Dieser Gastbeitrag wurde gemeinsam von Lydia Lihui Zhang, Business Development Specialist, und Mansi Shah, Software Engineer/Data Scientist, bei Planet Labs verfasst. Der Analyse, die diesen Beitrag inspiriert hat wurde ursprünglich von Jennifer Reiber Kyle geschrieben.
Geodatenfunktionen von Amazon SageMaker kombiniert mit schonenDie Satellitendaten von können für die Segmentierung von Nutzpflanzen verwendet werden, und es gibt zahlreiche Anwendungen und potenzielle Vorteile dieser Analyse in den Bereichen Landwirtschaft und Nachhaltigkeit. Ende 2023, Planet kündigte eine Partnerschaft mit AWS, um seine Geodaten über verfügbar zu machen Amazon Sage Maker.
Bei der Erntesegmentierung wird ein Satellitenbild in Pixelbereiche oder Segmente aufgeteilt, die ähnliche Ernteeigenschaften aufweisen. In diesem Beitrag veranschaulichen wir, wie Sie ein Segmentierungsmodell für maschinelles Lernen (ML) verwenden, um zugeschnittene und nicht zugeschnittene Bereiche in einem Bild zu identifizieren.
Die Identifizierung von Anbauregionen ist ein zentraler Schritt zur Gewinnung landwirtschaftlicher Erkenntnisse, und die Kombination aus umfangreichen Geodaten und ML kann zu Erkenntnissen führen, die Entscheidungen und Maßnahmen vorantreiben. Zum Beispiel:
- Treffen datengestützter landwirtschaftlicher Entscheidungen – Durch ein besseres räumliches Verständnis der Kulturpflanzen können Landwirte und andere landwirtschaftliche Interessengruppen die Nutzung von Ressourcen, von Wasser über Düngemittel bis hin zu anderen Chemikalien, über die gesamte Saison hinweg optimieren. Dies bildet die Grundlage für die Abfallreduzierung, die Verbesserung nachhaltiger landwirtschaftlicher Praktiken, wo immer möglich, und die Steigerung der Produktivität bei gleichzeitiger Minimierung der Umweltbelastung.
- Identifizierung klimabedingter Belastungen und Trends – Da sich der Klimawandel weiterhin auf die globalen Temperatur- und Niederschlagsmuster auswirkt, kann die Segmentierung von Nutzpflanzen genutzt werden, um Gebiete zu identifizieren, die für Klimaanpassungsstrategien anfällig für klimabedingten Stress sind. Beispielsweise können Satellitenbildarchive verwendet werden, um Veränderungen in einem Anbaugebiet im Laufe der Zeit zu verfolgen. Dabei kann es sich um physikalische Veränderungen in der Größe und Verteilung der Ackerflächen handeln. Es könnte sich auch um Veränderungen der Bodenfeuchtigkeit, der Bodentemperatur und der Biomasse handeln, die aus den unterschiedlichen Spektralindizes von Satellitendaten abgeleitet werden, um eine tiefergehende Analyse der Pflanzengesundheit zu ermöglichen.
- Schadensbeurteilung und Schadensbegrenzung – Schließlich kann die Segmentierung von Kulturpflanzen genutzt werden, um im Falle einer Naturkatastrophe schnell und genau Bereiche mit Ernteschäden zu identifizieren, was bei der Priorisierung von Hilfsmaßnahmen hilfreich sein kann. Beispielsweise können nach einer Überschwemmung Satellitenbilder mit hoher Frequenz verwendet werden, um Gebiete zu identifizieren, in denen Ernten überschwemmt oder zerstört wurden, sodass Hilfsorganisationen betroffenen Landwirten schneller helfen können.
In dieser Analyse verwenden wir ein K-Nearest-Neighbors-Modell (KNN), um eine Segmentierung der Kulturpflanzen durchzuführen, und vergleichen diese Ergebnisse mit Ground-Truth-Bildern einer landwirtschaftlichen Region. Unsere Ergebnisse zeigen, dass die Klassifizierung des KNN-Modells den Zustand des aktuellen Erntefeldes im Jahr 2017 genauer wiedergibt als die Ground-Truth-Klassifizierungsdaten aus dem Jahr 2015. Diese Ergebnisse sind ein Beweis für die Leistungsfähigkeit der hochkarätigen Geodaten von Planet. Landwirtschaftliche Felder ändern sich oft, manchmal mehrmals pro Saison, und die Verfügbarkeit hochfrequenter Satellitenbilder zur Beobachtung und Analyse dieser Flächen kann für unser Verständnis von landwirtschaftlichen Flächen und sich schnell verändernden Umgebungen von großem Wert sein.
Die Partnerschaft von Planet und AWS im Bereich Geodaten-ML
Geodatenfunktionen von SageMaker Ermöglichen Sie Datenwissenschaftlern und ML-Ingenieuren, Modelle mithilfe von Geodaten zu erstellen, zu trainieren und bereitzustellen. Mit den Geodatenfunktionen von SageMaker können Sie große Geodatensätze effizient transformieren oder anreichern, die Modellerstellung mit vorab trainierten ML-Modellen beschleunigen und Modellvorhersagen und Geodaten auf einer interaktiven Karte mithilfe von 3D-beschleunigten Grafiken und integrierten Visualisierungstools erkunden. Mit den Geodatenfunktionen von SageMaker können Sie große Datensätze von Satellitenbildern und anderen Geodaten verarbeiten, um genaue ML-Modelle für verschiedene Anwendungen zu erstellen, einschließlich der Segmentierung von Nutzpflanzen, die wir in diesem Beitrag besprechen.
Planet Labs PBC ist ein führendes Unternehmen für Erdbildgebung, das seine große Satellitenflotte nutzt, um täglich Bilder der Erdoberfläche zu erfassen. Die Daten des Planeten sind daher eine wertvolle Ressource für Geodaten-ML. Seine hochauflösenden Satellitenbilder können verwendet werden, um verschiedene Pflanzenmerkmale und deren Gesundheitszustand im Laufe der Zeit überall auf der Erde zu identifizieren.
Die Partnerschaft zwischen Planet und SageMaker ermöglicht Kunden den einfachen Zugriff und die Analyse der Hochfrequenz-Satellitendaten von Planet mithilfe der leistungsstarken ML-Tools von AWS. Datenwissenschaftler können ihre eigenen Daten mitbringen oder bequem die Daten von Planet finden und abonnieren, ohne die Umgebung wechseln zu müssen.
Zuschnittsegmentierung in einem Amazon SageMaker Studio-Notizbuch mit einem Geodatenbild
In diesem Beispiel für einen georäumlichen ML-Workflow schauen wir uns an, wie man die Daten von Planet zusammen mit der Ground-Truth-Datenquelle in SageMaker einbringt und wie man ein Erntesegmentierungsmodell mit einem KNN-Klassifikator trainiert, ableitet und bereitstellt. Abschließend bewerten wir die Genauigkeit unserer Ergebnisse und vergleichen diese mit unserer Ground-Truth-Klassifizierung.
Der verwendete KNN-Klassifikator wurde in einem trainiert Amazon SageMaker Studio-Notizbuch mit Geodaten Image und bietet einen flexiblen und erweiterbaren Notebook-Kernel für die Arbeit mit Geodaten.
Das Amazon SageMaker-Studio Notebook mit Geodatenbild ist mit häufig verwendeten Geodatenbibliotheken wie GDAL, Fiona, GeoPandas, Shapely und Rasterio vorinstalliert, die die Visualisierung und Verarbeitung von Geodaten direkt in einer Python-Notebook-Umgebung ermöglichen. Auch gängige ML-Bibliotheken wie OpenCV oder scikit-learn werden für die Segmentierung von Nutzpflanzen mithilfe der KNN-Klassifizierung verwendet und sind ebenfalls im Geospatial-Kernel installiert.
Datenauswahl
Das landwirtschaftliche Feld, in das wir hineinzoomen, liegt im normalerweise sonnigen Sacramento County in Kalifornien.
Warum Sacramento? Die Auswahl des Gebiets und der Zeit für diese Art von Problem wird in erster Linie durch die Verfügbarkeit von Bodenwahrheitsdaten bestimmt, und solche Daten in Form von Erntetyp- und Grenzdaten sind nicht einfach zu beschaffen. Der Datensatz der DWR-Umfrage zur Landnutzung im Sacramento County 2015 ist ein öffentlich verfügbarer Datensatz, der Sacramento County in diesem Jahr abdeckt und manuell angepasste Grenzen enthält.
Die primären Satellitenbilder, die wir verwenden, sind die 4-Band-Satellitenbilder des Planeten PSScene-Produkt, das die Bänder Blau, Grün, Rot und Nahinfrarot enthält und radiometrisch auf die Strahlungsdichte am Sensor korrigiert wird. Die Koeffizienten zur Korrektur des Reflexionsvermögens am Sensor werden in den Szenenmetadaten bereitgestellt, was die Konsistenz zwischen Bildern, die zu unterschiedlichen Zeiten aufgenommen wurden, weiter verbessert.
Die Planet's Dove-Satelliten, die diese Bilder produzierten, wurden am 14. Februar 2017 gestartet (Pressemitteilung), daher haben sie Sacramento County im Jahr 2015 nicht fotografiert. Allerdings haben sie seit dem Start täglich Bilder von der Gegend aufgenommen. In diesem Beispiel begnügen wir uns mit der unvollständigen zweijährigen Lücke zwischen den Bodenwahrheitsdaten und den Satellitenbildern. Allerdings hätten die Bilder von Landsat 2 mit niedrigerer Auflösung zwischen 8 und 2015 als Brücke genutzt werden können.
Greifen Sie auf Planetendaten zu
Um Benutzern dabei zu helfen, schneller genaue und verwertbare Daten zu erhalten, hat Planet außerdem das Planet Software Development Kit (SDK) für Python entwickelt. Dies ist ein leistungsstarkes Tool für Datenwissenschaftler und Entwickler, die mit Satellitenbildern und anderen Geodaten arbeiten möchten. Mit diesem SDK können Sie die umfangreiche Sammlung hochauflösender Satellitenbilder von Planet sowie Daten aus anderen Quellen wie OpenStreetMap durchsuchen und darauf zugreifen. Das SDK bietet einen Python-Client für die APIs von Planet sowie eine No-Code-Befehlszeilenschnittstellenlösung (CLI), die die einfache Integration von Satellitenbildern und Geodaten in Python-Workflows ermöglicht. In diesem Beispiel wird der Python-Client verwendet, um für die Analyse benötigte Bilder zu identifizieren und herunterzuladen.
Sie können den Planet Python-Client mit einem einfachen Befehl im SageMaker Studio-Notebook mit Geodatenbild installieren:
Mit dem Client können Sie relevante Satellitenbilder abfragen und eine Liste der verfügbaren Ergebnisse basierend auf dem Interessengebiet, dem Zeitraum und anderen Suchkriterien abrufen. Im folgenden Beispiel fragen wir zunächst, wie viele PlanetScope-Szenen (Die täglichen Bilder des Planeten) decken denselben Interessenbereich (Area of Interest, AOI) ab, den wir zuvor anhand der Bodendaten in Sacramento definiert haben, unter Berücksichtigung eines bestimmten Zeitraums zwischen dem 1. Juni und dem 1. Oktober 2017; sowie eine bestimmte gewünschte maximale Bewölkungsreichweite von 10 %:
Die zurückgegebenen Ergebnisse zeigen die Anzahl der übereinstimmenden Szenen, die sich mit unserem Interessengebiet überschneiden. Es enthält außerdem die Metadaten jeder Szene, ihre Bild-ID und eine Vorschaubildreferenz.
Nachdem eine bestimmte Szene ausgewählt wurde, mit Angabe der Szenen-ID, des Artikeltyps und der Produktpakete (Referenzdokumentation), können Sie den folgenden Code verwenden, um das Bild und seine Metadaten herunterzuladen:
Dieser Code lädt das entsprechende Satellitenbild herunter Amazon Elastic File System (Amazon EFS)-Volume für SageMaker Studio.
Modelltraining
Nachdem die Daten mit dem Planet Python-Client heruntergeladen wurden, kann das Segmentierungsmodell trainiert werden. In diesem Beispiel wird eine Kombination aus KNN-Klassifizierungs- und Bildsegmentierungstechniken verwendet, um Anbauflächen zu identifizieren und georeferenzierte Geojson-Features zu erstellen.
Die Planetendaten werden mithilfe der integrierten Geodatenbibliotheken und Tools in SageMaker geladen und vorverarbeitet, um sie für das Training des KNN-Klassifikators vorzubereiten. Die Ground-Truth-Daten für das Training sind der Sacramento County Land Use DWR Survey-Datensatz aus dem Jahr 2015, und die Planet-Daten aus dem Jahr 2017 werden zum Testen des Modells verwendet.
Konvertieren Sie Ground-Truth-Features in Konturen
Um den KNN-Klassifikator zu trainieren, ist die Klasse jedes Pixels entweder eine crop
or non-crop
muss identifiziert werden. Die Klasse wird dadurch bestimmt, ob das Pixel mit einem Zuschnittmerkmal in den Ground-Truth-Daten verknüpft ist oder nicht. Um diese Bestimmung vorzunehmen, werden die Ground-Truth-Daten zunächst in OpenCV-Konturen umgewandelt, die dann zur Trennung verwendet werden crop
für non-crop
Pixel. Die Pixelwerte und ihre Klassifizierung werden dann zum Trainieren des KNN-Klassifikators verwendet.
Um die Grundwahrheitsmerkmale in Konturen umzuwandeln, müssen die Merkmale zunächst auf das Koordinatenreferenzsystem des Bildes projiziert werden. Anschließend werden die Merkmale in Bildraum umgewandelt und schließlich in Konturen umgewandelt. Um die Genauigkeit der Konturen sicherzustellen, werden sie über das Eingabebild gelegt visualisiert, wie im folgenden Beispiel gezeigt.
Um den KNN-Klassifikator zu trainieren, werden zugeschnittene und nicht zugeschnittene Pixel mithilfe der Konturen der Zuschneidemerkmale als Maske getrennt.
Die Eingabe des KNN-Klassifikators besteht aus zwei Datensätzen: X, einem 2D-Array, das die zu klassifizierenden Merkmale bereitstellt; und y, ein 1D-Array, das die Klassen bereitstellt (Beispiel). Hier wird ein einzelnes klassifiziertes Band aus den Nicht-Crop- und Crop-Datensätzen erstellt, wobei die Werte des Bandes die Pixelklasse angeben. Das Band und die zugrunde liegenden Bildpixelbandwerte werden dann in die X- und Y-Eingaben für die Klassifikator-Anpassungsfunktion umgewandelt.
Trainieren Sie den Klassifikator für zugeschnittene und nicht zugeschnittene Pixel
Die KNN-Klassifizierung wird mit durchgeführt scikit-learn KNeighborsClassifier. Die Anzahl der Nachbarn, ein Parameter, der die Leistung des Schätzers stark beeinflusst, wird mithilfe der Kreuzvalidierung bei der KNN-Kreuzvalidierung optimiert. Anschließend wird der Klassifikator mithilfe der vorbereiteten Datensätze und der abgestimmten Anzahl von Nachbarparametern trainiert. Siehe den folgenden Code:
Um die Leistung des Klassifikators anhand seiner Eingabedaten zu bewerten, wird die Pixelklasse anhand der Pixelbandwerte vorhergesagt. Die Leistung des Klassifikators basiert hauptsächlich auf der Genauigkeit der Trainingsdaten und der klaren Trennung der Pixelklassen anhand der Eingabedaten (Pixelbandwerte). Die Parameter des Klassifikators, wie die Anzahl der Nachbarn und die Distanzgewichtungsfunktion, können angepasst werden, um etwaige Ungenauigkeiten in letzterer auszugleichen. Siehe den folgenden Code:
Bewerten Sie Modellvorhersagen
Der trainierte KNN-Klassifikator wird verwendet, um Ernteregionen in den Testdaten vorherzusagen. Diese Testdaten bestehen aus Regionen, die dem Modell während des Trainings nicht ausgesetzt waren. Mit anderen Worten: Das Modell kennt das Gebiet vor seiner Analyse nicht und daher können diese Daten zur objektiven Bewertung der Modellleistung verwendet werden. Wir beginnen mit der visuellen Inspektion mehrerer Regionen, beginnend mit einer Region, die vergleichsweise lauter ist.
Die visuelle Inspektion zeigt, dass die vorhergesagten Klassen größtenteils mit den Grundwahrheitsklassen übereinstimmen. Es gibt einige Abweichungsbereiche, die wir weiter untersuchen.
Bei weiteren Untersuchungen stellten wir fest, dass ein Teil des Rauschens in dieser Region darauf zurückzuführen war, dass den Ground-Truth-Daten die Details fehlten, die im klassifizierten Bild vorhanden sind (oben rechts im Vergleich zu oben links und unten links). Ein besonders interessantes Ergebnis ist, dass der Klassifikator Bäume entlang des Flusses als identifiziert non-crop
, wohingegen die Ground-Truth-Daten sie fälschlicherweise als identifizieren crop
. Dieser Unterschied zwischen diesen beiden Segmentierungen kann darauf zurückzuführen sein, dass die Bäume die Region über den Kulturpflanzen beschatten.
Anschließend untersuchen wir eine weitere Region, die zwischen den beiden Methoden unterschiedlich klassifiziert wurde. Diese hervorgehobenen Regionen waren zuvor in den Ground-Truth-Daten von 2015 (oben rechts) als Nichtanbaugebiete gekennzeichnet, wurden jedoch 2017 in den Planetscope-Szenen (oben links und unten links) geändert und deutlich als Ackerland angezeigt. Sie wurden auch durch den Klassifikator (unten rechts) größtenteils als Ackerland klassifiziert.
Auch hier sehen wir, dass der KNN-Klassifikator ein detaillierteres Ergebnis liefert als die Ground-Truth-Klasse und auch die im Ackerland stattfindenden Veränderungen erfolgreich erfasst. Dieses Beispiel verdeutlicht auch den Wert täglich aktualisierter Satellitendaten, da sich die Welt oft viel schneller verändert als Jahresberichte, und eine kombinierte Methode mit ML wie dieser kann uns dabei helfen, die Änderungen zu erkennen, sobald sie eintreten. Die Möglichkeit, solche Veränderungen mithilfe von Satellitendaten zu überwachen und zu entdecken, insbesondere in den sich entwickelnden landwirtschaftlichen Bereichen, liefert hilfreiche Erkenntnisse für Landwirte, um ihre Arbeit zu optimieren, und für alle landwirtschaftlichen Interessengruppen in der Wertschöpfungskette, um einen besseren Überblick über die Saison zu erhalten.
Modellbewertung
Der visuelle Vergleich der Bilder der vorhergesagten Klassen mit den Ground-Truth-Klassen kann subjektiv sein und kann nicht zur Beurteilung der Genauigkeit der Klassifizierungsergebnisse verallgemeinert werden. Um eine quantitative Bewertung zu erhalten, erhalten wir Klassifizierungsmetriken mithilfe von Scikit-Learn classification_report
Funktion:
Die Pixelklassifizierung wird verwendet, um eine Segmentierungsmaske von Ernteregionen zu erstellen, wodurch sowohl Präzision als auch Erinnerung wichtige Metriken sind, und der F1-Score ist ein gutes Gesamtmaß für die Vorhersagegenauigkeit. Unsere Ergebnisse liefern uns Metriken für Anbau- und Nicht-Anbauregionen im Trainings- und Testdatensatz. Der Einfachheit halber werfen wir jedoch einen genaueren Blick auf diese Metriken im Kontext der Ernteregionen im Testdatensatz.
Präzision ist ein Maß dafür, wie genau die positiven Vorhersagen unseres Modells sind. In diesem Fall weist eine Genauigkeit von 0.94 für Anbauregionen darauf hin, dass unser Modell sehr erfolgreich bei der korrekten Identifizierung von Flächen ist, die tatsächlich Anbauregionen sind, wobei falsch positive Ergebnisse (tatsächliche Nichtanbauregionen, die fälschlicherweise als Anbauregionen identifiziert wurden) minimiert werden. Recall hingegen misst die Vollständigkeit positiver Vorhersagen. Mit anderen Worten: Der Recall misst den Anteil tatsächlich positiver Ergebnisse, die korrekt identifiziert wurden. In unserem Fall bedeutet ein Recall-Wert von 0.73 für Zuschneideregionen, dass 73 % aller echten Zuschneideregion-Pixel korrekt identifiziert werden, wodurch die Anzahl falsch negativer Ergebnisse minimiert wird.
Idealerweise werden hohe Werte für Präzision und Erinnerung bevorzugt, obwohl dies weitgehend von der Anwendung der Fallstudie abhängen kann. Wenn wir diese Ergebnisse beispielsweise für Landwirte untersuchen würden, die Anbaugebiete für die Landwirtschaft identifizieren möchten, würden wir einem höheren Rückruf den Vorzug vor der Präzision geben wollen, um die Anzahl falsch negativer Ergebnisse (Flächen, die als Nicht-Anbaugebiete identifiziert wurden) zu minimieren sind eigentlich Anbaugebiete), um das Land optimal zu nutzen. Der F1-Score dient als allgemeine Genauigkeitsmetrik, die Präzision und Erinnerung kombiniert und das Gleichgewicht zwischen den beiden Metriken misst. Ein hoher F1-Score, wie bei uns für Anbauregionen (0.82), weist auf ein gutes Gleichgewicht zwischen Präzision und Erinnerung sowie eine hohe Gesamtklassifizierungsgenauigkeit hin. Obwohl der F1-Score zwischen den Zug- und Testdatensätzen sinkt, ist dies zu erwarten, da der Klassifikator auf dem Zugdatensatz trainiert wurde. Ein gewichteter durchschnittlicher F1-Gesamtwert von 0.77 ist vielversprechend und ausreichend, um Segmentierungsschemata für die klassifizierten Daten auszuprobieren.
Erstellen Sie eine Segmentierungsmaske aus dem Klassifikator
Die Erstellung einer Segmentierungsmaske mithilfe der Vorhersagen des KNN-Klassifikators für den Testdatensatz erfordert die Bereinigung der vorhergesagten Ausgabe, um kleine Segmente zu vermeiden, die durch Bildrauschen verursacht werden. Um Speckle-Rauschen zu entfernen, verwenden wir OpenCV Median-Unschärfefilter. Dieser Filter bewahrt Straßenabgrenzungen zwischen Kulturpflanzen besser als der morphologische offene Betrieb.
Um eine binäre Segmentierung auf die entrauschte Ausgabe anzuwenden, müssen wir zunächst die klassifizierten Rasterdaten mithilfe von OpenCV in Vektormerkmale konvertieren Konturen finden Funktion.
Schließlich können die tatsächlichen segmentierten Kulturregionen anhand der segmentierten Kulturumrisse berechnet werden.
Die aus dem KNN-Klassifikator erstellten segmentierten Kulturregionen ermöglichen eine genaue Identifizierung der Kulturregionen im Testdatensatz. Diese segmentierten Regionen können für verschiedene Zwecke verwendet werden, beispielsweise zur Identifizierung von Feldgrenzen, zur Ernteüberwachung, zur Ertragsschätzung und zur Ressourcenzuteilung. Der erreichte F1-Wert von 0.77 ist gut und beweist, dass der KNN-Klassifikator ein wirksames Werkzeug zur Pflanzensegmentierung in Fernerkundungsbildern ist. Diese Ergebnisse können zur weiteren Verbesserung und Verfeinerung der Techniken zur Pflanzensegmentierung genutzt werden, was möglicherweise zu einer höheren Genauigkeit und Effizienz bei der Pflanzenanalyse führt.
Zusammenfassung
In diesem Beitrag wurde gezeigt, wie Sie die Kombination von verwenden können Planeten hohe Trittfrequenz, hochauflösende Satellitenbilder und Geodatenfunktionen von SageMaker um eine Analyse der Pflanzensegmentierung durchzuführen und wertvolle Erkenntnisse zu gewinnen, die die landwirtschaftliche Effizienz, die ökologische Nachhaltigkeit und die Ernährungssicherheit verbessern können. Die genaue Identifizierung von Anbauregionen ermöglicht eine weitere Analyse des Pflanzenwachstums und der Produktivität, die Überwachung von Landnutzungsänderungen und die Erkennung potenzieller Risiken für die Ernährungssicherheit.
Darüber hinaus bietet die Kombination von Planet Data und SageMaker ein breites Spektrum an Anwendungsfällen, die über die Segmentierung von Nutzpflanzen hinausgehen. Die Erkenntnisse können allein in der Landwirtschaft datengesteuerte Entscheidungen zum Pflanzenmanagement, zur Ressourcenallokation und zur Politikplanung ermöglichen. Mit unterschiedlichen Daten- und ML-Modellen könnte das kombinierte Angebot auch auf andere Branchen und Anwendungsfälle in den Bereichen digitale Transformation, Nachhaltigkeitstransformation und Sicherheit ausgeweitet werden.
Informationen zum Einsatz der Geodatenfunktionen von SageMaker finden Sie unter Beginnen Sie mit den Geodatenfunktionen von Amazon SageMaker.
Weitere Informationen zu den Bildspezifikationen und Entwickler-Referenzmaterialien von Planet finden Sie unter Planet Developer's Center. Eine Dokumentation zum Planet SDK für Python finden Sie unter Planet SDK für Python. Weitere Informationen zu Planet, einschließlich seiner bestehenden Datenprodukte und bevorstehenden Produktveröffentlichungen, finden Sie unter https://www.planet.com/.
Zukunftsgerichtete Aussagen von Planet Labs PBC
Mit Ausnahme der hierin enthaltenen historischen Informationen handelt es sich bei den in diesem Blogbeitrag dargelegten Sachverhalten um zukunftsgerichtete Aussagen im Sinne der „Safe Harbor“-Bestimmungen des Private Securities Litigation Reform Act von 1995, einschließlich, aber nicht beschränkt auf Planet Labs Die Fähigkeit von PBC, Marktchancen zu nutzen und potenzielle Vorteile aus aktuellen oder zukünftigen Produktverbesserungen, neuen Produkten oder strategischen Partnerschaften und Kundenkooperationen zu realisieren. Zukunftsgerichtete Aussagen basieren auf den Überzeugungen des Managements von Planet Labs PBC sowie auf Annahmen und Informationen, die ihm derzeit zur Verfügung stehen. Da solche Aussagen auf Erwartungen hinsichtlich zukünftiger Ereignisse und Ergebnisse basieren und keine Tatsachenaussagen sind, können die tatsächlichen Ergebnisse erheblich von den prognostizierten Ergebnissen abweichen. Zu den Faktoren, die dazu führen können, dass die tatsächlichen Ergebnisse erheblich von den aktuellen Erwartungen abweichen, gehören unter anderem die Risikofaktoren und andere Offenlegungen über Planet Labs PBC und sein Geschäft, die in den regelmäßigen Berichten, Proxy Statements und anderen von Zeit zu Zeit eingereichten Offenlegungsmaterialien von Planet Labs PBC enthalten sind Bitte informieren Sie sich rechtzeitig bei der Securities and Exchange Commission (SEC), die online verfügbar sind unter www.sec.govund auf der Website von Planet Labs PBC unter www.planet.com. Alle zukunftsgerichteten Aussagen spiegeln die Überzeugungen und Annahmen von Planet Labs PBC nur zum Zeitpunkt der Veröffentlichung dieser Aussagen wider. Planet Labs PBC übernimmt keine Verpflichtung, zukunftsgerichtete Aussagen zu aktualisieren, um zukünftige Ereignisse oder Umstände widerzuspiegeln.
Über die Autoren
Lydia Lihui Zhang ist Business Development Specialist bei Planet Labs PBC, wo sie dabei hilft, den Weltraum für die Verbesserung der Erde in verschiedenen Sektoren und einer Vielzahl von Anwendungsfällen zu verbinden. Zuvor war sie Datenwissenschaftlerin bei McKinsey ACRE, einer auf die Landwirtschaft ausgerichteten Lösung. Sie hat einen Master of Science vom MIT Technology Policy Program mit Schwerpunkt auf Weltraumpolitik. Geodaten und ihre umfassenderen Auswirkungen auf Wirtschaft und Nachhaltigkeit waren ihr beruflicher Schwerpunkt.
Mansi Shah ist ein Softwareentwickler, Datenwissenschaftler und Musiker, dessen Arbeit die Räume erforscht, in denen künstlerische Strenge und technische Neugier aufeinander treffen. Sie glaubt, dass Daten (wie Kunst!) das Leben imitieren, und interessiert sich für die zutiefst menschlichen Geschichten hinter den Zahlen und Notizen.
Xiong Zhou ist Senior Applied Scientist bei AWS. Er leitet das Wissenschaftsteam für die Geodatenfunktionen von Amazon SageMaker. Sein aktueller Forschungsschwerpunkt umfasst Computer Vision und effizientes Modelltraining. In seiner Freizeit läuft er gerne, spielt Basketball und verbringt Zeit mit seiner Familie.
Janosch Woschitz ist Senior Solutions Architect bei AWS und auf Geodaten-KI/ML spezialisiert. Mit über 15 Jahren Erfahrung unterstützt er Kunden weltweit bei der Nutzung von KI und ML für innovative Lösungen, die Geodaten nutzen. Seine Fachkenntnisse umfassen maschinelles Lernen, Datentechnik und skalierbare verteilte Systeme, ergänzt durch einen fundierten Hintergrund in der Softwareentwicklung und Branchenexpertise in komplexen Bereichen wie dem autonomen Fahren.
Shital Dhakal ist Senior Program Manager beim SageMaker Geospatial ML-Team mit Sitz in der San Francisco Bay Area. Er hat einen Hintergrund in der Fernerkundung und im geografischen Informationssystem (GIS). Seine Leidenschaft liegt darin, die Schwachstellen der Kunden zu verstehen und Geodatenprodukte zu entwickeln, um diese zu lösen. In seiner Freizeit wandert, reist und spielt er gerne Tennis.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 1
- 10
- 100
- 14
- 15 Jahre
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- Fähigkeit
- Fähig
- Über Uns
- beschleunigen
- Zugang
- Genauigkeit
- genau
- genau
- erreicht
- erworben
- acre
- über
- Handlung
- Aktionen
- präsentieren
- berührt das Schneidwerkzeug
- Anpassung
- Bereinigt
- beeinflussen
- beeinflussen
- Nach der
- Landwirtschaftlich
- Landwirtschaft
- AI
- AI / ML
- Alle
- Zuteilung
- erlauben
- Zulassen
- allein
- entlang
- ebenfalls
- Obwohl
- Amazon
- Amazon Sage Maker
- Geodaten von Amazon SageMaker
- Amazon SageMaker-Studio
- Amazon Web Services
- an
- Analyse
- analysieren
- und
- jährlich
- Ein anderer
- jedem
- von jedem Standort
- APIs
- Anwendung
- Anwendungen
- angewandt
- Bewerben
- Archiv
- SIND
- Bereich
- Bereiche
- Feld
- künstlerisch
- AS
- fragen
- beurteilen
- Beurteilung
- Bewertung
- Vermögenswert
- helfen
- damit verbundenen
- Annahmen
- At
- Augmented
- Autonom
- Verfügbarkeit
- verfügbar
- durchschnittlich
- vermeiden
- – warten auf Sie!
- AWS
- Zurück
- Hintergrund
- Balance
- BAND
- Bands
- Bar
- basierend
- Grundlage
- Basketball
- Bucht
- BE
- weil
- war
- Anfang
- hinter
- Sein
- Überzeugungen
- glaubt,
- Vorteile
- Besser
- Besserung
- zwischen
- Beyond
- Blog
- Blau
- verwischen
- beide
- Boden
- Grenzen
- Grenze
- BRIDGE
- bringen
- breiteres
- bauen
- Building
- eingebaut
- Bündel
- Geschäft
- Geschäftsentwicklung
- aber
- by
- CA
- Kalifornien
- CAN
- Fähigkeiten
- profitieren
- Erfassung
- Captures
- Karriere
- Häuser
- Fallstudie
- Fälle
- Verursachen
- verursacht
- sicher
- Kette
- Übernehmen
- geändert
- Änderungen
- Charakteristik
- Umstände
- Klasse
- Unterricht
- Einstufung
- eingestuft
- Reinigung
- klar
- CLF
- Auftraggeber
- Klimaschutz
- Klimawandel
- näher
- Cloud
- Code
- Kooperationen
- Sammlung
- Kollidieren
- COM
- Kombination
- kombiniert
- Vereinigung
- wie die
- kommt
- Provision
- gemeinsam
- häufig
- Unternehmen
- verhältnismäßig
- vergleichen
- verglichen
- Vergleich
- Komplex
- Computer
- Computer Vision
- Leiten
- Vernetz Dich
- konsistent
- besteht
- enthalten
- enthält
- Kontext
- weiter
- verkaufen
- umgewandelt
- Koordinate
- Kernbereich
- korrigiert
- Dazugehörigen
- könnte
- Grafschaft
- Abdeckung
- Berichterstattung
- Abdeckung
- erstellen
- erstellt
- Erstellen
- Schaffung
- Kriterien
- Ernte
- Nutzpflanzen
- Neugier
- Strom
- Zur Zeit
- Kunde
- Kunden
- Unterricht
- technische Daten
- Datenwissenschaftler
- datengesteuerte
- Datensätze
- Datum
- Entscheidungen
- tiefer
- definieren
- definiert
- Synergie
- abhängig
- einsetzen
- Abgeleitet
- erwünscht
- zerstört
- Detail
- Entdeckung
- Bestimmung
- entschlossen
- entwickelt
- Entwickler:in / Unternehmen
- Entwickler
- Entwicklung
- Abweichung
- abweichen
- Unterschied
- anders
- digital
- Digitale Transformation
- Direkt
- Katastrophe
- Bekanntgabe
- entdeckt,
- entdeckt
- diskutieren
- Abstand
- verteilt
- verteilte Systeme
- Verteilung
- Dokumentation
- Domains
- wo
- herunterladen
- Downloads
- Antrieb
- Fahren
- Drops
- zwei
- im
- jeder
- Früher
- Erde
- leicht
- Einfache
- Effektiv
- Effizienz
- effizient
- effizient
- Bemühungen
- entweder
- ermächtigen
- ermöglichen
- ermöglicht
- Ingenieur
- Entwicklung
- Ingenieure
- Verbesserungen
- genug
- bereichern
- gewährleisten
- Arbeitsumfeld
- Umwelt-
- Umweltverträglichkeit
- Umgebungen
- insbesondere
- bewerten
- Event
- Veranstaltungen
- Beweis
- sich entwickelnden
- Untersuchen
- Beispiel
- Austausch-
- vorhandenen
- Erweitern Sie die Funktionalität der
- Erwartungen
- erwartet
- ERFAHRUNGEN
- Expertise
- ERKUNDEN
- erforscht
- ausgesetzt
- f1
- Tatsache
- Faktoren
- falsch
- Familie
- Landwirte
- Landwirtschaft
- beschleunigt
- Merkmal
- Eigenschaften
- Februar
- Dünger
- wenige
- Feld
- Felder
- Reichen Sie das
- eingereicht
- Filter
- Endlich
- Finden Sie
- Suche nach
- fiona
- Vorname
- passen
- FLOTTE
- flexibel
- Flut
- Setzen Sie mit Achtsamkeit
- Fokussierung
- Folgende
- Nahrung,
- Aussichten für
- weiter
- vorausschau
- Foundation
- Francisco cisco~~POS=HEADCOMP
- für
- Funktion
- weiter
- Zukunft
- gewinnen
- Lücke
- geographisch
- Geodaten-ML
- bekommen
- ABSICHT
- gegeben
- Global
- Global
- gut
- Grafik
- sehr
- Grün
- Boden
- persönlichem Wachstum
- Wachstum
- GUEST
- Guest Post
- Pflege
- passieren
- Los
- Haben
- mit
- he
- Gesundheit
- Hilfe
- hilfreich
- hilft
- hier (auf dänisch)
- hier
- hierin
- GUTE
- Hochfrequenz
- hochauflösenden
- höher
- Besondere
- seine
- historisch
- hält
- Ultraschall
- Hilfe
- aber
- HTML
- http
- HTTPS
- human
- i
- ID
- Login
- identifiziert
- identifiziert
- identifizieren
- Identifizierung
- if
- Image
- Bilder
- immens
- Impact der HXNUMXO Observatorien
- wichtig
- zu unterstützen,
- verbessert
- Verbesserung
- in
- In anderen
- das
- inklusive
- Dazu gehören
- Einschließlich
- integrieren
- falsch
- hat
- zunehmend
- in der Tat
- Index
- zeigen
- zeigt
- Branchen
- Energiegewinnung
- Information
- innovativ
- Varianten des Eingangssignals:
- Eingänge
- Einblicke
- inspirierte
- installieren
- installiert
- interaktive
- Interesse
- interessiert
- interessant
- Schnittstelle
- in
- Untersuchung
- IT
- SEINE
- Jennifer
- jpg
- Juni
- Behalten
- Bausatz (SDK)
- Wissen
- kyle
- Labs
- Land
- grosse
- großflächig
- weitgehend
- Spät
- starten
- ins Leben gerufen
- führen
- führenden
- umwandeln
- LERNEN
- lernen
- links
- Nutzung
- Bibliotheken
- Lebensdauer
- Gefällt mir
- Limitiert
- Line
- Liste
- Rechtsstreit
- located
- aussehen
- suchen
- Maschine
- Maschinelles Lernen
- Makro
- gemacht
- hauptsächlich
- um
- Making
- verwalten
- Management
- Manager
- viele
- Karte
- markiert
- Markt
- Maske"
- Master
- Abstimmung
- wesentlich
- Materialien
- Angelegenheiten
- maximal
- Kann..
- McKinsey
- Bedeutung
- Mittel
- messen
- Maßnahmen
- Messen
- Metadaten
- Methode
- Methoden
- Metrisch
- Metrik
- minimieren
- MIT
- mildernd
- ML
- Modell
- für
- Überwachen
- Überwachung
- mehr
- vor allem warme
- meist
- viel
- mehrere
- Musiker
- sollen
- Myriade
- Natürliche
- Need
- erforderlich
- Bedürfnisse
- Negative
- Nachbarschaft
- Neu
- neue Produkte
- nicht
- Lärm
- Notizbuch
- Notizen
- Anzahl
- Zahlen
- und viele
- objektiv
- Verpflichtung
- beobachten
- erhalten
- Oktober
- of
- bieten
- Angebote
- vorgenommen,
- on
- Online
- einzige
- XNUMXh geöffnet
- OpenCV
- Betrieb
- Gelegenheit
- Optimieren
- or
- Auftrag
- Bestellungen
- Organisationen
- ursprünglich
- Andere
- UNSERE
- unsere
- Umrissen
- Möglichkeiten für das Ausgangssignal:
- übrig
- Gesamt-
- besitzen
- Schmerzen
- Parameter
- Parameter
- besondere
- besonders
- Partnerschaft
- Partnerschaften
- leidenschaftlich
- Muster
- Ausführen
- Leistung
- durchgeführt
- periodisch
- physikalisch
- wählen
- Pixel
- Planet
- Planung
- Plato
- Datenintelligenz von Plato
- PlatoData
- spielend
- Punkte
- Datenschutzrichtlinien
- positiv
- möglich
- Post
- Potenzial
- möglicherweise
- Werkzeuge
- größte treibende
- Praktiken
- präzise
- Präzision
- vorhersagen
- vorhergesagt
- Vorhersage
- Prognosen
- bevorzugt
- Danach
- bereit
- Gegenwart
- Geschenke
- Vorspann
- vorher
- in erster Linie
- primär
- Vor
- Priorität einräumen
- privat
- Aufgabenstellung:
- Prozessdefinierung
- Verarbeitet
- Verarbeitung
- Produziert
- Produkt
- PRODUKTIVITÄT
- Produkte
- zutiefst
- Programm
- projektiert
- aussichtsreich
- Anteil
- die
- vorausgesetzt
- bietet
- Stellvertreter
- öffentlich
- Puls
- Zwecke
- Python
- quantitativ
- Direkt
- schnell
- Angebot
- realisieren
- Rot
- Reduzierung
- verfeinern
- reflektieren
- Reform
- Region
- Regionen
- Mitteilungen
- relevant
- Erleichterung
- entfernt
- entfernen
- Reporting
- Meldungen
- Vertreter
- Anforderung
- Forschungsprojekte
- Ressourcen
- Downloads
- Folge
- Die Ergebnisse
- Rückkehr
- zeigen
- Enthüllt
- Reiches
- Recht
- Risiko
- Risikofaktoren
- Risiken
- Flüsse
- Straße
- Führen Sie
- Laufen
- Sacramento
- sagemaker
- gleich
- San
- San Francisco
- Satellit
- Satelliten
- skalierbaren
- Szene
- Szenen
- Regelungen
- Wissenschaft
- Wissenschaftler
- Wissenschaftler
- scikit-lernen
- Ergebnis
- Sdk
- Suche
- Jahreszeit
- SEK
- Sektoren
- Securities
- Securities and Exchange Commission
- Sicherheitdienst
- Sicherheitsrisiken
- sehen
- Segmentierung
- Segmente
- ausgewählt
- Auswahl
- Senior
- getrennte
- dient
- Lösungen
- kompensieren
- Sets
- begleichen
- mehrere
- sie
- erklären
- gezeigt
- ähnlich
- Einfacher
- da
- Single
- Größe
- klein
- Software
- Software-Entwicklung
- Software-Entwicklungskit
- Software IngenieurIn
- Softwareentwicklung
- Boden
- Lösung
- Lösungen
- LÖSEN
- einige
- Quelle
- Quellen
- Raumfahrt
- Räume
- überspannt
- räumlich
- spricht
- Spezialist
- spezialisieren
- Spezifikation
- Spezifikationen
- Spectral
- Ausgabe
- Stakeholder
- Stakeholder
- Anfang
- begonnen
- Bundesstaat
- Aussagen
- Status
- Schritt
- Geschichten
- Strategisch
- Strategische Partnerschaften
- Strategien
- Der Stress
- stark
- Studio Adressen
- Studie
- Abonnieren
- erfolgreich
- Erfolgreich
- so
- Support
- Unterstützt
- Oberfläche
- Umfrage
- Nachhaltigkeit
- nachhaltiger
- System
- Systeme und Techniken
- Nehmen
- gemacht
- Einnahme
- Team
- Technische
- Techniken
- Technologie
- Test
- Testament
- Testen
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Die Gegend
- Der Staat
- die Welt
- ihr
- Sie
- dann
- Dort.
- deswegen
- Diese
- vom Nutzer definierten
- fehlen uns die Worte.
- diejenigen
- Durch
- Zeit
- mal
- zu
- Werkzeug
- Werkzeuge
- Top
- gegenüber
- verfolgen sind
- Training
- trainiert
- Ausbildung
- Transformieren
- Transformation
- verwandelt
- Reise
- Bäume
- Trends
- was immer dies auch sein sollte.
- Wahrheit
- versuchen
- XNUMX
- tippe
- zugrunde liegen,
- Verständnis
- übernimmt
- Entriegelung
- bis
- anstehende
- Aktualisierung
- us
- -
- benutzt
- Nutzer
- verwendet
- Verwendung von
- gewöhnlich
- seit
- wertvoll
- Wert
- Werte
- verschiedene
- riesig
- sehr
- Seh-
- Besuchen Sie
- Visualisierung
- visuell
- Volumen
- Verwundbar
- warten
- wollen
- wurde
- Abfall / Verschnitt
- Wasser
- we
- Netz
- Web-Services
- Webseite
- GUT
- waren
- während
- ob
- welche
- während
- WHO
- deren
- breit
- Große Auswahl
- mit
- .
- ohne
- Worte
- Arbeiten
- Arbeitsablauf.
- Workflows
- arbeiten,
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- würde
- geschrieben
- X
- Jahr
- Jahr
- Ausbeute
- Du
- Zephyrnet
- Zoom