Looge Amazon SageMakeri georuumiliste võimalustega agronoomiline andmeplatvorm

Maailm on geopoliitiliste konfliktide, tarneahela katkestuste ja kliimamuutuste tagajärjel suurenenud ülemaailmse toidupuuduse ohus. Samal ajal suureneb üldine nõudlus rahvastiku kasvust ja toitumise muutumisest, mis keskendub toitaine- ja valgurikkale toidule. Ülemäärase nõudluse rahuldamiseks peavad põllumehed maksimeerima põllukultuuride saagikust ja juhtima tõhusalt mastaabis toiminguid, kasutades eesotsas püsimiseks täppisviljelustehnoloogiat.

Ajalooliselt on põllumehed otsuste tegemisel tuginenud päritud teadmistele, katse-eksituse meetodile ning mittespetsiifilistele agronoomilistele nõuannetele. Peamised otsused hõlmavad, milliseid põllukultuure istutada, kui palju väetist anda, kuidas tõrjuda kahjureid ja millal koristada. Kuid kasvava nõudluse tõttu toidu järele ja saagikuse maksimeerimise vajaduse tõttu vajavad põllumehed lisaks päritud teadmistele rohkem teavet. Uuenduslikud tehnoloogiad, nagu kaugseire, asjade internet ja robootika, võivad aidata põllumeestel oma otsustusprotsessist mööda minna. Andmepõhised otsused, mida toidavad peaaegu reaalajas saadavad ülevaated, võivad võimaldada põllumajandustootjatel vähendada lõhet suurenenud toidunõudluse osas.

Kuigi põllumehed on traditsiooniliselt kogunud andmeid oma tegevuse kohta käsitsi, salvestades seadmete ja saagikuse andmeid või tehes märkmeid põlluvaatluste kohta, aitavad AWS-i agronoomiliste andmeplatvormide ehitajad põllumeestel töötada koos oma usaldusväärsete agronoomiliste nõustajatega neid andmeid ulatuslikult kasutada. Väikesed põllud ja toimingud võimaldavad põllumehel hõlpsamini näha kogu põldu, et otsida saaki mõjutavaid probleeme. Siiski ei ole suurte põldude ja farmide jaoks iga põldude sage uurimine teostatav ning edukaks riskide maandamiseks on vaja integreeritud agronoomilist andmeplatvormi, mis võib tuua ulatuslikke teadmisi. Need platvormid aitavad põllumeestel oma andmeid mõista, integreerides visualiseerimis- ja analüüsirakendustes kasutamiseks mitmest allikast pärineva teabe. Geosruumilised andmed, sealhulgas satelliidipildid, mullaandmed, ilmastiku- ja topograafiaandmed, on kihiti koos andmetega, mida koguvad põllumajandusseadmed istutamise, toitainete kasutamise ja saagikoristuse ajal. Täiustatud georuumiliste andmete analüüsi, täiustatud andmete visualiseerimise ja AWS-tehnoloogia abil töövoogude automatiseerimise kaudu teadmisi avades saavad põllumehed tuvastada oma põldude ja põllukultuuride konkreetsed alad, millel on probleem, ning võtta meetmeid oma põllukultuuride ja toimingute kaitsmiseks. Need õigeaegsed teadmised aitavad põllumeestel paremini teha koostööd oma usaldusväärsete agronoomidega, et toota rohkem, vähendada nende keskkonnajalajälge, parandada nende kasumlikkust ja hoida oma maa tootlikuna järgmiste põlvkondade jaoks.

Selles postituses vaatleme, kuidas saate kasutada saadud ennustusi Amazon SageMakeri georuumilised võimalused agronoomilise andmeplatvormi kasutajaliidesesse. Lisaks arutame, kuidas tarkvaraarenduse meeskonnad lisavad oma agronoomilistele andmeplatvormidele täiustatud masinõppel (ML) põhinevaid teadmisi, sealhulgas kaugseire algoritme, pilvmaskimist (pilvede automaatne tuvastamine satelliidipiltidel) ja automaatse pilditöötluse torujuhtmeid. Need täiendused koos aitavad agronoomidel, tarkvaraarendajatel, ML-inseneridel, andmeteadlastel ja kaugseiremeeskondadel pakkuda põllumeestele skaleeritavaid väärtuslikke otsuste tegemise tugisüsteeme. Selles postituses on ka näide otsast lõpuni sülearvuti ja GitHubi hoidla mis demonstreerib SageMakeri georuumilisi võimalusi, sealhulgas ML-põhist talupõldude segmenteerimist ja eelkoolitatud georuumilisi mudeleid põllumajanduse jaoks.

Georuumilise ülevaate ja prognooside lisamine agronoomilistesse andmeplatvormidesse

Väljakujunenud matemaatilised ja agronoomilised mudelid koos satelliidipiltidega võimaldavad visualiseerida põllukultuuri tervist ja olekut satelliidipiltide kaupa pikslite kaupa aja jooksul. Need väljakujunenud mudelid nõuavad aga juurdepääsu satelliidipiltidele, mida ei takista pilved ega muud pildi kvaliteeti vähendavad atmosfäärihäired. Ilma pilvi tuvastamata ja igalt töödeldud pildilt eemaldamata on ennustustes ja arusaamades olulisi ebatäpsusi ning agronoomilised andmeplatvormid kaotavad põllumehe usalduse. Kuna agronoomiliste andmeplatvormide pakkujad teenindavad tavaliselt kliente, kes hõlmavad tuhandeid põlde erinevates geograafilistes piirkondades, vajavad agronoomilised andmeplatvormid arvutinägemust ja automatiseeritud süsteemi, et analüüsida, tuvastada ja filtreerida igal satelliidipildil pilved või muud atmosfääriprobleemid enne edasist töötlemist või analüütika pakkumist. klientidele.

Pilvi ja atmosfääriprobleeme satelliidipiltidel tuvastavate ML-i arvutinägemismudelite arendamine, testimine ja täiustamine seab agronoomiliste andmeplatvormide ehitajatele väljakutseid. Esiteks nõuab satelliidipiltide neelamiseks andmekanalite loomine aega, tarkvaraarenduse ressursse ja IT-infrastruktuuri. Iga satelliidipiltide pakkuja võib üksteisest oluliselt erineda. Satelliidid koguvad sageli erineva ruumilise eraldusvõimega pilte; eraldusvõime võib ulatuda paljudest meetritest piksli kohta kuni väga kõrge eraldusvõimega kujutisteni, mida mõõdetakse sentimeetrites piksli kohta. Lisaks võib iga satelliit koguda kujutisi erinevate mitme spektriribadega. Mõningaid ribasid on põhjalikult testitud ja need näitavad tugevat korrelatsiooni taimede arengu ja tervisenäitajatega ning teised ribad võivad olla põllumajanduse jaoks ebaolulised. Satelliidi tähtkujud külastavad maakeral sama kohta erineva kiirusega. Väikesed tähtkujud võivad põldu uuesti külastada iga nädal või sagedamini ja suuremad tähtkujud võivad sama ala mitu korda päevas külastada. Need erinevused satelliidipiltides ja sagedustes toovad kaasa ka erinevusi API võimetes ja funktsioonides. Need erinevused koos tähendavad, et agronoomilistel andmeplatvormidel võib tekkida vajadus säilitada mitut andmekanalit keerukate neelamismetoodikatega.

Teiseks, pärast seda, kui kujutised on alla neelatud ja kaugseiremeeskondadele, andmeteadlastele ja agronoomidele kättesaadavaks tehtud, peavad need meeskonnad osalema aeganõudvas protsessis, et iga pildi igale piirkonnale juurde pääseda, neid töödelda ja häguseks märgistada. Erinevates geograafilistes piirkondades paiknevate tuhandete väljade ja ühe välja kohta mitme satelliidipildi tõttu võib märgistamisprotsess võtta palju aega ja seda tuleb pidevalt koolitada, et võtta arvesse ettevõtte laienemist, uusi kliendivaldkondi või uusi pildiallikaid.

Integreeritud juurdepääs Sentineli satelliidipiltidele ja andmetele ML jaoks

Kasutades SageMakeri georuumilisi võimalusi ML-mudeli kaugseireks ja kasutades satelliidipilte AWS-i andmevahetus mugavalt avalikkusele kättesaadav Amazoni lihtne salvestusteenus (Amazon S3) ämbri abil saavad AWS-i agronoomiliste andmeplatvormide ehitajad oma eesmärgid kiiremini ja hõlpsamini saavutada. Teie S3 ämbris on alati kõige ajakohasemad Sentinel-1 ja Sentinel-2 satelliidipildid, kuna avatud andmevahetus ja Amazoni jätkusuutlikkuse andmete algatus pakkuda teile automaatset sisseehitatud juurdepääsu satelliidipiltidele.

Järgmine diagramm illustreerib seda arhitektuuri.

SageMakeri georuumilised võimalused hõlmavad sisseehitatud eelkoolitatud sügava närvivõrgu mudeleid, nagu maakasutuse klassifikatsioon ja pilve maskeerimine, koos integreeritud georuumiliste andmeallikate kataloogiga, sealhulgas satelliidipildid, kaardid ja AWS-i ja kolmandate osapoolte asukohaandmed. Integreeritud georuumiandmete kataloogi abil on SageMakeri georuumilistel klientidel lihtsam juurdepääs satelliidipiltidele ja teistele georuumilistele andmekogudele, mis eemaldavad keerukate andmete sisestamise torujuhtmete väljatöötamise koormuse. See integreeritud andmekataloog võib kiirendada teie enda mudelite koostamist ning suuremahuliste georuumiliste andmekogumite töötlemist ja rikastamist sihipäraste toimingute abil, nagu ajastatistika, resampling, mosaitsiin ja pöördgeokodeerimine. Võimalus hõlpsasti alla neelata Amazon S3 pilte ja kasutada SageMakeri georuumilisi eelkoolitatud ML-mudeleid, mis tuvastavad automaatselt pilved ja hindavad iga Sentinel-2 satelliidipilti, eemaldab vajaduse kaasata kaugseire, agronoomia ja andmeteaduse meeskondi, et neelata, töödelda ja töödelda. sildistage tuhandeid satelliidipilte käsitsi häguste piirkondadega.

SageMakeri georuumilised võimalused toetavad võimalust määratleda huvipakkuv ala (AOI) ja huvipakkuv aeg (TOI), otsida Open Data Exchange S3 ämbriarhiivist pilte, mille georuumiline ristmik vastab taotlusele, ja tagastada tõelisi värvilisi pilte, Normalized Difference Vegetation Index (NDVI), pilvede tuvastamine ja hinded ning maakate. NDVI on tavaline indeks, mida kasutatakse satelliidipiltidega, et mõista põllukultuuride tervist, visualiseerides klorofülli koguse ja fotosünteesi aktiivsuse mõõtmisi äsja töödeldud ja värvikoodiga pildi kaudu.

SageMakeri georuumiliste võimaluste kasutajad saavad kasutada eelehitatud NDVI indeksit või ise välja töötada. SageMakeri georuumilised võimalused muudavad andmeteadlaste ja ML-i inseneride jaoks lihtsamaks ML-mudelite loomise, koolitamise ja juurutamise kiiremini ja ulatuslikumalt, kasutades georuumilisi andmeid ja varasemast väiksema vaevaga.

Põllumajandustootjad ja agronoomid vajavad kiiret juurdepääsu teadmistele nii põllul kui ka kodus

Töödeldud kujutiste ja arusaamade viivitamatu edastamine põllumajandustootjatele ja sidusrühmadele on põllumajandusettevõtete ja kohapealsete otsuste tegemise jaoks oluline. Halva põllukultuuride tervisega piirkondade tuvastamine igal põllul kriitilise aja jooksul võimaldab põllumajandustootjal riske maandada, kasutades vajadusel väetisi, herbitsiide ja pestitsiide, ning isegi tuvastada potentsiaalsete saagikindlustusnõuete piirkonnad. On tavaline, et agronoomilised andmeplatvormid hõlmavad rakenduste komplekti, sealhulgas veebirakendusi ja mobiilirakendusi. Need rakendused pakuvad intuitiivseid kasutajaliideseid, mis aitavad põllumeestel ja nende usaldusväärsetel sidusrühmadel kodus, kontoris või põllul seistes turvaliselt üle vaadata kõik oma põllud ja pildid. Need veebi- ja mobiilirakendused peavad aga kasutama ja kiiresti kuvama töödeldud kujutisi ja agronoomilisi teadmisi API-de kaudu.

Amazon API värav muudab arendajatel lihtsaks RESTfuli ja WebSocketi API-de loomise, avaldamise, hooldamise, jälgimise ja turvalisuse. Koos API lüüs, API juurdepääs ja autoriseerimine on integreeritud AWS-i identiteedi juurdepääsu haldamine (IAM) ja pakub loomulikku OIDC ja OAuth2 tuge, samuti Amazon Cognito. Amazon Cognito on kulutõhus kliendi identiteedi ja juurdepääsu halduse (CIAM) teenus, mis toetab turvalist identiteedipoodi koos liitmisvõimalustega, mida saab laiendada miljonite kasutajateni.

Toores, töötlemata satelliidipildid võivad olla väga suured, mõnel juhul sadu megabaite või isegi gigabaite pildi kohta. Kuna paljudes maailma põllumajanduspiirkondades on mobiilsideühendus kehv või puudub üldse, on oluline töödelda ja esitada kujutisi ja teadmisi väiksemas vormingus ja viisil, mis piirab vajalikku ribalaiust. Seetõttu kasutades AWS Lambda paaniserveri juurutamiseks saab tagastada väiksema suurusega GeoTIFF-id, JPEG-id või muud pildivormingud vastavalt kasutajale kuvatavale kaardivaatele, mitte palju suurematele failisuurustele ja -tüüpidele, mis vähendavad jõudlust. Kombineerides Lambda funktsioonide kaudu juurutatud paaniserveri API-lüüsiga, et hallata veebi- ja mobiilirakenduste päringuid, saavad põllumehed ja nende usaldusväärsed sidusrühmad tarbida ühe või saja põllu kujutisi ja georuumilisi andmeid korraga, vähendatud latentsusajaga ja saavutada optimaalse kasutaja. kogemusi.

SageMakeri georuumilistele võimalustele pääseb juurde intuitiivse kasutajaliidese kaudu, mis võimaldab teil hõlpsasti juurde pääseda rikkalikule georuumiliste andmete kataloogile, teisendada ja rikastada andmeid, koolitada või kasutada eesmärgipäraseid mudeleid, juurutada mudeleid prognooside jaoks ning visualiseerida ja uurida andmeid integreeritud kaardid ja satelliidipildid. Lisateavet SageMakeri georuumilise kasutajakogemuse kohta leiate aadressilt Kuidas Xarvio kiirendas Amazon SageMakeri georuumiliste võimalustega digitaalse põllumajanduse jaoks mõeldud ruumiandmete torujuhtmeid.

Agronoomilised andmeplatvormid pakuvad mitmesuguseid andmekihte ja teadmisi

Järgmine kasutajaliidese näide demonstreerib, kuidas agronoomiliste andmeplatvormide koostaja saab integreerida SageMakeri georuumiliste võimaluste pakutavaid teadmisi.

See näidiskasutajaliides kujutab tavalisi georuumiliste andmete ülekatteid, mida kasutavad põllumehed ja põllumajanduse sidusrühmad. Tarbija on siin valinud kolm eraldi andmekatet. Esiteks selle aluseks olev Sentinel-2 loomuliku värvi satelliidipilt, mis on tehtud 2020. aasta oktoobrist ja tehtud kättesaadavaks integreeritud SageMakeri georuumiandmete kataloogi kaudu. See pilt filtreeriti SageMakeri georuumilise eelkoolitatud mudeli abil, mis tuvastab pilvkatte. Teine andmekate on väljade piiride komplekt, mis on kujutatud valge kontuuriga. Põllupiir on tavaliselt laius- ja pikkuskraadi koordinaatide hulknurk, mis peegeldab talu põllu loomulikku topograafiat või põllukultuuriplaanide vahelist tööpiiri. Kolmas andmekate on töödeldud kujutise andmed normaliseeritud erinevuse taimestikuindeksi (NDVI) kujul. Lisaks kaetakse NDVI kujutised vastavale põllupiirile ja lehe vasakus servas on kujutatud NDVI värvide klassifikatsioonitabel.

Järgmine pilt kujutab tulemusi, kasutades SageMakeri eelkoolitatud mudelit, mis tuvastab pilvkatte.

Sellel pildil tuvastab mudel satelliidipildil pilved ja rakendab igale pildil olevale pilvele kollase maski. Maskeeritud pikslite (pilvede) eemaldamisega edasisest pilditöötlusest on alamanalüüs ja tooted parandanud täpsust ning pakkunud väärtust põllumeestele ja nende usaldusväärsetele nõustajatele.

Halva mobiilse levialaga piirkondades parandab latentsusaja vähendamine kasutuskogemust

Georuumiandmete ja kaugseire kujutiste hindamisel madala latentsusaja vajaduse vähendamiseks võite kasutada Amazon ElastiCache Lambda kaudu tehtud paanitaotlustest hangitud töödeldud piltide vahemällu salvestamiseks. Kui salvestate soovitud kujutised vahemällu, väheneb latentsus veelgi ja kujutiste päringuid pole vaja uuesti töödelda. See võib parandada rakenduse jõudlust ja vähendada survet andmebaasidele. Sest Amazon ElastiCache toetab paljusid vahemällu salvestamise strateegiate, piirkondadevahelise replikatsiooni ja automaatse skaleerimise konfiguratsioonivalikuid, agronoomiliste andmeplatvormide pakkujad saavad rakenduste vajaduste põhjal kiiresti laiendada ja jätkata kulutõhususe saavutamist, makstes ainult vajaliku eest.

Järeldus

See postitus keskendus georuumiliste andmete töötlemisele, ML-toega kaugseire ülevaadete rakendamisele ning AWS-i agronoomiliste andmeplatvormide arendamise ja täiustamise tõhustamise ja lihtsustamise viisidele. See illustreeris mitmeid meetodeid ja teenuseid, mida AWS-i teenuste agronoomiliste andmeplatvormide ehitajad saavad oma eesmärkide saavutamiseks kasutada, sealhulgas SageMaker, Lambda, Amazon S3, Open Data Exchange ja ElastiCache.

SageMakeri georuumilisi võimalusi demonstreeriva täieliku näidismärkmiku jälgimiseks avage järgmises jaotises saadaolev näidismärkmik GitHubi hoidla. Saate vaadata, kuidas ML-segmenteerimismudelite abil põllumajanduspõlde tuvastada, või uurida olemasolevaid SageMakeri georuumilisi mudeleid ja tuua oma mudeli (BYOM) funktsionaalsust georuumiliste ülesannete jaoks, nagu maakasutus ja maakatte klassifitseerimine. Otsast lõpuni näidismärkmikku käsitletakse üksikasjalikult kaaspostituses Kuidas Xarvio kiirendas ruumiandmete torustikku digitaalse põllumajanduse jaoks rakendusega Amazon SageMaker Geospatial.

Võtke meiega ühendust, et saada lisateavet selle kohta, kuidas põllumajandustööstus lahendab AWS-i pilve abil olulisi probleeme, mis on seotud ülemaailmse toiduga varustamise, jälgitavuse ja jätkusuutlikkuse algatustega.

---

Autoritest

Will Conrad on AWS-i põllumajandustööstuse lahenduste juht. Ta on kirglik aidata klientidel kasutada tehnoloogiat, et parandada põllumajandustootjate toimetulekut, põllumajanduse keskkonnamõju ja toitu söövate inimeste tarbimiskogemust. Vabal ajal parandab ta asju, mängib golfi ja võtab oma neljalt lapselt tellimusi.

Bišeš Adhikari on masinõppe prototüüpimise arhitekt AWS-i prototüüpimise meeskonnas. Ta teeb koostööd AWS-i klientidega, et luua lahendusi erinevatele tehisintellekti ja masinõppe kasutusjuhtudele, et kiirendada nende teekonda tootmiseni. Vabal ajal meeldib talle matkata, reisida ning pere ja sõpradega aega veeta.

Priyanka Mahankali on AWS-i juhendamislahenduste arhitekt enam kui 5 aastat, ehitades tööstusharudevahelisi lahendusi, sealhulgas tehnoloogiat ülemaailmsetele põllumajandusklientidele. Ta soovib kirglikult tuua tipptasemel kasutusjuhtumid esiplaanile ja aidata klientidel luua AWS-ile strateegilisi lahendusi.

Ron Osborne on AWS-i globaalne põllumajandustehnoloogia juht – WWSO ja vanemlahenduste arhitekt. Ron keskendub AWS-i põllumajandusklientide ja partnerite abistamisele turvaliste, skaleeritavate, vastupidavate, elastsete ja kulutõhusate lahenduste väljatöötamisel ja juurutamisel. Ron on kosmoloogia entusiast, ag-tech väljakujunenud uuendaja ning kirglik klientide ja partnerite positsioneerimine ettevõtte ümberkujundamise ja jätkusuutliku edu saavutamiseks.