- AWS 解决方案库›
- 在 AWS 上使用卫星数据运行机器学习算法的指南
在 AWS 上使用卫星数据运行机器学习算法的指南
概览
本指南说明了一种从卫星图像数据中摄取、处理和获取见解的综合方法。AWS Ground Station 用于摄取卫星数据，Amazon SageMaker 用于标记图像数据、训练机器学习（ML）模型和部署经过训练的模型。从摄取到 ML 分析，经过训练的模型可以集成到您的应用程序或仪表板中，用于分析和可视化卫星数据。这种整体方法简化了卫星数据处理和分析的整个生命周期，因此您可以利用自己的卫星数据快速开发和部署智能应用程序。
工作原理
此架构图显示了如何使用 Amazon SageMaker 通过 AWS 地面站采集卫星图像，为数据添加标签、训练机器学习模型并向您的应用程序报告推论。
Well-Architected 支柱
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。
本指南使用事件驱动的应用程序管道，其中基于 Amazon S3 事件自动进行处理。这种方法依赖于 Lambda 函数，每当 Amazon S3 中有新数据可用时，就会触发这些函数，从而无需计划批处理。推理结果和相关元数据，包括机器学习模型的质量和准确性指标，保留在 DynamoD B 中。通过使用这种事件驱动的架构，您可以自动化数据处理管道，减少人工干预，并在新数据可用时进行实时处理。
AWS 地面站使用安全的通信通道在地面站和 AWS 之间传输数据。数据在传输过程中使用 TLS 等行业标准加密协议进行加密。将您的数据存储在 Amazon S3 中，并使用加密功能和访问管理工具保护其免遭未经授权的访问。
Amazon S3 提供数据耐久性和高可用性，而 Lambda 既是高度可扩展又高度可用的计算资源，可根据您的工作负载需求自动向上或向下扩展。这些服务中的每一项都可以增强可靠性，而无需您或用户增加额外的开销或管理。
在模型训练期间，SageMaker 会自动捕获和监控各种指标。这些指标可以作为关键指标，帮助调整基础架构以适应未来的培训工作。此外，Lambda 会根据传入的工作负载自动扩展计算资源以实现最佳利用率，从而无需过度配置资源。这些服务共同提供托管体验，减少与编排 ML 或计算任务相关的繁重工作。
Amplify 服务为构建和扩展 Web 和移动应用程序提供了一种简化的方法，同时还有助于控制成本。Amplify 提供即用即付定价模式，允许托管多个站点并提供免费的 SSL 证书，因此您只需为实际消耗的资源付费。此外，AWS Ground Station 服务允许您仅为实际使用的天线时间付费，并利用地面站的全球覆盖范围随时随地下载数据，无需签订长期合同或隐性费用。您可以以单一价格访问全球 AWS 地面站网络中的任何天线。
使用 Lambda 消除了预置和维护物理服务器的要求，从而降低了与传统计算基础设施相关的能耗。此外，Amazon S3 的生命周期策略允许将数据自动过渡到更冷、更具成本效益的存储层，从而优化存储成本和资源利用率。此外，AWS 地面站服务使您无需构建和维护自己的地面站基础设施，这种基础设施可能占用资源且效率低下。
免责声明
找到今天要查找的内容了吗？
请提供您的意见，以便我们改进网页内容的质量。