减少EO数据量以优化卫星运营

云计算
re:Invent
0
0
## 视频 <video src="https://dev-media.amazoncloud.cn/30-LibaiGenerate/31-LiBaiRebrandingVideo/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations-LBrebrandingWCaptionCN.mp4" class="bytemdVideo" controls="controls"></video> ## 导读 在这个闪电演讲中,了解[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)如何被用于轨道上以减少必须下传回地球的数据量。这将节省成本并提高地球观测分析的效率。 ## 演讲精华 <font color = "grey">以下是小编为您整理的本次演讲的精华,共600字,阅读时间大约是3分钟。如果您想进一步了解演讲内容或者观看演讲全文,请观看演讲完整视频或者下面的演讲原文。</font> 亚历山大·德·索萨担任SkyWatch公司的图像处理和[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)负责人。该公司成立于2014年,最初专注于测量超新星,后在2016年转向地球观测。SkyWatch的目标是让卫星图像获取变得民主化,因为从大型供应商购买可能会非常昂贵。在努力实现这一目标的过程中,SkyWatch在2021年获得了B系列融资。 为了展示SkyWatch提供的高分辨率影像,德·索萨展示了一张分辨率为50厘米的机场卫星照片。这张照片清晰地显示了飞机、车辆,甚至还有一些可见的跑道编号。虽然这张图片包含丰富的视觉信息,但获取和处理这些数据涉及许多复杂步骤。从初始图像捕获到最终交付,必须纠正伪影并应用增强功能。对于监控机场或评估气候变化影响等各种应用,可靠地访问高质量的卫星数据至关重要。 然而,德·索萨解释说,任何特定时间,大约70%的地球被云层覆盖。这成了一个主要问题,因为客户会为在特定区域收集影像付费,但通常收到的是云层密布、无法使用的结果。卫星运营商必须管理其资产,打开光圈收集新图像,下行传输数据,进行处理,并将其提供给焦急等待的客户。然而,尽管付出了时间、努力和费用,但最终产品经常受到云层的遮挡。 为了解决这个问题并优化成本,SkyWatch旨在在工作流程的早期拦截低质量图像。通过在上游识别多云场景,提供商可以避免处理和交付成本。理想的系统应该能够自动接受清晰图像,同时拒绝有云的图像。 为了让自动化场景分类成为可能,SkyWatch已经开发了一个先进的深度学习模型。德·索萨详细介绍了该模型的架构,包括一个U-Net主干,带有在ImageNet的1400万张图像上预训练的ResNet50编码器/解码器。虽然强大,但训练在日常物体上的模型无法有效地判断云覆盖。因此,SkyWatch已经收集了大量手动标注的卫星云图像数据集来训练他们的高级系统。由此产生的算法成功地识别出了云层,无论传感器还是分辨率的具体情况如何。 该人工智能模型被部署在[无服务器](https://aws.amazon.com/cn/serverless/?trk=cndc-detail)架构上,利用了Amazon ECR、Lambda、Step Functions和SageMaker等技术。在生产模型运行的过程中,新的版本会在可能升级之前进行测试评估。所有的推理结果都会被收集并在S3存储桶中进行分析。这个简化的拥有1100万个参数的模型已经在减少无效图像方面的成本方面取得了显著的成果。 展望未来,SkyWatch计划将这类模型迁移至太空中进行在轨处理。De Souza表示,过去构建亚马逊云科技[无服务器](https://aws.amazon.com/cn/serverless/?trk=cndc-detail)系统的经验教训将为基于空间的架构策略提供指导,将地面和航天器部分分开。卫星上的Docker容器将支持模型的执行。一个仅22MB的TensorFlow Lite版本在保证准确性的同时满足了严格的空间限制。通过这些创新,操作员可以在浪费性的下行链路之前在执行机上进行分析以丢弃云拍摄的镜头。 总的来说,通过像这样专业的[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)模型,SkyWatch使得卫星公司能够实时过滤掉模糊不清的图像,从而大幅度优化运营并降低成本。他们的努力展示了云计算分析和边缘计算是如何从航空航天领域转向自动驾驶汽车等其它领域的。 **下面是一些演讲现场的精彩瞬间:** 亚历山大·德·索萨(Alexander De Souza)来自天空监控公司(SkyWatch),他探讨了该公司如何在降低地球观测数据量和优化卫星运营商成本方面发挥作用。 ![](https://d1trpeugzwbig5.cloudfront.net/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations/images/rebranded/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations_0.png) 作为一家初创公司,SkyWatch的创始人分享了他们在2016年进入地球观测领域的目标,即让这一领域的数据获取变得更加民主化。 ![](https://d1trpeugzwbig5.cloudfront.net/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations/images/rebranded/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations_1.png) 该公司的高分辨率50厘米卫星图像在各种应用中得到了广泛应用,例如对机场场地进行详细监测。 ![](https://d1trpeugzwbig5.cloudfront.net/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations/images/rebranded/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations_2.png) 然而,地球观测的一个长期挑战是,大约任何时候都有70%的地球被云层覆盖,这阻碍了可用卫星图像的发展。 ![](https://d1trpeugzwbig5.cloudfront.net/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations/images/rebranded/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations_3.png) 亚马逊云科技(Amazon Web Services)利用[无服务器](https://aws.amazon.com/cn/serverless/?trk=cndc-detail)组件,如ECR、Lambda和SageMaker,在实时生产环境中构建、协调和部署[机器学习](https://aws.amazon.com/cn/machine-learning/?trk=cndc-detail)模型。 ![](https://d1trpeugzwbig5.cloudfront.net/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations/images/rebranded/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations_4.png) SkyWatch通过降低成本并使卫星能够在轨道上执行关键分类任务的方式,将AI模型引入太空,这一点也受到了领导者的重视。 ![](https://d1trpeugzwbig5.cloudfront.net/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations/images/rebranded/AES206-Reducing_EO_data_volume_to_optimize_satellite_operations_5.png) ## 总结 亚历山大·德·索萨(Alexander De Souza)来自天空观测公司(SkyWatch),该公司专注于提供高分辨率卫星图像。然而,由于云层遮挡,大约70%的图像被浪费在了下行链路带宽和处理资源上。为解决这一问题,天空观测公司研发了一种深度学习模型,用于在下行链路前对多云图像进行分类。这种模型采用了具有ResNet50编码器/解码器的U型网络架构,并在ImageNet上进行预训练。此外,他们还创建了一个大型的带有标注的多云卫星图像数据集用于训练。这个拥有1100万参数的模型在[无服务器](https://aws.amazon.com/cn/serverless/?trk=cndc-detail)亚马逊云科技上运行,使得更新版本的轻松部署变得更加容易。 天空观测公司的目标是将这些模型直接部署到卫星上,以便在太空中拒绝不良图像,避免浪费下行链路和处理资源。他们已经优化了这些模型,使其能够适应在卫星硬件上运行的3GB Docker容器。经过优化的、大小为22MB的TensorFlow Lite模型可以在3秒内对图像进行分类,同时保持高准确性。这使得卫星能够只下行传输有用的数据,从而大大降低成本并提高观测效果。 总的来说,天空观测公司利用亚马逊云科技上的深度学习技术来识别下行链路前的多云卫星图像。通过在太空中部署优化后的模型,他们使卫星能够过滤掉无用数据,从而实现大幅度的成本节省并优化地球观测。 ## 演讲原文 ## 想了解更多精彩完整内容吗?立即访问re:Invent 官网中文网站! [2023亚马逊云科技re:Invent全球大会 - 官方网站](https://webinar.amazoncloud.cn/reInvent2023/?s=8739&smid=19458 "2023亚马逊云科技re:Invent全球大会 - 官方网站") [点击此处](https://aws.amazon.com/cn/new/?trk=6dd7cc20-6afa-4abf-9359-2d6976ff9600&trk=cndc-detail "点击此处"),一键获取亚马逊云科技全球最新产品/服务资讯! [点击此处](https://www.amazonaws.cn/new/?trk=2ab098aa-0793-48b1-85e6-a9d261bd8cd4&trk=cndc-detail "点击此处"),一键获取亚马逊云科技中国区最新产品/服务资讯! ## 即刻注册亚马逊云科技账户,开启云端之旅! [【免费】亚马逊云科技“100 余种核心云服务产品免费试用”](https://aws.amazon.com/cn/campaigns/freecenter/?trk=f079813d-3a13-4a50-b67b-e31d930f36a4&sc_channel=el&trk=cndc-detail "【免费】亚马逊云科技“100 余种核心云服务产品免费试用“") [【免费】亚马逊云科技中国区“40 余种核心云服务产品免费试用”](https://www.amazonaws.cn/campaign/CloudService/?trk=2cdb6245-f491-42bc-b931-c1693fe92be1&sc_channel=el&trk=cndc-detail "【免费】亚马逊云科技中国区“40 余种核心云服务产品免费试用“")
目录
亚马逊云科技解决方案 基于行业客户应用场景及技术领域的解决方案
联系亚马逊云科技专家
亚马逊云科技解决方案
基于行业客户应用场景及技术领域的解决方案
联系专家
0
目录
关闭