Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Processi di osservazione della terra
Utilizzando un processo di osservazione della terra (EOJ), puoi acquisire, trasformare e visualizzare dati geospaziali per generare previsioni. Puoi scegliere un'operazione in base al tuo caso d'uso tra un'ampia gamma di operazioni e modelli. Avrai la flessibilità di scegliere l'area di interesse, selezionare i fornitori di dati e impostare filtri e basati su intervalli di tempo. cloud-cover-percentage-based Dopo che l' SageMaker IA ha creato un EOJ per te, puoi visualizzare gli input e gli output del lavoro utilizzando la funzionalità di visualizzazione. Un processo EOJ ha diversi casi d'uso, tra cui il confronto della deforestazione nel tempo e la diagnosi dello stato di salute delle piante. Puoi creare un EOJ utilizzando un notebook con un' SageMaker immagine geospaziale. SageMaker Puoi anche accedere all'interfaccia utente SageMaker geospaziale come parte dell'interfaccia utente di Amazon SageMaker Studio Classic per visualizzare l'elenco di tutti i tuoi lavori. Puoi anche usare l'interfaccia utente per mettere in pausa o arrestare un processo in corso. Puoi scegliere un processo dall'elenco dei processi EOJ disponibili per visualizzare il **riepilogo del processo**, i **dettagli del processo** e l'**output del processo**.
**Topics**
+ [Crea un Job di osservazione della Terra utilizzando un notebook Amazon SageMaker Studio Classic con un'immagine SageMaker geospaziale](geospatial-eoj-ntb.md)
+ [Tipi di operazioni](geospatial-eoj-models.md)
# Crea un Job di osservazione della Terra utilizzando un notebook Amazon SageMaker Studio Classic con un'immagine SageMaker geospaziale
**Per utilizzare un notebook SageMaker Studio Classic con un'immagine geospaziale SageMaker :**
1. Dall’**utilità di avvio**, scegli **Modifica ambiente** in **Notebook e risorse di calcolo**.
1. Viene quindi visualizzata la finestra di dialogo **Modifica ambiente**.
1. Scegli il menu a discesa **Immagine** e seleziona **Geospatial 1.0**. Il **tipo di istanza** deve essere **ml.geospatial.interactive**. Non modificare i valori predefiniti delle altre impostazioni.
1. Scegli **Seleziona**.
1. Seleziona **Crea notebook**.
Puoi avviare un EOJ utilizzando un notebook Amazon SageMaker Studio Classic con un'immagine SageMaker geospaziale utilizzando il codice fornito di seguito.
```
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")
```
Nell'esempio seguente viene illustrato come creare un processo EOJ nella Regione Stati Uniti occidentali (Oregon).
```
#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,
)
```
Una volta creato il processo EOJ, viene restituito l’`Arn`. Puoi utilizzare l’`Arn` per identificare un processo ed eseguire ulteriori operazioni. Per conoscere lo stato di un processo, puoi eseguire `sg_client.get_earth_observation_job(Arn = response['Arn'])`.
L'esempio seguente mostra come eseguire query allo stato di un processo EOJ fino al suo completamento.
```
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"]
```
Una volta completato il processo EOJ, puoi visualizzare gli output EOJ direttamente nel notebook. L'esempio seguente mostra come eseguire il rendering di una mappa interattiva.
```
map = sagemaker_geospatial_map.create_map({
'is_raster': True
})
map.set_sagemaker_geospatial_client(sg_client)
# render the map
map.render()
```
L'esempio seguente mostra come la mappa può essere centrata su un'area di interesse e come l'input e l'output del processo EOJ possono essere renderizzati come livelli separati all'interno della mappa.
```
# 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
)
```
Puoi utilizzare la funzione `export_earth_observation_job` per esportare i risultati del processo EOJ nel tuo bucket Amazon S3. La funzione di esportazione semplifica la condivisione dei risultati tra i team. SageMaker L'intelligenza artificiale semplifica anche la gestione dei set di dati. Puoi condividere facilmente i risultati del processo EOJ utilizzando l’ARN del processo, anziché eseguire il crawling di migliaia di file nel bucket S3. Ogni processo EOJ diventa un asset nel catalogo di dati, poiché i risultati possono essere raggruppati in base all’ARN del processo. Nell'esempio seguente viene mostrato come esportare i risultati di un processo EOJ.
```
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,
)
```
Puoi monitorare lo stato del processo di esportazione utilizzando il seguente snippet.
```
# 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"]}
```
Non ti vengono addebitati costi di archiviazione dopo aver eliminato il processo EOJ.
Per un esempio che mostra come eseguire un processo EOJ, consulta questo [post del blog](https://aws.amazon.com/blogs/machine-learning/monitoring-lake-mead-drought-using-the-new-amazon-sagemaker-geospatial-capabilities/).
[Per altri esempi di notebook sulle funzionalità SageMaker geospaziali, consulta questo repository. GitHub ](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-geospatial)
# Tipi di operazioni
Quando crei un processo EOJ, seleziona un'operazione in base al tuo caso d'uso. Le funzionalità SageMaker geospaziali di Amazon offrono una combinazione di operazioni mirate e modelli pre-addestrati. Puoi utilizzare queste operazioni per comprendere l'impatto dei cambiamenti ambientali e delle attività umane nel tempo o per identificare pixel con nuvole e senza nuvole.
**Mascheramento delle nuvole**
L'identificazione delle nuvole nelle immagini satellitari è una fase di pre-elaborazione essenziale per la produzione di dati geospaziali di qualità elevata. Ignorare i pixel delle nuvole può portare a errori di analisi, mentre un rilevamento eccessivo dei pixel delle nuvole può ridurre il numero di osservazioni valide. Il mascheramento delle nuvole ha la capacità di identificare i pixel con nuvole e senza nuvole nelle immagini satellitari. Una maschera delle nuvole accurata aiuta a ottenere immagini satellitari per l'elaborazione e migliora la generazione di dati. Di seguito è riportata la mappa delle classi per il mascheramento delle nuvole.
```
{
0: "No_cloud",
1: "cloud"
}
```
**Rimozione delle nuvole**
La rimozione delle nuvole per i dati di Sentinel-2 utilizza un modello di segmentazione semantica basato su ML per identificare le nuvole nell'immagine. I pixel con le nuvole possono essere sostituiti con pixel di altri timestamp. I dati USGS Landsat contengono metadati landsat utilizzati per la rimozione delle nuvole.
**Statistiche temporali**
Le statistiche temporali calcolano le statistiche per i dati geospaziali nel tempo. Le statistiche temporali attualmente supportate includono la media, la mediana e la deviazione standard. Puoi calcolare queste statistiche utilizzando `GROUPBY` e impostarle su `all` o `yearly`. Puoi anche menzionare `TargetBands`.
**Statistiche zonali**
Le statistiche zonali eseguono operazioni statistiche su un'area specifica dell'immagine.
**Ricampionamento**
Il ricampionamento viene utilizzato per aumentare e ridurre la risoluzione di un'immagine geospaziale. L'attributo `value` nel ricampionamento rappresenta la lunghezza di un lato del pixel.
**Geomosaico**
Il geomosaico consente di unire immagini più piccole a un'immagine più grande.
**Impilamento di bande**
L’impilamento di bande utilizza più di una banda di immagini come input e le impila in un GeoTIFF singolo. L'attributo `OutputResolution` determina la risoluzione dell'immagine di output. In base alla risoluzione delle immagini di input, puoi impostarlo su `lowest`, `highest` o`average`.
**Band Math**
Lo strumento Band Math, noto anche come indice spettrale, è un processo di trasformazione delle osservazioni da più bande spettrali a una singola banda e indica l’abbondanza relativa di caratteristiche di interesse. Ad esempio, l’indice di vegetazione della differenza normalizzata (NDVI) e l'indice di vegetazione potenziato (EVI) sono utili per osservare la presenza di vegetazione.
**Segmentazione della copertura del suolo**
La segmentazione della copertura del suolo è un modello di segmentazione semantica che ha la capacità di identificare il materiale fisico, come vegetazione, acqua e terreno nudo, sulla superficie terrestre. Disporre di un metodo preciso per mappare i modelli di copertura del suolo aiuta a comprendere l'impatto dei cambiamenti ambientali e delle attività umane nel tempo. La segmentazione della copertura del suolo viene spesso utilizzata per la pianificazione regionale, la risposta alle catastrofi, la gestione ecologica e la valutazione dell'impatto ambientale. Di seguito è riportata la mappatura per la segmentazione della copertura del suolo.
```
{
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"
}
```
## Disponibilità di operazioni per processi EOJ
La disponibilità delle operazioni dipende dal fatto che tu stia utilizzando l'interfaccia utente SageMaker geospaziale o i notebook Amazon SageMaker Studio Classic con un'immagine geospaziale. SageMaker Attualmente, i notebook supportano tutte le funzionalità. Per riassumere, le seguenti operazioni geospaziali sono supportate dall'intelligenza artificiale: SageMaker
| Operazioni | Description | Disponibilità |
| --- | --- | --- |
| Mascheramento delle nuvole | Identifica i pixel con nuvole e senza nuvole per ottenere immagini satellitari migliorate e accurate. | Interfaccia utente, notebook |
| Rimozione delle nuvole | Rimuove i pixel contenenti parti di nuvole dalle immagini satellitari. | Notebook |
| Statistiche temporali | Calcola le statistiche nel tempo per un determinato GeoTIFF. | Notebook |
| Statistiche zonali | Calcola le statistiche sulle regioni definite dall'utente. | Notebook |
| Ricampionamento | Ridimensiona le immagini a diverse risoluzioni. | Notebook |
| Geomosaico | Combina più immagini, per una maggiore fedeltà. | Notebook |
| Impilamento di bande | Combina più bande spettrali per creare un'unica immagine. | Notebook |
| Band Math/Indice spettrale | Genera una combinazione di bande spettrali che indicano l'abbondanza di caratteristiche di interesse. | Interfaccia utente, notebook |
| Segmentazione della copertura del suolo | Identifica i tipi di copertura del suolo, come vegetazione e acqua, nelle immagini satellitari. | Interfaccia utente, notebook |