As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Trabalhos de observação da terra Usando um trabalho de observação da terra (EOJ), você pode adquirir, transformar e visualizar dados geoespaciais para fazer predições. Você pode escolher uma operação com base no seu caso de uso a partir de uma ampla variedade de operações e modelos. Você tem a flexibilidade de escolher sua área de interesse, selecionar os provedores de dados e definir cloud-cover-percentage-based filtros e intervalos de tempo. Depois que a SageMaker IA criar um EOJ para você, você poderá visualizar as entradas e saídas do trabalho usando a funcionalidade de visualização. Um EOJ tem vários casos de uso que incluem comparar o desmatamento ao longo do tempo e diagnosticar a integridade das plantas. Você pode criar um EOJ usando um SageMaker notebook com uma imagem SageMaker geoespacial. Você também pode acessar a interface SageMaker geoespacial como parte da interface do usuário do Amazon SageMaker Studio Classic para ver a lista de todos os seus trabalhos. Você também pode usar a interface do usuário para pausar ou interromper um trabalho em andamento. Você pode escolher um trabalho na lista de EOJ disponíveis para ver o **resumo do trabalho**, os **detalhes do trabalho**, bem como visualizar a **saída do trabalho**. **Topics** + [Crie um Job de observação da Terra usando um notebook Amazon SageMaker Studio Classic com uma imagem SageMaker geoespacial](geospatial-eoj-ntb.md) + [Tipos de operações](geospatial-eoj-models.md) # Crie um Job de observação da Terra usando um notebook Amazon SageMaker Studio Classic com uma imagem SageMaker geoespacial **Para usar um notebook SageMaker Studio Classic com uma imagem SageMaker geoespacial:** 1. No **Inicializador**, escolha **Alterar ambiente** em **Cadernos e recursos de computação**. 1. Em seguida, o diálogo **Alterar ambiente** é aberto. 1. Selecione a lista suspensa **Imagem** e escolha ou **Geoespacial 1.0**. O **tipo de instância** deve ser **ml.geospatial.interactive.** Não altere os valores padrão das outras configurações. 1. Escolha **Selecionar**. 1. Escolha **Criar caderno**. Você pode iniciar um EOJ usando um notebook Amazon SageMaker Studio Classic com uma imagem SageMaker geoespacial usando o código fornecido abaixo. ``` 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") ``` O exemplo a seguir mostra como criar um EOJ na região Oeste dos EUA (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, ) ``` Depois que seu EOJ for criado, o `Arn` será devolvido a você. Você usa o `Arn` para identificar um trabalho e realizar outras operações. Para obter o status de uma tarefa, você pode executar `sg_client.get_earth_observation_job(Arn = response['Arn'])`. O exemplo a seguir mostra como consultar o status de um EOJ até que seja concluído. ``` 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"] ``` Depois que o EOJ for concluído, você poderá visualizar as saídas do EOJ diretamente no caderno. O exemplo a seguir mostra como um mapa interativo pode ser renderizado. ``` map = sagemaker_geospatial_map.create_map({ 'is_raster': True }) map.set_sagemaker_geospatial_client(sg_client) # render the map map.render() ``` O exemplo a seguir mostra como o mapa pode ser centralizado em uma área de interesse e a entrada e saída do EOJ podem ser renderizadas como camadas separadas dentro do mapa. ``` # 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 ) ``` Você pode usar a função `export_earth_observation_job` para exportar os resultados do EOJ para o bucket do Amazon S3. A função de exportação facilita o compartilhamento dos resultados entre as equipes. SageMaker A IA também simplifica o gerenciamento de conjuntos de dados. Podemos simplesmente compartilhar os resultados do EOJ usando o ARN do trabalho, em vez de realizar crawling em milhares de arquivos no bucket do S3. Cada EOJ se torna um ativo no catálogo de dados, pois os resultados podem ser agrupados por ARN do trabalho. O exemplo a seguir mostra como exportar os resultados de um 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, ) ``` Monitore o status da tarefa de exportação usando o seguinte trecho de código: ``` # 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"]} ``` As taxas de armazenamento não são cobradas após a exclusão do EOJ. Para ver um exemplo que mostra como executar um EOJ, consulte esta [postagem no blog](https://aws.amazon.com/blogs/machine-learning/monitoring-lake-mead-drought-using-the-new-amazon-sagemaker-geospatial-capabilities/). [Para obter mais exemplos de notebooks sobre recursos SageMaker geoespaciais, consulte este GitHub repositório.](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-geospatial) # Tipos de operações Ao criar um EOJ, selecione uma operação com base no seu caso de uso. Os recursos SageMaker geoespaciais da Amazon oferecem uma combinação de operações específicas e modelos pré-treinados. Você pode usar essas operações para entender o impacto das mudanças ambientais e das atividades humanas ao longo do tempo ou identificar pixels de nuvem e sem nuvem. **Mascaramento de nuvem** Identificar nuvens em imagens de satélite é uma etapa essencial de pré-processamento na produção de dados geoespaciais de alta qualidade. Ignorar os pixels da nuvem pode levar a erros na análise, e a detecção excessiva dos pixels da nuvem pode diminuir o número de observações válidas. O mascaramento de nuvem tem a capacidade de identificar pixels com e sem nuvens em imagens de satélite. Uma máscara precisa de nuvem ajuda a obter imagens de satélite para processamento e melhora a geração de dados. A seguir está o mapa de classes para mascaramento de nuvem. ``` { 0: "No_cloud", 1: "cloud" } ``` **Remoção de nuvem** A remoção de nuvem para dados do Sentinel-2 usa um modelo de segmentação semântica baseado em ML para identificar nuvens na imagem. Pixels turvos podem ser substituídos por pixels de outros carimbos de data/hora. USGS Landsat os dados contêm metadados do landsat que são usados para remoção da nuvem. **Estatísticas temporais** As estatísticas temporais calculam estatísticas para dados geoespaciais ao longo do tempo. As estatísticas temporais atualmente compatíveis incluem média, mediana e desvio padrão. Você pode calcular essas estatísticas usando `GROUPBY` e configurá-las para `all` ou`yearly`. Você também pode mencionar o `TargetBands`. **Estatísticas zonais** As estatísticas zonais realizam operações estatísticas em uma área especificada na imagem. **Reamostragem** A reamostragem é usada para aumentar e diminuir a resolução de uma imagem geoespacial. O atributo `value` na reamostragem representa o comprimento de um lado do pixel. **Geomosaico** O Geomosaic permite unir imagens menores em uma imagem grande. **Empilhamento de bandas** O empilhamento de bandas usa mais de uma banda de imagem como entrada e as empilha em um único GeoTIFF. O atributo `OutputResolution` determina a resolução da imagem de saída. Com base nas resoluções das imagens de entrada, você pode configurá-lo para `lowest`, `highest` ou `average`. **Matemática da banda** A matemática da banda, também conhecida como Índice Espectral, é um processo de transformar as observações de várias bandas espectrais em uma única banda, indicando a abundância relativa de atributos de interesse. Por exemplo, o Índice de Vegetação por Diferença Normalizada (NDVI) e o Índice de Vegetação Aprimorado (EVI) são úteis para observar a presença de atributos de vegetação verde. **Segmentação da cobertura do solo** A segmentação da cobertura do solo terra é um modelo de segmentação semântica que tem a capacidade de identificar o material físico, como vegetação, água e solo descoberto, na superfície da terra. Ter uma forma precisa de mapear os padrões de cobertura do solo ajuda você a entender o impacto das mudanças ambientais e das atividades humanas ao longo do tempo. A segmentação da cobertura do solo é frequentemente usada para planejamento de regiões, resposta a desastres, gestão ecológica e avaliação de impacto ambiental. A seguir está o mapa de classes para segmentação da cobertura do solo. ``` { 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" } ``` ## Disponibilidade das operações do EOJ A disponibilidade das operações depende se você está usando a interface SageMaker geoespacial ou os notebooks Amazon SageMaker Studio Classic com uma imagem SageMaker geoespacial. Atualmente, os cadernos são compatíveis com todas as funcionalidades. Resumindo, as seguintes operações geoespaciais são suportadas pela SageMaker IA: | Operações | Description | Disponibilidade | | --- | --- | --- | | Mascaramento de nuvem | Identifique pixels com e sem nuvem para obter imagens de satélite aprimoradas e precisas. | Interface do usuário, caderno | | Remoção de nuvem | Remova pixels contendo partes de uma nuvem das imagens de satélite. | Caderno | | Estatísticas temporais | Calcule estatísticas ao longo do tempo para um determinado GeoTIFF. | Caderno | | Estatísticas zonais | Calcule estatísticas em regiões definidas pelo usuário. | Caderno | | Reamostragem | Dimensione imagens para diferentes resoluções. | Caderno | | Geomosaico | Combine várias imagens para maior fidelidade. | Caderno | | Empilhamento de bandas | Combine várias bandas espectrais para criar uma única imagem. | Caderno | | Matemática de bandas/Índice espectral | Obtenha uma combinação de bandas espectrais que indiquem a abundância de atributos de interesse. | Interface do usuário, caderno | | Segmentação da cobertura do solo | Identifique os tipos de cobertura da terra, como vegetação e água, em imagens de satélite. | Interface do usuário, caderno |