使用亚马逊 SageMaker 地理空间功能在 Arup 设计弹性城市

这篇文章是与Arup的理查德·亚历山大和马克·哈洛斯共同撰写的。

Arup 是一个由致力于可持续发展的设计师、顾问和专家组成的全球团体。数据为奥雅纳咨询公司提供世界一流的收集和分析，为客户提供见解，从而产生影响。

这里提出的解决方案是指导弹性城市设计的决策过程。为更可持续的选择提供设计决策依据，可以降低整体城市热岛（UHI）效应，并改善空气质量、水质、城市声学、生物多样性和热舒适度的生活质量指标。确定城市环境中需要干预的关键区域，可以让奥雅纳提供业内最佳指导，为全球公民创造更好的生活质量。

城市热岛描述了与周围农村环境相比，城市地区对温度的影响。了解UHI如何影响我们的城市可以改进设计，减少城市热量对居民的影响。UHI 效应影响人类健康、温室气体排放和水质，并导致能源使用量增加。对于市政当局、资产所有者和开发商而言，了解对人口的影响是改善生活质量和自然生态系统的关键。精确建模UHI是一项复杂的挑战，奥雅纳现在正在利用地球观测数据和Amazon S age Maker来解决这个问题。

这篇文章展示了Arup如何与亚马逊云科技合作使用A mazon SageMaker 地理空间功能进行地球观测分析，从而从卫星图像中解锁UHI见解。SageMaker 地理空间功能使数据科学家和机器学习 (ML) 工程师可以轻松地使用地理空间数据构建、训练和部署模型。SageMaker 地理空间功能使您能够高效地转换和丰富大规模地理空间数据集，使用预训练的机器学习模型加快产品开发并缩短获得见解的时间，并使用 3D 加速图形和内置可视化工具在交互式地图上探索模型预测和地理空间数据。

解决方案概述

最初的解决方案侧重于伦敦，在2022年夏天的热浪中，英国健康安全局估计，由于高温，伦敦有2,803 人死亡。确定城市环境中人们可能更容易受到UHI效应影响的区域，可以让公共服务部门将援助引向影响最大的地方。这甚至可以在高温事件发生之前进行预测，从而减少极端天气的影响，并为城市居民带来积极的结果。

地球观测（EO）数据用于在城市范围内进行分析。但是，总规模对存储、组织和查询大型地理区域数据的传统方式构成了挑战。Arup 通过与亚马逊云科技合作并使用 SageMaker 地理空间功能在城市及其他地区进行分析来应对这一挑战。随着地理区域发展到更大的大都市区，例如洛杉矶或东京，需要更多的存储和计算来进行分析。亚马逊云科技基础设施的弹性非常适合对任何规模的城市环境进行 UHI 分析。

解决方案：uHeat

奥雅纳使用SageMaker开发了 uH eat ，这是一种数字解决方案，可分析城市的大片区域，以识别导致温度升高的特定建筑物、结构和材料。uHeat 使用卫星图像和开源气候数据的组合进行分析。

Arup 的一个小型团队进行了初步分析，在此期间，需要对更多数据科学家进行有关 SageMaker 工具和工作流程的培训。过去，使用内部工具将数据科学家引入新项目需要数周时间。现在，使用 SageMaker，这只需要几个小时。

任何 EO 分析的第一步都是收集和准备数据。借助SageMaker，Arup可以访问来自地理空间数据提供者目录的数据，包括用于伦敦分析的 Sentinel-2 数据。内置的地理空间数据集访问功能可节省数周的精力，否则将浪费在从各种数据提供商和供应商那里收集和准备数据所浪费的时间。EO 图像通常由小方块组成，要覆盖伦敦那么大的区域，需要将它们组合在一起。这被称为 地理马赛克，可以使用 Sag eMaker Geomosaic 地球观测作业中的托管地理空间操作自动创建。

在汇编了感兴趣区域的 EO 数据后，可以提取分析的关键影响参数。对于UHI，Arup需要能够得出有关建筑几何形状、建筑材料、人为热源以及现有和规划中的绿地覆盖范围的参数的数据。使用诸如 Sentinel-2 之类的光学影像，可以计算土地覆盖等级，包括建筑物、道路、水域、植被、裸露地面和每个表面的反照率（反射率测量）。

通过计算卫星图像中不同波段的值，可以将其用作 SUE WS 模型的输入，该模型为计算 UHI 效应提供了一种严格的方法。然后将SUEWS的结果可视化，在本例中为使用Arup现有的地理空间数据平台。通过调整诸如特定位置的反照率之类的值，奥雅纳能够测试缓解策略的效果。通过对不同的建筑材料、覆层或屋面进行建模，可以在仿真中进一步完善反照率性能。Arup发现，在伦敦的一个地区，将反照率从0.1提高到0.9可以在峰值条件下使环境温度降低1.1°C。在更大的感兴趣领域，该建模还可用于预测UHI效应以及气候预测，以量化UHI效应的规模。

利用来自 Sentinel-2 等来源的历史数据，可以完成时间研究。这使Arup能够在感兴趣的时段（例如2022年伦敦夏季热浪）对UHI效应进行可视化。奥雅纳完成的《城市热快照》研究揭示了UHI效应如何推高伦敦、马德里、孟买和洛杉矶等城市的气温。

收集感兴趣区域的数据

SageMaker 通过提供地理空间数据提供者目录，消除了手动收集地球观测作业 (EOJ) 数据的复杂性。截至撰写本文时，美国地质调查局陆地卫星、 Sentinel-1 、哥白尼 DEM 、 N AIP：国家农业影像计划和哨兵-2数据可直接从目录中获得。当需要更高分辨率和频率的图像时，您也可以自带 P lanet Labs 数据。内置的地理空间数据集访问功能可节省从各种数据提供商和供应商收集数据所浪费的数周精力。需要提供感兴趣的多边形区域的坐标以及采集 EO 影像的时间范围。

Arup 的下一步是将这些图像合并为一个更大的单一栅格，覆盖整个感兴趣区域。这被称为 马赛克，通过将 GeomosaicConfig 传递给 Sag e Maker StartearthBersvertion Job API 来支持。

我们提供了一些代表Arup所采取步骤的代码示例：

input_config = {
    'AreaOfInterest': {
        'AreaOfInterestGeometry': {
            'PolygonGeometry': {
                'Coordinates': [
                    [
                        [-0.10813482652250173,51.52037502928192],
                        [-0.10813482652250173, 51.50403627237003],
                        [-0.0789364331937179, 51.50403627237003],
                        [-0.0789364331937179, 51.52037502928192],
                        [-0.10813482652250173, 51.52037502928192]
                    ]
                ]
            }
        }
    },
    'TimeRangeFilter': {
        'StartTime': '2020-01-01T00:00:00',
        'EndTime': '2023-01-1T00:00:00'
    },
    'PropertyFilters': {
        'Properties': [
            {
                'Property': {
                    'EoCloudCover': {
                        'LowerBound': 0,
                        'UpperBound': 1
                    }
                }
            }
        ],
    'LogicalOperator': 'AND'
    },
    'RasterDataCollectionArn': 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8'
}


eoj_config = {
    "JobConfig": {
        "CloudRemovalConfig": {
            "AlgorithmName": "INTERPOLATION",
            "InterpolationValue": "-9999",
            "TargetBands": ["red", "green", "blue", "nir", "swir16"],
        },
    }
}


#invoke EOJ this will run in the background for several minutes
eoj = sm_geo_client.start_earth_observation_job(
    Name="London-Observation-Job",
    ExecutionRoleArn=sm_exec_role,
    InputConfig={"RasterDataCollectionQuery":input_config},
   **eoj_config
)
print("EOJ started with... \nName: {} \nID: {}".format(eoj["Name"],eoj["Arn"]))

这可能需要一段时间才能完成。你可以像这样检查你的工作状态：

eoj_arn = eoj["Arn"]
job_details = sm_geo_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
sm_geo_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]

重新采样

接下来，对栅格进行重新采样，以标准化所收集图像的像素大小。你可以使用 ResamplingConfig 通过提供像素边长度的值来实现此目的：

eoj_config = {
    "JobConfig": {
        "ResamplingConfig": {
            "OutputResolution": {
                "UserDefined": {
                    "Value": 20, 
                    "Unit": "METERS"
                }
            },
        "AlgorithmName": "NEAR",
        },
    }
}

eojParams = {
    "Name": "Resample",
    "InputConfig": {
        "PreviousEarthObservationJobArn": eoj["Arn"]
    },
    **eoj_config,
    "ExecutionRoleArn": sm_exec_role,
}

eoj = sm_geo_client.start_earth_observation_job(**eojParams)
print("EOJ started with... \nName: {} \nID: {}".format(eoj["Name"],eoj["Arn"]))

确定承保范围

通过应用归一化差异植被指数 (NDVI) 可以确定植被等土地覆盖范围。实际上，这可以通过反射的红光和近红外光的强度来计算。要将这样的计算结果应用于 SageMaker 中的 EO 数据，可以将 b andmathConfig 提供给 StartearthBersobservation Job API：

job_config={
    "BandMathConfig": {
        'CustomIndices': {
            "Operations":[
                {
                    "Name": "NDVI",
                    "Equation": "(nir - red)/(nir+red)"
                }
            ]
        }
    }
}

eojParams = {
    "Name": "Bandmath",
    "InputConfig": {
        "PreviousEarthObservationJobArn": eoj["Arn"]
    },
    "JobConfig":job_config,
    "ExecutionRoleArn": sm_exec_role,
}

eoj = sm_geo_client.start_earth_observation_job(**eojParams)
print("EOJ started with... \nName: {} \nID: {}".format(eoj["Name"],eoj["Arn"]))

我们可以在 SageMaker 地理空间功能可视化工具中可视化波段数学作业输出的结果。SageMaker 地理空间功能可以帮助您在底图上叠加模型预测，并提供分层可视化以简化协作。基于 GPU 的交互式可视化工具和 Python 笔记本电脑提供了一种在单个窗口中探索数百万个数据点以及就见解和结果进行协作的无缝方式。

SageMaker geospatial job visualisation of analysis showing central London

为可视化做准备

作为最后一步，Arup 通过将各个波段和计算出的波段合并为一个 Geo TIFF 来为可视化做好准备。对于波段堆叠，可以将 SageMaker EOJ 传递给 StackConfig 对象，在该对象中可以根据输入图像的分辨率设置输出分辨率：

job_config={
    'StackConfig': {
        'OutputResolution': {
            'Predefined': 'HIGHEST'
        }
    }
}

eojParams = {
    "Name": "Stack",
    "InputConfig": {
        "PreviousEarthObservationJobArn": "arn:aws:sagemaker-geospatial:us-west-2:951737352731:earth-observation-job/8k2rfir84zb7"
    },
    "JobConfig":job_config,
    "ExecutionRoleArn": sm_exec_role,
}

eoj = sm_geo_client.start_earth_observation_job(**eojParams)
print("EOJ started with... \nName: {} \nID: {}".format(eoj["Name"],eoj["Arn"]))

最后，输出的 GeoTIFF 可以存储在亚马逊简单存储服务（Amazon S3）中以备日后使用，也可以使用 SageMaker 地理空间功能进行可视化。通过将输出存储在 Amazon S3 中，Arup 可以在新项目中使用分析，并将数据整合到新的推理任务中。以Arup为例，他们在现有的地理信息系统可视化工具中使用经过处理的GeoTIFF来生成与其产品设计主题一致的可视化效果。

London analysis visualised with Arup's existing product tooling

结论

通过利用 SageMaker 的原生功能，Arup 得以在几个小时内对城市规模的 UHI 效应进行分析，此前需要数周时间。这有助于奥雅纳帮助自己的客户更快地实现其可持续发展目标，并缩小应应用UHI影响缓解策略的重点领域，从而节省宝贵的资源并优化缓解策略。该分析还可以作为大型风险分析项目的一部分集成到未来的地球观测工具中，并帮助Arup的客户预测UHI在不同情景下的影响。

像Arup这样的公司正在利用地球观测数据通过云端解锁可持续发展。立即在 SageMaker 控制台上探索 SageMaker 地理空间功能，解锁地球观测数据在可持续发展项目中的可能性。要了解更多信息，请参阅亚马逊 SageMaker 地理空间功能，或亲身体验指导解决方案。

作者简介

理查德·亚历山大 是位于布里斯托尔的奥雅纳副地理空间数据科学家。他在建立成功的团队以及领导和交付多个环境领域的地球观测和数据科学相关项目方面有着良好的记录。

马克·哈洛斯是奥雅纳的遥感专家，总部设在伦敦。Mark 为广泛的客户提供地球观测和地理空间数据分析方面的专业知识，并使用传统的机器学习和深度学习技术提供见解和思想领导力。

Thomas Attree 是位于伦敦的亚马逊网络服务的高级解决方案架构师。托马斯目前为电力和公用事业行业的客户提供帮助，并将他对可持续发展的热情应用于帮助客户架构能效应用程序，并就使用云技术为可持续发展项目提供建议。

塔玛拉·赫伯特 是英国亚马逊云科技专业服务的高级应用程序开发人员。她专门为各种客户构建现代且可扩展的应用程序，目前专注于公共部门的客户。她积极参与构建解决方案和推动对话，使组织能够在云端和通过云端实现其可持续发展目标。

Anirudh Viswanathan — 是 SageMaker 地理空间机器学习团队技术外部服务高级产品经理。他拥有卡内基梅隆大学机器人学硕士学位和沃顿商学院工商管理硕士学位，并被任命为50多项专利的发明人。他喜欢长跑、参观美术馆和百老汇演出。

亚马逊云科技精选博客