View a markdown version of this page

Skalieren Sie Geodatenseen auf AWS - Skalieren Sie Geodatenseen auf AWS
Skalieren Sie Geodatenseen auf AWS DiagrammWeitere InformationenMitwirkendeVerlauf des Diagramms

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.

Skalieren Sie Geodatenseen auf AWS

Veröffentlichungsdatum: 14. August 2023 () Verlauf des Diagramms

Repositorien mit Geodaten werden in vielen Unternehmen immer wichtiger — für den Einsatz in allen Bereichen, von Logistik und Versicherungen bis hin zur Optimierung der Lieferkette. Diese Referenzarchitektur zeigt Ihnen, wie Sie skalierbare Geodaten-Repositorys erstellen. AWS Sie vereinfacht den Entwurf von Geodaten-Pipelines und ermöglicht einen beschleunigten Zugriff auf Rohdaten, indem AWS verwaltete Datensätze aus dem Registry of Open Data integriert werden AWS, sodass sie nicht mehr in Ihrem Data Lake gespeichert werden müssen. Es lässt sich in eine Vielzahl von Verbreitungsmechanismen integrieren und unterstützt unterschiedliche Verarbeitungsanforderungen.

Skalieren Sie Geodatenseen auf AWS Diagramm

Ein Referenzarchitekturdiagramm, das zeigt, wie skalierbare Geodaten-Repositorys erstellt werden. AWS

  1. Initiieren Sie eine Datenaufnahme-Pipeline, die auf der Erkennung neuer Szenen basiert.  Abonnieren Sie die Amazon Simple Notification Service (Amazon SNS) -Themen für verwaltete Datensätze mit geeigneten Filtern.

    Ein zeitbasiertes Ereignis kann mithilfe von CloudWatch Amazon-Regeln so konfiguriert werden, dass die Aufnahme in bestimmten Zeitfenstern beginnt.

  2. AWS Lambdafragt die SpatioTemporal Asset Catalogs (STAC) -API nach einem entsprechenden Datensatz ab, um Produktdetails abzurufen. Es initiiert die Datenverarbeitungspipeline über. AWS Step Functions

  3. Step Functions orchestriert die Verarbeitungsaufgaben. Die parallele oder sequentielle Verarbeitung kann auf der Grundlage der Aufgabenmerkmale und Anforderungen konfiguriert werden.

  4. Amazon Elastic Container Service (Amazon ECS) führt containerisierte Aufgaben aus, um:

    • Laden Sie die Produkte aus Datensätzen herunter, die im Registry of Open Data unter gehostet werden. AWS

    • Verarbeiten Sie die Kacheln (Zuschnitt und Geomosiak), bis sie für Sie von Interesse sind, und speichern Sie sie in einem KI-bearbeiteten Eimer von Amazon Simple Storage Service (Amazon S3). Erstellen Sie Metadaten und speichern Sie sie in Amazon DynamoDB. Speichern Sie Vektordaten in Amazon Aurora Postgres mit PostGIS-Erweiterungen.

  5. Step Functions initiiert die nächste Verarbeitungsaufgabe mit Amazon AI. SageMaker

  6. SageMaker KI-gestützte ML-Modelle führen das Entfernen von Wolken und die Bandberechnung durch.

  7. Von Amazon WorkSpaces gehostete GIS-Workbenches können zur Visualisierung verwendet werden. Die Daten werden in einem vorverarbeiteten Amazon S3-Bucket gespeichert.

Weitere Informationen

Weitere Informationen finden Sie unter

Mitwirkende

Zu den Mitwirkenden an diesem Referenzarchitekturdiagramm gehören:

  • Ajit Rajdeosingh, Senior Solutions Architect, Amazon Web Services

Verlauf des Diagramms

Abonnieren Sie den RSS-Feed, um über Aktualisierungen dieses Referenzarchitekturdiagramms informiert zu werden.

ÄnderungBeschreibungDatum

Erste Veröffentlichung

Das Referenzarchitekturdiagramm wurde zuerst veröffentlicht.

14. August 2023

Anmerkung

Um RSS-Updates zu abonnieren, muss ein RSS-Plugin für den von Ihnen verwendeten Browser aktiviert sein.