazioni di pre-elaborazione dei dati già disponibili. Combina bande separate di diverse immagini satellitari per produrre una nuova immagine multibanda, aggregare statistiche per istanze di calcolo e altre operazioni su larga scala sui dati satellitari.

Porta il tuo modello di ML o utilizza un modello di ML precostituito per iniziare a fare previsioni

Utilizza modelli di reti neurali profonde (DNN) preaddestrati, come la segmentazione della copertura del suolo o il mascheramento delle nuvole. Ad esempio, utilizza la segmentazione della copertura del suolo per identificare diversi tipi di regioni per la copertura del suolo, tra cui alberi o acqua. Utilizza la mascheratura delle nuvole per segmentare i pixel nuvolosi e quelli privi di nuvole e per rimuovere le nuvole e le ombre utilizzando le funzioni di rimozione delle nuvole predefinite.

Collabora alle intuizioni delle previsioni geospaziali utilizzando gli strumenti di visualizzazione integrati

Le funzionalità geospaziali di SageMaker aiutano a sovrapporre le previsioni dei modelli su una mappa di base e forniscono una visualizzazione a strati per facilitare la collaborazione. Il visualizzatore interattivo alimentato da GPU e i notebook Python offrono un modo semplice per esplorare milioni di punti di dati in un'unica finestra e condividere intuizioni e risultati.