Ml 11881 Visualisation 1100x630.png

Esta publicación es coautora de Richard Alexander y Mark Hallows de Arup.

Arup es un colectivo global de diseñadores, consultores y expertos dedicados al desarrollo sostenible. Los datos respaldan la consultoría de Arup para clientes con recopilación y análisis de primer nivel que brindan información para generar un impacto.

La solución que se presenta aquí es dirigir los procesos de toma de decisiones para el diseño de ciudades resilientes. Informar las decisiones de diseño hacia opciones más sostenibles reduce el efecto general de islas de calor urbanas (UHI) y mejora las métricas de calidad de vida para la calidad del aire, la calidad del agua, la acústica urbana, la biodiversidad y el confort térmico. Identificar áreas clave dentro de un entorno urbano para la intervención permite a Arup brindar la mejor orientación en la industria y crear una mejor calidad de vida para los ciudadanos de todo el planeta.

Las islas de calor urbanas describen el efecto que tienen las áreas urbanas sobre la temperatura en comparación con los entornos rurales circundantes. Comprender cómo la UHI afecta a nuestras ciudades conduce a mejores diseños que reducen el impacto del calor urbano en los residentes. El efecto UHI afecta la salud humana, las emisiones de gases de efecto invernadero y la calidad del agua, y conduce a un mayor uso de energía. Para las autoridades municipales, los propietarios de activos y los desarrolladores, comprender el impacto en la población es clave para mejorar la calidad de vida y los ecosistemas naturales. Modelar UHI con precisión es un desafío complejo, que Arup ahora está resolviendo con datos de observación de la Tierra y Amazon SageMaker.

Esta publicación muestra cómo Arup se asoció con AWS para realizar análisis de observación de la Tierra con Capacidades geoespaciales de Amazon SageMaker para desbloquear conocimientos de UHI a partir de imágenes satelitales. Las capacidades geoespaciales de SageMaker facilitan a los científicos de datos y a los ingenieros de aprendizaje automático (ML) construir, entrenar e implementar modelos utilizando datos geoespaciales. Las capacidades geoespaciales de SageMaker le permiten transformar y enriquecer de manera eficiente conjuntos de datos geoespaciales a gran escala, acelerar el desarrollo de productos y el tiempo de obtención de información con modelos de aprendizaje automático previamente entrenados y explorar predicciones de modelos y datos geoespaciales en un mapa interactivo utilizando gráficos acelerados en 3D y visualización integrada. herramientas.

Descripción general de la solución

La solución inicial se centra en Londres, donde durante una ola de calor en el verano de 2022, la Agencia de Seguridad Sanitaria del Reino Unido Se estima un exceso de 2.803 muertes. fueron causados ​​por el calor. Identificar áreas dentro de un entorno urbano donde las personas pueden ser más vulnerables al efecto UHI permite a los servicios públicos dirigir la asistencia hacia donde tendrá el mayor impacto. Esto puede incluso pronosticarse antes de que se produzcan fenómenos de altas temperaturas, lo que reduce el impacto del clima extremo y genera un resultado positivo para los habitantes de las ciudades.

Se utilizaron datos de observación de la Tierra (EO) para realizar el análisis a escala de ciudad. Sin embargo, el tamaño total plantea desafíos con las formas tradicionales de almacenar, organizar y consultar datos para grandes áreas geográficas. Arup abordó este desafío asociándose con AWS y utilizando las capacidades geoespaciales de SageMaker para permitir el análisis a escala de ciudad y más allá. A medida que el área geográfica crece hacia áreas metropolitanas más grandes como Los Ángeles o Tokio, se requiere más almacenamiento y computación para el análisis. La elasticidad de la infraestructura de AWS es ideal para análisis UHI de entornos urbanos de cualquier tamaño.

La solución: UHeat

Arup utilizó SageMaker para desarrollar UCalor, una solución digital que analiza grandes áreas de ciudades para identificar edificios, estructuras y materiales particulares que están provocando el aumento de las temperaturas. UHeat utiliza una combinación de imágenes satelitales y datos climáticos de fuente abierta para realizar el análisis.

Un pequeño equipo de Arup llevó a cabo el análisis inicial, durante el cual fue necesario capacitar a científicos de datos adicionales sobre las herramientas y los flujos de trabajo de SageMaker. Incorporar científicos de datos a un nuevo proyecto solía llevar semanas utilizando herramientas internas. Ahora esto lleva unas horas con SageMaker.

El primer paso de cualquier análisis de EO es la recopilación y preparación de los datos. Con SageMaker, Arup puede acceder a datos de un catálogo de proveedores de datos geoespaciales, incluidos Centinela-2 datos, que se utilizaron para el análisis de Londres. El acceso integrado a conjuntos de datos geoespaciales ahorra semanas de esfuerzo que, de otro modo, se perderían al recopilar y preparar datos de diversos proveedores y vendedores de datos. Las imágenes de EO se componen frecuentemente de pequeños mosaicos que, para cubrir un área del tamaño de Londres, deben combinarse. Esto se conoce como un geomosaicoque se puede crear automáticamente utilizando las operaciones geoespaciales administradas en un SageMaker Trabajo de Observación de la Tierra Geomosaico.

Una vez recopilados los datos de EO para el área de interés, se pueden extraer los parámetros clave que influyen en el análisis. Para UHI, Arup necesitaba poder derivar datos sobre parámetros de geometría de construcción, materiales de construcción, fuentes de calor antropogénicas y cobertura de espacios verdes existentes y planificados. Utilizando imágenes ópticas como Sentinel-2, se pueden calcular las clases de cobertura del suelo, incluidos edificios, carreteras, agua, cobertura vegetal, suelo desnudo y el albedo (medida de reflectancia) de cada una de estas superficies.

Calcular los valores de las diferentes bandas en las imágenes de satélite permite utilizarlos como entradas en el SUES modelo, que proporciona una forma rigurosa de calcular el efecto UHI. Luego se visualizan los resultados de SUEWS, en este caso con la plataforma de datos geoespaciales existente de Arup. Al ajustar valores como el albedo de una ubicación específica, Arup puede probar el efecto de las estrategias de mitigación. El rendimiento de Albedo se puede perfeccionar aún más en simulaciones modelando diferentes materiales de construcción, revestimientos o techos. Arup descubrió que en una zona de Londres, aumentar el albedo de 0,1 a 0,9 podría disminuir la temperatura ambiente en 1,1°C durante las condiciones máximas. En áreas de interés más amplias, este modelo también se puede utilizar para pronosticar el efecto UHI junto con proyecciones climáticas para cuantificar la escala del efecto UHI.

Con datos históricos de fuentes como Sentinel-2 se pueden completar estudios temporales. Esto permite a Arup visualizar el efecto UHI durante períodos de interés, como la ola de calor del verano de 2022 en Londres. El Instantánea del calor urbano La investigación que ha completado Arup revela cómo el efecto UHI está elevando las temperaturas en ciudades como Londres, Madrid, Mumbai y Los Ángeles.

Recopilar datos para un área de interés

SageMaker elimina las complejidades de la recopilación manual de datos para trabajos de observación de la Tierra (EOJ) al proporcionar un catálogo de proveedores de datos geoespaciales. Al momento de escribir este artículo, Landsat del USGS, Centinela-1, Copérnico DEM, NAIP: Programa Nacional de Imágenes Agrícolasy Centinela-2 Los datos están disponibles directamente desde el catálogo. También puedes traer el tuyo Planeta Datos de laboratorio cuando se requieren imágenes con mayor resolución y frecuencia. El acceso integrado a conjuntos de datos geoespaciales ahorra semanas de esfuerzo que de otro modo se perderían al recopilar datos de varios proveedores y vendedores de datos. Es necesario proporcionar las coordenadas del área de interés del polígono, así como el intervalo de tiempo en el que se recopilaron las imágenes de EO.

El siguiente paso de Arup fue combinar estas imágenes en una única trama más grande que cubriera toda el área de interés. Esto se conoce como mosaico y se apoya pasando Configuración GeoMosaica al sabio Iniciar trabajo de observación de la Tierra API.

Hemos proporcionado algunos ejemplos de código representativos de los pasos que tomó Arup:

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"]))

Esto puede tardar un poco en completarse. Puede verificar el estado de sus trabajos de esta manera:

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"]

Remuestreo

A continuación, se vuelve a muestrear el ráster para normalizar el tamaño de píxel en las imágenes recopiladas. Puedes usar Configuración de remuestreo para lograr esto proporcionando el valor de la longitud de un lado del píxel:

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"]))

Determinando la cobertura

Es posible determinar la cobertura del suelo, como la vegetación, aplicando un índice de vegetación de diferencia normalizada (NDVI). En la práctica, esto se puede calcular a partir de la intensidad de la luz roja y del infrarrojo cercano reflejada. Para aplicar dicho cálculo a los datos de EO dentro de SageMaker, el BandaMathConfig se puede suministrar a la Iniciar trabajo de observación de la Tierra 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"]))

Podemos visualizar el resultado de la salida del trabajo matemático de banda dentro de la herramienta de visualización de capacidades geoespaciales de SageMaker. Las capacidades geoespaciales de SageMaker pueden ayudarle a superponer predicciones de modelos en un mapa base y proporcionar visualización en capas para facilitar la colaboración. El visualizador interactivo con tecnología de GPU y los cuadernos de Python brindan una manera perfecta de explorar millones de puntos de datos en una sola ventana, así como de colaborar en los conocimientos y resultados.

Preparándose para la visualización

Como paso final, Arup prepara las distintas bandas y las bandas calculadas para su visualización combinándolas en una sola. geoTIFF. Para el apilamiento de bandas, los EOJ de SageMaker se pueden pasar Configuración de pila objeto, donde la resolución de salida se puede configurar en función de las resoluciones de las imágenes de entrada:

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"]))

Finalmente, el GeoTIFF de salida se puede almacenar para su uso posterior en Servicio de almacenamiento simple de Amazon (Amazon S3) o visualizado utilizando las capacidades geoespaciales de SageMaker. Al almacenar el resultado en Amazon S3, Arup puede utilizar el análisis en nuevos proyectos e incorporar los datos en nuevos trabajos de inferencia. En el caso de Arup, utilizaron el GeoTIFF procesado en las herramientas de visualización de su sistema de información geográfica existente para producir visualizaciones consistentes con los temas de diseño de sus productos.

Análisis de Londres visualizado con las herramientas de productos existentes de Arup

Conclusión

Al utilizar la funcionalidad nativa de SageMaker, Arup pudo realizar en unas pocas horas un análisis del efecto UHI a escala de ciudad, que anteriormente llevaba semanas. Esto ayuda a Arup a permitir que sus propios clientes cumplan sus objetivos de sostenibilidad más rápidamente y reduce las áreas de enfoque donde se deben aplicar estrategias de mitigación del efecto UHI, ahorrando recursos valiosos y optimizando las tácticas de mitigación. El análisis también se puede integrar en futuras herramientas de observación de la Tierra como parte de proyectos de análisis de riesgos más amplios y ayuda a los clientes de Arup a pronosticar el efecto de UHI en diferentes escenarios.

Empresas como Arup están desbloqueando la sostenibilidad a través de la nube con datos de observación de la Tierra. Desbloquee las posibilidades de los datos de observación de la Tierra en sus proyectos de sostenibilidad explorando hoy las capacidades geoespaciales de SageMaker en la consola de SageMaker. Para obtener más información, consulte Capacidades geoespaciales de Amazon SageMakero ponte manos a la obra con un solución de orientación.


Sobre los autores

Retrato de Ricardo AlejandroRicardo Alejandro es científico asociado de datos geoespaciales en Arup, con sede en Bristol. Tiene una trayectoria comprobada en la creación de equipos exitosos y en la dirección y ejecución de proyectos relacionados con la observación de la Tierra y la ciencia de datos en múltiples sectores ambientales.

Retrato de Mark Hallowsmarca reliquias es especialista en teledetección en Arup, con sede en Londres. Mark brinda experiencia en observación de la Tierra y análisis de datos geoespaciales a una amplia gama de clientes y brinda conocimientos y liderazgo intelectual utilizando técnicas tradicionales de aprendizaje automático y aprendizaje profundo.

Retrato de Thomas AttreeThomas Attree es arquitecto senior de soluciones en Amazon Web Services con sede en Londres. Actualmente, Thomas ayuda a los clientes de la industria de la energía y los servicios públicos y aplica su pasión por la sostenibilidad para ayudar a los clientes a diseñar aplicaciones para la eficiencia energética, además de asesorarlos sobre el uso de la tecnología de la nube para potenciar los proyectos de sostenibilidad.

Retrato de Tamara HerbertTamara Herbert es desarrollador senior de aplicaciones en AWS Professional Services en el Reino Unido. Se especializa en la creación de aplicaciones modernas y escalables para una amplia variedad de clientes, centrándose actualmente en aquellos del sector público. Participa activamente en la creación de soluciones e impulsando conversaciones que permitan a las organizaciones alcanzar sus objetivos de sostenibilidad tanto en la nube como a través de ella.

Retrato de Anirudh ViswanathanAnirudh Viswanathan – es Gerente de Producto Sr, Servicios Técnicos Externos con el equipo de ML geoespacial de SageMaker. Tiene una Maestría en Robótica de la Universidad Carnegie Mellon y un MBA de la Wharton School of Business, y es nombrado inventor de más de 50 patentes. Le gustan las carreras de larga distancia, visitar galerías de arte y espectáculos de Broadway.