Tämän vierasviestin kirjoittavat yhdessä Planet Labsin liiketoiminnan kehitysasiantuntija Lydia Lihui Zhang ja ohjelmistosuunnittelija/tietotutkija Mansi Shah. The analyysi, joka inspiroi tätä viestiä sen on alun perin kirjoittanut Jennifer Reiber Kyle.
Amazon SageMakerin geospatiaaliset ominaisuudet yhdistettynä Planeettan satelliittidataa voidaan käyttää viljelykasvien segmentointiin, ja tällä analyysillä on lukuisia sovelluksia ja mahdollisia hyötyjä maatalouden ja kestävän kehityksen aloille. Vuoden 2023 lopulla Planet ilmoitti kumppanuudesta AWS:n kanssa, jotta sen geospatiaaliset tiedot ovat saatavilla Amazon Sage Maker.
Rajauksen segmentointi on prosessi, jossa satelliittikuva jaetaan pikselialueisiin tai segmentteihin, joilla on samanlaiset rajausominaisuudet. Tässä viestissä havainnollistamme, kuinka segmentointikoneoppimismallia (ML) käytetään tunnistamaan kuvan rajausalueet ja muut alueet.
Viljelyalueiden tunnistaminen on keskeinen askel kohti maatalouden oivalluksia, ja runsaan paikkatiedon ja ML:n yhdistelmä voi johtaa oivalluksiin, jotka ohjaavat päätöksiä ja toimia. Esimerkiksi:
- Tietoihin perustuvien maatalouspäätösten tekeminen – Viljelijät ja muut maatalouden sidosryhmät voivat optimoida resurssien käyttöä vedestä lannoitteisiin ja muihin kemikaaleihin viljelykasvien paremman tilan ymmärtämisen avulla. Tämä luo perustan jätteen vähentämiselle, kestävien viljelykäytäntöjen parantamiselle aina kun mahdollista ja tuottavuuden lisäämiselle ympäristövaikutusten minimoimiseksi.
- Tunnistaa ilmastoon liittyvät stressit ja trendit – Koska ilmastonmuutos vaikuttaa edelleen globaaleihin lämpötiloihin ja sademääriin, viljelykasvien segmentointia voidaan käyttää ilmastonmuutokselle alttiiden alueiden tunnistamiseen ilmastonmuutokseen sopeutumisstrategioissa. Satelliittikuva-arkistojen avulla voidaan esimerkiksi seurata sadon kasvualueen muutoksia ajan mittaan. Nämä voivat olla fyysisiä muutoksia viljelymaiden koossa ja jakautumisessa. Ne voivat olla myös muutoksia maaperän kosteudessa, maaperän lämpötilassa ja biomassassa, jotka on johdettu satelliittidatan eri spektriindeksistä syvempään sadon terveysanalyysiin.
- Vahinkojen arviointi ja lieventäminen – Lopuksi viljelykasvien segmentoinnilla voidaan tunnistaa nopeasti ja tarkasti satovaurioalueet luonnonkatastrofin sattuessa, mikä voi auttaa priorisoimaan avustustoimia. Esimerkiksi tulvan jälkeen suuren poljinnopeuden satelliittikuvia voidaan käyttää tunnistamaan alueet, joilla sato on jäänyt veden alle tai tuhoutunut, jolloin avustusjärjestöt voivat auttaa kärsimään joutuneita viljelijöitä nopeammin.
Tässä analyysissä käytämme K-lähimpien naapureiden (KNN) -mallia sadon segmentointiin, ja vertaamme näitä tuloksia maanviljelysalueen totuuskuviin. Tuloksemme osoittavat, että KNN-mallin luokitus edustaa tarkemmin nykyisen satopellon tilaa vuonna 2017 kuin maan totuusluokitustiedot vuodelta 2015. Nämä tulokset ovat osoitus Planetin korkean poljinnopeuden geospatiaalisen kuvan voimasta. Maatalouspellot vaihtuvat usein, joskus useita kertoja kauden aikana, ja korkeataajuisten satelliittikuvien saatavuus tämän maan tarkkailua ja analysointia varten voi tarjota valtavasti arvoa ymmärryksemme maatalousmaasta ja nopeasti muuttuvista ympäristöistä.
Planetin ja AWS:n yhteistyö geospatiaalisen ML:n alalla
SageMaker geospatiaaliset ominaisuudet antaa datatieteilijöille ja ML-insinööreille valtuudet rakentaa, kouluttaa ja ottaa käyttöön geospatiaalisia tietoja käyttäviä malleja. SageMakerin geospatiaaliset ominaisuudet mahdollistavat suuren mittakaavan geospatiaalisen tietojoukon tehokkaan muuntamisen tai rikastamisen, mallien rakentamisen nopeuttamisen valmiiksi koulutetuilla ML-malleilla ja malliennusteiden ja paikkatietotietojen tutkimisen interaktiivisella kartalla käyttämällä 3D-kiihdytettyä grafiikkaa ja sisäänrakennettuja visualisointityökaluja. SageMakerin geospatiaalisten ominaisuuksien avulla voit käsitellä suuria tietojoukkoja satelliittikuvista ja muista paikkatiedoista luodaksesi tarkkoja ML-malleja eri sovelluksille, mukaan lukien sadon segmentointi, josta keskustelemme tässä viestissä.
Planet Labs PBC on johtava Maan kuvantamisyritys, joka käyttää laajaa satelliittikantaansa ottamaan kuvia maan pinnasta päivittäin. Planetin tiedot ovat siksi arvokas resurssi geospatiaaliseen ML:ään. Sen korkearesoluutioisia satelliittikuvia voidaan käyttää eri viljelykasvien ominaisuuksien ja niiden terveyden tunnistamiseen ajan mittaan kaikkialla maapallolla.
Planetin ja SageMakerin kumppanuus antaa asiakkaille mahdollisuuden päästä helposti käsiksi ja analysoida Planetin korkeataajuisia satelliittitietoja AWS:n tehokkailla ML-työkaluilla. Datatieteilijät voivat tuoda omia tietojaan tai kätevästi löytää ja tilata Planetin dataa vaihtamatta ympäristöä.
Rajaa segmentointi Amazon SageMaker Studio -muistikirjassa geospatiaalisen kuvan kanssa
Tässä esimerkissä geospatiaalista ML-työnkulkua tarkastellaan, kuinka Planetin tiedot tuodaan pohjatotuustietolähteen kanssa SageMakeriin ja kuinka koulutetaan, päätetään ja otetaan käyttöön sadon segmentointimalli KNN-luokittimen avulla. Lopuksi arvioimme tulostemme tarkkuuden ja vertaamme tätä perustotuusluokitukseen.
KNN-luokittaja oli koulutettu Amazon SageMaker Studio -muistikirja, jossa on geospatiaalinen tieto image ja tarjoaa joustavan ja laajennettavan muistikirjan ytimen paikkatietojen käsittelyä varten.
- Amazon SageMaker Studio paikkakuvalla varustettu muistikirja on esiasennettu yleisesti käytetyillä paikkatietokirjastoilla, kuten GDAL, Fiona, GeoPandas, Shapely ja Rasterio, jotka mahdollistavat geospatiaalisen tiedon visualisoinnin ja käsittelyn suoraan Python-muistikirjaympäristössä. Yleisiä ML-kirjastoja, kuten OpenCV tai scikit-learn, käytetään myös sadon segmentointiin KNN-luokituksen avulla, ja ne asennetaan myös geospatiaaliseen ytimeen.
Tietojen valinta
Maatalouskenttä, johon zoomaamme, sijaitsee tavallisesti aurinkoisessa Sacramenton piirikunnassa Kaliforniassa.
Miksi Sacramento? Tämän tyyppisen ongelman alueen ja ajan valinta määräytyy ensisijaisesti maan totuustietojen saatavuuden perusteella, eikä tällaista tietoa ole helppo saada satotyyppi- ja rajatiedoissa. The 2015 Sacramento County Land Use DWR Survey -aineisto on julkisesti saatavilla oleva tietojoukko, joka kattaa Sacramenton piirikunnan kyseisenä vuonna ja tarjoaa käsin säädetyt rajat.
Ensisijainen käyttämämme satelliittikuva on Planetin 4-kaistainen kuva PSScene tuote, joka sisältää sinisen, vihreän, punaisen ja lähi-IR-kaistat ja on radiometrisesti korjattu anturin säteilylle. Anturin heijastuksen korjauskertoimet on annettu kohtauksen metatiedoissa, mikä parantaa entisestään eri aikoina otettujen kuvien yhdenmukaisuutta.
Tämän kuvan tuottaneet Planet's Dove -satelliitit laukaistiin 14. helmikuuta 2017 (lehdistötiedote), joten he eivät kuvanneet Sacramenton piirikuntaa vuonna 2015. He ovat kuitenkin ottaneet alueesta päivittäin kuvia julkaisusta lähtien. Tässä esimerkissä tyydymme epätäydelliseen kahden vuoden eroon pohjatotuustietojen ja satelliittikuvien välillä. Landsat 2:n pienemmän resoluution kuvia olisi kuitenkin voitu käyttää siltana vuosina 8–2015.
Käytä Planet-tietoja
Auttaakseen käyttäjiä saamaan tarkkoja ja käyttökelpoisia tietoja nopeammin Planet on kehittänyt myös Planet Software Development Kit (SDK) Pythonille. Tämä on tehokas työkalu tietotieteilijöille ja kehittäjille, jotka haluavat työskennellä satelliittikuvien ja muiden paikkatiedon parissa. Tämän SDK:n avulla voit etsiä ja käyttää Planetin laajaa korkearesoluutioisten satelliittikuvien kokoelmaa sekä tietoja muista lähteistä, kuten OpenStreetMapista. SDK tarjoaa Python-asiakkaan Planetin API-liittymille sekä koodittoman komentoriviliittymän (CLI), mikä tekee satelliittikuvien ja paikkatiedon sisällyttämisestä Python-työnkulkuihin helppoa. Tämä esimerkki käyttää Python-asiakasohjelmaa analyysiin tarvittavien kuvien tunnistamiseen ja lataamiseen.
Voit asentaa Planet Python -asiakkaan SageMaker Studio -muistikirjaan geospatiaalisen kuvan avulla yksinkertaisella komennolla:
Voit käyttää asiakasta kyselemään asiaankuuluvia satelliittikuvia ja hakemaan luettelon saatavilla olevista tuloksista kiinnostuksen kohteena olevan alueen, aikavälin ja muiden hakukriteerien perusteella. Seuraavassa esimerkissä aloitamme kysymällä kuinka monta PlanetScope-kohtaukset (Planeetin päivittäiset kuvat) kattavat saman kiinnostavan alueen (AOI), jonka määrittelimme aiemmin Sacramenton maatietojen perusteella, kun on annettu tietty aikaväli 1. kesäkuuta 1. lokakuuta 2017; sekä tietty haluttu maksimipilvipeittoalue 10 %:
Palautetut tulokset osoittavat yhteensopivien kohtausten määrän, jotka ovat päällekkäisiä kiinnostavan alueen kanssa. Se sisältää myös kunkin kohtauksen metatiedot, sen kuvatunnuksen ja esikatselukuvaviitteen.
Kun tietty kohtaus on valittu, kohtauksen tunnuksen, tuotetyypin ja tuotenippujen määrittelyllä (viitedokumentaatio), voit ladata kuvan ja sen metatiedot seuraavan koodin avulla:
Tämä koodi lataa vastaavan satelliittikuvan Amazonin elastinen tiedostojärjestelmä (Amazon EFS) -taltio SageMaker Studiolle.
Malliharjoittelu
Kun tiedot on ladattu Planet Python -asiakkaalla, segmentointimallia voidaan harjoitella. Tässä esimerkissä KNN-luokituksen ja kuvan segmentointitekniikoiden yhdistelmää käytetään rajausalueen tunnistamiseen ja georeferoitujen geojson-ominaisuuksien luomiseen.
Planet-tiedot ladataan ja esikäsitellään SageMakerin sisäänrakennetuilla geospatiaalisilla kirjastoilla ja työkaluilla niiden valmistelemiseksi KNN-luokittajan harjoittelua varten. Koulutuksen pohjatotuusdata on Sacramento County Land Use DWR Survey -aineisto vuodelta 2015, ja mallin testaamiseen käytetään Planet-tietoja vuodelta 2017.
Muunna pohjapiirteet ääriviivoiksi
KNN-luokittimen kouluttamiseksi kunkin pikselin luokka on joko crop
or non-crop
on tunnistettava. Luokka määräytyy sen mukaan, liittyykö pikseli rajausominaisuuteen pohjatotuusdatassa vai ei. Tämän määrityksen tekemiseksi pohjatotuusdata muunnetaan ensin OpenCV-ääriviivoiksi, joita käytetään sitten erottamaan crop
alkaen non-crop
pikseliä. Pikseliarvoja ja niiden luokittelua käytetään sitten KNN-luokittimen kouluttamiseen.
Maaperän totuuspiirteiden muuntamiseksi ääriviivoiksi piirteet on ensin heijastettava kuvan koordinaattiviittausjärjestelmään. Sitten piirteet muunnetaan kuvatilaksi ja lopuksi muunnetaan ääriviivoiksi. Ääriviivojen tarkkuuden varmistamiseksi ne visualisoidaan syöttökuvan päälle, kuten seuraavassa esimerkissä näkyy.
KNN-luokittimen opettamiseksi rajaus- ja ei-rajaavat pikselit erotetaan käyttämällä rajausominaisuuden ääriviivoja maskina.
KNN-luokittajan syöte koostuu kahdesta tietojoukosta: X, 2d-taulukko, joka tarjoaa luokiteltavia ominaisuuksia; ja y, 1d-taulukko, joka tarjoaa luokat (esimerkki). Täällä luodaan yksi luokiteltu kaista ei-rajaus- ja rajaustietojoukoista, joissa kaistan arvot osoittavat pikseliluokan. Kaista ja taustalla olevat kuvan pikselikaistan arvot muunnetaan sitten X- ja y-syötteiksi luokittimen sovitusfunktiota varten.
Harjoittele luokittelijaa rajatuilla ja ei-rajatuilla pikseleillä
KNN-luokitus suoritetaan scikit-learn KNeighborsClassifier. Naapurien lukumäärä, parametri, joka vaikuttaa suuresti estimaattorin suorituskykyyn, viritetään käyttämällä ristiinvalidointia KNN-ristivalidaatiossa. Sitten luokittelija opetetaan käyttämällä valmistettuja tietojoukkoja ja viritettyä naapuriparametrien määrää. Katso seuraava koodi:
Luokittimen suorituskyvyn arvioimiseksi sen syöttötiedoissa pikseliluokka ennustetaan käyttämällä pikselikaista-arvoja. Luokittimen suorituskyky perustuu pääosin harjoitustietojen tarkkuuteen ja pikseliluokkien selkeään erotteluun tulotietojen (pikselikaista-arvojen) perusteella. Luokittelijan parametreja, kuten naapurien lukumäärää ja etäisyyden painotusfunktiota, voidaan säätää jälkimmäisen mahdollisia epätarkkuuksia kompensoimaan. Katso seuraava koodi:
Arvioi mallien ennusteet
Koulutettua KNN-luokitinta käytetään ennustamaan satoalueita testitiedoissa. Tämä testidata koostuu alueista, jotka eivät olleet alttiina mallille harjoituksen aikana. Toisin sanoen mallilla ei ole tietoa alueesta ennen sen analysointia ja siksi näitä tietoja voidaan käyttää mallin suorituskyvyn objektiiviseen arviointiin. Aloitamme tarkastelemalla silmämääräisesti useita alueita, alkaen alueesta, joka on suhteellisen meluisampi.
Silmämääräinen tarkastus paljastaa, että ennustetut luokat ovat enimmäkseen yhdenmukaisia perustotuusluokkien kanssa. On olemassa muutamia poikkeamia alueita, joita tarkastelemme tarkemmin.
Lisätutkimuksen jälkeen havaitsimme, että osa tämän alueen kohinoista johtui maan totuustiedoista, joista puuttui luokitellun kuvan yksityiskohdat (yläoikea verrattuna vasempaan yläkulmaan ja vasempaan alakulmaan). Erityisen mielenkiintoinen havainto on, että luokitin tunnistaa joen varrella olevat puut nimellä non-crop
, kun taas pohjatotuusdata identifioi ne virheellisesti crop
. Tämä ero näiden kahden segmentoinnin välillä voi johtua puista, jotka varjostavat alueen viljelykasvien päällä.
Tämän jälkeen tarkastamme toisen alueen, joka luokiteltiin eri tavalla näiden kahden menetelmän välillä. Nämä korostetut alueet merkittiin aiemmin ei-viljelmäalueiksi maan totuustiedoissa vuonna 2015 (ylhäällä oikealla), mutta ne muuttuivat ja näkyvät selvästi viljelymaana vuonna 2017 Planetscope Scenes -kohtausten kautta (ylävasemmalla ja alhaalla vasemmalla). Ne luokiteltiin myös suurelta osin viljelymaiksi luokittelijan kautta (alhaalla oikealla).
Näemme jälleen, että KNN-luokitin antaa tarkemman tuloksen kuin perustotuusluokka, ja se myös vangitsee onnistuneesti viljelymaalla tapahtuvan muutoksen. Tämä esimerkki puhuu myös päivittäin päivitettävien satelliittitietojen arvosta, koska maailma muuttuu usein paljon nopeammin kuin vuosiraportit, ja tällainen yhdistetty menetelmä ML:n kanssa voi auttaa meitä havaitsemaan muutokset niiden tapahtuessa. Mahdollisuus seurata ja havaita tällaisia muutoksia satelliittitiedon avulla, erityisesti kehittyvillä maatalouden aloilla, tarjoaa hyödyllisiä oivalluksia viljelijöille työnsä optimoinnissa ja kaikille arvoketjun maatalouden sidosryhmille saadakseen paremman pulssin kaudesta.
Mallin arviointi
Ennustettujen luokkien kuvien visuaalinen vertailu perustotuusluokkiin voi olla subjektiivista, eikä sitä voida yleistää luokittelutulosten tarkkuuden arvioimiseksi. Kvantitatiivisen arvioinnin saamiseksi saamme luokitusmittarit käyttämällä scikit-learn's classification_report
toiminto:
Pikseliluokitusta käytetään segmentointimaskin luomiseen satoalueista, mikä tekee sekä tarkkuudesta että muistamisesta tärkeitä mittareita, ja F1-pisteet ovat hyvä yleismittari tarkkuuden ennustamiseen. Tuloksemme antavat meille mittareita sekä sato- että ei-viljelyalueille harjoitus- ja testitietojoukossa. Kuitenkin, jotta asiat olisivat yksinkertaisia, katsotaanpa näitä mittareita tarkemmin testitietojoukon satoalueiden kontekstissa.
Tarkkuus mittaa mallimme positiivisten ennusteiden tarkkuutta. Tässä tapauksessa satoalueiden tarkkuus 0.94 osoittaa, että mallimme on erittäin onnistunut tunnistamaan oikein alueet, jotka ovat todella viljelyalueita, joilla vääriä positiivisia tuloksia (todelliset ei-viljelyalueet, jotka on tunnistettu väärin viljelyalueiksi) minimoidaan. Recall puolestaan mittaa positiivisten ennusteiden täydellisyyttä. Toisin sanoen muistaminen mittaa oikein tunnistetun todellisen positiivisen osuuden. Meidän tapauksessamme satoalueiden palautusarvo 0.73 tarkoittaa, että 73 % kaikista todellisista satoalueen pikseleistä tunnistetaan oikein, mikä minimoi väärien negatiivisten määrän.
Ihannetapauksessa sekä tarkkuuden että muistamisen korkeat arvot ovat edullisia, vaikka tämä voi suurelta osin riippua tapaustutkimuksen soveltamisesta. Jos esimerkiksi tutkisimme näitä tuloksia viljelijöille, jotka haluavat tunnistaa viljelyalueita maatalouden kannalta, haluaisimme antaa etusijalle suuremman takaisinvetämisen kuin tarkkuuden minimoidaksemme väärien negatiivisten tulosten määrän (alueet, jotka on tunnistettu viljelyalueiksi, ovat itse asiassa viljelyalueita), jotta maata voitaisiin käyttää mahdollisimman hyvin. F1-pisteet toimivat yleisenä tarkkuusmittarina, joka yhdistää sekä tarkkuuden että muistamisen ja mittaa näiden kahden mittarin välistä tasapainoa. Korkea F1-pistemäärä, kuten meillä satoalueille (0.82), osoittaa hyvää tasapainoa sekä tarkkuuden ja muistamisen välillä että korkeaa yleistä luokitustarkkuutta. Vaikka F1-pistemäärä putoaa junan ja testidatajoukon välillä, tämä on odotettavissa, koska luokittelija opetettiin junatietojoukossa. Painotettu keskimääräinen F1-pistemäärä 0.77 on lupaava ja riittävän hyvä kokeilemaan luokiteltujen tietojen segmentointijärjestelmiä.
Luo luokittimesta segmentointimaski
Segmentointimaskin luominen käyttämällä testiaineiston KNN-luokittimen ennusteita sisältää ennustetun lähdön puhdistamisen, jotta vältetään kuvakohinan aiheuttamat pienet segmentit. Käytämme OpenCV:tä poistaaksemme pilkkukohinan mediaani sumeussuodatin. Tämä suodatin säilyttää tien rajaukset kasvien välillä paremmin kuin morfologinen avoin toiminta.
Käyttääksemme binäärisegmentointia kohinattomaan ulostuloon meidän on ensin muutettava luokitellut rasteritiedot vektoriominaisuuksiksi OpenCV:n avulla. etsi Contours toiminto.
Lopuksi todelliset segmentoidut satoalueet voidaan laskea käyttämällä segmentoituja sadon ääriviivoja.
KNN-luokittimella tuotetut segmentoidut satoalueet mahdollistavat tarkan viljelyalueiden tunnistamisen testiaineistossa. Näitä segmentoituja alueita voidaan käyttää useisiin eri tarkoituksiin, kuten peltojen rajojen tunnistamiseen, sadon seurantaan, sadon arvioimiseen ja resurssien allokointiin. Saavutettu F1-pistemäärä 0.77 on hyvä ja osoittaa, että KNN-luokitin on tehokas työkalu sadon segmentointiin kaukokartoituskuvissa. Näitä tuloksia voidaan käyttää viljelykasvien segmentointitekniikoiden edelleen parantamiseen ja tarkentamiseen, mikä saattaa johtaa satoanalyysin tarkkuuteen ja tehokkuuteen.
Yhteenveto
Tämä viesti osoitti, kuinka voit käyttää yhdistelmää Planeetan korkea poljinnopeus, korkearesoluutioiset satelliittikuvat ja SageMaker geospatiaaliset ominaisuudet suorittaa sadon segmentointianalyysiä ja saada arvokkaita oivalluksia, jotka voivat parantaa maatalouden tehokkuutta, ympäristön kestävyyttä ja elintarviketurvaa. Viljelyalueiden tarkka tunnistaminen mahdollistaa sadon kasvun ja tuottavuuden lisäanalyysin, maankäytön muutosten seurannan ja mahdollisten elintarviketurvariskien havaitsemisen.
Lisäksi Planet-tietojen ja SageMakerin yhdistelmä tarjoaa laajan valikoiman käyttötapauksia sadon segmentoinnin lisäksi. Näkemykset voivat mahdollistaa tietopohjaisia päätöksiä sadonhoidosta, resurssien allokoinnista ja politiikan suunnittelusta pelkästään maataloudessa. Eri data- ja ML-malleilla yhdistetty tarjonta voisi laajentua myös muille toimialoille ja käyttää tapauksia digitaaliseen transformaatioon, kestävään kehitykseen ja tietoturvaan.
Aloita SageMakerin geospatiaalisten ominaisuuksien käyttö kohdasta Aloita Amazon SageMakerin geospatiaalisten ominaisuuksien käyttö.
Lisätietoja Planetin kuvaspesifikaatioista ja kehittäjien viitemateriaaleista on osoitteessa Planet Developer's Center. Katso dokumentaatio Planet's SDK:sta Pythonille Planet SDK Pythonille. Lisätietoja Planetista, mukaan lukien sen olemassa olevat datatuotteet ja tulevat tuotejulkaisut, on osoitteessa https://www.planet.com/.
Planet Labs PBC:n tulevaisuuteen suuntautuvat lausunnot
Lukuun ottamatta tähän sisältyvää historiallista tietoa, tässä blogiviestissä esitetyt asiat ovat tulevaisuuteen suuntautuvia lausuntoja vuoden 1995 Private Securities Litigation Reform Act -lain "safe harbor" -säännösten mukaisesti, mukaan lukien, mutta niihin rajoittumatta, Planet Labs. PBC:n kyky vangita markkinamahdollisuudet ja toteuttaa mitä tahansa mahdollisia etuja nykyisistä tai tulevista tuoteparannuksista, uusista tuotteista tai strategisista kumppanuuksista ja asiakasyhteistyöstä. Tulevaisuutta koskevat lausumat perustuvat Planet Labs PBC:n johdon uskomuksiin sekä heidän tekemiinsä oletuksiin ja tällä hetkellä saatavilla olevaan tietoon. Koska tällaiset lausunnot perustuvat odotuksiin tulevista tapahtumista ja tuloksista eivätkä ole tosiasioita, todelliset tulokset voivat poiketa olennaisesti ennustetuista. Tekijöitä, jotka voivat aiheuttaa todellisten tulosten olennaisen poikkeamisen nykyisistä odotuksista, ovat muun muassa riskitekijät ja muut Planet Labs PBC:tä ja sen liiketoimintaa koskevat ilmoitukset, jotka sisältyvät Planet Labs PBC:n määräaikaisraportteihin, valtakirjalausuntoihin ja muihin ilmoitusmateriaaleihin, jotka on jätetty aika ajoin. Securities and Exchange Commissionin (SEC) kanssa, jotka ovat saatavilla verkossa osoitteessa www.sec.govja Planet Labs PBC:n verkkosivuilla osoitteessa www.planet.com. Kaikki tulevaisuuteen suuntautuvat lausunnot heijastavat Planet Labs PBC:n uskomuksia ja olettamuksia vain tällaisten lausuntojen antamispäivänä. Planet Labs PBC ei ole velvollinen päivittämään tulevaisuutta koskevia lausuntoja vastaamaan tulevia tapahtumia tai olosuhteita.
Tietoja kirjoittajista
Lydia Lihui Zhang on Business Development Specialist Planet Labs PBC:ssä, jossa hän auttaa yhdistämään tilaa maan parantamiseksi eri aloilla ja lukemattomissa käyttötapauksissa. Aiemmin hän työskenteli datatutkijana McKinsey ACRE:ssä, joka on maatalouspainotteinen ratkaisu. Hän on suorittanut maisterintutkinnon MIT:n teknologiapolitiikan ohjelmasta keskittyen avaruuspolitiikkaan. Geospatiaalinen data ja sen laajempi vaikutus liiketoimintaan ja kestävään kehitykseen ovat olleet hänen uransa painopisteenä.
Mansi Shah on ohjelmistosuunnittelija, datatieteilijä ja muusikko, jonka työt tutkivat tiloja, joissa taiteellinen kurinalaisuus ja tekninen uteliaisuus kohtaavat. Hän uskoo, että data (kuten taide!) jäljittelee elämää, ja on kiinnostunut numeroiden ja muistiinpanojen takana olevista syvästi inhimillisistä tarinoista.
Xiong Zhou on AWS:n vanhempi soveltuva tutkija. Hän johtaa Amazon SageMakerin geospatiaalisten ominaisuuksien tiederyhmää. Hänen nykyiseen tutkimusalueeseensa kuuluvat tietokonenäkö ja tehokas mallikoulutus. Vapaa-ajallaan hän juoksee, pelaa koripalloa ja viettää aikaa perheensä kanssa.
Janosch Woschitz on AWS:n vanhempi ratkaisuarkkitehti, joka on erikoistunut geospatiaaliseen tekoälyyn/ML:ään. Yli 15 vuoden kokemuksella hän tukee asiakkaita maailmanlaajuisesti hyödyntämään tekoälyn ja ML:n innovatiivisia ratkaisuja, jotka hyödyntävät geospatiaalista dataa. Hänen asiantuntemuksensa kattaa koneoppimisen, tietotekniikan ja skaalautuvat hajautetut järjestelmät, ja sitä täydentää vahva tausta ohjelmistosuunnittelussa ja alan asiantuntemus monimutkaisilla aloilla, kuten autonomisella ajolla.
Shital Dhakal on vanhempi ohjelmapäällikkö SageMaker geospatial ML -tiimissä San Franciscon lahden alueella. Hänellä on kaukokartoituksen ja paikkatietojärjestelmän (GIS) tausta. Hän on intohimoinen ymmärtämään asiakkaiden kipupisteitä ja rakentamaan geospatiaalisia tuotteita niiden ratkaisemiseksi. Vapaa-ajallaan hän harrastaa patikointia, matkustamista ja tenniksen pelaamista.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 10
- 100
- 14
- 15 vuotta
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- kyky
- pystyy
- Meistä
- kiihdyttää
- pääsy
- tarkkuus
- tarkka
- tarkasti
- saavutettu
- hankittu
- eekkeri
- poikki
- Toimia
- toimet
- todellinen
- todella
- sovitus
- Oikaistu
- vaikuttaa
- vaikuttavat
- Jälkeen
- Maatalous
- maatalous
- AI
- AI / ML
- Kaikki
- jako
- sallia
- Salliminen
- yksin
- pitkin
- Myös
- Vaikka
- Amazon
- Amazon Sage Maker
- Amazon SageMaker geospatiaalinen
- Amazon SageMaker Studio
- Amazon Web Services
- an
- analyysi
- analysoida
- ja
- vuotuinen
- Toinen
- Kaikki
- kaikkialla
- API
- Hakemus
- sovellukset
- sovellettu
- käyttää
- arkisto
- OVAT
- ALUE
- alueet
- Ryhmä
- taiteellinen
- AS
- pyytäminen
- arvioida
- arvioidessaan
- arviointi
- etu
- auttaa
- liittyvä
- oletukset
- At
- täydennetty
- autonominen
- saatavuus
- saatavissa
- keskimäärin
- välttää
- odottaa
- AWS
- takaisin
- tausta
- Balance
- Bändi
- bändin
- baari
- perustua
- perusta
- Koripallo
- Lahti
- BE
- koska
- ollut
- Alku
- takana
- ovat
- uskomukset
- uskoo
- Hyödyt
- Paremmin
- parannus
- välillä
- Jälkeen
- Blogi
- sininen
- hämärtää
- sekä
- pohja
- rajat
- raja
- SILTA
- tuoda
- laajempaa
- rakentaa
- Rakentaminen
- sisäänrakennettu
- nippuja
- liiketoiminta
- liiketoiminnan kehitys
- mutta
- by
- CA
- Kalifornia
- CAN
- kyvyt
- pääomittaa
- kaapata
- kaappaa
- Ura
- tapaus
- tapaustutkimus
- tapauksissa
- Aiheuttaa
- aiheutti
- tietty
- ketju
- muuttaa
- muuttunut
- Muutokset
- ominaisuudet
- olosuhteet
- luokka
- luokat
- luokittelu
- luokiteltu
- Siivous
- selkeä
- selvästi
- CLF
- asiakas
- Ilmasto
- Ilmastonmuutos
- lähempänä
- pilvi
- koodi
- yhteistyötä
- kokoelma
- collide
- KOM
- yhdistelmä
- yhdistetty
- yhdistely
- Tulla
- tulee
- provision
- Yhteinen
- yleisesti
- yritys
- verrattain
- verrata
- verrattuna
- vertailu
- monimutkainen
- tietokone
- Tietokoneen visio
- Suorittaa
- kytkeä
- johdonmukainen
- muodostuu
- sisälsi
- sisältää
- tausta
- jatkuu
- muuntaa
- muunnetaan
- koordinoida
- Ydin
- korjattu
- vastaava
- voisi
- lääni
- kattaa
- kattavuus
- päällyste
- luoda
- luotu
- Luominen
- luominen
- kriteerit
- sato
- viljelykasvien
- uteliaisuus
- Nykyinen
- Tällä hetkellä
- asiakas
- Asiakkaat
- päivittäin
- tiedot
- tietojen tutkija
- data-driven
- aineistot
- Päivämäärä
- päätökset
- syvempää
- määritellä
- määritelty
- osoittivat
- riippuvainen
- sijoittaa
- johdettu
- haluttu
- tuhonnut
- yksityiskohta
- Detection
- määritys
- määritetty
- kehitetty
- Kehittäjä
- kehittäjille
- Kehitys
- poikkeama
- erota
- ero
- eri
- digitaalinen
- Digital Transformation
- suoraan
- katastrofi
- ilmitulo
- löytää
- löysi
- pohtia
- etäisyys
- jaettu
- hajautetut järjestelmät
- jakelu
- dokumentointi
- verkkotunnuksia
- kyyhky
- download
- lataukset
- ajaa
- ajo
- Drops
- kaksi
- aikana
- kukin
- Aikaisemmin
- maa
- helposti
- helppo
- Tehokas
- tehokkuus
- tehokas
- tehokkaasti
- ponnisteluja
- myöskään
- valtuuttaa
- mahdollistaa
- mahdollistaa
- insinööri
- Tekniikka
- Engineers
- parannuksia
- tarpeeksi
- rikastuttaa
- varmistaa
- ympäristö
- ympäristön
- Environmental Sustainability
- ympäristöissä
- erityisesti
- arvioida
- tapahtuma
- Tapahtumat
- näyttö
- kehittyvä
- tutkii
- esimerkki
- Vaihdetaan
- olemassa
- Laajentaa
- odotukset
- odotettu
- experience
- asiantuntemus
- tutkia
- Tutkii
- avoin
- f1
- tosiasia
- tekijät
- väärä
- perhe
- viljelijät
- maanviljely
- nopeampi
- Ominaisuus
- Ominaisuudet
- helmikuu
- lannoite
- harvat
- ala
- Fields
- filee
- jätetty
- suodattaa
- Vihdoin
- Löytää
- löytäminen
- fiona
- Etunimi
- sovittaa
- LAIVASTON
- joustava
- tulva
- Keskittää
- tarkennus
- jälkeen
- ruoka
- varten
- eteenpäin
- tulevaisuuteen
- perusta
- Francisco
- alkaen
- toiminto
- edelleen
- tulevaisuutta
- saamassa
- kuilu
- maantieteellinen
- Geospatiaalinen ML
- saada
- Antaa
- tietty
- Global
- Maailmanlaajuisesti
- hyvä
- grafiikka
- suuresti
- Vihreä
- Maa
- Kasvava
- Kasvu
- vieras
- vieras Lähetä
- käsi
- tapahtua
- Happening
- Olla
- ottaa
- he
- terveys
- auttaa
- hyödyllinen
- auttaa
- hänen
- tätä
- tässä
- Korkea
- Korkeataajuus
- korkea resoluutio
- korkeampi
- Korostettu
- hänen
- historiallinen
- pitää
- Miten
- Miten
- Kuitenkin
- HTML
- http
- HTTPS
- ihmisen
- i
- ID
- Tunnistaminen
- tunnistettu
- tunnistaa
- tunnistaa
- tunnistaminen
- if
- kuva
- kuvien
- valtava
- Vaikutus
- tärkeä
- parantaa
- parantaa
- parantaminen
- in
- Muilla
- sisältää
- mukana
- sisältää
- Mukaan lukien
- sisällyttää
- virheellisesti
- kasvoi
- lisää
- todellakin
- indeksi
- osoittaa
- ilmaisee
- teollisuuden
- teollisuus
- tiedot
- innovatiivinen
- panos
- tuloa
- oivalluksia
- innoittamana
- asentaa
- asennetaan
- vuorovaikutteinen
- korko
- kiinnostunut
- mielenkiintoinen
- liitäntä
- tulee
- tutkimus
- IT
- SEN
- Jennifer
- jpg
- kesäkuu
- Pitää
- Kit (SDK)
- tuntemus
- Kyle
- Labs
- Maa
- suuri
- laaja
- suureksi osaksi
- Myöhään
- käynnistää
- käynnistettiin
- johtaa
- johtava
- Liidit
- OPPIA
- oppiminen
- vasemmalle
- vipuvaikutuksen
- kirjastot
- elämä
- pitää
- rajallinen
- linja
- Lista
- Oikeudenkäynti
- sijaitsevat
- katso
- näköinen
- kone
- koneoppiminen
- Makro
- tehty
- pääasiallisesti
- tehdä
- Tekeminen
- hoitaa
- johto
- johtaja
- monet
- kartta
- merkitty
- markkinat
- naamio
- mestari
- matching
- aineellisesti
- tarvikkeet
- Matters
- maksimi
- Saattaa..
- McKinsey
- merkitys
- välineet
- mitata
- toimenpiteet
- mittaus
- Metadata
- menetelmä
- menetelmät
- metrinen
- Metrics
- minimointia
- MIT
- lieventävä
- ML
- malli
- mallit
- monitori
- seuranta
- lisää
- eniten
- enimmäkseen
- paljon
- moninkertainen
- Muusikko
- täytyy
- lukemattomia
- Luonnollinen
- Tarve
- tarvitaan
- tarpeet
- negatiiviset
- naapurit
- Uusi
- uusia tuotteita
- Nro
- Melu
- muistikirja
- Huomautuksia
- numero
- numerot
- useat
- objektiivisesti
- velvollisuus
- tarkkailla
- saada
- lokakuu
- of
- tarjoamalla
- Tarjoukset
- usein
- on
- verkossa
- vain
- avata
- OpenCV
- toiminta
- Tilaisuus
- Optimoida
- or
- tilata
- määräys
- organisaatioiden
- alun perin
- Muut
- meidän
- bear
- ääriviivat
- ulostulo
- yli
- yleinen
- oma
- Kipu
- parametri
- parametrit
- erityinen
- erityisesti
- Kumppanuus
- kumppanuudet
- intohimoinen
- kuviot
- Suorittaa
- suorituskyky
- suoritettu
- ajoittainen
- fyysinen
- poimia
- pixel
- kone
- suunnittelu
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- pistettä
- politiikka
- positiivinen
- mahdollinen
- Kirje
- mahdollinen
- mahdollisesti
- teho
- voimakas
- käytännöt
- tarkka
- Tarkkuus
- ennustaa
- ennusti
- ennustamiseen
- Ennusteet
- Suositut
- Valmistella
- valmis
- esittää
- lahjat
- preview
- aiemmin
- pääasiallisesti
- ensisijainen
- Aikaisempi
- Asettaa etusijalle
- yksityinen
- Ongelma
- prosessi
- Käsitelty
- käsittely
- valmistettu
- Tuotteet
- tuottavuus
- Tuotteemme
- syvästi
- Ohjelma
- ennustetaan
- lupaava
- osa
- toimittaa
- mikäli
- tarjoaa
- valtuutettu
- julkisesti
- pulssi
- tarkoituksiin
- Python
- määrällinen
- nopea
- nopeasti
- alue
- ymmärtää
- punainen
- vähentämällä
- tarkentaa
- heijastaa
- Uudistus
- alue
- alueet
- Tiedotteet
- merkityksellinen
- helpotus
- kaukosäädin
- poistaa
- Raportointi
- Raportit
- edustaja
- pyyntö
- tutkimus
- resurssi
- Esittelymateriaalit
- johtua
- tulokset
- palata
- paljastaa
- paljastaa
- Rikas
- oikein
- Riski
- riskitekijät
- riskit
- Joki
- tie
- ajaa
- juoksu
- Sacramento
- sagemaker
- sama
- San
- San Francisco
- satelliitti
- satelliitit
- skaalautuva
- kohtaus
- kohtaukset
- järjestelmiä
- tiede
- Tiedemies
- tutkijat
- scikit opittava
- pisteet
- sdk
- Haku
- Kausi
- SEK
- sektorit
- Arvopaperit
- Securities and Exchange Commission
- turvallisuus
- turvallisuusriskit
- nähdä
- jakautuminen
- segmentit
- valittu
- valinta
- vanhempi
- erillinen
- palvelee
- Palvelut
- setti
- Setit
- laskeutua
- useat
- hän
- näyttää
- esitetty
- samankaltainen
- Yksinkertainen
- koska
- single
- Koko
- pieni
- Tuotteemme
- ohjelmistokehitys
- ohjelmistokehityspaketti
- Software Engineer
- ohjelmistotuotanto
- maaperä
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- lähde
- Lähteet
- Tila
- tilat
- jännevälien
- tila-
- puhuu
- asiantuntija
- erikoistunut
- määrittely
- tekniset tiedot
- spektri-
- menot
- sidosryhmien
- sidosryhmien
- Alkaa
- alkoi
- Osavaltio
- lausuntoja
- Tila
- Vaihe
- tarinat
- Strateginen
- strategisten kumppanuuksien
- strategiat
- stressi
- vahva
- studio
- tutkimus
- merkitä
- onnistunut
- Onnistuneesti
- niin
- tuki
- Tukee
- pinta
- Tutkimus
- kestävyys
- kestävä
- järjestelmä
- järjestelmät
- ottaa
- otettava
- ottaen
- joukkue-
- Tekninen
- tekniikat
- Elektroniikka
- testi
- testamentti
- Testaus
- kuin
- että
- -
- Alue
- Valtion
- maailma
- heidän
- Niitä
- sitten
- Siellä.
- siksi
- Nämä
- ne
- asiat
- tätä
- ne
- Kautta
- aika
- kertaa
- että
- työkalu
- työkalut
- ylin
- kohti
- raita
- Juna
- koulutettu
- koulutus
- Muuttaa
- Muutos
- transformoitu
- Matkustaminen
- Puut
- Trendit
- totta
- Totuus
- yrittää
- kaksi
- tyyppi
- taustalla oleva
- ymmärtäminen
- sitoutuu
- lukituksen
- asti
- tuleva
- Päivitykset
- us
- käyttää
- käytetty
- Käyttäjät
- käyttötarkoituksiin
- käyttämällä
- yleensä
- hyödynnetty
- arvokas
- arvo
- arvot
- eri
- valtava
- hyvin
- kautta
- visio
- Vierailla
- visualisointi
- visuaalisesti
- tilavuus
- Haavoittuva
- odottaa
- haluta
- oli
- Jätteet
- vesi
- we
- verkko
- verkkopalvelut
- Verkkosivu
- HYVIN
- olivat
- taas
- onko
- joka
- vaikka
- KUKA
- jonka
- leveä
- Laaja valikoima
- with
- sisällä
- ilman
- sanoja
- Referenssit
- työnkulku
- työnkulkuja
- työskentely
- maailman-
- olisi
- kirjallinen
- X
- vuosi
- vuotta
- tuotto
- Voit
- zephyrnet
- zoomaus