Accéder plus facilement à de multiples sources de données géospatiales

Évitez de passer par de multiples cycles de développement pour importer de grands jeux de données géospatiales. Les fonctionnalités géospatiales d'Amazon SageMaker facilitent l'apport de vos propres données et l'accès à l'imagerie libre, telle que Landsat 8 et Sentinel-2.

Transformer vos jeux de données géospatiales existants grâce à des opérations préétablies

Gagnez du temps en n'ayant pas à développer et maintenir un code de base pour les opérations géospatiales courantes. Par exemple, utilisez Amazon Location Service pour effectuer un géocodage inverse transparent entre les coordonnées cartographiques (latitude et longitude) et les adresses de rue. Utilisez la fonction de correspondance cartographique pour aligner automatiquement les traces GPS imprécises sur des rues et des routes connues.

Accélérer le prétraitement des charges de travail géospatiales à grande échelle

Utilisez des opérations de prétraitement des données prêtes à l'emploi. Combiner des bandes distinctes provenant de différentes images satellite pour produire une nouvelle image multibande, agréger des statistiques pour des instances de calcul, et d'autres opérations à grande échelle sur des données satellite.

Apporter votre propre modèle ML ou utilisez un modèle ML préconstruit pour commencer à faire des prédictions

Utilisez des modèles de réseaux neuronaux profonds (DNN) pré-entraînés tels que la segmentation de la couverture végétale ou le masquage des nuages. Par exemple, utilisez la segmentation de la couverture terrestre pour identifier différents types de régions pour la couverture terrestre, y compris les arbres ou l'eau. Utilisez le masquage des nuages pour segmenter les pixels nuageux et non nuageux et pour supprimer les nuages et les ombres à l'aide de fonctions préétablies de suppression des nuages.

Collaborer à la compréhension des prédictions géospatiales à l'aide d'outils de visualisation intégrés

Les capacités géospatiales d'Amazon SageMaker permettent de superposer les prédictions du modèle sur une carte de base et de fournir une visualisation en couches pour faciliter la collaboration. Le visualiseur interactif alimenté par GPU et les bloc-notes Python offrent un moyen transparent d'explorer des millions de points de données dans une seule fenêtre et de partager des idées et des résultats.