View a markdown version of this page

Mettez à l'échelle les lacs de données géospatiales sur AWS - Mettez à l'échelle les lacs de données géospatiales sur AWS
Mettez à l'échelle les lacs de données géospatiales sur AWS SchémaSuggestions de lectureCollaborateursHistorique du diagramme

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Mettez à l'échelle les lacs de données géospatiales sur AWS

Date de publication : 14 août 2023 (Historique du diagramme)

Les référentiels de données géospatiales prennent de plus en plus d'importance dans de nombreuses organisations, qu'il s'agisse de logistique, d'assurance ou d'optimisation de la chaîne d'approvisionnement. Cette architecture de référence vous montre comment créer des référentiels de données géospatiales évolutifs sur. AWS Il simplifie la conception des pipelines de données géospatiales, permettant un accès accéléré aux données brutes en intégrant des ensembles de données AWS gérés à partir du Registre des données ouvertes AWS, éliminant ainsi le besoin de les stocker dans votre lac de données. Il s'intègre à divers mécanismes de diffusion et prend en charge diverses demandes de traitement.

Mettez à l'échelle les lacs de données géospatiales sur AWS Schéma

Schéma d'architecture de référence montrant comment créer des référentiels de données géospatiales évolutifs sur. AWS

  1. Lancez un pipeline d'ingestion de données en fonction de la détection de nouvelles scènes.  Abonnez-vous aux rubriques Amazon Simple Notification Service (Amazon SNS) pour les ensembles de données gérés avec des filtres appropriés.

    Un événement temporel peut être configuré à l'aide des CloudWatch règles d'Amazon pour commencer l'ingestion pendant des créneaux horaires spécifiques.

  2. AWS Lambdainterroge l'API SpatioTemporal Asset Catalogs (STAC) pour un ensemble de données correspondant afin d'obtenir des informations sur le produit. Il lance le pipeline de traitement des données via AWS Step Functions.

  3. Step Functions orchestre les tâches de traitement. Le traitement parallèle ou séquentiel peut être configuré en fonction des caractéristiques et des exigences des tâches.

  4. Amazon Elastic Container Service (Amazon ECS) exécute des tâches conteneurisées pour :

    • Téléchargez les produits à partir d'ensembles de données hébergés dans le Registre des données ouvertes le AWS.

    • Traitez (recadrez et géomosiez) les tuiles jusqu'à la zone d'intérêt et stockez-les dans un seau traité à l'aide de l'AOI Amazon Simple Storage Service (Amazon S3). Créez des métadonnées et stockez-les dans Amazon DynamoDB. Stockez des données vectorielles dans Amazon Aurora Postgres avec les extensions PostGIS.

  5. Step Functions lance la tâche de traitement suivante avec Amazon SageMaker AI.

  6. SageMaker Les modèles de machine learning hébergés par IA effectuent la suppression du cloud et le calcul des bandes.

  7. Les ateliers SIG WorkSpaces hébergés par Amazon peuvent être utilisés à des fins de visualisation. Les données sont stockées dans un compartiment prétraité Amazon S3.

Suggestions de lecture

Pour plus d'informations, reportez-vous à

Collaborateurs

Les contributeurs à ce schéma d'architecture de référence incluent :

  • Ajit Rajdeosingh, architecte de solutions senior, Amazon Web Services

Historique du diagramme

Pour être informé des mises à jour de ce schéma d'architecture de référence, abonnez-vous au fil RSS.

ModificationDescriptionDate

Publication initiale

Schéma d'architecture de référence publié pour la première fois.

14 août 2023

Note

Pour vous abonner aux mises à jour RSS, un plug-in RSS doit être activé pour le navigateur que vous utilisez.