Στο βιβλίο του Το βιβλίο του λόγου, η Judea Pearl υποστηρίζει τη διδασκαλία των αρχών αιτίας και αποτελέσματος στις μηχανές προκειμένου να ενισχυθεί η νοημοσύνη τους. Τα επιτεύγματα της βαθιάς μάθησης είναι ουσιαστικά απλώς ένας τύπος προσαρμογής καμπύλης, ενώ η αιτιότητα θα μπορούσε να χρησιμοποιηθεί για να αποκαλύψει τις αλληλεπιδράσεις μεταξύ των συστημάτων του κόσμου κάτω από διάφορους περιορισμούς χωρίς να ελέγχονται άμεσα οι υποθέσεις. Αυτό θα μπορούσε να δώσει απαντήσεις που μας οδηγούν στο AGI (τεχνητή γενικευμένη νοημοσύνη).
Αυτή η λύση προτείνει ένα πλαίσιο αιτιωδών συμπερασμάτων χρησιμοποιώντας δίκτυα Bayes για να αναπαραστήσει αιτιώδεις εξαρτήσεις και να εξάγει αιτιώδη συμπεράσματα με βάση παρατηρούμενες δορυφορικές εικόνες και πειραματικά δεδομένα δοκιμών με τη μορφή προσομοιωμένων καιρικών συνθηκών και εδάφους. ο μελέτη περίπτωσης είναι η αιτιώδης σχέση μεταξύ της εφαρμογής λιπασμάτων με βάση το άζωτο και των αποδόσεων του καλαμποκιού.
Οι δορυφορικές εικόνες επεξεργάζονται χρησιμοποιώντας ειδικά σχεδιασμένες Γεωχωρικές δυνατότητες του Amazon SageMaker και εμπλουτισμένο με custom-build Επεξεργασία Amazon SageMaker επιχειρήσεις. Ο κινητήρας αιτιώδους συμπερασμάτων ενεργοποιείται με Amazon SageMaker Asynchronous Inference.
Σε αυτήν την ανάρτηση, δείχνουμε πώς να δημιουργήσετε αυτήν την αντιφατική ανάλυση χρησιμοποιώντας Amazon SageMaker JumpStart λύσεις.
Επισκόπηση λύσεων
Το παρακάτω διάγραμμα δείχνει την αρχιτεκτονική για τη ροή εργασίας από άκρο σε άκρο.
Προϋποθέσεις
Χρειάζεστε ένα Λογαριασμός AWS για να χρησιμοποιήσετε αυτή τη λύση.
Για να εκτελέσετε αυτήν τη λύση JumpStart 1P και να έχετε αναπτύξει την υποδομή στον λογαριασμό σας AWS, πρέπει να δημιουργήσετε μια ενεργή Στούντιο Amazon SageMaker παράδειγμα (ανατρέξτε στο Ενσωματωμένος στον τομέα Amazon SageMaker). Όταν η παρουσία σας στο Studio είναι έτοιμη, ακολουθήστε τις οδηγίες στο SageMaker JumpStart για την κυκλοφορία της λύσης Crop Yield Counterfactuals.
Λάβετε υπόψη ότι αυτή η λύση είναι προς το παρόν διαθέσιμη μόνο στην περιοχή West (Oregon) των ΗΠΑ.
Αιτιατική συναγωγή
Η αιτιότητα έχει να κάνει με την κατανόηση της αλλαγής, αλλά το πώς να το επισημοποιήσετε αυτό στα στατιστικά και τη μηχανική μάθηση (ML) δεν είναι μια ασήμαντη άσκηση.
Σε αυτήν τη μελέτη απόδοσης καλλιεργειών, το άζωτο που προστίθεται ως λίπασμα και τα αποτελέσματα της απόδοσης ενδέχεται να συγχέονται. Ομοίως, το άζωτο που προστίθεται ως λίπασμα και τα αποτελέσματα της έκπλυσης αζώτου θα μπορούσαν επίσης να συγχέονται, με την έννοια ότι μια κοινή αιτία μπορεί να εξηγήσει τη συσχέτισή τους. Ωστόσο, η συσχέτιση δεν είναι αιτιότητα. Εάν γνωρίζουμε ποιοι παρατηρούμενοι παράγοντες μπερδεύουν τη συσχέτιση, τους λογαριάζουμε, αλλά τι γίνεται αν υπάρχουν άλλες κρυφές μεταβλητές υπεύθυνες για τη σύγχυση; Η μείωση της ποσότητας του λιπάσματος δεν θα μειώσει απαραίτητα το υπολειπόμενο άζωτο. Ομοίως, μπορεί να μην μειώσει δραστικά την απόδοση, ενώ το έδαφος και οι κλιματικές συνθήκες θα μπορούσαν να είναι οι παρατηρούμενοι παράγοντες που συγχέουν τη συσχέτιση. Ο τρόπος χειρισμού της σύγχυσης είναι το κεντρικό πρόβλημα της αιτιώδους συναγωγής. Μια τεχνική που εισήγαγε ο RA Fisher ονομάζεται τυχαιοποιημένη ελεγχόμενη δοκιμή στοχεύει να σπάσει πιθανή σύγχυση.
Ωστόσο, ελλείψει τυχαιοποιημένων δοκιμών ελέγχου, υπάρχει ανάγκη για αιτιώδη συναγωγή καθαρά από δεδομένα παρατήρησης. Υπάρχουν τρόποι για να συνδέσουμε τις αιτιώδεις ερωτήσεις με τα δεδομένα σε μελέτες παρατήρησης γράφοντας το γραφικό μοντέλο της αιτιολογίας σε αυτό που υποθέτουμε ως το πώς συμβαίνουν τα πράγματα. Αυτό περιλαμβάνει τον ισχυρισμό ότι οι αντίστοιχες τραβέρσες θα καταγράφουν τις αντίστοιχες εξαρτήσεις, ενώ ικανοποιείται το γραφικό κριτήριο για την υπό όρους άγνοια (σε ποιο βαθμό μπορούμε να αντιμετωπίσουμε την αιτιότητα ως συσχέτιση με βάση τις αιτιακές υποθέσεις). Αφού υποθέσουμε τη δομή, μπορούμε να χρησιμοποιήσουμε τις σιωπηρές αναλλοίωτες για να μάθουμε από δεδομένα παρατήρησης και να προσθέσουμε αιτιακές ερωτήσεις, συνάγοντας αιτιώδεις αξιώσεις χωρίς τυχαιοποιημένες δοκιμές ελέγχου.
Αυτή η λύση χρησιμοποιεί τόσο δεδομένα από προσομοιωμένες τυχαιοποιημένες δοκιμές ελέγχου (RCT) όσο και δεδομένα παρατήρησης από δορυφορικές εικόνες. Μια σειρά προσομοιώσεων που διεξήχθησαν σε χιλιάδες αγρούς και πολλά χρόνια στο Ιλινόις (Ηνωμένες Πολιτείες) χρησιμοποιούνται για τη μελέτη της ανταπόκρισης του καλαμποκιού στην αύξηση των ποσοστών αζώτου για έναν ευρύ συνδυασμό καιρού και διακύμανσης του εδάφους που παρατηρείται στην περιοχή. Αντιμετωπίζει τον περιορισμό της χρήσης δεδομένων δοκιμών που περιορίζονται στον αριθμό των εδαφών και των ετών που μπορεί να εξερευνήσει χρησιμοποιώντας προσομοιώσεις καλλιεργειών διαφόρων γεωργικών σεναρίων και γεωγραφιών. Η βάση δεδομένων βαθμονομήθηκε και επικυρώθηκε χρησιμοποιώντας δεδομένα από περισσότερες από 400 δοκιμές στην περιοχή. Η αρχική συγκέντρωση αζώτου στο έδαφος ορίστηκε τυχαία σε ένα εύλογο εύρος.
Επιπλέον, η βάση δεδομένων ενισχύεται με παρατηρήσεις από δορυφορικές εικόνες, ενώ τα στατιστικά των ζωνών προέρχονται από φασματικούς δείκτες προκειμένου να αναπαραστήσουν χωροχρονικές αλλαγές στη βλάστηση, που παρατηρούνται σε γεωγραφικές και φαινολογικές φάσεις.
Αιτιατική συμπέρασμα με δίκτυα Bayes
Τα δομικά αιτιακά μοντέλα (SCM) χρησιμοποιούν γραφικά μοντέλα για να αναπαραστήσουν αιτιακές εξαρτήσεις ενσωματώνοντας εισροές που βασίζονται σε δεδομένα και ανθρώπινες. Ένας συγκεκριμένος τύπος αιτιώδους μοντέλου δομής που ονομάζεται Bayesian networks προτείνεται για να μοντελοποιήσει τη δυναμική της φαινολογίας των καλλιεργειών χρησιμοποιώντας πιθανολογικές εκφράσεις αναπαραστώντας τις μεταβλητές ως κόμβους και τις σχέσεις μεταξύ των μεταβλητών ως ακμές. Οι κόμβοι είναι δείκτες της ανάπτυξης των καλλιεργειών, του εδάφους και των καιρικών συνθηκών και οι άκρες μεταξύ τους αντιπροσωπεύουν χωροχρονικές αιτιακές σχέσεις. Οι μητρικοί κόμβοι είναι παράμετροι που σχετίζονται με το χωράφι (συμπεριλαμβανομένης της ημέρας σποράς και της περιοχής φύτευσης) και οι θυγατρικοί κόμβοι είναι μετρήσεις απόδοσης, πρόσληψης αζώτου και έκπλυσης αζώτου.
Για περισσότερες πληροφορίες, ανατρέξτε στο χαρακτηρισμός βάσης δεδομένων και την καθοδηγήσει για τον προσδιορισμό των σταδίων ανάπτυξης του καλαμποκιού.
Απαιτούνται μερικά βήματα για τη δημιουργία ενός μοντέλου δικτύων Bayes (με CausalNex) προτού μπορέσουμε να το χρησιμοποιήσουμε για αντιπαραστατική και παρεμβατική ανάλυση. Η δομή του αιτιακού μοντέλου μαθαίνεται αρχικά από δεδομένα, ενώ η εξειδίκευση του θέματος (αξιόπιστη βιβλιογραφία ή εμπειρικές πεποιθήσεις) χρησιμοποιείται για να υποθέσει πρόσθετες εξαρτήσεις και ανεξαρτησία μεταξύ τυχαίων μεταβλητών και μεταβλητών παρέμβασης, καθώς και για τον ισχυρισμό ότι η δομή είναι αιτιώδης.
Χρησιμοποιώντας ΟΧΙ ΔΑΚΡΥΑ, ένας αλγόριθμος συνεχούς βελτιστοποίησης για την εκμάθηση δομών, η δομή γραφήματος που περιγράφει εξαρτήσεις υπό όρους μεταξύ των μεταβλητών μαθαίνεται από δεδομένα, με ένα σύνολο περιορισμών που επιβάλλονται σε ακμές, γονικούς κόμβους και θυγατρικούς κόμβους που δεν επιτρέπονται στο μοντέλο αιτίου. Αυτό διατηρεί τις χρονικές εξαρτήσεις μεταξύ των μεταβλητών. Δείτε τον παρακάτω κώδικα:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
Το επόμενο βήμα κωδικοποιεί τη γνώση του τομέα σε μοντέλα και αποτυπώνει τη δυναμική της φαινολογίας, αποφεύγοντας τις ψευδείς σχέσεις. Ανάλυση πολυσυγγραμμικότητας, ανάλυση παράγοντα πληθωρισμού διακύμανσης και χρήση της συνολικής σημασίας χαρακτηριστικών ΣΧΗΜΑ διενεργούνται αναλύσεις για την εξαγωγή γνώσεων και περιορισμών σχετικά με τις μεταβλητές του υδατικού στρες (διαστολή, φαινολογία και φωτοσύνθεση γύρω από την άνθηση), τις μεταβλητές του καιρού και του εδάφους, τους φασματικούς δείκτες και τους δείκτες που βασίζονται στο άζωτο:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
Τα δίκτυα Bayes στο CausalNex υποστηρίζουν μόνο διακριτές διανομές. Οποιεσδήποτε συνεχείς λειτουργίες ή χαρακτηριστικά με μεγάλο αριθμό κατηγοριών, διακρίνονται πριν από την εφαρμογή του δικτύου Bayes:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
Μετά την αναθεώρηση της δομής, η υπό όρους κατανομή πιθανότητας κάθε μεταβλητής δεδομένου των γονέων της μπορεί να μαθευτεί από δεδομένα, σε ένα βήμα που ονομάζεται εκτίμηση πιθανότητας:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
Τέλος, η δομή και οι πιθανότητες χρησιμοποιούνται για την εκτέλεση παρατηρητικών συμπερασμάτων στη μύγα, ακολουθώντας ένα ντετερμινιστικό Αλγόριθμος Junction Tree (JTA), και κάνοντας παρεμβάσεις χρησιμοποιώντας do-λογισμός. SageMaker Asynchronous Inference επιτρέπει την ουρά των εισερχόμενων αιτημάτων και τις επεξεργάζεται ασύγχρονα. Αυτή η επιλογή είναι ιδανική τόσο για σενάρια παρατήρησης όσο και για αντιπραγματικά σενάρια συμπερασμάτων, όπου η διαδικασία δεν μπορεί να παραλληλιστεί, με αποτέλεσμα να απαιτείται σημαντικός χρόνος για την ενημέρωση των πιθανοτήτων σε όλο το δίκτυο, αν και πολλά ερωτήματα μπορούν να εκτελεστούν παράλληλα. Δείτε τον παρακάτω κώδικα:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
Για περισσότερες λεπτομέρειες, ανατρέξτε στο σενάριο συμπερασμάτων.
Το αιτιολογικό μοντέλο σημειωματάριο είναι ένας οδηγός βήμα προς βήμα για την εκτέλεση των προηγούμενων βημάτων.
Επεξεργασία γεωχωρικών δεδομένων
Εργασίες Παρατήρησης Γης Τα (EOJ) συνδέονται μεταξύ τους για την απόκτηση και τη μετατροπή δορυφορικών εικόνων, ενώ χρησιμοποιούνται ειδικά κατασκευασμένες λειτουργίες και προεκπαιδευμένα μοντέλα για αφαίρεση νέφους, μωσαϊκό, μαθηματικές λειτουργίες ζώνης και επαναδειγματοληψία. Σε αυτή την ενότητα, θα συζητήσουμε λεπτομερέστερα τα βήματα της γεωχωρικής επεξεργασίας.
Περιοχή ενδιαφέροντος
Στο παρακάτω σχήμα, τα πράσινα πολύγωνα είναι οι επιλεγμένες κομητείες, το πορτοκαλί πλέγμα είναι ο χάρτης της βάσης δεδομένων (ένα πλέγμα κελιών 10 x 10 km όπου διεξάγονται δοκιμές στην περιοχή) και το πλέγμα των τετραγώνων σε κλίμακα του γκρι είναι τα 100 km x 100 km Πλέγμα πλακιδίων Sentinel-2 UTM.
Τα χωρικά αρχεία χρησιμοποιούνται για τη χαρτογράφηση της προσομοιωμένης βάσης δεδομένων με αντίστοιχες δορυφορικές εικόνες, επικαλύπτοντας πολύγωνα 10 km x 10 km που διαιρούν την πολιτεία του Ιλινόις (όπου διεξάγονται δοκιμές στην περιοχή), τα πολύγωνα κομητειών και τα 100 km x 100 km Sentinel- 2 πλακάκια UTM. Για τη βελτιστοποίηση του αγωγού επεξεργασίας γεωχωρικών δεδομένων, επιλέγονται πρώτα μερικά κοντινά πλακίδια Sentinel-2. Στη συνέχεια, οι συγκεντρωτικές γεωμετρίες των πλακιδίων και των κυψελών επικαλύπτονται προκειμένου να ληφθεί η περιοχή ενδιαφέροντος (RoI). Οι κομητείες και τα αναγνωριστικά κελιών που παρατηρούνται πλήρως εντός του RoI επιλέγονται για να σχηματίσουν τη γεωμετρία του πολυγώνου που μεταβιβάζεται στα EOJ.
Εύρος χρόνου
Για αυτήν την άσκηση, ο κύκλος φαινολογίας του καλαμποκιού χωρίζεται σε τρία στάδια: τα βλαστικά στάδια v5 έως R1 (ανάδυση, περιλαίμια φύλλων και φούντα), τα αναπαραγωγικά στάδια R1 έως R4 (μεταξίωση, φουσκάλες, γάλα και ζύμη) και τα στάδια αναπαραγωγής R5 (οδοντωτό) και R6 (φυσιολογική ωριμότητα). Πραγματοποιούνται διαδοχικές επισκέψεις μέσω δορυφόρου για κάθε φαινολογικό στάδιο εντός χρονικού εύρους 2 εβδομάδων και μιας προκαθορισμένης περιοχής ενδιαφέροντος (επιλεγμένες κομητείες), επιτρέποντας χωρική και χρονική ανάλυση των δορυφορικών εικόνων. Το παρακάτω σχήμα απεικονίζει αυτές τις μετρήσεις.
Αφαίρεση σύννεφων
Η αφαίρεση νέφους για δεδομένα Sentinel-2 χρησιμοποιεί ένα μοντέλο σημασιολογικής τμηματοποίησης που βασίζεται σε ML για τον προσδιορισμό των νεφελών στην εικόνα, όπου τα νεφελώδη εικονοστοιχεία αντικαθίστανται με την τιμή -9999 (τιμή nodata):
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Μετά τη δημιουργία του EOJ, το ARN επιστρέφεται και χρησιμοποιείται για την εκτέλεση της επακόλουθης γεωμωσαϊκής λειτουργίας.
Για να αποκτήσετε την κατάσταση μιας εργασίας, μπορείτε να τρέξετε sg_client.get_earth_observation_job(Arn = response['Arn']).
Γεωμωσαϊκό
Το geomosaic EOJ χρησιμοποιείται για τη συγχώνευση εικόνων από πολλαπλές δορυφορικές επισκέψεις σε ένα μεγάλο μωσαϊκό, αντικαθιστώντας nodata ή διαφανή pixel (συμπεριλαμβανομένων των νεφελών pixel) με pixel από άλλες χρονικές σημάνσεις:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Μετά τη δημιουργία του EOJ, το ARN επιστρέφεται και χρησιμοποιείται για την εκτέλεση της επόμενης λειτουργίας επαναδειγματοληψίας.
Επαναδειγματοληψία
Η επαναδειγματοληψία χρησιμοποιείται για τη μείωση της κλίμακας της ανάλυσης της γεωχωρικής εικόνας προκειμένου να ταιριάζει με την ανάλυση των μάσκας καλλιέργειας (ανακλιμάκωση ανάλυσης 10–30 m):
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Αφού δημιουργηθεί το EOJ, το ARN επιστρέφεται και χρησιμοποιείται για την εκτέλεση της επόμενης μαθηματικής λειτουργίας ζώνης.
Μπάντα μαθηματικά
Οι μαθηματικές πράξεις ζώνης χρησιμοποιούνται για τον μετασχηματισμό των παρατηρήσεων από πολλαπλές φασματικές ζώνες σε μια ενιαία ζώνη. Περιλαμβάνει τους ακόλουθους φασματικούς δείκτες:
- EVI2 – Δείκτης Βελτιωμένης Βλάστησης Δύο Ζωνών
- DGVI – Γενικευμένη Διαφορά Βλάστησης Δείκτης
- NDMI – Ομαλοποιημένη διαφορά δείκτη υγρασίας
- NDVI – Δείκτης κανονικοποιημένης διαφοράς βλάστησης
- NDWI – Δείκτης κανονικοποιημένης διαφοράς νερού
Δείτε τον ακόλουθο κώδικα:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
Ζωνικές στατιστικές
Οι φασματικοί δείκτες εμπλουτίζονται περαιτέρω χρησιμοποιώντας Επεξεργασία Amazon SageMaker, όπου η προσαρμοσμένη λογική που βασίζεται στο GDAL χρησιμοποιείται για να κάνει τα εξής:
- Συγχώνευση του φασματικοί δείκτες σε ένα ενιαίο μωσαϊκό πολλαπλών καναλιών
- Προβάλετε ξανά το μωσαϊκό στο μάσκα καλλιέργειαςτης προβολής
- Εφαρμόστε τη μάσκα περικοπής και επαναπροβάλετε το μωσαϊκό στο CRC των πολυγώνων των κελιών
- Υπολογισμός στατιστικών ζωνών για επιλεγμένα πολύγωνα (κελιά 10 km x 10 km)
Με την παράλληλη κατανομή δεδομένων, τα αρχεία δήλωσης (για κάθε φαινολογικό στάδιο καλλιέργειας) διανέμονται σε πολλές περιπτώσεις χρησιμοποιώντας το ShardedByS3Key
Τύπος διανομής δεδομένων S3. Για περισσότερες λεπτομέρειες, ανατρέξτε στο σενάριο εξαγωγής χαρακτηριστικών.
Η γεωχωρική επεξεργασία σημειωματάριο είναι ένας οδηγός βήμα προς βήμα για την εκτέλεση των προηγούμενων βημάτων.
Το παρακάτω σχήμα δείχνει κανάλια RGB διαδοχικών δορυφορικών επισκέψεων που αντιπροσωπεύουν τα βλαστικά και αναπαραγωγικά στάδια του κύκλου φαινολογίας του καλαμποκιού, με (δεξιά) και χωρίς (αριστερά) μάσκες καλλιέργειας (CW 20, 26 και 33, 2018 Central Illinois).
Στο παρακάτω σχήμα, οι φασματικοί δείκτες (NDVI, EVI2, NDMI) των διαδοχικών δορυφορικών επισκέψεων αντιπροσωπεύουν τα βλαστικά και αναπαραγωγικά στάδια του κύκλου φαινολογίας του καλαμποκιού (CW 20, 26 και 33, 2018 Central Illinois).
εκκαθάριση
Εάν δεν θέλετε πλέον να χρησιμοποιείτε αυτήν τη λύση, μπορείτε να διαγράψετε τους πόρους που δημιούργησε. Αφού αναπτυχθεί η λύση στο Studio, επιλέξτε Διαγράψτε όλους τους πόρους για αυτόματη διαγραφή όλων των τυπικών πόρων που δημιουργήθηκαν κατά την εκκίνηση της λύσης, συμπεριλαμβανομένου του κάδου S3.
Συμπέρασμα
Αυτή η λύση παρέχει ένα σχέδιο για περιπτώσεις χρήσης όπου η αιτιώδης συναγωγή με δίκτυα Bayes είναι η προτιμώμενη μεθοδολογία για την απάντηση αιτιωδών ερωτήσεων από συνδυασμό δεδομένων και ανθρώπινων εισροών. Η ροή εργασίας περιλαμβάνει μια αποτελεσματική εφαρμογή της μηχανής συμπερασμάτων, η οποία τοποθετεί σε ουρά τα εισερχόμενα ερωτήματα και παρεμβάσεις και τα επεξεργάζεται ασύγχρονα. Η σπονδυλωτή πτυχή επιτρέπει την επαναχρησιμοποίηση διαφόρων στοιχείων, συμπεριλαμβανομένης της γεωχωρικής επεξεργασίας με ειδικά σχεδιασμένες λειτουργίες και προεκπαιδευμένα μοντέλα, τον εμπλουτισμό δορυφορικών εικόνων με προσαρμοσμένες λειτουργίες GDAL και τη μηχανική πολυτροπικών χαρακτηριστικών (φασματικοί δείκτες και δεδομένα πίνακα).
Επιπλέον, μπορείτε να χρησιμοποιήσετε αυτήν τη λύση ως πρότυπο για την κατασκευή μοντέλων καλλιεργειών με πλέγμα όπου διεξάγεται η διαχείριση λιπασμάτων αζώτου και η ανάλυση περιβαλλοντικής πολιτικής.
Για περισσότερες πληροφορίες, ανατρέξτε στο Πρότυπα λύσεων και ακολουθούν η καθοδηγήσει για την κυκλοφορία της λύσης Crop Yield Counterfactuals στην περιοχή West (Oregon) των ΗΠΑ. Ο κωδικός είναι διαθέσιμος στο GitHub repo.
Αναφορές
German Mandrini, Σωτήριος Β. Αρχοντούλης, Cameron M. Pittelkow, Taro Mieno, Nicolas F. Martin,
Προσομοίωση δεδομένων απόκρισης καλαμποκιού στο άζωτο σε χιλιάδες χωράφια και πολλά χρόνια στο Ιλινόις,
Συνοπτικά δεδομένα, Τόμος 40, 2022, 107753, ISSN 2352-3409
Χρήσιμοι πόροι
Σχετικά με τους Συγγραφείς
Πωλ Μπάρνα είναι Ανώτερος Επιστήμονας Δεδομένων με τα Εργαστήρια Πρωτοτύπων Μηχανικής Μάθησης στο AWS.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :είναι
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- Σχετικα
- επιτεύγματα
- Λογαριασμός
- αποκτούν
- αποκτήθηκαν
- απέναντι
- ενεργός
- προστιθέμενη
- Επιπλέον
- Πρόσθετος
- διευθύνσεις
- συνήγοροι
- Μετά το
- AGI
- στόχοι
- αλγόριθμος
- Όλα
- επιτρέπει
- Αν και
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- μεταξύ των
- ποσό
- ανάλυση
- και
- απαντήσεις
- οπουδήποτε
- Εφαρμογή
- αρχιτεκτονική
- ΕΙΝΑΙ
- ΠΕΡΙΟΧΗ
- γύρω
- AS
- άποψη
- Επιβεβαιώνοντας
- Σχέση
- At
- αυτομάτως
- διαθέσιμος
- αποφεύγοντας
- AWS
- ΖΩΝΗ
- βασίζονται
- Bayesian
- BE
- πριν
- μεταξύ
- Μπλε
- βιβλίο
- Διακοπή
- ευρύς
- χτίζω
- Κτίριο
- by
- που ονομάζεται
- CAN
- δυνατότητες
- πιάνω
- συλλαμβάνει
- περιπτώσεις
- κατηγορίες
- Αιτία
- Κύτταρα
- κεντρικός
- αλυσίδα
- αλλαγή
- Αλλαγές
- κανάλια
- παιδί
- Επιλέξτε
- ισχυριζόμενος
- αξιώσεις
- Backup
- κωδικός
- Κολάρα
- συνδυασμός
- Κοινός
- εξαρτήματα
- συγκέντρωση
- Συνθήκες
- διενεργούνται
- Connect
- συνεχής
- περιορισμούς
- συνεχής
- έλεγχος
- ελέγχεται
- Αντίστοιχος
- θα μπορούσε να
- δημιουργία
- δημιουργήθηκε
- καλλιέργεια
- Τη στιγμή
- καμπύλη
- έθιμο
- Προσαρμοσμένη
- κύκλος
- ημερομηνία
- επεξεργασία δεδομένων
- επιστήμονας δεδομένων
- βασίζονται σε δεδομένα
- βάση δεδομένων
- ημέρα
- βαθύς
- βαθιά μάθηση
- αποδεικνύουν
- αναπτυχθεί
- Συμπληρωματικός
- λεπτομέρεια
- καθέκαστα
- διαφορά
- κατευθείαν
- συζητήσουν
- διανέμονται
- διανομή
- Διανομές
- διαιρούμενο
- τομέα
- δραστικά
- σχεδιάζω
- δυναμική
- κάθε
- αποτέλεσμα
- εμφάνιση
- δίνει τη δυνατότητα
- ενεργοποίηση
- από άκρη σε άκρη
- Κινητήρας
- Μηχανική
- ενισχυμένη
- εμπλουτισμένος
- περιβάλλοντος
- Περιβαλλοντική πολιτική
- κατ 'ουσίαν,
- Άσκηση
- επέκταση
- εμπειρογνώμονας
- εξειδίκευση
- Εξηγήστε
- διερευνήσει
- εκφράσεις
- επέκταση
- εκχύλισμα
- παράγοντες
- καλλιέργεια
- Χαρακτηριστικό
- Χαρακτηριστικά
- λίγοι
- Πεδία
- Εικόνα
- ακολουθήστε
- Εξής
- Για
- μορφή
- Πλαίσιο
- από
- πλήρως
- περαιτέρω
- παράγουν
- γεωγραφίες
- παίρνω
- GitHub
- δεδομένου
- Παγκόσμιο
- γραφική παράσταση
- Στάση του γκρι
- Πράσινο
- Πλέγμα
- Ανάπτυξη
- καθοδηγήσει
- λαβή
- συμβαίνω
- Έχω
- κρυμμένο
- Πως
- Πώς να
- Ωστόσο
- HTML
- http
- HTTPS
- ανθρώπινος
- ιδανικό
- προσδιορίσει
- προσδιορισμό
- Ιλλινόις
- εικόνα
- εικόνες
- Επίπτωση
- εκτέλεση
- σιωπηρή
- εισαγωγή
- σπουδαιότητα
- επιβάλλονται
- επιβλητικός
- in
- περιλαμβάνει
- Συμπεριλαμβανομένου
- Εισερχόμενος
- ενσωματώνοντας
- αύξηση
- δείκτες
- Δείκτες
- πληροφορίες
- Υποδομή
- αρχικός
- αρχικά
- ιδέες
- παράδειγμα
- οδηγίες
- Νοημοσύνη
- αλληλεπιδράσεις
- τόκος
- παρέμβαση
- εισήγαγε
- IT
- ΤΟΥ
- Δουλειά
- Ξέρω
- γνώση
- Labs
- large
- ξεκινήσει
- δρομολόγηση
- οδηγήσει
- ΜΑΘΑΊΝΩ
- μάθει
- μάθηση
- περιορισμός
- Περιωρισμένος
- λογοτεχνία
- πλέον
- μηχανή
- μάθηση μηχανής
- μηχανήματα
- που
- Κατασκευή
- διαχείριση
- χάρτη
- Μάρτιν
- μάσκα
- Masks
- Ταίριασμα
- μαθηματικά
- ύλη
- ωριμότητα
- πηγαίνω
- Μεθοδολογία
- Metrics
- ενδέχεται να
- Γάλα
- ML
- μοντέλο
- μοντέλα
- σπονδυλωτή
- περισσότερο
- πολλαπλούς
- όνομα
- Nasa
- Κοντά
- αναγκαίως
- Ανάγκη
- δίκτυο
- δίκτυα
- επόμενη
- Nicolas
- κόμβος
- Κατανομή κόμβων
- κόμβων
- αριθμός
- αποκτήσει
- of
- on
- λειτουργία
- λειτουργίες
- βελτιστοποίηση
- Βελτιστοποίηση
- Επιλογή
- Πορτοκαλί
- τάξη
- Όρεγκον
- ΑΛΛΑ
- Παράλληλο
- παράμετροι
- γονείς
- Ειδικότερα
- πέρασε
- Εκτελέστε
- Φωτοσύνθεση
- αγωγού
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- βύσμα
- πολιτική
- Πολύγωνο
- δυνατός
- Θέση
- προτιμάται
- αρχές
- Πριν
- Πρόβλημα
- διαδικασια μας
- Επεξεργασμένο
- Διεργασίες
- μεταποίηση
- ιδιότητες
- περιουσία
- προτείνεται
- προτείνει
- προτυποποίηση
- παρέχουν
- παρέχει
- καθαρώς
- Ερωτήσεις
- τυχαίος
- Τυχαία
- σειρά
- Τιμές
- έτοιμος
- λογικός
- Red
- μείωση
- μείωση
- περιοχή
- σχέση
- Σχέσεις
- αφαίρεση
- αντικατασταθούν
- εκπροσωπώ
- εκπροσωπούν
- αιτήματα
- απαιτείται
- Ανάλυση
- Υποστηρικτικό υλικό
- απάντησης
- υπεύθυνος
- αξιολόγηση
- RGB
- ΑΤΕ
- τρέξιμο
- τρέξιμο
- σοφός
- δορυφόρος
- σενάρια
- Επιστήμονας
- Τμήμα
- κατάτμηση
- επιλέγονται
- αρχαιότερος
- αίσθηση
- Σειρές
- σειρά
- διάφοροι
- Δείχνει
- Ομοίως
- ενιαίας
- λύση
- Λύσεις
- μερικοί
- χωρική
- Φασματικός
- πλατείες
- Στάδιο
- στάδια
- πρότυπο
- Κατάσταση
- Μελών
- στατιστική
- Κατάσταση
- Βήμα
- Βήματα
- στρες
- δομή
- μελέτες
- στούντιο
- Μελέτη
- θέμα
- μεταγενέστερος
- υποστήριξη
- συστήματα
- λήψη
- taro
- Διδασκαλία
- πρότυπο
- Δοκιμές
- ότι
- Η
- Το γράφημα
- Το κράτος
- ο κόσμος
- τους
- Τους
- εκ τούτου
- Αυτοί
- πράγματα
- χιλιάδες
- τρία
- Μέσω
- παντού
- ώρα
- προς την
- μαζι
- Τρένο
- Μεταμορφώστε
- μετασχηματίζοντας
- διαφανής
- θεραπεία
- δίκη
- δοκιμές
- Έμπιστος
- UCLA
- αποκαλύπτω
- υπό
- κατανόηση
- μονάδα
- Ενωμένος
- United States
- Ενημέρωση
- ενημέρωση
- us
- χρήση
- επικυρωμένο
- αξία
- διάφορα
- Επισκέψεις
- τόμος
- Νερό
- τρόπους
- Weather
- Εβδ.
- ΛΟΙΠΌΝ
- δυτικά
- Τι
- Ποιό
- ενώ
- θα
- με
- εντός
- χωρίς
- κόσμος
- γραφή
- X
- χρόνια
- Βελτιστοποίηση
- αποδόσεις
- Εσείς
- Σας
- zephyrnet