Selle külalispostituse on kirjutanud ettevõtte Planet Labs äriarenduse spetsialist Lydia Lihui Zhang ja tarkvarainsener/andmeteadlane Mansi Shah. The analüüs, mis seda postitust inspireeris algselt kirjutas Jennifer Reiber Kyle.
Amazon SageMakeri georuumilised võimalused koos PlaneetSatelliidiandmeid saab kasutada põllukultuuride segmenteerimiseks ning sellel analüüsil on palju rakendusi ja potentsiaalseid eeliseid põllumajanduse ja jätkusuutlikkuse valdkondades. 2023. aasta lõpus Planeet teatas partnerlusest AWS-iga, et muuta selle georuumilised andmed kättesaadavaks Amazon SageMaker.
Kärpimise segmenteerimine on satelliidipildi jagamine pikslite piirkondadeks või segmentideks, millel on sarnased kärpimisomadused. Selles postituses illustreerime, kuidas kasutada segmenteerimise masinõppe (ML) mudelit, et tuvastada pildil kärbitud ja mittekärbitud piirkonnad.
Põllukultuuride piirkondade kindlakstegemine on põhisamm põllumajandusliku ülevaate saamiseks ning rikkalike georuumiliste andmete ja ML-i kombinatsioon võib anda teadmisi, mis juhivad otsuseid ja tegevusi. Näiteks:
- Andmepõhiste põllumajandusotsuste tegemine – Saades põllukultuuridest parema ruumilise arusaamise, saavad põllumehed ja teised põllumajanduse sidusrühmad hooaja jooksul optimeerida ressursside kasutamist alates veest kuni väetiseni ja lõpetades muude kemikaalidega. See loob aluse jäätmete vähendamisele, säästvate põllumajandustavade parandamisele igal võimalusel ja tootlikkuse suurendamisele, minimeerides samal ajal keskkonnamõju.
- Kliimaga seotud stresside ja suundumuste tuvastamine – Kuna kliimamuutused mõjutavad jätkuvalt globaalseid temperatuuri- ja sademete mustreid, saab kliimaga kohanemise strateegiate jaoks kasutada põllukultuuride segmenteerimist, et teha kindlaks piirkonnad, mis on kliimaga seotud stressi suhtes tundlikud. Näiteks saab satelliidipiltide arhiive kasutada põllukultuuride kasvupiirkonna muutuste jälgimiseks aja jooksul. Need võivad olla füüsilised muutused põllumaade suuruses ja jaotuses. Need võivad olla ka muutused mulla niiskuses, mulla temperatuuris ja biomassis, mis on tuletatud satelliidiandmete erinevatest spektriindeksitest, et teha sügavamat põllukultuuride tervise analüüsi.
- Kahju hindamine ja leevendamine – Lõpetuseks saab põllukultuuride segmenteerimist kasutada looduskatastroofi korral saagikahjustatud alade kiireks ja täpseks tuvastamiseks, mis võib aidata seada abitegevuse prioriteediks. Näiteks pärast üleujutust saab suure kadentsiga satelliidipilte kasutada alade tuvastamiseks, kus põllukultuurid on vee alla jäänud või hävinud, võimaldades abiorganisatsioonidel kannatada saanud põllumehi kiiremini abistada.
Selles analüüsis kasutame põllukultuuride segmenteerimiseks K-lähimate naabrite (KNN) mudelit ja võrdleme neid tulemusi põllumajanduspiirkonna tõepõhiste piltidega. Meie tulemused näitavad, et KNN-mudeli klassifikatsioon esindab täpsemini praeguse põllukultuuri seisukorda 2017. aastal kui 2015. aasta põhitõdede klassifitseerimise andmed. Need tulemused annavad tunnistust Planeti suure kadentsiga georuumilise kujutise võimsusest. Põllumajanduspõllud muutuvad sageli, mõnikord mitu korda hooaja jooksul, ning kõrgsageduslike satelliidipiltide olemasolu selle maa vaatlemiseks ja analüüsimiseks võib anda tohutu väärtuse meie arusaamisele põllumajandusmaast ja kiiresti muutuvast keskkonnast.
Planeti ja AWS-i partnerlus georuumilise ML-i alal
SageMakeri georuumilised võimalused anda andmeteadlastele ja ML-i inseneridele volitused luua, koolitada ja juurutada georuumilisi andmeid kasutades mudeleid. SageMakeri georuumilised võimalused võimaldavad tõhusalt teisendada või rikastada suuremahulisi georuumilisi andmekogumeid, kiirendada mudelite koostamist eelkoolitatud ML-mudelitega ning uurida mudelite ennustusi ja georuumilisi andmeid interaktiivsel kaardil, kasutades 3D-kiirendatud graafikat ja sisseehitatud visualiseerimistööriistu. SageMakeri georuumiliste võimaluste abil saate töödelda suuri satelliidipiltide ja muude georuumiliste andmete andmekogusid, et luua täpseid ML-mudeleid erinevate rakenduste jaoks, sealhulgas põllukultuuride segmenteerimiseks, mida käsitleme selles postituses.
Planet Labsi PBC on juhtiv Maa pildistamise ettevõte, mis kasutab oma suurt satelliitide parki, et jäädvustada pilte Maa pinnast iga päev. Planeedi andmed on seega georuumilise ML jaoks väärtuslik ressurss. Selle kõrge eraldusvõimega satelliidipilte saab kasutada erinevate põllukultuuride omaduste ja nende tervise tuvastamiseks aja jooksul kõikjal Maa peal.
Planeti ja SageMakeri partnerlus võimaldab klientidel hõlpsasti juurde pääseda Planeti kõrgsageduslike satelliidiandmetele ja neid analüüsida, kasutades AWS-i võimsaid ML-tööriistu. Andmeteadlased saavad tuua oma andmed või mugavalt leida ja tellida Planeti andmed ilma keskkonda vahetamata.
Kärpimine georuumilise kujutisega Amazon SageMaker Studio sülearvutis
Selles georuumilise ML-i töövoo näites vaatleme, kuidas tuua Planeti andmed koos põhitõe andmeallikaga SageMakerisse ning kuidas koolitada, järeldada ja juurutada põllukultuuride segmenteerimise mudelit KNN-i klassifikaatoriga. Lõpuks hindame oma tulemuste täpsust ja võrdleme seda meie põhitõe klassifikatsiooniga.
Kasutatav KNN klassifikaator oli koolitatud an Amazon SageMaker Studio georuumilise märkmikuga sülearvuti pilt ning pakub paindlikku ja laiendatavat sülearvutituuma georuumiliste andmetega töötamiseks.
. Amazon SageMaker Studio Georuumilise kujutisega sülearvuti on eelinstallitud tavaliselt kasutatavate georuumiliste teekide (nt GDAL, Fiona, GeoPandas, Shapely ja Rasterio) abil, mis võimaldavad visualiseerida ja töödelda georuumilisi andmeid otse Pythoni sülearvuti keskkonnas. Tavalisi ML-teeke, nagu OpenCV või scikit-learn, kasutatakse ka põllukultuuride segmenteerimiseks KNN-i klassifikatsiooni abil ja need on samuti installitud georuumilisse tuuma.
Andmete valik
Põllumajandusvaldkond, kuhu suumime, asub Californias tavaliselt päikeselises Sacramento maakonnas.
Miks Sacramento? Seda tüüpi probleemi piirkonna ja aja valiku määrab peamiselt maapinna tõesuse andmete kättesaadavus ning selliseid andmeid põllukultuuri tüübi ja piiride andmetes ei ole lihtne saada. The 2015. aasta Sacramento maakonna maakasutuse DWR-uuringu andmestik on avalikult kättesaadav andmekogum, mis hõlmab Sacramento maakonda sellel aastal ja pakub käsitsi kohandatud piire.
Peamine satelliidipilt, mida me kasutame, on Planet's 4-band PSScene toode, mis sisaldab sinist, rohelist, punast ja lähi-IR ribasid ning on radiomeetriliselt korrigeeritud vastavalt anduri kiirgusele. Anduri peegelduse korrigeerimise koefitsiendid on esitatud stseeni metaandmetes, mis parandab veelgi eri aegadel tehtud piltide järjepidevust.
Satelliidid Planet's Dove, mis seda kujutist tegid, saadeti orbiidile 14. veebruaril 2017 (Pressiteade), seetõttu ei pildistanud nad 2015. aastal Sacramento maakonda. Siiski on nad alates käivitamisest teinud piirkonnast igapäevaseid pilte. Selles näites lepime ebatäiusliku 2-aastase vahega põhitõeandmete ja satelliidipiltide vahel. Siiski oleks Landsat 8 madalama eraldusvõimega kujutisi võinud kasutada sillana aastatel 2015–2017.
Juurdepääs Planeti andmetele
Et aidata kasutajatel saada täpseid ja kasutatavaid andmeid kiiremini, on Planet Pythoni jaoks välja töötanud ka Planet Software Development Kit (SDK). See on võimas tööriist andmeteadlastele ja arendajatele, kes soovivad töötada satelliidipiltide ja muude georuumiliste andmetega. Selle SDK-ga saate otsida ja juurde pääseda Planeti suurele kõrge eraldusvõimega satelliidipiltide kogule ja andmetele muudest allikatest, nagu OpenStreetMap. SDK pakub Planeti API-dele Pythoni klienti, aga ka koodita käsurea liidese (CLI) lahendust, mis muudab satelliidipiltide ja georuumiliste andmete lisamise Pythoni töövoogudesse lihtsaks. See näide kasutab Pythoni klienti analüüsiks vajalike kujutiste tuvastamiseks ja allalaadimiseks.
Planet Pythoni kliendi saate installida georuumilise kujutisega sülearvutisse SageMaker Studio, kasutades lihtsat käsku:
Saate klienti kasutada asjakohaste satelliidipiltide päringute tegemiseks ja saadaolevate tulemuste loendi hankimiseks huvipiirkonna, ajavahemiku ja muude otsingukriteeriumide alusel. Järgmises näites alustame küsimisega, kui palju PlanetScope'i stseenid (Planeedi igapäevased kujutised) katavad sama huviala (AOI), mille määratlesime varem Sacramento maapealsete andmete kaudu, arvestades teatud ajavahemikku 1. juunist 1. oktoobrini 2017; samuti teatud soovitud maksimaalne pilvede ulatus 10%:
Tagastatud tulemused näitavad sobivate stseenide arvu, mis kattuvad meie huvialaga. See sisaldab ka iga stseeni metaandmeid, selle pildi ID-d ja eelvaate pildi viidet.
Pärast konkreetse stseeni valimist koos stseeni ID, üksuse tüübi ja tootekomplektide spetsifikatsioonidega (viitedokumentatsioon), saate pildi ja selle metaandmete allalaadimiseks kasutada järgmist koodi:
See kood laadib vastava satelliidipildi alla Amazon elastne failisüsteem (Amazon EFS) helitugevus SageMaker Studio jaoks.
Modellikoolitus
Pärast andmete allalaadimist Planet Pythoni kliendiga saab segmenteerimismudelit koolitada. Selles näites kasutatakse kärpimisala tuvastamiseks ja geograafilise viitega georefereeritud tunnuste loomiseks KNN-i klassifikatsiooni ja kujutise segmenteerimise tehnikate kombinatsiooni.
Planeedi andmed laaditakse ja eeltöödeldakse SageMakeri sisseehitatud georuumiliste teekide ja tööriistade abil, et valmistada need ette KNN-i klassifikaatori koolitamiseks. Koolituse põhitõeandmeteks on Sacramento maakonna maakasutuse DWR-uuringu andmestik aastast 2015 ja mudeli testimiseks kasutatakse 2017. aasta planeedi andmeid.
Teisendage põhitõe omadused kontuurideks
KNN-i klassifikaatori koolitamiseks iga piksli klass kas crop
or non-crop
tuleb tuvastada. Klass määratakse selle järgi, kas piksel on maapinna tõeandmetes seotud kärpimisfunktsiooniga või mitte. Selle määramise tegemiseks teisendatakse põhitõe andmed esmalt OpenCV kontuurideks, mida kasutatakse seejärel eraldamiseks. crop
Alates non-crop
pikslit. Seejärel kasutatakse pikslite väärtusi ja nende klassifikatsiooni KNN-i klassifikaatori koolitamiseks.
Maatõe tunnusjoonte teisendamiseks kontuurideks tuleb tunnused esmalt projitseerida kujutise koordinaatide referentssüsteemi. Seejärel muudetakse funktsioonid pildiruumiks ja lõpuks kontuurideks. Kontuuride täpsuse tagamiseks visualiseeritakse need sisendpildile kattuna, nagu on näidatud järgmises näites.
KNN-i klassifikaatori treenimiseks eraldatakse kärbitud ja mittekärpivad pikslid, kasutades maskina kärpimisfunktsiooni kontuure.
KNN-i klassifikaatori sisend koosneb kahest andmekogumist: X, 2d massiiv, mis pakub klassifitseeritavaid funktsioone; ja y, 1d massiiv, mis pakub klassid (näide). Siin luuakse mittekärpimis- ja kärpimisandmekomplektidest üks klassifitseeritud riba, kus riba väärtused näitavad piksliklassi. Seejärel teisendatakse riba ja selle aluseks oleva pildi piksliriba väärtused klassifikaatori sobivuse funktsiooni X- ja y-sisenditeks.
Treenige klassifikaatorit kärbitud ja mittekärpivate pikslite osas
KNN-i klassifikatsioon viiakse läbi koos scikit-learn KNeighborsClassifier. Naabrite arv, parameeter, mis mõjutab suuresti hindaja jõudlust, häälestatakse KNN-i ristvalideerimisel ristvalideerimise abil. Seejärel koolitatakse klassifikaatorit ettevalmistatud andmekogumite ja naaberparameetrite häälestatud arvu abil. Vaadake järgmist koodi:
Klassifikaatori jõudluse hindamiseks sisendandmetel ennustatakse piksliklass piksliriba väärtuste abil. Klassifikaatori jõudlus põhineb peamiselt treeningandmete täpsusel ja sisendandmetel (piksliriba väärtustel) põhineval piksliklasside selgel eraldamisel. Klassifikaatori parameetreid, nagu naabrite arv ja kauguse kaalumise funktsiooni, saab reguleerida, et kompenseerida viimases esinevaid ebatäpsusi. Vaadake järgmist koodi:
Hinnake mudeli ennustusi
Koolitatud KNN-i klassifikaatorit kasutatakse katseandmetes põllukultuuride piirkondade ennustamiseks. Need testiandmed koosnevad piirkondadest, mis ei puutunud mudeliga koolituse ajal kokku. Teisisõnu, mudelil ei ole enne analüüsi valdkonna kohta teadmisi ja seetõttu saab neid andmeid kasutada mudeli toimivuse objektiivseks hindamiseks. Alustuseks kontrollime visuaalselt mitut piirkonda, alustades suhteliselt mürarikkamast piirkonnast.
Visuaalne kontroll näitab, et ennustatud klassid on enamasti kooskõlas põhitõe klassidega. On mõned kõrvalekaldepiirkonnad, mida me täiendavalt kontrollime.
Täiendava uurimise käigus avastasime, et osa mürast selles piirkonnas oli tingitud põhitõeandmetest, millel puudusid salastatud pildil olevad üksikasjad (paremal ülaserv võrreldes vasaku ülaosa ja alumise vasakuga). Eriti huvitav leid on see, et klassifikaator tuvastab jõeäärsed puud kui non-crop
, samas kui põhitõe andmed identifitseerivad need ekslikult kui crop
. See erinevus nende kahe segmentatsiooni vahel võib olla tingitud sellest, et puud varjutavad piirkonda põllukultuuride kohal.
Pärast seda kontrollime teist piirkonda, mis liigitati kahe meetodi vahel erinevalt. Need esiletõstetud piirkonnad märgiti varem 2015. aasta maapinna tõeandmetes põllukultuurivabadeks piirkondadeks (paremal ülanurgas), kuid 2017. aastal muutusid ja näidati Planetscope'i stseenide kaudu selgelt põllumaadena (vasakpoolses ülanurgas ja all vasakul). Klassifikaatori (all paremal) kaudu klassifitseeriti need ka suures osas põllumaaks.
Jällegi näeme, et KNN-i klassifikaator annab täpsema tulemuse kui põhitõe klass ja see kajastab edukalt ka põllumaal toimuvaid muutusi. See näide räägib ka igapäevaselt värskendatavate satelliidiandmete väärtusest, sest maailm muutub sageli palju kiiremini kui aastaaruanded ja selline kombineeritud meetod ML-iga võib aidata meil muutusi kohe näha. Võimalus jälgida ja avastada selliseid muutusi satelliidiandmete kaudu, eriti arenevates põllumajandusvaldkondades, annab põllumeestele kasulikku teavet oma töö optimeerimiseks ja kõigile väärtusahela põllumajanduse sidusrühmadele, et saada paremat hooaja impulssi.
Mudeli hindamine
Prognoositud klasside kujutiste visuaalne võrdlemine põhitõeklassidega võib olla subjektiivne ja seda ei saa klassifitseerimistulemuste täpsuse hindamiseks üldistada. Kvantitatiivse hinnangu saamiseks saame klassifikatsioonimõõdikud, kasutades scikit-learn's classification_report
funktsioon:
Pikslite klassifikatsiooni kasutatakse kärpimispiirkondade segmenteerimismaski loomiseks, muutes nii täpsuse kui ka meeldetuletuse oluliseks mõõdikud ning F1 skoor on hea üldine täpsuse ennustamise mõõt. Meie tulemused annavad meile mõõdikuid nii põllukultuuride kui ka põllukultuurideta piirkondade kohta rongi- ja katseandmekogus. Asjade lihtsuse huvides vaatame neid mõõdikuid aga testandmestiku põllukultuuride piirkondade kontekstis lähemalt.
Täpsus mõõdab, kui täpsed on meie mudeli positiivsed ennustused. Sel juhul näitab põllukultuuripiirkondade täpsus 0.94, et meie mudel on väga edukas selliste alade õigesti tuvastamisel, mis on tõepoolest põllukultuuride piirkonnad, kus valepositiivsed (tegelikud põllukultuurideta piirkonnad, mis on valesti määratletud põllukultuuride piirkondadena) on minimeeritud. Seevastu meenutamine mõõdab positiivsete ennustuste täielikkust. Teisisõnu, tagasikutsumine mõõdab õigesti tuvastatud tegelike positiivsete osakaalu. Meie puhul tähendab põllukultuuripiirkondade tagasikutsumise väärtus 0.73 seda, et 73% kõigist tegelikest põllukultuuride pikslitest on õigesti tuvastatud, minimeerides valede negatiivsete arvu.
Ideaalis eelistatakse nii täpsuse kui ka meeldetuletuse kõrgeid väärtusi, kuigi see võib suuresti sõltuda juhtumiuuringu rakendamisest. Näiteks kui me uuriksime neid tulemusi põllumajandustootjate jaoks, kes soovivad kindlaks teha põllukultuuride piirkondi põllumajanduse jaoks, sooviksime eelistada suuremat tagasikutsumist kui täpsust, et minimeerida valenegatiivsete tulemuste arvu (alad, mis on määratletud kui põllukultuurideta piirkonnad, mis on tegelikult põllukultuuride piirkonnad), et maad võimalikult hästi ära kasutada. F1-skoor toimib üldise täpsuse mõõdikuna, mis ühendab nii täpsuse kui ka meeldetuletuse ning mõõdab nende kahe mõõdiku tasakaalu. Kõrge F1-skoor, nagu meil põllukultuuride piirkondade puhul (0.82), näitab head tasakaalu nii täpsuse kui ka meeldetuletuse vahel ning kõrget üldist klassifitseerimise täpsust. Kuigi F1-skoor langeb rongi- ja katseandmekogumite vahel, on see ootuspärane, kuna klassifikaatorit koolitati rongi andmekogumis. Üldine kaalutud keskmine F1 skoor 0.77 on paljulubav ja piisavalt piisav, et proovida klassifitseeritud andmete segmenteerimisskeeme.
Looge klassifikaatorist segmenteerimismask
Segmenteerimismaski loomine, kasutades katseandmestiku KNN-i klassifikaatori ennustusi, hõlmab prognoositava väljundi puhastamist, et vältida pildimürast põhjustatud väikeseid segmente. Täpilise müra eemaldamiseks kasutame OpenCV-d keskmine hägufilter. See filter säilitab põllukultuuride vahelised teepiirid paremini kui morfoloogiline avatud toiming.
Denoitiseeritud väljundile binaarse segmenteerimise rakendamiseks peame esmalt teisendama klassifitseeritud rasterandmed vektorifunktsioonideks, kasutades OpenCV-d kontuuride leidmine funktsiooni.
Lõpuks saab segmenteeritud põllukultuuride piirjoonte abil arvutada tegelikud segmenteeritud põllukultuuride piirkonnad.
KNN-i klassifikaatorist toodetud segmenteeritud põllukultuuride piirkonnad võimaldavad katseandmekogus põllukultuuride piirkondi täpselt tuvastada. Neid segmenteeritud piirkondi saab kasutada erinevatel eesmärkidel, nagu põllupiiride tuvastamine, põllukultuuride jälgimine, saagikuse hindamine ja ressursside eraldamine. Saavutatud F1 skoor 0.77 on hea ja annab tunnistust sellest, et KNN-i klassifikaator on tõhus vahend kaugseirepiltide saagi segmenteerimiseks. Neid tulemusi saab kasutada põllukultuuride segmenteerimise tehnikate edasiseks täiustamiseks ja täiustamiseks, mis võib suurendada põllukultuuride analüüsi täpsust ja tõhusust.
Järeldus
See postitus näitas, kuidas saate kombinatsiooni kasutada Planeedid kõrge kadentsiga, kõrge eraldusvõimega satelliidipildid ja SageMakeri georuumilised võimalused põllukultuuride segmenteerimise analüüsi tegemiseks, mis annab väärtuslikke teadmisi, mis võivad parandada põllumajanduse tõhusust, keskkonnasäästlikkust ja toiduga kindlustatust. Põllukultuuride piirkondade täpne tuvastamine võimaldab täiendavalt analüüsida põllukultuuride kasvu ja tootlikkust, jälgida maakasutuse muutusi ja avastada võimalikke toiduga kindlustatuse riske.
Lisaks pakub Planeti andmete ja SageMakeri kombinatsioon lisaks põllukultuuride segmenteerimisele laia valikut kasutusjuhtumeid. Teadmised võivad võimaldada andmepõhiseid otsuseid põllukultuuride majandamise, ressursside eraldamise ja poliitika planeerimise kohta ainult põllumajanduses. Erinevate andme- ja ML-mudelitega võib kombineeritud pakkumine laieneda ka teistele tööstusharudele ja kasutada juhtumeid digitaalse ümberkujundamise, jätkusuutlikkuse muutmise ja turvalisuse suunas.
SageMakeri georuumiliste võimaluste kasutamise alustamiseks vt Alustage Amazon SageMakeri georuumiliste võimalustega.
Planeti kujutiste spetsifikatsioonide ja arendaja võrdlusmaterjalide kohta lisateabe saamiseks külastage Planeedi arendajate keskus. Pythoni jaoks mõeldud Planet's SDK dokumentatsiooni leiate siit Planet SDK Pythoni jaoks. Lisateavet Planeti, sealhulgas selle olemasolevate andmetoodete ja tulevaste tooteväljaannete kohta leiate aadressilt https://www.planet.com/.
Planet Labsi PBC tulevikku suunatud avaldused
Välja arvatud siin sisalduv ajalooline teave, on selles ajaveebi postituses esitatud küsimused tulevikku suunatud avaldused 1995. aasta eraväärtpaberite kohtuvaidluste reformi seaduse "turvalise sadama" sätete tähenduses, sealhulgas, kuid mitte ainult, Planet Labs. PBC võime haarata turuvõimalusi ja realiseerida olemasolevatest või tulevastest tootetäiustustest, uutest toodetest või strateegilistest partnerlustest ja klientide koostööst saadavat potentsiaalset kasu. Tulevikku suunatud avaldused põhinevad Planet Labsi PBC juhtkonna tõekspidamistel, samuti nende tehtud eeldustel ja neile praegu kättesaadaval teabel. Kuna sellised väited põhinevad ootustel tulevaste sündmuste ja tulemuste kohta ega ole faktiväited, võivad tegelikud tulemused prognoositutest oluliselt erineda. Tegurid, mis võivad põhjustada tegelike tulemuste olulist erinemist praegustest ootustest, hõlmavad, kuid ei piirdu nendega, riskifaktorid ja muud avalikustamised Planet Labs PBC ja selle äritegevuse kohta, mis sisalduvad Planet Labs PBC perioodilistes aruannetes, volikirja avaldustes ja muudes avalikustamismaterjalides, mis on varem esitatud. Väärtpaberi- ja börsikomisjoniga (SEC), mis on saadaval veebis aadressil www.sec.govja Planet Labs PBC veebisaidil www.planet.com. Kõik tulevikku suunatud avaldused kajastavad Planet Labs PBC uskumusi ja eeldusi ainult selliste avalduste tegemise kuupäeva seisuga. Planet Labs PBC ei võta endale kohustust ajakohastada tulevikku suunatud avaldusi, et kajastada tulevasi sündmusi või asjaolusid.
Autoritest
Lydia Lihui Zhang on Planet Labsi PBC äriarenduse spetsialist, kus ta aitab ühendada ruumi maa paremaks muutmiseks erinevates sektorites ja lugematul hulgal kasutusjuhtudel. Varem oli ta andmeteadlane McKinsey ACRE-s, mis on põllumajandusele keskendunud lahendus. Tal on MIT tehnoloogiapoliitika programmi magistrikraad, keskendudes kosmosepoliitikale. Tema karjääri fookuses on olnud georuumilised andmed ja nende laiem mõju ettevõtlusele ja jätkusuutlikkusele.
Mansi šahh on tarkvarainsener, andmeteadlane ja muusik, kelle töö uurib ruume, kus põrkuvad kunstiline rangus ja tehniline uudishimu. Ta usub, et andmed (nagu kunst!) jäljendavad elu ja teda huvitavad numbrite ja nootide taga olevad sügavalt inimlikud lood.
Xiong Zhou on AWSi vanemrakendusteadlane. Ta juhib Amazon SageMakeri georuumiliste võimaluste teadusmeeskonda. Tema praegune uurimisvaldkond hõlmab arvutinägemist ja tõhusat mudelikoolitust. Vabal ajal meeldib talle joosta, korvpalli mängida ja perega aega veeta.
Janosch Woschitz on AWS-i vanemlahenduste arhitekt, kes on spetsialiseerunud georuumilisele AI/ML-ile. Üle 15-aastase kogemusega toetab ta kliente kogu maailmas tehisintellekti ja ML-i võimendamisel uuenduslike lahenduste leidmisel, mis kasutavad georuumilisi andmeid. Tema teadmised hõlmavad masinõpet, andmetehnoloogiat ja skaleeritavaid hajutatud süsteeme, millele lisandub tugev tarkvaratehnoloogia taust ja valdkonnateadmised keerulistes valdkondades, nagu autonoomne sõit.
Shital Dhakal on San Francisco lahe piirkonnas asuva SageMakeri georuumilise ML meeskonna vanem programmijuht. Tal on kaugseire ja geograafilise infosüsteemi (GIS) taust. Ta on kirglik mõistma klientide valupunkte ja ehitama georuumilisi tooteid nende lahendamiseks. Vabal ajal meeldib talle matkata, reisida ja tennist mängida.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 10
- 100
- 14
- 15 aastat
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- võime
- Võimalik
- MEIST
- kiirendama
- juurdepääs
- täpsus
- täpne
- täpselt
- saavutada
- omandatud
- aakri suurune
- üle
- tegu
- meetmete
- tegelik
- tegelikult
- kohandamine
- Kohandatud
- mõjutada
- mõjutades
- pärast
- Põllumajanduslik
- põllumajandus
- AI
- AI / ML
- Materjal: BPA ja flataatide vaba plastik
- eraldamine
- võimaldama
- Lubades
- üksi
- mööda
- Ka
- Kuigi
- Amazon
- Amazon SageMaker
- Amazon SageMaker georuumiline
- Amazon SageMaker Studio
- Amazon Web Services
- an
- analüüs
- analüüsima
- ja
- aastane
- Teine
- mistahes
- kuskil
- API-liidesed
- taotlus
- rakendused
- rakendatud
- kehtima
- arhiiv
- OLEME
- PIIRKOND
- valdkondades
- Array
- kunstiline
- AS
- küsib
- hinnata
- Hindamine
- hindamine
- eelis
- abistama
- seotud
- eeldused
- At
- suurendatud
- autonoomne
- kättesaadavus
- saadaval
- keskmine
- vältima
- ootama
- AWS
- tagasi
- tagapõhi
- Saldo
- BAND
- bändi oma
- baar
- põhineb
- alus
- korvpall
- laht
- BE
- sest
- olnud
- Algus
- taga
- on
- uskumused
- usub,
- Kasu
- Parem
- Parandamine
- vahel
- Peale
- Blogi
- sinine
- udu
- mõlemad
- põhi
- piirid
- piir
- BRIDGE
- tooma
- laiem
- ehitama
- Ehitus
- sisseehitatud
- kimbud
- äri
- ettevõtluse arendamine
- kuid
- by
- CA
- California
- CAN
- võimeid
- kapitaliseerima
- lüüa
- lööb
- Karjäär
- juhul
- juhtumiuuring
- juhtudel
- Põhjus
- põhjustatud
- kindel
- kett
- muutma
- muutunud
- Vaidluste lahendamine
- omadused
- asjaolusid
- klass
- klassid
- klassifikatsioon
- salastatud
- puhastamine
- selge
- selgelt
- CLF
- klient
- Kliima
- Kliimamuutus
- lähemale
- Cloud
- kood
- koostöö
- kogumine
- Põrkuvad
- COM
- kombinatsioon
- kombineeritud
- kombineerimine
- Tulema
- tuleb
- komisjonitasu
- ühine
- tavaliselt
- ettevõte
- suhteliselt
- võrdlema
- võrreldes
- võrdlus
- keeruline
- arvuti
- Arvuti visioon
- Läbi viima
- Võta meiega ühendust
- järjepidev
- koosneb
- sisaldub
- sisaldab
- kontekst
- pidev
- muutma
- ümber
- koordineerima
- tuum
- Parandatud
- Vastav
- võiks
- maakond
- cover
- katmine
- kattes
- looma
- loodud
- loomine
- loomine
- kriteeriumid
- põllukultuur
- põllukultuuride
- uudishimu
- Praegune
- Praegu
- klient
- Kliendid
- iga päev
- andmed
- andmeteadlane
- andmepõhistele
- andmekogumid
- kuupäev
- otsused
- sügavam
- määratlema
- määratletud
- Näidatud
- sõltuv
- juurutada
- Tuletatud
- soovitud
- hävitatud
- detail
- Detection
- määramine
- kindlaksmääratud
- arenenud
- arendaja
- Arendajad
- & Tarkvaraarendus
- kõrvalekalle
- erinevad
- erinevus
- erinev
- digitaalne
- Digitaalne Transformation
- otse
- katastroof
- avalikustamine
- avastama
- avastasin
- arutama
- kaugus
- jagatud
- hajutatud süsteemid
- jaotus
- dokumentatsioon
- Domeenid
- tuvi
- lae alla
- allalaadimine
- ajam
- sõidu
- Tilgad
- kaks
- ajal
- iga
- Ajalugu
- maa
- kergesti
- lihtne
- Tõhus
- efektiivsus
- tõhus
- tõhusalt
- jõupingutusi
- kumbki
- volitama
- võimaldama
- võimaldab
- insener
- Inseneriteadus
- Inseneride
- lisaseadmed
- piisavalt
- rikastab
- tagama
- keskkond
- keskkonna-
- Keskkonnahoiu
- keskkondades
- eriti
- hindama
- sündmus
- sündmused
- tõend
- areneb
- Uurimine
- näide
- vahetamine
- olemasolevate
- Laiendama
- ootused
- oodatav
- kogemus
- teadmised
- uurima
- uurib
- avatud
- f1
- asjaolu
- tegurid
- vale
- pere
- põllumajandustootjatele
- põllumajandus
- kiiremini
- tunnusjoon
- FUNKTSIOONID
- Veebruar
- väetis
- vähe
- väli
- Valdkonnad
- fail
- esitatud
- filtreerida
- Lõpuks
- leidma
- leidmine
- fiona
- esimene
- sobima
- FLEET
- paindlik
- üleujutus
- Keskenduma
- keskendumine
- Järel
- toit
- eest
- Edasi
- tulevikku
- Sihtasutus
- Francisco
- Alates
- funktsioon
- edasi
- tulevik
- kasumi saamine
- lõhe
- geograafiline
- Geosruumiline ML
- saama
- Andma
- antud
- Globaalne
- Ülemaailmselt
- hea
- graafika
- suuresti
- Green
- Maa
- Kasvavad
- Kasv
- külaline
- Külaline Postitus
- käsi
- juhtuda
- Juhtub
- Olema
- võttes
- he
- Tervis
- aitama
- kasulik
- aitab
- siin
- siin
- siin
- Suur
- Kõrgsagedus
- kõrgresolutsiooniga
- rohkem
- Esiletõstetud
- tema
- ajalooline
- omab
- Kuidas
- Kuidas
- aga
- HTML
- http
- HTTPS
- inim-
- i
- ID
- Identifitseerimine
- tuvastatud
- identifitseerib
- identifitseerima
- identifitseerimiseks
- if
- pilt
- pildid
- tohutu
- mõju
- oluline
- parandama
- parandab
- Paranemist
- in
- Teistes
- sisaldama
- lisatud
- hõlmab
- Kaasa arvatud
- lisada
- valesti
- kasvanud
- kasvav
- tõepoolest
- indeks
- näitama
- näitab
- tööstusharudes
- tööstus
- info
- uuenduslik
- sisend
- sisendite
- teadmisi
- inspireeritud
- paigaldama
- paigaldatud
- interaktiivne
- huvi
- huvitatud
- huvitav
- Interface
- sisse
- uurimine
- IT
- ITS
- Jennifer
- jpg
- juuni
- hoidma
- Komplekt (SDK)
- teadmised
- Kyle
- Labs
- maa
- suur
- suuremahuline
- suurelt jaolt
- Hilja
- algatama
- käivitatud
- viima
- juhtivate
- Leads
- Õppida
- õppimine
- lahkus
- võimendav
- raamatukogud
- elu
- nagu
- piiratud
- joon
- nimekiri
- kohtuasi
- asub
- Vaata
- otsin
- masin
- masinõpe
- Makro
- tehtud
- peamiselt
- tegema
- Tegemine
- juhtima
- juhtimine
- juht
- palju
- kaart
- märgitud
- Turg
- mask
- meister
- sobitamine
- materiaalselt
- materjalid
- Oluline
- maksimaalne
- mai..
- McKinsey
- tähendus
- vahendid
- mõõtma
- meetmed
- mõõtmine
- Metaandmed
- meetod
- meetodid
- meetriline
- Meetrika
- minimeerimine
- MIT
- leevendav
- ML
- mudel
- mudelid
- Jälgida
- järelevalve
- rohkem
- kõige
- enamasti
- palju
- mitmekordne
- Muusik
- peab
- hulgaliselt
- Natural
- Vajadus
- vaja
- vajadustele
- negatiivid
- naabrid
- Uus
- uute toodete
- ei
- müra
- märkmik
- märkused
- number
- numbrid
- arvukad
- objektiivselt
- kohustus
- jälgima
- saama
- oktoober
- of
- pakkumine
- Pakkumised
- sageli
- on
- Internetis
- ainult
- avatud
- OpenCV
- töö
- Võimalus
- optimeerima
- or
- et
- tellimuste
- organisatsioonid
- algselt
- Muu
- meie
- kandma
- piirjooned
- väljund
- üle
- üldine
- enda
- Valu
- parameeter
- parameetrid
- eriline
- eriti
- Partnerlus
- partnerluste
- kirglik
- mustrid
- täitma
- jõudlus
- teostatud
- perioodiline
- füüsiline
- valima
- piksel
- planeet
- planeerimine
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängimine
- võrra
- poliitika
- positiivne
- võimalik
- post
- potentsiaal
- potentsiaalselt
- võim
- võimas
- tavad
- vajadus
- Täpsus
- ennustada
- ennustada
- prognoosimine
- Ennustused
- eelistatud
- Valmistama
- valmis
- esitada
- kingitusi
- Eelvaade
- varem
- eelkõige
- esmane
- Eelnev
- Prioriteet
- era-
- Probleem
- protsess
- Töödeldud
- töötlemine
- Toodetud
- Toode
- tootlikkus
- Toodet
- sügavalt
- Programm
- Prognooside
- paljutõotav
- osa
- anda
- tingimusel
- annab
- volikiri
- avalikult
- pulss
- eesmärkidel
- Python
- kvantitatiivne
- Kiire
- kiiresti
- valik
- mõistma
- Red
- vähendamine
- filtreeri
- kajastama
- reform
- piirkond
- piirkondades
- Pressiteated
- asjakohane
- reljeef
- kauge
- kõrvaldama
- Aruandlus
- Aruanded
- esindaja
- taotleda
- teadustöö
- ressurss
- Vahendid
- kaasa
- Tulemused
- tagasipöördumine
- avalduma
- Ilmutab
- Rikas
- õige
- Oht
- riskitegurid
- riskide
- Jõgi
- tee
- jooks
- jooksmine
- Sacramento
- salveitegija
- sama
- San
- San Francisco
- satelliit
- satelliidid
- skaalautuvia
- stseen
- stseenide
- skeemid
- teadus
- teadlane
- teadlased
- skikit õppima
- skoor
- SDK
- Otsing
- hooaeg
- SEC
- Sektorid
- Väärtpaberite
- Securities and Exchange Commission
- turvalisus
- turvariskid
- vaata
- segmentatsioon
- segmendid
- väljavalitud
- valik
- vanem
- eri
- teenib
- Teenused
- komplekt
- Komplektid
- lahendama
- mitu
- ta
- näitama
- näidatud
- sarnane
- lihtne
- alates
- ühekordne
- SUURUS
- väike
- tarkvara
- tarkvaraarenduse
- tarkvara arenduskomplekt
- Tarkvara insener
- tarkvaraarendus
- muld
- lahendus
- Lahendused
- LAHENDAGE
- mõned
- allikas
- Allikad
- Ruum
- tühikud
- ulatub
- ruumiline
- Räägib
- spetsialist
- spetsialiseerunud
- täpsustus
- spetsifikatsioonid
- Spektraalne
- Kulutused
- huvirühmad
- huvirühmad
- algus
- alustatud
- riik
- avaldused
- olek
- Samm
- Lood
- Strateegiline
- Strateegilised partnerlused
- strateegiad
- stress
- tugev
- stuudio
- Uuring
- tellima
- edukas
- Edukalt
- selline
- toetama
- Toetab
- Pind
- Uuring
- Jätkusuutlikkus
- jätkusuutlik
- süsteem
- süsteemid
- Võtma
- võtnud
- võtmine
- meeskond
- Tehniline
- tehnikat
- Tehnoloogia
- test
- testament
- Testimine
- kui
- et
- .
- Piirkond
- Riik
- maailm
- oma
- Neile
- SIIS
- Seal.
- seetõttu
- Need
- nad
- asjad
- see
- need
- Läbi
- aeg
- korda
- et
- tööriist
- töövahendid
- ülemine
- suunas
- jälgida
- Rong
- koolitatud
- koolitus
- Muutma
- Transformation
- ümber
- Reisimine
- Puud
- Trends
- tõsi
- Tõde
- püüdma
- kaks
- tüüp
- aluseks
- mõistmine
- kohustub
- avamine
- kuni
- tulemas
- Värskendused
- us
- kasutama
- Kasutatud
- Kasutajad
- kasutusalad
- kasutamine
- tavaliselt
- kasutatud
- väärtuslik
- väärtus
- Väärtused
- eri
- suur
- väga
- kaudu
- nägemus
- visiit
- visualiseerimine
- visuaalselt
- maht
- Haavatav
- ootama
- tahan
- oli
- Jäätmed
- Vesi
- we
- web
- veebiteenused
- veebisait
- Hästi
- olid
- samas kui
- kas
- mis
- kuigi
- WHO
- kelle
- lai
- Lai valik
- koos
- jooksul
- ilma
- sõnad
- Töö
- töövoog
- Töövoogud
- töö
- maailm
- oleks
- kirjalik
- X
- aasta
- aastat
- saak
- sa
- sephyrnet
- zoom