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.
# Erste Schritte mit Amazon SageMaker Geospatial
SageMaker Geospatial bietet einen speziell entwickelten **Image** - und **Instance-Typ** für Amazon SageMaker Studio Classic-Notebooks. **Sie können entweder CPU- oder GPU-fähige Notebooks mit dem SageMaker Geospatial Image verwenden.** Sie können Ihre Geodaten auch mit einem speziell entwickelten Visualizer visualisieren. Darüber hinaus können Sie mit SageMaker Geospatial auch APIs Rasterdatensammlungen abfragen. Sie können auch vortrainierte Modelle verwenden, um Geodaten zu analysieren, Geokodierung rückgängig zu machen und Karten abzugleichen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Wenn Sie vor dem 30. November 2023 eine Amazon SageMaker AI-Domain erstellt haben, bleibt Studio Classic das Standarderlebnis. Domains, die nach dem 30. November 2023 erstellt wurden, verwenden standardmäßig das neue Studio-Erlebnis.
Gehen Sie wie folgt vor, um auf Amazon SageMaker Geospatial zuzugreifen und mit der Nutzung zu beginnen:
**Topics**
+ [Zugreifen auf Geospatial SageMaker](access-studio-classic-geospatial.md)
+ [Erstellen Sie ein Amazon SageMaker Studio Classic-Notizbuch mithilfe des Geodatenbilds](geospatial-launch-notebook.md)
+ [Greifen Sie auf die Sentinel-2-Rasterdatensammlung zu und erstellen Sie einen Erdbeobachtungsauftrag zur Landsegmentierung](geospatial-demo.md)
# Zugreifen auf Geospatial SageMaker
**Anmerkung**
Derzeit werden SageMaker Geodatenfunktionen nur in der Region USA West (Oregon) und in Studio Classic unterstützt.
Wenn die SageMaker Geospatial-Benutzeroberfläche in Ihrer aktuellen Studio Classic-Instanz nicht verfügbar ist, überprüfen Sie, ob Sie sich derzeit in der Region USA West (Oregon) befinden.
Für den Zugriff auf SageMaker Geospatial ist eine Domäne erforderlich. Wenn Sie vor dem 30. November 2023 eine Domain erstellt haben, ist das Standardkonfiguration Studio Classic.
Wenn Sie eine Domäne nach dem 30. November 2023 erstellt haben oder wenn Sie zu Studio migriert sind, können Sie das folgende Verfahren verwenden, um Studio Classic von Studio aus zu aktivieren, um SageMaker Geodatenfunktionen zu verwenden.
Weitere Informationen zum Erstellen einer Domain finden Sie unter [Onboard to Amazon SageMaker AI domain](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html).
**So greifen Sie von Studio aus auf Studio Classic zu**
1. Starten Sie Amazon SageMaker Studio.
1. Wählen Sie unter **Anwendungen** die Option **Studio Classic** aus.
1. Wählen Sie dann **Studio-Classic-Bereich erstellen** aus.
1. Geben Sie auf der Seite **Studio-Classic-Bereich erstellen** einen **Namen** ein.
1. Deaktivieren Sie die Option **Mit meiner Domain teilen**. SageMaker Geospatial ist in gemeinsam genutzten Domänen nicht verfügbar.
1. Wählen Sie dann **Bereich erstellen** aus.
Bei Erfolg ändert sich der **Status** zu **Wird aktualisiert**. Wenn Ihre Studio-Classic-Anwendung einsatzbereit ist, ändert sich der Status in **Gestoppt**.
Um Ihre Studio-Classic-Anwendung zu starten, wählen Sie **Ausführen** aus.
# Erstellen Sie ein Amazon SageMaker Studio Classic-Notizbuch mithilfe des Geodatenbilds
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
**Anmerkung**
Derzeit werden SageMaker Geodaten nur in der Region USA West (Oregon) unterstützt.
Wenn Sie in Ihrer aktuellen Domain oder Notebook-Instanz nicht sehen, dass SageMaker Geodaten in Ihrer aktuellen Domain oder Notebook-Instanz verfügbar sind, stellen Sie sicher, dass Sie sich derzeit in der Region USA West (Oregon) befinden.
Gehen Sie wie folgt vor, um ein Studio Classic-Notizbuch mit dem SageMaker Geodatenbild zu erstellen. Wenn Sie Studio als Standardversion verwenden, finden Sie unter [Zugreifen auf Geospatial SageMaker](access-studio-classic-geospatial.md) weitere Informationen zum Starten einer Studio-Classic-Anwendung.
**So erstellen Sie ein Studio Classic-Notizbuch mit dem SageMaker Geodatenbild**
1. Starten von Studio Classic
1. Wählen Sie in der Menüleiste **Startseite**.
1. Wählen Sie unter **Schnellaktionen** die Option **Launcher öffnen** aus.
1. Wenn das **Launcher**-Dialogfeld geöffnet wird. Wählen Sie unter **Notebooks und Rechenressourcen** die Option **Umgebung ändern** aus.
1. Wenn, wird das Dialogfeld **Umgebung ändern** geöffnet. Wählen Sie das Dropdown-Menü **Bild** und wählen Sie **Geospatial 1.0** aus, oder geben Sie es ein.
![\[Ein Dialogfeld, in dem das richtige Geodatenbild und der gewählte Instance-Typ angezeigt werden.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/geospatial-environment-dialogue.png)
1. Wählen Sie als Nächstes einen **Instance-Typ** aus der Dropdown-Liste aus.
SageMaker Geospatial unterstützt zwei Arten von Notebook-Instanzen: CPU und GPU. Die unterstützte CPU-Instance heißt **ml.geospatial.interactive**. Jede GPU-Instance der G5-Familie kann mit dem Geospatial 1.0-Image verwendet werden.
**Anmerkung**
Wenn Sie beim Versuch, eine GPU-basierte Instanz zu starten, eine ResourceLimitExceededFehlermeldung erhalten, müssen Sie eine Erhöhung des Kontingents beantragen. Informationen zur Beantragung einer Quotenerhöhung für Service Quotas finden Sie unter [Beantragung einer Quotenerhöhung](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) im *Service Quotas-Benutzerhandbuch*
1. Wählen Sie **Select (Auswählen)**.
1. Klicken Sie auf **Create Notebook (Notebook erstellen)**.
Nachdem Sie ein Notizbuch erstellt haben, können Sie das SageMaker Geospatial-Tutorial ausprobieren, um mehr über [SageMaker Geodaten](geospatial-demo.md) zu erfahren. Es zeigt Ihnen, wie Sie Sentinel-2-Bilddaten verarbeiten und mithilfe der API für Erdbeobachtungsjobs eine Landsegmentierung durchführen.
# Greifen Sie auf die Sentinel-2-Rasterdatensammlung zu und erstellen Sie einen Erdbeobachtungsauftrag zur Landsegmentierung
Dieses Python-basierte Tutorial verwendet das SDK für Python (Boto3) und ein Amazon Studio Classic-Notizbuch. SageMaker Um diese Demo erfolgreich abzuschließen, stellen Sie sicher, dass Sie über die erforderlichen AWS Identity and Access Management (IAM-) Berechtigungen für die Verwendung von Geospatial und Studio Classic verfügen. SageMaker SageMaker Geospatial erfordert, dass Sie über einen Benutzer, eine Gruppe oder eine Rolle verfügen, die auf Studio Classic zugreifen können. Sie müssen außerdem über eine SageMaker AI-Ausführungsrolle verfügen, die den Prinzipal des SageMaker Geospatial Service `sagemaker-geospatial.amazonaws.com` in ihrer Vertrauensrichtlinie spezifiziert.
Weitere Informationen zu diesen Anforderungen finden Sie unter [SageMaker Geospatial IAM-Rollen](sagemaker-geospatial-roles.md).
In diesem Tutorial erfahren Sie, wie Sie die SageMaker Geospatial-API verwenden, um die folgenden Aufgaben auszuführen:
+ Finden Sie die verfügbaren Raster-Datensammlungen mit `list_raster_data_collections`.
+ Suchen Sie eine angegebene Raster-Datensammlung mithilfe von `search_raster_data_collection`.
+ Erstellen Sie einen Erdbeobachtungsauftrag (EOJ) mithilfe von `start_earth_observation_job`.
## Verwenden von `list_raster_data_collections`, um verfügbare Datensammlungen zu finden
SageMaker Geospatial unterstützt mehrere Rasterdatensammlungen. Weitere Informationen zu den verfügbaren Datensammlungen finden Sie unter [Datenerfassung](geospatial-data-collections.md).
In dieser Demo werden Satellitendaten verwendet, die von [Sentinel-2Cloud-optimierten GeoTIFF-Satelliten](https://registry.opendata.aws/sentinel-2-l2a-cogs/) gesammelt wurden. Diese Satelliten decken alle fünf Tage die Landoberfläche der Erde weltweit ab. Die Sentinel-2-Satelliten sammeln nicht nur Oberflächenbilder der Erde, sondern auch Daten über eine Vielzahl von Spektralbändern.
Um ein Interessengebiet (AOI) zu durchsuchen, benötigen Sie den ARN, der mit den Sentinel-2-Satellitendaten verknüpft ist. Verwenden Sie den `list_raster_data_collections` API-Vorgang, um die verfügbaren Datensammlungen und die zugehörigen Datensammlungen ARNs in Ihrem AWS-Region zu finden.
Da die Antwort paginiert werden kann, müssen Sie den `get_paginator` Vorgang verwenden, um alle relevanten Daten zurückzugeben:
```
import boto3
import sagemaker
import sagemaker_geospatial_map
import json
## SageMaker Geospatial is currently only avaialable in US-WEST-2
session = boto3.Session(region_name='us-west-2')
execution_role = sagemaker.get_execution_role()
## Creates a SageMaker Geospatial client instance
geospatial_client = session.client(service_name="sagemaker-geospatial")
# Creates a resusable Paginator for the list_raster_data_collections API operation
paginator = geospatial_client.get_paginator("list_raster_data_collections")
# Create a PageIterator from the paginator class
page_iterator = paginator.paginate()
# Use the iterator to iterate throught the results of list_raster_data_collections
results = []
for page in page_iterator:
results.append(page['RasterDataCollectionSummaries'])
print(results)
```
Dies ist ein Beispiel für eine JSON-Antwort aus dem `list_raster_data_collections` API-Vorgang. Sie ist so gekürzt, dass sie nur die Datensammlung (Sentinel-2) enthält, die in diesem Codebeispiel verwendet wird. Weitere Informationen zu einer bestimmten Raster-Datensammlung erhalten Sie mit `get_raster_data_collection`:
```
{
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"Description": "Sentinel-2a and Sentinel-2b imagery, processed to Level 2A (Surface Reflectance) and converted to Cloud-Optimized GeoTIFFs",
"DescriptionPageUrl": "https://registry.opendata.aws/sentinel-2-l2a-cogs",
"Name": "Sentinel 2 L2A COGs",
"SupportedFilters": [
{
"Maximum": 100,
"Minimum": 0,
"Name": "EoCloudCover",
"Type": "number"
},
{
"Maximum": 90,
"Minimum": 0,
"Name": "ViewOffNadir",
"Type": "number"
},
{
"Name": "Platform",
"Type": "string"
}
],
"Tags": {},
"Type": "PUBLIC"
}
```
Nachdem Sie das vorherige Codebeispiel ausgeführt haben, erhalten Sie den ARN der Sentinel-2-Raster-Datensammlung, `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`. Im [nächsten Abschnitt](#demo-search-raster-data) können Sie die Sentinel-2-Datensammlung mithilfe der `search_raster_data_collection` API abfragen.
## Durchsuchen der Sentinel-2 Raster-Datensammlung mit `search_raster_data_collection`
Im vorherigen Abschnitt haben Sie `list_raster_data_collections` den ARN für die Sentinel-2 Datenerfassung abgerufen. Jetzt können Sie diesen ARN verwenden, um die Datensammlung über einen bestimmten Interessenbereich (AOI), einen bestimmten Zeitraum, Eigenschaften und die verfügbaren UV-Bänder zu durchsuchen.
Um die `search_raster_data_collection` API aufzurufen, müssen Sie dem Python `RasterDataCollectionQuery` Parameter ein Wörterbuch übergeben. Dieses Beispiel verwendet `AreaOfInterest`, `TimeRangeFilter`, `PropertyFilters`, und `BandFilter`. Der Einfachheit halber können Sie das Python-Wörterbuch mithilfe der Variablen **search\$1rdc\$1query** angeben, die die Suchabfrageparameter enthalten:
```
search_rdc_query = {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
# coordinates are input as longitute followed by latitude
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2022-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z"
},
"PropertyFilters": {
"Properties": [
{
"Property": {
"EoCloudCover": {
"LowerBound": 0,
"UpperBound": 1
}
}
}
],
"LogicalOperator": "AND"
},
"BandFilter": [
"visual"
]
}
```
In diesem Beispiel fragen Sie einen `AreaOfInterest` ab, der [Lake Mead](https://en.wikipedia.org/wiki/Lake_Mead) in Utah enthält. Darüber hinaus unterstützt Sentinel-2 mehrere Arten von Bildbändern. Um die Veränderung der Wasseroberfläche zu messen, benötigen Sie nur das `visual` Band.
Nachdem Sie die Abfrageparameter erstellt haben, können Sie die `search_raster_data_collection` API verwenden, um die Anfrage zu stellen.
Das folgende Codebeispiel implementiert eine `search_raster_data_collection` API-Anfrage. Diese API unterstützt keine Paginierung mithilfe der `get_paginator` API. Um sicherzustellen, dass die vollständige API-Antwort erfasst wurde, verwendet das Codebeispiel eine `while` Schleife, um zu überprüfen, ob `NextToken` vorhanden ist. Das Codebeispiel wird dann verwendet`.extend()`, um das Satellitenbild URLs und andere Antwortmetadaten an die `items_list` anzuhängen.
Weitere Informationen zu finden Sie [SearchRasterDataCollection](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_SearchRasterDataCollection.html)in der *Amazon SageMaker AI API-Referenz*. `search_raster_data_collection`
```
search_rdc_response = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query
)
## items_list is the response from the API request.
items_list = []
## Use the python .get() method to check that the 'NextToken' exists, if null returns None breaking the while loop
while search_rdc_response.get('NextToken'):
items_list.extend(search_rdc_response['Items'])
search_rdc_response = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query, NextToken=search_rdc_response['NextToken']
)
## Print the number of observation return based on the query
print (len(items_list))
```
Nachfolgend sehen Sie eine JSON-Antwort auf Ihre Abfrage. Sie wurde aus Gründen der Übersichtlichkeit gekürzt. Nur das in der Anfrage angegebene **"BandFilter": ["visual"]** wird im Schlüssel-Wert-Paar `Assets` zurückgegeben:
```
{
'Assets': {
'visual': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/6/S2A_15TUH_20220623_0_L2A/TCI.tif'
}
},
'DateTime': datetime.datetime(2022, 6, 23, 17, 22, 5, 926000, tzinfo = tzlocal()),
'Geometry': {
'Coordinates': [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
],
'Type': 'Polygon'
},
'Id': 'S2A_15TUH_20220623_0_L2A',
'Properties': {
'EoCloudCover': 0.046519,
'Platform': 'sentinel-2a'
}
}
```
Jetzt, wo Sie Ihre Abfrageergebnisse haben, können Sie die Ergebnisse im nächsten Abschnitt visualisieren, indem Sie `matplotlib` verwenden. Auf diese Weise wird überprüft, ob die Ergebnisse aus der richtigen geografischen Region stammen.
## Visualisierung von `search_raster_data_collection` mit `matplotlib`
Bevor Sie mit dem Erdbeobachtungsjob (EOJ) beginnen, können Sie ein Ergebnis unserer Abfrage mit `matplotlib` visualisieren. Das folgende Codebeispiel verwendet das erste Element, `items_list[0]["Assets"]["visual"]["Href"]`, aus der `items_list`-Variablen, die im vorherigen Codebeispiel erstellt wurde, und druckt ein Bild mit `matplotlib`.
```
# Visualize an example image.
import os
from urllib import request
import tifffile
import matplotlib.pyplot as plt
image_dir = "./images/lake_mead"
os.makedirs(image_dir, exist_ok=True)
image_dir = "./images/lake_mead"
os.makedirs(image_dir, exist_ok=True)
image_url = items_list[0]["Assets"]["visual"]["Href"]
img_id = image_url.split("/")[-2]
path_to_image = image_dir + "/" + img_id + "_TCI.tif"
response = request.urlretrieve(image_url, path_to_image)
print("Downloaded image: " + img_id)
tci = tifffile.imread(path_to_image)
plt.figure(figsize=(6, 6))
plt.imshow(tci)
plt.show()
```
Nachdem Sie überprüft haben, ob sich die Ergebnisse in der richtigen geografischen Region befinden, können Sie im nächsten Schritt den Earth Observation Job (EOJ) starten. Sie verwenden das EOJ, um die Gewässer anhand der Satellitenbilder zu identifizieren, indem Sie ein Verfahren verwenden, das als Landsegmentierung bezeichnet wird.
## Starten Sie einen Erdbeobachtungsauftrag (EOJ), der eine Landsegmentierung anhand einer Reihe von Satellitenbildern durchführt
SageMaker Geospatial bietet mehrere vortrainierte Modelle, mit denen Sie Geodaten aus Rasterdatensammlungen verarbeiten können. Weitere Informationen zu den verfügbaren vortrainierten Modellen und benutzerdefinierten Operationen finden Sie unter [Arten von Operationen](geospatial-eoj-models.md).
Um die Veränderung der Wasseroberfläche zu berechnen, müssen Sie ermitteln, welche Pixel in den Bildern Wasser entsprechen. Die Landbedeckungssegmentierung ist ein semantisches Segmentierungsmodell, das von der `start_earth_observation_job` API unterstützt wird. Semantische Segmentierungsmodelle ordnen jedem Pixel in jedem Bild eine Bezeichnung zu. In den Ergebnissen wird jedem Pixel eine Bezeichnung zugewiesen, die auf der Klassenzuweisung für das Modell basiert. Im Folgenden finden Sie die Klassenkarte für das Landsegmentierungsmodell:
```
{
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"
}
```
Verwenden Sie die `start_earth_observation_job` API, um einen Erdbeobachtungsjob zu starten. Beim Senden Ihrer Anfrage müssen Sie Folgendes angeben:
+ `InputConfig`(*dict*) – Wird verwendet, um die Koordinaten des Bereichs, den Sie durchsuchen möchten, und andere Metadaten, die mit Ihrer Suche verknüpft sind, anzugeben.
+ `JobConfig`(*dict*) – Wird verwendet, um den Typ der EOJ-Operation anzugeben, die Sie mit den Daten ausgeführt haben. Dieses Beispiel verwendet **LandCoverSegmentationConfig**.
+ `ExecutionRoleArn`(*string*) — Der ARN der SageMaker AI-Ausführungsrolle mit den erforderlichen Berechtigungen zur Ausführung des Jobs.
+ `Name`(*string*) – Ein Name für den Erdbeobachtungsauftrag.
Das `InputConfig` ist ein Python Wörterbuch. Verwenden Sie die folgende Variable **eoj\$1input\$1config**, um die Suchabfrageparameter zu speichern. Verwenden Sie diese Variable, wenn Sie die `start_earth_observation_job` API-Anfrage stellen. w.
```
# Perform land cover segmentation on images returned from the Sentinel-2 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",
},
}
}
```
Das `JobConfig` ist ein Python Wörterbuch, das verwendet wird, um die EOJ-Operation zu spezifizieren, die Sie für Ihre Daten ausführen möchten:
```
eoj_config = {"LandCoverSegmentationConfig": {}}
```
Nachdem die Wörterbuchelemente jetzt angegeben sind, können Sie Ihre `start_earth_observation_job` API-Anfrage mithilfe des folgenden Codebeispiels einreichen:
```
# Gets the execution role arn associated with current notebook instance
execution_role_arn = sagemaker.get_execution_role()
# Starts an earth observation job
response = sm_geo_client.start_earth_observation_job(
Name="lake-mead-landcover",
InputConfig=eoj_input_config,
JobConfig=eoj_config,
ExecutionRoleArn=execution_role_arn,
)
print(response)
```
Der Job „Eine Erdbeobachtung starten“ gibt einen ARN zusammen mit anderen Metadaten zurück.
Um eine Liste aller laufenden und aktuellen Erdbeobachtungsaufträge abzurufen, verwenden Sie die `list_earth_observation_jobs` API. Verwenden Sie die `get_earth_observation_job` API, um den Status eines einzelnen Erdbeobachtungsauftrags zu überwachen. Verwenden Sie für diese Anfrage den ARN, der nach dem Absenden Ihrer EOJ-Anfrage erstellt wurde. Weitere Informationen finden Sie [GetEarthObservationJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_GetEarthObservationJob.html)in der *Amazon SageMaker AI API-Referenz*.
Um die mit Ihnen ARNs EOJs verbundenen `list_earth_observation_jobs` API-Operationen zu finden. Weitere Informationen finden Sie [ListEarthObservationJobs](https://docs.aws.amazon.com//sagemaker/latest/APIReference/API_geospatial_ListEarthObservationJobs.html)in der *Amazon SageMaker AI API-Referenz*.
```
# List all jobs in the account
sg_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]
```
Nachfolgend finden Sie ein Beispiel einer JSON-Antwort:
```
{
'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/futg3vuq935t',
'CreationTime': datetime.datetime(2023, 10, 19, 4, 33, 54, 21481, tzinfo = tzlocal()),
'DurationInSeconds': 3493,
'Name': 'lake-mead-landcover',
'OperationType': 'LAND_COVER_SEGMENTATION',
'Status': 'COMPLETED',
'Tags': {}
}, {
'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/wu8j9x42zw3d',
'CreationTime': datetime.datetime(2023, 10, 20, 0, 3, 27, 270920, tzinfo = tzlocal()),
'DurationInSeconds': 1,
'Name': 'mt-shasta-landcover',
'OperationType': 'LAND_COVER_SEGMENTATION',
'Status': 'INITIALIZING',
'Tags': {}
}
```
Nachdem der Status Ihres EOJ-Auftrags auf `COMPLETED` geändert wurde, fahren Sie mit dem nächsten Abschnitt fort, um die Änderung der Fläche von Lake Mead's zu berechnen.
## Berechnung der Veränderung der Oberfläche des Mead-Sees
Um die Änderung der Oberfläche von Lake Mead zu berechnen, exportieren Sie zunächst die Ergebnisse des EOJ nach Amazon S3, indem Sie Folgendes verwenden: `export_earth_observation_job`
```
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 = "export-lake-mead-eoj" # 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 = sm_geo_client.export_earth_observation_job(
Arn="arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/7xgwzijebynp",
ExecutionRoleArn=execution_role_arn,
OutputConfig=eoj_output_config,
ExportSourceImages=False,
)
```
Um den Status Ihres Exportauftrags zu sehen, verwenden Sie: `get_earth_observation_job`
```
export_job_details = sm_geo_client.get_earth_observation_job(Arn=export_response["Arn"])
```
Um die Veränderungen des Wasserspiegels von Lake Mead zu berechnen, laden Sie die Landbedeckungsmasken auf die lokale SageMaker Notebook-Instanz herunter und laden Sie die Quellbilder aus unserer vorherigen Abfrage herunter. In der Klassenkarte für das Landsegmentierungsmodell ist der Klassenindex für Wasser 6.
Gehen Sie wie folgt vor, um die Wassermaske aus einem Sentinel-2-Bild zu extrahieren. Zählen Sie zunächst die Anzahl der Pixel, die im Bild als Wasser (Klassenindex 6) markiert sind. Zweitens multiplizieren Sie die Anzahl mit der Fläche, die jedes Pixel abdeckt. Bänder können sich in ihrer räumlichen Auflösung unterscheiden. Für das Modell der Landbedeckungssegmentierung werden alle Bänder auf eine räumliche Auflösung von 60 Metern heruntergerechnet.
```
import os
from glob import glob
import cv2
import numpy as np
import tifffile
import matplotlib.pyplot as plt
from urllib.parse import urlparse
from botocore import UNSIGNED
from botocore.config import Config
# Download land cover masks
mask_dir = "./masks/lake_mead"
os.makedirs(mask_dir, exist_ok=True)
image_paths = []
for s3_object in s3_bucket.objects.filter(Prefix=prefix).all():
path, filename = os.path.split(s3_object.key)
if "output" in path:
mask_name = mask_dir + "/" + filename
s3_bucket.download_file(s3_object.key, mask_name)
print("Downloaded mask: " + mask_name)
# Download source images for visualization
for tci_url in tci_urls:
url_parts = urlparse(tci_url)
img_id = url_parts.path.split("/")[-2]
tci_download_path = image_dir + "/" + img_id + "_TCI.tif"
cogs_bucket = session.resource(
"s3", config=Config(signature_version=UNSIGNED, region_name="us-west-2")
).Bucket(url_parts.hostname.split(".")[0])
cogs_bucket.download_file(url_parts.path[1:], tci_download_path)
print("Downloaded image: " + img_id)
print("Downloads complete.")
image_files = glob("images/lake_mead/*.tif")
mask_files = glob("masks/lake_mead/*.tif")
image_files.sort(key=lambda x: x.split("SQA_")[1])
mask_files.sort(key=lambda x: x.split("SQA_")[1])
overlay_dir = "./masks/lake_mead_overlay"
os.makedirs(overlay_dir, exist_ok=True)
lake_areas = []
mask_dates = []
for image_file, mask_file in zip(image_files, mask_files):
image_id = image_file.split("/")[-1].split("_TCI")[0]
mask_id = mask_file.split("/")[-1].split(".tif")[0]
mask_date = mask_id.split("_")[2]
mask_dates.append(mask_date)
assert image_id == mask_id
image = tifffile.imread(image_file)
image_ds = cv2.resize(image, (1830, 1830), interpolation=cv2.INTER_LINEAR)
mask = tifffile.imread(mask_file)
water_mask = np.isin(mask, [6]).astype(np.uint8) # water has a class index 6
lake_mask = water_mask[1000:, :1100]
lake_area = lake_mask.sum() * 60 * 60 / (1000 * 1000) # calculate the surface area
lake_areas.append(lake_area)
contour, _ = cv2.findContours(water_mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
combined = cv2.drawContours(image_ds, contour, -1, (255, 0, 0), 4)
lake_crop = combined[1000:, :1100]
cv2.putText(lake_crop, f"{mask_date}", (10,50), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA)
cv2.putText(lake_crop, f"{lake_area} [sq km]", (10,100), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA)
overlay_file = overlay_dir + '/' + mask_date + '.png'
cv2.imwrite(overlay_file, cv2.cvtColor(lake_crop, cv2.COLOR_RGB2BGR))
# Plot water surface area vs. time.
plt.figure(figsize=(20,10))
plt.title('Lake Mead surface area for the 2021.02 - 2022.07 period.', fontsize=20)
plt.xticks(rotation=45)
plt.ylabel('Water surface area [sq km]', fontsize=14)
plt.plot(mask_dates, lake_areas, marker='o')
plt.grid('on')
plt.ylim(240, 320)
for i, v in enumerate(lake_areas):
plt.text(i, v+2, "%d" %v, ha='center')
plt.show()
```
Mithilfe von `matplotlib` können Sie die Ergebnisse grafisch visualisieren. Die Grafik zeigt, dass die Oberfläche des Sees Mead von Januar 2021 bis Juli 2022 abgenommen hat.
![\[Ein Balkendiagramm zeigt, dass die Oberfläche von Lake Mead von Januar 2021 bis Juli 2022 abgenommen hat\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/lake-mead-decrease.png)