Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Jobs im Bereich Erdbeobachtung
Mithilfe eines Erdbeobachtungsauftrags (EOJ) können Sie Geodaten erfassen, transformieren und visualisieren, um Vorhersagen zu treffen. Sie können aus einer Vielzahl von Operationen und Modellen eine Operation auswählen, die Ihrem Anwendungsfall entspricht. Sie haben die Flexibilität, Ihr Interessengebiet und die Datenanbieter auszuwählen und Zeitbereiche und cloud-cover-percentage-based Filter festzulegen. Nachdem SageMaker KI ein EOJ für Sie erstellt hat, können Sie die Eingaben und Ausgaben des Jobs mithilfe der Visualisierungsfunktion visualisieren. Ein EOJ bietet verschiedene Anwendungsfälle, darunter den Vergleich der Entwaldung im Laufe der Zeit und die Diagnose der Pflanzengesundheit. Sie können ein EOJ erstellen, indem Sie ein SageMaker Notizbuch mit einem SageMaker Geodatenbild verwenden. Sie können auch auf die SageMaker Geospatial-Benutzeroberfläche als Teil der Amazon SageMaker Studio Classic-Benutzeroberfläche zugreifen, um die Liste all Ihrer Jobs einzusehen. Sie können die Benutzeroberfläche auch verwenden, um einen laufenden Job anzuhalten oder zu beenden. Sie können einen Job aus der Liste der verfügbaren EOJ auswählen, um die **Job-Zusammenfassung** und die **Job-Details** sowie die **Job-Ausgabe** zu visualisieren.
**Topics**
+ [Erstellen Sie einen Erdbeobachtungsauftrag mit einem Amazon SageMaker Studio Classic-Notizbuch mit einem SageMaker Geodatenbild](geospatial-eoj-ntb.md)
+ [Arten von Operationen](geospatial-eoj-models.md)
# Erstellen Sie einen Erdbeobachtungsauftrag mit einem Amazon SageMaker Studio Classic-Notizbuch mit einem SageMaker Geodatenbild
**So verwenden Sie ein SageMaker Studio Classic-Notizbuch mit einem SageMaker Geodatenbild:**
1. Wählen Sie im **Launcher** unter **Notebooks und Compute-Ressourcen** die Option **Umgebung ändern**.
1. Als Nächstes wird das Dialogfeld „**Umgebung ändern**“ geöffnet.
1. Wählen Sie das Dropdown-Menü **Bild** aus und wählen Sie **Geospatial 1.0**. Der **Instance-Typ** sollte **ml.geospatial.interactive** sein. Ändern Sie die Standardwerte für andere Einstellungen nicht.
1. Wählen Sie **Select (Auswählen)**.
1. Klicken Sie auf **Create Notebook (Notebook erstellen)**.
Sie können ein EOJ mit einem Amazon SageMaker Studio Classic-Notizbuch mit einem SageMaker Geodatenbild mithilfe des unten angegebenen Codes initiieren.
```
import boto3
import sagemaker
import sagemaker_geospatial_map
session = boto3.Session()
execution_role = sagemaker.get_execution_role()
sg_client = session.client(service_name="sagemaker-geospatial")
```
Im Folgenden finden Sie ein Beispiel dafür, wie Sie ein EOJ in der Region USA West (Oregon) erstellen.
```
#Query and Access Data
search_rdc_args = {
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", # sentinel-2 L2A COG
"RasterDataCollectionQuery": {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
"BandFilter": ["visual"],
},
}
tci_urls = []
data_manifests = []
while search_rdc_args.get("NextToken", True):
search_result = sg_client.search_raster_data_collection(**search_rdc_args)
if search_result.get("NextToken"):
data_manifests.append(search_result)
for item in search_result["Items"]:
tci_url = item["Assets"]["visual"]["Href"]
print(tci_url)
tci_urls.append(tci_url)
search_rdc_args["NextToken"] = search_result.get("NextToken")
# Perform land cover segmentation on images returned from the sentinel dataset.
eoj_input_config = {
"RasterDataCollectionQuery": {
"RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
}
}
eoj_config = {"LandCoverSegmentationConfig": {}}
response = sg_client.start_earth_observation_job(
Name="lake-mead-landcover",
InputConfig=eoj_input_config,
JobConfig=eoj_config,
ExecutionRoleArn=execution_role,
)
```
Nachdem Ihr EOJ erstellt wurde, wird `Arn` an Sie zurückgegeben. Sie verwenden den `Arn`, um einen Job zu identifizieren und weitere Operationen durchzuführen. Um den Status eines Auftrags abzurufen, können Sie `sg_client.get_earth_observation_job(Arn = response['Arn'])` ausführen.
Das folgende Beispiel zeigt, wie Sie den Status eines EOJ abfragen, bis es abgeschlossen ist.
```
eoj_arn = response["Arn"]
job_details = sg_client.get_earth_observation_job(Arn=eoj_arn)
{k: v for k, v in job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}
# List all jobs in the account
sg_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]
```
Nachdem das EOJ abgeschlossen ist, können Sie die EOJ-Ausgaben direkt im Notebook visualisieren. Das folgende Beispiel zeigt, wie eine interaktive Karte gerendert werden kann.
```
map = sagemaker_geospatial_map.create_map({
'is_raster': True
})
map.set_sagemaker_geospatial_client(sg_client)
# render the map
map.render()
```
Das folgende Beispiel zeigt, wie die Karte auf einen Interessenbereich zentriert werden kann und die Eingabe und Ausgabe des EOJ als separate Ebenen innerhalb der Karte gerendert werden können.
```
# visualize the area of interest
config = {"label": "Lake Mead AOI"}
aoi_layer = map.visualize_eoj_aoi(Arn=eoj_arn, config=config)
# Visualize input.
time_range_filter = {
"start_date": "2022-07-01T00:00:00Z",
"end_date": "2022-07-10T23:59:59Z",
}
config = {"label": "Input"}
input_layer = map.visualize_eoj_input(
Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)
# Visualize output, EOJ needs to be in completed status.
time_range_filter = {
"start_date": "2022-07-01T00:00:00Z",
"end_date": "2022-07-10T23:59:59Z",
}
config = {"preset": "singleBand", "band_name": "mask"}
output_layer = map.visualize_eoj_output(
Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)
```
Sie können die `export_earth_observation_job` Funktion verwenden, um die EOJ-Ergebnisse in Ihren Amazon-S3-Bucket zu exportieren. Die Exportfunktion macht es einfach, Ergebnisse teamübergreifend zu teilen. SageMaker KI vereinfacht auch die Datensatzverwaltung. Wir können die EOJ-Ergebnisse einfach mithilfe des Job-ARN teilen, anstatt Tausende von Dateien im S3-Bucket zu crawlen. Jedes EOJ wird zu einem Asset im Datenkatalog, da die Ergebnisse nach dem Job-ARN gruppiert werden können. Das folgende Beispiel zeigt, wie Sie die Ergebnisse eines EOJ exportieren können.
```
sagemaker_session = sagemaker.Session()
s3_bucket_name = sagemaker_session.default_bucket() # Replace with your own bucket if needed
s3_bucket = session.resource("s3").Bucket(s3_bucket_name)
prefix = "eoj_lakemead" # Replace with the S3 prefix desired
export_bucket_and_key = f"s3://{s3_bucket_name}/{prefix}/"
eoj_output_config = {"S3Data": {"S3Uri": export_bucket_and_key}}
export_response = sg_client.export_earth_observation_job(
Arn=eoj_arn,
ExecutionRoleArn=execution_role,
OutputConfig=eoj_output_config,
ExportSourceImages=False,
)
```
Sie können den Status Ihres Exportauftrags mithilfe des folgenden Snippets überwachen.
```
# Monitor the export job status
export_job_details = sg_client.get_earth_observation_job(Arn=export_response["Arn"])
{k: v for k, v in export_job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}
```
Nach dem Löschen des EOJ werden Ihnen keine Speichergebühren berechnet.
Ein Beispiel, das zeigt, wie ein EOJ ausgeführt wird, finden Sie in diesem [Blogbeitrag](https://aws.amazon.com/blogs/machine-learning/monitoring-lake-mead-drought-using-the-new-amazon-sagemaker-geospatial-capabilities/).
Weitere Notizbücher zu SageMaker Geodatenfunktionen finden Sie in diesem [GitHub Repository](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-geospatial).
# Arten von Operationen
Wenn Sie ein EOJ erstellen, wählen Sie eine Operation basierend auf Ihrem Anwendungsfall aus. Die SageMaker Geospatial-Funktionen von Amazon bieten eine Kombination aus speziell entwickelten Vorgängen und vortrainierten Modellen. Sie können diese Operationen verwenden, um die Auswirkungen von Umweltveränderungen und menschlichen Aktivitäten im Laufe der Zeit zu verstehen oder wolken- und wolkenfreie Pixel zu identifizieren.
**Cloud-Maskierung**
Die Identifizierung von Wolken in Satellitenbildern ist ein wichtiger Vorverarbeitungsschritt bei der Erstellung hochwertiger Geodaten. Das Ignorieren von Wolkenpixeln kann zu Analysefehlern führen, und eine übermäßige Erkennung von Wolkenpixeln kann die Anzahl gültiger Beobachtungen verringern. Durch Wolkenmaskierung können wolkige und wolkenfreie Pixel in Satellitenbildern identifiziert werden. Eine genaue Wolkenmaske hilft dabei, Satellitenbilder für die Verarbeitung zu erhalten, und verbessert die Datengenerierung. Im Folgenden finden Sie die Klassenübersicht für Cloud-Maskierung.
```
{
0: "No_cloud",
1: "cloud"
}
```
**Entfernung von Wolken**
Die Wolkenentfernung für Sentinel-2-Daten verwendet ein ML-basiertes semantisches Segmentierungsmodell, um Wolken im Bild zu identifizieren. Getrübte Pixel können durch Pixel aus anderen Zeitstempeln ersetzt werden. Die USGS Landsat-Daten enthalten Landsat-Metadaten, die zur Wolkenentfernung verwendet werden.
**Zeitliche Statistik**
Mit temporalen Statistiken werden Statistiken für Geodaten im Zeitverlauf berechnet. Die derzeit unterstützten zeitlichen Statistiken umfassen Mittelwert, Median und Standardabweichung. Sie können diese Statistiken berechnen, indem Sie `GROUPBY` verwenden und es entweder auf `all` oder auf `yearly` einstellen. Sie können auch die `TargetBands` erwähnen.
**Zonale Statistik**
Bei der zonalen Statistik werden statistische Operationen für einen bestimmten Bereich im Bild ausgeführt.
**Resampling**
Resampling wird verwendet, um die Auflösung eines Geobildes herauf- und herunter zu skalieren. Das `value` Attribut beim Resampling stellt die Länge einer Seite des Pixels dar.
**Geomosaik**
Mit Geomosaic können Sie kleinere Bilder zu einem großen Bild zusammenfügen.
**Stapeln von Bändern**
Beim Bandstapeln werden mehrere Bildbänder als Eingabe verwendet und zu einem einzigen GeoTIFF gestapelt. Das `OutputResolution`-Attribut bestimmt die Auflösung des Ausgabebilds. Basierend auf den Auflösungen der Eingabebilder können Sie sie auf `lowest`, `highest` oder `average` einstellen.
**Band-Mathematik**
Bandmathematik, auch bekannt als Spektralindex, ist ein Verfahren, bei dem die Beobachtungen von mehreren Spektralbändern in ein einzelnes Band umgewandelt werden, wodurch die relative Fülle der interessierenden Merkmale angegeben wird. Beispielsweise sind der Normalized Difference Vegetation Index (NDVI) und der Enhanced Vegetation Index (EVI) hilfreich, um das Vorhandensein grüner Vegetationsmerkmale zu beobachten.
**Segmentierung der Landbedeckung**
Die Segmentierung der Landbedeckung ist ein semantisches Segmentierungsmodell, mit dem physische Materialien wie Vegetation, Wasser und nackter Boden auf der Erdoberfläche identifiziert werden können. Eine genaue Methode zur Kartierung der Landbedeckungsmuster hilft Ihnen, die Auswirkungen von Umweltveränderungen und menschlichen Aktivitäten im Laufe der Zeit zu verstehen. Die Segmentierung der Landbedeckung wird häufig für die Regionalplanung, die Katastrophenabwehr, das ökologische Management und die Umweltverträglichkeitsprüfung verwendet. Im Folgenden finden Sie die Klassenübersicht für die Segmentierung der Landbedeckung.
```
{
0: "No_data",
1: "Saturated_or_defective",
2: "Dark_area_pixels",
3: "Cloud_shadows",
4: "Vegetation",
5: "Not_vegetated",
6: "Water",
7: "Unclassified",
8: "Cloud_medium_probability",
9: "Cloud_high_probability",
10: "Thin_cirrus",
11: "Snow_ice"
}
```
## Verfügbarkeit von EOJ Operations
Die Verfügbarkeit von Vorgängen hängt davon ab, ob Sie die SageMaker Geospatial-Benutzeroberfläche oder die Amazon SageMaker Studio Classic-Notizbücher mit einem SageMaker Geodatenbild verwenden. Derzeit unterstützen Notebooks alle Funktionen. Zusammenfassend lässt sich sagen, dass die folgenden Geodatenoperationen von KI unterstützt werden: SageMaker
| Operationen | Description | Verfügbarkeit |
| --- | --- | --- |
| Cloud-Maskierung | Identifizieren Sie wolkenfreie und wolkenfreie Pixel, um bessere und genauere Satellitenbilder zu erhalten. | Benutzeroberfläche, Notebook |
| Entfernung von Wolken | Entfernen Sie Pixel, die Teile einer Wolke enthalten, aus Satellitenbildern. | Notebook |
| Temporäre Statistik | Berechnet Statistiken im Zeitverlauf für ein bestimmtes GeoTIFF. | Notebook |
| Zonenbasierte Statistiken | Berechnet Statistiken über benutzerdefinierte Regionen. | Notebook |
| Resampling | Skalieren Sie Bilder auf verschiedene Auflösungen. | Notebook |
| Geomosaik | Kombinieren Sie mehrere Bilder für mehr Genauigkeit. | Notebook |
| Stapeln von Bändern | Kombinieren Sie mehrere Spektralbänder, um ein einziges Bild zu erstellen. | Notebook |
| Bandmathematik/Spektralindex | Ermitteln Sie eine Kombination von Spektralbändern, die die Fülle der interessierenden Merkmale angeben. | Benutzeroberfläche, Notebook |
| Segmentierung der Landbedeckung | Identifizieren Sie Landbedeckungstypen wie Vegetation und Wasser in Satellitenbildern. | Benutzeroberfläche, Notebook |