Dette gæsteindlæg er skrevet af Lydia Lihui Zhang, Business Development Specialist, og Mansi Shah, Software Engineer/Data Scientist, hos Planet Labs. Det analyse, der inspirerede dette indlæg blev oprindeligt skrevet af Jennifer Reiber Kyle.
Amazon SageMaker geospatiale muligheder kombineret med Planet's satellitdata kan bruges til afgrødesegmentering, og der er adskillige anvendelser og potentielle fordele ved denne analyse til områderne landbrug og bæredygtighed. I slutningen af 2023, Planet annoncerede et partnerskab med AWS for at gøre sine geospatiale data tilgængelige via Amazon SageMaker.
Beskæringssegmentering er processen med at opdele et satellitbillede i områder af pixels eller segmenter, der har lignende beskæringsegenskaber. I dette indlæg illustrerer vi, hvordan man bruger en segmenteringsmaskinelæringsmodel (ML) til at identificere afgrøde- og ikke-afgrødeområder i et billede.
Identifikation af afgrøderegioner er et kernetrin i retning af at opnå landbrugsindsigt, og kombinationen af rige geospatiale data og ML kan føre til indsigt, der driver beslutninger og handlinger. For eksempel:
- At træffe datadrevne landbrugsbeslutninger – Ved at opnå en bedre rumlig forståelse af afgrøderne kan landmænd og andre landbrugsinteressenter optimere brugen af ressourcer, fra vand til gødning til andre kemikalier hen over sæsonen. Dette danner grundlaget for at reducere spild, forbedre bæredygtige landbrugsmetoder, hvor det er muligt, og øge produktiviteten, samtidig med at miljøpåvirkningen minimeres.
- Identifikation af klimarelaterede belastninger og tendenser – Da klimaændringer fortsætter med at påvirke globale temperatur- og nedbørsmønstre, kan afgrødesegmentering bruges til at identificere områder, der er sårbare over for klimarelateret stress til klimatilpasningsstrategier. For eksempel kan satellitbilledarkiver bruges til at spore ændringer i en afgrødedyrkningsregion over tid. Disse kunne være de fysiske ændringer i størrelse og fordeling af dyrkede arealer. De kunne også være ændringerne i jordfugtighed, jordtemperatur og biomasse, afledt af de forskellige spektrale indekser af satellitdata, til en dybere analyse af afgrødes sundhed.
- Vurdering og afhjælpning af skader – Endelig kan afgrødesegmentering bruges til hurtigt og præcist at identificere områder med afgrødeskader i tilfælde af en naturkatastrofe, hvilket kan hjælpe med at prioritere nødhjælpsindsatsen. For eksempel, efter en oversvømmelse, kan højkadence-satellitbilleder bruges til at identificere områder, hvor afgrøder er blevet nedsænket eller ødelagt, hvilket gør det muligt for nødhjælpsorganisationer at hjælpe berørte landmænd hurtigere.
I denne analyse bruger vi en K-nearest neighbours (KNN) model til at udføre afgrødesegmentering, og vi sammenligner disse resultater med sandhedsbilleder på en landbrugsregion. Vores resultater afslører, at klassificeringen fra KNN-modellen er mere nøjagtigt repræsentativ for tilstanden af den nuværende afgrødemark i 2017 end jordsandhedens klassificeringsdata fra 2015. Disse resultater er et vidnesbyrd om kraften i Planets geospatiale billeder med høj kadence. Landbrugsmarker ændrer sig ofte, nogle gange flere gange om sæsonen, og at have højfrekvente satellitbilleder til rådighed til at observere og analysere dette land kan give enorm værdi for vores forståelse af landbrugsjord og hurtigt skiftende miljøer.
Planet og AWS's partnerskab om geospatial ML
SageMaker geospatiale muligheder give datavidenskabsfolk og ML-ingeniører mulighed for at bygge, træne og implementere modeller ved hjælp af geospatiale data. SageMaker geospatiale muligheder giver dig mulighed for effektivt at transformere eller berige store geospatiale datasæt, accelerere modelbygning med forudtrænede ML-modeller og udforske modelforudsigelser og geospatiale data på et interaktivt kort ved hjælp af 3D-accelereret grafik og indbyggede visualiseringsværktøjer. Med SageMaker geospatiale muligheder kan du behandle store datasæt af satellitbilleder og andre geospatiale data for at skabe nøjagtige ML-modeller til forskellige applikationer, herunder afgrødesegmentering, som vi diskuterer i dette indlæg.
Planet Labs PBC er en førende jordbilledvirksomhed, der bruger sin store flåde af satellitter til at tage billeder af jordens overflade på daglig basis. Planets data er derfor en værdifuld ressource for geospatial ML. Dets højopløselige satellitbilleder kan bruges til at identificere forskellige afgrødekarakteristika og deres helbred over tid, hvor som helst på Jorden.
Partnerskabet mellem Planet og SageMaker gør det muligt for kunderne let at få adgang til og analysere Planets højfrekvente satellitdata ved hjælp af AWSs kraftfulde ML-værktøjer. Dataforskere kan medbringe deres egne data eller bekvemt finde og abonnere på Planets data uden at skifte miljø.
Beskæringssegmentering i en Amazon SageMaker Studio-notesbog med et geospatialt billede
I dette eksempel på geospatial ML-workflow ser vi på, hvordan man bringer Planets data sammen med jordsandhedens datakilde ind i SageMaker, og hvordan man træner, udleder og implementerer en afgrødesegmenteringsmodel med en KNN-klassifikator. Til sidst vurderer vi nøjagtigheden af vores resultater og sammenligner dette med vores grundsandhedsklassifikation.
Den anvendte KNN-klassifikator blev trænet i en Amazon SageMaker Studio notesbog med en geospatial billede og giver en fleksibel og udvidelsesbar notebookkerne til at arbejde med geospatiale data.
Amazon SageMaker Studio notebook med geospatialt billede leveres forudinstalleret med almindeligt anvendte geospatiale biblioteker såsom GDAL, Fiona, GeoPandas, Shapely og Rasterio, som tillader visualisering og behandling af geospatiale data direkte i et Python-notebook-miljø. Almindelige ML-biblioteker såsom OpenCV eller scikit-learn bruges også til at udføre afgrødesegmentering ved hjælp af KNN-klassificering, og disse er også installeret i den geospatiale kerne.
Datavalg
Den landbrugsmark, vi zoomer ind på, ligger ved det normalt solrige Sacramento County i Californien.
Hvorfor Sacramento? Området og tidsvalget for denne type problemer er primært defineret af tilgængeligheden af jordsandhedsdata, og sådanne data i afgrødetype og grænsedata er ikke let at finde. Det 2015 Sacramento County Land Use DWR Survey datasæt er et offentligt tilgængeligt datasæt, der dækker Sacramento County i det år og giver håndjusterede grænser.
Det primære satellitbillede, vi bruger, er planetens 4-bånd PSScene produkt, som indeholder de blå, grønne, røde og nær-IR-bånd og er radiometrisk korrigeret til at-sensor-udstråling. Koefficienterne til at korrigere til sensorreflektans er tilvejebragt i scenemetadataene, hvilket yderligere forbedrer sammenhængen mellem billeder taget på forskellige tidspunkter.
Planet's Dove satellitter, der producerede dette billede blev opsendt 14. februar 2017 (pressemeddelelse), derfor afbildede de ikke Sacramento County tilbage i 2015. De har dog taget daglige billeder af området siden lanceringen. I dette eksempel nøjes vi med den ufuldkomne 2-årige kløft mellem jordsandhedens data og satellitbilleder. Landsat 8-billeder i lavere opløsning kunne dog have været brugt som en bro mellem 2015 og 2017.
Få adgang til planetdata
For at hjælpe brugere med at få præcise og handlingsrettede data hurtigere, har Planet også udviklet Planet Software Development Kit (SDK) til Python. Dette er et kraftfuldt værktøj for dataforskere og udviklere, der ønsker at arbejde med satellitbilleder og andre geospatiale data. Med denne SDK kan du søge og få adgang til Planets store samling af satellitbilleder i høj opløsning samt data fra andre kilder som OpenStreetMap. SDK'en leverer en Python-klient til Planets API'er samt en kodeløs kommandolinjegrænseflade (CLI), hvilket gør det nemt at inkorporere satellitbilleder og geospatiale data i Python-arbejdsgange. Dette eksempel bruger Python-klienten til at identificere og downloade billeder, der er nødvendige for analysen.
Du kan installere Planet Python-klienten i SageMaker Studio-notesbogen med geospatialt billede ved hjælp af en simpel kommando:
Du kan bruge klienten til at søge efter relevante satellitbilleder og hente en liste over tilgængelige resultater baseret på interesseområdet, tidsinterval og andre søgekriterier. I det følgende eksempel starter vi med at spørge hvor mange PlanetScope scener (Planets daglige billeder) dækker det samme interesseområde (AOI), som vi definerer tidligere gennem jorddata i Sacramento, givet et vist tidsinterval mellem 1. juni og 1. oktober 2017; samt en vis ønsket maksimal skydækningsområde på 10 %:
De returnerede resultater viser antallet af matchende scener, der overlapper med vores interesseområde. Den indeholder også hver scenes metadata, dens billed-id og en forhåndsvisningsbilledreference.
Efter at en bestemt scene er blevet valgt, med specifikation på scene-id, varetype og produktpakker (referencedokumentation), kan du bruge følgende kode til at downloade billedet og dets metadata:
Denne kode downloader det tilsvarende satellitbillede til Amazon Elastic File System (Amazon EFS) volumen til SageMaker Studio.
Model træning
Efter at dataene er blevet downloadet med Planet Python-klienten, kan segmenteringsmodellen trænes. I dette eksempel bruges en kombination af KNN-klassificering og billedsegmenteringsteknikker til at identificere afgrødeareal og skabe georeferencede geojson-funktioner.
Planet-dataene indlæses og forbehandles ved hjælp af de indbyggede geospatiale biblioteker og værktøjer i SageMaker for at forberede dem til træning af KNN-klassifikatoren. Grundsandhedens data til træning er Sacramento County Land Use DWR Survey-datasættet fra 2015, og Planet-dataene fra 2017 bruges til at teste modellen.
Konverter jordsandheden til konturer
For at træne KNN-klassifikatoren, klassen af hver pixel som enten crop
or non-crop
skal identificeres. Klassen bestemmes af, om pixlen er knyttet til en beskæringsfunktion i jordsandhedsdataene eller ej. For at foretage denne bestemmelse konverteres jordsandhedsdataene først til OpenCV-konturer, som derefter bruges til at adskille crop
fra non-crop
pixels. Pixelværdierne og deres klassificering bruges derefter til at træne KNN-klassifikatoren.
For at konvertere grundsandhedens træk til konturer, skal funktionerne først projiceres til billedets koordinatreferencesystem. Derefter bliver funktionerne omdannet til billedrum og til sidst konverteret til konturer. For at sikre nøjagtigheden af konturerne visualiseres de overlejret på inputbilledet, som vist i følgende eksempel.
For at træne KNN-klassifikatoren adskilles beskærings- og ikke-beskæringspixel ved hjælp af beskæringsfunktionens konturer som en maske.
KNN-klassifikatorens input består af to datasæt: X, et 2d-array, der giver de funktioner, der skal klassificeres på; og y, et 1d-array, der giver klasserne (eksempel). Her oprettes et enkelt klassificeret bånd ud fra non-crop- og crop-datasættene, hvor båndets værdier angiver pixelklassen. Båndet og de underliggende billedpixelbåndværdier konverteres derefter til X- og y-input for klassificeringsfunktionen.
Træn klassificeringen på beskærings- og ikke-beskæringspixel
KNN-klassifikationen udføres med scikit-learn KNeighborsClassifier. Antallet af naboer, en parameter, der i høj grad påvirker estimatorens ydeevne, indstilles ved hjælp af krydsvalidering i KNN krydsvalidering. Klassifikatoren trænes derefter ved at bruge de forberedte datasæt og det indstillede antal naboparametre. Se følgende kode:
For at vurdere klassifikatorens ydeevne på dets inputdata forudsiges pixelklassen ved hjælp af pixelbåndværdierne. Klassifikatorens ydeevne er hovedsageligt baseret på nøjagtigheden af træningsdataene og den klare adskillelse af pixelklasserne baseret på inputdataene (pixelbåndværdier). Klassifikatorens parametre, såsom antallet af naboer og afstandsvægtningsfunktionen, kan justeres for at kompensere for eventuelle unøjagtigheder i sidstnævnte. Se følgende kode:
Evaluer modelforudsigelser
Den trænede KNN-klassifikator bruges til at forudsige afgrøderegioner i testdataene. Disse testdata består af områder, der ikke blev eksponeret for modellen under træningen. Modellen har med andre ord ingen viden om området forud for dens analyse, og derfor kan disse data bruges til objektivt at evaluere modellens ydeevne. Vi starter med visuelt at inspicere flere regioner, begyndende med en region, der er forholdsvis mere støjende.
Den visuelle inspektion afslører, at de forudsagte klasser for det meste stemmer overens med sandhedsklasserne. Der er nogle få områder med afvigelse, som vi inspicerer nærmere.
Efter yderligere undersøgelse opdagede vi, at noget af støjen i denne region skyldtes, at jordsandhedens data manglede de detaljer, der er til stede i det klassificerede billede (øverst til højre sammenlignet med øverst til venstre og nederst til venstre). Et særligt interessant fund er, at klassificereren identificerer træer langs floden som non-crop
, hvorimod grundsandhedens data fejlagtigt identificerer dem som crop
. Denne forskel mellem disse to segmenteringer kan skyldes, at træerne skygger området over afgrøderne.
Efter dette inspicerer vi en anden region, der blev klassificeret forskelligt mellem de to metoder. Disse fremhævede områder blev tidligere markeret som ikke-afgrødeområder i jordsandhedsdataene i 2015 (øverst til højre), men ændret og vist tydeligt som afgrødeland i 2017 gennem Planetscope Scenes (øverst til venstre og nederst til venstre). De blev også i vid udstrækning klassificeret som afgrødeland gennem klassificeringen (nederst til højre).
Igen ser vi, at KNN-klassifikatoren præsenterer et mere granulært resultat end jordsandhedsklassen, og den fanger også med succes den forandring, der sker i afgrødelandet. Dette eksempel taler også om værdien af daglige opdaterede satellitdata, fordi verden ofte ændrer sig meget hurtigere end årsrapporter, og en kombineret metode med ML som denne kan hjælpe os med at opfange ændringerne, efterhånden som de sker. At være i stand til at overvåge og opdage sådanne ændringer via satellitdata, især i de udviklende landbrugsområder, giver nyttig indsigt for landmændene til at optimere deres arbejde og enhver landbrugsinteressenter i værdikæden for at få en bedre puls på sæsonen.
Modelvurdering
Den visuelle sammenligning af billederne af de forudsagte klasser med jordsandhedsklasserne kan være subjektiv og kan ikke generaliseres til at vurdere nøjagtigheden af klassificeringsresultaterne. For at opnå en kvantitativ vurdering indhenter vi klassifikationsmetrikker ved at bruge scikit-learn's classification_report
fungere:
Pixelklassificeringen bruges til at skabe en segmenteringsmaske af afgrøderegioner, hvilket gør både præcision og genkaldelse af vigtige metrikker, og F1-scoren er et godt overordnet mål til at forudsige nøjagtighed. Vores resultater giver os målinger for både afgrøde- og ikke-afgrøderegioner i tog- og testdatasættet. Men for at holde tingene enkle, lad os se nærmere på disse målinger i sammenhæng med afgrøderegionerne i testdatasættet.
Præcision er et mål for, hvor nøjagtige vores models positive forudsigelser er. I dette tilfælde indikerer en præcision på 0.94 for afgrøderegioner, at vores model er meget succesfuld til korrekt at identificere områder, der faktisk er afgrøderegioner, hvor falske positiver (faktiske ikke-afgrøderegioner forkert identificeret som afgrøderegioner) er minimeret. Recall måler på den anden side fuldstændigheden af positive forudsigelser. Med andre ord, tilbagekaldelse måler andelen af faktiske positive, der blev identificeret korrekt. I vores tilfælde betyder en genkaldelsesværdi på 0.73 for afgrøderegioner, at 73 % af alle sande afgrøderegionpixels er korrekt identificeret, hvilket minimerer antallet af falske negativer.
Ideelt set foretrækkes høje værdier af både præcision og genkaldelse, selvom dette i høj grad kan afhænge af anvendelsen af casestudiet. Hvis vi for eksempel undersøgte disse resultater for landmænd, der søger at identificere afgrøderegioner til landbrug, ville vi foretrække en højere tilbagekaldelse end præcision for at minimere antallet af falske negativer (områder identificeret som ikke-afgrøderegioner, der faktisk er afgrøderegioner) for at udnytte jorden bedst muligt. F1-scoren fungerer som en overordnet nøjagtighedsmåling, der kombinerer både præcision og genkaldelse og måler balancen mellem de to målinger. En høj F1-score, som vores for afgrødeområder (0.82), indikerer en god balance mellem både præcision og genkaldelse og en høj samlet klassificeringsnøjagtighed. Selvom F1-score falder mellem tog- og testdatasættene, forventes dette, fordi klassificereren blev trænet på togdatasættet. En samlet vægtet gennemsnitlig F1-score på 0.77 er lovende og tilstrækkelig nok til at prøve segmenteringsskemaer på de klassificerede data.
Opret en segmenteringsmaske fra klassificereren
Oprettelse af en segmenteringsmaske ved hjælp af forudsigelserne fra KNN-klassifikatoren på testdatasættet involverer at rydde op i det forudsagte output for at undgå små segmenter forårsaget af billedstøj. For at fjerne pletstøj bruger vi OpenCV median sløringsfilter. Dette filter bevarer vejafgrænsninger mellem afgrøder bedre end den morfologiske åbne drift.
For at anvende binær segmentering på det dæmpede output, skal vi først konvertere de klassificerede rasterdata til vektorfunktioner ved hjælp af OpenCV find konturer funktion.
Endelig kan de faktiske segmenterede afgrøderegioner beregnes ved hjælp af de segmenterede afgrødekonturer.
De segmenterede afgrøderegioner produceret fra KNN-klassifikatoren giver mulighed for præcis identifikation af afgrøderegioner i testdatasættet. Disse segmenterede regioner kan bruges til forskellige formål, såsom markgrænseidentifikation, afgrødeovervågning, udbytteestimering og ressourceallokering. Den opnåede F1-score på 0.77 er god og viser, at KNN-klassifikatoren er et effektivt værktøj til afgrødesegmentering i fjernmålingsbilleder. Disse resultater kan bruges til yderligere at forbedre og forfine afgrødesegmenteringsteknikker, hvilket potentielt kan føre til øget nøjagtighed og effektivitet i afgrødeanalyse.
Konklusion
Dette indlæg demonstrerede, hvordan du kan bruge kombinationen af Planetens høj kadence, højopløselige satellitbilleder og SageMaker geospatiale muligheder at udføre afgrødesegmenteringsanalyse, der låser op for værdifuld indsigt, der kan forbedre landbrugets effektivitet, miljømæssig bæredygtighed og fødevaresikkerhed. Nøjagtig identifikation af afgrøderegioner muliggør yderligere analyse af afgrødevækst og produktivitet, overvågning af ændringer i arealanvendelsen og påvisning af potentielle fødevaresikkerhedsrisici.
Desuden tilbyder kombinationen af Planet-data og SageMaker en bred vifte af use cases ud over afgrødesegmentering. Indsigten kan muliggøre datadrevne beslutninger om afgrødeforvaltning, ressourceallokering og politikplanlægning alene i landbruget. Med forskellige data- og ML-modeller kan det kombinerede tilbud også udvides til andre industrier og bruge cases i retning af digital transformation, bæredygtighedstransformation og sikkerhed.
For at begynde at bruge SageMaker geospatiale muligheder, se Kom godt i gang med Amazon SageMaker geospatiale muligheder.
For at lære mere om Planets billedspecifikationer og udviklerreferencematerialer, besøg Planet Developer's Center. For dokumentation om Planets SDK til Python, se Planet SDK til Python. For mere information om Planet, herunder dets eksisterende dataprodukter og kommende produktudgivelser, besøg https://www.planet.com/.
Planet Labs PBC fremadrettede udsagn
Bortset fra de historiske oplysninger, der er indeholdt heri, er de forhold, der er angivet i dette blogindlæg, fremadrettede udsagn i betydningen af "safe harbor"-bestemmelserne i Private Securities Litigation Reform Act af 1995, herunder, men ikke begrænset til, Planet Labs PBC's evne til at fange markedsmuligheder og realisere enhver af de potentielle fordele ved nuværende eller fremtidige produktforbedringer, nye produkter eller strategiske partnerskaber og kundesamarbejder. Fremadrettede udsagn er baseret på Planet Labs PBC's ledelses overbevisninger, såvel som antagelser foretaget af og informationer, der i øjeblikket er tilgængelige for dem. Fordi sådanne udsagn er baseret på forventninger til fremtidige begivenheder og resultater og ikke er udsagn om fakta, kan de faktiske resultater afvige væsentligt fra de forventede. Faktorer, der kan få faktiske resultater til at afvige væsentligt fra de nuværende forventninger, omfatter, men er ikke begrænset til, risikofaktorer og andre oplysninger om Planet Labs PBC og dets forretning, der er inkluderet i Planet Labs PBC's periodiske rapporter, proxy-erklæringer og andet oplysningsmateriale, der er indgivet fra tid. til tid med Securities and Exchange Commission (SEC), som er tilgængelige online på www.sec.gov, og på Planet Labs PBC's hjemmeside på www.planet.com. Alle fremadrettede udsagn afspejler kun Planet Labs PBC's overbevisninger og antagelser fra datoen for sådanne udsagn. Planet Labs PBC påtager sig ingen forpligtelse til at opdatere fremadrettede udsagn for at afspejle fremtidige begivenheder eller omstændigheder.
Om forfatterne
Lydia Lihui Zhang er Business Development Specialist hos Planet Labs PBC, hvor hun hjælper med at forbinde rum til forbedring af jorden på tværs af forskellige sektorer og et utal af use cases. Tidligere var hun dataforsker ved McKinsey ACRE, en landbrugsfokuseret løsning. Hun har en Master of Science fra MIT Technology Policy Program med fokus på rumpolitik. Geospatiale data og deres bredere indvirkning på forretning og bæredygtighed har været hendes karrierefokus.
Mansi Shah er en softwareingeniør, dataforsker og musiker, hvis arbejde udforsker de rum, hvor kunstnerisk stringens og teknisk nysgerrighed støder sammen. Hun mener, at data (som kunst!) efterligner livet og er interesseret i de dybt menneskelige historier bag tallene og noterne.
Xiong Zhou er Senior Applied Scientist hos AWS. Han leder videnskabsteamet for Amazon SageMaker geospatiale muligheder. Hans nuværende forskningsområde omfatter computersyn og effektiv modeltræning. I sin fritid nyder han at løbe, spille basketball og tilbringe tid med sin familie.
Janosch Woschitz er Senior Solutions Architect hos AWS med speciale i geospatial AI/ML. Med over 15 års erfaring støtter han kunder globalt i at udnytte AI og ML til innovative løsninger, der udnytter geospatiale data. Hans ekspertise spænder over machine learning, data engineering og skalerbare distribuerede systemer, suppleret med en stærk baggrund inden for software engineering og brancheekspertise inden for komplekse domæner såsom autonom kørsel.
Shital Dhakal er Sr. Program Manager med SageMaker geospatiale ML-team baseret i San Francisco Bay Area. Han har en baggrund i telemåling og geografisk informationssystem (GIS). Han brænder for at forstå kunders smertepunkter og bygge geospatiale produkter for at løse dem. I sin fritid nyder han at vandre, rejse og spille tennis.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :har
- :er
- :ikke
- :hvor
- $OP
- 1
- 10
- 100
- 14
- 15 år
- 15 %
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- evne
- I stand
- Om
- fremskynde
- adgang
- nøjagtighed
- præcis
- præcist
- opnået
- erhvervede
- hektar
- tværs
- Lov
- aktioner
- faktiske
- faktisk
- tilpasning
- Justeret
- påvirke
- påvirker
- Efter
- Landbrugs
- Landbrug
- AI
- AI / ML
- Alle
- allokering
- tillade
- tillade
- alene
- sammen
- også
- Skønt
- Amazon
- Amazon SageMaker
- Amazon SageMaker geospatial
- Amazon SageMaker Studio
- Amazon Web Services
- an
- analyse
- analysere
- ,
- årligt
- En anden
- enhver
- overalt
- API'er
- Anvendelse
- applikationer
- anvendt
- Indløs
- arkiv
- ER
- OMRÅDE
- områder
- Array
- kunstnerisk
- AS
- spørge
- vurdere
- Vurdering
- vurdering
- aktiv
- hjælpe
- forbundet
- antagelser
- At
- augmented
- autonom
- tilgængelighed
- til rådighed
- gennemsnit
- undgå
- vente
- AWS
- tilbage
- baggrund
- Balance
- BAND
- bandets
- Bar
- baseret
- grundlag
- Basketball
- Bugt
- BE
- fordi
- været
- Begyndelse
- bag
- være
- overbevisninger
- mener
- fordele
- Bedre
- gavn
- mellem
- Beyond
- Blog
- Blå
- sløring
- både
- Bund
- grænser
- grænse
- BRIDGE
- bringe
- bredere
- bygge
- Bygning
- indbygget
- bundter
- virksomhed
- forretningsudvikling
- men
- by
- CA
- california
- CAN
- kapaciteter
- kapitalisere
- fange
- fanger
- Karriere
- tilfælde
- casestudie
- tilfælde
- Årsag
- forårsagede
- vis
- kæde
- lave om
- ændret
- Ændringer
- karakteristika
- omstændigheder
- klasse
- klasser
- klassificering
- klassificeret
- Rengøring
- klar
- tydeligt
- CLF
- kunde
- Klima
- Klima forandring
- tættere
- Cloud
- kode
- samarbejder
- samling
- Kollidere
- KOM
- kombination
- kombineret
- kombinerer
- Kom
- kommer
- Kommissionen
- Fælles
- almindeligt
- selskab
- forholdsvis
- sammenligne
- sammenlignet
- sammenligning
- komplekse
- computer
- Computer Vision
- Adfærd
- Tilslut
- konsekvent
- består
- indeholdt
- indeholder
- sammenhæng
- fortsætter
- konvertere
- konverteret
- koordinere
- Core
- korrigeret
- Tilsvarende
- kunne
- amt
- dæksel
- dækning
- dækker
- skabe
- oprettet
- Oprettelse af
- skabelse
- kriterier
- afgrøde
- afgrøder
- nysgerrighed
- Nuværende
- For øjeblikket
- kunde
- Kunder
- dagligt
- data
- dataforsker
- datastyret
- datasæt
- Dato
- afgørelser
- dybere
- definere
- definerede
- demonstreret
- afhængig
- indsætte
- Afledt
- ønskes
- ødelagt
- detail
- Detektion
- beslutsomhed
- bestemmes
- udviklet
- Udvikler
- udviklere
- Udvikling
- afvigelse
- afvige
- forskel
- forskellige
- digital
- Digital Transformation
- direkte
- katastrofe
- videregivelse
- opdage
- opdaget
- diskutere
- afstand
- distribueret
- distribuerede systemer
- fordeling
- dokumentation
- Domæner
- due
- downloade
- downloads
- køre
- kørsel
- Drops
- grund
- i løbet af
- hver
- tidligere
- jorden
- nemt
- let
- Effektiv
- effektivitet
- effektiv
- effektivt
- indsats
- enten
- bemyndige
- muliggøre
- muliggør
- ingeniør
- Engineering
- Ingeniører
- forbedringer
- nok
- berige
- sikre
- Miljø
- miljømæssige
- Miljømæssig bæredygtighed
- miljøer
- især
- evaluere
- begivenhed
- begivenheder
- bevismateriale
- udviklende
- Undersøgelse
- eksempel
- udveksling
- eksisterende
- Udvid
- forventninger
- forventet
- erfaring
- ekspertise
- udforske
- udforsker
- udsat
- f1
- Faktisk
- faktorer
- falsk
- familie
- landmænd
- landbrug
- hurtigere
- Feature
- Funktionalitet
- februar
- gødning
- få
- felt
- Fields
- File (Felt)
- indgivet
- filtrere
- Endelig
- Finde
- finde
- fiona
- Fornavn
- passer
- FLÅDE
- fleksibel
- oversvømmelse
- Fokus
- fokusering
- efter
- mad
- Til
- frem
- fremadrettet
- Foundation
- Francisco
- fra
- funktion
- yderligere
- fremtiden
- vinder
- kløft
- geografiske
- Geospatial ML
- få
- Giv
- given
- Global
- Globalt
- godt
- grafik
- stærkt
- Grøn
- Ground
- Dyrkning
- Vækst
- Gæst
- gæst Indlæg
- hånd
- ske
- Happening
- Have
- have
- he
- Helse
- hjælpe
- hjælpsom
- hjælper
- hende
- link.
- heri
- Høj
- Høj frekvens
- høj opløsning
- højere
- Fremhævet
- hans
- historisk
- besidder
- Hvordan
- How To
- Men
- HTML
- http
- HTTPS
- menneskelig
- i
- ID
- Identifikation
- identificeret
- identificerer
- identificere
- identificere
- if
- billede
- billeder
- enorme
- KIMOs Succeshistorier
- vigtigt
- Forbedre
- forbedrer
- forbedring
- in
- I andre
- omfatter
- medtaget
- omfatter
- Herunder
- indarbejde
- forkert
- øget
- stigende
- faktisk
- indeks
- angiver
- angiver
- industrier
- industrien
- oplysninger
- innovativ
- indgang
- indgange
- indsigt
- inspirerede
- installere
- installeret
- interaktiv
- interesse
- interesseret
- interessant
- grænseflade
- ind
- undersøgelse
- IT
- ITS
- Jennifer
- jpg
- juni
- Holde
- Kit (SDK)
- viden
- Kyle
- Labs
- Land
- stor
- storstilet
- vid udstrækning
- Sent
- lancere
- lanceret
- føre
- førende
- Leads
- LÆR
- læring
- til venstre
- løftestang
- biblioteker
- Livet
- ligesom
- Limited
- Line (linje)
- Liste
- Retssager
- placeret
- Se
- leder
- maskine
- machine learning
- Makro
- lavet
- hovedsageligt
- lave
- Making
- administrere
- ledelse
- leder
- mange
- kort
- markeret
- Marked
- maske
- Master
- matchende
- materielt
- materialer
- Matters
- maksimal
- Kan..
- McKinsey
- betyder
- midler
- måle
- foranstaltninger
- måling
- Metadata
- metode
- metoder
- metrisk
- Metrics
- minimering
- MIT
- formildende
- ML
- model
- modeller
- Overvåg
- overvågning
- mere
- mest
- for det meste
- meget
- flere
- Musiker
- skal
- utal
- Natural
- Behov
- behov
- behov
- negativer
- naboer
- Ny
- nye produkter
- ingen
- Støj
- notesbog
- Noter
- nummer
- numre
- talrige
- objektivt
- forpligtelse
- observere
- opnå
- oktober
- of
- tilbyde
- Tilbud
- tit
- on
- online
- kun
- åbent
- OpenCV
- drift
- Opportunity
- Optimer
- or
- ordrer
- ordrer
- organisationer
- oprindeligt
- Andet
- vores
- bære
- konturer
- output
- i løbet af
- samlet
- egen
- Smerte
- parameter
- parametre
- særlig
- især
- Partnerskab
- partnerskaber
- lidenskabelige
- mønstre
- Udfør
- ydeevne
- udføres
- periodisk
- fysisk
- pick
- pixel
- planet
- planlægning
- plato
- Platon Data Intelligence
- PlatoData
- spiller
- punkter
- politik
- positiv
- mulig
- Indlæg
- potentiale
- potentielt
- magt
- vigtigste
- praksis
- brug
- Precision
- forudsige
- forudsagde
- forudsige
- Forudsigelser
- foretrækkes
- Forbered
- forberedt
- præsentere
- gaver
- Eksempel
- tidligere
- primært
- primære
- Forud
- Prioriter
- private
- Problem
- behandle
- Behandlet
- forarbejdning
- produceret
- Produkt
- produktivitet
- Produkter
- dybt
- Program
- fremskrevet
- lovende
- andel
- give
- forudsat
- giver
- proxy
- offentligt
- puls
- formål
- Python
- kvantitativ
- Hurtig
- hurtigt
- rækkevidde
- indse
- Rød
- reducere
- raffinere
- afspejler
- Reform
- region
- regioner
- Udgivelser
- relevant
- relief
- fjern
- Fjern
- Rapportering
- Rapporter
- repræsentativt
- anmode
- forskning
- ressource
- Ressourcer
- resultere
- Resultater
- afkast
- afsløre
- afslører
- Rich
- højre
- Risiko
- risikofaktorer
- risici
- River
- vej
- Kør
- kører
- Sacramento
- sagemaker
- samme
- San
- San Francisco
- satellit
- satellitter
- skalerbar
- scene
- scener
- ordninger
- Videnskab
- Videnskabsmand
- forskere
- scikit-lære
- score
- SDK
- Søg
- Sæson
- SEK
- Sektorer
- Værdipapirer
- Securities and Exchange Commission
- sikkerhed
- sikkerhedsrisici
- se
- segmentering
- segmenter
- valgt
- valg
- senior
- adskille
- tjener
- Tjenester
- sæt
- sæt
- bilægge
- flere
- hun
- Vis
- vist
- lignende
- Simpelt
- siden
- enkelt
- Størrelse
- lille
- Software
- softwareudvikling
- softwareudviklingssæt
- Software Engineer
- software Engineering
- jord
- løsninger
- Løsninger
- SOLVE
- nogle
- Kilde
- Kilder
- Space
- rum
- spændvidder
- rumlige
- Taler
- specialist
- speciale
- specifikation
- specifikationer
- Spektral
- udgifterne
- interessent
- interessenter
- starte
- påbegyndt
- Tilstand
- udsagn
- Status
- Trin
- Historier
- Strategisk
- strategiske partnerskaber
- strategier
- stress
- stærk
- Studio
- Studere
- Hold mig opdateret
- vellykket
- Succesfuld
- sådan
- support
- Understøtter
- overflade
- Kortlægge
- Bæredygtighed
- bæredygtig
- systemet
- Systemer
- Tag
- taget
- tager
- hold
- Teknisk
- teknikker
- Teknologier
- prøve
- testamente
- Test
- end
- at
- Området
- Staten
- verdenen
- deres
- Them
- derefter
- Der.
- derfor
- Disse
- de
- ting
- denne
- dem
- Gennem
- tid
- gange
- til
- værktøj
- værktøjer
- top
- mod
- spor
- Tog
- uddannet
- Kurser
- Transform
- Transformation
- omdannet
- Traveling
- Træer
- Tendenser
- sand
- Sandheden
- prøv
- to
- typen
- underliggende
- forståelse
- påtager sig
- oplåsning
- indtil
- kommende
- Opdatering
- us
- brug
- anvendte
- brugere
- bruger
- ved brug af
- sædvanligvis
- udnyttet
- Værdifuld
- værdi
- Værdier
- forskellige
- Vast
- meget
- via
- vision
- Besøg
- visualisering
- visuelt
- bind
- Sårbar
- vente
- ønsker
- var
- Affald
- Vand
- we
- web
- webservices
- Hjemmeside
- GODT
- var
- ud fra følgende betragtninger
- hvorvidt
- som
- mens
- WHO
- hvis
- bred
- Bred rækkevidde
- med
- inden for
- uden
- ord
- Arbejde
- workflow
- arbejdsgange
- arbejder
- world
- ville
- skriftlig
- X
- år
- år
- Udbytte
- Du
- zephyrnet
- zoom