Αυτή είναι μια guest post που συνυπογράφουν οι Shravan Kumar και Avirat S από την Gramener.

Γραμματέας, μια Στρέιβ εταιρεία, συμβάλλει στη βιώσιμη ανάπτυξη εστιάζοντας στη γεωργία, τη δασοκομία, τη διαχείριση των υδάτων και τις ανανεώσιμες πηγές ενέργειας. Παρέχοντας στις αρχές τα εργαλεία και τις γνώσεις που χρειάζονται για να λαμβάνουν τεκμηριωμένες αποφάσεις σχετικά με τις περιβαλλοντικές και κοινωνικές επιπτώσεις, η Gramener διαδραματίζει ζωτικό ρόλο στην οικοδόμηση ενός πιο βιώσιμου μέλλοντος.

Οι αστικές θερμικές νησίδες (UHI) είναι περιοχές εντός πόλεων που παρουσιάζουν σημαντικά υψηλότερες θερμοκρασίες από τις γύρω αγροτικές περιοχές. Τα UHI αποτελούν μια αυξανόμενη ανησυχία επειδή μπορούν να οδηγήσουν σε διάφορα περιβαλλοντικά και υγειονομικά ζητήματα. Για να αντιμετωπίσει αυτήν την πρόκληση, η Gramener έχει αναπτύξει μια λύση που χρησιμοποιεί χωρικά δεδομένα και προηγμένες τεχνικές μοντελοποίησης για την κατανόηση και τον μετριασμό των ακόλουθων επιπτώσεων UHI:

• Απόκλιση θερμοκρασίας – Οι UHI μπορούν να προκαλέσουν μεγαλύτερη θερμοκρασία στις αστικές περιοχές από τις γύρω αγροτικές περιοχές.
• Επιπτώσεις στην υγεία – Οι υψηλότερες θερμοκρασίες στα UHI συμβάλλουν σε αύξηση 10-20% των ασθενειών και των θανάτων που σχετίζονται με τη ζέστη.
• Κατανάλωση ενέργειας - Τα UHI ενισχύουν τις απαιτήσεις κλιματισμού, με αποτέλεσμα την αύξηση της κατανάλωσης ενέργειας έως και 20%.
• Η ποιότητα του αέρα - Τα UHI επιδεινώνουν την ποιότητα του αέρα, οδηγώντας σε υψηλά επίπεδα αιθαλομίχλης και σωματιδίων, τα οποία μπορεί να αυξήσουν τα αναπνευστικά προβλήματα.
• Οικονομική επίδραση – Οι UHI μπορούν να οδηγήσουν σε δισεκατομμύρια δολάρια σε πρόσθετο ενεργειακό κόστος, ζημιές σε υποδομές και δαπάνες υγειονομικής περίθαλψης.

Η λύση GeoBox της Gramener δίνει τη δυνατότητα στους χρήστες να αξιοποιούν και να αναλύουν αβίαστα δημόσια γεωχωρικά δεδομένα μέσω του ισχυρού API της, επιτρέποντας την απρόσκοπτη ενσωμάτωση στις υπάρχουσες ροές εργασίας. Αυτό απλοποιεί την εξερεύνηση και εξοικονομεί πολύτιμο χρόνο και πόρους, επιτρέποντας στις κοινότητες να εντοπίζουν γρήγορα τα hotspot UHI. Στη συνέχεια, το GeoBox μετατρέπει τα ανεπεξέργαστα δεδομένα σε αξιόπιστες πληροφορίες που παρουσιάζονται σε φιλικές προς το χρήστη μορφές όπως ράστερ, GeoJSON και Excel, διασφαλίζοντας σαφή κατανόηση και άμεση εφαρμογή των στρατηγικών μετριασμού του UHI. Αυτό δίνει τη δυνατότητα στις κοινότητες να λαμβάνουν τεκμηριωμένες αποφάσεις και να εφαρμόζουν πρωτοβουλίες βιώσιμης αστικής ανάπτυξης, υποστηρίζοντας τελικά τους πολίτες μέσω της βελτιωμένης ποιότητας του αέρα, της μειωμένης κατανάλωσης ενέργειας και ενός πιο δροσερού, πιο υγιεινού περιβάλλοντος.

Αυτή η ανάρτηση δείχνει πώς η λύση GeoBox της Gramener χρησιμοποιεί γεωχωρικές δυνατότητες του Amazon SageMaker για να εκτελέσετε ανάλυση παρατήρησης της γης και να ξεκλειδώσετε πληροφορίες UHI από δορυφορικές εικόνες. Οι γεωχωρικές δυνατότητες του SageMaker καθιστούν εύκολο για τους επιστήμονες δεδομένων και τους μηχανικούς μηχανικής μάθησης (ML) να κατασκευάσουν, να εκπαιδεύσουν και να αναπτύξουν μοντέλα χρησιμοποιώντας γεωχωρικά δεδομένα. Οι γεωχωρικές δυνατότητες του SageMaker σάς επιτρέπουν να μετασχηματίζετε και να εμπλουτίζετε αποτελεσματικά γεωχωρικά σύνολα δεδομένων μεγάλης κλίμακας και να επιταχύνετε την ανάπτυξη προϊόντων και τον χρόνο για να αποκτήσετε πληροφορίες με προεκπαιδευμένα μοντέλα ML.

Επισκόπηση λύσεων

Το Geobox στοχεύει να αναλύσει και να προβλέψει το φαινόμενο UHI αξιοποιώντας χωρικά χαρακτηριστικά. Βοηθά στην κατανόηση του τρόπου με τον οποίο οι προτεινόμενες αλλαγές υποδομής και χρήσης γης μπορούν να επηρεάσουν τα πρότυπα UHI και προσδιορίζει τους βασικούς παράγοντες που επηρεάζουν το UHI. Αυτό το αναλυτικό μοντέλο παρέχει ακριβείς εκτιμήσεις της θερμοκρασίας της επιφάνειας της γης (LST) σε κοκκώδες επίπεδο, επιτρέποντας στον Gramener να ποσοτικοποιήσει τις αλλαγές στο φαινόμενο UHI με βάση τις παραμέτρους (ονομασίες δεικτών και δεδομένα που χρησιμοποιούνται).

Το Geobox επιτρέπει στα τμήματα της πόλης να κάνουν τα εξής:

• Βελτιωμένη προσαρμογή στο κλίμα σχεδιασμό – Οι ενημερωμένες αποφάσεις μειώνουν τον αντίκτυπο των ακραίων θερμοκρασιών.
• Υποστήριξη για την επέκταση των χώρων πρασίνου – Περισσότεροι χώροι πρασίνου βελτιώνουν την ποιότητα του αέρα και την ποιότητα ζωής.
• Ενισχυμένη διυπηρεσιακή συνεργασία – Οι συντονισμένες προσπάθειες βελτιώνουν τη δημόσια ασφάλεια.
• Στρατηγική ετοιμότητα έκτακτης ανάγκης – Ο στοχευμένος σχεδιασμός μειώνει την πιθανότητα έκτακτης ανάγκης.
• Συνεργασία υπηρεσιών υγείας – Η συνεργασία οδηγεί σε πιο αποτελεσματικές παρεμβάσεις στον τομέα της υγείας.

Ροή εργασιών λύσης

Σε αυτήν την ενότητα, συζητάμε πώς συνεργάζονται τα διαφορετικά στοιχεία, από την απόκτηση δεδομένων έως τη χωρική μοντελοποίηση και πρόβλεψη, που χρησιμεύουν ως ο πυρήνας της λύσης UHI. Η λύση ακολουθεί μια δομημένη ροή εργασίας, με κύρια εστίαση στην αντιμετώπιση των UHI σε μια πόλη του Καναδά.

Φάση 1: Διοχέτευση δεδομένων

Ο δορυφόρος Landsat 8 καταγράφει λεπτομερείς εικόνες της περιοχής ενδιαφέροντος κάθε 15 ημέρες στις 11:30 π.μ., παρέχοντας μια ολοκληρωμένη άποψη του τοπίου και του περιβάλλοντος της πόλης. Δημιουργείται ένα σύστημα πλέγματος με μέγεθος πλέγματος 48 μέτρων χρησιμοποιώντας τη βιβλιοθήκη Supermercado Python του Mapbox στο επίπεδο ζουμ 19, επιτρέποντας ακριβή χωρική ανάλυση.

Φάση 2: Διερευνητική ανάλυση

Ενσωματώνοντας επίπεδα υποδομών και πληθυσμιακών δεδομένων, το Geobox δίνει τη δυνατότητα στους χρήστες να οπτικοποιήσουν τη μεταβλητή κατανομή της πόλης και να αντλήσουν αστική μορφολογικές γνώσεις, επιτρέποντας μια ολοκληρωμένη ανάλυση της δομής και της ανάπτυξης της πόλης.

Επίσης, οι εικόνες Landsat από τη φάση 1 χρησιμοποιούνται για την εξαγωγή πληροφοριών όπως ο Δείκτης Κανονικής Διαφοράς Βλάστησης (NDVI) και ο Δείκτης Ομαλοποιημένης Δόμησης Διαφοράς (NDBI), με τα δεδομένα να κλιμακώνονται σχολαστικά στο πλέγμα των 48 μέτρων για συνέπεια και ακρίβεια.

Χρησιμοποιούνται οι ακόλουθες μεταβλητές:

• Θερμοκρασία επιφάνειας γης
• Κάλυψη εργοταξίου
• NDVI
• Κάλυψη δομικών στοιχείων
• NDBI
• Κτίριο
• Αλμπέο
• Καταμέτρηση κτιρίων
• Τροποποιημένος δείκτης κανονικοποιημένης διαφοράς νερού (MNDWI)
• Ύψος κτιρίου
• Αριθμός ορόφων και επιφάνεια ορόφων
• Αναλογία επιφάνειας δαπέδου

Φάση 3: Μοντέλο ανάλυσης

Αυτή η φάση περιλαμβάνει τρεις ενότητες, που χρησιμοποιούν μοντέλα ML σε δεδομένα για να αποκτήσουν γνώσεις για το LST και τη σχέση του με άλλους παράγοντες επιρροής:

• Ενότητα 1: Ζωνικές στατιστικές και συνάθροιση – Οι στατιστικές ζωνών διαδραματίζουν ζωτικό ρόλο στον υπολογισμό στατιστικών στοιχείων χρησιμοποιώντας τιμές από το ράστερ τιμών. Περιλαμβάνει την εξαγωγή στατιστικών δεδομένων για κάθε ζώνη με βάση το ράστερ ζώνης. Η συγκέντρωση πραγματοποιείται σε ανάλυση 100 μέτρων, επιτρέποντας μια ολοκληρωμένη ανάλυση των δεδομένων.
• Ενότητα 2: Χωρική μοντελοποίηση – Ο Gramener αξιολόγησε τρία μοντέλα παλινδρόμησης (γραμμικά, χωρικά και χωρικά σταθερά εφέ) για να ξεδιαλύνει τη συσχέτιση μεταξύ της θερμοκρασίας επιφάνειας γης (LST) και άλλων μεταβλητών. Μεταξύ αυτών των μοντέλων, το μοντέλο χωρικής σταθερής επίδρασης απέδωσε την υψηλότερη μέση τιμή στο τετράγωνο R, ιδιαίτερα για το χρονικό πλαίσιο που εκτείνεται από το 2014 έως το 2020.
• Ενότητα 3: Πρόβλεψη μεταβλητών – Για να προβλέψει τις μεταβλητές βραχυπρόθεσμα, ο Gramener χρησιμοποίησε τεχνικές εκθετικής εξομάλυνσης. Αυτές οι προβλέψεις βοήθησαν στην κατανόηση των μελλοντικών τιμών LST και των τάσεων τους. Επιπλέον, εμβαθύνουν σε μακροπρόθεσμη ανάλυση κλίμακας χρησιμοποιώντας δεδομένα Αντιπροσωπευτικής Διαδρομής Συγκέντρωσης (RCP8.5) για να προβλέψουν τις τιμές LST για εκτεταμένες περιόδους.

Η απόκτηση δεδομένων και η προεπεξεργασία

Για την υλοποίηση των λειτουργικών μονάδων, ο Gramener χρησιμοποίησε το γεωχωρικό σημειωματάριο SageMaker μέσα Στούντιο Amazon SageMaker. Ο πυρήνας του γεωχωρικού σημειωματάριου είναι προεγκατεστημένος με γεωχωρικές βιβλιοθήκες που χρησιμοποιούνται συνήθως, επιτρέποντας την άμεση οπτικοποίηση και επεξεργασία των γεωχωρικών δεδομένων εντός του περιβάλλοντος σημειωματάριου Python.

Ο Gramener χρησιμοποίησε διάφορα σύνολα δεδομένων για να προβλέψει τις τάσεις του LST, συμπεριλαμβανομένων των δεδομένων εκτίμησης κτιρίου και θερμοκρασίας, καθώς και δορυφορικών εικόνων. Το κλειδί για τη λύση UHI ήταν η χρήση δεδομένων από τον δορυφόρο Landsat 8. Αυτός ο δορυφόρος απεικόνισης της γης, μια κοινή επιχείρηση των USGS και NASA, χρησίμευσε ως θεμελιώδες στοιχείο του έργου.

Με την SearchRasterDataCollection Το API, το SageMaker παρέχει μια ειδικά σχεδιασμένη λειτουργία για να διευκολύνει την ανάκτηση δορυφορικών εικόνων. Η Gramener χρησιμοποίησε αυτό το API για να ανακτήσει δορυφορικά δεδομένα Landsat 8 για τη λύση UHI.

Η SearchRasterDataCollection Το API χρησιμοποιεί τις ακόλουθες παραμέτρους εισόδου:

• Άρν – Το όνομα πόρου Amazon (ARN) της συλλογής δεδομένων raster που χρησιμοποιείται στο ερώτημα
• Περιοχή ενδιαφέροντος – Ένα πολύγωνο GeoJSON που αντιπροσωπεύει την περιοχή ενδιαφέροντος
• TimeRangeFilter – Το χρονικό εύρος ενδιαφέροντος, που συμβολίζεται ως {StartTime: <string>, EndTime: <string>}
• Ιδιότητες Φίλτρα – Μπορούν επίσης να ενσωματωθούν συμπληρωματικά φίλτρα ιδιοκτησίας, όπως προδιαγραφές για μέγιστη αποδεκτή κάλυψη νέφους

Το ακόλουθο παράδειγμα δείχνει πώς μπορούν να αναζητηθούν δεδομένα Landsat 8 μέσω του API:

search_params = {
    "Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/gmqa64dcu2g9ayx1", # NASA/USGS Landsat
    "RasterDataCollectionQuery": {
        "AreaOfInterest": {
            "AreaOfInterestGeometry": {
                "PolygonGeometry": {
                    "Coordinates": coordinates
                }
            }
        },
        "TimeRangeFilter": {
            "StartTime": "2014-01-01T00:00:00Z",
            "EndTime": "2020-12-31T23:59:59Z",
        },
        "PropertyFilters": {
            "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 20.0}}}],
            "LogicalOperator": "AND",
        }
    },
}

response = geospatial_client.search_raster_data_collection(**search_params)

Για την επεξεργασία δορυφορικών δεδομένων μεγάλης κλίμακας, ο Gramener χρησιμοποίησε Επεξεργασία Amazon SageMaker με το γεωχωρικό δοχείο. Το SageMaker Processing επιτρέπει την ευέλικτη κλιμάκωση των συμπλεγμάτων υπολογιστών για την αντιμετώπιση εργασιών διαφορετικών μεγεθών, από την επεξεργασία ενός ενιαίου συγκροτήματος πόλης έως τη διαχείριση φόρτου εργασίας πλανητικής κλίμακας. Παραδοσιακά, η μη αυτόματη δημιουργία και διαχείριση ενός συμπλέγματος υπολογιστών για τέτοιες εργασίες ήταν δαπανηρή και χρονοβόρα, ιδιαίτερα λόγω της πολυπλοκότητας που συνεπάγεται η τυποποίηση ενός περιβάλλοντος κατάλληλου για χειρισμό γεωχωρικών δεδομένων.

Τώρα, με το εξειδικευμένο γεωχωρικό κοντέινερ στο SageMaker, η διαχείριση και η λειτουργία συμπλεγμάτων για γεωχωρική επεξεργασία έχει γίνει πιο απλή. Αυτή η διαδικασία απαιτεί ελάχιστη προσπάθεια κωδικοποίησης: απλά ορίζετε τον φόρτο εργασίας, προσδιορίζετε τη θέση των γεωχωρικών δεδομένων στο Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) και επιλέξτε το κατάλληλο γεωχωρικό δοχείο. Στη συνέχεια, το SageMaker Processing παρέχει αυτόματα τους απαραίτητους πόρους συμπλέγματος, διευκολύνοντας την αποτελεσματική εκτέλεση γεωχωρικών εργασιών σε κλίμακες που κυμαίνονται από επίπεδο πόλης σε επίπεδο ηπείρου.

Το SageMaker διαχειρίζεται πλήρως την υποκείμενη υποδομή που απαιτείται για την εργασία επεξεργασίας. Κατανέμει πόρους συμπλέγματος για τη διάρκεια της εργασίας και τους αφαιρεί με την ολοκλήρωση της εργασίας. Τέλος, τα αποτελέσματα της εργασίας επεξεργασίας αποθηκεύονται στον καθορισμένο κάδο S3.

Μια εργασία επεξεργασίας SageMaker που χρησιμοποιεί τη γεωχωρική εικόνα μπορεί να διαμορφωθεί ως εξής μέσα από το γεωχωρικό σημειωματάριο:

from sagemaker import get_execution_role
from sagemaker.sklearn.processing import ScriptProcessor
from sagemaker.processing import ProcessingInput, ProcessingOutput

execution_role_arn = get_execution_role()

geospatial_image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
processor = ScriptProcessor(
    command=['python3'],
    image_uri=geospatial_image_uri,
    role=execution_role_arn,
    instance_count=20,
    instance_type='ml.m5.xlarge',
    base_job_name='geospatial-processing-spectral-indices'
)

Η παράμετρος instance_count καθορίζει πόσες παρουσίες θα πρέπει να χρησιμοποιεί η εργασία επεξεργασίας και η παράμετρος instance_type ορίζει τον τύπο παρουσίας που πρέπει να χρησιμοποιείται.

Το παρακάτω παράδειγμα δείχνει πώς εκτελείται ένα σενάριο Python στο σύμπλεγμα εργασιών επεξεργασίας. Όταν καλείται η εντολή εκτέλεσης, το σύμπλεγμα ξεκινά και παρέχει αυτόματα τους απαραίτητους πόρους συμπλέγματος:

processor.run(
    code='calculate_variables.py',
    inputs=[
        ProcessingInput(
            source=s3_manifest_url,
            destination='/opt/ml/processing/input_data/',
            s3_data_type="ManifestFile",
            s3_data_distribution_type="ShardedByS3Key"
        ),
    ],
    outputs=[
        ProcessingOutput(
            source='/opt/ml/processing/output_data/',
            destination=s3_output_prefix_url
        )
    ]
)

Χωρική μοντελοποίηση και προβλέψεις LST

Στην εργασία επεξεργασίας, υπολογίζεται μια σειρά μεταβλητών, συμπεριλαμβανομένης της φασματικής ακτινοβολίας στην κορυφή της ατμόσφαιρας, της θερμοκρασίας φωτεινότητας και της ανάκλασης από το Landsat 8. Επιπλέον, υπολογίζονται μορφολογικές μεταβλητές όπως ο λόγος επιφάνειας δαπέδου (FAR), η κάλυψη του εργοταξίου, η κάλυψη οικοδομικών τετραγώνων και η τιμή εντροπίας του Shannon.

Ο ακόλουθος κώδικας δείχνει πώς μπορεί να εκτελεστεί αυτή η αριθμητική ζώνη:

def calculate_ndvi(nir08, red): 
    return (nir08 - red) / (nir08 + red) 
 
def calculate_ndbi(swir16, nir08): 
    return (swir16 - nir08) / (swir16 + nir08) 
 
def calculate_st(bt): 
    return ((bt * 0.00341802) + 149.0) - 273 
 
def indices_calc(data): 
    with concurrent.futures.ThreadPoolExecutor() as executor: 
        ndvi_future = executor.submit(calculate_ndvi, data.sel(band="SR_B5"), data.sel(band="SR_B4")) 
        ndbi_future = executor.submit(calculate_ndbi, data.sel(band="SR_B6"), data.sel(band="SR_B5")) 
        st_future = executor.submit(calculate_st, data.sel(band="ST_B10")) 
 
        ndvi = ndvi_future.result() 
        ndbi = ndbi_future.result() 
        st = st_future.result() 
 
    ndvi.attrs = data.attrs 
    ndbi.attrs = data.attrs 
    st.attrs = data.attrs 
 
    return ndvi, ndbi, st 

Μετά τον υπολογισμό των μεταβλητών, εκτελούνται στατιστικές ζωνών για τη συγκέντρωση δεδομένων ανά πλέγμα. Αυτό περιλαμβάνει τον υπολογισμό στατιστικών στοιχείων με βάση τις τιμές ενδιαφέροντος σε κάθε ζώνη. Για αυτούς τους υπολογισμούς έχει χρησιμοποιηθεί ένα μέγεθος πλέγματος περίπου 100 μέτρων.

def process_iteration(st, ndvi, ndmi, date, city_name): 
    datacube['st'] = (st.dims, st.values) 
    datacube['ndvi'] = (ndvi.dims, ndvi.values) 
    datacube['ndmi'] = (ndmi.dims, ndmi.values) 
    df = datacube.groupby("id").mean().to_dataframe().reset_index() 
    merged_grid = hexgrid_utm.join(df, on='id', how='left', lsuffix='_')[['id', 'hex_id', 'geometry', 'st', 'ndvi', 'ndmi']] 
    merged_grid.to_file(f"{DATA}/{city_name}/{city_name}_outputs_{date}.geojson", driver='GeoJSON') 
    print("Working on:", date) 
 
def iterative_op(city_json, st, ndvi, ndmi, city_name): 
    with concurrent.futures.ThreadPoolExecutor() as executor: 
        futures = [ 
            executor.submit(process_iteration, st[i], ndvi[i], ndmi[i], date, city_name) 
            for i, _ in enumerate(city_json.time) 
            for date in city_json.date 
        ] 
        for future in concurrent.futures.as_completed(futures): 
            future.result() 
 
    print('Process completed') 

Μετά τη συγκέντρωση των δεδομένων, πραγματοποιείται χωρική μοντελοποίηση. Ο Gramener χρησιμοποίησε μεθόδους χωρικής παλινδρόμησης, όπως γραμμική παλινδρόμηση και χωρικά σταθερά εφέ, για να εξηγήσει τη χωρική εξάρτηση στις παρατηρήσεις. Αυτή η προσέγγιση διευκολύνει τη μοντελοποίηση της σχέσης μεταξύ μεταβλητών και LST σε μικροεπίπεδο.

Ο ακόλουθος κώδικας δείχνει πώς μπορεί να εκτελεστεί μια τέτοια χωρική μοντελοποίηση:

features = [ 
    'ndvi', 
    'ndbi', 
    'st', 
    'build_count', 
    'bbc' 
] 
 
def compute_spatial_weights(df, k=8): 
    knn = KNN.from_dataframe(df, k=k) 
    return df[features].apply(lambda y: weights.spatial_lag.lag_spatial(knn, y)).rename(columns=lambda c: 'w_' + c) 
 
def ordinary_least_squares(df_year, spatial=False): 
    formula = f"lst ~ {' + '.join(features)}"  
    if spatial: 
        df_year = df_year.join(compute_spatial_weights(df_year)) 
        formula += f" + {' + '.join(['w_' + f for f in features])}"  
     
    return smf.ols(formula, data=df_year).fit() 
 
def process(df, year): 
    df_year = pd.merge(df[df['year'] == year].fillna(0), grids[['idx', 'name']], on='idx') 
    ols_model = ordinary_least_squares(df_year) 
    ols_spatial_model = ordinary_least_squares(df_year, spatial=True) 
    ols_spatial_fe_model = ordinary_least_squares(df_year, spatial=True) 
     
    return { 
        'year': year, 
        'ols_model': ols_model, 
        'ols_spatial_model': ols_spatial_model, 
        'ols_spatial_fe_model': ols_spatial_fe_model, 
        'ols_r2': [ols_model.rsquared, ols_spatial_model.rsquared, ols_spatial_fe_model.rsquared] 
    } 

Ο Gramener χρησιμοποίησε εκθετική εξομάλυνση για να προβλέψει τις τιμές LST. Η εκθετική εξομάλυνση είναι μια αποτελεσματική μέθοδος για την πρόβλεψη χρονοσειρών που εφαρμόζει σταθμισμένους μέσους όρους σε προηγούμενα δεδομένα, με τα βάρη να μειώνονται εκθετικά με την πάροδο του χρόνου. Αυτή η μέθοδος είναι ιδιαίτερα αποτελεσματική στην εξομάλυνση των δεδομένων για τον εντοπισμό τάσεων και προτύπων. Με τη χρήση εκθετικής εξομάλυνσης, καθίσταται δυνατή η οπτικοποίηση και η πρόβλεψη των τάσεων LST με μεγαλύτερη ακρίβεια, επιτρέποντας πιο ακριβείς προβλέψεις μελλοντικών τιμών με βάση ιστορικά μοτίβα.

Για να οπτικοποιήσει τις προβλέψεις, ο Gramener χρησιμοποίησε το γεωχωρικό σημειωματάριο SageMaker με γεωχωρικές βιβλιοθήκες ανοιχτού κώδικα για να επικαλύψει προβλέψεις μοντέλων σε έναν βασικό χάρτη και παρέχει γεωχωρικά σύνολα δεδομένων οπτικοποίησης σε επίπεδα απευθείας μέσα στο σημειωματάριο.

Συμπέρασμα

Αυτή η ανάρτηση έδειξε πώς η Gramener δίνει τη δυνατότητα στους πελάτες να λαμβάνουν αποφάσεις βάσει δεδομένων για βιώσιμα αστικά περιβάλλοντα. Με το SageMaker, η Gramener πέτυχε σημαντική εξοικονόμηση χρόνου στην ανάλυση UHI, μειώνοντας τον χρόνο επεξεργασίας από εβδομάδες σε ώρες. Αυτή η γρήγορη δημιουργία πληροφοριών επιτρέπει στους πελάτες της Gramener να εντοπίζουν περιοχές που απαιτούν στρατηγικές μετριασμού του UHI, να σχεδιάζουν προληπτικά έργα αστικής ανάπτυξης και υποδομής για να ελαχιστοποιήσουν το UHI και να αποκτήσουν μια ολιστική κατανόηση των περιβαλλοντικών παραγόντων για ολοκληρωμένη αξιολόγηση κινδύνου.

Ανακαλύψτε τις δυνατότητες ενσωμάτωσης δεδομένων γεωσκόπησης στα έργα βιωσιμότητας με το SageMaker. Για περισσότερες πληροφορίες, ανατρέξτε στο Ξεκινήστε με τις γεωχωρικές δυνατότητες του Amazon SageMaker.

Σχετικά με τους Συγγραφείς

Abhishek Mittal είναι Αρχιτέκτονας Λύσεων για την ομάδα του παγκόσμιου δημόσιου τομέα με τις Υπηρεσίες Ιστού της Amazon (AWS), όπου συνεργάζεται κυρίως με συνεργάτες ISV σε διάφορες βιομηχανίες παρέχοντάς τους αρχιτεκτονική καθοδήγηση για τη δημιουργία κλιμακούμενης αρχιτεκτονικής και την εφαρμογή στρατηγικών για την υιοθέτηση των υπηρεσιών AWS. Είναι παθιασμένος με τον εκσυγχρονισμό των παραδοσιακών πλατφορμών και την ασφάλεια στο cloud. Εκτός δουλειάς, είναι λάτρης των ταξιδιών.

Janosch Woschitz είναι Senior Solutions Architect στην AWS, με ειδίκευση στην AI/ML. Με περισσότερα από 15 χρόνια εμπειρίας, υποστηρίζει πελάτες παγκοσμίως στη μόχλευση της τεχνητής νοημοσύνης και της ML για καινοτόμες λύσεις και τη δημιουργία πλατφορμών ML σε AWS. Η τεχνογνωσία του καλύπτει τη μηχανική μάθηση, τη μηχανική δεδομένων και τα κλιμακούμενα κατανεμημένα συστήματα, που ενισχύονται από ένα ισχυρό υπόβαθρο στη μηχανική λογισμικού και την τεχνογνωσία του κλάδου σε τομείς όπως η αυτόνομη οδήγηση.

Σράβαν Κουμάρ είναι Ανώτερος Διευθυντής Επιτυχίας Πελατών στη Gramener, με δεκαετή εμπειρία στο Business Analytics, τον Ευαγγελισμό δεδομένων και τη σφυρηλάτηση βαθιών σχέσεων με τους πελάτες. Κατέχει γερές βάσεις στη Διαχείριση Πελατών, Διαχείριση Λογαριασμών στον τομέα της ανάλυσης δεδομένων, AI & ML.

Avirat S είναι επιστήμονας γεωχωρικών δεδομένων στο Gramener, αξιοποιεί την AI/ML για να ξεκλειδώσει πληροφορίες από γεωγραφικά δεδομένα. Η εξειδίκευσή του βρίσκεται στη διαχείριση καταστροφών, τη γεωργία και τον αστικό σχεδιασμό, όπου η ανάλυσή του ενημερώνει τις διαδικασίες λήψης αποφάσεων.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/understanding-and-predicting-urban-heat-islands-at-gramener-using-amazon-sagemaker-geospatial-capabilities/