अपनी पुस्तक में क्यों की किताब, जूडिया पर्ल मशीनों को उनकी बुद्धि बढ़ाने के लिए कारण और प्रभाव सिद्धांतों को पढ़ाने की वकालत करती है। डीप लर्निंग की उपलब्धियां अनिवार्य रूप से केवल एक प्रकार की कर्व फिटिंग हैं, जबकि कार्य-कारण का उपयोग परिकल्पनाओं का सीधे परीक्षण किए बिना विभिन्न बाधाओं के तहत दुनिया की प्रणालियों के बीच बातचीत को उजागर करने के लिए किया जा सकता है। यह उत्तर प्रदान कर सकता है जो हमें AGI (कृत्रिम सामान्यीकृत बुद्धिमत्ता) की ओर ले जाता है।
यह समाधान कृत्रिम मौसम और मिट्टी की स्थिति के रूप में देखे गए उपग्रह इमेजरी और प्रयोगात्मक परीक्षण डेटा के आधार पर कारण संबंधी निर्भरता का प्रतिनिधित्व करने और कारण निष्कर्ष निकालने के लिए बायेसियन नेटवर्क का उपयोग करके एक कारण अनुमान ढांचे का प्रस्ताव करता है। मामले का अध्ययन नाइट्रोजन आधारित उर्वरक अनुप्रयोग और मकई की पैदावार के बीच कारण संबंध है।
उद्देश्य-निर्मित का उपयोग करके उपग्रह इमेजरी को संसाधित किया जाता है Amazon SageMaker की भू-स्थानिक क्षमताएं और कस्टम-निर्मित के साथ समृद्ध अमेज़न SageMaker प्रसंस्करण संचालन। कारण अनुमान इंजन के साथ तैनात किया गया है अमेज़ॅन सैजमेकर अतुल्यकालिक निष्कर्ष.
इस पोस्ट में, हम प्रदर्शित करते हैं कि इस प्रतितथ्यात्मक विश्लेषण का उपयोग करके कैसे बनाया जाए अमेज़न SageMaker जम्पस्टार्ट समाधान.
समाधान अवलोकन
निम्न आरेख एंड-टू-एंड वर्कफ़्लो के लिए आर्किटेक्चर दिखाता है।
.. पूर्वापेक्षाएँ
आप एक की जरूरत है AWS खाता इस घोल का उपयोग करने के लिए।
इस जम्पस्टार्ट 1पी समाधान को चलाने के लिए और अपने एडब्ल्यूएस खाते में आधारभूत संरचना स्थापित करने के लिए, आपको एक सक्रिय अमेज़ॅन सैजमेकर स्टूडियो उदाहरण (संदर्भ अमेज़न सेजमेकर डोमेन पर ऑनबोर्ड). जब आपका स्टूडियो इंस्टेंस तैयार हो जाए, तो इसमें दिए गए निर्देशों का पालन करें सेजमेकर जम्पस्टार्ट क्रॉप यील्ड काउंटरफैक्टुअल सॉल्यूशन लॉन्च करने के लिए।
ध्यान दें कि यह समाधान वर्तमान में यूएस वेस्ट (ओरेगन) क्षेत्र में ही उपलब्ध है।
कारण अनुमान
कार्य-कारण परिवर्तन को समझने के बारे में है, लेकिन सांख्यिकी और मशीन लर्निंग (एमएल) में इसे कैसे औपचारिक रूप दिया जाए, यह कोई तुच्छ अभ्यास नहीं है।
इस फसल उपज अध्ययन में, उर्वरक के रूप में जोड़ा गया नाइट्रोजन और उपज के परिणाम भ्रमित हो सकते हैं। इसी तरह, उर्वरक के रूप में जोड़ा गया नाइट्रोजन और नाइट्रोजन लीचिंग के परिणाम भी भ्रमित हो सकते हैं, इस अर्थ में कि एक सामान्य कारण उनके जुड़ाव की व्याख्या कर सकता है। हालाँकि, जुड़ाव कार्य-कारण नहीं है। यदि हम जानते हैं कि कौन से देखे गए कारक संघ को उलझाते हैं, तो हम उनके लिए जिम्मेदार हैं, लेकिन क्या होगा यदि अन्य छिपे हुए चर भ्रमित करने के लिए जिम्मेदार हैं? उर्वरक की मात्रा कम करने से आवश्यक रूप से अवशिष्ट नाइट्रोजन कम नहीं होगा; इसी तरह, यह उपज को बहुत कम नहीं कर सकता है, जबकि मिट्टी और जलवायु परिस्थितियों में ऐसे कारक हो सकते हैं जो एसोसिएशन को भ्रमित करते हैं। भ्रम को कैसे संभालना है, यह कारणात्मक अनुमान की केंद्रीय समस्या है। आरए फिशर द्वारा शुरू की गई एक तकनीक जिसे कहा जाता है यादृच्छिक नियंत्रित परीक्षण संभावित भ्रम को तोड़ना है।
हालांकि, यादृच्छिक नियंत्रण परीक्षणों की अनुपस्थिति में, विशुद्ध रूप से अवलोकन डेटा से कारण अनुमान की आवश्यकता होती है। प्रेक्षणात्मक अध्ययनों में कारणात्मक प्रश्नों को डेटा से जोड़ने के तरीके हैं, जो हम बताते हैं कि चीजें कैसे घटित होती हैं, इस पर कारणात्मक ग्राफिकल मॉडल लिख कर। इसमें सशर्त अज्ञानता के लिए ग्राफिकल मानदंड को संतुष्ट करते हुए संबंधित ट्रैवर्स का दावा करना शामिल है, इसी निर्भरता को कैप्चर करेगा (किस हद तक हम कार्य-कारण संबंधी धारणाओं के आधार पर संबंध के रूप में व्यवहार कर सकते हैं)। संरचना को अभिगृहीत करने के बाद, हम प्रेक्षणात्मक डेटा से सीखने के लिए अंतर्निहित आक्रमणों का उपयोग कर सकते हैं और यादृच्छिक नियंत्रण परीक्षणों के बिना कारणात्मक दावों का अनुमान लगाते हुए कारण संबंधी प्रश्नों को प्लग इन कर सकते हैं।
यह समाधान सिम्युलेटेड रैंडमाइज्ड कंट्रोल ट्रायल (RCTs) के डेटा के साथ-साथ सैटेलाइट इमेजरी से अवलोकन संबंधी डेटा दोनों का उपयोग करता है। इलिनोइस (संयुक्त राज्य अमेरिका) में हजारों क्षेत्रों और कई वर्षों में किए गए सिमुलेशन की एक श्रृंखला का उपयोग क्षेत्र में देखे गए मौसम और मिट्टी की भिन्नता के व्यापक संयोजन के लिए बढ़ती नाइट्रोजन दरों के लिए मकई की प्रतिक्रिया का अध्ययन करने के लिए किया जाता है। यह विभिन्न कृषि परिदृश्यों और भौगोलिक क्षेत्रों के फसल सिमुलेशन का उपयोग करके मिट्टी और वर्षों की संख्या में सीमित परीक्षण डेटा का उपयोग करने की सीमा को संबोधित करता है। क्षेत्र में 400 से अधिक परीक्षणों से डेटा का उपयोग करके डेटाबेस को कैलिब्रेट और मान्य किया गया था। मिट्टी में प्रारंभिक नाइट्रोजन सांद्रता एक उचित सीमा के बीच अनियमित रूप से निर्धारित की गई थी।
इसके अतिरिक्त, डेटाबेस को उपग्रह इमेजरी से टिप्पणियों के साथ बढ़ाया जाता है, जबकि भौगोलिक और फेनोलॉजिकल चरणों में देखे जाने वाले वनस्पति में स्थानिक-लौकिक परिवर्तनों का प्रतिनिधित्व करने के लिए क्षेत्रीय आँकड़े वर्णक्रमीय सूचकांकों से प्राप्त किए जाते हैं।
बायेसियन नेटवर्क के साथ कारणात्मक निष्कर्ष
संरचनात्मक कारण मॉडल (एससीएम) डेटा-संचालित और मानव इनपुट दोनों को शामिल करके कारण निर्भरता का प्रतिनिधित्व करने के लिए ग्राफिकल मॉडल का उपयोग करते हैं। एक विशेष प्रकार की संरचना कारण मॉडल जिसे बायेसियन नेटवर्क कहा जाता है, फसल फेनोलॉजी गतिकी को संभाव्य अभिव्यक्तियों का उपयोग करके नोड्स के रूप में चर और किनारों के रूप में चर के बीच संबंधों का प्रतिनिधित्व करने का प्रस्ताव है। नोड फसल वृद्धि, मिट्टी और मौसम की स्थिति के संकेतक हैं, और उनके बीच के किनारे अनुपात-लौकिक कारण संबंधों का प्रतिनिधित्व करते हैं। मूल नोड क्षेत्र से संबंधित पैरामीटर हैं (बुवाई के दिन और लगाए गए क्षेत्र सहित), और बच्चे के नोड उपज, नाइट्रोजन तेज, और नाइट्रोजन लीचिंग मेट्रिक्स हैं।
अधिक जानकारी के लिए, देखें डेटाबेस लक्षण वर्णन और गाइड मकई विकास चरणों की पहचान करने के लिए।
बायेसियन नेटवर्क मॉडल बनाने के लिए कुछ चरणों की आवश्यकता होती है (साथ में कारणअगला) इससे पहले कि हम इसका प्रतितथ्यात्मक और पारंपरिक विश्लेषण के लिए उपयोग कर सकें। कारण मॉडल की संरचना शुरू में डेटा से सीखी जाती है, जबकि विषय वस्तु विशेषज्ञता (विश्वसनीय साहित्य या अनुभवजन्य विश्वास) का उपयोग यादृच्छिक चर और हस्तक्षेप चर के बीच अतिरिक्त निर्भरता और स्वतंत्रता के साथ-साथ संरचना पर जोर देने के लिए किया जाता है।
का प्रयोग कोई आँसू नहीं, संरचना सीखने के लिए एक सतत अनुकूलन एल्गोरिथ्म, चर के बीच सशर्त निर्भरता का वर्णन करने वाली ग्राफ संरचना डेटा से सीखी जाती है, किनारों, माता-पिता के नोड्स और बच्चे के नोड्स पर लगाए गए बाधाओं के एक सेट के साथ जो कारण मॉडल में अनुमति नहीं है। यह चर के बीच अस्थायी निर्भरता को बरकरार रखता है। निम्नलिखित कोड देखें:
"""
tabu_edges: Imposing edges that are not allowed in the causal model
tabu_parents: Imposing parent nodes that are not allowed in the causal model
tabu_child: Imposing child nodes that are not allowed in the causal model """
from causalnex.structure.notears import from_pandas g_learned = from_pandas( X, tabu_edges=tabu_edges, tabu_parent_nodes=tabu_parents, tabu_child_nodes=tabu_child, max_iter=100,
)
अगला चरण नकली संबंधों से बचते हुए, मॉडलों में डोमेन ज्ञान को एनकोड करता है और फेनोलॉजी गतिकी को पकड़ता है। मल्टीकोलिनियरिटी एनालिसिस, वैरिएशन इन्फ्लेशन फैक्टर एनालिसिस और ग्लोबल फीचर इम्पोर्टेंस यूजिंग शेप जल तनाव चर (विस्तार, फेनोलॉजी, और फूल के आसपास प्रकाश संश्लेषण), मौसम और मिट्टी के चर, वर्णक्रमीय सूचकांक और नाइट्रोजन आधारित संकेतकों पर अंतर्दृष्टि और बाधाओं को निकालने के लिए विश्लेषण किया जाता है:
"""
edges: Modifying the structure by imposing constraints on edges """
from causalnex.structure import StructureModel g = StructureModel()
g.add_edges_from( edges, origin="expert" )
कॉज़लनेक्स में बायेसियन नेटवर्क केवल असतत वितरण का समर्थन करते हैं। किसी भी निरंतर सुविधाओं, या बड़ी संख्या में श्रेणियों वाली सुविधाओं को बायेसियन नेटवर्क को फ़िट करने से पहले अलग कर दिया जाता है:
from causalnex.discretiser.discretiser_strategy import ( DecisionTreeSupervisedDiscretiserMethod, MDLPSupervisedDiscretiserMethod
) discretiser = DecisionTreeSupervisedDiscretiserMethod( mode="single", tree_params={"max_depth": 2, "random_state": 2022},
)
discretiser.fit( feat_names=features, dataframe=df, target_continuous=True, target=target,
)
संरचना की समीक्षा के बाद, प्रत्येक चर के सशर्त संभाव्यता वितरण को उसके माता-पिता को दिए गए चरण में डेटा से सीखा जा सकता है संभाव्यता अनुमान:
from causalnex.network import BayesianNetwork bn = BayesianNetwork(g)
bn = bn.fit_node_states(discretised_data)
bn = bn.fit_cpds( train, method="BayesianEstimator", bayes_prior="K2",
)
अंत में, संरचना और संभावना का उपयोग एक निर्धारिती का अनुसरण करते हुए, मक्खी पर प्रेक्षणात्मक निष्कर्ष निकालने के लिए किया जाता है। जंक्शन ट्री एल्गोरिथम (JTA), और उपयोग करते हुए हस्तक्षेप करना do-गणना. SageMaker अतुल्यकालिक निष्कर्ष आने वाले अनुरोधों को कतारबद्ध करने की अनुमति देता है और उन्हें अतुल्यकालिक रूप से संसाधित करता है। यह विकल्प प्रेक्षणात्मक और प्रतितथ्यात्मक दोनों अनुमान परिदृश्यों के लिए आदर्श है, जहां प्रक्रिया को समानांतर नहीं किया जा सकता है, जिससे पूरे नेटवर्क में संभावनाओं को अपडेट करने में महत्वपूर्ण समय लगता है, हालांकि कई प्रश्नों को समानांतर में चलाया जा सकता है। निम्न कोड देखें:
"""
Query the marginal likelihood of states in the graph given some observations. These observations can be made anywhere in the network, and their impact will be propagated through to the node of interest. """
from causalnex.inference import InferenceEngine ie = InferenceEngine(bn) pseudo_observation = [{"day_sow":0}, {"day_sow":1}, {"day_sow":2}]
marginals_multi = ie.query( pseudo_observation, parallel=True, num_cores=multiprocessing.cpu_count(),
)
# distribution before intervention
marginals_before = ie.query()["Y_corn"] # updating a node distribution
ie.do_intervention("N_fert", 0) # effect of do on marginals
marginals_after = ie.query()["Y_corn"] # Resetting the node distribution
ie.reset_do("N_fert")
अधिक जानकारी के लिए, देखें अनुमान लिपि.
कारण मॉडल नोटबुक पूर्ववर्ती चरणों को चलाने पर चरण-दर-चरण मार्गदर्शिका है।
भू-स्थानिक डाटा प्रोसेसिंग
पृथ्वी अवलोकन नौकरियां (ईओजे) उपग्रह इमेजरी प्राप्त करने और बदलने के लिए एक साथ बंधे हुए हैं, जबकि उद्देश्य-निर्मित संचालन और पूर्व-प्रशिक्षित मॉडल का उपयोग क्लाउड हटाने, मोज़ेकिंग, बैंड मैथ ऑपरेशंस और रीसैंपलिंग के लिए किया जाता है। इस खंड में, हम भू-स्थानिक प्रसंस्करण चरणों पर अधिक विस्तार से चर्चा करते हैं।
पंसदीदा छेत्र
निम्नलिखित चित्र में, हरे बहुभुज चयनित काउंटियाँ हैं, नारंगी ग्रिड डेटाबेस मानचित्र है (10 x 10 किमी कोशिकाओं का एक ग्रिड जहाँ क्षेत्र में परीक्षण किए जाते हैं), और ग्रेस्केल वर्गों का ग्रिड 100 किमी x 100 किमी है Sentinel-2 UTM टाइलिंग ग्रिड।
स्थानिक फ़ाइलों का उपयोग संबंधित उपग्रह इमेजरी के साथ सिम्युलेटेड डेटाबेस को मैप करने के लिए किया जाता है, 10 किमी x 10 किमी सेल के पॉलीगॉन को ओवरले करना जो इलिनोइस राज्य (जहां क्षेत्र में परीक्षण आयोजित किए जाते हैं), काउंटी पॉलीगॉन और 100 किमी x 100 किमी सेंटिनल- को विभाजित करते हैं। 2 यूटीएम टाइल्स। भू-स्थानिक डेटा प्रोसेसिंग पाइपलाइन को अनुकूलित करने के लिए, कुछ नज़दीकी सेंटिनल-2 टाइलों को पहले चुना जाता है। इसके बाद, ब्याज का क्षेत्र (आरओआई) प्राप्त करने के लिए टाइलों और कोशिकाओं की समग्र ज्यामिति को ओवरले किया जाता है। आरओआई के भीतर पूरी तरह से देखी गई काउंटियों और सेल आईडी को ईओजे पर पारित बहुभुज ज्यामिति बनाने के लिए चुना जाता है।
समय सीमा
इस अभ्यास के लिए, मकई फेनोलॉजी चक्र को तीन चरणों में विभाजित किया गया है: वनस्पति चरण v5 से R1 (उद्भव, पत्ती कॉलर, और लटकन), प्रजनन चरण R1 से R4 (सिल्किंग, ब्लिस्टर, दूध और आटा) और प्रजनन चरण R5 (दांतेदार) और R6 (शारीरिक परिपक्वता)। 2 सप्ताह की समय सीमा के भीतर प्रत्येक फेनोलॉजी चरण के लिए लगातार उपग्रह यात्राओं का अधिग्रहण किया जाता है और रुचि के पूर्व निर्धारित क्षेत्र (चयनित काउंटी), उपग्रह इमेजरी के स्थानिक और लौकिक विश्लेषण को सक्षम करते हैं। निम्नलिखित आंकड़ा इन मैट्रिक्स को दिखाता है।
बादल हटाना
सेंटिनल-2 डेटा के लिए क्लाउड रिमूवल इमेज में बादलों की पहचान करने के लिए एमएल-आधारित सिमेंटिक सेगमेंटेशन मॉडल का उपयोग करता है, जहां क्लाउडी पिक्सल को वैल्यू -9999 (नोडाटा वैल्यू) से बदल दिया जाता है:
request_polygon_coordinates = [[(-90.571754, 39.839326), (-90.893651, 39.84092), (-90.916609, 39.845075), (-90.916071, 39.757168), (-91.147678, 39.75707), (-91.265848, 39.757258), (-91.365125, 39.758723), (-91.367962, 39.759124), (-91.365396, 39.777266), (-91.432919, 39.840554), (-91.446385, 39.870394), (-91.455887, 39.945538), (-91.460287, 39.980333), (-91.494865, 40.037421), (-91.510322, 40.127994), (-91.512974, 40.181062), (-91.510332, 40.201142), (-91.258828, 40.197299), (-90.911969, 40.193088), (-90.909756, 40.284394), (-90.450227, 40.276335), (-90.451502, 40.188892), (-90.199556, 40.183945), (-90.118966, 40.235263), (-90.033026, 40.377806), (-89.92468, 40.435921), (-89.717104, 40.435655), (-89.714927, 40.319218), (-89.602979, 40.320129), (-89.601604, 40.122432), (-89.578289, 39.976127), (-89.698259, 39.975309), (-89.701864, 39.916787), (-89.994506, 39.901925), (-89.994405, 39.87286), (-90.583534, 39.87675), (-90.582435, 39.854574), (-90.571754, 39.839326)]]
start_time = '2018-08-15T00:00:00Z'
end_time = '2018-09-15T00:00:00Z' eoj_input_config = { "RasterDataCollectionQuery": { "RasterDataCollectionArn": 'arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8', "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": {"Coordinates": request_polygon_coordinates} } }, "TimeRangeFilter": {"StartTime": start_time, "EndTime": end_time}, "PropertyFilters": { "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 10}}}], "LogicalOperator": "AND", }, }
} eoj_config = { "JobConfig": { "CloudRemovalConfig": { "AlgorithmName": "INTERPOLATION", "InterpolationValue": "-9999", "TargetBands": ["red", "green", "blue", "nir", "swir16"], }, }
} eojParams = { "Name": "cloudremoval", "InputConfig": eoj_input_config, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
ईओजे बनने के बाद, एआरएन वापस आ जाता है और बाद के जियोमोसिक ऑपरेशन को करने के लिए उपयोग किया जाता है।
नौकरी की स्थिति जानने के लिए आप भागदौड़ कर सकते हैं sg_client.get_earth_observation_job(Arn = response['Arn']).
भू-पच्चीकारी
अन्य टाइमस्टैम्प से पिक्सेल के साथ नोडाटा या पारदर्शी पिक्सेल (बादल पिक्सेल सहित) को अधिलेखित करके, जियोमोसाइक ईओजे का उपयोग कई उपग्रह यात्राओं से छवियों को एक बड़े मोज़ेक में मर्ज करने के लिए किया जाता है:
eoj_config = {"JobConfig": {"GeoMosaicConfig": {"AlgorithmName": "NEAR"}}} eojParams = { "Name": "geomosaic", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
ईओजे के बनने के बाद, एआरएन को वापस कर दिया जाता है और बाद के रीसैंपलिंग ऑपरेशन को करने के लिए उपयोग किया जाता है।
रीसेंपलिंग
रीसैंपलिंग का उपयोग भू-स्थानिक छवि के रिज़ॉल्यूशन को डाउनस्केल करने के लिए किया जाता है ताकि क्रॉप मास्क (10–30 मीटर रिज़ॉल्यूशन रीस्केलिंग) के रिज़ॉल्यूशन का मिलान किया जा सके:
eoj_config = { "JobConfig": { "ResamplingConfig": { "OutputResolution": {"UserDefined": {"Value": 30, "Unit": "METERS"}}, "AlgorithmName": "NEAR", }, }
} eojParams = { "Name": "resample", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
EOJ बनने के बाद, ARN वापस आ जाता है और बाद के बैंड मैथ ऑपरेशन को करने के लिए उपयोग किया जाता है।
बैंड गणित
बैंड मैथ ऑपरेशंस का उपयोग कई स्पेक्ट्रल बैंड से एक बैंड में अवलोकन को बदलने के लिए किया जाता है। इसमें निम्नलिखित वर्णक्रमीय सूचकांक शामिल हैं:
- ईवीआई2 - टू-बैंड एनहांस्ड वेजिटेशन इंडेक्स
- डीजीवीआई - सामान्यीकृत अंतर वनस्पति सूचकांक
- एनडीएमआई - सामान्यीकृत अंतर नमी सूचकांक
- एनडीवीआई - सामान्यीकृत अंतर वनस्पति सूचकांक
- एनडीडब्ल्यूआई - सामान्यीकृत अंतर जल सूचकांक
निम्नलिखित कोड देखें:
spectral_indices = [['EVI2', ' 2.5 * ( nir - red ) / ( nir + 2.4 * red + 1.0 ) '], ['GDVI', ' ( ( nir * * 2.0 ) - ( red * * 2.0 ) ) / ( ( nir * * 2.0 ) + ( red * * 2.0 ) ) '], ['NDMI', ' ( nir - swir16 ) / ( nir + swir16 ) '], ['NDVI', ' ( nir - red ) / ( nir + red ) '], ['NDWI', ' ( green - nir ) / ( green + nir ) ']] eoj_config = { "JobConfig": { "BandMathConfig": {"CustomIndices": {"Operations": []}}, }
} for indices in spectral_indices: eoj_config["JobConfig"]["BandMathConfig"]["CustomIndices"]["Operations"].append( {"Name": indices[0], "Equation": indices[1][1:-1]} ) eojParams = { "Name": "bandmath", "InputConfig": {"PreviousEarthObservationJobArn": eoj_arn}, **eoj_config, "ExecutionRoleArn": role_arn,
} eoj_response = sg_client.start_earth_observation_job(**eojParams)
क्षेत्रीय सांख्यिकी
वर्णक्रमीय सूचकांकों का उपयोग करके और समृद्ध किया जाता है अमेज़न SageMaker प्रसंस्करण, जहां GDAL-आधारित कस्टम लॉजिक का उपयोग निम्न कार्य करने के लिए किया जाता है:
- मर्ज करें वर्णक्रमीय सूचकांक एकल मल्टी-चैनल मोज़ेक में
- मोज़ेक को फिर से प्रोजेक्ट करें फसल का मुखौटाका प्रक्षेपण
- क्रॉप मास्क को लागू करें और मोज़ेक को सेल पॉलीगॉन के CRC पर फिर से प्रोजेक्ट करें
- चयनित बहुभुजों के लिए क्षेत्रीय आँकड़ों की गणना करें (10 किमी x 10 किमी सेल)
समांतर डेटा वितरण के साथ, मेनिफेस्ट फाइलें (प्रत्येक फसल फेनोलॉजिकल चरण के लिए) का उपयोग करके कई उदाहरणों में वितरित की जाती हैं ShardedByS3Key
S3 डेटा वितरण प्रकार। अधिक जानकारी के लिए, देखें सुविधा निष्कर्षण स्क्रिप्ट.
भू-स्थानिक प्रसंस्करण नोटबुक पूर्ववर्ती चरणों को चलाने पर चरण-दर-चरण मार्गदर्शिका है।
निम्नलिखित आंकड़ा मकई फेनोलॉजी चक्र के वनस्पति और प्रजनन चरणों का प्रतिनिधित्व करने वाले लगातार उपग्रह यात्राओं के आरजीबी चैनलों को दिखाता है, (दाएं) और बिना (बाएं) फसल मास्क (सीडब्ल्यू 20, 26 और 33, 2018 सेंट्रल इलिनोइस)।
निम्नलिखित चित्र में, वर्णक्रमीय सूचकांक (एनडीवीआई, ईवीआई2, एनडीएमआई) लगातार उपग्रह दौरे मकई फेनोलॉजी चक्र (सीडब्ल्यू 20, 26 और 33, 2018 सेंट्रल इलिनोइस) के वनस्पति और प्रजनन चरणों का प्रतिनिधित्व करते हैं।
क्लीन अप
यदि आप अब इस समाधान का उपयोग नहीं करना चाहते हैं, तो आप इसके द्वारा बनाए गए संसाधनों को हटा सकते हैं। स्टूडियो में समाधान परिनियोजित करने के बाद, चुनें सभी संसाधन हटाएं S3 बकेट सहित समाधान लॉन्च करते समय बनाए गए सभी मानक संसाधनों को स्वचालित रूप से हटाने के लिए।
निष्कर्ष
यह समाधान उपयोग के ऐसे मामलों के लिए एक खाका प्रदान करता है जहां डेटा और मानव इनपुट के संयोजन से आकस्मिक प्रश्नों के उत्तर देने के लिए बायेसियन नेटवर्क के साथ कारणात्मक अनुमान पसंदीदा पद्धति है। कार्यप्रवाह में निष्कर्ष इंजन का एक कुशल कार्यान्वयन शामिल है, जो आने वाले प्रश्नों और हस्तक्षेपों को कतारबद्ध करता है और उन्हें अतुल्यकालिक रूप से संसाधित करता है। मॉड्यूलर पहलू विभिन्न घटकों के पुन: उपयोग को सक्षम बनाता है, जिसमें उद्देश्य-निर्मित संचालन और पूर्व-प्रशिक्षित मॉडल के साथ भू-स्थानिक प्रसंस्करण, कस्टम-निर्मित GDAL संचालन के साथ उपग्रह इमेजरी का संवर्धन, और मल्टीमॉडल फीचर इंजीनियरिंग (स्पेक्ट्रल इंडेक्स और सारणीबद्ध डेटा) शामिल हैं।
इसके अलावा, आप इस समाधान का उपयोग ग्रिड फसल मॉडल के निर्माण के लिए एक टेम्पलेट के रूप में कर सकते हैं जहां नाइट्रोजन उर्वरक प्रबंधन और पर्यावरण नीति विश्लेषण किया जाता है।
अधिक जानकारी के लिए, देखें समाधान टेम्पलेट्स और का पालन करें गाइड यूएस वेस्ट (ओरेगन) क्षेत्र में क्रॉप यील्ड काउंटरफैक्टुअल समाधान लॉन्च करने के लिए। कोड में उपलब्ध है गीथहब रेपो.
प्रशंसा पत्र
जर्मन मैंडरिनी, सोतिरियोस वी. आर्कोनटौलिस, कैमरून एम. पिटेलको, टैरो मिएनो, निकोलस एफ. मार्टिन,
इलिनोइस में हजारों खेतों और कई वर्षों में नाइट्रोजन के लिए मकई की प्रतिक्रिया का सिम्युलेटेड डेटासेट,
डेटा इन ब्रीफ, वॉल्यूम 40, 2022, 107753, आईएसएसएन 2352-3409
उपयोगी संसाधन
लेखक के बारे में
पॉल बरना AWS में मशीन लर्निंग प्रोटोटाइप लैब्स के साथ एक वरिष्ठ डेटा वैज्ञानिक हैं।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/generate-a-counterfactual-analysis-of-corn-response-to-nitrogen-with-amazon-sagemaker-jumpstart-solutions/
- :है
- 1
- 10
- 100
- 2018
- 2021
- 2022
- 39
- 7
- a
- About
- उपलब्धियों
- लेखा
- अधिग्रहण
- प्राप्त
- के पार
- सक्रिय
- जोड़ा
- इसके अलावा
- अतिरिक्त
- पतों
- अधिवक्ताओं
- बाद
- आंदोलन
- करना
- कलन विधि
- सब
- की अनुमति देता है
- हालांकि
- वीरांगना
- अमेज़न SageMaker
- अमेज़न SageMaker जम्पस्टार्ट
- के बीच में
- राशि
- विश्लेषण
- और
- जवाब
- कहीं भी
- आवेदन
- स्थापत्य
- हैं
- क्षेत्र
- चारों ओर
- AS
- पहलू
- जोर देकर कहा
- संघ
- At
- स्वतः
- उपलब्ध
- से बचने
- एडब्ल्यूएस
- बैंड
- आधारित
- बायेसियन
- BE
- से पहले
- के बीच
- नीला
- किताब
- टूटना
- विस्तृत
- निर्माण
- इमारत
- by
- बुलाया
- कर सकते हैं
- क्षमताओं
- कब्जा
- कब्जा
- मामलों
- श्रेणियाँ
- कारण
- कोशिकाओं
- केंद्रीय
- श्रृंखलित
- परिवर्तन
- परिवर्तन
- चैनलों
- बच्चा
- चुनें
- यह दावा करते हुए
- का दावा है
- बादल
- कोड
- कॉलर
- संयोजन
- सामान्य
- घटकों
- एकाग्रता
- स्थितियां
- संचालित
- जुडिये
- लगातार
- की कमी
- निरंतर
- नियंत्रण
- नियंत्रित
- इसी
- सका
- बनाना
- बनाया
- फ़सल
- वर्तमान में
- वक्र
- रिवाज
- कस्टम निर्मित
- चक्र
- तिथि
- डेटा संसाधन
- आँकड़े वाला वैज्ञानिक
- डेटा पर ही आधारित
- डाटाबेस
- दिन
- गहरा
- ध्यान लगा के पढ़ना या सीखना
- दिखाना
- तैनात
- निकाली गई
- विस्तार
- विवरण
- अंतर
- सीधे
- चर्चा करना
- वितरित
- वितरण
- वितरण
- विभाजित
- डोमेन
- काफी
- खींचना
- गतिकी
- से प्रत्येक
- प्रभाव
- उद्भव
- सक्षम बनाता है
- समर्थकारी
- शुरू से अंत तक
- इंजन
- अभियांत्रिकी
- वर्धित
- समृद्ध
- ambiental
- पर्यावरण नीति
- अनिवार्य
- व्यायाम
- विस्तार
- विशेषज्ञ
- विशेषज्ञता
- समझाना
- का पता लगाने
- भाव
- विस्तार
- उद्धरण
- कारकों
- खेती
- Feature
- विशेषताएं
- कुछ
- फ़ील्ड
- आकृति
- का पालन करें
- निम्नलिखित
- के लिए
- प्रपत्र
- ढांचा
- से
- पूरी तरह से
- आगे
- उत्पन्न
- भौगोलिक
- मिल
- GitHub
- दी
- वैश्विक
- ग्राफ
- ग्रेस्केल
- हरा
- ग्रिड
- विकास
- गाइड
- संभालना
- होना
- है
- छिपा हुआ
- कैसे
- How To
- तथापि
- एचटीएमएल
- http
- HTTPS
- मानव
- आदर्श
- पहचान करना
- पहचान
- इलेनॉइस
- की छवि
- छवियों
- प्रभाव
- कार्यान्वयन
- अस्पष्ट
- आयात
- महत्व
- लगाया गया
- प्रभावशाली
- in
- शामिल
- सहित
- आवक
- शामिल
- बढ़ती
- संकेतक
- Indices
- करें-
- इंफ्रास्ट्रक्चर
- प्रारंभिक
- शुरू में
- अंतर्दृष्टि
- उदाहरण
- निर्देश
- बुद्धि
- बातचीत
- ब्याज
- हस्तक्षेप
- शुरू की
- IT
- आईटी इस
- काम
- जानना
- ज्ञान
- लैब्स
- बड़ा
- लांच
- शुरू करने
- नेतृत्व
- जानें
- सीखा
- सीख रहा हूँ
- सीमा
- सीमित
- साहित्य
- लंबे समय तक
- मशीन
- यंत्र अधिगम
- मशीनें
- बनाया गया
- निर्माण
- प्रबंध
- नक्शा
- मार्टिन
- मुखौटा
- मास्क
- मैच
- गणित
- बात
- परिपक्वता
- मर्ज
- क्रियाविधि
- मेट्रिक्स
- हो सकता है
- दूध
- ML
- आदर्श
- मॉडल
- मॉड्यूलर
- अधिक
- विभिन्न
- नाम
- नासा
- निकट
- अनिवार्य रूप से
- आवश्यकता
- नेटवर्क
- नेटवर्क
- अगला
- निकोलस
- नोड
- नोड वितरण
- नोड्स
- संख्या
- प्राप्त
- of
- on
- आपरेशन
- संचालन
- इष्टतमीकरण
- ऑप्टिमाइज़ करें
- विकल्प
- नारंगी
- आदेश
- ओरेगन
- अन्य
- समानांतर
- पैरामीटर
- माता - पिता
- विशेष
- पारित कर दिया
- पीडीएफ
- निष्पादन
- प्रकाश संश्लेषण
- पाइपलाइन
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- प्लग
- नीति
- बहुभुज
- संभव
- पद
- वरीय
- सिद्धांतों
- पूर्व
- मुसीबत
- प्रक्रिया
- प्रसंस्कृत
- प्रक्रियाओं
- प्रसंस्करण
- गुण
- संपत्ति
- प्रस्तावित
- का प्रस्ताव
- प्रोटोटाइप
- प्रदान करना
- प्रदान करता है
- विशुद्ध रूप से
- प्रशन
- बिना सोचे समझे
- यादृच्छिक
- रेंज
- दरें
- तैयार
- उचित
- लाल
- को कम करने
- को कम करने
- क्षेत्र
- संबंध
- रिश्ते
- हटाने
- प्रतिस्थापित
- प्रतिनिधित्व
- का प्रतिनिधित्व
- अनुरोधों
- अपेक्षित
- संकल्प
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- जिम्मेदार
- समीक्षा
- आरजीबी
- आरओआई
- रन
- दौड़ना
- sagemaker
- उपग्रह
- परिदृश्यों
- वैज्ञानिक
- अनुभाग
- विभाजन
- चयनित
- वरिष्ठ
- भावना
- कई
- सेट
- कई
- दिखाता है
- उसी प्रकार
- एक
- समाधान
- समाधान ढूंढे
- कुछ
- स्थानिक
- स्पेक्ट्रल
- वर्गों
- ट्रेनिंग
- चरणों
- मानक
- राज्य
- राज्य
- आँकड़े
- स्थिति
- कदम
- कदम
- तनाव
- संरचना
- पढ़ाई
- स्टूडियो
- अध्ययन
- विषय
- आगामी
- समर्थन
- सिस्टम
- ले जा
- तारो
- शिक्षण
- टेम्पलेट
- परीक्षण
- कि
- RSI
- लेखाचित्र
- राज्य
- दुनिया
- लेकिन हाल ही
- उन
- जिसके चलते
- इन
- चीज़ें
- हजारों
- तीन
- यहाँ
- भर
- पहर
- सेवा मेरे
- एक साथ
- रेलगाड़ी
- बदालना
- बदलने
- पारदर्शी
- उपचार
- परीक्षण
- परीक्षण
- विश्वस्त
- यूसीएलए
- उजागर
- के अंतर्गत
- समझ
- इकाई
- यूनाइटेड
- संयुक्त राज्य अमेरिका
- अपडेट
- अद्यतन
- us
- उपयोग
- मान्य
- मूल्य
- विभिन्न
- दौरा
- आयतन
- पानी
- तरीके
- मौसम
- सप्ताह
- कुंआ
- पश्चिम
- क्या
- कौन कौन से
- जब
- मर्जी
- साथ में
- अंदर
- बिना
- विश्व
- लिख रहे हैं
- X
- साल
- प्राप्ति
- पैदावार
- आप
- आपका
- जेफिरनेट