Sıçanlar ve fareler gibi kemirgenler, bir dizi sağlık riskiyle ilişkilidir ve 35'ten fazla hastalık yaydıkları bilinmektedir. Kemirgen aktivitesinin yüksek olduğu bölgelerin belirlenmesi, yerel yetkililerin ve haşere kontrol kuruluşlarının müdahaleleri etkili bir şekilde planlamasına ve kemirgenleri yok etmesine yardımcı olabilir.

Bu yazıda, kullanarak bir kemirgen popülasyonunun nasıl izleneceğini ve görselleştirileceğini gösteriyoruz. Amazon SageMaker jeo-uzamsal yetenekleri. Daha sonra bitki örtüsü ve su kütleleri üzerindeki kemirgen istilasının etkilerini görselleştiriyoruz. Son olarak, bir bölgedeki kemirgen gözlemleriyle bildirilen maymun çiçeği vakalarının sayısını ilişkilendirir ve görselleştiririz. Amazon Adaçayı Yapıcı veri bilimcilerin ve makine öğrenimi (ML) mühendislerinin jeo-uzamsal verileri kullanarak modeller oluşturmasını, eğitmesini ve dağıtmasını kolaylaştırır. Araç, jeo-uzamsal veri kaynaklarına erişmeyi, amaca yönelik oluşturulmuş işleme operasyonlarını çalıştırmayı, önceden eğitilmiş makine öğrenimi modellerini uygulamayı ve yerleşik görselleştirme araçlarını daha hızlı ve geniş ölçekte kullanmayı kolaylaştırır.

defter

İlk olarak, bir Amazon SageMaker Stüdyosu ana hatları verilen adımları izleyerek jeo-uzamsal bir görüntüye sahip not defteri Amazon SageMaker jeo uzamsal yeteneklerini kullanmaya başlama.

Veri erişimi

Jeo uzamsal görüntü, jeo uzamsal analiz ve makine öğrenimi için verileri zenginleştirmeyi kolaylaştıran SageMaker jeo uzamsal yetenekleri önceden yüklenmiş olarak gelir. Gönderimiz için Sentinel-2'den ve uydu görüntülerinden yararlanıyoruz. kemirgen aktivitesi ve maymun çiçeği veri kümesiaçık kaynaktan NYC açık veri.

İlk olarak, kemirgen aktivitesini kullanırız ve kemirgen gözlemlerinin ve incelemelerinin enlem ve boylamını çıkarırız. Ardından bu konum bilgisini insan tarafından okunabilen sokak adresleriyle zenginleştiriyoruz. biz bir yaratırız vektör zenginleştirme işi Coğrafi koordinatları (enlem, boylam) insan tarafından okunabilir adreslere dönüştürebilmeniz için bir ters coğrafi kodlama işlemi çalıştırmak üzere SageMaker Studio not defterindeki (VEJ) Amazon Konum Hizmeti. VEJ'i şu şekilde oluşturuyoruz:

import boto3
import botocore
import sagemaker
import sagemaker_geospatial_map region = boto3.Session().region_name
session = botocore.session.get_session()
execution_role = sagemaker.get_execution_role() sg_client= session.create_client( service_name='sagemaker-geospatial', region_name=region
)
response = sg_client.start_vector_enrichment_job( ExecutionRoleArn=execution_role, InputConfig={ 'DataSourceConfig': { 'S3Data': { 'S3Uri': 's3://<bucket>/sample/rodent.csv' } }, 'DocumentType': 'CSV' }, JobConfig={ "ReverseGeocodingConfig": { "XAttributeName": "longitude", "YAttributeName": "latitude" } }, Name='vej-reversegeo',
) my_vej_arn = response['Arn']

Bir bölgedeki kemirgen aktivitesini görselleştirin

Artık kemirgen gözlemlerini görselleştirmek için SageMaker jeo-uzamsal yeteneklerini kullanabiliriz. VEJ tamamlandıktan sonra, işin çıktısını bir Amazon S3 Kova.

sg_client.export_vector_enrichment_job( Arn=my_vej_arn, ExecutionRoleArn=execution_role, OutputConfig={ 'S3Data': { 'S3Uri': 's3://<bucket>/reversegeo/' } }
)

Dışa aktarma tamamlandığında, çıktı CSV dosyasını dosyanızda göreceksiniz. Amazon Basit Depolama Hizmeti Giriş verilerinizden (boylam ve enlem koordinatları) ve ek sütunlardan oluşan (Amazon S3) bölümü: adres numarası, ülke, etiket, belediye, mahalle, posta kodu ve sonuna eklenen o konumun bölgesi.

VEJ tarafından oluşturulan çıktı dosyasından, çıktıyı bir temel harita üzerine bindirmek ve işbirliğini kolaylaştırmak için katmanlı görselleştirme sağlamak için SageMaker jeo-uzamsal yeteneklerini kullanabiliriz. SageMaker jeo-uzamsal yetenekleri, SageMaker tarafından desteklenen yerleşik görselleştirme araçları sağlar. Dörtlü Stüdyoaracılığıyla yerel olarak bir SageMaker not defterinden çalışır. SageMaker jeo-uzamsal Harita SDK'sı. Aşağıda, kemirgen gözlemlerini görselleştirebilir ve ayrıca veri noktalarının her biri için okunabilir adresleri alabiliriz. Kemirgen gözlem veri noktalarının her birinin adres bilgisi, kemirgen muayenesi ve tedavisi amaçları için yararlı olabilir.

Kemirgen istilasının bitki örtüsü ve su kütleleri üzerindeki etkilerini analiz edin

Kemirgen istilasının bitki örtüsü ve su kütleleri üzerindeki etkilerini analiz etmek için her yeri bitki örtüsü, su ve çıplak zemin olarak sınıflandırmamız gerekir. Bu analizi gerçekleştirmek için bu jeo-uzamsal yetenekleri nasıl kullanabileceğimize bakalım.

SageMaker'daki yeni jeo-uzamsal yetenekler, Sentinel-2 ve Landsat 8 gibi jeo-uzamsal verilere daha kolay erişim sunar. Yerleşik coğrafi uzamsal veri kümesi erişimi, aksi halde çeşitli veri sağlayıcılardan ve satıcılardan veri toplamak ve işlemek için kaybedilen haftalarca harcanan çabayı azaltır. Ayrıca, bu jeo-uzamsal yetenekler, dünya yüzeyindeki bitki örtüsü, su ve çıplak zemin gibi fiziksel materyali tanımlamak için önceden eğitilmiş bir Arazi Kullanımı Arazi Örtüsü (LULC) segmentasyon modeli sunar.

Bunu kullanıyoruz LULC ML kemirgen popülasyonunun bitki örtüsü ve su kütleleri üzerindeki etkilerini analiz etmek için bir model.

Aşağıdaki kod parçacığında öncelikle ilgilenilen alan koordinatlarını (aoi_coords) New York şehrinin. Ardından Earth Observation Job (EOJ) oluşturuyoruz ve LULC işlemini seçiyoruz. SageMaker, EOJ için uydu görüntüsü verilerini indirir ve önceden işler. Ardından SageMaker, EOJ için model çıkarımını otomatik olarak çalıştırır. EOJ'nin çalışma süresi, işlenen görüntülerin sayısına bağlı olarak birkaç dakikadan saatlere kadar değişir. kullanarak EOJ'lerin durumunu izleyebilirsiniz. get_earth_observation_job işlevini kullanın ve EOJ'nin giriş ve çıkışını haritada görselleştirin.

aoi_coords = [ [ [ -74.13513011934334, 40.87856296920188 ], [ -74.13513011934334, 40.565792636343616 ], [ -73.8247144462764, 40.565792636343616 ], [ -73.8247144462764, 40.87856296920188 ], [ -74.13513011934334, 40.87856296920188 ] ]
] eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": { "Coordinates": aoi_coords } } }, "TimeRangeFilter": { "StartTime": "2023-01-01T00:00:00Z", "EndTime": "2023-02-28T23:59:59Z", }, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 2.0}}}], "LogicalOperator": "AND", }, }
}
eoj_config = { "LandCoverSegmentationConfig": {}
} response = geospatial_client.start_earth_observation_job( Name="eoj-rodent-infestation-lulc-example", InputConfig=eoj_input_config, JobConfig=eoj_config, ExecutionRoleArn=execution_role,
)
eoj_arn = response["Arn"]
eoj_arn Map = sagemaker_geospatial_map.create_map()
Map.set_sagemaker_geospatial_client(sg_client) Map.render() time_range_filter = { "start_date": "2023-01-01T00:00:00Z", "end_date": "2023-02-28T23:59:59Z",
} config = {"preset": "singleBand", "band_name": "mask"}
output_layer = Map.visualize_eoj_output( Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)

Kemirgen popülasyonunu bitki örtüsüne göre görselleştirmek için, kemirgen popülasyonunu ve görme verilerini arazi örtüsü segmentasyon modeli tahminlerinin üzerine yerleştiriyoruz. Bu görselleştirme, kemirgen popülasyonunu belirlememize ve onu bitki örtüsü ve su kütleleri üzerinde analiz etmemize yardımcı olabilir.

Maymun çiçeği vakalarını görselleştirin ve kemirgen verileriyle ilişkilendirin

Maymun çiçeği vakaları ve kemirgen gözlemleri arasındaki ilişkiyi görselleştirmek için maymun çiçeği veri setini ve New York ilçe sınırları için geoJSON dosyası. Aşağıdaki koda bakın:

nybb = pd.read_csv("./nybb.csv")
monkeypox = pd.read_csv("./monkeypox.csv")
dataset = Map.add_dataset({ "data": nybb
}, auto_create_layers=False)
dataset = Map.add_dataset({ "data": monkeypox
}, auto_create_layers=False)

Bir SageMaker Studio not defterinde, Foursquare tarafından desteklenen görselleştirme aracını kullanarak haritaya katmanlar ve grafikler ekleyebiliriz. Burada, her ilçe için maymun çiçeği vakalarının sayısını göstermek için maymun çiçeği verilerini bir tablo olarak ekledik. Maymun çiçeği vakaları ile kemirgen görülmesi arasındaki ilişkiyi görmek için ilçe sınırlarını bir poligon katmanı olarak ekledik ve kemirgen aktivitesini temsil eden ısı haritası katmanını ekledik. İlçe sınır katmanı, maymun çiçeği veri tablosuyla eşleşecek şekilde renklendirildi. Gördüğümüz gibi, Manhattan ilçesi yüksek oranda kemirgen gözlemi sergiliyor ve en yüksek sayıda maymun çiçeği vakasını kaydediyor, ardından Brooklyn geliyor.

Bu, her ilçedeki kemirgen görülme yoğunluğu ile maymun çiçeği vakaları arasındaki korelasyonun hesaplanmasına yönelik basit bir istatistiksel analizle desteklenmektedir. Hesaplama, pozitif bir korelasyon anlamına gelen 0.714'lük bir r değeri üretti.

r = np.corrcoef(borough_stats['Concentration (sightings per square km)'], borough_stats['Monkeypox Cases'])

Sonuç

Bu yazıda, kemirgen gözlemlerinin ayrıntılı adreslerini almak ve kemirgenlerin bitki örtüsü ve su kütleleri üzerindeki etkilerini görselleştirmek için SageMaker jeo-uzamsal yeteneklerini nasıl kullanabileceğinizi gösterdik. Bu, yerel yetkililerin ve haşere kontrol kuruluşlarının müdahaleleri etkili bir şekilde planlamasına ve kemirgenleri yok etmesine yardımcı olabilir. Ayrıca yerleşik görselleştirme aracıyla kemirgen gözlemlerini bölgedeki maymun çiçeği vakalarıyla ilişkilendirdik. Yerleşik görselleştirme araçlarıyla birlikte vektör zenginleştirme ve EOJ'leri kullanan SageMaker jeo uzamsal yetenekleri, büyük ölçekli jeo uzamsal veri kümelerini, model eğitimini ve çıkarımı ele alma zorluklarını ortadan kaldırır ve 3D hızlandırılmış grafikler ve yerleşik görselleştirme araçlarını kullanarak etkileşimli bir harita üzerinde tahminleri ve jeo uzamsal verileri hızlı bir şekilde keşfetme yeteneği sağlar.

SageMaker jeo-uzamsal özelliklerini iki şekilde kullanmaya başlayabilirsiniz:

Daha fazla bilgi edinmek için ziyaret Amazon SageMaker jeo-uzamsal yetenekleri ve Amazon SageMaker jeo uzamsal özelliklerini kullanmaya başlama. Ayrıca, ziyaret edin GitHub repo, SageMaker jeo-uzamsal yetenekleri hakkında birkaç örnek not defterine sahiptir.

yazarlar hakkında

Tavşan Kaushik AWS'de bir Çözüm Mimarıdır. AI/ML çözümleri oluşturma ve müşterilerin AWS platformunda yenilik yapmasına yardımcı olma konusunda tutkulu. İş dışında yürüyüş yapmaktan, kaya tırmanışından ve yüzmekten hoşlanıyor.

Clarisse Vigal AWS'de Kıdemli Teknik Hesap Yöneticisidir ve müşterilerin bulutu benimseme yolculuklarını hızlandırmasına yardımcı olmaya odaklanmıştır. Clarisse, iş dışında seyahat etmekten, yürüyüş yapmaktan ve bilimkurgu gerilim filmleri okumaktan hoşlanır.

Veda Raman Maryland merkezli makine öğrenimi için Kıdemli Uzman Çözüm Mimarıdır. Veda, verimli, güvenli ve ölçeklenebilir makine öğrenimi uygulamaları tasarlamalarına yardımcı olmak için müşterilerle birlikte çalışır. Veda, müşterilerin Makine öğrenimi için sunucusuz teknolojilerden yararlanmasına yardımcı olmakla ilgileniyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/analyze-rodent-infestation-using-amazon-sagemaker-geospatial-capabilities/