Buat Pekerjaan Pengamatan Bumi Menggunakan Notebook Amazon SageMaker Studio Classic dengan Gambar SageMaker geospasial

Untuk menggunakan notebook SageMaker Studio Classic dengan gambar SageMaker geospasial:

Anda dapat memulai EOJ menggunakan notebook Amazon SageMaker Studio Classic dengan gambar SageMaker geospasial menggunakan kode yang disediakan di bawah ini.

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")

Berikut ini adalah contoh yang menunjukkan cara membuat EOJ di Wilayah Barat AS (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,
)

Setelah Anda EOJ diciptakan, Arn dikembalikan kepada Anda. Anda menggunakan Arn untuk mengidentifikasi pekerjaan dan melakukan operasi lebih lanjut. Untuk mendapatkan status pekerjaan, Anda bisa larisg_client.get_earth_observation_job(Arn = response['Arn']).

Contoh berikut menunjukkan bagaimana untuk query status EOJ sampai selesai.

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"]

Setelah EOJ selesai, Anda dapat memvisualisasikan EOJ output langsung di notebook. Contoh berikut menunjukkan kepada Anda bagaimana peta interaktif dapat dirender.

map = sagemaker_geospatial_map.create_map({
'is_raster': True
})
map.set_sagemaker_geospatial_client(sg_client)
# render the map
map.render()

Contoh berikut menunjukkan bagaimana peta dapat dipusatkan pada area yang diminati dan input dan output EOJ dapat dirender sebagai lapisan terpisah dalam peta.

# 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
)

Anda dapat menggunakan export_earth_observation_job fungsi ini untuk mengekspor EOJ hasilnya ke bucket Amazon S3 Anda. Fungsi ekspor membuatnya nyaman untuk berbagi hasil di seluruh tim. SageMaker juga menyederhanakan manajemen dataset. Kami cukup membagikan EOJ hasilnya menggunakan pekerjaanARN, alih-alih merayapi ribuan file di bucket S3. Masing-masing EOJ menjadi aset dalam katalog data, karena hasilnya dapat dikelompokkan berdasarkan pekerjaanARN. Contoh berikut menunjukkan bagaimana Anda dapat mengekspor hasil dari sebuahEOJ.

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,
)

Anda dapat memantau status pekerjaan ekspor Anda menggunakan cuplikan berikut.

# 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"]}

Anda tidak dikenakan biaya penyimpanan setelah Anda menghapusEOJ.

Untuk contoh yang menampilkan cara menjalankanEOJ, lihat posting blog ini.

Untuk contoh notebook lainnya tentang kemampuan SageMaker geospasial, lihat repositori iniGitHub .