Ez egy vendégbejegyzés, amelynek társszerzője Shravan Kumar és Avirat S a Gramenertől.
GramenerEgy Küzdelem vállalat hozzájárul a fenntartható fejlődéshez a mezőgazdaságra, az erdőgazdálkodásra, a vízgazdálkodásra és a megújuló energiákra összpontosítva. Azáltal, hogy a hatóságok rendelkezésére bocsátja azokat az eszközöket és betekintést, amelyekre szükségük van a környezeti és társadalmi hatásokkal kapcsolatos megalapozott döntések meghozatalához, a Gramener létfontosságú szerepet játszik egy fenntarthatóbb jövő építésében.
A városi hőszigetek (UHI) olyan városi területek, ahol lényegesen magasabb a hőmérséklet, mint a környező vidéki területeken. Az UHI-k egyre nagyobb aggodalomra adnak okot, mert különféle környezeti és egészségügyi problémákhoz vezethetnek. Ennek a kihívásnak a megoldására a Gramener olyan megoldást fejlesztett ki, amely téradatokat és fejlett modellezési technikákat használ a következő UHI-hatások megértésére és mérséklésére:
- Hőmérséklet eltérés – Az UHI miatt a városi területek melegebbek lehetnek, mint a környező vidéki régiók.
- Egészségügyi hatás – Az UHI-k magasabb hőmérséklete hozzájárul a hőség okozta megbetegedések és halálesetek számának 10-20%-os növekedéséhez.
- Energiahasználat - Az UHI-k felerősítik a légkondicionálási igényeket, ami akár 20%-os energiafogyasztás-emelkedést eredményez.
- A levegő minősége - Az UHI-k rontják a levegő minőségét, ami a szmog és a részecskék megnövekedett szintjéhez vezet, ami fokozhatja a légzési problémákat.
- Gazdasági hatás – Az UHI-k több milliárd dolláros energiaköltséget, infrastrukturális károkat és egészségügyi kiadásokat eredményezhetnek.
A Gramener GeoBox megoldása lehetővé teszi a felhasználók számára, hogy könnyedén hozzáférjenek és elemezzék a nyilvános térinformatikai adatokat a hatékony API-n keresztül, lehetővé téve a zökkenőmentes integrációt a meglévő munkafolyamatokba. Ez leegyszerűsíti a feltárást, és értékes időt és erőforrásokat takarít meg, lehetővé téve a közösségek számára az UHI hotspotok gyors azonosítását. A GeoBox ezután a nyers adatokat hasznosítható betekintésekké alakítja át, olyan felhasználóbarát formátumokban, mint a raszter, a GeoJSON és az Excel, biztosítva az UHI-csökkentési stratégiák egyértelmű megértését és azonnali végrehajtását. Ez feljogosítja a közösségeket arra, hogy megalapozott döntéseket hozzanak és fenntartható városfejlesztési kezdeményezéseket hajtsanak végre, végső soron a polgárok támogatását a jobb levegőminőség, a csökkentett energiafogyasztás és a hűvösebb, egészségesebb környezet révén.
Ez a bejegyzés bemutatja, hogyan használható a Gramener GeoBox megoldása az Amazon SageMaker térinformatikai képességeit használja földmegfigyelési elemzés elvégzéséhez és az UHI-betekintések feloldásához a műholdképekből. A SageMaker térinformatikai képességei egyszerűvé teszik az adattudósok és a gépi tanulási (ML) mérnökök számára a térinformatikai adatokat használó modellek építését, betanítását és üzembe helyezését. A SageMaker térinformatikai képességei lehetővé teszik a nagyszabású térinformatikai adatkészletek hatékony átalakítását és gazdagítását, valamint a termékfejlesztés felgyorsítását és a betekintéshez szükséges időt az előre betanított ML modellekkel.
Megoldás áttekintése
A Geobox célja az UHI hatás elemzése és előrejelzése a térbeli jellemzők felhasználásával. Segít megérteni, hogy a javasolt infrastruktúra és földhasználati változások hogyan befolyásolhatják az UHI-mintákat, és azonosítja az UHI-t befolyásoló kulcsfontosságú tényezőket. Ez az analitikus modell pontos becsléseket ad a földfelszíni hőmérsékletről (LST) granulált szinten, lehetővé téve a Gramener számára, hogy számszerűsítse az UHI hatás változásait a paraméterek (a használt indexek és adatok nevei) alapján.
A Geobox lehetővé teszi a városi osztályok számára a következők elvégzését:
- Jobb alkalmazkodás az éghajlathoz tervezés – A megalapozott döntések csökkentik a szélsőséges hőség hatását.
- Zöldterület-bővítés támogatása – A több zöldfelület javítja a levegő minőségét és az életminőséget.
- Fokozott tárcaközi együttműködés – Az összehangolt erőfeszítések javítják a közbiztonságot.
- Stratégiai vészhelyzeti készültség – A célzott tervezés csökkenti a vészhelyzetek lehetőségét.
- Egészségügyi együttműködés – Az együttműködés hatékonyabb egészségügyi beavatkozásokhoz vezet.
Megoldás munkafolyamata
Ebben a részben azt tárgyaljuk, hogyan működnek együtt a különböző összetevők, az adatgyűjtéstől a térbeli modellezésig és előrejelzésig, amelyek az UHI megoldás magjaként szolgálnak. A megoldás egy strukturált munkafolyamatot követ, elsősorban az UHI-k kezelésére összpontosítva egy kanadai városban.
1. fázis: adatfolyam
A Landsat 8 műhold 15 naponta 11:30-kor készít részletes felvételeket az érdeklődési területről, átfogó képet adva a város tájáról és környezetéről. A Mapbox Supermercado Python könyvtárának 48-es nagyítási szintjén egy 19 méteres rácsmérettel rendelkező rácsrendszer jön létre, amely lehetővé teszi a precíz térbeli elemzést.
2. fázis: Feltáró elemzés
Az infrastruktúra és a lakossági adatrétegek integrálásával a Geobox felhatalmazza a felhasználókat a város változó eloszlásának vizualizálására és városmorfológiai betekintésre, lehetővé téve a város szerkezetének és fejlődésének átfogó elemzését.
Az 1. fázisból származó Landsat-képek emellett olyan betekintést nyernek, mint a Normalizált különbség vegetációs index (NDVI) és a Normalized Difference Built-up Index (NDBI), amelyek adatait a konzisztencia és a pontosság érdekében aprólékosan a 48 méteres rácsra méretezték.
A következő változókat használják:
- A talaj felszínének hőmérséklete
- Építési telek lefedettsége
- NDVI
- Építőelemek lefedettsége
- NDBI
- Építési terület
- albedó
- Épületek száma
- Módosított normalizált különbségi vízindex (MNDWI)
- Épületmagasság
- Emeletek száma és alapterülete
- Az alapterület aránya
3. fázis: Analytics modell
Ez a fázis három modulból áll, amelyek ML modelleket alkalmaznak az adatokon, hogy betekintést nyerjenek az LST-be és annak más befolyásoló tényezőkkel való kapcsolatába:
- 1. modul: Zónális statisztikák és összesítés – A zónastatisztika létfontosságú szerepet játszik az értékraszterből származó értékeket használó statisztikák kiszámításában. Ez magában foglalja az egyes zónák statisztikai adatainak kinyerését a zónaraszter alapján. Az összesítés 100 méteres felbontásban történik, ami lehetővé teszi az adatok átfogó elemzését.
- 2. modul: Térbeli modellezés – Gramener három regressziós modellt (lineáris, térbeli és térbeli rögzített hatásokat) értékelt, hogy feltárja a Land Surface Temperature (LST) és más változók közötti összefüggést. Ezen modellek közül a térbeli fix hatású modell adta a legmagasabb átlagos R-négyzet értéket, különösen a 2014-től 2020-ig tartó időszakra.
- 3. modul: Változók előrejelzése – A változók rövid távú előrejelzésére Gramener exponenciális simítási technikákat alkalmazott. Ezek az előrejelzések segítették a jövőbeli LST értékek és trendjeik megértését. Ezenkívül belemélyedtek a hosszú távú skálaelemzésbe is a reprezentatív koncentrációs útvonal (RCP8.5) adatainak felhasználásával, hogy előre jelezzék az LST értékeket hosszabb időszakokra.
Adatgyűjtés és előfeldolgozás
A modulok megvalósításához a Gramener a SageMaker térinformatikai jegyzetfüzetet használta Amazon SageMaker Studio. A térinformatikai notebook kernel előre telepítve van az általánosan használt térinformatikai könyvtárakkal, amelyek lehetővé teszik a térinformatikai adatok közvetlen megjelenítését és feldolgozását a Python notebook környezetben.
Gramener különféle adatkészleteket használt az LST trendek előrejelzésére, beleértve az épületértékelési és hőmérsékleti adatokat, valamint a műholdképeket. Az UHI megoldás kulcsa a Landsat 8 műhold adatainak felhasználása volt. Ez a Föld-leképező műhold, amely az USGS és a NASA közös vállalata, a projekt alapvető elemeként szolgált.
Aktivitáskövető SearchRasterDataCollection Az API, a SageMaker egy erre a célra kialakított funkciót biztosít a műholdképek lekérésének megkönnyítésére. A Gramener ezt az API-t használta a Landsat 8 műhold adatainak lekérésére az UHI megoldáshoz.
A SearchRasterDataCollection
Az API a következő bemeneti paramétereket használja:
- RNS – A lekérdezésben használt raszteres adatgyűjtemény Amazon erőforrásneve (ARN).
- Érdeklődési terület – Az érdeklődési területet képviselő GeoJSON poligon
- TimeRangeFilter – Az érdeklődési idő tartománya, jelölése
{StartTime: <string>, EndTime: <string>}
- PropertyFilters – Kiegészítő tulajdonságszűrők is beépíthetők, mint például a maximálisan elfogadható felhőborításra vonatkozó előírások
A következő példa bemutatja, hogyan kérdezhetők le a Landsat 8 adatok az API-n keresztül:
A nagyméretű műholdas adatok feldolgozásához Gramener használta Amazon SageMaker feldolgozás a térinformatikai konténerrel. A SageMaker Processing lehetővé teszi a számítási fürtök rugalmas skálázását a különböző méretű feladatokhoz, egyetlen várostömb feldolgozásától a bolygószintű munkaterhelések kezeléséig. Hagyományosan az ilyen feladatokhoz szükséges számítási klaszter manuális létrehozása és kezelése költséges és időigényes volt, különösen a térinformatikai adatok kezelésére alkalmas környezet szabványosításának bonyolultsága miatt.
Mostanra a SageMaker speciális térinformatikai tárolójával a térinformatikai feldolgozáshoz szükséges klaszterek kezelése és futtatása egyszerűbbé vált. Ez a folyamat minimális kódolási erőfeszítést igényel: egyszerűen meg kell határozni a munkaterhelést, megadni a térinformatikai adatok helyét Amazon egyszerű tárolási szolgáltatás (Amazon S3), és válassza ki a megfelelő térinformatikai tárolót. A SageMaker Processing ezután automatikusan biztosítja a szükséges fürterőforrásokat, megkönnyítve a térinformatikai feladatok hatékony futtatását a városi szinttől a kontinensig terjedő skálán.
A SageMaker teljes mértékben felügyeli a feldolgozási munkához szükséges mögöttes infrastruktúrát. A feladat időtartamára lefoglalja a fürt erőforrásait, és a feladat befejezésekor eltávolítja azokat. Végül a feldolgozási feladat eredményei a kijelölt S3 tárolóba kerülnek.
A térinformatikai képet használó SageMaker feldolgozási feladat a következőképpen konfigurálható a térinformatikai jegyzetfüzetből:
Az instance_count paraméter határozza meg, hogy a feldolgozási feladat hány példányt használjon, az instance_type pedig azt, hogy milyen típusú példányt kell használni.
A következő példa bemutatja, hogyan fut egy Python-szkript a feldolgozási feladatfürtön. A futtatási parancs meghívásakor a fürt elindul, és automatikusan létrehozza a szükséges fürt erőforrásokat:
Térbeli modellezés és LST előrejelzések
A feldolgozás során számos változót számítanak ki, beleértve a felső légkör spektrális sugárzását, a fényerő hőmérsékletét és a Landsat 8 reflexióját. Ezenkívül kiszámítják a morfológiai változókat, például az alapterület arányát (FAR), az építési terület lefedettségét, az épülettömb lefedettségét és a Shannon entrópiaértékét.
A következő kód bemutatja, hogyan hajtható végre ez a sáv aritmetika:
A változók kiszámítása után zónastatisztikát végeznek az adatok rácsonkénti összesítése érdekében. Ez magában foglalja a statisztikák kiszámítását az egyes zónákon belüli érdeklődési értékek alapján. Ezekhez a számításokhoz körülbelül 100 méteres rácsméretet használtak.
Az adatok összesítése után térbeli modellezésre kerül sor. Gramener térbeli regressziós módszereket, például lineáris regressziót és térbeli rögzített hatásokat alkalmazott a megfigyelések térbeli függésének figyelembevételére. Ez a megközelítés megkönnyíti a változók és az LST közötti kapcsolat mikroszintű modellezését.
A következő kód bemutatja, hogyan lehet ilyen térbeli modellezést futtatni:
Gramener exponenciális simítást használt az LST értékek előrejelzésére. Az exponenciális simítás hatékony módszer az idősoros előrejelzéshez, amely súlyozott átlagokat alkalmaz a múltbeli adatokra, miközben a súlyok idővel exponenciálisan csökkennek. Ez a módszer különösen hatékony az adatok kiegyenlítésére a trendek és minták azonosítása érdekében. Az exponenciális simítás használatával lehetővé válik az LST trendek nagyobb pontosságú megjelenítése és előrejelzése, ami lehetővé teszi a jövőbeli értékek pontosabb előrejelzését a múltbeli minták alapján.
Az előrejelzések megjelenítéséhez a Gramener a SageMaker térinformatikai jegyzetfüzetet használta nyílt forráskódú térinformatikai könyvtárakkal, hogy a modell-előrejelzéseket egy alaptérképre lefedje, és rétegzett térinformatikai adatkészleteket biztosítson közvetlenül a notebookon belül.
Következtetés
Ez a bejegyzés bemutatta, hogy a Gramener hogyan képessé teszi ügyfeleit arra, hogy adatvezérelt döntéseket hozzanak a fenntartható városi környezet érdekében. A SageMakerrel a Gramener jelentős időmegtakarítást ért el az UHI-elemzés során, hetekről órákra csökkentve a feldolgozási időt. Ez a gyors betekintési képesség lehetővé teszi a Gramener ügyfelei számára, hogy pontosan meghatározzák azokat a területeket, ahol UHI-csökkentési stratégiákat igényelnek, proaktívan tervezzenek városfejlesztési és infrastrukturális projekteket az UHI minimalizálása érdekében, és átfogó kockázatelemzés céljából holisztikusan megértsék a környezeti tényezőket.
Fedezze fel a Föld-megfigyelési adatok integrálásának lehetőségeit a fenntarthatósági projektjeibe a SageMaker segítségével. További információkért lásd: Kezdje el az Amazon SageMaker térinformatikai képességeit.
A szerzőkről
Abhishek Mittal az Amazon Web Services (AWS) világméretű közszféra csapatának megoldástervezője, ahol elsősorban az ISV-partnerekkel dolgozik különböző iparágakban, és építészeti útmutatást ad nekik a méretezhető architektúra felépítéséhez és az AWS-szolgáltatások elterjedését elősegítő stratégiák megvalósításához. Szenvedélye a hagyományos platformok modernizálása és a felhőbeli biztonság. Munkán kívül utazásrajongó.
Janosch Woschitz az AWS vezető megoldási építésze, AI/ML szakterülete. Több mint 15 éves tapasztalatával világszerte támogatja ügyfeleit a mesterséges intelligencia és az ML innovatív megoldások kiaknázásában és az ML platformok AWS-en való építésében. Szakértelme felöleli a gépi tanulást, az adattervezést és a méretezhető elosztott rendszereket, erős szoftvermérnöki háttérrel és iparági szakértelemmel olyan területeken, mint az autonóm vezetés.
Shravan Kumar a Gramener ügyfél-sikerekért felelős vezető igazgatója, több évtizedes tapasztalattal rendelkezik az üzleti elemzés, az adatevangelizálás és a mélyreható ügyfélkapcsolatok kialakítása terén. Szilárd alapokkal rendelkezik az ügyfélkezelés, az adatelemzés területén belüli fiókkezelés, valamint az AI és az ML területén.
Avirat S a Gramener térinformatikai tudósa, aki az AI/ML-t használja fel, hogy betekintést nyerjen a földrajzi adatokból. Szakértelme a katasztrófavédelemben, a mezőgazdaságban és a várostervezésben rejlik, ahol elemzései a döntéshozatali folyamatokban adnak tájékoztatást.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/understanding-and-predicting-urban-heat-islands-at-gramener-using-amazon-sagemaker-geospatial-capabilities/