ScriptProcessor を使用して衛星データを使用して正規化された差動植物インデックス (NDVI) Sentinel-2 を計算する - Amazon SageMaker

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

ScriptProcessor を使用して衛星データを使用して正規化された差動植物インデックス (NDVI) Sentinel-2 を計算する

次のコードサンプルは、Studio Classic ノートブック内の専用の地理空間イメージを使用して特定の地理的エリアの正規化された差植物インデックスを計算し、Python SDK ScriptProcessorの SageMaker を使用して Amazon SageMaker Processing で大規模なワークロードを実行する方法を示しています。

このデモでは、地理空間カーネルとインスタンスタイプを使用する Amazon SageMaker Studio Classic ノートブックインスタンスも使用します。Studio Classic 地理空間ノートブックインスタンスを作成する方法については、「」を参照してください地理空間イメージを使用して Amazon SageMaker Studio Classic ノートブックを作成する

次のコードスニペットをコピーして貼り付けることで、独自のノートブックインスタンスでこのデモをフォローできます。

search_raster_data_collection を使用すると、サポートされているラスターデータ収集をクエリできます。この例では、Sentinel-2衛星から取得されたデータを使用します。指定された対象地域 (AreaOfInterest) はアイオワ北部で、時間範囲 (TimeRangeFilter) は 2022 年 1 月 1 日から 2022 年 12 月 30 日です。で使用可能なラスターデータ収集を表示するには、 AWS リージョン を使用しますlist_raster_data_collections。この API を使用したコード例については、「Amazon SageMaker デベロッパーガイドListRasterDataCollections」の「」を参照してください。

次のコード例では、ラスターデータ収集に関連付けられた ARNSentinel-2、 を使用しますarn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8

search_raster_data_collection API リクエストには 2 つのパラメータが必要です。

  • クエリを実行するラスターデータ収集に対応する Arnパラメータを指定する必要があります。

  • また、Pythonディクショナリを取り込む RasterDataCollectionQuery パラメータを指定する必要があります。

次のコード例には、 search_rdc_query変数に保存された RasterDataCollectionQuery パラメータに必要なキーと値のペアが含まれています。

search_rdc_query = { "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": { "Coordinates": [[ [ -94.50938680498298, 43.22487436936203 ], [ -94.50938680498298, 42.843474642037194 ], [ -93.86520004156142, 42.843474642037194 ], [ -93.86520004156142, 43.22487436936203 ], [ -94.50938680498298, 43.22487436936203 ] ]] } } }, "TimeRangeFilter": {"StartTime": "2022-01-01T00:00:00Z", "EndTime": "2022-12-30T23:59:59Z"} }

search_raster_data_collection リクエストを行うには、ラスターデータ収集の ARN Sentinel-2 を指定する必要があります: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8。また、クエリパラメータを指定する、前に定義した Python ディクショナリを渡す必要があります。

## Creates a SageMaker Geospatial client instance sm_geo_client= session.create_client(service_name="sagemaker-geospatial") search_rdc_response1 = sm_geo_client.search_raster_data_collection( Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', RasterDataCollectionQuery=search_rdc_query )

この API の結果をページ分割することはできません。search_raster_data_collection オペレーションによって返されるすべての衛星画像を収集するには、whileループを実装できます。これにより、NextTokenAPI レスポンスで がチェックされます。

## Holds the list of API responses from search_raster_data_collection items_list = [] while search_rdc_response1.get('NextToken') and search_rdc_response1['NextToken'] != None: items_list.extend(search_rdc_response1['Items']) search_rdc_response1 = sm_geo_client.search_raster_data_collection( Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', RasterDataCollectionQuery=search_rdc_query, NextToken=search_rdc_response1['NextToken'] )

API レスポンスは、特定のイメージバンドに対応するAssetsキーの下に URLs のリストを返します。API レスポンスの切り捨てバージョンを次に示します。一部のイメージバンドはわかりやすくするために削除されました。

{ 'Assets': { 'aot': { 'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/12/S2A_15TUH_20221230_0_L2A/AOT.tif' }, 'blue': { 'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/12/S2A_15TUH_20221230_0_L2A/B02.tif' }, 'swir22-jp2': { 'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/B12.jp2' }, 'visual-jp2': { 'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/TCI.jp2' }, 'wvp-jp2': { 'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/WVP.jp2' } }, 'DateTime': datetime.datetime(2022, 12, 30, 17, 21, 52, 469000, tzinfo = tzlocal()), 'Geometry': { 'Coordinates': [ [ [-95.46676936182894, 43.32623760511659], [-94.11293433656887, 43.347431265475954], [-94.09532154452742, 42.35884880571144], [-95.42776890002203, 42.3383710796791], [-95.46676936182894, 43.32623760511659] ] ], 'Type': 'Polygon' }, 'Id': 'S2A_15TUH_20221230_0_L2A', 'Properties': { 'EoCloudCover': 62.384969, 'Platform': 'sentinel-2a' } }

次のセクション では、API レスポンスの 'Id'キーを使用してマニフェストファイルを作成します。

search_raster_data_collection API レスポンスの Idキーを使用して入力マニフェストファイルを作成する

処理ジョブを実行するときは、Amazon S3 からのデータ入力を指定する必要があります。入力データ型は、マニフェストファイルのいずれかにすることができ、マニフェストファイルは個々のデータファイルを指します。処理する各ファイルにプレフィックスを追加することもできます。次のコード例では、マニフェストファイルを生成するフォルダを定義します。

SDK for Python (Boto3) を使用して、Studio Classic ノートブックインスタンスに関連付けられている実行ロールのデフォルトバケットと ARN を取得します。

sm_session = sagemaker.session.Session() s3 = boto3.resource('s3') # Gets the default excution role associated with the notebook execution_role_arn = sagemaker.get_execution_role() # Gets the default bucket associated with the notebook s3_bucket = sm_session.default_bucket() # Can be replaced with any name s3_folder = "script-processor-input-manifest"

次に、マニフェストファイルを作成します。ステップ 4 の後半で処理ジョブを実行するときに処理した衛星画像の URLs が保持されます。

# Format of a manifest file manifest_prefix = {} manifest_prefix['prefix'] = 's3://' + s3_bucket + '/' + s3_folder + '/' manifest = [manifest_prefix] print(manifest)

次のコードサンプルは、マニフェストファイルが作成される S3 URI を返します。

[{'prefix': 's3://sagemaker-us-west-2-111122223333/script-processor-input-manifest/'}]

search_raster_data_collection レスポンスからのレスポンス要素はすべて、処理ジョブを実行する必要はありません。

次のコードスニペットは、不要な要素 'Properties''Geometry'、および を削除します'DateTime''Id' キーと値のペア には'Id': 'S2A_15TUH_20221230_0_L2A'、年と月が含まれます。次のコード例では、そのデータを解析してPython、ディクショナリ に新しいキーを作成しますdict_month_items。値は、SearchRasterDataCollectionクエリから返されるアセットです。

# For each response get the month and year, and then remove the metadata not related to the satelite images. dict_month_items = {} for item in items_list: # Example ID being split: 'S2A_15TUH_20221230_0_L2A' yyyymm = item['Id'].split("_")[2][:6] if yyyymm not in dict_month_items: dict_month_items[yyyymm] = [] # Removes uneeded metadata elements for this demo item.pop('Properties', None) item.pop('Geometry', None) item.pop('DateTime', None) # Appends the response from search_raster_data_collection to newly created key above dict_month_items[yyyymm].append(item)

このコード例では、 .upload_file() API オペレーションを使用して dict_month_itemsを JSON オブジェクトとして Amazon S3 にアップロードします。

## key_ is the yyyymm timestamp formatted above ## value_ is the reference to all the satellite images collected via our searchRDC query for key_, value_ in dict_month_items.items(): filename = f'manifest_{key_}.json' with open(filename, 'w') as fp: json.dump(value_, fp) s3.meta.client.upload_file(filename, s3_bucket, s3_folder + '/' + filename) manifest.append(filename) os.remove(filename)

このコード例では、Amazon S3 にアップロードされた他のすべてのマニフェストを指す親manifest.jsonファイルをアップロードします。また、ローカル変数 へのパスも保存されますs3_manifest_uri。ステップ 4 で処理ジョブを実行するときに、その変数を再度使用して入力データのソースを指定します。

with open('manifest.json', 'w') as fp: json.dump(manifest, fp) s3.meta.client.upload_file('manifest.json', s3_bucket, s3_folder + '/' + 'manifest.json') os.remove('manifest.json') s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'

入力マニフェストファイルを作成してアップロードしたので、処理ジョブでデータを処理するスクリプトを作成できます。衛星画像からのデータを処理し、NDVI を計算して、結果を別の Amazon S3 の場所に返します。

NDVI を計算するスクリプトを作成する

Amazon SageMaker Studio Classic は、 %%writefile セルマジックコマンドの使用をサポートしています。このコマンドでセルを実行すると、その内容はローカル Studio Classic ディレクトリに保存されます。これは NDVI の計算に固有のコードです。ただし、処理ジョブ用に独自のスクリプトを記述する場合、次のことが役立ちます。

  • 処理ジョブコンテナでは、コンテナ内のローカルパスは で始まる必要があります/opt/ml/processing/。この例では、 input_data_path = '/opt/ml/processing/input_data/' processed_data_path = '/opt/ml/processing/output_data/'はそのように指定されています。

  • Amazon SageMaker Processing では、処理ジョブが実行するスクリプトで、処理されたデータを Amazon S3 に直接アップロードできます。そのためには、ScriptProcessorインスタンスに関連付けられた実行ロールに S3 バケットへのアクセスに必要な要件があることを確認してください。処理ジョブを実行するときに出力パラメータを指定することもできます。詳細については、Amazon SageMaker Python SDK の .run() API オペレーションを参照してください。このコード例では、データ処理の結果が Amazon S3 に直接アップロードされます。

  • 処理ジョブにアタッチされた Amazon EBScontainerのサイズを管理するには、 volume_size_in_gbパラメータを使用します。コンテナのデフォルトサイズは 30 GB です。オプションで Python ライブラリのガベージコレクターを使用して、Amazon EBS コンテナ内のストレージを管理できます。

    次のコード例では、処理ジョブコンテナに配列をロードします。配列が蓄積されてメモリがいっぱいになると、処理ジョブがクラッシュします。このクラッシュを防ぐため、次の例には、処理ジョブのコンテナから配列を削除するコマンドが含まれています。

%%writefile compute_ndvi.py import os import pickle import sys import subprocess import json import rioxarray if __name__ == "__main__": print("Starting processing") input_data_path = '/opt/ml/processing/input_data/' input_files = [] for current_path, sub_dirs, files in os.walk(input_data_path): for file in files: if file.endswith(".json"): input_files.append(os.path.join(current_path, file)) print("Received {} input_files: {}".format(len(input_files), input_files)) items = [] for input_file in input_files: full_file_path = os.path.join(input_data_path, input_file) print(full_file_path) with open(full_file_path, 'r') as f: items.append(json.load(f)) items = [item for sub_items in items for item in sub_items] for item in items: red_uri = item["Assets"]["red"]["Href"] nir_uri = item["Assets"]["nir"]["Href"] red = rioxarray.open_rasterio(red_uri, masked=True) nir = rioxarray.open_rasterio(nir_uri, masked=True) ndvi = (nir - red)/ (nir + red) file_name = 'ndvi_' + item["Id"] + '.tif' output_path = '/opt/ml/processing/output_data' output_file_path = f"{output_path}/{file_name}" ndvi.rio.to_raster(output_file_path) print("Written output:", output_file_path)

これで、NDVI を計算できるスクリプトができました。次に、 のインスタンスを作成し ScriptProcessor 、処理ジョブを実行できます。

ScriptProcessor クラスのインスタンスの作成

このデモでは、Amazon SageMaker Python SDK 経由で利用可能な ScriptProcessor クラスを使用します。まず、 クラスのインスタンスを作成し、 .run()メソッドを使用して処理ジョブを開始できます。

from sagemaker.processing import ScriptProcessor, ProcessingInput, ProcessingOutput image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest' processor = ScriptProcessor( command=['python3'], image_uri=image_uri, role=execution_role_arn, instance_count=4, instance_type='ml.m5.4xlarge', sagemaker_session=sm_session ) print('Starting processing job.')

処理ジョブを開始するときは、 ProcessingInput オブジェクトを指定する必要があります。そのオブジェクトで、以下を指定します。

  • ステップ 2、 で作成したマニフェストファイルへのパスs3_manifest_uri。これはコンテナへの入力データのソースです。

  • コンテナに入力データを保存する場所へのパス。これは、スクリプトで指定したパスと一致する必要があります。

  • s3_data_type パラメータを使用して、入力を として指定します"ManifestFile"

s3_output_prefix_url = f"s3://{s3_bucket}/{s3_folder}/output" processor.run( code='compute_ndvi.py', inputs=[ ProcessingInput( source=s3_manifest_uri, destination='/opt/ml/processing/input_data/', s3_data_type="ManifestFile", s3_data_distribution_type="ShardedByS3Key" ), ], outputs=[ ProcessingOutput( source='/opt/ml/processing/output_data/', destination=s3_output_prefix_url, s3_upload_mode="Continuous" ) ] )

次のコード例では、 .describe()メソッドを使用して処理ジョブの詳細を取得します。

preprocessing_job_descriptor = processor.jobs[-1].describe() s3_output_uri = preprocessing_job_descriptor["ProcessingOutputConfig"]["Outputs"][0]["S3Output"]["S3Uri"] print(s3_output_uri)

を使用した結果の視覚化 matplotlib

Matplotlib Python ライブラリを使用すると、ラスターデータをプロットできます。データをプロットする前に、衛星のサンプル画像を使用して NDVI Sentinel-2 を計算する必要があります。次のコード例では、 .open_rasterio() API オペレーションを使用してイメージ配列を開き、衛星データから nirおよび redイメージバンドを使用して NDVI Sentinel-2 を計算します。

# Opens the python arrays import rioxarray red_uri = items[25]["Assets"]["red"]["Href"] nir_uri = items[25]["Assets"]["nir"]["Href"] red = rioxarray.open_rasterio(red_uri, masked=True) nir = rioxarray.open_rasterio(nir_uri, masked=True) # Calculates the NDVI ndvi = (nir - red)/ (nir + red) # Common plotting library in Python import matplotlib.pyplot as plt f, ax = plt.subplots(figsize=(18, 18)) ndvi.plot(cmap='viridis', ax=ax) ax.set_title("NDVI for {}".format(items[25]["Id"])) ax.set_axis_off() plt.show()

前述のコード例の出力は、NDVI 値がオーバーレイされた衛星画像です。NDVI 値が 1 に近い場合は植物が多数存在することを示し、0 に近い場合は植物が存在しないことを示します。

上に NDVI がオーバーレイされたアイオワ北部の衛星画像

これで、 を使用するデモは完了ですScriptProcessor