アマゾンのSageMakerジオスペーシャル機能を使用して、アラップで強靭な都市の設計をする

アマゾンのSageMakerジオスペーシャル機能を使用して、アラップで都市の設計をする

この記事は、ArupのRichard AlexanderとMark Hallowsと共同執筆しました。

Arupは、持続可能な開発に専念するデザイナー、コンサルタント、専門家のグローバルな集団です。データは、世界クラスの収集と分析に基づいて、Arupの顧問業務を裏打ちし、影響を与える洞察力を提供します。

ここで紹介する解決策は、強靭な都市設計の意思決定プロセスを導くものです。持続可能な選択肢に向けたデザインの意思決定を情報提供することで、都市の熱島効果を緩和し、大気品質、水質、都市の音響特性、生物多様性、熱快適性などの生活の質指標を改善します。都市環境内の介入のための重要な領域を特定することで、Arupは業界で最良のガイダンスを提供し、地球上の市民の生活の質を向上させることができます。

都市の熱島現象は、都市部が周囲の農村環境と比較して温度に与える影響を説明します。都市の熱島が都市の住民に与える影響を理解することで、住民の生活に都市の熱の影響を軽減するより良いデザインが可能になります。都市の熱島効果は、人間の健康、温室効果ガスの排出、水質への影響、エネルギー使用量の増加に影響を与えます。都市当局、資産所有者、開発者にとって、人口への影響を理解することが生活の質と自然生態系の改善の鍵となります。UHIを正確にモデリングすることは複雑な課題ですが、Arupは地球観測データとAmazon SageMakerを使用して現在解決しています。

• 「イスラエルがドローンの空域ネットワークを構築」
• 「透明なセンサーが視線追跡を目に見えないように隠す」
• 神経形態チップの訓練の突破口的な方法

この記事では、ArupがAWSと提携して、Amazon SageMakerの地球観測能力を使用して衛星画像からUHIの洞察を解き放つための地球観測分析を行った方法を紹介しています。 SageMakerの地球観測能力を使用すると、データサイエンティストや機械学習（ML）エンジニアが地理空間データを使用してモデルを構築、トレーニング、展開することが容易になります。 SageMakerの地球観測能力を使用すると、大規模な地理空間データセットを効率的に変換および拡張し、事前トレーニングされたMLモデルで製品開発と洞察の時間を短縮し、3Dアクセラレートグラフィックスと組み込みの可視化ツールを使用してモデルの予測と地理空間データをインタラクティブなマップ上で探索することが可能です。

解決策の概要

初期の解決策は、2022年夏の熱波中にイギリス保健安全局が推定した2,803人の過剰死亡が熱によるものであるというロンドンに焦点を当てています。都市環境内で人々がUHI効果によりより脆弱である可能性がある領域を特定することで、公共サービスは最も大きな影響を与える場所に支援を重点的に向けることができます。これは高温イベントの前にも予測できるため、極端な気象の影響を軽減し、都市住民にとって良い結果をもたらすことができます。

都市観測（EO）データは都市スケールでの分析に使用されました。ただし、大規模な地理的領域のデータの保存、整理、クエリの従来の方法には課題があります。Arupはこの課題に対処するためにAWSと提携し、SageMakerの地球観測能力を使用して都市スケール以上の分析を可能にしました。地理的領域がロサンゼルスや東京などのより大きな都市圏に広がるにつれ、分析のためのストレージと計算が必要とされます。 AWSインフラストラクチャの弾力性は、どんなサイズの都市環境のUHI分析にも理想的です。

解決策：UHeat

Arupは、UHeatというデジタルソリューションを開発するためにSageMakerを使用しました。UHeatは、温度上昇の原因となっている特定の建物、構造物、材料を特定するために、衛星画像とオープンソースの気候データの組み合わせを使用して分析を行います。

Arupの小さなチームは、最初の分析を行いましたが、追加のデータサイエンティストがSageMakerのツールとワークフローにトレーニングを受ける必要がありました。以前は社内ツールを使用してデータサイエンティストを新しいプロジェクトにオンボードするのに数週間かかっていましたが、SageMakerを使用すると数時間で済みます。

EO分析の最初のステップは、データの収集と準備です。 SageMakerを使用すると、Arupは、Sentinel-2データなどのジオスペーシャルデータプロバイダのカタログからデータにアクセスできます。組み込みのジオスペーシャルデータセットへのアクセスにより、さまざまなデータプロバイダやベンダーからデータを収集し準備するために失われる数週間の労力を節約することができます。 EO画像は頻繁に小さなタイルで構成されており、ロンドンのような範囲をカバーするためには結合する必要があります。これはジオモザイクと呼ばれ、SageMakerのジオモザイク地球観測ジョブを使用して自動的に作成できます。

関心領域のEOデータが編成された後、分析のための主要な影響パラメータを抽出することができます。 UHIの場合、Arupは、建物のジオメトリ、建築材料、人為的熱源のパラメータ、既存および計画された緑地のカバレッジなどのデータを抽出できる必要がありました。 Sentinel-2などの光学画像を使用すると、建物、道路、水、植生、裸地、およびこれらの表面の反射率（反射度の測定値）などの土地被覆クラスを計算することができます。

衛星画像の異なるバンドからの値を計算することにより、SUEWSモデルの入力として使用することができます。SUEWSの結果は、Arupの既存の地理空間データプラットフォームを使用して可視化されます。特定の場所のアルベドなどの値を調整することで、Arupは緩和戦略の効果をテストすることができます。アルベドの性能は、さまざまな建築材料、クラッディング、または屋根をモデル化することにより、シミュレーションでさらに洗練されることができます。Arupは、ロンドンのある地域では、アルベドを0.1から0.9に増やすことで、ピーク時の周囲温度を1.1°C低下させることがわかりました。興味のある広い地域では、このモデリングを使用してUHI効果を気候予測と並行して予測し、UHI効果のスケールを定量化することもできます。

Sentinel-2などの過去のデータを使用することで、時間的な研究が可能になります。これにより、Arupはロンドンの2022年の夏の熱波など、興味のある期間におけるUHI効果を可視化することができます。Arupが行ったUrban Heat Snapshot研究では、UHI効果がロンドン、マドリード、ムンバイ、ロサンゼルスなどの都市の気温を上昇させていることが明らかになりました。

興味のある地域のデータ収集

SageMakerは、地球観測ジョブ（EOJ）のデータを手動で収集する際の複雑さを解消するために、ジオスペーシャルデータプロバイダのカタログを提供します。現時点では、USGS Landsat、Sentinel-1、Copernicus DEM、NAIP：National Agriculture Imagery Program、Sentinel-2のデータがカタログから直接利用できます。解像度と頻度がより高いイメージが必要な場合は、独自のPlanet Labsデータを持ち込むこともできます。組み込みのジオスペーシャルデータセットアクセスにより、さまざまなデータプロバイダやベンダーからデータを収集するために失われる数週間の作業が省略されます。興味のあるポリゴンエリアの座標とEO画像の収集期間も提供する必要があります。

Arupの次のステップは、これらの画像を興味のある全体のエリアをカバーするより大きな単一のラスタに結合することでした。これはモザイキングとして知られ、SageMaker StartEarthObservationJob APIにGeoMosaicConfigを渡すことでサポートされています。

Arupが実施した手順を代表するコードサンプルを提供しました：

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"],
        },
    }
}


# EOJを呼び出す（これには数分かかる場合があります）
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"]))

これには時間がかかる場合があります。ジョブのステータスを次のように確認できます：

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"]}
# アカウントのすべてのジョブをリストする
sm_geo_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]

リサンプリング

次に、収集された画像間でピクセルサイズを正規化するために、ラスターをリサンプリングします。これを実現するために、ResamplingConfigを使用できます。ピクセルの1辺の長さの値を指定します：

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"]))

カバレッジの決定

植生などの土地のカバレッジを決定するには、正規化された植生指数(NDVI)を適用することができます。実際には、反射した赤色と近赤外線光の強度から計算できます。SageMaker内のEOデータにこのような計算を適用するには、StartEarthObservationJob APIにBandMathConfigを提供することができます：

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"]))

SageMakerの地理空間機能の可視化ツールを使用して、バンドマスクジョブの出力結果を可視化することができます。SageMakerの地理空間機能は、モデルの予測結果を基本マップにオーバーレイし、層状の可視化を提供することで、コラボレーションを容易にします。GPUパワードのインタラクティブなビジュアライザとPythonノートブックは、数百万のデータポイントを1つのウィンドウで探索し、洞察と結果について協力するためのシームレスな方法を提供します。

可視化の準備

最後に、Arupは異なるバンドと計算されたバンドを組み合わせて単一のGeoTIFFにまとめ、可視化のために準備します。バンドスタッキングのために、SageMaker EOJsにはStackConfigオブジェクトを渡すことができます。出力の解像度は、入力画像の解像度に基づいて設定することができます：

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"]))

最後に、出力のGeoTIFFを後で使用するために、Amazon Simple Storage Service (Amazon S3)に保存するか、SageMakerの地理空間機能を使用して可視化することができます。Amazon S3に出力を保存することで、Arupは新しいプロジェクトで分析を使用し、データを新しい推論ジョブに組み込むことができます。Arupの場合、彼らは処理されたGeoTIFFを既存の地理情報システムの可視化ツールに使用して、製品デザインのテーマに一貫性のある可視化を作成しました。

結論

ArupはSageMakerのネイティブ機能を活用することで、従来数週間かかっていた都市規模でのUHI効果の分析を数時間で行うことができました。これにより、Arupはクライアントが持つ持続可能性の目標をより速く達成することを支援し、UHI効果の緩和策を適用すべき重点領域を絞り込むことで、貴重なリソースを節約し、緩和戦略を最適化することができます。この分析は、将来の地球観測ツールの一部として大規模なリスク分析プロジェクトに統合されることもあり、Arupの顧客はさまざまなシナリオでのUHI効果を予測するのに役立ちます。

Arupのような企業は、地球観測データを活用して持続可能性を実現しています。今日のSageMakerコンソールでSageMakerの地理空間能力を探索することで、あなたの持続可能性プロジェクトで地球観測データの可能性を引き出してください。詳細については、Amazon SageMakerの地理空間能力を参照するか、ガイダンスソリューションで手を動かしてみてください。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!