在 Gramener 使用 Amazon SageMaker 地理空间能力理解和预测城市热岛 机器学

理解与预测城市热岛效应：Gramener 利用 Amazon SageMaker 的地理空间能力

关键要点

本篇文章讨论了 Gramener 如何利用 Amazon SageMaker 的地理空间能力，理解和预测城市热岛效应UHI。南城市中温度显著高于周边乡村的现象正变得越来越普遍，这不仅影响环境，还对健康造成负面影响。Gramener 通过 GeoBox 解决方案，利用空间数据与高级建模技术来评估和缓解 UHI 的影响。具体来说，这些影响包括：

通过 GeoBox，用户能够轻松访问和分析公共地理空间数据，快速识别 UHI 热点，从而采取针对性的缓解策略。

解决方案概述

GeoBox 的目标是通过分析空间特征来预测 UHI 效应，帮助理解基础设施和土地使用变化如何影响 UHI 模式，并识别出关键因素。GeoBox 支持：

解决方案工作流

解决方案的工作流分为三个主要阶段，从数据获取到空间建模与预测。以下是各个阶段的简要概述。

第一阶段：数据管道

使用 Landsat 8 卫星每 15 天捕获的详细影像，形成城市的综合视图，并采用 48 米的网格系统进行精确的空间分析。

第二阶段：探索分析

整合基础设施与人口数据，GeoBox 帮助用户可视化城市分布，获取城市形态学见解，利用前两阶段数据生成 NDVI 和 NDBI 等指标。

第三阶段：分析模型

本阶段包括三个模块，利用 ML 模型深入了解 LST 及其他影响因素的关系：

数据获取与预处理

Gramener 使用 Amazon SageMaker Studio 中的地理空间笔记本进行数据处理，获取的 Landsat 8 数据为 UHI 的解决方案提供了重要支持。

通过 SearchRasterDataCollection API，SageMaker 可高效检索卫星影像，支持指定区域、时间范围及云层过滤条件。

空间建模与 LST 预测

在处理任务中，计算多种变量，包括从 Landsat 8 计算的顶气层光谱辐射度、亮温，以及建筑覆盖率等形态变量。利用指数平滑法，Gramener 预测了 LST 值，确保更高的精确度与趋势分析。

通过 SageMaker 的可视化工具，提供了基于模型预测的地理数据叠加图，方便有效的决策支持。

结论

Gramener 通过 SageMaker 成功缩短 UHI 分析的处理时间，帮助客户实现可持续城市环境的决策支持。了解更多关于 Amazon SageMaker 地理空间能力的信息，可以参阅 Get started with Amazon SageMaker geospatial capabilities。

作者介绍

Abhishek Mittal：AWS 全球公共部门团队解决方案架构师，专注于可扩展架构的建议与云安全。

Janosch Woschitz：AWS 高级解决方案架构师，擅长 AI/ML 领域，支持全球客户利用 AI 和 ML 进行创新解决方案构建。

Shravan Kumar：Gramener 客户成功高级总监，拥有十年丰富的商业分析与数据推广经验。

Avirat S：Gramener 地理空间数据科学家，专注于利用 AI/ML 从地理数据中解锁见解，分析支持城市规划与灾害管理。