این پست مهمان توسط لیدیا لیهوی ژانگ، متخصص توسعه کسب و کار، و مانسی شاه، مهندس نرم افزار/دانشمند داده، در آزمایشگاه Planet نوشته شده است. این تحلیلی که الهام بخش این پست بود در اصل توسط جنیفر ریبر کایل نوشته شده است.
قابلیت های جغرافیایی Amazon SageMaker همراه با سیارهدادههای ماهوارهای را میتوان برای تقسیمبندی محصولات مورد استفاده قرار داد، و کاربردهای متعدد و مزایای بالقوه این تجزیه و تحلیل در زمینههای کشاورزی و پایداری وجود دارد. در اواخر سال 2023، سیاره مشارکت را اعلام کرد با AWS تا داده های مکانی خود را از طریق در دسترس قرار دهد آمازون SageMaker.
تقسیمبندی محصول فرآیند تقسیم یک تصویر ماهوارهای به مناطقی از پیکسلها یا بخشهایی است که ویژگیهای محصول مشابهی دارند. در این پست، نحوه استفاده از مدل یادگیری ماشینی تقسیم بندی (ML) برای شناسایی مناطق برش و غیر برش در یک تصویر را نشان می دهیم.
شناسایی مناطق زراعی گامی اساسی در جهت دستیابی به بینش کشاورزی است و ترکیب دادههای غنی مکانی و ML میتواند به بینشهایی منجر شود که تصمیمگیریها و اقدامات را هدایت میکنند. مثلا:
- اتخاذ تصمیمات کشاورزی مبتنی بر داده - با به دست آوردن درک فضایی بهتر از محصولات، کشاورزان و سایر ذینفعان کشاورزی می توانند استفاده از منابع را از آب گرفته تا کود و سایر مواد شیمیایی در طول فصل بهینه کنند. این پایه و اساس را برای کاهش ضایعات، بهبود شیوه های کشاورزی پایدار در هر کجا که ممکن است، و افزایش بهره وری و در عین حال به حداقل رساندن اثرات زیست محیطی ایجاد می کند.
- شناسایی تنش ها و روندهای مرتبط با اقلیم - از آنجایی که تغییرات اقلیمی همچنان بر روی دمای جهانی و الگوهای بارندگی تأثیر میگذارد، میتوان از تقسیمبندی محصولات برای شناسایی مناطقی استفاده کرد که در برابر استرسهای مرتبط با آب و هوا برای استراتژیهای سازگاری با آب و هوا آسیبپذیر هستند. به عنوان مثال، آرشیو تصاویر ماهواره ای را می توان برای ردیابی تغییرات در یک منطقه در حال رشد محصول در طول زمان استفاده کرد. اینها می تواند تغییرات فیزیکی در اندازه و توزیع زمین های زراعی باشد. آنها همچنین می توانند تغییرات در رطوبت خاک، دمای خاک و زیست توده، به دست آمده از شاخص طیفی مختلف داده های ماهواره ای، برای تجزیه و تحلیل عمیق تر سلامت محصول باشند.
- ارزیابی و کاهش خسارت – در نهایت، تقسیمبندی محصول میتواند برای شناسایی سریع و دقیق مناطق آسیبدیده به محصول در صورت وقوع بلایای طبیعی مورد استفاده قرار گیرد، که میتواند به اولویتبندی تلاشهای امدادی کمک کند. به عنوان مثال، پس از وقوع سیل، میتوان از تصاویر ماهوارهای با سرعت بالا برای شناسایی مناطقی که محصولات زیر آب یا نابود شدهاند استفاده کرد و به سازمانهای امدادی اجازه میدهد سریعتر به کشاورزان آسیبدیده کمک کنند.
در این تحلیل، ما از مدل K-نزدیکترین همسایه (KNN) برای انجام بخشبندی محصول استفاده میکنیم و این نتایج را با تصاویر حقیقت زمین در یک منطقه کشاورزی مقایسه میکنیم. نتایج ما نشان میدهد که طبقهبندی مدل KNN نسبت به دادههای طبقهبندی حقیقت زمینی از سال ۲۰۱۵ با دقت بیشتری نشاندهنده وضعیت مزرعه کشت فعلی در سال ۲۰۱۷ است. مزارع کشاورزی اغلب، گاهی چندین بار در فصل تغییر میکنند، و داشتن تصاویر ماهوارهای با فرکانس بالا برای مشاهده و تجزیه و تحلیل این زمین میتواند ارزش بسیار زیادی برای درک ما از زمینهای کشاورزی و محیطهایی که به سرعت در حال تغییر هستند فراهم کند.
همکاری Planet و AWS در زمینه ML geospatial
قابلیت های جغرافیایی SageMaker به دانشمندان داده و مهندسان ML برای ساخت، آموزش و استقرار مدلها با استفاده از دادههای مکانی قدرت میدهد. قابلیتهای جغرافیایی SageMaker به شما این امکان را میدهد که مجموعه دادههای مکانی در مقیاس بزرگ را تبدیل یا غنیسازی کنید، ساخت مدل را با مدلهای ML از پیش آموزشدیده تسریع کنید، و پیشبینیهای مدل و دادههای مکانی را بر روی یک نقشه تعاملی با استفاده از گرافیکهای شتابداده سهبعدی و ابزارهای تجسم داخلی بررسی کنید. با قابلیتهای جغرافیایی SageMaker، میتوانید مجموعه دادههای بزرگی از تصاویر ماهوارهای و سایر دادههای مکانی را برای ایجاد مدلهای ML دقیق برای کاربردهای مختلف، از جمله تقسیمبندی محصول، پردازش کنید که در این پست به آنها میپردازیم.
Planet Labs PBC یک شرکت پیشرو در زمینه تصویربرداری از زمین است که از ناوگان بزرگ ماهواره های خود برای گرفتن تصاویر از سطح زمین به صورت روزانه استفاده می کند. بنابراین، دادههای سیاره منبع ارزشمندی برای ML جغرافیایی است. از تصاویر ماهوارهای با وضوح بالا میتوان برای شناسایی ویژگیهای مختلف محصولات و سلامت آنها در طول زمان، در هر نقطه از زمین استفاده کرد.
مشارکت بین Planet و SageMaker به مشتریان این امکان را میدهد تا با استفاده از ابزار قدرتمند ML AWS به راحتی به دادههای ماهوارهای با فرکانس بالا دسترسی داشته باشند و آنها را تجزیه و تحلیل کنند. دانشمندان داده میتوانند دادههای خود را بیاورند یا به راحتی دادههای Planet را پیدا کرده و بدون تغییر محیطها مشترک شوند.
تقسیمبندی برش در نوتبوک Amazon SageMaker Studio با یک تصویر جغرافیایی
در این مثال گردش کار ML geospatial، ما به نحوه آوردن دادههای Planet به همراه منبع داده حقیقت زمینی به SageMaker و نحوه آموزش، استنتاج و استقرار یک مدل تقسیمبندی محصول با طبقهبندی کننده KNN نگاه میکنیم. در نهایت، ما دقت نتایج خود را ارزیابی می کنیم و آن را با طبقه بندی حقیقت زمینی خود مقایسه می کنیم.
طبقه بندی کننده KNN مورد استفاده در یک آموزش دیده بود نوت بوک Amazon SageMaker Studio با فضای مکانی تصویر، و یک هسته نوت بوک انعطاف پذیر و قابل گسترش برای کار با داده های مکانی فراهم می کند.
La Amazon SageMaker Studio نوت بوک با تصویر مکانی از پیش نصب شده با کتابخانه های مکانی رایج مانند GDAL، Fiona، GeoPandas، Shapely و Rasterio ارائه می شود که امکان تجسم و پردازش داده های مکانی را مستقیماً در محیط نوت بوک پایتون فراهم می کند. کتابخانههای رایج ML مانند OpenCV یا scikit-learn نیز برای انجام بخشبندی محصول با استفاده از طبقهبندی KNN استفاده میشوند و اینها نیز در هسته جغرافیایی نصب میشوند.
انتخاب داده ها
مزرعه کشاورزی که ما روی آن زوم می کنیم، در ناحیه معمولاً آفتابی ساکرامنتو در کالیفرنیا واقع شده است.
چرا ساکرامنتو؟ انتخاب منطقه و زمان برای این نوع مشکل در درجه اول با در دسترس بودن داده های حقیقت زمینی تعریف می شود و چنین داده هایی در نوع محصول و داده های مرزی به راحتی به دست نمی آیند. را مجموعه داده های بررسی DWR استفاده از زمین شهرستان ساکرامنتو در سال 2015 یک مجموعه داده در دسترس عموم است که شهرستان ساکرامنتو را در آن سال پوشش میدهد و مرزهای دستی تنظیم شده را ارائه میکند.
تصاویر ماهواره ای اولیه ای که ما استفاده می کنیم، 4 باند سیاره است محصول PSSceneکه حاوی نوارهای آبی، سبز، قرمز، و نزدیک به IR است و از نظر رادیومتری به تشعشعات در حسگر تصحیح شده است. ضرایب برای تصحیح بازتاب حسگر در فراداده صحنه ارائه شده است که سازگاری بین تصاویر گرفته شده در زمان های مختلف را بیشتر بهبود می بخشد.
ماهوارههای Planet's Dove که این تصاویر را تولید کردند، در 14 فوریه 2017 به فضا پرتاب شدند.انتشار اخباربنابراین، آنها از شهرستان ساکرامنتو در سال 2015 تصویری نداشتند. در این مثال، ما به شکاف ناقص 2 ساله بین داده های حقیقت زمینی و تصاویر ماهواره ای رضایت می دهیم. با این حال، تصاویر با وضوح پایین لندست 8 می توانست به عنوان پل بین سال های 2015 و 2017 مورد استفاده قرار گیرد.
دسترسی به داده های سیاره
برای کمک به کاربران برای دریافت سریعتر داده های دقیق و عملی، Planet همچنین کیت توسعه نرم افزار Planet (SDK) را برای پایتون توسعه داده است. این یک ابزار قدرتمند برای دانشمندان داده و توسعه دهندگانی است که می خواهند با تصاویر ماهواره ای و سایر داده های مکانی کار کنند. با استفاده از این SDK، میتوانید مجموعه عظیمی از تصاویر ماهوارهای با وضوح بالا و همچنین دادههای منابع دیگر مانند OpenStreetMap را جستجو کرده و به آن دسترسی داشته باشید. SDK یک کلاینت پایتون برای APIهای Planet و همچنین یک راهحل رابط خط فرمان بدون کد (CLI) ارائه میکند که ترکیب تصاویر ماهوارهای و دادههای مکانی را در گردشهای کاری پایتون آسان میکند. این مثال از مشتری پایتون برای شناسایی و دانلود تصاویر مورد نیاز برای تجزیه و تحلیل استفاده می کند.
با استفاده از یک دستور ساده می توانید کلاینت Planet Python را در نوت بوک SageMaker Studio با تصویر جغرافیایی نصب کنید:
میتوانید از مشتری برای درخواست تصاویر ماهوارهای مرتبط و بازیابی فهرستی از نتایج موجود بر اساس منطقه مورد علاقه، محدوده زمانی و سایر معیارهای جستجو استفاده کنید. در مثال زیر با پرسیدن تعداد شروع می کنیم صحنه های PlanetScope (تصاویر روزانه سیاره) همان منطقه مورد علاقه (AOI) را پوشش می دهد که قبلاً از طریق داده های زمینی در ساکرامنتو تعریف کرده بودیم، با توجه به محدوده زمانی مشخصی بین 1 ژوئن و 1 اکتبر 2017. و همچنین محدوده مطلوب حداکثر پوشش ابری 10٪:
نتایج بازگشتی نشان میدهد که تعداد صحنههای منطبق با منطقه مورد علاقه ما همپوشانی دارند. همچنین حاوی ابرداده هر صحنه، شناسه تصویر آن و یک مرجع تصویر پیشنمایش است.
پس از انتخاب یک صحنه خاص، با مشخصات روی شناسه صحنه، نوع مورد و بستههای محصول (مستندات مرجعبرای دانلود تصویر و ابرداده آن می توانید از کد زیر استفاده کنید:
این کد تصویر ماهواره ای مربوطه را در دانلود می کند سیستم فایل الاستیک آمازون حجم (Amazon EFS) برای SageMaker Studio.
آموزش مدل
پس از دانلود داده ها با مشتری Planet Python، مدل تقسیم بندی را می توان آموزش داد. در این مثال، ترکیبی از تکنیکهای طبقهبندی KNN و تقسیمبندی تصویر برای شناسایی ناحیه برش و ایجاد ویژگیهای جغرافیایی مرجع جغرافیایی استفاده میشود.
دادههای Planet با استفاده از کتابخانهها و ابزارهای مکانی داخلی در SageMaker بارگیری و پیش پردازش میشوند تا برای آموزش طبقهبندی کننده KNN آماده شوند. دادههای حقیقت زمینی برای آموزش، مجموعه داده بررسی DWR استفاده از زمین شهرستان ساکرامنتو از سال 2015 است، و دادههای Planet از سال 2017 برای آزمایش مدل استفاده میشود.
ویژگی های حقیقت زمین را به خطوط تبدیل کنید
برای آموزش طبقهبندیکننده KNN، کلاس هر پیکسل بهعنوان یکی از این دو مورد است crop
or non-crop
نیاز به شناسایی دارد. کلاس بر اساس اینکه آیا پیکسل با یک ویژگی برش در داده های حقیقت زمین مرتبط است یا خیر تعیین می شود. برای انجام این تعیین، ابتدا داده های حقیقت زمینی به خطوط OpenCV تبدیل می شوند که سپس برای جداسازی استفاده می شوند. crop
از جانب non-crop
پیکسل ها سپس مقادیر پیکسل و طبقه بندی آنها برای آموزش طبقه بندی کننده KNN استفاده می شود.
برای تبدیل ویژگی های حقیقت زمین به خطوط، ابتدا باید ویژگی ها به سیستم مرجع مختصات تصویر نمایش داده شوند. سپس، ویژگی ها به فضای تصویر تبدیل می شوند و در نهایت به کانتور تبدیل می شوند. برای اطمینان از دقت خطوط، همانطور که در مثال زیر نشان داده شده است، روی تصویر ورودی روی هم قرار می گیرند.
برای آموزش طبقهبندیکننده KNN، پیکسلهای برش و غیر برش با استفاده از خطوط ویژگی برش به عنوان یک ماسک از هم جدا میشوند.
ورودی طبقهبندیکننده KNN از دو مجموعه داده تشکیل شده است: X، یک آرایه دو بعدی که ویژگیهایی را برای طبقهبندی فراهم میکند. و y، یک آرایه 2d که کلاس ها را فراهم می کند (مثال). در اینجا، یک باند طبقه بندی شده از مجموعه داده های غیر برش و برش ایجاد می شود، جایی که مقادیر باند کلاس پیکسل را نشان می دهد. سپس باند و مقادیر باند پیکسل تصویر زیرین به ورودیهای X و y برای تابع مناسب طبقهبندی کننده تبدیل میشوند.
طبقه بندی کننده را بر روی پیکسل های برش و غیر برش آموزش دهید
طبقه بندی KNN با Sikit-Learn KNeighborsClassifier. تعداد همسایگان، پارامتری که به شدت بر عملکرد تخمینگر تأثیر میگذارد، با استفاده از اعتبارسنجی متقاطع در اعتبارسنجی متقاطع KNN تنظیم میشود. سپس طبقه بندی کننده با استفاده از مجموعه داده های آماده شده و تعداد تنظیم شده پارامترهای همسایه آموزش داده می شود. کد زیر را ببینید:
برای ارزیابی عملکرد طبقهبندی کننده بر روی دادههای ورودی آن، کلاس پیکسل با استفاده از مقادیر باند پیکسل پیشبینی میشود. عملکرد طبقهبندیکننده عمدتاً بر اساس دقت دادههای آموزشی و جداسازی واضح طبقات پیکسل بر اساس دادههای ورودی (مقادیر باند پیکسل) است. پارامترهای طبقهبندیکننده، مانند تعداد همسایگان و تابع وزندهی فاصله، میتوانند برای جبران هرگونه نادرستی در مورد دوم تنظیم شوند. کد زیر را ببینید:
پیش بینی های مدل را ارزیابی کنید
طبقهبندیکننده KNN آموزشدیده برای پیشبینی مناطق محصول در دادههای آزمایشی استفاده میشود. این داده های آزمون شامل مناطقی است که در طول آموزش در معرض مدل قرار نگرفته اند. به عبارت دیگر، مدل قبل از تجزیه و تحلیل خود هیچ شناختی از منطقه ندارد و بنابراین می توان از این داده ها برای ارزیابی عینی عملکرد مدل استفاده کرد. ما با بازرسی بصری چندین منطقه شروع می کنیم، و با منطقه ای شروع می کنیم که نسبتاً پر سر و صداتر است.
بازرسی بصری نشان میدهد که کلاسهای پیشبینیشده عمدتاً با کلاسهای حقیقت زمین سازگار هستند. چند منطقه انحراف وجود دارد که ما بیشتر آنها را بررسی می کنیم.
پس از بررسی بیشتر، متوجه شدیم که برخی از نویزهای موجود در این منطقه به دلیل داده های حقیقت زمینی است که جزئیات موجود در تصویر طبقه بندی شده را ندارند (بالا سمت راست در مقایسه با بالا سمت چپ و پایین سمت چپ). یک یافته به خصوص جالب این است که طبقه بندی کننده درختان کنار رودخانه را به عنوان شناسایی می کند non-crop
، در حالی که داده های حقیقت زمینی به اشتباه آنها را به عنوان شناسایی می کند crop
. این تفاوت بین این دو بخش ممکن است به دلیل سایه درختان منطقه بر روی محصولات باشد.
به دنبال این، منطقه دیگری را که بین دو روش متفاوت طبقه بندی شده بود، بررسی می کنیم. این مناطق برجسته قبلاً در سال 2015 در داده های حقیقت زمینی (بالا سمت راست) به عنوان مناطق غیر زراعی علامت گذاری شده بودند اما در سال 2017 از طریق صحنه های Planetscope (بالا سمت چپ و پایین سمت چپ) تغییر کردند و به وضوح به عنوان زمین زراعی نشان داده شدند. آنها همچنین از طریق طبقه بندی کننده (پایین سمت راست) عمدتاً به عنوان زمین های زراعی طبقه بندی شدند.
مجدداً، می بینیم که طبقه بندی کننده KNN نتیجه دانه ای تری نسبت به کلاس حقیقت زمینی ارائه می دهد، و همچنین با موفقیت تغییراتی را که در زمین زراعی اتفاق می افتد ثبت می کند. این مثال همچنین از ارزش دادههای ماهوارهای بهروز شده روزانه سخن میگوید، زیرا جهان اغلب سریعتر از گزارشهای سالانه تغییر میکند، و یک روش ترکیبی با ML مانند این میتواند به ما کمک کند تا تغییرات را هنگام وقوع پیدا کنیم. توانایی نظارت و کشف چنین تغییراتی از طریق دادههای ماهوارهای، بهویژه در زمینههای کشاورزی در حال تکامل، بینشهای مفیدی را در اختیار کشاورزان قرار میدهد تا کار خود را بهینه کنند و هر ذینفع کشاورزی در زنجیره ارزش به نبض بهتری از فصل دست یابد.
ارزیابی مدل
مقایسه بصری تصاویر طبقات پیشبینیشده با طبقات حقیقت زمینی میتواند ذهنی باشد و برای ارزیابی دقت نتایج طبقهبندی قابل تعمیم نیست. برای به دست آوردن یک ارزیابی کمی، ما معیارهای طبقه بندی را با استفاده از scikit-learn به دست می آوریم classification_report
عملکرد:
طبقهبندی پیکسلها برای ایجاد یک ماسک تقسیمبندی از مناطق برش استفاده میشود که هم دقت و هم معیارهای مهم را به خاطر میآورد و امتیاز F1 معیار کلی خوبی برای پیشبینی دقت است. نتایج ما معیارهایی را برای مناطق زراعی و غیر زراعی در مجموعه دادههای قطار و آزمایش به ما میدهد. با این حال، برای ساده نگه داشتن کارها، بیایید نگاهی دقیق تر به این معیارها در زمینه مناطق برش در مجموعه داده آزمایشی بیندازیم.
دقت معیاری است برای اینکه پیشبینیهای مثبت مدل ما چقدر دقیق هستند. در این مورد، دقت 0.94 برای مناطق زراعی نشان میدهد که مدل ما در شناسایی صحیح مناطقی که در واقع مناطق زراعی هستند بسیار موفق است، جایی که نقاط مثبت کاذب (مناطق غیر زراعی واقعی که بهدرستی به عنوان مناطق زراعی شناسایی شدهاند) به حداقل میرسد. از سوی دیگر، به یاد آورید، کامل بودن پیش بینی های مثبت را می سنجد. به عبارت دیگر، یادآوری نسبت نکات مثبت واقعی را که به درستی شناسایی شده اند، اندازه گیری می کند. در مورد ما، مقدار فراخوان 0.73 برای مناطق برش به این معنی است که 73٪ از تمام پیکسل های منطقه برش واقعی به درستی شناسایی شده اند و تعداد منفی های کاذب را به حداقل می رساند.
در حالت ایده آل، مقادیر بالای دقت و یادآوری ترجیح داده می شوند، اگرچه این می تواند تا حد زیادی به کاربرد مطالعه موردی وابسته باشد. به عنوان مثال، اگر ما این نتایج را برای کشاورزانی که به دنبال شناسایی مناطق زراعی برای کشاورزی هستند بررسی میکنیم، میخواهیم به یادآوری بالاتر از دقت ترجیح دهیم تا تعداد منفیهای کاذب را به حداقل برسانیم (مناطق شناسایی شده به عنوان مناطق غیر زراعی که در واقع مناطق زراعی هستند) تا بیشترین استفاده را از زمین ببرند. امتیاز F1 به عنوان یک متریک دقت کلی عمل می کند که هم دقت و هم یادآوری را ترکیب می کند و تعادل بین این دو معیار را اندازه گیری می کند. یک امتیاز F1 بالا، مانند امتیاز ما برای مناطق زراعی (0.82)، تعادل خوبی بین دقت و یادآوری و دقت طبقهبندی کلی بالا را نشان میدهد. اگرچه امتیاز F1 بین مجموعه دادههای قطار و آزمایش کاهش مییابد، اما این انتظار میرود زیرا طبقهبندی کننده بر روی مجموعه داده قطار آموزش داده شده است. میانگین وزنی کلی امتیاز F1 0.77 امیدوارکننده و به اندازه کافی برای امتحان طرح های تقسیم بندی بر روی داده های طبقه بندی شده کافی است.
یک ماسک تقسیم بندی از طبقه بندی کننده ایجاد کنید
ایجاد یک ماسک تقسیمبندی با استفاده از پیشبینیهای طبقهبندیکننده KNN در مجموعه داده آزمایشی، شامل تمیز کردن خروجی پیشبینیشده برای جلوگیری از قطعات کوچک ناشی از نویز تصویر است. برای حذف نویز لکه ای، از OpenCV استفاده می کنیم فیلتر تاری میانه. این فیلتر خطوط جاده بین محصولات را بهتر از عملیات باز مورفولوژیکی حفظ می کند.
برای اعمال تقسیمبندی باینری در خروجی حذفشده، ابتدا باید دادههای شطرنجی طبقهبندیشده را با استفاده از OpenCV به ویژگیهای برداری تبدیل کنیم. FindContours تابع.
در نهایت، مناطق واقعی محصول تقسیمبندی شده را میتوان با استفاده از خطوط کلی محصول تقسیمبندی شده محاسبه کرد.
مناطق محصول تقسیمبندی شده تولید شده از طبقهبندی کننده KNN امکان شناسایی دقیق مناطق محصول را در مجموعه داده آزمایشی فراهم میکند. این مناطق تقسیمبندی شده میتوانند برای اهداف مختلفی مانند شناسایی مرز مزرعه، نظارت بر محصول، تخمین عملکرد و تخصیص منابع استفاده شوند. امتیاز F1 به دست آمده 0.77 خوب است و شواهدی را ارائه می دهد که طبقه بندی کننده KNN یک ابزار موثر برای تقسیم بندی محصول در تصاویر سنجش از دور است. این نتایج را می توان برای بهبود بیشتر و اصلاح تکنیک های تقسیم بندی محصول مورد استفاده قرار داد که به طور بالقوه منجر به افزایش دقت و کارایی در تجزیه و تحلیل محصول می شود.
نتیجه
این پست نشان داد که چگونه می توانید از ترکیب استفاده کنید سیاره سرعت بالا، تصاویر ماهواره ای با وضوح بالا و قابلیت های جغرافیایی SageMaker برای انجام تجزیه و تحلیل بخشبندی محصول، باز کردن بینشهای ارزشمندی که میتواند کارایی کشاورزی، پایداری زیستمحیطی و امنیت غذایی را بهبود بخشد. شناسایی دقیق مناطق زراعی، تجزیه و تحلیل بیشتر در مورد رشد و بهره وری محصول، نظارت بر تغییرات کاربری اراضی، و تشخیص خطرات بالقوه امنیت غذایی را ممکن می سازد.
علاوه بر این، ترکیب داده های Planet و SageMaker طیف گسترده ای از موارد استفاده را فراتر از تقسیم بندی محصول ارائه می دهد. بینشها میتوانند تصمیمات مبتنی بر دادهها را در مورد مدیریت محصول، تخصیص منابع و برنامهریزی سیاست در کشاورزی به تنهایی امکانپذیر کنند. با دادههای مختلف و مدلهای ML، پیشنهاد ترکیبی میتواند به سایر صنایع نیز گسترش یابد و از مواردی برای تحول دیجیتال، تحول پایداری و امنیت استفاده کند.
برای شروع استفاده از قابلیتهای جغرافیایی SageMaker، نگاه کنید با قابلیتهای جغرافیایی Amazon SageMaker شروع کنید.
برای کسب اطلاعات بیشتر در مورد مشخصات تصاویر Planet و مواد مرجع توسعهدهنده، مراجعه کنید مرکز توسعهدهنده سیاره. برای مستندات مربوط به Planet's SDK برای پایتون، نگاه کنید Planet SDK برای پایتون. برای کسب اطلاعات بیشتر در مورد Planet، از جمله محصولات داده موجود آن و نسخههای محصول آتی، مراجعه کنید https://www.planet.com/.
بیانیه های آینده نگر PBC Labs Planet Labs
به جز اطلاعات تاریخی موجود در اینجا، مواردی که در این پست وبلاگ آمده است، اظهارات آینده نگر به معنای مفاد "بندر امن" قانون اصلاحات دعوی حقوقی اوراق بهادار خصوصی در سال 1995، شامل، اما نه محدود به، آزمایشگاه Planet است. توانایی PBC برای به دست آوردن فرصت های بازار و درک هر یک از مزایای بالقوه از پیشرفت های محصول فعلی یا آتی، محصولات جدید، یا مشارکت های استراتژیک و همکاری های مشتری. اظهارات آینده نگر بر اساس باورهای مدیریت Planet Labs PBC و همچنین مفروضات ساخته شده توسط و اطلاعاتی است که در حال حاضر در دسترس آنها است. از آنجایی که چنین اظهاراتی مبتنی بر انتظارات مربوط به رویدادها و نتایج آتی است و اظهارات واقعی نیستند، نتایج واقعی ممکن است از نظر مادی با نتایج پیش بینی شده متفاوت باشد. عواملی که ممکن است باعث شود نتایج واقعی با انتظارات فعلی تفاوت اساسی داشته باشد، شامل عوامل خطر و سایر افشاگریهای مربوط به Planet Labs PBC و کسب و کار آن است که در گزارشهای دورهای Planet Labs PBC، بیانیههای پروکسی، و سایر مواد افشایی که از آن زمان ثبت شدهاند، محدود نمیشوند. با کمیسیون بورس و اوراق بهادار (SEC) که به صورت آنلاین در دسترس هستند www.sec.gov، و در وب سایت Planet Labs PBC به آدرس www.planet.com. تمام اظهارات آینده نگر منعکس کننده اعتقادات و مفروضات Planet Labs PBC فقط از تاریخ بیان چنین اظهاراتی است. Planet Labs PBC هیچ تعهدی برای به روز رسانی اظهارات آینده نگر برای انعکاس رویدادها یا شرایط آینده ندارد.
درباره نویسندگان
لیدیا لیهوی ژانگ متخصص توسعه کسب و کار در Planet Labs PBC است، جایی که او به اتصال فضا برای بهبود زمین در بخش های مختلف و تعداد بی شماری از موارد استفاده کمک می کند. پیش از این، او یک دانشمند داده در McKinsey ACRE، یک راه حل متمرکز بر کشاورزی بود. او دارای مدرک کارشناسی ارشد علوم از برنامه سیاست فناوری MIT، با تمرکز بر سیاست فضایی است. داده های جغرافیایی و تأثیر گسترده تر آن بر تجارت و پایداری تمرکز شغلی او بوده است.
منسی شاه یک مهندس نرم افزار، دانشمند داده و موسیقیدان است که کارش به بررسی فضاهایی می پردازد که در آن دقت هنری و کنجکاوی فنی با هم برخورد می کنند. او معتقد است داده ها (مانند هنر!) از زندگی تقلید می کنند و به داستان های عمیقاً انسانی در پشت اعداد و یادداشت ها علاقه مند است.
شیونگ ژو دانشمند ارشد کاربردی در AWS است. او تیم علمی قابلیتهای جغرافیایی Amazon SageMaker را رهبری میکند. حوزه تحقیقاتی فعلی او شامل بینایی کامپیوتر و آموزش مدل کارآمد است. در اوقات فراغت از دویدن، بازی بسکتبال و گذراندن وقت با خانواده لذت می برد.
یانوش ووشیتز یک معمار ارشد راه حل در AWS، متخصص در AI/ML جغرافیایی است. او با بیش از 15 سال تجربه، از مشتریان در سطح جهانی در استفاده از هوش مصنوعی و ML برای راهحلهای نوآورانه که از دادههای جغرافیایی سرمایهگذاری میکنند، پشتیبانی میکند. تخصص او شامل یادگیری ماشین، مهندسی داده، و سیستمهای توزیعشده مقیاسپذیر میشود که با پیشینه قوی در مهندسی نرمافزار و تخصص صنعت در حوزههای پیچیدهای مانند رانندگی مستقل تقویت شده است.
شیتال داکال یک مدیر برنامه Sr. با تیم ML geospatial SageMaker مستقر در منطقه خلیج سانفرانسیسکو است. وی سابقه سنجش از دور و سیستم اطلاعات جغرافیایی (GIS) را دارد. او مشتاق درک نقاط درد مشتریان و ساخت محصولات مکانی برای حل آنها است. در اوقات فراغت خود از پیاده روی، مسافرت و بازی تنیس لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 14
- سال 15
- ٪۱۰۰
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- توانایی
- قادر
- درباره ما
- شتاب دادن
- دسترسی
- دقت
- دقیق
- به درستی
- دست
- به دست آورد
- 0.405 هکتار
- در میان
- عمل
- اقدامات
- واقعی
- واقعا
- انطباق
- تنظیم شده
- اثر
- موثر بر
- پس از
- کشاورزی
- کشاورزی
- AI
- AI / ML
- معرفی
- تخصیص
- اجازه دادن
- اجازه دادن
- تنها
- در امتداد
- همچنین
- هر چند
- آمازون
- آمازون SageMaker
- آمازون SageMaker geospatial
- Amazon SageMaker Studio
- آمازون خدمات وب
- an
- تحلیل
- تحلیل
- و
- سالیانه
- دیگر
- هر
- هر جا
- رابط های برنامه کاربردی
- کاربرد
- برنامه های کاربردی
- اعمال می شود
- درخواست
- بایگانی
- هستند
- محدوده
- مناطق
- صف
- هنرمندانه
- AS
- خواهان
- ارزیابی کنید
- ارزیابی
- ارزیابی
- دارایی
- همکاری
- مرتبط است
- مفروضات
- At
- افزوده شده
- خود مختار
- دسترس پذیری
- در دسترس
- میانگین
- اجتناب از
- در انتظار
- AWS
- به عقب
- زمینه
- برج میزان
- باند
- گروه
- بار
- مستقر
- اساس
- بسکتبال
- سرخ مایل به قرمز
- BE
- زیرا
- بوده
- شروع
- پشت سر
- بودن
- باورهای
- معتقد است که
- مزایای
- بهتر
- بهتر
- میان
- خارج از
- بلاگ
- آبی
- تیرگی
- هر دو
- پایین
- مرز
- مرز
- بریج
- به ارمغان بیاورد
- گسترده تر
- ساختن
- بنا
- ساخته شده در
- بسته
- کسب و کار
- توسعه تجاری
- اما
- by
- CA
- کالیفرنیا
- CAN
- قابلیت های
- سرمایه گذاری
- گرفتن
- جلب
- کاریابی
- مورد
- بررسی موردی
- موارد
- علت
- ایجاد می شود
- معین
- زنجیر
- تغییر دادن
- تغییر
- تبادل
- مشخصات
- موقعیت
- کلاس
- کلاس ها
- طبقه بندی
- طبقه بندی
- تمیز کاری
- واضح
- به وضوح
- CLF
- مشتری
- اقلیم
- تغییر آب و هوا
- نزدیک
- ابر
- رمز
- مشارکت
- مجموعه
- برخورد
- COM
- ترکیب
- ترکیب شده
- ترکیب
- بیا
- می آید
- کمیسیون
- مشترک
- عموما
- شرکت
- نسبتاً
- مقايسه كردن
- مقایسه
- مقایسه
- پیچیده
- کامپیوتر
- چشم انداز کامپیوتر
- رفتار
- اتصال
- استوار
- تشکیل شده است
- موجود
- شامل
- زمینه
- ادامه
- تبدیل
- مبدل
- مختصات
- هسته
- اصلاح شده
- متناظر
- میتوانست
- شهرستان
- پوشش
- پوشش
- پوشش
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- ضوابط
- محصول
- محصولات
- حس کنجکاوی
- جاری
- در حال حاضر
- مشتری
- مشتریان
- روزانه
- داده ها
- دانشمند داده
- داده محور
- مجموعه داده ها
- تاریخ
- تصمیم گیری
- عمیق تر
- تعريف كردن
- مشخص
- نشان
- وابسته
- گسترش
- نشات گرفته
- مطلوب
- نابود شده
- جزئیات
- کشف
- تعیین
- مشخص
- توسعه
- توسعه دهنده
- توسعه دهندگان
- پروژه
- انحراف
- متفاوت است
- تفاوت
- مختلف
- دیجیتال
- دگرگونی های دیجیتال
- مستقیما
- فاجعه
- افشاء
- كشف كردن
- کشف
- بحث و تبادل نظر
- فاصله
- توزیع شده
- سیستم های توزیع شده
- توزیع
- مستندات
- حوزه
- فاخته
- دانلود
- دانلود
- راندن
- رانندگی
- قطره
- دو
- در طی
- هر
- پیش از آن
- زمین
- به آسانی
- ساده
- موثر
- بهره وری
- موثر
- موثر
- تلاش
- هر دو
- قدرت دادن
- قادر ساختن
- را قادر می سازد
- مهندس
- مهندسی
- مورد تأیید
- پیشرفت ها
- کافی
- غنی سازی
- اطمینان حاصل شود
- محیط
- محیطی
- توسعه پایدار محیط زیست
- محیط
- به خصوص
- ارزیابی
- واقعه
- حوادث
- مدرک
- در حال تحول
- در حال بررسی
- مثال
- تبادل
- موجود
- گسترش
- انتظارات
- انتظار می رود
- تجربه
- تخصص
- اکتشاف
- کاوش می کند
- قرار گرفتن در معرض
- f1
- واقعیت
- عوامل
- غلط
- خانواده
- کشاورزان
- کشاورزی
- سریعتر
- ویژگی
- امکانات
- فوریه
- کود
- کمی از
- رشته
- زمینه
- پرونده
- واصل
- فیلتر
- سرانجام
- پیدا کردن
- پیدا کردن
- فیونا
- نام خانوادگی
- مناسب
- ناوگان
- قابل انعطاف
- سیل
- تمرکز
- تمرکز
- پیروی
- غذا
- برای
- چهارم
- آینده نگر
- پایه
- فرانسیسکو
- از جانب
- تابع
- بیشتر
- آینده
- به دست آوردن
- شکاف
- جغرافیایی
- زمین فضایی ML
- دریافت کنید
- دادن
- داده
- جهانی
- در سطح جهانی
- خوب
- گرافیک
- تا حد زیادی
- سبز
- زمین
- در حال رشد
- رشد
- مهمان
- پست مهمان
- دست
- رخ دادن
- اتفاق می افتد
- آیا
- داشتن
- he
- سلامتی
- کمک
- مفید
- کمک می کند
- او
- اینجا کلیک نمایید
- در اینجا
- زیاد
- فرکانس بالا
- کیفیت بالا
- بالاتر
- برجسته
- خود را
- تاریخی
- دارای
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- انسان
- i
- ID
- شناسایی
- شناسایی
- شناسایی می کند
- شناسایی
- شناسایی
- if
- تصویر
- تصاویر
- عظیم
- تأثیر
- مهم
- بهبود
- را بهبود می بخشد
- بهبود
- in
- در دیگر
- شامل
- مشمول
- شامل
- از جمله
- ترکیب کردن
- نادرست
- افزایش
- افزایش
- در واقع
- شاخص
- نشان دادن
- نشان می دهد
- لوازم
- صنعت
- اطلاعات
- ابتکاری
- ورودی
- ورودی
- بینش
- الهام بخش
- نصب
- نصب شده
- تعاملی
- علاقه
- علاقه مند
- جالب
- رابط
- به
- تحقیق
- IT
- ITS
- جنیفر
- JPG
- ژوئن
- نگاه داشتن
- کیت (SDK)
- دانش
- کایل
- آزمایشگاه
- زمین
- بزرگ
- در مقیاس بزرگ
- تا حد زیادی
- دیر
- راه اندازی
- راه اندازی
- رهبری
- برجسته
- منجر می شود
- یاد گرفتن
- یادگیری
- ترک کرد
- بهره برداری
- کتابخانه ها
- زندگی
- پسندیدن
- محدود شده
- لاین
- فهرست
- دعوی قضایی
- واقع شده
- نگاه کنيد
- به دنبال
- دستگاه
- فراگیری ماشین
- درشت دستور
- ساخته
- عمدتا
- ساخت
- ساخت
- مدیریت
- مدیریت
- مدیر
- بسیاری
- نقشه
- علامت گذاری شده
- بازار
- ماسک
- استاد
- مطابق
- از نظر مادی
- مصالح
- مسائل
- بیشترین
- ممکن است..
- مک کینزی
- معنی
- به معنی
- اندازه
- معیارهای
- اندازه گیری
- متاداده
- روش
- روش
- متری
- متریک
- به حداقل رساندن
- MIT
- تسکین دهنده
- ML
- مدل
- مدل
- مانیتور
- نظارت بر
- بیش
- اکثر
- اغلب
- بسیار
- چندگانه
- نوازنده
- باید
- بی شمار
- طبیعی
- نیاز
- ضروری
- نیازهای
- منفی
- همسایه ها
- جدید
- محصولات جدید
- نه
- سر و صدا
- دفتر یادداشت
- یادداشت
- عدد
- تعداد
- متعدد
- عینی
- تعهد
- مشاهده کردن
- گرفتن
- اکتبر
- of
- ارائه
- پیشنهادات
- غالبا
- on
- آنلاین
- فقط
- باز کن
- OpenCV
- عمل
- فرصت
- بهینه سازی
- or
- سفارش
- سفارشات
- سازمان های
- در اصل
- دیگر
- ما
- خرس
- نمای کلی
- تولید
- روی
- به طور کلی
- خود
- درد
- پارامتر
- پارامترهای
- ویژه
- ویژه
- همکاری
- مشارکت
- احساساتی
- الگوهای
- انجام
- کارایی
- انجام
- متناوب
- فیزیکی
- انتخاب کنید
- پیکسل
- سیاره
- برنامه ریزی
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقطه
- سیاست
- مثبت
- ممکن
- پست
- پتانسیل
- بالقوه
- قدرت
- قوی
- شیوه های
- دقیق
- دقت
- پیش بینی
- پیش بینی
- پیش بینی
- پیش بینی
- مرجح
- آماده
- آماده شده
- در حال حاضر
- هدیه
- پیش نمایش
- قبلا
- در درجه اول
- اصلی
- قبلا
- اولویت بندی
- خصوصی
- مشکل
- روند
- فرآوری شده
- در حال پردازش
- ساخته
- محصول
- بهره وری
- محصولات
- عمیقا
- برنامه
- پیش بینی
- امید بخش
- نسبت
- ارائه
- ارائه
- فراهم می کند
- پروکسی
- عمومی
- نبض
- اهداف
- پــایتــون
- کمی
- سریع
- به سرعت
- محدوده
- تحقق بخشیدن
- قرمز
- کاهش
- خالص کردن
- بازتاب
- اصلاحات
- منطقه
- مناطق
- منتشر شده
- مربوط
- تسکین
- دور
- برداشتن
- گزارش
- گزارش ها
- نماینده
- درخواست
- تحقیق
- منابع
- منابع
- نتیجه
- نتایج
- برگشت
- فاش کردن
- فاش می کند
- غنی
- راست
- خطر
- عوامل خطر
- خطرات
- رودخانه
- جاده
- دویدن
- در حال اجرا
- ساکرامنتو
- حکیم ساز
- همان
- سان
- سان فرانسیسکو
- ماهواره ای
- ماهواره ها
- مقیاس پذیر
- صحنه
- صحنه های
- طرح ها
- علم
- دانشمند
- دانشمندان
- یادگیری
- نمره
- sdk
- جستجو
- فصل
- SEC
- بخش ها
- اوراق بهادار
- بورس و اوراق بهادار کمیسیون
- تیم امنیت لاتاری
- خطرات امنیتی
- دیدن
- تقسیم بندی
- بخش ها
- انتخاب شد
- انتخاب
- ارشد
- جداگانه
- خدمت
- خدمات
- تنظیم
- مجموعه
- واریز
- چند
- او
- نشان
- نشان داده شده
- مشابه
- ساده
- پس از
- تنها
- اندازه
- کوچک
- نرم افزار
- توسعه نرم افزار
- بسته توسعه نرم افزار
- مهندس نرمافزار
- مهندسی نرم افزار
- خاک
- راه حل
- مزایا
- حل
- برخی از
- منبع
- منابع
- فضا
- فضاها
- دهانه ها
- فضایی
- صحبت می کند
- متخصص
- متخصص
- مشخصات
- مشخصات
- طیفی
- هزینه
- ذینفع
- سهامداران
- شروع
- آغاز شده
- دولت
- اظهارات
- وضعیت
- گام
- داستان
- استراتژیک
- همکاری های استراتژیک
- استراتژی ها
- فشار
- قوی
- استودیو
- مهاجرت تحصیلی
- مشترک
- موفق
- موفقیت
- چنین
- پشتیبانی
- پشتیبانی از
- سطح
- بررسی
- پایداری
- قابل تحمل
- سیستم
- سیستم های
- گرفتن
- صورت گرفته
- مصرف
- تیم
- فنی
- تکنیک
- پیشرفته
- آزمون
- اراده
- تست
- نسبت به
- که
- La
- محوطه
- دولت
- جهان
- شان
- آنها
- سپس
- آنجا.
- از این رو
- اینها
- آنها
- اشیاء
- این
- کسانی که
- از طریق
- زمان
- بار
- به
- ابزار
- ابزار
- بالا
- طرف
- مسیر
- قطار
- آموزش دیده
- آموزش
- دگرگون کردن
- دگرگونی
- مبدل
- سفر
- درختان
- روند
- درست
- حقیقت
- امتحان
- دو
- نوع
- اساسی
- درک
- متعهد می شود
- باز کردن قفل
- تا
- نزدیک
- بروزرسانی
- us
- استفاده کنید
- استفاده
- کاربران
- استفاده
- با استفاده از
- معمولا
- استفاده
- ارزشمند
- ارزش
- ارزشها
- مختلف
- وسیع
- بسیار
- از طريق
- دید
- بازدید
- تجسم
- بصری
- حجم
- آسیب پذیر
- صبر کنيد
- می خواهم
- بود
- ضایعات
- آب
- we
- وب
- خدمات وب
- سایت اینترنتی
- خوب
- بود
- در حالیکه
- چه
- که
- در حین
- WHO
- که
- وسیع
- دامنه گسترده
- با
- در داخل
- بدون
- کلمات
- مهاجرت کاری
- گردش کار
- گردش کار
- کارگر
- جهان
- خواهد بود
- کتبی
- X
- سال
- سال
- بازده
- شما
- زفیرنت
- زوم