คุณสมบัติของ Amazon SageMaker สำหรับ ML เชิงพื้นที่
ภาพรวม
เข้าถึงแหล่งที่มาของข้อมูลเชิงพื้นที่ได้ง่ายขึ้น
หลีกเลี่ยงการนำเข้าชุดข้อมูลเชิงพื้นที่ขนาดใหญ่ผ่านวงจรการพัฒนาหลายครั้ง ความสามารถเชิงพื้นที่ของ SageMaker ช่วยให้เข้าถึงภาพโอเพนซอร์ส เช่น Landsat และ Sentinel-2 ได้ง่ายขึ้น
แปลงชุดข้อมูลภูมิสารสนเทศที่มีอยู่ของคุณด้วยการดำเนินการที่สร้างเอาไว้ล่วงหน้า
ประหยัดเวลาได้โดยไม่จำเป็นต้องพัฒนาและบำรุงรักษารหัสสินค้าสำหรับการดำเนินงานเชิงพื้นที่ทั่วไป ตัวอย่างเช่น ใช้ Amazon Location Service เพื่อการเข้ารหัสภูมิศาสตร์ย้อนกลับระหว่างพิกัดแผนที่ — ละติจูดและลองจิจูด — และที่อยู่ ใช้คุณลักษณะการจับคู่แผนที่เพื่อจัดหรือเรียงตำแหน่ง GPS ที่ไม่ถูกต้องโดยอัตโนมัติไปยังถนนและเส้นทางที่รู้จัก
เร่งกระบวนการก่อนการประมวลผลของเวิร์กโหลดเชิงพื้นที่ขนาดใหญ่
ใช้การดำเนินการประมวลผลข้อมูลล่วงหน้าแบบสำเร็จรูป รวมแบนด์ที่แยกจากภาพถ่ายดาวเทียมต่างๆ เพื่อสร้างภาพมัลติแบนด์ใหม่ สถิติรวมสำหรับอินสแตนซ์การประมวลผล และการดำเนินการขนาดใหญ่อื่นๆ บนข้อมูลดาวเทียม
นำโมเดล ML ของคุณเองหรือใช้โมเดล ML ที่สร้างไว้ล่วงหน้ามาใช้เพื่อเริ่มการคาดการณ์
ใช้โมเดลนิวรัลเน็ตเวิร์กเชิงลึก (DNN) ที่ฝึกฝนไว้ล่วงหน้า เช่น การแบ่งส่วนพื้นที่คลุมดินหรือการกำบังเมฆ ตัวอย่างเช่น ใช้การแบ่งส่วนที่ดินเพื่อระบุประเภทต่างๆ ของพื้นที่สำหรับที่ดิน เช่น ต้นไม้หรือน้ำ ใช้การกำบังเมฆเพื่อแบ่งพิกเซลที่มีเมฆมากและไม่มีเมฆ และเพื่อลบเมฆและเงาโดยใช้คุณลักษณะการลบเมฆที่สร้างไว้ล่วงหน้า
ทำงานร่วมกันบนข้อมูลเชิงลึกจากการคาดการณ์เชิงพื้นที่โดยใช้เครื่องมือสร้างภาพในตัว
ความสามารถเชิงพื้นที่ของ SageMaker ช่วยให้การคาดการณ์แบบจำลองซ้อนทับบนแผนที่ฐานและจัดเตรียมการแสดงภาพแบบเลเยอร์เพื่อให้การทำงานร่วมกันง่ายขึ้น ตัวสร้างภาพแบบโต้ตอบได้ที่ขับเคลื่อนด้วย GPU และสมุดบันทึก Python ช่วยให้สำรวจจุดข้อมูลนับล้านในหน้าต่างเดียวและแบ่งปันข้อมูลเชิงลึกและผลลัพธ์ได้อย่างราบรื่น
