Recursos do Amazon SageMaker para ML geoespacial

Visão geral

Os recursos geoespaciais do Amazon SageMaker facilitam para cientistas de dados e engenheiros de machine learning (ML) as tarefas de criar, treinar e implantar modelos de ML usando dados geoespaciais. Acesse ferramentas de dados, processamento e visualização de código aberto para preparar dados geoespaciais para ML de maneira mais eficiente. Você pode aumentar a produtividade usando operações específicas e modelos de ML pré-treinados para acelerar a criação e o treinamento de modelos. Use ferramentas de visualização integradas para explorar resultados de previsão em um mapa interativo e discutir os insights e resultados em equipes interdisciplinares.

Tenha acesso mais fácil a várias fontes de dados geoespaciais

Evite passar por vários ciclos de desenvolvimento para importar grandes conjuntos de dados geoespaciais. Os recursos geoespaciais do SageMaker facilitam o acesso a imagens de código aberto, como Landsat e Sentinel-2.

Transforme seus conjuntos de dados geoespaciais existentes com operações pré-criadas

Economize tempo ao não precisar desenvolver e manter código de mercadoria para operações geoespaciais comuns. Por exemplo, use o Amazon Location Service para reverter facilmente a geocodificação entre coordenadas de mapas (latitude e longitude) e endereços de ruas. Use o recurso de correspondência de mapa para encaixar ou alinhar automaticamente rastros de GPS imprecisos a ruas e estradas conhecidas.

Acelere o pré-processamento de workloads geoespaciais em grande escala

Use operações de pré-processamento de dados disponíveis no mercado. Combine bandas separadas de diferentes imagens de satélite para produzir uma nova imagem multibanda, estatísticas agregadas para instâncias de computação e outras operações em grande escala em dados de satélite.

Traga seu próprio modelo de ML ou use um modelo de ML pré-construído para começar a fazer previsões

Use modelos de deep neural network (DNN – rede neural profunda) pré-treinados, como segmentação da cobertura do solo ou máscara de nuvem. Por exemplo, use a segmentação da cobertura do solo para identificar diferentes tipos de regiões para cobertura do solo, incluindo árvores ou água. Use o mascaramento de nuvem para segmentar pixels nublados e sem nuvens e para remover nuvens e sombras usando recursos de remoção de nuvens predefinidos.

Colabore em insights de previsões geoespaciais usando ferramentas de visualização integradas

Os recursos geoespaciais do SageMaker ajudam a sobrepor previsões de modelos em um mapa base e fornecem visualização em camadas para facilitar a colaboração. O visualizador interativo alimentado por GPU e os notebooks Python fornecem uma maneira perfeita de explorar milhões de pontos de dados em uma única janela e compartilhar insights e resultados.