यह अतिथि पोस्ट प्लैनेट लैब्स में बिजनेस डेवलपमेंट विशेषज्ञ लिडिया लिहुई झांग और सॉफ्टवेयर इंजीनियर/डेटा वैज्ञानिक मानसी शाह द्वारा सह-लिखित है। विश्लेषण जिसने इस पोस्ट को प्रेरित किया मूल रूप से जेनिफर रीबर काइल द्वारा लिखा गया था।
Amazon SageMaker की भू-स्थानिक क्षमताएं के साथ संयुक्त ग्रहके उपग्रह डेटा का उपयोग फसल विभाजन के लिए किया जा सकता है, और कृषि और स्थिरता के क्षेत्र में इस विश्लेषण के कई अनुप्रयोग और संभावित लाभ हैं। 2023 के अंत में, ग्रह एक साझेदारी की घोषणा की AWS के माध्यम से अपना भू-स्थानिक डेटा उपलब्ध कराने के लिए अमेज़न SageMaker.
फसल विभाजन एक उपग्रह छवि को पिक्सेल के क्षेत्रों या खंडों में विभाजित करने की प्रक्रिया है, जिसमें समान फसल विशेषताएं होती हैं। इस पोस्ट में, हम बताते हैं कि एक छवि में फसल और गैर-फसल क्षेत्रों की पहचान करने के लिए सेगमेंटेशन मशीन लर्निंग (एमएल) मॉडल का उपयोग कैसे करें।
फसल क्षेत्रों की पहचान करना कृषि अंतर्दृष्टि प्राप्त करने की दिशा में एक मुख्य कदम है, और समृद्ध भू-स्थानिक डेटा और एमएल के संयोजन से अंतर्दृष्टि प्राप्त हो सकती है जो निर्णय और कार्यों को संचालित करती है। उदाहरण के लिए:
- डेटा-संचालित कृषि निर्णय लेना - फसलों की बेहतर स्थानिक समझ हासिल करके, किसान और अन्य कृषि हितधारक पूरे मौसम में पानी से लेकर उर्वरक और अन्य रसायनों तक संसाधनों के उपयोग को अनुकूलित कर सकते हैं। यह अपशिष्ट को कम करने, जहां भी संभव हो स्थायी कृषि पद्धतियों में सुधार करने और पर्यावरणीय प्रभाव को कम करते हुए उत्पादकता बढ़ाने की नींव तैयार करता है।
- जलवायु संबंधी तनावों और प्रवृत्तियों की पहचान करना - चूंकि जलवायु परिवर्तन वैश्विक तापमान और वर्षा पैटर्न को प्रभावित कर रहा है, इसलिए फसल विभाजन का उपयोग उन क्षेत्रों की पहचान करने के लिए किया जा सकता है जो जलवायु अनुकूलन रणनीतियों के लिए जलवायु-संबंधी तनाव के प्रति संवेदनशील हैं। उदाहरण के लिए, उपग्रह इमेजरी अभिलेखागार का उपयोग समय के साथ फसल उगाने वाले क्षेत्र में परिवर्तनों को ट्रैक करने के लिए किया जा सकता है। ये फसल भूमि के आकार और वितरण में भौतिक परिवर्तन हो सकते हैं। वे फसल स्वास्थ्य के गहन विश्लेषण के लिए उपग्रह डेटा के विभिन्न वर्णक्रमीय सूचकांक से प्राप्त मिट्टी की नमी, मिट्टी के तापमान और बायोमास में परिवर्तन भी हो सकते हैं।
- क्षति का आकलन करना और उसे कम करना - अंत में, फसल विभाजन का उपयोग प्राकृतिक आपदा की स्थिति में फसल क्षति के क्षेत्रों की त्वरित और सटीक पहचान करने के लिए किया जा सकता है, जो राहत प्रयासों को प्राथमिकता देने में मदद कर सकता है। उदाहरण के लिए, बाढ़ के बाद, उच्च-ताल उपग्रह छवियों का उपयोग उन क्षेत्रों की पहचान करने के लिए किया जा सकता है जहां फसलें डूब गई हैं या नष्ट हो गई हैं, जिससे राहत संगठनों को प्रभावित किसानों की अधिक तेज़ी से सहायता करने की अनुमति मिलती है।
इस विश्लेषण में, हम फसल विभाजन करने के लिए K-निकटतम पड़ोसियों (KNN) मॉडल का उपयोग करते हैं, और हम इन परिणामों की तुलना कृषि क्षेत्र की जमीनी सच्चाई की कल्पना से करते हैं। हमारे परिणाम बताते हैं कि केएनएन मॉडल से वर्गीकरण 2017 के जमीनी सच्चाई वर्गीकरण डेटा की तुलना में 2015 में वर्तमान फसल क्षेत्र की स्थिति का अधिक सटीक प्रतिनिधित्व करता है। ये परिणाम ग्रह की उच्च-ताल भू-स्थानिक इमेजरी की शक्ति का एक प्रमाण हैं। कृषि क्षेत्र अक्सर बदलते रहते हैं, कभी-कभी एक मौसम में कई बार, और इस भूमि का निरीक्षण और विश्लेषण करने के लिए उच्च आवृत्ति वाली उपग्रह इमेजरी उपलब्ध होने से कृषि भूमि और तेजी से बदलते वातावरण के बारे में हमारी समझ को अत्यधिक मूल्य मिल सकता है।
भू-स्थानिक एमएल पर प्लैनेट और एडब्ल्यूएस की साझेदारी
सेजमेकर की भू-स्थानिक क्षमताएं भू-स्थानिक डेटा का उपयोग करके मॉडल बनाने, प्रशिक्षित करने और तैनात करने के लिए डेटा वैज्ञानिकों और एमएल इंजीनियरों को सशक्त बनाना। सेजमेकर भू-स्थानिक क्षमताएं आपको बड़े पैमाने पर भू-स्थानिक डेटासेट को कुशलतापूर्वक बदलने या समृद्ध करने, पूर्व-प्रशिक्षित एमएल मॉडल के साथ मॉडल निर्माण में तेजी लाने और 3 डी-त्वरित ग्राफिक्स और अंतर्निहित विज़ुअलाइज़ेशन टूल का उपयोग करके एक इंटरैक्टिव मानचित्र पर मॉडल भविष्यवाणियों और भू-स्थानिक डेटा का पता लगाने की अनुमति देती हैं। सेजमेकर भू-स्थानिक क्षमताओं के साथ, आप फसल विभाजन सहित विभिन्न अनुप्रयोगों के लिए सटीक एमएल मॉडल बनाने के लिए उपग्रह इमेजरी और अन्य भू-स्थानिक डेटा के बड़े डेटासेट को संसाधित कर सकते हैं, जिस पर हम इस पोस्ट में चर्चा करते हैं।
ग्रह लैब्स पीबीसी एक अग्रणी पृथ्वी-इमेजिंग कंपनी है जो दैनिक आधार पर पृथ्वी की सतह की तस्वीरें खींचने के लिए अपने उपग्रहों के बड़े बेड़े का उपयोग करती है। इसलिए ग्रह का डेटा भू-स्थानिक एमएल के लिए एक मूल्यवान संसाधन है। इसकी उच्च-रिज़ॉल्यूशन उपग्रह इमेजरी का उपयोग पृथ्वी पर कहीं भी, समय के साथ विभिन्न फसल विशेषताओं और उनके स्वास्थ्य की पहचान करने के लिए किया जा सकता है।
प्लैनेट और सेजमेकर के बीच साझेदारी ग्राहकों को AWS के शक्तिशाली एमएल टूल का उपयोग करके प्लैनेट के उच्च-आवृत्ति उपग्रह डेटा तक आसानी से पहुंचने और उसका विश्लेषण करने में सक्षम बनाती है। डेटा वैज्ञानिक अपना स्वयं का डेटा ला सकते हैं या वातावरण बदले बिना प्लैनेट के डेटा को आसानी से ढूंढ सकते हैं और उसकी सदस्यता ले सकते हैं।
एक भू-स्थानिक छवि के साथ अमेज़ॅन सेजमेकर स्टूडियो नोटबुक में फसल विभाजन
इस उदाहरण में भू-स्थानिक एमएल वर्कफ़्लो में, हम देखते हैं कि प्लैनेट के डेटा को जमीनी सच्चाई डेटा स्रोत के साथ सेजमेकर में कैसे लाया जाए, और केएनएन क्लासिफायरियर के साथ फसल विभाजन मॉडल को कैसे प्रशिक्षित, अनुमान और तैनात किया जाए। अंत में, हम अपने परिणामों की सटीकता का आकलन करते हैं और इसकी तुलना हमारे जमीनी सच्चाई वर्गीकरण से करते हैं।
उपयोग किए गए KNN क्लासिफायर को एक में प्रशिक्षित किया गया था भू-स्थानिक के साथ अमेज़ॅन सेजमेकर स्टूडियो नोटबुक छवि, और भू-स्थानिक डेटा के साथ काम करने के लिए एक लचीला और विस्तार योग्य नोटबुक कर्नेल प्रदान करता है।
RSI अमेज़ॅन सैजमेकर स्टूडियो भू-स्थानिक छवि वाली नोटबुक आमतौर पर उपयोग की जाने वाली भू-स्थानिक लाइब्रेरी जैसे GDAL, फियोना, जियोपांडास, शेपली और रैस्टेरियो के साथ पहले से इंस्टॉल आती है, जो सीधे पायथन नोटबुक वातावरण में भू-स्थानिक डेटा के विज़ुअलाइज़ेशन और प्रसंस्करण की अनुमति देती है। सामान्य एमएल लाइब्रेरी जैसे ओपनसीवी या स्किकिट-लर्न का उपयोग केएनएन वर्गीकरण का उपयोग करके फसल विभाजन करने के लिए भी किया जाता है, और इन्हें भू-स्थानिक कर्नेल में भी स्थापित किया जाता है।
डेटा चयन
जिस कृषि क्षेत्र पर हम ज़ूम करते हैं वह कैलिफोर्निया में आमतौर पर धूप वाले सैक्रामेंटो काउंटी में स्थित है।
सैक्रामेंटो क्यों? इस प्रकार की समस्या के लिए क्षेत्र और समय का चयन मुख्य रूप से जमीनी सच्चाई डेटा की उपलब्धता से परिभाषित होता है, और फसल प्रकार और सीमा डेटा में ऐसा डेटा प्राप्त करना आसान नहीं है। 2015 सैक्रामेंटो काउंटी भूमि उपयोग डीडब्ल्यूआर सर्वेक्षण डेटासेट उस वर्ष सैक्रामेंटो काउंटी को कवर करने वाला एक सार्वजनिक रूप से उपलब्ध डेटासेट है और हाथ से समायोजित सीमाएँ प्रदान करता है।
हमारे द्वारा उपयोग की जाने वाली प्राथमिक उपग्रह इमेजरी ग्रह का 4-बैंड है पीएसएससीन उत्पाद, जिसमें नीला, हरा, लाल और निकट-आईआर बैंड शामिल हैं और रेडियोमेट्रिक रूप से सेंसर चमक के लिए सही किया गया है। सेंसर परावर्तन को सही करने के लिए गुणांक दृश्य मेटाडेटा में प्रदान किए जाते हैं, जो अलग-अलग समय पर ली गई छवियों के बीच स्थिरता को और बेहतर बनाता है।
इस इमेजरी को तैयार करने वाले प्लैनेट के डव उपग्रह 14 फरवरी, 2017 को लॉन्च किए गए थे (ख़बर खोलना), इसलिए उन्होंने 2015 में सैक्रामेंटो काउंटी की छवि नहीं ली। हालाँकि, वे लॉन्च के बाद से क्षेत्र की दैनिक तस्वीरें ले रहे हैं। इस उदाहरण में, हम जमीनी सच्चाई डेटा और उपग्रह इमेजरी के बीच 2 साल के अपूर्ण अंतर को स्वीकार करते हैं। हालाँकि, लैंडसैट 8 कम-रिज़ॉल्यूशन इमेजरी का उपयोग 2015 और 2017 के बीच एक पुल के रूप में किया जा सकता था।
ग्रह डेटा तक पहुंचें
उपयोगकर्ताओं को तेजी से सटीक और कार्रवाई योग्य डेटा प्राप्त करने में मदद करने के लिए, प्लैनेट ने पायथन के लिए प्लैनेट सॉफ्टवेयर डेवलपमेंट किट (एसडीके) भी विकसित किया है। यह डेटा वैज्ञानिकों और डेवलपर्स के लिए एक शक्तिशाली उपकरण है जो उपग्रह इमेजरी और अन्य भू-स्थानिक डेटा के साथ काम करना चाहते हैं। इस एसडीके के साथ, आप प्लैनेट के उच्च-रिज़ॉल्यूशन उपग्रह इमेजरी के विशाल संग्रह के साथ-साथ ओपनस्ट्रीटमैप जैसे अन्य स्रोतों से डेटा खोज और एक्सेस कर सकते हैं। एसडीके प्लैनेट के एपीआई के लिए एक पायथन क्लाइंट प्रदान करता है, साथ ही एक नो-कोड कमांड लाइन इंटरफ़ेस (सीएलआई) समाधान भी प्रदान करता है, जिससे सैटेलाइट इमेजरी और भू-स्थानिक डेटा को पायथन वर्कफ़्लो में शामिल करना आसान हो जाता है। यह उदाहरण विश्लेषण के लिए आवश्यक इमेजरी को पहचानने और डाउनलोड करने के लिए पायथन क्लाइंट का उपयोग करता है।
आप एक साधारण कमांड का उपयोग करके भू-स्थानिक छवि के साथ सेजमेकर स्टूडियो नोटबुक में प्लैनेट पायथन क्लाइंट स्थापित कर सकते हैं:
आप क्लाइंट का उपयोग प्रासंगिक उपग्रह इमेजरी से पूछताछ करने और रुचि के क्षेत्र, समय सीमा और अन्य खोज मानदंडों के आधार पर उपलब्ध परिणामों की सूची प्राप्त करने के लिए कर सकते हैं। निम्नलिखित उदाहरण में, हम यह पूछकर प्रारंभ करते हैं कि कितने प्लैनेटस्कोप दृश्य (प्लैनेट की दैनिक इमेजरी) रुचि के उसी क्षेत्र (एओआई) को कवर करती है जिसे हमने पहले सैक्रामेंटो में ग्राउंड डेटा के माध्यम से परिभाषित किया था, 1 जून और 1 अक्टूबर, 2017 के बीच एक निश्चित समय सीमा दी गई थी; साथ ही 10% की एक निश्चित वांछित अधिकतम क्लाउड कवरेज सीमा:
लौटाए गए परिणाम हमारी रुचि के क्षेत्र के साथ ओवरलैप होने वाले मिलान दृश्यों की संख्या दिखाते हैं। इसमें प्रत्येक दृश्य का मेटाडेटा, उसकी छवि आईडी और एक पूर्वावलोकन छवि संदर्भ भी शामिल है।
किसी विशेष दृश्य के चयन के बाद, दृश्य आईडी, आइटम प्रकार और उत्पाद बंडलों पर विशिष्टताओं के साथ (संदर्भ दस्तावेज़ीकरण), आप छवि और उसके मेटाडेटा को डाउनलोड करने के लिए निम्नलिखित कोड का उपयोग कर सकते हैं:
यह कोड संबंधित उपग्रह छवि को डाउनलोड करता है अमेज़ॅन इलास्टिक फ़ाइल सिस्टम सेजमेकर स्टूडियो के लिए (अमेज़ॅन ईएफएस) वॉल्यूम।
मॉडल प्रशिक्षण
प्लैनेट पायथन क्लाइंट के साथ डेटा डाउनलोड होने के बाद, विभाजन मॉडल को प्रशिक्षित किया जा सकता है। इस उदाहरण में, केएनएन वर्गीकरण और छवि विभाजन तकनीकों के संयोजन का उपयोग फसल क्षेत्र की पहचान करने और भू-संदर्भित जियोजोन सुविधाओं को बनाने के लिए किया जाता है।
केएनएन क्लासिफायरियर के प्रशिक्षण के लिए इसे तैयार करने के लिए सेजमेकर में अंतर्निहित भू-स्थानिक पुस्तकालयों और उपकरणों का उपयोग करके प्लैनेट डेटा को लोड और प्रीप्रोसेस किया जाता है। प्रशिक्षण के लिए जमीनी सच्चाई डेटा 2015 से सैक्रामेंटो काउंटी भूमि उपयोग डीडब्ल्यूआर सर्वेक्षण डेटासेट है, और 2017 से प्लैनेट डेटा का उपयोग मॉडल के परीक्षण के लिए किया जाता है।
जमीनी सच्चाई की विशेषताओं को रूपरेखा में बदलें
KNN क्लासिफायरियर को प्रशिक्षित करने के लिए, प्रत्येक पिक्सेल का वर्ग या तो crop
or non-crop
पहचानने की जरूरत है. वर्ग का निर्धारण इस बात से होता है कि पिक्सेल जमीनी सच्चाई डेटा में क्रॉप फीचर से जुड़ा है या नहीं। यह निर्धारण करने के लिए, जमीनी सच्चाई डेटा को पहले OpenCV रूपरेखा में परिवर्तित किया जाता है, जिसे फिर अलग करने के लिए उपयोग किया जाता है crop
से non-crop
पिक्सल। फिर KNN क्लासिफायरियर को प्रशिक्षित करने के लिए पिक्सेल मान और उनके वर्गीकरण का उपयोग किया जाता है।
जमीनी सच्चाई की विशेषताओं को रूपरेखा में बदलने के लिए, सुविधाओं को पहले छवि के समन्वय संदर्भ प्रणाली में प्रक्षेपित किया जाना चाहिए। फिर, विशेषताएं छवि स्थान में बदल जाती हैं, और अंत में रूपरेखा में परिवर्तित हो जाती हैं। आकृतियों की सटीकता सुनिश्चित करने के लिए, उन्हें इनपुट छवि पर ओवरलेड करके देखा जाता है, जैसा कि निम्नलिखित उदाहरण में दिखाया गया है।
केएनएन क्लासिफायरियर को प्रशिक्षित करने के लिए, क्रॉप और नॉन-क्रॉप पिक्सल को मास्क के रूप में क्रॉप फीचर कंटूर का उपयोग करके अलग किया जाता है।
केएनएन क्लासिफायरियर के इनपुट में दो डेटासेट होते हैं: एक्स, एक 2डी सरणी जो वर्गीकृत करने के लिए सुविधाएं प्रदान करती है; और y, एक 1d सरणी जो कक्षाएं प्रदान करती है (उदाहरण). यहां, गैर-फसल और फसल डेटासेट से एक एकल वर्गीकृत बैंड बनाया जाता है, जहां बैंड के मान पिक्सेल वर्ग को दर्शाते हैं। बैंड और अंतर्निहित छवि पिक्सेल बैंड मान को क्लासिफायर फ़िट फ़ंक्शन के लिए एक्स और वाई इनपुट में परिवर्तित किया जाता है।
क्लासिफायर को क्रॉप और नॉन-क्रॉप पिक्सल पर प्रशिक्षित करें
KNN वर्गीकरण इसके साथ किया जाता है स्किकिट-लर्न KNeighborsClassifier. पड़ोसियों की संख्या, एक पैरामीटर जो अनुमानक के प्रदर्शन को बहुत प्रभावित करता है, को केएनएन क्रॉस-वैलिडेशन में क्रॉस-वैलिडेशन का उपयोग करके ट्यून किया जाता है। फिर क्लासिफायरियर को तैयार डेटासेट और पड़ोसी मापदंडों की ट्यून की गई संख्या का उपयोग करके प्रशिक्षित किया जाता है। निम्नलिखित कोड देखें:
अपने इनपुट डेटा पर क्लासिफायरियर के प्रदर्शन का आकलन करने के लिए, पिक्सेल बैंड मानों का उपयोग करके पिक्सेल वर्ग की भविष्यवाणी की जाती है। क्लासिफायरियर का प्रदर्शन मुख्य रूप से प्रशिक्षण डेटा की सटीकता और इनपुट डेटा (पिक्सेल बैंड मान) के आधार पर पिक्सेल कक्षाओं के स्पष्ट पृथक्करण पर आधारित है। क्लासिफायर के पैरामीटर, जैसे पड़ोसियों की संख्या और दूरी भार फ़ंक्शन, को बाद में किसी भी अशुद्धि की भरपाई के लिए समायोजित किया जा सकता है। निम्नलिखित कोड देखें:
मॉडल भविष्यवाणियों का मूल्यांकन करें
प्रशिक्षित केएनएन क्लासिफायर का उपयोग परीक्षण डेटा में फसल क्षेत्रों की भविष्यवाणी करने के लिए किया जाता है। इस परीक्षण डेटा में वे क्षेत्र शामिल हैं जो प्रशिक्षण के दौरान मॉडल के संपर्क में नहीं आए थे। दूसरे शब्दों में, मॉडल को अपने विश्लेषण से पहले क्षेत्र का कोई ज्ञान नहीं है और इसलिए इस डेटा का उपयोग मॉडल के प्रदर्शन का निष्पक्ष मूल्यांकन करने के लिए किया जा सकता है। हम कई क्षेत्रों का दृश्य निरीक्षण करके शुरुआत करते हैं, शुरुआत ऐसे क्षेत्र से करते हैं जो तुलनात्मक रूप से अधिक शोर वाला है।
दृश्य निरीक्षण से पता चलता है कि पूर्वानुमानित कक्षाएं अधिकतर जमीनी सच्चाई वाली कक्षाओं के अनुरूप हैं। विचलन के कुछ क्षेत्र हैं, जिनका हम आगे निरीक्षण करेंगे।
आगे की जांच करने पर, हमें पता चला कि इस क्षेत्र में कुछ शोर जमीनी सच्चाई के डेटा के कारण था जिसमें वर्गीकृत छवि में मौजूद विवरण की कमी थी (ऊपर बाईं ओर और नीचे बाईं ओर की तुलना में ऊपर दाईं ओर)। एक विशेष रूप से दिलचस्प खोज यह है कि वर्गीकरणकर्ता नदी के किनारे के पेड़ों की पहचान करता है non-crop
, जबकि जमीनी सच्चाई डेटा गलती से उनकी पहचान कर लेता है crop
. इन दो विभाजनों के बीच यह अंतर फसलों के ऊपर क्षेत्र में पेड़ों की छाया के कारण हो सकता है।
इसके बाद, हम एक अन्य क्षेत्र का निरीक्षण करते हैं जिसे दोनों तरीकों के बीच अलग-अलग वर्गीकृत किया गया था। इन हाइलाइट किए गए क्षेत्रों को पहले 2015 (ऊपर दाएं) में जमीनी सच्चाई डेटा में गैर-फसल क्षेत्रों के रूप में चिह्नित किया गया था, लेकिन प्लैनेटस्कोप दृश्यों (ऊपर बाएं और नीचे बाएं) के माध्यम से 2017 में बदल दिया गया और स्पष्ट रूप से फसल क्षेत्र के रूप में दिखाया गया। वर्गीकरणकर्ता (नीचे दाएं) के माध्यम से उन्हें बड़े पैमाने पर फसल भूमि के रूप में भी वर्गीकृत किया गया था।
फिर से, हम देखते हैं कि केएनएन क्लासिफायर जमीनी सच्चाई वर्ग की तुलना में अधिक विस्तृत परिणाम प्रस्तुत करता है, और यह फसल भूमि में हो रहे बदलाव को भी सफलतापूर्वक पकड़ लेता है। यह उदाहरण दैनिक ताज़ा उपग्रह डेटा के मूल्य के बारे में भी बताता है क्योंकि दुनिया अक्सर वार्षिक रिपोर्टों की तुलना में बहुत तेजी से बदलती है, और इस तरह एमएल के साथ एक संयुक्त विधि हमें परिवर्तनों को घटित होने पर पकड़ने में मदद कर सकती है। उपग्रह डेटा के माध्यम से ऐसे परिवर्तनों की निगरानी और खोज करने में सक्षम होने से, विशेष रूप से विकसित कृषि क्षेत्रों में, किसानों को अपने काम को अनुकूलित करने और मूल्य श्रृंखला में किसी भी कृषि हितधारक को मौसम की बेहतर नब्ज प्राप्त करने के लिए उपयोगी जानकारी मिलती है।
मॉडल मूल्यांकन
अनुमानित वर्गों की छवियों की जमीनी सच्चाई वर्गों से दृश्य तुलना व्यक्तिपरक हो सकती है और वर्गीकरण परिणामों की सटीकता का आकलन करने के लिए इसे सामान्यीकृत नहीं किया जा सकता है। मात्रात्मक मूल्यांकन प्राप्त करने के लिए, हम स्किकिट-लर्न का उपयोग करके वर्गीकरण मेट्रिक्स प्राप्त करते हैं classification_report
समारोह:
पिक्सेल वर्गीकरण का उपयोग फसल क्षेत्रों का एक विभाजन मुखौटा बनाने के लिए किया जाता है, जो सटीक और महत्वपूर्ण मेट्रिक्स को याद करता है, और एफ 1 स्कोर सटीकता की भविष्यवाणी के लिए एक अच्छा समग्र माप है। हमारे परिणाम हमें ट्रेन और परीक्षण डेटासेट में फसल और गैर-फसल दोनों क्षेत्रों के लिए मेट्रिक्स देते हैं। हालाँकि, चीजों को सरल रखने के लिए, आइए परीक्षण डेटासेट में फसल क्षेत्रों के संदर्भ में इन मैट्रिक्स पर करीब से नज़र डालें।
परिशुद्धता इस बात का माप है कि हमारे मॉडल की सकारात्मक भविष्यवाणियाँ कितनी सटीक हैं। इस मामले में, फसल क्षेत्रों के लिए 0.94 की सटीकता इंगित करती है कि हमारा मॉडल उन क्षेत्रों की सही पहचान करने में बहुत सफल है जो वास्तव में फसल क्षेत्र हैं, जहां झूठी सकारात्मकता (वास्तविक गैर-फसल क्षेत्रों को गलत तरीके से फसल क्षेत्रों के रूप में पहचाना जाता है) को कम किया जाता है। दूसरी ओर, स्मरण सकारात्मक भविष्यवाणियों की पूर्णता को मापता है। दूसरे शब्दों में, रिकॉल उन वास्तविक सकारात्मकताओं के अनुपात को मापता है जिन्हें सही ढंग से पहचाना गया था। हमारे मामले में, फसल क्षेत्रों के लिए 0.73 के रिकॉल वैल्यू का मतलब है कि सभी वास्तविक फसल क्षेत्र पिक्सल का 73% सही ढंग से पहचाना गया है, जिससे गलत नकारात्मक की संख्या कम हो गई है।
आदर्श रूप से, सटीकता और रिकॉल दोनों के उच्च मूल्यों को प्राथमिकता दी जाती है, हालांकि यह काफी हद तक केस स्टडी के अनुप्रयोग पर निर्भर हो सकता है। उदाहरण के लिए, यदि हम कृषि के लिए फसल क्षेत्रों की पहचान करने वाले किसानों के लिए इन परिणामों की जांच कर रहे थे, तो हम गलत नकारात्मक (गैर-फसल क्षेत्रों के रूप में पहचाने जाने वाले क्षेत्रों) की संख्या को कम करने के लिए, सटीकता की तुलना में उच्च रिकॉल को प्राथमिकता देना चाहेंगे। भूमि का अधिकतम उपयोग करने के लिए वास्तव में फसल क्षेत्र हैं)। एफ1-स्कोर एक समग्र सटीकता मीट्रिक के रूप में कार्य करता है जो परिशुद्धता और रिकॉल दोनों को जोड़ता है, और दो मीट्रिक के बीच संतुलन को मापता है। एक उच्च एफ1-स्कोर, जैसे कि फसल क्षेत्रों के लिए हमारा (0.82), परिशुद्धता और रिकॉल दोनों के बीच एक अच्छा संतुलन और उच्च समग्र वर्गीकरण सटीकता का संकेत देता है। हालाँकि ट्रेन और परीक्षण डेटासेट के बीच F1-स्कोर गिरता है, यह अपेक्षित है क्योंकि क्लासिफायरियर को ट्रेन डेटासेट पर प्रशिक्षित किया गया था। 1 का समग्र भारित औसत एफ0.77 स्कोर आशाजनक है और वर्गीकृत डेटा पर विभाजन योजनाओं को आज़माने के लिए पर्याप्त है।
क्लासिफायरियर से एक सेगमेंटेशन मास्क बनाएं
परीक्षण डेटासेट पर केएनएन क्लासिफायरियर की भविष्यवाणियों का उपयोग करके एक सेगमेंटेशन मास्क के निर्माण में छवि शोर के कारण होने वाले छोटे खंडों से बचने के लिए अनुमानित आउटपुट को साफ करना शामिल है। धब्बेदार शोर को दूर करने के लिए, हम OpenCV का उपयोग करते हैं माध्य धुंधला फ़िल्टर. यह फ़िल्टर मोर्फोलॉजिकल ओपन ऑपरेशन की तुलना में फसलों के बीच सड़क चित्रण को बेहतर ढंग से संरक्षित करता है।
डिनोइज्ड आउटपुट पर बाइनरी सेगमेंटेशन लागू करने के लिए, हमें सबसे पहले ओपनसीवी का उपयोग करके वर्गीकृत रैस्टर डेटा को वेक्टर सुविधाओं में परिवर्तित करना होगा। खोजें समारोह.
अंत में, खंडित फसल रूपरेखा का उपयोग करके वास्तविक खंडित फसल क्षेत्रों की गणना की जा सकती है।
केएनएन क्लासिफायरियर से उत्पादित खंडित फसल क्षेत्र परीक्षण डेटासेट में फसल क्षेत्रों की सटीक पहचान की अनुमति देते हैं। इन खंडित क्षेत्रों का उपयोग विभिन्न उद्देश्यों के लिए किया जा सकता है, जैसे कि क्षेत्र की सीमा की पहचान, फसल की निगरानी, उपज का अनुमान और संसाधन आवंटन। 1 का प्राप्त एफ0.77 स्कोर अच्छा है और यह सबूत देता है कि केएनएन क्लासिफायर रिमोट सेंसिंग छवियों में फसल विभाजन के लिए एक प्रभावी उपकरण है। इन परिणामों का उपयोग फसल विभाजन तकनीकों को और बेहतर बनाने और परिष्कृत करने के लिए किया जा सकता है, जिससे संभावित रूप से फसल विश्लेषण में सटीकता और दक्षता में वृद्धि होगी।
निष्कर्ष
इस पोस्ट में दर्शाया गया है कि आप इनके संयोजन का उपयोग कैसे कर सकते हैं ग्रह का उच्च ताल, उच्च-रिज़ॉल्यूशन उपग्रह इमेजरी और सेजमेकर की भू-स्थानिक क्षमताएं फसल विभाजन विश्लेषण करने के लिए, मूल्यवान अंतर्दृष्टि को अनलॉक करना जो कृषि दक्षता, पर्यावरणीय स्थिरता और खाद्य सुरक्षा में सुधार कर सकता है। फसल क्षेत्रों की सटीक पहचान करने से फसल वृद्धि और उत्पादकता पर आगे के विश्लेषण, भूमि उपयोग परिवर्तनों की निगरानी और संभावित खाद्य सुरक्षा जोखिमों का पता लगाने में मदद मिलती है।
इसके अलावा, प्लैनेट डेटा और सेजमेकर का संयोजन फसल विभाजन से परे उपयोग के मामलों की एक विस्तृत श्रृंखला प्रदान करता है। अंतर्दृष्टि अकेले कृषि में फसल प्रबंधन, संसाधन आवंटन और नीति नियोजन पर डेटा-संचालित निर्णय लेने में सक्षम हो सकती है। विभिन्न डेटा और एमएल मॉडल के साथ, संयुक्त पेशकश अन्य उद्योगों में भी विस्तारित हो सकती है और डिजिटल परिवर्तन, स्थिरता परिवर्तन और सुरक्षा की दिशा में मामलों का उपयोग कर सकती है।
सेजमेकर भू-स्थानिक क्षमताओं का उपयोग शुरू करने के लिए, देखें Amazon SageMaker भू-स्थानिक क्षमताओं के साथ शुरुआत करें.
प्लैनेट की इमेजरी विशिष्टताओं और डेवलपर संदर्भ सामग्रियों के बारे में अधिक जानने के लिए, यहाँ जाएँ प्लैनेट डेवलपर सेंटर. पायथन के लिए प्लैनेट के एसडीके पर दस्तावेज़ीकरण के लिए, देखें पायथन के लिए प्लैनेट एसडीके. प्लैनेट के बारे में अधिक जानकारी के लिए, इसके मौजूदा डेटा उत्पादों और आगामी उत्पाद रिलीज़ सहित, पर जाएँ https://www.planet.com/.
प्लैनेट लैब्स पीबीसी भविष्योन्मुखी वक्तव्य
यहां मौजूद ऐतिहासिक जानकारी को छोड़कर, इस ब्लॉग पोस्ट में दिए गए मामले 1995 के निजी प्रतिभूति मुकदमेबाजी सुधार अधिनियम के "सुरक्षित बंदरगाह" प्रावधानों के अर्थ में भविष्योन्मुखी बयान हैं, जिनमें प्लैनेट लैब्स भी शामिल है, लेकिन इन्हीं तक सीमित नहीं है। पीबीसी की बाजार के अवसर को पकड़ने और वर्तमान या भविष्य के उत्पाद संवर्द्धन, नए उत्पादों, या रणनीतिक साझेदारी और ग्राहक सहयोग से किसी भी संभावित लाभ का एहसास करने की क्षमता। भविष्योन्मुखी बयान प्लैनेट लैब्स पीबीसी के प्रबंधन के विश्वासों, साथ ही उनके द्वारा की गई धारणाओं और वर्तमान में उनके पास उपलब्ध जानकारी पर आधारित हैं। क्योंकि ऐसे बयान भविष्य की घटनाओं और परिणामों की अपेक्षाओं पर आधारित होते हैं और तथ्य के बयान नहीं होते हैं, वास्तविक परिणाम अनुमानित परिणामों से भिन्न हो सकते हैं। जिन कारकों के कारण वास्तविक परिणाम वर्तमान अपेक्षाओं से भिन्न हो सकते हैं, उनमें प्लैनेट लैब्स पीबीसी और उसके व्यवसाय के बारे में जोखिम कारक और अन्य खुलासे शामिल हैं, जो प्लैनेट लैब्स पीबीसी की आवधिक रिपोर्ट, प्रॉक्सी स्टेटमेंट और समय-समय पर दायर की गई अन्य प्रकटीकरण सामग्रियों में शामिल हैं। समय-समय पर सिक्योरिटीज एंड एक्सचेंज कमीशन (एसईसी) के साथ ऑनलाइन उपलब्ध हैं www.sec.gov, और प्लैनेट लैब्स पीबीसी की वेबसाइट www.planet.com पर। सभी भविष्योन्मुखी बयान प्लैनेट लैब्स पीबीसी की मान्यताओं और धारणाओं को केवल उस तारीख तक दर्शाते हैं जब ऐसे बयान दिए जाते हैं। प्लैनेट लैब्स पीबीसी भविष्य की घटनाओं या परिस्थितियों को प्रतिबिंबित करने के लिए भविष्योन्मुखी बयानों को अद्यतन करने का कोई दायित्व नहीं लेता है।
लेखक के बारे में
लिडिया लिहुई झांग प्लैनेट लैब्स पीबीसी में बिजनेस डेवलपमेंट स्पेशलिस्ट हैं, जहां वह विभिन्न क्षेत्रों और असंख्य उपयोग के मामलों में पृथ्वी की बेहतरी के लिए अंतरिक्ष को जोड़ने में मदद करती हैं। पहले, वह कृषि-केंद्रित समाधान मैकिन्से एसीआरई में डेटा वैज्ञानिक थीं। उन्होंने अंतरिक्ष नीति पर ध्यान केंद्रित करते हुए एमआईटी टेक्नोलॉजी पॉलिसी प्रोग्राम से मास्टर ऑफ साइंस की डिग्री हासिल की है। भू-स्थानिक डेटा और व्यवसाय और स्थिरता पर इसका व्यापक प्रभाव उनके करियर का फोकस रहा है।
मानसी शाह एक सॉफ्टवेयर इंजीनियर, डेटा वैज्ञानिक और संगीतकार हैं जिनका काम उन स्थानों की खोज करता है जहां कलात्मक कठोरता और तकनीकी जिज्ञासा टकराती है। उनका मानना है कि डेटा (कला की तरह!) जीवन का अनुकरण करता है, और संख्याओं और नोट्स के पीछे की गहन मानवीय कहानियों में रुचि रखता है।
ज़िओंग झोउ AWS में वरिष्ठ एप्लाइड वैज्ञानिक हैं। वह अमेज़ॅन सेजमेकर भू-स्थानिक क्षमताओं के लिए विज्ञान टीम का नेतृत्व करते हैं। उनके अनुसंधान के वर्तमान क्षेत्र में कंप्यूटर विज़न और कुशल मॉडल प्रशिक्षण शामिल हैं। अपने खाली समय में, वह दौड़ना, बास्केटबॉल खेलना और अपने परिवार के साथ समय बिताना पसंद करते हैं।
जानोश वोस्चिट्ज़ एडब्ल्यूएस में एक वरिष्ठ समाधान वास्तुकार हैं, जो भू-स्थानिक एआई/एमएल में विशेषज्ञता रखते हैं। 15 वर्षों से अधिक के अनुभव के साथ, वह भू-स्थानिक डेटा का लाभ उठाने वाले नवीन समाधानों के लिए एआई और एमएल का लाभ उठाने में विश्व स्तर पर ग्राहकों का समर्थन करता है। उनकी विशेषज्ञता मशीन लर्निंग, डेटा इंजीनियरिंग और स्केलेबल वितरित सिस्टम तक फैली हुई है, जो सॉफ्टवेयर इंजीनियरिंग में एक मजबूत पृष्ठभूमि और स्वायत्त ड्राइविंग जैसे जटिल डोमेन में उद्योग विशेषज्ञता द्वारा संवर्धित है।
शीतल ढकाल सैन फ्रांसिस्को खाड़ी क्षेत्र में स्थित सेजमेकर भू-स्थानिक एमएल टीम के साथ एक वरिष्ठ कार्यक्रम प्रबंधक हैं। उनकी रिमोट सेंसिंग और भौगोलिक सूचना प्रणाली (जीआईएस) में पृष्ठभूमि है। उन्हें ग्राहकों की समस्याओं को समझने और उन्हें हल करने के लिए भू-स्थानिक उत्पाद बनाने का शौक है। अपने खाली समय में, वह लंबी पैदल यात्रा, यात्रा और टेनिस खेलना पसंद करते हैं।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :हैस
- :है
- :नहीं
- :कहाँ
- $यूपी
- 1
- 10
- 100
- 14
- 15 साल
- 15% तक
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- क्षमता
- योग्य
- About
- में तेजी लाने के
- पहुँच
- शुद्धता
- सही
- सही रूप में
- हासिल
- प्राप्त
- एकड़
- के पार
- अधिनियम
- कार्रवाई
- वास्तविक
- वास्तव में
- अनुकूलन
- समायोजित
- को प्रभावित
- प्रभावित करने वाले
- बाद
- कृषि
- कृषि
- AI
- ऐ / एमएल
- सब
- आवंटन
- अनुमति देना
- की अनुमति दे
- अकेला
- साथ में
- भी
- हालांकि
- वीरांगना
- अमेज़न SageMaker
- अमेज़न सैजमेकर भू-स्थानिक
- अमेज़ॅन सैजमेकर स्टूडियो
- अमेज़ॅन वेब सेवा
- an
- विश्लेषण
- विश्लेषण करें
- और
- वार्षिक
- अन्य
- कोई
- कहीं भी
- एपीआई
- आवेदन
- अनुप्रयोगों
- लागू
- लागू करें
- अभिलेखागार
- हैं
- क्षेत्र
- क्षेत्रों के बारे में जानकारी का उपयोग करके ट्रेडिंग कर सकते हैं।
- ऐरे
- कलात्मक
- AS
- पूछ
- आकलन
- आकलन
- मूल्यांकन
- आस्ति
- सहायता
- जुड़े
- मान्यताओं
- At
- संवर्धित
- स्वायत्त
- उपलब्धता
- उपलब्ध
- औसत
- से बचने
- का इंतजार
- एडब्ल्यूएस
- वापस
- पृष्ठभूमि
- शेष
- बैंड
- बैंड का
- बार
- आधारित
- आधार
- बास्केटबाल
- खाड़ी
- BE
- क्योंकि
- किया गया
- शुरू
- पीछे
- जा रहा है
- विश्वासों
- का मानना है कि
- लाभ
- बेहतर
- सुधार
- के बीच
- परे
- ब्लॉग
- नीला
- कलंक
- के छात्रों
- तल
- सीमाओं
- सीमा
- पुल
- लाना
- व्यापक
- निर्माण
- इमारत
- में निर्मित
- बंडल
- व्यापार
- व्यापार विकास
- लेकिन
- by
- CA
- कैलिफ़ोर्निया
- कर सकते हैं
- क्षमताओं
- मूल बनाना
- कब्जा
- कब्जा
- कैरियर
- मामला
- मामले का अध्ययन
- मामलों
- कारण
- के कारण होता
- कुछ
- श्रृंखला
- परिवर्तन
- बदल
- परिवर्तन
- विशेषताएँ
- हालत
- कक्षा
- कक्षाएं
- वर्गीकरण
- वर्गीकृत
- सफाई
- स्पष्ट
- स्पष्ट रूप से
- जमानती
- ग्राहक
- जलवायु
- जलवायु परिवर्तन
- करीब
- बादल
- कोड
- सहयोग
- संग्रह
- भिड़ना
- COM
- संयोजन
- संयुक्त
- संयोजन
- कैसे
- आता है
- आयोग
- सामान्य
- सामान्यतः
- कंपनी
- अपेक्षाकृत
- तुलना
- तुलना
- तुलना
- जटिल
- कंप्यूटर
- Computer Vision
- आचरण
- जुडिये
- संगत
- होते हैं
- निहित
- शामिल हैं
- प्रसंग
- जारी
- बदलना
- परिवर्तित
- समन्वय
- मूल
- संशोधित
- इसी
- सका
- काउंटी
- आवरण
- व्याप्ति
- कवर
- बनाना
- बनाया
- बनाना
- निर्माण
- मापदंड
- फ़सल
- फसलों
- जिज्ञासा
- वर्तमान
- वर्तमान में
- ग्राहक
- ग्राहक
- दैनिक
- तिथि
- आँकड़े वाला वैज्ञानिक
- डेटा पर ही आधारित
- डेटासेट
- तारीख
- निर्णय
- और गहरा
- परिभाषित
- परिभाषित
- साबित
- निर्भर
- तैनात
- निकाली गई
- वांछित
- नष्ट
- विस्तार
- खोज
- दृढ़ संकल्प
- निर्धारित
- विकसित
- डेवलपर
- डेवलपर्स
- विकास
- विचलन
- अलग
- अंतर
- विभिन्न
- डिजिटल
- डिजिटल परिवर्तन
- सीधे
- आपदा
- प्रकटीकरण
- अन्य वायरल पोस्ट से
- की खोज
- चर्चा करना
- दूरी
- वितरित
- वितरित प्रणाली
- वितरण
- दस्तावेज़ीकरण
- डोमेन
- कबूतर
- डाउनलोड
- डाउनलोड
- ड्राइव
- ड्राइविंग
- ड्रॉप
- दो
- दौरान
- से प्रत्येक
- पूर्व
- पृथ्वी
- आसानी
- आसान
- प्रभावी
- दक्षता
- कुशल
- कुशलता
- प्रयासों
- भी
- सशक्त
- सक्षम
- सक्षम बनाता है
- इंजीनियर
- अभियांत्रिकी
- इंजीनियर्स
- संवर्द्धन
- पर्याप्त
- समृद्ध
- सुनिश्चित
- वातावरण
- ambiental
- पर्यावरणीय स्थिरता
- वातावरण
- विशेष रूप से
- मूल्यांकन करें
- कार्यक्रम
- घटनाओं
- सबूत
- उद्विकासी
- जांच
- उदाहरण
- एक्सचेंज
- मौजूदा
- विस्तार
- उम्मीदों
- अपेक्षित
- अनुभव
- विशेषज्ञता
- का पता लगाने
- पड़ताल
- उजागर
- f1
- तथ्य
- कारकों
- असत्य
- परिवार
- किसानों
- खेती
- और तेज
- Feature
- विशेषताएं
- फरवरी
- उर्वरक
- कुछ
- खेत
- फ़ील्ड
- पट्टिका
- दायर
- फ़िल्टर
- अंत में
- खोज
- खोज
- फियोना
- प्रथम
- फिट
- बेड़ा
- लचीला
- बाढ़
- फोकस
- ध्यान केंद्रित
- निम्नलिखित
- भोजन
- के लिए
- आगे
- दूरंदेशी
- बुनियाद
- फ्रांसिस्को
- से
- समारोह
- आगे
- भविष्य
- पाने
- अन्तर
- भौगोलिक
- भू-स्थानिक एमएल
- मिल
- देना
- दी
- वैश्विक
- ग्लोबली
- अच्छा
- ग्राफ़िक्स
- बहुत
- हरा
- जमीन
- बढ़ रहा है
- विकास
- अतिथि
- अतिथि पोस्ट
- हाथ
- होना
- हो रहा है
- है
- होने
- he
- स्वास्थ्य
- मदद
- सहायक
- मदद करता है
- उसे
- यहाँ उत्पन्न करें
- इस के साथ साथ
- हाई
- उच्च आवृत्ति
- उच्च संकल्प
- उच्चतर
- हाइलाइट
- उसके
- ऐतिहासिक
- रखती है
- कैसे
- How To
- तथापि
- एचटीएमएल
- http
- HTTPS
- मानव
- i
- ID
- पहचान
- पहचान
- पहचानती
- पहचान करना
- पहचान
- if
- की छवि
- छवियों
- अत्यधिक
- प्रभाव
- महत्वपूर्ण
- में सुधार
- सुधार
- में सुधार लाने
- in
- अन्य में
- शामिल
- शामिल
- शामिल
- सहित
- सम्मिलित
- गलत रूप से
- वृद्धि हुई
- बढ़ती
- वास्तव में
- अनुक्रमणिका
- संकेत मिलता है
- इंगित करता है
- उद्योगों
- उद्योग
- करें-
- अभिनव
- निवेश
- निविष्टियां
- अंतर्दृष्टि
- प्रेरित
- स्थापित
- installed
- इंटरैक्टिव
- ब्याज
- रुचि
- दिलचस्प
- इंटरफेस
- में
- जांच
- IT
- आईटी इस
- जेनिफर
- जेपीजी
- जून
- रखना
- किट (एसडीके)
- ज्ञान
- काइल
- लैब्स
- भूमि
- बड़ा
- बड़े पैमाने पर
- बड़े पैमाने पर
- देर से
- लांच
- शुभारंभ
- नेतृत्व
- प्रमुख
- बिक्रीसूत्र
- जानें
- सीख रहा हूँ
- बाएं
- लाभ
- पुस्तकालयों
- जीवन
- पसंद
- सीमित
- लाइन
- सूची
- मुकदमा
- स्थित
- देखिए
- देख
- मशीन
- यंत्र अधिगम
- मैक्रो
- बनाया गया
- मुख्यतः
- बनाना
- निर्माण
- प्रबंधन
- प्रबंध
- प्रबंधक
- बहुत
- नक्शा
- चिह्नित
- बाजार
- मुखौटा
- मास्टर
- मिलान
- वास्तव में
- सामग्री
- मैटर्स
- अधिकतम
- मई..
- मैकिन्से
- अर्थ
- साधन
- माप
- उपायों
- मापने
- मेटाडाटा
- तरीका
- तरीकों
- मीट्रिक
- मेट्रिक्स
- कम से कम
- एमआईटी
- कम करने
- ML
- आदर्श
- मॉडल
- मॉनिटर
- निगरानी
- अधिक
- अधिकांश
- अधिकतर
- बहुत
- विभिन्न
- संगीतकार
- चाहिए
- असंख्य
- प्राकृतिक
- आवश्यकता
- जरूरत
- की जरूरत है
- नकारात्मक
- पड़ोसियों
- नया
- नए उत्पादों
- नहीं
- शोर
- नोटबुक
- नोट्स
- संख्या
- संख्या
- अनेक
- निष्पक्ष
- दायित्व
- निरीक्षण
- प्राप्त
- अक्टूबर
- of
- की पेशकश
- ऑफर
- अक्सर
- on
- ऑनलाइन
- केवल
- खुला
- OpenCV
- आपरेशन
- अवसर
- ऑप्टिमाइज़ करें
- or
- आदेश
- आदेशों
- संगठनों
- मौलिक रूप से
- अन्य
- हमारी
- Pyrenean भालू (पृष्ठ मौजूद नहीं है)
- रूपरेखा
- उत्पादन
- के ऊपर
- कुल
- अपना
- दर्द
- प्राचल
- पैरामीटर
- विशेष
- विशेष रूप से
- पार्टनर
- भागीदारी
- आवेशपूर्ण
- पैटर्न उपयोग करें
- निष्पादन
- प्रदर्शन
- प्रदर्शन
- समय-समय
- भौतिक
- चुनना
- पिक्सेल
- ग्रह
- की योजना बना
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- खेल
- अंक
- नीति
- सकारात्मक
- संभव
- पद
- संभावित
- संभावित
- बिजली
- शक्तिशाली
- प्रथाओं
- ठीक
- शुद्धता
- भविष्यवाणी करना
- भविष्यवाणी
- की भविष्यवाणी
- भविष्यवाणियों
- वरीय
- तैयार करना
- तैयार
- वर्तमान
- प्रस्तुत
- पूर्वावलोकन
- पहले से
- मुख्यत
- प्राथमिक
- पूर्व
- प्राथमिकता
- निजी
- मुसीबत
- प्रक्रिया
- प्रसंस्कृत
- प्रसंस्करण
- प्रस्तुत
- एस्ट्रो मॉल
- उत्पादकता
- उत्पाद
- गंभीरतापूर्वक
- कार्यक्रम
- प्रक्षेपित
- होनहार
- अनुपात
- प्रदान करना
- बशर्ते
- प्रदान करता है
- प्रतिनिधि
- सार्वजनिक रूप से
- नाड़ी
- प्रयोजनों
- अजगर
- मात्रात्मक
- त्वरित
- जल्दी से
- रेंज
- महसूस करना
- लाल
- को कम करने
- को परिष्कृत
- प्रतिबिंबित
- सुधार
- क्षेत्र
- क्षेत्रों
- विज्ञप्ति
- प्रासंगिक
- राहत
- दूरस्थ
- हटाना
- रिपोर्टिंग
- रिपोर्ट
- प्रतिनिधि
- का अनुरोध
- अनुसंधान
- संसाधन
- उपयुक्त संसाधन चुनें
- परिणाम
- परिणाम
- वापसी
- प्रकट
- पता चलता है
- धनी
- सही
- जोखिम
- जोखिम के कारण
- जोखिम
- नदी
- सड़क
- रन
- दौड़ना
- सैक्रामेंटो
- sagemaker
- वही
- सेन
- सैन फ्रांसिस्को
- उपग्रह
- उपग्रहों
- स्केलेबल
- दृश्य
- दृश्यों
- योजनाओं
- विज्ञान
- वैज्ञानिक
- वैज्ञानिकों
- scikit सीखने
- स्कोर
- एसडीके
- Search
- ऋतु
- एसईसी
- सेक्टर्स
- प्रतिभूतियां
- प्रतिभूति और विनिमय आयोग
- सुरक्षा
- सुरक्षा जोखिम
- देखना
- विभाजन
- खंड
- चयनित
- चयन
- वरिष्ठ
- अलग
- कार्य करता है
- सेवाएँ
- सेट
- सेट
- बसना
- कई
- वह
- दिखाना
- दिखाया
- समान
- सरल
- के बाद से
- एक
- आकार
- छोटा
- सॉफ्टवेयर
- सॉफ्टवेयर विकास
- सॉफ़्टवेयर विकास किट
- सॉफ्टवेयर इंजीनियर
- सॉफ्टवेयर इंजीनियरिंग
- मिट्टी
- समाधान
- समाधान ढूंढे
- हल
- कुछ
- स्रोत
- सूत्रों का कहना है
- अंतरिक्ष
- रिक्त स्थान
- फैला
- स्थानिक
- बोलता हे
- विशेषज्ञ
- विशेषज्ञता
- विनिर्देश
- विनिर्देशों
- स्पेक्ट्रल
- खर्च
- हितधारकों
- हितधारकों
- प्रारंभ
- शुरू
- राज्य
- बयान
- स्थिति
- कदम
- कहानियों
- सामरिक
- सामरिक भागीदारी
- रणनीतियों
- तनाव
- मजबूत
- स्टूडियो
- अध्ययन
- सदस्यता के
- सफल
- सफलतापूर्वक
- ऐसा
- समर्थन
- समर्थन करता है
- सतह
- सर्वेक्षण
- स्थिरता
- स्थायी
- प्रणाली
- सिस्टम
- लेना
- लिया
- ले जा
- टीम
- तकनीकी
- तकनीक
- टेक्नोलॉजी
- परीक्षण
- वसीयतनामा
- परीक्षण
- से
- कि
- RSI
- क्षेत्र
- राज्य
- दुनिया
- लेकिन हाल ही
- उन
- फिर
- वहाँ।
- इसलिये
- इन
- वे
- चीज़ें
- इसका
- उन
- यहाँ
- पहर
- बार
- सेवा मेरे
- साधन
- उपकरण
- ऊपर का
- की ओर
- ट्रैक
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- बदालना
- परिवर्तन
- तब्दील
- यात्रा का
- पेड़
- रुझान
- <strong>उद्देश्य</strong>
- सच
- कोशिश
- दो
- टाइप
- आधारभूत
- समझ
- चलाती
- अनलॉकिंग
- जब तक
- आगामी
- अपडेट
- us
- उपयोग
- प्रयुक्त
- उपयोगकर्ताओं
- का उपयोग करता है
- का उपयोग
- आमतौर पर
- उपयोग किया
- मूल्यवान
- मूल्य
- मान
- विभिन्न
- व्यापक
- बहुत
- के माध्यम से
- दृष्टि
- भेंट
- दृश्य
- नेत्रहीन
- आयतन
- चपेट में
- प्रतीक्षा
- करना चाहते हैं
- था
- बेकार
- पानी
- we
- वेब
- वेब सेवाओं
- वेबसाइट
- कुंआ
- थे
- जहाँ तक
- या
- कौन कौन से
- जब
- कौन
- किसका
- चौड़ा
- विस्तृत श्रृंखला
- साथ में
- अंदर
- बिना
- शब्द
- काम
- वर्कफ़्लो
- workflows
- काम कर रहे
- विश्व
- होगा
- लिखा हुआ
- X
- वर्ष
- साल
- प्राप्ति
- आप
- जेफिरनेट
- ज़ूम