এই অতিথি পোস্টটি লিডিয়া লিহুই ঝাং, বিজনেস ডেভেলপমেন্ট স্পেশালিস্ট এবং মানসী শাহ, সফটওয়্যার ইঞ্জিনিয়ার/ডেটা সায়েন্টিস্ট, প্ল্যানেট ল্যাবসের দ্বারা সহ-লেখিত। দ্য এই পোস্ট অনুপ্রাণিত যে বিশ্লেষণ মূলত জেনিফার রেইবার কাইল লিখেছিলেন।
আমাজন সেজমেকার ভূ-স্থানিক ক্ষমতা সংযুক্ত গ্রহএর স্যাটেলাইট ডেটা শস্য বিভাজনের জন্য ব্যবহার করা যেতে পারে, এবং কৃষি এবং স্থায়িত্বের ক্ষেত্রে এই বিশ্লেষণের অসংখ্য অ্যাপ্লিকেশন এবং সম্ভাব্য সুবিধা রয়েছে। 2023 সালের শেষের দিকে, প্ল্যানেট অংশীদারিত্ব ঘোষণা AWS এর মাধ্যমে এর ভূ-স্থানিক ডেটা উপলব্ধ করতে আমাজন সেজমেকার.
ক্রপ সেগমেন্টেশন হল একটি স্যাটেলাইট ইমেজকে পিক্সেলের অঞ্চলে বা সেগমেন্টে বিভক্ত করার প্রক্রিয়া, যেখানে একই রকম ফসলের বৈশিষ্ট্য রয়েছে। এই পোস্টে, আমরা একটি চিত্রে ক্রপ এবং নন-ক্রপ অঞ্চল সনাক্ত করতে একটি সেগমেন্টেশন মেশিন লার্নিং (ML) মডেল কীভাবে ব্যবহার করতে হয় তা ব্যাখ্যা করি।
শস্য অঞ্চল সনাক্তকরণ কৃষি অন্তর্দৃষ্টি অর্জনের দিকে একটি মূল পদক্ষেপ, এবং সমৃদ্ধ ভূ-স্থানিক ডেটা এবং ML-এর সংমিশ্রণ এমন অন্তর্দৃষ্টির দিকে নিয়ে যেতে পারে যা সিদ্ধান্ত এবং ক্রিয়াকে চালিত করে। উদাহরণ স্বরূপ:
- ডেটা-চালিত কৃষি সিদ্ধান্ত নেওয়া - ফসলের আরও ভাল স্থানিক বোধগম্যতা অর্জনের মাধ্যমে, কৃষক এবং অন্যান্য কৃষি স্টেকহোল্ডাররা সারা মৌসুমে জল থেকে সার থেকে অন্যান্য রাসায়নিকের জন্য সম্পদের ব্যবহারকে অপ্টিমাইজ করতে পারে। এটি বর্জ্য হ্রাস করার ভিত্তি স্থাপন করে, যেখানেই সম্ভব টেকসই চাষ পদ্ধতির উন্নতি এবং পরিবেশগত প্রভাব কমিয়ে উৎপাদনশীলতা বৃদ্ধি করে।
- জলবায়ু-সম্পর্কিত চাপ এবং প্রবণতা সনাক্তকরণ – যেহেতু জলবায়ু পরিবর্তন বিশ্বব্যাপী তাপমাত্রা এবং বৃষ্টিপাতের ধরণকে প্রভাবিত করে চলেছে, তাই ফসলের বিভাজন জলবায়ু অভিযোজন কৌশলগুলির জন্য জলবায়ু-সম্পর্কিত চাপের জন্য ঝুঁকিপূর্ণ এলাকাগুলি চিহ্নিত করতে ব্যবহার করা যেতে পারে। উদাহরণ স্বরূপ, স্যাটেলাইট ইমেজ সংরক্ষণাগার ব্যবহার করা যেতে পারে একটি ফসল ক্রমবর্ধমান অঞ্চলের পরিবর্তন ট্র্যাক করার জন্য। এগুলো হতে পারে ফসলি জমির আকার ও বন্টনের ভৌত পরিবর্তন। এগুলি মাটির আর্দ্রতা, মাটির তাপমাত্রা এবং জৈববস্তুতে পরিবর্তন হতে পারে, যা স্যাটেলাইট ডেটার বিভিন্ন বর্ণালী সূচক থেকে প্রাপ্ত, গভীর ফসলের স্বাস্থ্য বিশ্লেষণের জন্য।
- ক্ষয়ক্ষতির মূল্যায়ন ও প্রশমন - অবশেষে, প্রাকৃতিক দুর্যোগের সময় ফসলের ক্ষতির ক্ষেত্রগুলিকে দ্রুত এবং সঠিকভাবে চিহ্নিত করতে শস্য বিভাজন ব্যবহার করা যেতে পারে, যা ত্রাণ প্রচেষ্টাকে অগ্রাধিকার দিতে সাহায্য করতে পারে। উদাহরণস্বরূপ, বন্যার পরে, উচ্চ-ক্যাডেন্স স্যাটেলাইট চিত্রগুলি এমন অঞ্চলগুলি সনাক্ত করতে ব্যবহার করা যেতে পারে যেখানে ফসল নিমজ্জিত হয়েছে বা ধ্বংস হয়েছে, ত্রাণ সংস্থাগুলিকে ক্ষতিগ্রস্ত কৃষকদের আরও দ্রুত সহায়তা করার অনুমতি দেয়।
এই বিশ্লেষণে, আমরা শস্য বিভাজন পরিচালনা করতে একটি K- নিকটতম প্রতিবেশী (KNN) মডেল ব্যবহার করি, এবং আমরা এই ফলাফলগুলিকে একটি কৃষি অঞ্চলে স্থল সত্য চিত্রের সাথে তুলনা করি। আমাদের ফলাফলগুলি প্রকাশ করে যে KNN মডেলের শ্রেণীবিভাগ 2017 সালের গ্রাউন্ড ট্রুথ শ্রেণীবিভাগের ডেটার তুলনায় 2015 সালে বর্তমান শস্য ক্ষেত্রের অবস্থার আরও সঠিকভাবে প্রতিনিধিত্ব করে৷ এই ফলাফলগুলি প্ল্যানেটের উচ্চ-ক্যাডেন্স ভূ-স্থানিক চিত্রের শক্তির প্রমাণ৷ কৃষিক্ষেত্রগুলি প্রায়শই পরিবর্তিত হয়, কখনও কখনও একটি ঋতুতে একাধিকবার, এবং এই জমি পর্যবেক্ষণ এবং বিশ্লেষণের জন্য উপলব্ধ উচ্চ-ফ্রিকোয়েন্সি স্যাটেলাইট চিত্রগুলি কৃষি জমি এবং দ্রুত পরিবর্তনশীল পরিবেশ সম্পর্কে আমাদের বোঝার জন্য অপরিমেয় মূল্য প্রদান করতে পারে।
ভূ-স্থানিক ML-এ প্ল্যানেট এবং AWS-এর অংশীদারিত্ব
সেজমেকার ভূ-স্থানিক ক্ষমতা ভূ-স্থানিক ডেটা ব্যবহার করে মডেল তৈরি, প্রশিক্ষণ এবং স্থাপন করতে ডেটা বিজ্ঞানী এবং এমএল ইঞ্জিনিয়ারদের ক্ষমতায়ন করুন৷ সেজমেকার ভূ-স্থানিক ক্ষমতাগুলি আপনাকে বৃহৎ মাপের ভূ-স্থানিক ডেটাসেটগুলিকে দক্ষতার সাথে রূপান্তর বা সমৃদ্ধ করতে, প্রাক-প্রশিক্ষিত এমএল মডেলগুলির সাথে মডেল বিল্ডিংকে ত্বরান্বিত করতে এবং 3D-ত্বরিত গ্রাফিক্স এবং অন্তর্নির্মিত ভিজ্যুয়ালাইজেশন সরঞ্জামগুলি ব্যবহার করে একটি ইন্টারেক্টিভ মানচিত্রে মডেল ভবিষ্যদ্বাণী এবং ভূ-স্থানিক ডেটা অন্বেষণ করতে দেয়৷ সেজমেকার ভূ-স্থানিক ক্ষমতার সাথে, আপনি ক্রপ বিভাজন সহ বিভিন্ন অ্যাপ্লিকেশনের জন্য সঠিক ML মডেল তৈরি করতে স্যাটেলাইট চিত্রের বড় ডেটাসেট এবং অন্যান্য ভূ-স্থানিক ডেটা প্রক্রিয়া করতে পারেন, যা আমরা এই পোস্টে আলোচনা করেছি।
প্ল্যানেট ল্যাবস পিবিসি একটি নেতৃস্থানীয় আর্থ-ইমেজিং কোম্পানি যা প্রতিদিনের ভিত্তিতে পৃথিবীর পৃষ্ঠের চিত্রগুলি ক্যাপচার করতে তার বৃহৎ উপগ্রহের বহর ব্যবহার করে। গ্রহের তথ্য তাই ভূ-স্থানিক ML-এর জন্য একটি মূল্যবান সম্পদ। এর উচ্চ-রেজোলিউশন স্যাটেলাইট চিত্রগুলি পৃথিবীর যে কোনও জায়গায়, সময়ের সাথে সাথে বিভিন্ন ফসলের বৈশিষ্ট্য এবং তাদের স্বাস্থ্য সনাক্ত করতে ব্যবহার করা যেতে পারে।
প্ল্যানেট এবং সেজমেকারের মধ্যে অংশীদারিত্ব গ্রাহকদের AWS-এর শক্তিশালী ML টুল ব্যবহার করে প্ল্যানেটের উচ্চ-ফ্রিকোয়েন্সি স্যাটেলাইট ডেটা সহজেই অ্যাক্সেস এবং বিশ্লেষণ করতে সক্ষম করে। ডেটা বিজ্ঞানীরা তাদের নিজস্ব ডেটা আনতে পারেন বা সুবিধাজনকভাবে প্ল্যানেটের ডেটা খুঁজে পেতে এবং পরিবেশ পরিবর্তন না করে সদস্যতা নিতে পারেন।
একটি ভূ-স্থানিক চিত্র সহ একটি Amazon SageMaker স্টুডিও নোটবুকে ক্রপ সেগমেন্টেশন
এই উদাহরণে জিওস্পেশিয়াল এমএল ওয়ার্কফ্লোতে, আমরা কীভাবে গ্রাউন্ড ট্রুথ ডেটা সোর্স সহ প্ল্যানেটের ডেটা সেজমেকারে আনতে হয় এবং কীভাবে একটি কেএনএন ক্লাসিফায়ারের সাহায্যে একটি ক্রপ সেগমেন্টেশন মডেলকে প্রশিক্ষণ, অনুমান এবং স্থাপন করা যায় তা দেখি। অবশেষে, আমরা আমাদের ফলাফলের যথার্থতা মূল্যায়ন করি এবং এটিকে আমাদের গ্রাউন্ড ট্রুথ শ্রেণীবিভাগের সাথে তুলনা করি।
ব্যবহৃত KNN ক্লাসিফায়ার একটি প্রশিক্ষিত ছিল একটি ভূ-স্থানিক সহ Amazon SageMaker স্টুডিও নোটবুক চিত্র, এবং ভূ-স্থানিক ডেটার সাথে কাজ করার জন্য একটি নমনীয় এবং এক্সটেনসিবল নোটবুক কার্নেল প্রদান করে।
সার্জারির অ্যামাজন সেজমেকার স্টুডিও জিওস্পেশিয়াল ইমেজ সহ নোটবুক জিডিএএল, ফিওনা, জিওপান্ডাস, শেপলি এবং রাস্টেরিওর মতো সাধারণভাবে ব্যবহৃত জিওস্পেশিয়াল লাইব্রেরিগুলির সাথে প্রাক-ইনস্টল করা হয়, যা পাইথন নোটবুক পরিবেশের মধ্যে সরাসরি ভূ-স্থানিক ডেটার ভিজ্যুয়ালাইজেশন এবং প্রক্রিয়াকরণের অনুমতি দেয়। ওপেনসিভি বা স্কিট-লার্নের মতো সাধারণ এমএল লাইব্রেরিগুলিও কেএনএন শ্রেণীবিভাগ ব্যবহার করে ক্রপ সেগমেন্টেশন করতে ব্যবহৃত হয় এবং এগুলি জিওস্পেশিয়াল কার্নেলে ইনস্টল করা হয়।
ডেটা নির্বাচন
আমরা যে কৃষিক্ষেত্রে জুম করি সেটি ক্যালিফোর্নিয়ার সাধারণত রৌদ্রোজ্জ্বল স্যাক্রামেন্টো কাউন্টিতে অবস্থিত।
কেন স্যাক্রামেন্টো? এই ধরনের সমস্যার জন্য এলাকা এবং সময় নির্বাচন প্রাথমিকভাবে গ্রাউন্ড ট্রুথ ডেটার প্রাপ্যতা দ্বারা সংজ্ঞায়িত করা হয় এবং ফসলের ধরন এবং সীমানা ডেটাতে এই জাতীয় ডেটা পাওয়া সহজ নয়। দ্য 2015 স্যাক্রামেন্টো কাউন্টি ল্যান্ড ইউজ DWR সার্ভে ডেটাসেট সেই বছরে স্যাক্রামেন্টো কাউন্টি কভার করে একটি সর্বজনীনভাবে উপলব্ধ ডেটাসেট এবং হ্যান্ড-সামঞ্জস্যপূর্ণ সীমানা প্রদান করে।
আমরা যে প্রাথমিক উপগ্রহ চিত্র ব্যবহার করি তা হল প্ল্যানেটের 4-ব্যান্ড PSScene পণ্য, যেটিতে নীল, সবুজ, লাল এবং নিয়ার-আইআর ব্যান্ড রয়েছে এবং রেডিওমেট্রিকভাবে অ্যাট-সেন্সর রেডিয়েন্সে সংশোধন করা হয়েছে। অ্যাট-সেন্সর প্রতিফলন সংশোধন করার জন্য সহগগুলি দৃশ্যের মেটাডেটাতে সরবরাহ করা হয়েছে, যা বিভিন্ন সময়ে তোলা চিত্রগুলির মধ্যে সামঞ্জস্যকে আরও উন্নত করে।
প্ল্যানেটের ডোভ স্যাটেলাইটগুলি যেগুলি এই চিত্রটি তৈরি করেছিল 14 ফেব্রুয়ারি, 2017 চালু হয়েছিল (সংবাদ প্রকাশ), তাই তারা 2015 সালে স্যাক্রামেন্টো কাউন্টির চিত্র তুলে ধরেনি। যাইহোক, তারা লঞ্চের পর থেকে এই এলাকার প্রতিদিনের ছবি তুলছে। এই উদাহরণে, আমরা গ্রাউন্ড ট্রুথ ডেটা এবং স্যাটেলাইট ইমেজের মধ্যে অপূর্ণ 2-বছরের ব্যবধানের জন্য মীমাংসা করি। যাইহোক, ল্যান্ডস্যাট 8 নিম্ন-রেজোলিউশনের চিত্রগুলি 2015 এবং 2017 এর মধ্যে সেতু হিসাবে ব্যবহার করা যেতে পারে।
গ্রহ ডেটা অ্যাক্সেস করুন
ব্যবহারকারীদের দ্রুত সঠিক এবং কার্যকরী ডেটা পেতে সহায়তা করার জন্য, প্ল্যানেট পাইথনের জন্য প্ল্যানেট সফ্টওয়্যার ডেভেলপমেন্ট কিট (SDK) তৈরি করেছে। উপগ্রহ চিত্র এবং অন্যান্য ভূ-স্থানিক ডেটা নিয়ে কাজ করতে চান এমন ডেটা বিজ্ঞানী এবং বিকাশকারীদের জন্য এটি একটি শক্তিশালী হাতিয়ার৷ এই SDK-এর সাহায্যে, আপনি প্ল্যানেটের উচ্চ-রেজোলিউশন স্যাটেলাইট চিত্রের বিশাল সংগ্রহের পাশাপাশি OpenStreetMap-এর মতো অন্যান্য উত্স থেকে ডেটা অনুসন্ধান এবং অ্যাক্সেস করতে পারেন। SDK একটি পাইথন ক্লায়েন্ট প্ল্যানেটের এপিআই, সেইসাথে একটি নো-কোড কমান্ড লাইন ইন্টারফেস (সিএলআই) সমাধান প্রদান করে, যা পাইথন ওয়ার্কফ্লোতে উপগ্রহ চিত্র এবং ভূ-স্থানিক ডেটা অন্তর্ভুক্ত করা সহজ করে তোলে। এই উদাহরণটি বিশ্লেষণের জন্য প্রয়োজনীয় চিত্র সনাক্ত করতে এবং ডাউনলোড করতে পাইথন ক্লায়েন্ট ব্যবহার করে।
আপনি একটি সাধারণ কমান্ড ব্যবহার করে জিওস্পেশিয়াল ইমেজ সহ সেজমেকার স্টুডিও নোটবুকে প্ল্যানেট পাইথন ক্লায়েন্ট ইনস্টল করতে পারেন:
আপনি ক্লায়েন্টকে প্রাসঙ্গিক স্যাটেলাইট চিত্র অনুসন্ধান করতে ব্যবহার করতে পারেন এবং আগ্রহের এলাকা, সময় সীমা এবং অন্যান্য অনুসন্ধানের মানদণ্ডের উপর ভিত্তি করে উপলব্ধ ফলাফলের একটি তালিকা পুনরুদ্ধার করতে পারেন। নিম্নলিখিত উদাহরণে, আমরা কতগুলি জিজ্ঞাসা করে শুরু করি প্ল্যানেটস্কোপ দৃশ্য (প্ল্যানেটের দৈনিক চিত্র) 1 জুন থেকে 1 অক্টোবর, 2017-এর মধ্যে একটি নির্দিষ্ট সময়সীমা দেওয়া, স্যাক্রামেন্টোতে গ্রাউন্ড ডেটার মাধ্যমে আমরা পূর্বে সংজ্ঞায়িত করা আগ্রহের একই ক্ষেত্র (AOI) কভার করে; সেইসাথে একটি নির্দিষ্ট কাঙ্ক্ষিত সর্বোচ্চ 10% ক্লাউড কভারেজ পরিসীমা:
প্রত্যাবর্তিত ফলাফলগুলি আমাদের আগ্রহের এলাকার সাথে ওভারল্যাপ করা ম্যাচিং দৃশ্যের সংখ্যা দেখায়৷ এটিতে প্রতিটি দৃশ্যের মেটাডেটা, এর চিত্র আইডি এবং একটি পূর্বরূপ চিত্রের রেফারেন্স রয়েছে।
একটি নির্দিষ্ট দৃশ্য নির্বাচন করার পরে, দৃশ্য আইডি, আইটেমের ধরন এবং পণ্যের বান্ডেলগুলিতে স্পেসিফিকেশন সহ (রেফারেন্স ডকুমেন্টেশন), আপনি ইমেজ এবং এর মেটাডেটা ডাউনলোড করতে নিম্নলিখিত কোড ব্যবহার করতে পারেন:
এই কোড সংশ্লিষ্ট স্যাটেলাইট ইমেজ ডাউনলোড করে আমাজন ইলাস্টিক ফাইল সিস্টেম SageMaker স্টুডিওর জন্য (Amazon EFS) ভলিউম।
মডেল প্রশিক্ষণ
প্ল্যানেট পাইথন ক্লায়েন্টের সাথে ডেটা ডাউনলোড করার পরে, সেগমেন্টেশন মডেল প্রশিক্ষণ দেওয়া যেতে পারে। এই উদাহরণে, KNN শ্রেণীবিভাগ এবং চিত্র বিভাজন কৌশলগুলির একটি সংমিশ্রণ ফসল এলাকা সনাক্ত করতে এবং জিওরিফারেন্সযুক্ত জিওজসন বৈশিষ্ট্য তৈরি করতে ব্যবহৃত হয়।
প্ল্যানেট ডেটা কেএনএন ক্লাসিফায়ারকে প্রশিক্ষণের জন্য প্রস্তুত করতে সেজমেকারের অন্তর্নির্মিত জিওস্পেশিয়াল লাইব্রেরি এবং সরঞ্জামগুলি ব্যবহার করে লোড করা হয় এবং প্রিপ্রসেস করা হয়। প্রশিক্ষণের জন্য গ্রাউন্ড ট্রুথ ডেটা হল 2015 সালের স্যাক্রামেন্টো কাউন্টি ল্যান্ড ইউজ DWR সার্ভে ডেটাসেট, এবং 2017 থেকে প্ল্যানেট ডেটা মডেল পরীক্ষা করার জন্য ব্যবহার করা হয়।
স্থল সত্য বৈশিষ্ট্যগুলিকে কনট্যুরে রূপান্তর করুন
KNN ক্লাসিফায়ারকে প্রশিক্ষণ দিতে, প্রতিটি পিক্সেলের যেকোন একটি শ্রেণী crop
or non-crop
চিহ্নিত করা প্রয়োজন। গ্রাউন্ড ট্রুথ ডেটাতে পিক্সেলটি ক্রপ বৈশিষ্ট্যের সাথে যুক্ত কিনা তা দ্বারা শ্রেণী নির্ধারণ করা হয়। এই নির্ণয় করার জন্য, গ্রাউন্ড ট্রুথ ডেটা প্রথমে OpenCV কনট্যুরে রূপান্তরিত হয়, যা পরে আলাদা করতে ব্যবহৃত হয় crop
থেকে non-crop
পিক্সেল পিক্সেল মান এবং তাদের শ্রেণীবিভাগ তারপর KNN ক্লাসিফায়ার প্রশিক্ষণের জন্য ব্যবহার করা হয়.
গ্রাউন্ড ট্রুথ ফিচারগুলিকে কনট্যুরে রূপান্তর করতে, ফিচারগুলিকে প্রথমে ইমেজের কোঅর্ডিনেট রেফারেন্স সিস্টেমে প্রজেক্ট করতে হবে। তারপর, বৈশিষ্ট্যগুলি ইমেজ স্পেসে রূপান্তরিত হয় এবং অবশেষে কনট্যুরে রূপান্তরিত হয়। কনট্যুরগুলির নির্ভুলতা নিশ্চিত করার জন্য, সেগুলিকে ইনপুট চিত্রের উপর ওভারলেড করা হয়েছে, যেমনটি নিম্নলিখিত উদাহরণে দেখানো হয়েছে।
KNN ক্লাসিফায়ারকে প্রশিক্ষণের জন্য, ক্রপ এবং নন-ক্রপ পিক্সেলগুলিকে মাস্ক হিসাবে ক্রপ বৈশিষ্ট্যের কনট্যুর ব্যবহার করে আলাদা করা হয়।
KNN ক্লাসিফায়ারের ইনপুট দুটি ডেটাসেট নিয়ে গঠিত: X, একটি 2d অ্যারে যা শ্রেণীবদ্ধ করার বৈশিষ্ট্যগুলি প্রদান করে; এবং y, একটি 1d অ্যারে যা ক্লাস প্রদান করে (উদাহরণ) এখানে, নন-ক্রপ এবং ক্রপ ডেটাসেট থেকে একটি একক শ্রেণীবদ্ধ ব্যান্ড তৈরি করা হয়েছে, যেখানে ব্যান্ডের মানগুলি পিক্সেল শ্রেণী নির্দেশ করে। ব্যান্ড এবং অন্তর্নিহিত ইমেজ পিক্সেল ব্যান্ডের মানগুলিকে তারপর ক্লাসিফায়ার ফিট ফাংশনের জন্য X এবং y ইনপুটে রূপান্তরিত করা হয়।
ক্রপ এবং নন-ক্রপ পিক্সেলে ক্লাসিফায়ারকে প্রশিক্ষণ দিন
KNN শ্রেণীবিভাগের সাথে সঞ্চালিত হয় স্কিট-লার্ন KNeighboursClassifier. প্রতিবেশীর সংখ্যা, একটি প্যারামিটার যা অনুমানকারীর কর্মক্ষমতাকে ব্যাপকভাবে প্রভাবিত করে, কেএনএন ক্রস-ভ্যালিডেশনে ক্রস-ভ্যালিডেশন ব্যবহার করে টিউন করা হয়। তারপর ক্লাসিফায়ারকে প্রস্তুত ডেটাসেট এবং প্রতিবেশী প্যারামিটারের টিউন করা সংখ্যা ব্যবহার করে প্রশিক্ষণ দেওয়া হয়। নিম্নলিখিত কোড দেখুন:
এর ইনপুট ডেটাতে শ্রেণীবদ্ধকারীর কর্মক্ষমতা মূল্যায়ন করতে, পিক্সেল ব্যান্ডের মান ব্যবহার করে পিক্সেল শ্রেণীটি ভবিষ্যদ্বাণী করা হয়। ক্লাসিফায়ারের কর্মক্ষমতা প্রধানত প্রশিক্ষণ ডেটার নির্ভুলতার উপর ভিত্তি করে এবং ইনপুট ডেটা (পিক্সেল ব্যান্ডের মান) এর উপর ভিত্তি করে পিক্সেল ক্লাসের স্পষ্ট বিভাজনের উপর ভিত্তি করে। ক্লাসিফায়ারের পরামিতিগুলি, যেমন প্রতিবেশীর সংখ্যা এবং দূরত্ব ওজন নির্ধারণের ফাংশন, পরবর্তীতে যেকোনো ভুলের জন্য ক্ষতিপূরণের জন্য সামঞ্জস্য করা যেতে পারে। নিম্নলিখিত কোড দেখুন:
মডেল ভবিষ্যদ্বাণী মূল্যায়ন
প্রশিক্ষিত KNN ক্লাসিফায়ার পরীক্ষার ডেটাতে ফসলের অঞ্চলগুলির পূর্বাভাস দিতে ব্যবহার করা হয়। এই পরীক্ষার ডেটা এমন অঞ্চল নিয়ে গঠিত যা প্রশিক্ষণের সময় মডেলের সংস্পর্শে আসেনি। অন্য কথায়, মডেলটির বিশ্লেষণের পূর্বে এলাকার কোন জ্ঞান নেই এবং তাই এই ডেটাটি মডেলের কার্যকারিতাকে উদ্দেশ্যমূলকভাবে মূল্যায়ন করতে ব্যবহার করা যেতে পারে। তুলনামূলকভাবে কোলাহলপূর্ণ একটি অঞ্চল দিয়ে শুরু করে আমরা বেশ কয়েকটি অঞ্চলকে দৃশ্যত পরিদর্শন করে শুরু করি।
ভিজ্যুয়াল পরিদর্শন প্রকাশ করে যে ভবিষ্যদ্বাণী করা ক্লাসগুলি বেশিরভাগ গ্রাউন্ড ট্রুথ ক্লাসের সাথে সামঞ্জস্যপূর্ণ। বিচ্যুতির কয়েকটি অঞ্চল রয়েছে, যা আমরা আরও পরিদর্শন করি।
আরও তদন্তের পরে, আমরা আবিষ্কার করেছি যে এই অঞ্চলের কিছু গোলমালের কারণ গ্রাউন্ড ট্রুথ ডেটার অভাব রয়েছে যা শ্রেণীবদ্ধ ছবিতে উপস্থিত রয়েছে (উপরের ডানদিকে উপরের বাম এবং নীচে বাম দিকের তুলনায়)। একটি বিশেষ আকর্ষণীয় অনুসন্ধান হল যে শ্রেণিবিন্যাসকারী নদী বরাবর গাছগুলিকে চিহ্নিত করে non-crop
, যেখানে গ্রাউন্ড ট্রুথ ডেটা ভুলবশত তাদের হিসাবে চিহ্নিত করে৷ crop
. এই দুটি বিভাজনের মধ্যে এই পার্থক্যটি ফসলের উপর গাছের ছায়া দেওয়ার কারণে হতে পারে।
এটি অনুসরণ করে, আমরা অন্য একটি অঞ্চল পরিদর্শন করি যা দুটি পদ্ধতির মধ্যে আলাদাভাবে শ্রেণীবদ্ধ করা হয়েছিল। এই হাইলাইট করা অঞ্চলগুলিকে আগে 2015 সালে গ্রাউন্ড ট্রুথ ডেটাতে অ-ফসল অঞ্চল হিসাবে চিহ্নিত করা হয়েছিল (উপরে ডানদিকে) কিন্তু পরিবর্তিত হয়েছে এবং 2017 সালে প্ল্যানেটস্কোপ দৃশ্যের (উপরে বাম এবং নীচে বাম) মাধ্যমে ফসলের জমি হিসাবে স্পষ্টভাবে দেখানো হয়েছে। শ্রেণীবিভাগের (নীচে ডানদিকে) মাধ্যমে এগুলিকে মূলত ফসলি জমি হিসাবে শ্রেণীবদ্ধ করা হয়েছিল।
আবার, আমরা দেখতে পাই KNN ক্লাসিফায়ার গ্রাউন্ড ট্রুথ ক্লাসের চেয়ে আরও বেশি দানাদার ফলাফল উপস্থাপন করে এবং এটি ফসলের জমিতে ঘটতে থাকা পরিবর্তনকে সফলভাবে ক্যাপচার করে। এই উদাহরণটি দৈনিক রিফ্রেশ করা স্যাটেলাইট ডেটার মূল্যের সাথেও কথা বলে কারণ বিশ্ব প্রায়শই বার্ষিক প্রতিবেদনের তুলনায় অনেক দ্রুত পরিবর্তিত হয়, এবং এই ধরনের ML-এর সাথে একটি সম্মিলিত পদ্ধতি আমাদের পরিবর্তনগুলি ঘটতে সাহায্য করতে পারে। স্যাটেলাইট ডেটার মাধ্যমে এই ধরনের পরিবর্তনগুলি নিরীক্ষণ এবং আবিষ্কার করতে সক্ষম হওয়া, বিশেষ করে ক্রমবর্ধমান কৃষিক্ষেত্রে, কৃষকদের তাদের কাজকে অপ্টিমাইজ করার জন্য সহায়ক অন্তর্দৃষ্টি প্রদান করে এবং মূল্য শৃঙ্খলে যে কোনও কৃষি স্টেকহোল্ডারকে মৌসুমের একটি ভাল পালস পেতে।
মডেল মূল্যায়ন
গ্রাউন্ড ট্রুথ ক্লাসের সাথে ভবিষ্যদ্বাণী করা ক্লাসের চিত্রগুলির ভিজ্যুয়াল তুলনা বিষয়ভিত্তিক হতে পারে এবং শ্রেণীবিভাগের ফলাফলের নির্ভুলতা মূল্যায়নের জন্য সাধারণীকরণ করা যায় না। একটি পরিমাণগত মূল্যায়ন পেতে, আমরা scikit-learn's ব্যবহার করে শ্রেণিবিন্যাস মেট্রিক্স পাই classification_report
ফাংশন:
পিক্সেল শ্রেণীবিভাগটি ফসল অঞ্চলের একটি বিভাজন মুখোশ তৈরি করতে ব্যবহৃত হয়, যা নির্ভুলতা এবং গুরুত্বপূর্ণ মেট্রিকগুলি স্মরণ করে এবং F1 সঠিকতা ভবিষ্যদ্বাণী করার জন্য একটি ভাল সামগ্রিক পরিমাপ তৈরি করে। আমাদের ফলাফল আমাদের ট্রেন এবং টেস্ট ডেটাসেটে ফসল এবং অ-ফসল উভয় অঞ্চলের জন্য মেট্রিক্স দেয়। যাইহোক, জিনিসগুলি সহজ রাখার জন্য, পরীক্ষা ডেটাসেটে ফসলের অঞ্চলগুলির প্রসঙ্গে এই মেট্রিক্সগুলিকে ঘনিষ্ঠভাবে দেখে নেওয়া যাক।
নির্ভুলতা হল আমাদের মডেলের ইতিবাচক ভবিষ্যদ্বাণী কতটা সঠিক তার একটি পরিমাপ। এই ক্ষেত্রে, শস্য অঞ্চলগুলির জন্য 0.94 এর নির্ভুলতা নির্দেশ করে যে আমাদের মডেল সঠিকভাবে শনাক্তকরণে অত্যন্ত সফল যেগুলি প্রকৃতপক্ষে শস্য অঞ্চল, যেখানে মিথ্যা ইতিবাচক (প্রকৃত অ-ফসল অঞ্চলগুলি ভুলভাবে শস্য অঞ্চল হিসাবে চিহ্নিত করা হয়েছে) ন্যূনতম করা হয়েছে৷ প্রত্যাহার, অন্যদিকে, ইতিবাচক ভবিষ্যদ্বাণীগুলির সম্পূর্ণতা পরিমাপ করে। অন্য কথায়, রিকল প্রকৃত ইতিবাচকের অনুপাত পরিমাপ করে যা সঠিকভাবে চিহ্নিত করা হয়েছিল। আমাদের ক্ষেত্রে, শস্য অঞ্চলের জন্য 0.73 এর প্রত্যাহার মান মানে হল সমস্ত সত্য ফসল অঞ্চলের 73% পিক্সেল সঠিকভাবে চিহ্নিত করা হয়েছে, মিথ্যা নেতিবাচকের সংখ্যা কমিয়েছে।
আদর্শভাবে, নির্ভুলতা এবং প্রত্যাহার উভয়ের উচ্চ মান পছন্দ করা হয়, যদিও এটি মূলত কেস স্টাডির প্রয়োগের উপর নির্ভরশীল হতে পারে। উদাহরণস্বরূপ, যদি আমরা কৃষকদের জন্য এই ফলাফলগুলি পরীক্ষা করি যারা কৃষির জন্য শস্য অঞ্চলগুলি সনাক্ত করতে চাইছেন, আমরা মিথ্যা নেতিবাচক সংখ্যা কমানোর জন্য সঠিকতার চেয়ে উচ্চতর প্রত্যাহারকে অগ্রাধিকার দিতে চাই (যে অঞ্চলগুলি অ-ফসল অঞ্চল হিসাবে চিহ্নিত আসলে ফসলের অঞ্চল) যাতে জমির সর্বাধিক ব্যবহার করা যায়। F1-স্কোর একটি সামগ্রিক নির্ভুলতা মেট্রিক হিসাবে কাজ করে যা যথার্থতা এবং প্রত্যাহার উভয়ের সমন্বয় করে এবং দুটি মেট্রিকের মধ্যে ভারসাম্য পরিমাপ করে। একটি উচ্চ F1-স্কোর, যেমন ফসল অঞ্চলের জন্য আমাদের (0.82), নির্ভুলতা এবং স্মরণ উভয়ের মধ্যে একটি ভাল ভারসাম্য এবং একটি উচ্চ সামগ্রিক শ্রেণিবিন্যাস নির্ভুলতা নির্দেশ করে। যদিও ট্রেন এবং টেস্ট ডেটাসেটের মধ্যে F1-স্কোর কমে যায়, এটি প্রত্যাশিত কারণ ক্লাসিফায়ারকে ট্রেন ডেটাসেটে প্রশিক্ষণ দেওয়া হয়েছিল। 1 এর একটি সামগ্রিক ওজনযুক্ত গড় F0.77 স্কোর শ্রেণীবদ্ধ ডেটাতে বিভাজন স্কিমগুলি চেষ্টা করার জন্য যথেষ্ট আশাব্যঞ্জক এবং পর্যাপ্ত।
ক্লাসিফায়ার থেকে একটি সেগমেন্টেশন মাস্ক তৈরি করুন
পরীক্ষার ডেটাসেটে KNN ক্লাসিফায়ার থেকে ভবিষ্যদ্বাণী ব্যবহার করে একটি সেগমেন্টেশন মাস্ক তৈরিতে ইমেজ নয়েজের কারণে ছোট ছোট অংশগুলি এড়াতে পূর্বাভাসিত আউটপুট পরিষ্কার করা জড়িত। দাগের শব্দ অপসারণ করতে, আমরা OpenCV ব্যবহার করি মিডিয়ান ব্লার ফিল্টার. এই ফিল্টারটি শস্যের মধ্যে রাস্তার সীমারেখাকে সংরক্ষন করে morphological open অপারেশনের চেয়ে ভালো।
ডিনোইসড আউটপুটে বাইনারি সেগমেন্টেশন প্রয়োগ করতে, আমাদের প্রথমে OpenCV ব্যবহার করে শ্রেণীবদ্ধ রাস্টার ডেটাকে ভেক্টর বৈশিষ্ট্যগুলিতে রূপান্তর করতে হবে কনট্যুর খুঁজুন ফাংশন.
অবশেষে, ভাগকৃত ফসলের রূপরেখা ব্যবহার করে প্রকৃত ভাগকৃত ফসলের অঞ্চলগুলি গণনা করা যেতে পারে।
KNN ক্লাসিফায়ার থেকে উৎপাদিত বিভক্ত শস্য অঞ্চলগুলি পরীক্ষার ডেটাসেটে ফসলের অঞ্চলগুলির সুনির্দিষ্ট সনাক্তকরণের অনুমতি দেয়। এই বিভক্ত অঞ্চলগুলি বিভিন্ন উদ্দেশ্যে ব্যবহার করা যেতে পারে, যেমন ক্ষেত্রের সীমানা চিহ্নিতকরণ, ফসল পর্যবেক্ষণ, ফলন অনুমান, এবং সম্পদ বরাদ্দকরণ। 1 এর অর্জিত F0.77 স্কোর ভাল এবং প্রমাণ দেয় যে KNN ক্লাসিফায়ার রিমোট সেন্সিং ইমেজে ফসল বিভাজনের জন্য একটি কার্যকর হাতিয়ার। এই ফলাফলগুলি শস্য বিভাজন কৌশলগুলিকে আরও উন্নত এবং পরিমার্জন করতে ব্যবহার করা যেতে পারে, সম্ভাব্যভাবে ফসল বিশ্লেষণে সঠিকতা এবং দক্ষতা বৃদ্ধি করে।
উপসংহার
এই পোস্টটি দেখিয়েছে কিভাবে আপনি এর সংমিশ্রণটি ব্যবহার করতে পারেন গ্রহের উচ্চ ক্যাডেন্স, উচ্চ-রেজোলিউশন স্যাটেলাইট চিত্র এবং সেজমেকার ভূ-স্থানিক ক্ষমতা ফসল বিভাজন বিশ্লেষণ করতে, মূল্যবান অন্তর্দৃষ্টি আনলক করে যা কৃষি দক্ষতা, পরিবেশগত স্থায়িত্ব এবং খাদ্য নিরাপত্তা উন্নত করতে পারে। সঠিকভাবে শস্য অঞ্চলগুলি শনাক্ত করা শস্যের বৃদ্ধি এবং উত্পাদনশীলতা, ভূমি ব্যবহারের পরিবর্তনগুলি পর্যবেক্ষণ এবং সম্ভাব্য খাদ্য নিরাপত্তা ঝুঁকি সনাক্তকরণের উপর আরও বিশ্লেষণ সক্ষম করে।
অধিকন্তু, প্ল্যানেট ডেটা এবং সেজমেকারের সংমিশ্রণ ফসল বিভাজনের বাইরেও বিস্তৃত ব্যবহারের ক্ষেত্রে অফার করে। অন্তর্দৃষ্টি শুধুমাত্র কৃষিতে শস্য ব্যবস্থাপনা, সম্পদ বরাদ্দ এবং নীতি পরিকল্পনা সংক্রান্ত ডেটা-চালিত সিদ্ধান্তগুলিকে সক্ষম করতে পারে। বিভিন্ন ডেটা এবং এমএল মডেলের সাথে, সম্মিলিত অফারটি অন্যান্য শিল্পেও প্রসারিত হতে পারে এবং ডিজিটাল রূপান্তর, টেকসই রূপান্তর এবং নিরাপত্তার ক্ষেত্রে ক্ষেত্রে ব্যবহার করতে পারে।
সেজমেকার ভূ-স্থানিক ক্ষমতা ব্যবহার শুরু করতে, দেখুন Amazon SageMaker জিওস্পেশিয়াল ক্ষমতা দিয়ে শুরু করুন.
প্ল্যানেটের ইমেজরি স্পেসিফিকেশন এবং ডেভেলপার রেফারেন্স উপকরণ সম্পর্কে আরও জানতে, দেখুন প্ল্যানেট ডেভেলপারস সেন্টার. পাইথনের জন্য প্ল্যানেটের এসডিকে ডকুমেন্টেশনের জন্য, দেখুন পাইথনের জন্য প্ল্যানেট SDK. প্ল্যানেট সম্পর্কে আরও তথ্যের জন্য, এর বিদ্যমান ডেটা পণ্য এবং আসন্ন পণ্য প্রকাশ সহ, দেখুন https://www.planet.com/.
প্ল্যানেট ল্যাবস পিবিসি ফরোয়ার্ড-লুকিং স্টেটমেন্ট
এখানে থাকা ঐতিহাসিক তথ্য ব্যতীত, এই ব্লগ পোস্টে উল্লিখিত বিষয়গুলি হল 1995 সালের প্রাইভেট সিকিউরিটিজ লিটিগেশন রিফর্ম অ্যাক্টের "নিরাপদ আশ্রয়" বিধানগুলির অর্থের মধ্যে প্রত্যাশিত বিবৃতি, যার মধ্যে রয়েছে কিন্তু সীমাবদ্ধ নয়, প্ল্যানেট ল্যাবস PBC-এর বাজারের সুযোগ ক্যাপচার করার ক্ষমতা এবং বর্তমান বা ভবিষ্যতের পণ্যের উন্নতি, নতুন পণ্য, বা কৌশলগত অংশীদারিত্ব এবং গ্রাহক সহযোগিতা থেকে সম্ভাব্য সুবিধার যে কোনো একটি উপলব্ধি করা। দূরদর্শী বিবৃতিগুলি প্ল্যানেট ল্যাবস পিবিসি-এর ব্যবস্থাপনার বিশ্বাস, সেইসাথে তাদের দ্বারা তৈরি অনুমান এবং বর্তমানে তাদের কাছে উপলব্ধ তথ্যের উপর ভিত্তি করে। যেহেতু এই ধরনের বিবৃতিগুলি ভবিষ্যতের ঘটনা এবং ফলাফলগুলির প্রত্যাশার উপর ভিত্তি করে এবং বাস্তবের বিবৃতি নয়, প্রকৃত ফলাফলগুলি প্রক্ষিপ্ত হওয়া থেকে বস্তুগতভাবে আলাদা হতে পারে। বর্তমান প্রত্যাশা থেকে বাস্তবিক ফলাফলের পার্থক্য হতে পারে এমন কারণগুলির মধ্যে রয়েছে, তবে প্ল্যানেট ল্যাবস পিবিসি এবং এর ব্যবসা সম্পর্কে ঝুঁকির কারণ এবং অন্যান্য প্রকাশ এবং প্ল্যানেট ল্যাবস পিবিসি-এর পর্যায়ক্রমিক প্রতিবেদন, প্রক্সি স্টেটমেন্ট এবং সময় থেকে দায়ের করা অন্যান্য প্রকাশের উপকরণগুলির মধ্যে সীমাবদ্ধ নয়। সিকিউরিটিজ অ্যান্ড এক্সচেঞ্জ কমিশন (এসইসি) এর সাথে যা অনলাইনে পাওয়া যায় www.sec.gov, এবং প্ল্যানেট ল্যাবস PBC-এর ওয়েবসাইটে www.planet.com। সমস্ত দূরদর্শী বিবৃতি প্ল্যানেট ল্যাবস পিবিসি-এর বিশ্বাস এবং অনুমানগুলিকে প্রতিফলিত করে শুধুমাত্র এই ধরনের বিবৃতি তৈরি হওয়ার তারিখ থেকে। প্ল্যানেট ল্যাবস PBC ভবিষ্যতের ঘটনা বা পরিস্থিতি প্রতিফলিত করার জন্য দূরদর্শী বিবৃতি আপডেট করার কোন বাধ্যবাধকতা গ্রহণ করে না।
লেখক সম্পর্কে
লিডিয়া লিহুই ঝাং তিনি প্ল্যানেট ল্যাবস পিবিসি-তে ব্যবসায়িক উন্নয়ন বিশেষজ্ঞ, যেখানে তিনি বিভিন্ন সেক্টর এবং অগণিত ব্যবহারের ক্ষেত্রে পৃথিবীর উন্নতির জন্য স্থান সংযোগ করতে সহায়তা করেন। পূর্বে, তিনি কৃষি-কেন্দ্রিক সমাধান ম্যাককিনসে ACRE-এর একজন ডেটা বিজ্ঞানী ছিলেন। তিনি মহাকাশ নীতির উপর দৃষ্টি নিবদ্ধ করে MIT প্রযুক্তি নীতি প্রোগ্রাম থেকে বিজ্ঞানে স্নাতকোত্তর করেছেন। ভূ-স্থানিক ডেটা এবং ব্যবসা এবং স্থায়িত্বের উপর এর বিস্তৃত প্রভাব তার ক্যারিয়ারের ফোকাস হয়েছে।
মানসী শাহ একজন সফ্টওয়্যার প্রকৌশলী, ডেটা সায়েন্টিস্ট এবং সঙ্গীতজ্ঞ যার কাজ শৈল্পিক কঠোরতা এবং প্রযুক্তিগত কৌতূহলের সংঘর্ষের স্থানগুলি অন্বেষণ করে৷ তিনি বিশ্বাস করেন যে ডেটা (শিল্পের মতো!) জীবনকে অনুকরণ করে, এবং সংখ্যা এবং নোটগুলির পিছনে গভীরভাবে মানুষের গল্পগুলিতে আগ্রহী।
জিওং ঝু AWS-এর একজন সিনিয়র ফলিত বিজ্ঞানী। তিনি Amazon SageMaker ভূ-স্থানিক ক্ষমতার জন্য বিজ্ঞান দলের নেতৃত্ব দেন। তার বর্তমান গবেষণার ক্ষেত্রে কম্পিউটার দৃষ্টি এবং দক্ষ মডেল প্রশিক্ষণ অন্তর্ভুক্ত। তার অবসর সময়ে, তিনি দৌড়ানো, বাস্কেটবল খেলা এবং তার পরিবারের সাথে সময় কাটাতে উপভোগ করেন।
জানোশ ওসচিৎজ এডব্লিউএস-এর একজন সিনিয়র সলিউশন আর্কিটেক্ট, ভূ-স্থানিক এআই/এমএল বিশেষজ্ঞ। 15 বছরের বেশি অভিজ্ঞতার সাথে, তিনি ভূ-স্থানিক ডেটাকে পুঁজি করে এমন উদ্ভাবনী সমাধানের জন্য AI এবং ML ব্যবহারে বিশ্বব্যাপী গ্রাহকদের সমর্থন করেন। তার দক্ষতা মেশিন লার্নিং, ডেটা ইঞ্জিনিয়ারিং এবং স্কেলেবল ডিস্ট্রিবিউটেড সিস্টেমে বিস্তৃত, সফ্টওয়্যার ইঞ্জিনিয়ারিংয়ের একটি শক্তিশালী পটভূমি এবং স্বায়ত্তশাসিত ড্রাইভিং এর মতো জটিল ডোমেনে শিল্পের দক্ষতা দ্বারা পরিবর্ধিত।
শীতল ঢাকাল সান ফ্রান্সিসকো বে এরিয়াতে অবস্থিত সেজমেকার জিওস্পেশিয়াল এমএল টিমের সাথে একজন সিনিয়র প্রোগ্রাম ম্যানেজার। রিমোট সেন্সিং এবং জিওগ্রাফিক ইনফরমেশন সিস্টেমে (জিআইএস) তার একটি পটভূমি রয়েছে। তিনি গ্রাহকদের ব্যথার পয়েন্টগুলি বোঝা এবং সেগুলি সমাধান করার জন্য ভূ-স্থানিক পণ্য তৈরি করার বিষয়ে উত্সাহী৷ তার অবসর সময়ে, তিনি হাইকিং, ভ্রমণ এবং টেনিস খেলা উপভোগ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 1
- 10
- 100
- 14
- 15 বছর
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- ক্ষমতা
- সক্ষম
- সম্পর্কে
- দ্রুততর করা
- প্রবেশ
- সঠিকতা
- সঠিক
- সঠিক
- অর্জন
- অর্জিত
- ভূসম্পত্তি
- দিয়ে
- আইন
- স্টক
- আসল
- প্রকৃতপক্ষে
- অভিযোজন
- স্থায়ী
- প্রভাবিত
- প্রভাবিত
- পর
- কৃষিজাত
- কৃষি
- AI
- এআই / এমএল
- সব
- বণ্টন
- অনুমতি
- অনুমতি
- একা
- বরাবর
- এছাড়াও
- যদিও
- মর্দানী স্ত্রীলোক
- আমাজন সেজমেকার
- আমাজন সেজমেকার ভূ-স্থানিক
- অ্যামাজন সেজমেকার স্টুডিও
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- বিশ্লেষণ
- বিশ্লেষণ করা
- এবং
- বার্ষিক
- অন্য
- কোন
- কোথাও
- API গুলি
- আবেদন
- অ্যাপ্লিকেশন
- ফলিত
- প্রয়োগ করা
- নথিপত্র
- রয়েছি
- এলাকায়
- এলাকার
- বিন্যাস
- শিল্পিসুলভ
- AS
- জিজ্ঞাসা
- পরিমাপ করা
- পরিমাপন
- মূল্যায়ন
- সম্পদ
- সাহায্য
- যুক্ত
- অনুমানের
- At
- উদ্দীপিত
- স্বশাসিত
- উপস্থিতি
- সহজলভ্য
- গড়
- এড়াতে
- অপেক্ষায় রয়েছেন
- ডেস্কটপ AWS
- পিছনে
- পটভূমি
- ভারসাম্য
- দল
- ব্যান্ড এর
- বার
- ভিত্তি
- ভিত্তি
- বাস্কেটবল
- উপসাগর
- BE
- কারণ
- হয়েছে
- শুরু
- পিছনে
- হচ্ছে
- বিশ্বাসের
- বিশ্বাস
- সুবিধা
- উত্তম
- উন্নতি
- মধ্যে
- তার পরেও
- ব্লগ
- নীল
- দাগ
- উভয়
- পাদ
- সীমানা
- সীমানা
- ব্রিজ
- আনা
- বৃহত্তর
- নির্মাণ করা
- ভবন
- বিল্ট-ইন
- থোকায় থোকায়
- ব্যবসায়
- ব্যবসা উন্নয়ন
- কিন্তু
- by
- CA
- ক্যালিফোর্নিয়া
- CAN
- ক্ষমতা
- নিজ সুবিধার্থে প্রয়োগ করা
- গ্রেপ্তার
- ক্যাচ
- পেশা
- কেস
- কেস স্টাডি
- মামলা
- কারণ
- ঘটিত
- কিছু
- চেন
- পরিবর্তন
- পরিবর্তিত
- পরিবর্তন
- বৈশিষ্ট্য
- পরিস্থিতি
- শ্রেণী
- ক্লাস
- শ্রেণীবিন্যাস
- শ্রেণীবদ্ধ
- পরিস্কার করা
- পরিষ্কার
- পরিষ্কারভাবে
- CLF
- মক্কেল
- জলবায়ু
- জলবায়ু পরিবর্তন
- কাছাকাছি
- মেঘ
- কোড
- সহযোগীতামূলক
- সংগ্রহ
- ধাক্কা লাগা
- এর COM
- সমাহার
- মিলিত
- মিশ্রন
- আসা
- আসে
- কমিশন
- সাধারণ
- সাধারণভাবে
- কোম্পানি
- তুলনামূলকভাবে
- তুলনা করা
- তুলনা
- তুলনা
- জটিল
- কম্পিউটার
- কম্পিউটার ভিশন
- আচার
- সংযোগ করা
- সঙ্গত
- গঠিত
- অন্তর্ভুক্ত
- ধারণ
- প্রসঙ্গ
- চলতে
- রূপান্তর
- ধর্মান্তরিত
- তুল্য
- মূল
- সংশোধিত
- অনুরূপ
- পারা
- বিভাগ
- আবরণ
- কভারেজ
- আচ্ছাদন
- সৃষ্টি
- নির্মিত
- তৈরি করা হচ্ছে
- সৃষ্টি
- নির্ণায়ক
- ফসল
- ফসল
- কৌতুহল
- বর্তমান
- এখন
- ক্রেতা
- গ্রাহকদের
- দৈনিক
- উপাত্ত
- তথ্য বিজ্ঞানী
- তথ্য চালিত
- ডেটাসেট
- তারিখ
- সিদ্ধান্ত
- গভীর
- নির্ধারণ করা
- সংজ্ঞায়িত
- প্রদর্শিত
- নির্ভরশীল
- স্থাপন
- উদ্ভূত
- আকাঙ্ক্ষিত
- বিনষ্ট
- বিস্তারিত
- সনাক্তকরণ
- নিরূপণ
- নির্ধারিত
- উন্নত
- বিকাশকারী
- ডেভেলপারদের
- উন্নয়ন
- চ্যুতি
- ভিন্ন
- পার্থক্য
- বিভিন্ন
- ডিজিটাল
- ডিজিটাল ট্রান্সফরমেসন
- সরাসরি
- বিপর্যয়
- প্রকাশ
- আবিষ্কার করা
- আবিষ্কৃত
- আলোচনা করা
- দূরত্ব
- বণ্টিত
- বিতরণ সিস্টেম
- বিতরণ
- ডকুমেন্টেশন
- ডোমেইনের
- ঘুঘু
- ডাউনলোড
- ডাউনলোড
- ড্রাইভ
- পরিচালনা
- ড্রপ
- কারণে
- সময়
- প্রতি
- পূর্বে
- পৃথিবী
- সহজে
- সহজ
- কার্যকর
- দক্ষতা
- দক্ষ
- দক্ষতার
- প্রচেষ্টা
- পারেন
- ক্ষমতাপ্রদান করা
- সক্ষম করা
- সম্ভব
- প্রকৌশলী
- প্রকৌশল
- প্রকৌশলী
- উন্নত বৈশিষ্ট্য
- যথেষ্ট
- সমৃদ্ধ করা
- নিশ্চিত করা
- পরিবেশ
- পরিবেশ
- পরিবেশগত ধারণক্ষমতা
- পরিবেশের
- বিশেষত
- মূল্যায়ন
- ঘটনা
- ঘটনাবলী
- প্রমান
- নব্য
- অনুসন্ধানী
- উদাহরণ
- বিনিময়
- বিদ্যমান
- বিস্তৃত করা
- প্রত্যাশা
- প্রত্যাশিত
- অভিজ্ঞতা
- ল্যাপারোস্কোপিক পদ্ধতি
- অন্বেষণ করুণ
- অন্বেষণ
- উদ্ভাসিত
- f1
- সত্য
- কারণের
- মিথ্যা
- পরিবার
- কৃষকদের
- কৃষি
- দ্রুত
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- ফেব্রুয়ারি
- সার
- কয়েক
- ক্ষেত্র
- ক্ষেত্রসমূহ
- ফাইল
- দায়ের
- ছাঁকনি
- পরিশেষে
- আবিষ্কার
- আবিষ্কার
- Fiona
- প্রথম
- ফিট
- ফ্লিট
- নমনীয়
- বন্যা
- কেন্দ্রবিন্দু
- মনোযোগ
- অনুসরণ
- খাদ্য
- জন্য
- বের
- দূরদর্শী
- ভিত
- ফ্রান্সিসকো
- থেকে
- ক্রিয়া
- অধিকতর
- ভবিষ্যৎ
- হত্তন
- ফাঁক
- ভৌগোলিক
- ভূ-স্থানিক এমএল
- পাওয়া
- দাও
- প্রদত্ত
- বিশ্বব্যাপী
- বিশ্বব্যাপী
- ভাল
- গ্রাফিক্স
- অতিশয়
- Green
- স্থল
- ক্রমবর্ধমান
- উন্নতি
- অতিথি
- অতিথি পোস্ট
- হাত
- ঘটা
- ঘটনা
- আছে
- জমিদারি
- he
- স্বাস্থ্য
- সাহায্য
- সহায়ক
- সাহায্য
- তার
- এখানে
- এখানে
- উচ্চ
- উচ্চ তরঙ্গ
- উচ্চ রেজল্যুশন
- ঊর্ধ্বতন
- হাইলাইট করা
- তার
- ঐতিহাসিক
- ঝুলিতে
- কিভাবে
- কিভাবে
- যাহোক
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- মানবীয়
- i
- ID
- শনাক্ত
- চিহ্নিত
- শনাক্ত
- সনাক্ত করা
- চিহ্নিতকরণের
- if
- ভাবমূর্তি
- চিত্র
- অপরিমেয়
- প্রভাব
- গুরুত্বপূর্ণ
- উন্নত করা
- উন্নত
- উন্নতি
- in
- অন্যান্য
- অন্তর্ভুক্ত করা
- অন্তর্ভুক্ত
- অন্তর্ভুক্ত
- সুদ্ধ
- নিগমবদ্ধ
- ভুল
- বর্ধিত
- ক্রমবর্ধমান
- প্রকৃতপক্ষে
- সূচক
- ইঙ্গিত
- ইঙ্গিত
- শিল্প
- শিল্প
- তথ্য
- উদ্ভাবনী
- ইনপুট
- ইনপুট
- অর্ন্তদৃষ্টি
- অনুপ্রাণিত
- ইনস্টল
- ইনস্টল
- ইন্টারেক্টিভ
- স্বার্থ
- আগ্রহী
- মজাদার
- ইন্টারফেস
- মধ্যে
- তদন্ত
- IT
- এর
- জেনিফার
- JPG
- জুন
- রাখা
- কিট (SDK)
- জ্ঞান
- কাইল
- ল্যাবস
- জমি
- বড়
- বড় আকারের
- মূলত
- বিলম্বে
- শুরু করা
- চালু
- নেতৃত্ব
- নেতৃত্ব
- বিশালাকার
- শিখতে
- শিক্ষা
- বাম
- উপজীব্য
- লাইব্রেরি
- জীবন
- মত
- সীমিত
- লাইন
- তালিকা
- মামলা
- অবস্থিত
- দেখুন
- খুঁজছি
- মেশিন
- মেশিন লার্নিং
- ম্যাক্রো
- প্রণীত
- প্রধানত
- করা
- মেকিং
- পরিচালনা করা
- ব্যবস্থাপনা
- পরিচালক
- অনেক
- মানচিত্র
- চিহ্নিত
- বাজার
- মাস্ক
- মালিক
- ম্যাচিং
- বস্তুগতভাবে
- উপকরণ
- ম্যাটার্স
- সর্বাধিক
- মে..
- ম্যাকিনজি
- অর্থ
- মানে
- মাপ
- পরিমাপ
- পরিমাপ
- মেটাডাটা
- পদ্ধতি
- পদ্ধতি
- ছন্দোময়
- ছন্দোবিজ্ঞান
- ছোট করা
- এমআইটি
- প্রশমন
- ML
- মডেল
- মডেল
- মনিটর
- পর্যবেক্ষণ
- অধিক
- সেতু
- অধিকাংশ ক্ষেত্রে
- অনেক
- বহু
- সুরকার
- অবশ্যই
- অগণ্য
- প্রাকৃতিক
- প্রয়োজন
- প্রয়োজন
- চাহিদা
- ঋণাত্মক
- প্রতিবেশী
- নতুন
- নতুন পণ্য
- না।
- গোলমাল
- নোটবই
- নোট
- সংখ্যা
- সংখ্যার
- অনেক
- নিরপেক্ষভাবে
- দায়িত্ব
- মান্য করা
- প্রাপ্ত
- অক্টোবর
- of
- নৈবেদ্য
- অফার
- প্রায়ই
- on
- অনলাইন
- কেবল
- খোলা
- OpenCV
- অপারেশন
- সুযোগ
- অপ্টিমিজ
- or
- ক্রম
- আদেশ
- সংগঠন
- মূলত
- অন্যান্য
- আমাদের
- ভালুক
- প্রান্তরেখা
- আউটপুট
- শেষ
- সামগ্রিক
- নিজের
- ব্যথা
- স্থিতিমাপ
- পরামিতি
- বিশেষ
- বিশেষত
- অংশীদারিত্ব
- অংশীদারিত্ব
- কামুক
- নিদর্শন
- সম্পাদন করা
- কর্মক্ষমতা
- সম্পাদিত
- পর্যাবৃত্ত
- শারীরিক
- বাছাই
- পিক্সেল
- গ্রহ
- পরিকল্পনা
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- কেলি
- পয়েন্ট
- নীতি
- ধনাত্মক
- সম্ভব
- পোস্ট
- সম্ভাব্য
- সম্ভাব্য
- ক্ষমতা
- ক্ষমতাশালী
- চর্চা
- যথাযথ
- স্পষ্টতা
- ভবিষ্যদ্বাণী করা
- পূর্বাভাস
- পূর্বাভাসের
- ভবিষ্যতবাণী
- পছন্দের
- প্রস্তুত করা
- প্রস্তুত
- বর্তমান
- উপস্থাপন
- প্রি
- পূর্বে
- প্রাথমিকভাবে
- প্রাথমিক
- পূর্বে
- অগ্রাধিকার
- ব্যক্তিগত
- সমস্যা
- প্রক্রিয়া
- প্রক্রিয়াকৃত
- প্রক্রিয়াজাতকরণ
- প্রযোজনা
- পণ্য
- প্রমোদ
- পণ্য
- অঘোরে
- কার্যক্রম
- অভিক্ষিপ্ত
- আশাপ্রদ
- অনুপাত
- প্রদান
- প্রদত্ত
- উপলব্ধ
- প্রক্সি
- প্রকাশ্যে
- নাড়ি
- উদ্দেশ্য
- পাইথন
- মাত্রিক
- দ্রুত
- দ্রুত
- পরিসর
- সাধা
- লাল
- হ্রাস
- পরিমার্জন
- প্রতিফলিত করা
- সংশোধন
- এলাকা
- অঞ্চল
- রিলিজ
- প্রাসঙ্গিক
- মুক্তি
- দূরবর্তী
- অপসারণ
- প্রতিবেদন
- প্রতিবেদন
- প্রতিনিধি
- অনুরোধ
- গবেষণা
- সংস্থান
- Resources
- ফল
- ফলাফল
- প্রত্যাবর্তন
- প্রকাশ করা
- প্রকাশিত
- ধনী
- অধিকার
- ঝুঁকি
- ঝুঁকির কারণ
- ঝুঁকি
- নদী
- রাস্তা
- চালান
- দৌড়
- স্ক্যারামেন্ট
- ঋষি নির্মাতা
- একই
- সান
- সানফ্রান্সিসকো
- উপগ্রহ
- উপগ্রহ
- মাপযোগ্য
- দৃশ্য
- লোকচক্ষুর
- স্কিম
- বিজ্ঞান
- বিজ্ঞানী
- বিজ্ঞানীরা
- scikit-শিখতে
- স্কোর
- SDK
- সার্চ
- ঋতু
- এসইসি
- সেক্টর
- সিকিউরিটিজ
- সিকিউরিটিজ ও এক্সচেঞ্জ কমিশন
- নিরাপত্তা
- নিরাপত্তা ঝুঁকি
- দেখ
- সেগমেন্টেশন
- অংশ
- নির্বাচিত
- নির্বাচন
- জ্যেষ্ঠ
- আলাদা
- স্থল
- সেবা
- সেট
- সেট
- বসতি স্থাপন করা
- বিভিন্ন
- সে
- প্রদর্শনী
- প্রদর্শিত
- অনুরূপ
- সহজ
- থেকে
- একক
- আয়তন
- ছোট
- সফটওয়্যার
- সফটওয়্যার উন্নয়ন
- সফটওয়্যার ডেভেলপমেন্ট কিট
- সফটওয়্যার ইঞ্জিনিয়ার
- সফ্টওয়্যার প্রকৌশল
- মাটি
- সমাধান
- সলিউশন
- সমাধান
- কিছু
- উৎস
- সোর্স
- স্থান
- শূণ্যস্থান
- ঘটনাকাল
- স্থান-সংক্রান্ত
- স্পিক্স
- বিশেষজ্ঞ
- বিশেষজ্ঞ
- সবিস্তার বিবরণী
- স্পেসিফিকেশনের
- ভুতুড়ে
- খরচ
- স্টেকহোল্ডারদের
- অংশীদারদের
- শুরু
- শুরু
- রাষ্ট্র
- বিবৃতি
- অবস্থা
- ধাপ
- খবর
- কৌশলগত
- কৌশলগত অংশীদারি
- কৌশল
- জোর
- শক্তিশালী
- চিত্রশালা
- অধ্যয়ন
- সাবস্ক্রাইব
- সফল
- সফলভাবে
- এমন
- সমর্থন
- সমর্থন
- পৃষ্ঠতল
- জরিপ
- সাস্টেনিবিলিটি
- টেকসই
- পদ্ধতি
- সিস্টেম
- গ্রহণ করা
- ধরা
- গ্রহণ
- টীম
- কারিগরী
- প্রযুক্তি
- প্রযুক্তিঃ
- পরীক্ষা
- উইল
- পরীক্ষামূলক
- চেয়ে
- যে
- সার্জারির
- ক্ষেত্র
- রাষ্ট্র
- বিশ্ব
- তাদের
- তাহাদিগকে
- তারপর
- সেখানে।
- অতএব
- এইগুলো
- তারা
- কিছু
- এই
- সেগুলো
- দ্বারা
- সময়
- বার
- থেকে
- টুল
- সরঞ্জাম
- শীর্ষ
- প্রতি
- পথ
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- রুপান্তর
- রুপান্তর
- রুপান্তরিত
- ভ্রমণ
- গাছ
- প্রবণতা
- সত্য
- সত্য
- চেষ্টা
- দুই
- আদর্শ
- নিম্নাবস্থিত
- বোধশক্তি
- গ্রহণ করে
- উদ্ঘাটন
- পর্যন্ত
- আসন্ন
- আপডেট
- us
- ব্যবহার
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারসমূহ
- ব্যবহার
- সাধারণত
- ব্যবহার
- দামি
- মূল্য
- মানগুলি
- বিভিন্ন
- সুবিশাল
- খুব
- মাধ্যমে
- দৃষ্টি
- দেখুন
- কল্পনা
- চাক্ষুষরূপে
- আয়তন
- জেয়
- অপেক্ষা করুন
- প্রয়োজন
- ছিল
- অপব্যয়
- পানি
- we
- ওয়েব
- ওয়েব সার্ভিস
- ওয়েবসাইট
- আমরা একটি
- ছিল
- যেহেতু
- কিনা
- যে
- যখন
- হু
- যাহার
- ব্যাপক
- প্রশস্ত পরিসর
- সঙ্গে
- মধ্যে
- ছাড়া
- শব্দ
- হয়া যাই ?
- কর্মপ্রবাহ
- কর্মপ্রবাহ
- কাজ
- বিশ্ব
- would
- লিখিত
- X
- বছর
- বছর
- উত্পাদ
- আপনি
- zephyrnet
- জুম্