Функции Amazon SageMaker для машинного обучения для геопространственных данных

Обзор

Геопространственные возможности Amazon SageMaker упрощают для специалистов по работе с данными и инженеров по машинному обучению (ML) создание, обучение и развертывание моделей машинного обучения с использованием геопространственных данных. Получите доступ к открытым источникам данных, инструментам обработки и визуализации для более эффективной подготовки геопространственных данных для машинного обучения. Вы можете повысить производительность, используя специально разработанные операции и предварительно обученные модели машинного обучения для ускорения создания и обучения моделей. Используйте встроенные средства визуализации для изучения результатов прогнозирования на интерактивной карте и обсуждения выводов и результатов в междисциплинарных командах.

Получите более легкий доступ к многочисленным источникам геопространственных данных

Избегайте многократных циклов разработки для импорта больших наборов геопространственных данных. Геопространственные возможности SageMaker облегчают доступ к снимкам из открытых источников, таким как Landsat и Sentinel-2.

Преобразование существующих наборов геопространственных данных с помощью готовых операций

Экономия времени за счет отсутствия необходимости разрабатывать и поддерживать товарный код для общих геопространственных операций. Например, используйте Службу определения местоположения Amazon для обратного геокодирования между координатами на карте – широтой и долготой – и адресами улиц. Используйте функцию сопоставления карт для автоматической привязки неточных GPS-треков к известным улицам и дорогам или их выравнивания.

Ускорение предварительной обработки крупномасштабных геопространственных рабочих нагрузок

Используйте готовые операции по предварительной обработке данных. Объединение отдельных полос из разных спутниковых снимков для получения нового многополосного изображения, агрегирование статистики для вычислительных экземпляров и другие крупномасштабные операции со спутниковыми данными.

Используйте собственную или готовую модель машинного обучения, чтобы начать делать прогнозы

Используйте предварительно обученные модели глубоких нейронных сетей (DNN), такие как сегментация почвенно-растительного покрова или маскирование облаков. Например, используйте сегментацию почвенно-растительного покрова для определения различных типов регионов для почвенно-растительного покрова – включая деревья или воду. Используйте маскирование облаков для сегментации облачных и безоблачных пикселей, а также для удаления облаков и теней с помощью встроенных функций удаления облаков.

Сотрудничайте с коллегами над выводами из геопространственных прогнозов с помощью встроенных средств визуализации

Геопространственные возможности SageMaker помогают наложить прогнозы модели на базовую карту и обеспечить многоуровневую визуализацию для облегчения совместной работы. Интерактивный визуализатор на базе ЦПУ и блокноты Python обеспечивают удобный способ изучения миллионов точек данных в одном окне, а также обмен информацией и результатами.