Αποψίλωση των δασών είναι μια σημαντική ανησυχία σε πολλές τροπικές γεωγραφίες όπου τα τοπικά τροπικά δάση διατρέχουν σοβαρό κίνδυνο καταστροφής. Περίπου το 17% του τροπικού δάσους του Αμαζονίου έχει καταστραφεί τα τελευταία 50 χρόνια και ορισμένα τροπικά οικοσυστήματα πλησιάζουν σε ένα οριακό σημείο πέρα ​​από το οποίο η ανάκαμψη είναι απίθανη.

Ενα κλειδί οδηγός για την αποψίλωση των δασών είναι η εξόρυξη και η παραγωγή πρώτων υλών, για παράδειγμα η παραγωγή τροφίμων και ξυλείας ή εργασίες εξόρυξης. Οι επιχειρήσεις που καταναλώνουν αυτούς τους πόρους αναγνωρίζουν όλο και περισσότερο το μερίδιο ευθύνης τους για την αντιμετώπιση του ζητήματος της αποψίλωσης των δασών. Ένας τρόπος με τον οποίο μπορούν να το κάνουν αυτό είναι να διασφαλίσουν ότι η προμήθεια πρώτων υλών τους παράγεται και προμηθεύεται βιώσιμα. Για παράδειγμα, εάν μια επιχείρηση χρησιμοποιεί φοινικέλαιο στα προϊόντα της, θα θέλει να διασφαλίσει ότι τα φυσικά δάση δεν κάηκαν και δεν καθαρίστηκαν για να ανοίξει ο δρόμος για μια νέα φυτεία φοινικέλαιου.

Η γεωχωρική ανάλυση των δορυφορικών εικόνων που λαμβάνονται από τις τοποθεσίες όπου δραστηριοποιούνται οι προμηθευτές μπορεί να είναι ένα ισχυρό εργαλείο για τον εντοπισμό προβληματικών γεγονότων αποψίλωσης των δασών. Ωστόσο, η εκτέλεση τέτοιων αναλύσεων είναι δύσκολη, χρονοβόρα και εντατική σε πόρους. Γεωχωρικές δυνατότητες του Amazon SageMaker—τώρα γενικά διαθέσιμο στην περιοχή AWS Oregon—παρέχουν μια νέα και πολύ απλούστερη λύση σε αυτό το πρόβλημα. Το εργαλείο διευκολύνει την πρόσβαση σε πηγές γεωχωρικών δεδομένων, την εκτέλεση εργασιών επεξεργασίας που έχουν σχεδιαστεί για το σκοπό αυτό, την εφαρμογή προεκπαιδευμένων μοντέλων ML και τη χρήση ενσωματωμένων εργαλείων οπτικοποίησης πιο γρήγορα και σε κλίμακα.

Σε αυτήν την ανάρτηση, θα μάθετε πώς να χρησιμοποιείτε τις γεωχωρικές δυνατότητες του SageMaker για εύκολη αναφορά και παρακολούθηση του τύπου βλάστησης και της πυκνότητας των περιοχών όπου δραστηριοποιούνται οι προμηθευτές. Οι επαγγελματίες της εφοδιαστικής αλυσίδας και της βιωσιμότητας μπορούν να χρησιμοποιήσουν αυτήν τη λύση για να παρακολουθούν τη χρονική και χωρική δυναμική της μη βιώσιμης αποψίλωσης των δασών στις αλυσίδες εφοδιασμού τους. Συγκεκριμένα, η καθοδήγηση παρέχει πληροφορίες βάσει δεδομένων για τις ακόλουθες ερωτήσεις:

• Πότε και σε ποια περίοδο σημειώθηκε η αποψίλωση των δασών – Η καθοδήγηση σάς επιτρέπει να εντοπίσετε πότε συνέβη ένα νέο συμβάν αποψίλωσης και να παρακολουθείτε τη διάρκεια, την εξέλιξη ή την ανάκτησή του
• Ποιος τύπος κάλυψης γης επηρεάστηκε περισσότερο – Η καθοδήγηση σάς επιτρέπει να εντοπίσετε ποιοι τύποι βλάστησης επηρεάστηκαν περισσότερο από ένα γεγονός αλλαγής κάλυψης γης (για παράδειγμα, τροπικά δάση ή θάμνοι)
• Πού συγκεκριμένα έγινε η αποψίλωση των δασών – Οι συγκρίσεις pixel προς pixel μεταξύ βασικής και τρέχουσας δορυφορικής εικόνας (πριν έναντι μετά) σάς επιτρέπουν να προσδιορίσετε τις ακριβείς τοποθεσίες όπου έχει σημειωθεί αποψίλωση των δασών
• Πόσο δάσος καθαρίστηκε – Παρέχεται μια εκτίμηση για την πληγείσα περιοχή (σε km2) αξιοποιώντας τη λεπτομερή ανάλυση των δορυφορικών δεδομένων (για παράδειγμα, κυψέλες ράστερ 10mx10m για το Sentinel 2)

Επισκόπηση λύσεων

Η λύση χρησιμοποιεί γεωχωρικές δυνατότητες του SageMaker για την ανάκτηση ενημερωμένων δορυφορικών εικόνων για οποιαδήποτε περιοχή ενδιαφέροντος με λίγες μόνο γραμμές κώδικα και εφαρμόζει προκατασκευασμένους αλγόριθμους, όπως ταξινομητές χρήσεων γης και μαθηματικές πράξεις ζώνης. Στη συνέχεια, μπορείτε να οπτικοποιήσετε τα αποτελέσματα χρησιμοποιώντας ενσωματωμένα εργαλεία απεικόνισης χαρτογράφησης και ράστερ. Για να αντληθούν περαιτέρω πληροφορίες από τα δορυφορικά δεδομένα, η καθοδήγηση χρησιμοποιεί τη λειτουργία εξαγωγής του Amazon Sage Maker για να αποθηκεύσετε τις επεξεργασμένες δορυφορικές εικόνες σε Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), όπου τα δεδομένα καταλογοποιούνται και μοιράζονται για προσαρμοσμένη μεταεπεξεργασία και ανάλυση σε ένα Στούντιο Amazon SageMaker σημειωματάριο με α Γεωχωρική εικόνα SageMaker. Τα αποτελέσματα αυτών των προσαρμοσμένων αναλύσεων δημοσιεύονται στη συνέχεια και γίνονται παρατηρήσιμα στο Amazon QuickSight έτσι ώστε οι ομάδες προμηθειών και βιωσιμότητας να μπορούν να ελέγχουν τα δεδομένα βλάστησης τοποθεσίας προμηθευτή σε ένα μέρος. Το παρακάτω διάγραμμα απεικονίζει αυτήν την αρχιτεκτονική.

Τα σημειωματάρια και ο κώδικας με υλοποίηση των αναλύσεων που παρουσιάζονται σε αυτήν την ανάρτηση είναι έτοιμη για ανάπτυξη, είναι διαθέσιμα στο αποθετήριο GitHub Οδηγίες για Γεωχωρικές Πληροφορίες για την Αειφορία στο AWS.

Παράδειγμα περίπτωσης χρήσης

Αυτή η ανάρτηση χρησιμοποιεί μια περιοχή ενδιαφέροντος (AOI) από τη Βραζιλία όπου η εκκαθάριση γης για την παραγωγή βοοειδών, την καλλιέργεια ελαιούχων σπόρων (σογιέλαιο και φοινικέλαιο) και τη συγκομιδή ξυλείας είναι μια σημαντική ανησυχία. Μπορείτε επίσης να γενικεύσετε αυτήν τη λύση σε οποιοδήποτε άλλο επιθυμητό AOI.

Το παρακάτω στιγμιότυπο οθόνης εμφανίζει το ΑΟΙ που δείχνει δορυφορικές εικόνες (ορατή ζώνη) από τον Ευρωπαϊκό Οργανισμό Διαστήματος Φρουρός 2 δορυφορικός αστερισμός ανακτήθηκε και απεικονίζεται σε ένα σημειωματάριο SageMaker. Οι γεωργικές περιοχές είναι σαφώς ορατές απέναντι στο σκούρο πράσινο φυσικό τροπικό δάσος. Σημειώστε επίσης τον καπνό που προέρχεται από το εσωτερικό του AOI καθώς και μια μεγαλύτερη περιοχή προς τα βόρεια. Ο καπνός είναι συχνά ένας δείκτης της χρήσης πυρκαγιάς στον καθαρισμό γης.

Το NDVI ως μέτρο για την πυκνότητα της βλάστησης

Για τον εντοπισμό και την ποσοτικοποίηση των αλλαγών στη δασική κάλυψη με την πάροδο του χρόνου, αυτή η λύση χρησιμοποιεί το Κανονικός δείκτης βλάστησης διαφοράς (NDVI). . Το NDVI υπολογίζεται από το ορατό και το εγγύς υπέρυθρο φως που ανακλάται από τη βλάστηση. Η υγιής βλάστηση απορροφά το μεγαλύτερο μέρος του ορατού φωτός που την προσπίπτει και αντανακλά ένα μεγάλο μέρος του εγγύς υπέρυθρου φωτός. Η ανθυγιεινή ή αραιή βλάστηση αντανακλά περισσότερο ορατό φως και λιγότερο φως κοντά στο υπέρυθρο. Ο δείκτης υπολογίζεται συνδυάζοντας την κόκκινη (ορατή) και την εγγύς υπέρυθρη ζώνη (NIR) μιας δορυφορικής εικόνας σε έναν ενιαίο δείκτη που κυμαίνεται από -1 έως 1.

Οι αρνητικές τιμές του NDVI (τιμές που πλησιάζουν το -1) αντιστοιχούν στο νερό. Οι τιμές κοντά στο μηδέν (-0.1 έως 0.1) αντιπροσωπεύουν άγονες περιοχές βράχου, άμμου ή χιονιού. Τέλος, οι χαμηλές και θετικές τιμές αντιπροσωπεύουν θάμνους, λιβάδια ή γεωργικές εκτάσεις (περίπου 0.2 έως 0.4), ενώ οι υψηλές τιμές NDVI υποδηλώνουν εύκρατα και τροπικά τροπικά δάση (τιμές πλησιάζουν το 1). Μάθετε περισσότερα σχετικά με τους υπολογισμούς NDVI εδώ). Οι τιμές NDVI μπορούν επομένως να αντιστοιχιστούν εύκολα σε μια αντίστοιχη κατηγορία βλάστησης:

NDVI_map={ (-1,0]: "no vegetation (water, rock, artificial structures)", (0,0.5]:"light vegetation (shrubs, grass, fields)", (0.5,0.7]:"dense vegetation (plantations)", (0.7,1]:"very dense vegetation (rainforest)"
}

Παρακολουθώντας τις αλλαγές στο NDVI με την πάροδο του χρόνου χρησιμοποιώντας το ενσωματωμένο μοντέλο NDVI SageMaker, μπορούμε να συμπεράνουμε βασικές πληροφορίες σχετικά με το εάν οι προμηθευτές που δραστηριοποιούνται στο AOI το κάνουν αυτό με υπευθυνότητα ή εάν συμμετέχουν σε μη βιώσιμη δραστηριότητα εκκαθάρισης δασών.

Ανάκτηση, επεξεργασία και οπτικοποίηση δεδομένων NDVI χρησιμοποιώντας γεωχωρικές δυνατότητες του SageMaker

Μία κύρια λειτουργία του SageMaker Geospatial API είναι η Εργασία Παρατήρησης Γης (EOJ), το οποίο σας επιτρέπει να αποκτάτε και να μετασχηματίζετε δεδομένα ράστερ που συλλέγονται από την επιφάνεια της Γης. Ένα EOJ ανακτά δορυφορικές εικόνες από μια καθορισμένη πηγή δεδομένων (δηλαδή, έναν δορυφορικό αστερισμό) για μια καθορισμένη περιοχή ενδιαφέροντος και χρονική περίοδο και εφαρμόζει ένα ή περισσότερα μοντέλα στις ανακτηθείσες εικόνες.

Τα EOJ μπορούν να δημιουργηθούν μέσω α γεωχωρικό σημειωματάριο. Για αυτήν την ανάρτηση, χρησιμοποιούμε ένα παράδειγμα σημειωματάριο.

Για να διαμορφώσετε ένα EOJ, ορίστε τις ακόλουθες παραμέτρους:

• InputConfig – Η διαμόρφωση εισόδου ορίζει τις πηγές δεδομένων και τα κριτήρια φιλτραρίσματος που θα εφαρμοστούν κατά τη λήψη δεδομένων:
  • RasterDataCollectionArn – Καθορίζει από ποιον δορυφόρο θα συλλέγει δεδομένα.
  • Περιοχή ενδιαφέροντος – Το γεωγραφικό AOI. ορίζει το Πολύγωνο για το οποίο πρόκειται να συλλεχθούν οι εικόνες (σε GeoJSON format).
  • TimeRangeFilter – Το χρονικό εύρος ενδιαφέροντος: {StartTime: <string>, EndTime: <string> }.
  • Ιδιότητες Φίλτρα – Πρόσθετα φίλτρα ιδιοτήτων, όπως η μέγιστη αποδεκτή κάλυψη νέφους.
• JobConfig – Η διαμόρφωση μοντέλου καθορίζει την εργασία επεξεργασίας που θα εφαρμοστεί στα δεδομένα δορυφορικής εικόνας που ανακτώνται. Ένα μοντέλο NDVI είναι διαθέσιμο ως μέρος του προκατασκευασμένου BandMath λειτουργία.

Ρύθμιση InputConfig

Οι γεωχωρικές δυνατότητες του SageMaker υποστηρίζουν δορυφορικές εικόνες από δύο διαφορετικές πηγές που μπορούν να αναφέρονται μέσω των ονομάτων πόρων Amazon (ARN):

• Landsat Collection 2 Level-2 Science Products, το οποίο μετρά την ανάκλαση της επιφάνειας της Γης (SR) και τη θερμοκρασία της επιφάνειας (ST) σε χωρική ανάλυση 30 m
• Sentinel 2 L2A COGs, που παρέχει συνεχείς φασματικές μετρήσεις μεγάλης λωρίδας σε 13 μεμονωμένες ζώνες (μπλε, πράσινο, κοντινό υπέρυθρο κ.λπ.) με ανάλυση έως και 10 μέτρα.

Μπορείτε να ανακτήσετε αυτά τα ARN απευθείας μέσω του API καλώντας list_raster_data_collections().

Αυτή η λύση χρησιμοποιεί δεδομένα Sentinel 2. Η αποστολή Sentinel-2 βασίζεται σε έναν αστερισμό δύο δορυφόρων. Σαν αστερισμός, το ίδιο σημείο πάνω από τον ισημερινό επισκέπτεται εκ νέου κάθε 5 ημέρες, επιτρέποντας συχνές και υψηλής ευκρίνειας παρατηρήσεις. Για να καθορίσετε το Sentinel 2 ως πηγή δεδομένων για το EOJ, απλώς ανατρέξτε στο ARN:

#set raster data collection arn to sentinel 2
data_collection_arn = "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8"

Στη συνέχεια, η AreaOfInterest (AOI) για το EOJ πρέπει να καθοριστεί. Για να το κάνετε αυτό, πρέπει να παρέχετε ένα GeoJSON του πλαίσιο οριοθέτησης που ορίζει την περιοχή όπου δραστηριοποιείται ένας προμηθευτής. Το ακόλουθο απόσπασμα κώδικα εξάγει τις συντεταγμένες του πλαισίου οριοθέτησης και ορίζει την είσοδο αιτήματος EOJ:

file_name = "../assets/aoi_samples/brazil_plantation_mato_grosso.geojson"
aoi_shape = gpd.read_file(geojson_file_name) #load geojson as shape file
aoi_shape = aoi_shape.set_crs(epsg=4326) #set projection, i.e. coordinate reference system (CRS)
aoi_coordinates = json.loads(aoi_shape.to_json())['features'][0]["geometry"]["coordinates"] #extract coordinates #set aoi query parameters
selected_aoi_feature = { "AreaOfInterestGeometry": { "PolygonGeometry": { "Coordinates": aoi_coordinates } }
}

Το χρονικό εύρος ορίζεται χρησιμοποιώντας την ακόλουθη σύνταξη αιτήματος:

start="2022-10-01T00:00:00" #time in UTC
end="2022-12-20T00:00:00" #time in UTC
time_filter = { "StartTime": start, "EndTime": end
}

Ανάλογα με την επιλεγμένη συλλογή δεδομένων ράστερ, υποστηρίζονται διαφορετικά πρόσθετα φίλτρα ιδιοτήτων. Μπορείτε να δείτε τις διαθέσιμες επιλογές καλώντας get_raster_data_collection(Arn=data_collection_arn)["SupportedFilters"]. Στο παρακάτω παράδειγμα, επιβάλλεται ένα αυστηρό όριο 5% νέφωσης για να διασφαλιστεί μια σχετικά ανεμπόδιστη θέα στο AOI:

property_filters={ "Properties":[ { "Property":{ "EoCloudCover":{ "LowerBound": 0, "UpperBound": 5 } } }, ], "LogicalOperator": "AND"
}

Ελέγξτε τα αποτελέσματα ερωτημάτων

Πριν ξεκινήσετε το EOJ, βεβαιωθείτε ότι οι παράμετροι ερωτήματος έχουν όντως ως αποτέλεσμα την επιστροφή δορυφορικών εικόνων ως απάντηση. Σε αυτό το παράδειγμα, το ApproximateResultCount είναι 3, που είναι αρκετό. Ίσως χρειαστεί να χρησιμοποιήσετε λιγότερο περιοριστικό PropertyFilter εάν δεν επιστραφούν αποτελέσματα.

#consolidate query parameters
query_param = { "AreaOfInterest": selected_aoi_feature, "TimeRangeFilter": time_filter, "PropertyFilters": property_filters
}
#review query results
query_results = sm_geo_client.search_raster_data_collection( Arn = data_collection_arn, RasterDataCollectionQuery = query_param
)
#get result count
result_count = query_results["ApproximateResultCount"]

Μπορείτε να δείτε τις μικρογραφίες των ακατέργαστων εικόνων εισαγωγής με ευρετηρίαση του query_results αντικείμενο. Για παράδειγμα, το URL μικρογραφίας ακατέργαστης εικόνας Το τελευταίο στοιχείο που επιστράφηκε από το ερώτημα μπορεί να προσπελαστεί ως εξής: query_results['Items'][-1]["Assets"]["thumbnail"]["Href"] .

Ρύθμιση JobConfig

Τώρα που έχουμε ορίσει όλες τις απαιτούμενες παραμέτρους που απαιτούνται για την απόκτηση των ακατέργαστων δορυφορικών δεδομένων Sentinel 2, το επόμενο βήμα είναι να συμπεράνουμε την πυκνότητα βλάστησης που μετράται με βάση το NDVI. Αυτό συνήθως περιλαμβάνει τον εντοπισμό των δορυφορικών πλακιδίων που τέμνουν το AOI και τη λήψη των δορυφορικών εικόνων για το χρονικό πλαίσιο στο πεδίο εφαρμογής από έναν πάροχο δεδομένων. Στη συνέχεια, θα πρέπει να περάσετε από τη διαδικασία επικάλυψης, συγχώνευσης και αποκοπής των ληφθέντων αρχείων, υπολογισμού του NDVI ανά κάθε κελί ράστερ της συνδυασμένης εικόνας εκτελώντας μαθηματικές πράξεις στις αντίστοιχες ζώνες (όπως κόκκινο και σχεδόν υπέρυθρο) και τελικά αποθηκεύοντας τα αποτελέσματα σε μια νέα εικόνα ράστερ μιας ζώνης. Οι γεωχωρικές δυνατότητες του SageMaker παρέχουν μια ολοκληρωμένη υλοποίηση αυτής της ροής εργασίας, συμπεριλαμβανομένου ενός ενσωματωμένου μοντέλου NDVI που μπορεί να εκτελεστεί με απλή κλήση API. Το μόνο που χρειάζεται να κάνετε είναι να καθορίσετε τη διαμόρφωση της εργασίας και να την ορίσετε στο προκαθορισμένο μοντέλο NDVI:

job_config={ "BandMathConfig": { 'PredefinedIndices': [ 'NDVI', ] }
}

Έχοντας ορίσει όλες τις απαιτούμενες εισόδους ώστε το SageMaker να αποκτήσει και να μετασχηματίσει τα γεωχωρικά δεδομένα που σας ενδιαφέρουν, μπορείτε τώρα να ξεκινήσετε το EOJ με ​​μια απλή κλήση API:

#set job name
job_name = "EOJ-Brazil-MatoGrosso-2022-Q4" #set input config
input_config=query_param
input_config["RasterDataCollectionArn"] = data_collection_arn #add RasterDataCollectionArn to input_conf #invoke EOJ
eoj = sm_geo_client.start_earth_observation_job( Name=job_name, ExecutionRoleArn=sm_exec_role, InputConfig={"RasterDataCollectionQuery":input_config}, JobConfig=job_config
)

Αφού ολοκληρωθεί το EOJ, μπορείτε να ξεκινήσετε την εξερεύνηση των αποτελεσμάτων. Οι γεωχωρικές δυνατότητες του SageMaker παρέχουν ενσωματωμένο εργαλείο οπτικοποίησης που υποστηρίζεται από το Foursquare Studio, το οποίο λειτουργεί εγγενώς μέσα από ένα φορητό υπολογιστή SageMaker μέσω του SDK γεωχωρικών χαρτών SageMaker. Το παρακάτω απόσπασμα κώδικα αρχικοποιεί και αποδίδει έναν χάρτη και, στη συνέχεια, προσθέτει πολλά επίπεδα σε αυτόν:

#initialize and render map
geo_map = sagemaker_geospatial_map.create_map({"is_raster": True})
geo_map.set_sagemaker_geospatial_client(sm_geo_client)
geo_map.render() #add AOI layer
config = {"label": "EOJ AOI"}
aoi_layer = geo_map.visualize_eoj_aoi( Arn=eoj["Arn"], config=config
)
#add input layer
config = {"label": "EOJ Input"}
input_layer = geo_map.visualize_eoj_input( Arn=eoj["Arn"], config=config
)
#add output layer
config = { "label":"EOJ Output", "preset": "singleBand", "band_name": "ndvi"
}
output_layer = geo_map.visualize_eoj_output( Arn=eoj["Arn"], config=config
)

Μόλις αποδοθεί, μπορείτε να αλληλεπιδράσετε με τον χάρτη αποκρύπτοντας ή εμφανίζοντας επίπεδα, μεγέθυνση και σμίκρυνση ή τροποποιώντας συνδυασμούς χρωμάτων, μεταξύ άλλων επιλογών. Το ακόλουθο στιγμιότυπο οθόνης δείχνει το επίπεδο του πλαισίου οριοθέτησης AOI που υπερτίθεται στο επίπεδο εξόδου (το αρχείο ράστερ Sentinel 2 που έχει μετασχηματιστεί με NDVI). Τα έντονα κίτρινα μπαλώματα αντιπροσωπεύουν το τροπικό δάσος που είναι ανέπαφο (NDVI=1), τα πιο σκούρα μπαλώματα αντιπροσωπεύουν πεδία (0.5>NDVI>0) και τα σκούρα μπλε μπαλώματα αντιπροσωπεύουν το νερό (NDVI=-1).

Συγκρίνοντας τις τιμές της τρέχουσας περιόδου έναντι μιας καθορισμένης βασικής περιόδου, οι αλλαγές και οι ανωμαλίες στο NDVI μπορούν να εντοπιστούν και να παρακολουθηθούν με την πάροδο του χρόνου.

Προσαρμοσμένη μεταεπεξεργασία και οπτικοποίηση QuickSight για πρόσθετες πληροφορίες

Οι γεωχωρικές δυνατότητες του SageMaker συνοδεύονται από μια ισχυρή προκατασκευασμένη εργαλειοθήκη ανάλυσης και χαρτογράφησης που παρέχει τη λειτουργικότητα που απαιτείται για πολλές εργασίες γεωχωρικής ανάλυσης. Σε ορισμένες περιπτώσεις, μπορεί να χρειάζεστε πρόσθετη ευελιξία και να θέλετε να εκτελέσετε προσαρμοσμένες μετα-αναλύσεις στα αποτελέσματα EOJ. Οι γεωχωρικές δυνατότητες του SageMaker διευκολύνουν αυτήν την ευελιξία μέσω μιας λειτουργίας εξαγωγής. Η εξαγωγή εξόδων EOJ είναι και πάλι μια απλή κλήση API:

export_job=sm_geo_client.export_earth_observation_job( Arn=eoj["Arn"], ExecutionRoleArn=sm_exec_role, OutputConfig={"S3Data": {"S3Uri":"s3://{}".format(main_bucket_name)+"/raw-eoj-output/"}}, ExportSourceImages=False
)

Στη συνέχεια, μπορείτε να κατεβάσετε τα αρχεία ράστερ εξόδου για περαιτέρω τοπική επεξεργασία σε α Γεωχωρικό σημειωματάριο SageMaker χρήση κοινών βιβλιοθηκών Python για γεωχωρική ανάλυση όπως οι GDAL, Fiona, GeoPandas, Shapely και Rasterio, καθώς και βιβλιοθήκες ειδικά για το SageMaker. Με τις αναλύσεις που εκτελούνται στο SageMaker, όλα τα εργαλεία ανάλυσης AWS που ενσωματώνονται εγγενώς με το SageMaker είναι επίσης στη διάθεσή σας. Για παράδειγμα, η λύση που συνδέεται στο Οδηγίες για Γεωχωρικές Πληροφορίες για την Αειφορία στο AWS Το αποθετήριο GitHub χρησιμοποιεί Amazon S3 και Αμαζόν Αθηνά για την υποβολή ερωτημάτων στα αποτελέσματα της μεταεπεξεργασίας και για να γίνουν παρατηρήσιμα σε έναν πίνακα εργαλείων QuickSight. Όλες οι ρουτίνες επεξεργασίας μαζί με τον κώδικα ανάπτυξης και τις οδηγίες για τον πίνακα εργαλείων QuickSight περιγράφονται λεπτομερώς στο Αποθετήριο GitHub.

Ο πίνακας εργαλείων προσφέρει τρία βασικά στοιχεία οπτικοποίησης:

• Μια γραφική παράσταση χρονοσειράς τιμών NDVI κανονικοποιημένη σε σχέση με μια βασική περίοδο, η οποία σας επιτρέπει να παρακολουθείτε τη χρονική δυναμική στην πυκνότητα βλάστησης
• Πλήρης διακριτή κατανομή των τιμών NDVI στην περίοδο αναφοράς και την τρέχουσα περίοδο, παρέχοντας διαφάνεια στους τύπους βλάστησης που έχουν δει τη μεγαλύτερη αλλαγή
• Δορυφορικές εικόνες μετασχηματισμένες με NDVI για την περίοδο αναφοράς, την τρέχουσα περίοδο και τις διαφορές ανά εικονοστοιχείο μεταξύ των δύο περιόδων, γεγονός που σας επιτρέπει να προσδιορίσετε τις πληγείσες περιοχές εντός του AOI

Όπως φαίνεται στο ακόλουθο παράδειγμα, κατά την περίοδο των 5 ετών (2017-3ο τρίμηνο έως 2022-3ο τρίμηνο), ο μέσος όρος NDVI του AOI μειώθηκε κατά 7.6% έναντι της βασικής περιόδου (3ο τρίμηνο 2017), επηρεάζοντας μια συνολική έκταση 250.21 km2. Αυτή η μείωση προήλθε κυρίως από αλλαγές σε περιοχές με υψηλό NDVI (δάσος, τροπικό δάσος), οι οποίες μπορούν να φανούν κατά τη σύγκριση των κατανομών NDVI της τρέχουσας έναντι της βασικής περιόδου.

Η χωρική σύγκριση εικονοστοιχείων σε σχέση με τη γραμμή βάσης υπογραμμίζει ότι το γεγονός της αποψίλωσης των δασών συνέβη σε μια περιοχή ακριβώς στο κέντρο του AOI όπου το προηγουμένως ανέγγιχτο φυσικό δάσος έχει μετατραπεί σε γεωργική γη. Οι επαγγελματίες της εφοδιαστικής αλυσίδας μπορούν να λάβουν αυτά τα σημεία δεδομένων ως βάση για περαιτέρω έρευνα και πιθανή αναθεώρηση των σχέσεων με τον εν λόγω προμηθευτή.

Συμπέρασμα

Οι γεωχωρικές δυνατότητες του SageMaker μπορούν να αποτελέσουν αναπόσπαστο μέρος στην παρακολούθηση εταιρικών σχεδίων δράσης για το κλίμα, καθιστώντας την απομακρυσμένη γεωχωρική παρακολούθηση εύκολη και προσιτή. Αυτή η ανάρτηση ιστολογίου επικεντρώθηκε σε μία μόνο συγκεκριμένη περίπτωση χρήσης - την παρακολούθηση της προέλευσης της αλυσίδας εφοδιασμού πρώτων υλών. Άλλες περιπτώσεις χρήσης είναι εύκολα νοητές. Για παράδειγμα, θα μπορούσατε να χρησιμοποιήσετε μια παρόμοια αρχιτεκτονική για να παρακολουθείτε τις προσπάθειες αποκατάστασης δασών για αντιστάθμιση εκπομπών, να παρακολουθείτε την υγεία των φυτών σε εφαρμογές αναδάσωσης ή καλλιέργειας ή ανίχνευση των επιπτώσεων της ξηρασίας στα υδατικά συστήματα, μεταξύ πολλών άλλων εφαρμογών.

Σχετικά με τους Συγγραφείς

Κάρστεν Σρόερ είναι αρχιτέκτονας λύσεων στην AWS. Υποστηρίζει τους πελάτες στη μόχλευση δεδομένων και τεχνολογίας για την προώθηση της βιωσιμότητας της υποδομής πληροφορικής τους και τη δημιουργία λύσεων που βασίζονται σε δεδομένα στο cloud που επιτρέπουν βιώσιμες λειτουργίες στους αντίστοιχους κλάδους τους. Ο Karsten εντάχθηκε στην AWS μετά τις διδακτορικές του σπουδές στην εφαρμοσμένη μηχανική μάθηση και διαχείριση λειτουργιών. Είναι πραγματικά παθιασμένος με τις λύσεις που υποστηρίζουν την τεχνολογία για τις κοινωνικές προκλήσεις και του αρέσει να βουτάει βαθιά στις μεθόδους και τις αρχιτεκτονικές εφαρμογών που αποτελούν τη βάση αυτών των λύσεων.

Ταμάρα Χέρμπερτ είναι προγραμματιστής εφαρμογών με AWS Professional Services στο Ηνωμένο Βασίλειο. Ειδικεύεται στην κατασκευή σύγχρονων και επεκτάσιμων εφαρμογών για μια μεγάλη ποικιλία πελατών, με επίκεντρο αυτήν τη στιγμή εκείνους του δημόσιου τομέα. Συμμετέχει ενεργά στη δημιουργία λύσεων και στην καθοδήγηση συνομιλιών που επιτρέπουν στους οργανισμούς να επιτύχουν τους στόχους αειφορίας τους τόσο μέσα όσο και μέσω του cloud.

Μάργκαρετ Ο' Τουλ εντάχθηκε στην AWS το 2017 και πέρασε το χρόνο της βοηθώντας πελάτες σε διάφορους τεχνικούς ρόλους. Σήμερα, η Margaret είναι η επικεφαλής της τεχνολογίας WW για τη βιωσιμότητα και ηγείται μιας κοινότητας τεχνικών ειδικών αειφορίας που αντιμετωπίζουν πελάτες. Μαζί, η ομάδα βοηθά τους πελάτες να βελτιστοποιήσουν το IT για βιωσιμότητα και να αξιοποιήσουν την τεχνολογία AWS για να λύσουν μερικές από τις πιο δύσκολες προκλήσεις στη βιωσιμότητα σε όλο τον κόσμο. Η Margaret σπούδασε βιολογία και επιστήμη υπολογιστών στο Πανεπιστήμιο της Βιρτζίνια και Leading Sustainable Corporations στο Saïd Business School της Οξφόρδης.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/remote-monitoring-of-raw-material-supply-chains-for-sustainability-with-amazon-sagemaker-geospatial-capabilities/