أنشئ نظامًا أساسيًا للبيانات الزراعية باستخدام إمكانات Amazon SageMaker الجغرافية المكانية

يتعرض العالم لخطر متزايد من نقص الغذاء العالمي نتيجة للصراع الجيوسياسي ، واضطرابات سلسلة التوريد ، وتغير المناخ. في الوقت نفسه ، هناك زيادة في الطلب الإجمالي من النمو السكاني وتغيير الأنظمة الغذائية التي تركز على الأطعمة الغنية بالمغذيات والبروتينات. لتلبية الطلب الزائد ، يحتاج المزارعون إلى تعظيم غلة المحاصيل وإدارة العمليات بفعالية على نطاق واسع ، باستخدام تقنية الزراعة الدقيقة للبقاء في المقدمة.

تاريخياً ، اعتمد المزارعون على المعرفة الموروثة ، والتجربة والخطأ ، والمشورة الزراعية غير الإلزامية لاتخاذ القرارات. تشمل القرارات الرئيسية ما هي المحاصيل التي يجب زراعتها ، وكمية الأسمدة التي يجب استخدامها ، وكيفية مكافحة الآفات ، ومتى يتم الحصاد. ومع ذلك ، مع زيادة الطلب على الغذاء والحاجة إلى تعظيم غلة الحصاد ، يحتاج المزارعون إلى مزيد من المعلومات بالإضافة إلى المعرفة الموروثة. تتمتع التقنيات المبتكرة مثل الاستشعار عن بعد ، وإنترنت الأشياء ، والروبوتات بالقدرة على مساعدة المزارعين على تجاوز عملية صنع القرار القديمة. يمكن للقرارات المستندة إلى البيانات التي تغذيها رؤى شبه فورية أن تمكن المزارعين من سد الفجوة في الطلب المتزايد على الغذاء.

على الرغم من أن المزارعين قاموا تقليديًا بجمع البيانات يدويًا من عملياتهم عن طريق تسجيل المعدات وإنتاج البيانات أو تدوين الملاحظات على الملاحظات الميدانية ، فإن بناة منصات البيانات الزراعية على AWS يساعدون المزارعين على العمل مع مستشاريهم الزراعيين الموثوق بهم على استخدام تلك البيانات على نطاق واسع. تسمح الحقول الصغيرة والعمليات بسهولة أكبر للمزارع برؤية الحقل بأكمله للبحث عن المشكلات التي تؤثر على المحصول. ومع ذلك ، فإن استكشاف كل حقل على أساس متكرر للحقول والمزارع الكبيرة غير ممكن ، والتخفيف الناجح من المخاطر يتطلب منصة بيانات زراعية متكاملة يمكنها تقديم رؤى على نطاق واسع. تساعد هذه المنصات المزارعين على فهم بياناتهم من خلال دمج المعلومات من مصادر متعددة لاستخدامها في تطبيقات التصور والتحليلات. يتم تجميع البيانات الجغرافية المكانية ، بما في ذلك صور الأقمار الصناعية وبيانات التربة والطقس وبيانات الطبوغرافيا ، جنبًا إلى جنب مع البيانات التي تم جمعها بواسطة المعدات الزراعية أثناء الزراعة ، وتطبيق المغذيات ، وعمليات الحصاد. من خلال فتح الرؤى من خلال تحليلات البيانات الجغرافية المكانية المحسّنة ، وتصورات البيانات المتقدمة ، وأتمتة تدفقات العمل عبر تقنية AWS ، يمكن للمزارعين تحديد مناطق معينة من حقولهم ومحاصيلهم التي تواجه مشكلة واتخاذ إجراءات لحماية محاصيلهم وعملياتهم. تساعد هذه الأفكار في الوقت المناسب المزارعين على العمل بشكل أفضل مع المهندسين الزراعيين الموثوق بهم لإنتاج المزيد ، وتقليل بصمتهم البيئية ، وتحسين ربحيتهم ، والحفاظ على أراضيهم منتجة للأجيال القادمة.

في هذا المنشور ، نلقي نظرة على كيفية استخدام التنبؤات التي تم إنشاؤها من قدرات Amazon SageMaker الجغرافية المكانية في واجهة مستخدم لمنصة بيانات زراعية. علاوة على ذلك ، نناقش كيف تضيف فرق تطوير البرامج رؤى متقدمة مدفوعة بالتعلم الآلي (ML) ، بما في ذلك خوارزميات الاستشعار عن بعد ، وإخفاء السحابة (الكشف تلقائيًا عن السحب داخل صور الأقمار الصناعية) وخطوط أنابيب معالجة الصور المؤتمتة ، إلى منصات البيانات الزراعية الخاصة بهم. تساعد هذه الإضافات معًا المهندسين الزراعيين ومطوري البرامج ومهندسي تعلم الآلة وعلماء البيانات وفرق الاستشعار عن بُعد على توفير أنظمة دعم عملية صنع القرار قابلة للتطوير والقيمة للمزارعين. يوفر هذا المنشور أيضًا مثالاً على دفتر ملاحظات وملف مستودع جيثب يوضح قدرات SageMaker الجغرافية المكانية ، بما في ذلك تجزئة حقل المزرعة القائم على ML والنماذج الجغرافية المكانية المُدربة مسبقًا للزراعة.

إضافة الرؤى والتنبؤات الجغرافية المكانية إلى منصات البيانات الزراعية

تتيح النماذج الرياضية والزراعية المنشأة جنبًا إلى جنب مع صور الأقمار الصناعية تصور حالة المحصول عن طريق صورة القمر الصناعي ، بكسل تلو الآخر ، بمرور الوقت. ومع ذلك ، تتطلب هذه النماذج الثابتة الوصول إلى صور القمر الصناعي التي لا تعوقها السحب أو أي تداخل جوي آخر يقلل من جودة الصورة. بدون تحديد السحب وإزالتها من كل صورة تمت معالجتها ، سيكون للتنبؤات والأفكار أخطاء كبيرة وستفقد منصات البيانات الزراعية ثقة المزارع. نظرًا لأن موفري منصات البيانات الزراعية يخدمون عادةً العملاء الذين يتألفون من آلاف الحقول الزراعية عبر مناطق جغرافية مختلفة ، فإن منصات البيانات الزراعية تتطلب رؤية كمبيوتر ونظامًا آليًا لتحليل الغيوم أو غيرها من المشكلات المتعلقة بالغلاف الجوي وتحديدها وتصفيتها داخل كل صورة قمر صناعي قبل إجراء مزيد من المعالجة أو توفير التحليلات للعملاء.

يمثل تطوير واختبار وتحسين نماذج رؤية الكمبيوتر ML التي تكشف عن مشكلات السحب والغلاف الجوي في صور الأقمار الصناعية تحديات أمام بناة منصات البيانات الزراعية. أولاً ، يتطلب إنشاء خطوط بيانات لاستيعاب صور القمر الصناعي الوقت وموارد تطوير البرامج والبنية التحتية لتكنولوجيا المعلومات. يمكن أن يختلف كل موفر لصور القمر الصناعي اختلافًا كبيرًا عن الآخر. تجمع الأقمار الصناعية في كثير من الأحيان الصور بدقة مكانية مختلفة ؛ يمكن أن تتراوح الدقة من عدة أمتار لكل بكسل إلى صور عالية الدقة يتم قياسها بالسنتيمتر لكل بكسل. بالإضافة إلى ذلك ، قد يجمع كل قمر صناعي صورًا بنطاقات مختلفة متعددة الأطياف. تم اختبار بعض النطاقات بدقة وتظهر ارتباطًا وثيقًا بتطور النبات والمؤشرات الصحية ، ويمكن أن تكون النطاقات الأخرى غير ذات صلة بالزراعة. كوكبات الأقمار الصناعية تعيد زيارة نفس البقعة على الأرض بمعدلات مختلفة. قد تزور الأبراج الصغيرة حقلًا كل أسبوع أو أكثر ، وقد تعيد الأبراج الأكبر زيارة نفس المنطقة عدة مرات في اليوم. تؤدي هذه الاختلافات في صور الأقمار الصناعية والترددات أيضًا إلى اختلافات في إمكانيات وميزات واجهة برمجة التطبيقات. مجتمعة ، تعني هذه الاختلافات أن منصات البيانات الزراعية قد تحتاج إلى الحفاظ على خطوط أنابيب متعددة مع منهجيات استيعاب معقدة.

ثانيًا ، بعد استيعاب الصور وإتاحتها لفرق الاستشعار عن بعد وعلماء البيانات والمهندسين الزراعيين ، يجب أن تشارك هذه الفرق في عملية تستغرق وقتًا طويلاً للوصول إلى كل منطقة داخل كل صورة ومعالجتها وتصنيفها على أنها غائمة. مع وجود آلاف الحقول المنتشرة عبر مناطق جغرافية مختلفة ، وصور الأقمار الصناعية المتعددة لكل حقل ، يمكن أن تستغرق عملية وضع العلامات قدرًا كبيرًا من الوقت ويجب تدريبها باستمرار لمراعاة توسع الأعمال أو حقول العملاء الجديدة أو مصادر الصور الجديدة.

الوصول المتكامل إلى صور وبيانات القمر الصناعي Sentinel لـ ML

باستخدام قدرات SageMaker الجغرافية المكانية لتطوير نموذج ML للاستشعار عن بعد ، وعن طريق استهلاك صور الأقمار الصناعية من تبادل بيانات AWS متاح بشكل ملائم للجمهور خدمة تخزين أمازون البسيطة (Amazon S3) ، يمكن لمنشئي منصات البيانات الزراعية على AWS تحقيق أهدافهم بشكل أسرع وأسهل. تحتوي حاوية S3 دائمًا على أحدث صور القمر الصناعي من Sentinel-1 و Sentinel-2 نظرًا لأن Open Data Exchange و مبادرة بيانات استدامة أمازون تزويدك بوصول آلي مدمج إلى صور القمر الصناعي.

يوضح الرسم البياني التالي هذه العمارة.

تتضمن قدرات SageMaker الجغرافية المكانية نماذج شبكات عصبية عميقة مدربة مسبقًا مثل تصنيف استخدام الأراضي وإخفاء السحابة ، مع كتالوج متكامل لمصادر البيانات الجغرافية المكانية بما في ذلك صور الأقمار الصناعية والخرائط وبيانات الموقع من AWS والجهات الخارجية. من خلال كتالوج بيانات جغرافي مكاني متكامل ، يتمتع عملاء SageMaker الجغرافيون بوصول أسهل إلى صور الأقمار الصناعية ومجموعات البيانات الجغرافية المكانية الأخرى التي تزيل عبء تطوير خطوط أنابيب استيعاب البيانات المعقدة. يمكن أن يؤدي كتالوج البيانات المتكامل هذا إلى تسريع بناء النموذج الخاص بك ومعالجة وإثراء مجموعات البيانات الجغرافية المكانية واسعة النطاق من خلال عمليات مبنية لهذا الغرض مثل إحصاءات الوقت ، وإعادة التشكيل ، والفسيفساء ، والترميز الجغرافي العكسي. إن القدرة على استيعاب الصور بسهولة من Amazon S3 واستخدام نماذج ML المدربة مسبقًا الجغرافية المكانية من SageMaker والتي تحدد السحب وتسجيل كل صورة من صور القمر الصناعي Sentinel-2 تلغي الحاجة إلى إشراك فرق الاستشعار عن بعد والهندسة الزراعية وعلوم البيانات لاستيعاب ومعالجة و قم بتسمية آلاف صور الأقمار الصناعية يدويًا بالمناطق الملبدة بالغيوم.

تدعم قدرات SageMaker الجغرافية المكانية القدرة على تحديد مجال الاهتمام (AOI) ووقت الاهتمام (TOI) ، والبحث داخل أرشيف دلو Open Data Exchange S3 عن الصور ذات التقاطع الجغرافي المكاني الذي يلبي الطلب ، وإرجاع الصور الملونة الحقيقية ، مؤشر الغطاء النباتي للاختلاف المعياري (NDVI) ، واكتشاف السحب وعشراتها ، والغطاء الأرضي. NDVI هو فهرس شائع يستخدم مع صور الأقمار الصناعية لفهم صحة المحاصيل من خلال تصور قياسات كمية الكلوروفيل والنشاط الضوئي عبر صورة تمت معالجتها حديثًا ومشفرة بالألوان.

يمكن لمستخدمي قدرات SageMaker الجغرافية المكانية استخدام فهرس NDVI المبني مسبقًا أو تطوير قدراتهم الخاصة. تسهل قدرات SageMaker الجغرافية المكانية على علماء البيانات ومهندسي ML إنشاء نماذج تعلم الآلة وتدريبها ونشرها بشكل أسرع وعلى نطاق واسع باستخدام البيانات الجغرافية المكانية وبجهد أقل من ذي قبل.

يحتاج المزارعون والمهندسون الزراعيون إلى وصول سريع إلى الأفكار في الميدان وفي المنزل

يعد تقديم الصور والأفكار المعالجة على الفور للمزارعين وأصحاب المصلحة أمرًا مهمًا للأعمال التجارية الزراعية واتخاذ القرار في هذا المجال. إن تحديد مناطق ضعف صحة المحاصيل في كل حقل خلال فترات زمنية حرجة يسمح للمزارع بتخفيف المخاطر عن طريق استخدام الأسمدة ومبيدات الأعشاب ومبيدات الآفات عند الحاجة ، وحتى تحديد المجالات المحتملة لمطالبات التأمين على المحاصيل. من الشائع أن تشتمل منصات البيانات الزراعية على مجموعة من التطبيقات ، بما في ذلك تطبيقات الويب وتطبيقات الهاتف المحمول. توفر هذه التطبيقات واجهات مستخدم سهلة الاستخدام تساعد المزارعين وأصحاب المصلحة الموثوق بهم على مراجعة كل حقل من حقولهم وصورهم بأمان أثناء تواجدهم في المنزل أو المكتب أو الوقوف في الحقل نفسه. ومع ذلك ، تحتاج تطبيقات الويب والجوّال هذه إلى استهلاك الصور المُعالجة والرؤى الزراعية وعرضها بسرعة عبر واجهات برمجة التطبيقات.

بوابة أمازون API يسهل على المطورين إنشاء RESTful و WebSocket APIs ونشرها وصيانتها ومراقبتها وتأمينها على نطاق واسع. مع بوابة API، تم دمج الوصول إلى API والترخيص مع إدارة الوصول إلى الهوية من AWS (IAM) ، ويقدم دعم OIDC و OAuth2 الأصلي ، وكذلك أمازون كوجنيتو. أمازون كوجنيتو هي خدمة إدارة هوية العملاء والوصول (CIAM) فعالة من حيث التكلفة تدعم متجر هوية آمنًا بخيارات اتحاد يمكن أن تتسع لملايين المستخدمين.

يمكن أن تكون صور القمر الصناعي الخام وغير المعالجة كبيرة جدًا ، وفي بعض الحالات تصل مئات الميجابايت أو حتى الجيجابايت لكل صورة. نظرًا لأن العديد من المناطق الزراعية في العالم بها اتصال خلوي ضعيف أو معدوم ، فمن المهم معالجة الصور والأفكار وتقديمها بتنسيقات أصغر وبطرق تحد من النطاق الترددي المطلوب. لذلك ، باستخدام AWS لامدا لنشر خادم تجانب ، يمكن إرجاع GeoTIFFs أو JPEGs أو غيرها من تنسيقات الصور الأصغر حجمًا استنادًا إلى عرض الخريطة الحالي الذي يتم عرضه للمستخدم ، على عكس أحجام وأنواع الملفات الأكبر التي تقلل الأداء. من خلال الجمع بين خادم التجانب الذي تم نشره من خلال وظائف Lambda مع API Gateway لإدارة الطلبات الخاصة بتطبيقات الويب والجوال ، يمكن للمزارعين وأصحاب المصلحة الموثوق بهم استهلاك الصور والبيانات الجغرافية المكانية من حقل أو مئات الحقول في وقت واحد ، مع تقليل زمن الانتقال ، وتحقيق المستخدم الأمثل خبرة.

يمكن الوصول إلى إمكانات SageMaker الجغرافية المكانية عبر واجهة مستخدم بديهية تمكّنك من الوصول بسهولة إلى كتالوج غني من البيانات الجغرافية المكانية ، وتحويل البيانات وإثرائها ، وتدريب أو استخدام نماذج بناء الغرض ، ونشر النماذج للتنبؤات ، وتصور واستكشاف البيانات على الخرائط المتكاملة وصور الأقمار الصناعية. لقراءة المزيد عن تجربة مستخدم SageMaker الجغرافية المكانية ، يرجى الرجوع إلى كيف قام Xarvio بتسريع خطوط أنابيب البيانات المكانية للزراعة الرقمية باستخدام إمكانات Amazon SageMaker الجغرافية المكانية.

توفر منصات البيانات الزراعية طبقات متعددة من البيانات والرؤى على نطاق واسع

توضح واجهة المستخدم في المثال التالي كيف يمكن لمنشئ منصات البيانات الزراعية دمج الرؤى التي تقدمها قدرات SageMaker الجغرافية المكانية.

تصور واجهة المستخدم النموذجية تراكبات البيانات الجغرافية المكانية المشتركة التي يستهلكها المزارعون وأصحاب المصلحة الزراعيون. هنا ، اختار المستهلك ثلاث تراكبات منفصلة للبيانات. أولاً ، صورة القمر الصناعي الملون الطبيعي Sentinel-2 الأساسية مأخوذة من أكتوبر ، 2020 ، وإتاحتها عبر كتالوج البيانات الجغرافية المكانية SageMaker المتكامل. تمت تصفية هذه الصورة باستخدام نموذج SageMaker الجغرافي المكاني المدرب مسبقًا والذي يحدد الغطاء السحابي. تراكب البيانات الثاني عبارة عن مجموعة من حدود المجال ، مصورة بمخطط تفصيلي أبيض. عادةً ما تكون حدود الحقل عبارة عن مضلع لإحداثيات خطوط الطول والعرض التي تعكس التضاريس الطبيعية لحقل المزرعة ، أو الحدود التشغيلية التي تميز بين خطط المحاصيل. تراكب البيانات الثالث هو بيانات الصور المعالجة في شكل فهرس الغطاء النباتي للاختلاف الطبيعي (NDVI). علاوة على ذلك ، يتم تراكب صور NDVI على حدود الحقل المعنية ، ويظهر مخطط تصنيف ألوان NDVI على الجانب الأيسر من الصفحة.

توضح الصورة التالية النتائج باستخدام نموذج SageMaker مدرب مسبقًا والذي يحدد الغطاء السحابي.

في هذه الصورة ، يحدد النموذج السحب داخل صورة القمر الصناعي ويطبق قناعًا أصفر فوق كل سحابة داخل الصورة. من خلال إزالة وحدات البكسل المقنعة (السحب) من المعالجة الإضافية للصور ، أدت التحليلات والمنتجات النهائية إلى تحسين الدقة وتوفير قيمة للمزارعين ومستشاريهم الموثوق بهم.

في المناطق ذات التغطية الخلوية الضعيفة ، يؤدي تقليل وقت الاستجابة إلى تحسين تجربة المستخدم

لمعالجة الحاجة إلى زمن انتقال منخفض عند تقييم البيانات الجغرافية المكانية وصور الاستشعار عن بُعد ، يمكنك استخدام أمازون ElastiCache لتخزين الصور المعالجة التي تم استردادها من طلبات التجانب التي تم إجراؤها عبر Lambda. من خلال تخزين الصور المطلوبة في ذاكرة التخزين المؤقت ، يتم تقليل زمن الانتقال بشكل أكبر وليس هناك حاجة لإعادة معالجة طلبات الصور. يمكن أن يؤدي ذلك إلى تحسين أداء التطبيق وتقليل الضغط على قواعد البيانات. لان أمازون ElastiCache يدعم العديد من خيارات التكوين لاستراتيجيات التخزين المؤقت ، والنسخ المتماثل عبر المناطق ، والتوسع التلقائي ، ويمكن لموفري منصات البيانات الزراعية التوسع بسرعة بناءً على احتياجات التطبيق ، والاستمرار في تحقيق كفاءة التكلفة من خلال الدفع مقابل ما هو مطلوب فقط.

وفي الختام

ركز هذا المنشور على معالجة البيانات الجغرافية المكانية ، وتنفيذ رؤى الاستشعار عن بعد الممكّنة من ML ، وطرق تبسيط وتبسيط تطوير منصات البيانات الزراعية وتحسينها على AWS. لقد أوضح العديد من الأساليب والخدمات التي يمكن لمنشئي منصات البيانات الزراعية على خدمات AWS استخدامها لتحقيق أهدافهم ، بما في ذلك SageMaker و Lambda و Amazon S3 و Open Data Exchange و ElastiCache.

لاتباع نموذج مفكرة شامل يوضح قدرات SageMaker الجغرافية المكانية ، قم بالوصول إلى مثال دفتر الملاحظات المتاح في ما يلي مستودع جيثب. يمكنك مراجعة كيفية تحديد الحقول الزراعية من خلال نماذج تجزئة ML ، أو استكشاف نماذج SageMaker الجغرافية المكانية الموجودة مسبقًا وإحضار وظيفة النموذج الخاص بك (BYOM) في المهام الجغرافية المكانية مثل استخدام الأراضي وتصنيف الغطاء الأرضي. تمت مناقشة مثال دفتر الملاحظات الشامل بالتفصيل في المنشور المصاحب كيف قام Xarvio بتسريع خطوط أنابيب البيانات المكانية للزراعة الرقمية باستخدام Amazon SageMaker Geospatial.

يرجى الاتصال بنا لمعرفة المزيد حول كيفية قيام الصناعة الزراعية بحل المشكلات المهمة المتعلقة بإمدادات الغذاء العالمية وإمكانية التتبع ومبادرات الاستدامة باستخدام سحابة AWS.

---

عن المؤلفين

ويل كونراد هو رئيس حلول الصناعة الزراعية في AWS. إنه متحمس لمساعدة العملاء على استخدام التكنولوجيا لتحسين سبل عيش المزارعين ، والأثر البيئي للزراعة ، وتجربة المستهلك للأشخاص الذين يتناولون الطعام. في أوقات فراغه ، يصلح الأشياء ويلعب الجولف ويتلقى الأوامر من أبنائه الأربعة.

بيشش أديكاري هو مهندس النماذج الأولية للتعلم الآلي في فريق AWS للنماذج الأولية. إنه يعمل مع عملاء AWS لبناء حلول لحالات استخدام الذكاء الاصطناعي والتعلم الآلي المختلفة لتسريع رحلتهم نحو الإنتاج. يستمتع في أوقات فراغه بالتنزه والسفر وقضاء الوقت مع العائلة والأصدقاء.

بريانكا ماهانكالي هو مهندس حلول توجيه في AWS لأكثر من 5 سنوات في بناء حلول عبر الصناعة بما في ذلك التكنولوجيا لعملاء الزراعة العالميين. إنها متحمسة لتقديم حالات الاستخدام المتطورة إلى الواجهة ومساعدة العملاء على بناء حلول إستراتيجية على AWS.

رون أوزبورن هو رائد التكنولوجيا العالمية للزراعة في AWS - WWSO ومهندس حلول أول. يركز Ron على مساعدة عملاء وشركاء الأعمال الزراعية في AWS على تطوير ونشر حلول آمنة وقابلة للتطوير ومرنة ومرنة وفعالة من حيث التكلفة. رون متحمس لعلم الكونيات ، ومبتكر راسخ في ag-tech ، ومتحمس لوضع العملاء والشركاء من أجل تحويل الأعمال والنجاح المستدام.