Építsen agronómiai adatplatformot az Amazon SageMaker térinformatikai képességeivel

A geopolitikai konfliktusok, az ellátási lánc zavarai és az éghajlatváltozás következtében a világot egyre nagyobb veszély fenyegeti a globális élelmiszerhiányban. Ezzel párhuzamosan nő az általános kereslet a népességnövekedés és a tápanyagokban és fehérjékben gazdag ételekre összpontosító étrendek változása miatt. A túlzott kereslet kielégítése érdekében a gazdálkodóknak maximalizálniuk kell a terméshozamot, és hatékonyan kell irányítaniuk a műveleteket, precíziós gazdálkodási technológiát alkalmazva az élen maradás érdekében.

Történelmileg a gazdálkodók az öröklött tudásra, a próbálkozásokra és a nem előíró agronómiai tanácsokra hagyatkoztak a döntéseik meghozatalakor. A kulcsfontosságú döntések közé tartozik, hogy milyen növényeket kell ültetni, mennyi műtrágyát kell kijuttatni, hogyan kell védekezni a kártevők ellen, és mikor kell betakarítani. Az élelmiszerek iránti növekvő kereslet és a betakarítási hozam maximalizálásának igénye miatt azonban a gazdálkodóknak az öröklött tudáson túl több információra van szükségük. Az olyan innovatív technológiák, mint a távérzékelés, az IoT és a robotika, segíthetik a gazdálkodókat, hogy túllépjenek az örökölt döntéshozatalon. A csaknem valós idejű betekintésen alapuló adatvezérelt döntések lehetővé teszik a gazdálkodók számára, hogy felszámolják a megnövekedett élelmiszerkereslet közötti különbséget.

Bár a gazdálkodók hagyományosan manuálisan gyűjtik az adatokat a műveleteikből, rögzítő berendezésekkel és hozamadatokat, vagy jegyzeteket készítenek a szántóföldi megfigyelésekről, az AWS agronómiai adatplatformjainak építői segítenek a gazdáknak abban, hogy megbízható agronómiai tanácsadóikkal együtt dolgozhassanak ezen adatok széles körű felhasználásában. A kis szántóföldek és a műveletek könnyebben lehetővé teszik a gazdálkodó számára, hogy a teljes táblát láthassa, és keresse a termést érintő problémákat. Az egyes táblák gyakori felderítése azonban nagy táblák és gazdaságok esetében nem kivitelezhető, és a sikeres kockázatcsökkentéshez olyan integrált agronómiai adatplatformra van szükség, amely széles körű betekintést tud nyújtani. Ezek a platformok segítenek a gazdáknak abban, hogy megértsék adataikat azáltal, hogy több forrásból származó információkat integrálnak a vizualizációs és analitikai alkalmazásokhoz. A térinformatikai adatok, beleértve a műholdfelvételeket, a talajadatokat, az időjárási és domborzati adatokat, rétegezve vannak a mezőgazdasági berendezések által az ültetés, a tápanyag-kijuttatás és a betakarítás során gyűjtött adatokkal. A továbbfejlesztett térinformatikai elemzések, a fejlett adatvizualizációk és a munkafolyamatok AWS-technológián keresztüli automatizálása révén a gazdálkodók azonosíthatják szántóföldjeik és terményeik azon területeit, amelyek problémával szembesülnek, és lépéseket tehetnek terményeik és műveleteik védelme érdekében. Ezek az időszerű betekintések segítenek a gazdálkodóknak abban, hogy megbízható agronómusaikkal jobban együttműködjenek, hogy többet termeljenek, csökkentsék környezeti lábnyomukat, javítsák jövedelmezőségüket, és termőföldjüket az elkövetkező generációk számára is megőrizzék.

Ebben a bejegyzésben azt nézzük meg, hogyan használhatod fel az ebből generált előrejelzéseket Amazon SageMaker térinformatikai képességek egy agronómiai adatplatform felhasználói felületére. Továbbá megvitatjuk, hogy a szoftverfejlesztő csapatok hogyan adnak hozzá fejlett gépi tanulás (ML) által vezérelt betekintést, beleértve a távérzékelési algoritmusokat, a felhőmaszkolást (a felhők automatikus észlelése a műholdfelvételeken belül) és az automatizált képfeldolgozási folyamatokat agronómiai adatplatformjaikba. Ezek a kiegészítések együtt segítik az agronómusokat, szoftverfejlesztőket, ML mérnököket, adattudósokat és távérzékelési csapatokat abban, hogy méretezhető, értékes döntéshozatali támogatási rendszereket biztosítsanak a gazdálkodóknak. Ez a bejegyzés példát is tartalmaz végponttól végpontig terjedő notebook és GitHub tárház amely bemutatja a SageMaker térinformatikai képességeit, beleértve az ML-alapú mezőgazdasági szegmentálást és a mezőgazdaság számára előre kiképzett térinformatikai modelleket.

Térinformatikai betekintések és előrejelzések hozzáadása agronómiai adatplatformokhoz

A kidolgozott matematikai és agronómiai modellek műholdképekkel kombinálva lehetővé teszik a termés állapotának és állapotának műholdképenkénti, pixelenkénti időbeli megjelenítését. Ezek a bevált modellek azonban olyan műholdképekhez való hozzáférést igényelnek, amelyeket nem akadályoznak felhők vagy más, a kép minőségét rontó légköri interferencia. A felhők azonosítása és az egyes feldolgozott képekről való eltávolítása nélkül az előrejelzések és betekintések jelentős pontatlanságokkal járnak, és az agronómiai adatplatformok elveszítik a gazdálkodó bizalmát. Mivel az agronómiai adatplatform-szolgáltatók általában több ezer mezőgazdasági területet felölelő ügyfeleket szolgálnak ki különböző földrajzi területeken, az agronómiai adatplatformokhoz számítógépes látásra és automatizált rendszerre van szükség a felhők vagy egyéb légköri problémák elemzéséhez, azonosításához és kiszűréséhez az egyes műholdképeken belül, mielőtt további feldolgozást vagy elemzést biztosítanának. az ügyfeleknek.

A felhőket és a légköri problémákat a műholdfelvételeken észlelő ML számítógépes látásmodellek fejlesztése, tesztelése és javítása kihívások elé állítja az agronómiai adatplatformok építőit. Először is, a műholdképek feldolgozásához szükséges adatfolyamok kiépítése időt, szoftverfejlesztési erőforrásokat és informatikai infrastruktúrát igényel. Az egyes műholdkép-szolgáltatók nagymértékben eltérhetnek egymástól. A műholdak gyakran gyűjtenek képeket különböző térbeli felbontással; A felbontás a pixelenkénti sok métertől a nagyon nagy felbontású, centiméterenkénti képpontban mért képekig terjedhet. Ezen túlmenően minden műhold különböző több spektrális sávú képeket gyűjthet. Egyes sávokat alaposan tesztelték, és erős korrelációt mutatnak a növények fejlődési és egészségügyi mutatóival, más sávok pedig irrelevánsak lehetnek a mezőgazdaság szempontjából. A műholdcsillagképek különböző sebességgel keresik fel újra ugyanazt a helyet a Földön. A kis csillagképek hetente vagy többször is meglátogathatnak egy mezőt, a nagyobb csillagképek pedig naponta többször is meglátogathatják ugyanazt a területet. A műholdképek és -frekvenciák közötti különbségek az API-képességek és -funkciók eltéréseihez is vezetnek. Ezek a különbségek együttesen azt jelentik, hogy az agronómiai adatplatformoknak több adatfolyamot kell fenntartaniuk összetett feldolgozási módszerekkel.

Másodszor, miután a képeket bekebelezték és elérhetővé teszik a távérzékelési csoportok, adattudósok és agronómusok számára, ezeknek a csapatoknak időigényes folyamatban kell részt venniük az egyes képeken belüli egyes régiók elérésében, feldolgozásában és felhősként való megjelölésében. A különböző földrajzi területeken elhelyezkedő mezők ezrei és mezőnként több műholdkép miatt a címkézési folyamat jelentős időt vehet igénybe, és folyamatosan oktatni kell, hogy figyelembe vegyék az üzleti terjeszkedést, az új vásárlói területeket vagy az új képforrásokat.

Integrált hozzáférés a Sentinel műholdképekhez és az ML-adatokhoz

A SageMaker térinformatikai képességeinek használatával a távérzékelési ML-modellfejlesztéshez, és a műholdképek felhasználásával AWS adatcsere kényelmesen elérhető a nyilvánosság számára Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödörben, az AWS-en az agronómiai adatplatformok építői gyorsabban és könnyebben érhetik el céljaikat. Az Ön S3 vödöre mindig a legfrissebb műholdképekkel rendelkezik a Sentinel-1-ről és a Sentinel-2-ről, mivel az Open Data Exchange és a Amazon Fenntarthatósági Adatkezdeményezés automatikus beépített hozzáférést biztosít a műholdképekhez.

A következő diagram ezt az architektúrát szemlélteti.

A SageMaker térinformatikai képességei magukban foglalják a beépített előre betanított mély neurális hálózati modelleket, például a földhasználati osztályozást és a felhőmaszkolást, valamint a térinformatikai adatforrások integrált katalógusát, beleértve a műholdképeket, térképeket és helyadatokat az AWS-től és harmadik felektől. Az integrált térinformatikai katalógus révén a SageMaker térinformatikai ügyfelei könnyebben hozzáférhetnek a műholdképekhez és más térinformatikai adatkészletekhez, amelyek mentesítik az összetett adatfeldolgozási folyamatok fejlesztésének terhét. Ez az integrált adatkatalógus felgyorsíthatja saját modellépítését, valamint a nagyméretű térinformatikai adatkészletek feldolgozását és gazdagítását célzott műveletekkel, például időstatisztikával, újramintavételezéssel, mozaikozással és fordított geokódolással. Az Amazon S3 képeinek egyszerű bevitele, valamint a SageMaker térinformatikai, előre betanított ML-modellek használata, amelyek automatikusan azonosítják a felhőket, és pontoznak minden egyes Sentinel-2 műholdképet, szükségtelenné teszi a távérzékelési, agronómiai és adattudományi csapatok bevonását a felvételhez, feldolgozáshoz és Manuálisan több ezer műholdképet címkézz fel felhős régiókkal.

A SageMaker térinformatikai képességei támogatják az érdeklődési terület (AOI) és az érdeklődési idő (TOI) meghatározását, az Open Data Exchange S3 vödör archívumában a kérésnek megfelelő térbeli metszéspontú képek keresését, valamint a valódi színes képek visszaadását, Normalized Difference Vegetation Index (NDVI), felhőérzékelés és pontszámok, valamint talajborítás. Az NDVI egy gyakori index, amelyet a műholdfelvételeknél használnak, hogy megértsék a termények egészségi állapotát a klorofill mennyiségének és a fotoszintetikus aktivitás mérésének megjelenítésével egy újonnan feldolgozott és színkódolt képen.

A SageMaker térinformatikai képességeit használók használhatják az előre elkészített NDVI indexet, vagy fejleszthetik saját magukat. A SageMaker térinformatikai képességei megkönnyítik az adattudósok és az ML-mérnökök számára az ML-modellek gyorsabb és nagyságrendű építését, betanítását és üzembe helyezését térinformatikai adatok felhasználásával és a korábbinál kisebb erőfeszítéssel.

A gazdálkodóknak és agronómusoknak gyors hozzáférésre van szükségük a szántóföldi és otthoni ismeretekhöz

A feldolgozott képek és betekintések azonnali eljuttatása a gazdálkodókhoz és az érdekelt felekhez fontos az agrárvállalkozások és a terepen történő döntéshozatal szempontjából. A kritikus időintervallumokban minden táblán a rossz termés-egészségügyi területek azonosítása lehetővé teszi a gazdálkodó számára, hogy csökkentse a kockázatokat műtrágya, gyomirtó és növényvédő szerek kijuttatásával, ahol szükséges, és még azonosíthatja azokat a területeket is, ahol a termésbiztosítási igények várhatók. Gyakori, hogy az agronómiai adatplatformok alkalmazáscsomagot tartalmaznak, beleértve a webalkalmazásokat és a mobilalkalmazásokat. Ezek az alkalmazások intuitív felhasználói felületeket biztosítanak, amelyek segítségével a gazdálkodók és megbízható érdekelt feleik biztonságosan áttekinthetik minden egyes táblájukat és képüket otthon, az irodában vagy magán a táblán állva. Ezeknek a webes és mobilalkalmazásoknak azonban fel kell használniuk és gyorsan meg kell jeleníteniük a feldolgozott képeket és agronómiai betekintést az API-kon keresztül.

Amazon API átjáró megkönnyíti a fejlesztők számára a RESTful és WebSocket API-k méretarányos létrehozását, közzétételét, karbantartását, figyelését és biztonságossá tételét. Val vel API-átjáró, API hozzáférés és engedélyezés integrálva van AWS Identity Access Management (IAM), és natív OIDC és OAuth2 támogatást, valamint Amazon Cognito. Amazon Cognito egy költséghatékony ügyfél-azonosság- és hozzáférés-kezelési (CIAM) szolgáltatás, amely biztonságos identitástárolót támogat olyan összevonási lehetőségekkel, amelyek több millió felhasználóra skálázhatók.

A nyers, feldolgozatlan műholdképek nagyon nagyok lehetnek, egyes esetekben képenként több száz megabájt vagy akár gigabájt is lehet. Mivel a világ számos mezőgazdasági területén gyenge vagy egyáltalán nincs mobilkapcsolat, fontos, hogy a képeket és betekintést kisebb formátumban dolgozzák fel és szolgálják ki, és olyan módon, hogy korlátozzák a szükséges sávszélességet. Ezért használatával AWS Lambda csempeszerver üzembe helyezéséhez kisebb méretű GeoTIFF-ek, JPEG-fájlok vagy más képformátumok adhatók vissza a felhasználó számára megjelenített aktuális térképnézet alapján, szemben a sokkal nagyobb fájlméretekkel és -típusokkal, amelyek csökkentik a teljesítményt. A Lambda-funkciókon keresztül telepített csempeszerver és az API-átjáró kombinálásával a webes és mobilalkalmazások kérelmeinek kezeléséhez a gazdálkodók és megbízható érdekelt feleik egy vagy több száz tábla képeit és térinformatikai adatait fogyaszthatják egyszerre, csökkentett késleltetéssel, és optimális felhasználót érhetnek el. tapasztalat.

A SageMaker térinformatikai képességei egy intuitív felhasználói felületen keresztül érhetők el, amely lehetővé teszi a térinformatikai adatok gazdag katalógusához való könnyű hozzáférést, az adatok átalakítását és gazdagítását, célirányos modellek betanítását vagy használatát, modellek előrejelzésekhez való alkalmazását, valamint adatok megjelenítését és felfedezését integrált térképek és műholdképek. Ha többet szeretne megtudni a SageMaker térinformatikai felhasználói élményről, lásd: Hogyan gyorsította fel a Xarvio a téradatokat a digitális gazdálkodáshoz az Amazon SageMaker térinformatikai képességeivel.

Az agronómiai adatplatformok több rétegű adatot és betekintést nyújtanak nagy léptékben

A következő példakénti felhasználói felület bemutatja, hogy az agronómiai adatplatformok készítője hogyan integrálhatja a SageMaker térinformatikai képességei által biztosított betekintést.

Ez a példa felhasználói felület a gazdálkodók és a mezőgazdasági érdekelt felek által felhasznált általános térinformatikai átfedéseket ábrázolja. Itt a fogyasztó három különálló adatfedést választott ki. Először is, az alapul szolgáló Sentinel-2 természetes színű műholdképet, amely 2020 októberétől készült, és az integrált SageMaker térinformatikai katalóguson keresztül elérhető. Ezt a képet a SageMaker térinformatikai előre betanított modellel szűrtük, amely azonosítja a felhőtakarót. A második adatfedvény mezőhatárok halmaza, fehér körvonallal ábrázolva. A táblahatár általában egy szélességi és hosszúsági koordináták sokszöge, amely tükrözi a mezőgazdasági tábla természetes domborzatát, vagy a vetéstervek közötti működési határt. A harmadik adatfedvény feldolgozott képadatok a Normalized Difference Vegetation Index (NDVI) formájában. Ezenkívül az NDVI-képek a megfelelő mezőhatárra kerülnek, és egy NDVI-színbesorolási táblázat látható az oldal bal oldalán.

A következő kép egy SageMaker előre betanított modell használatával mutatja be az eredményeket, amely azonosítja a felhőtakarót.

Ezen a képen a modell a felhőket azonosítja a műholdképen, és sárga maszkot alkalmaz a képen belüli minden felhőre. Az elfedett képpontok (felhők) eltávolításával a további képfeldolgozásból, a későbbi elemzések és termékek javították a pontosságot, és értéket jelentenek a gazdálkodók és megbízható tanácsadóik számára.

Rossz mobillefedettségű területeken a késleltetés csökkentése javítja a felhasználói élményt

A térinformatikai adatok és a távérzékelési képek kiértékelése során az alacsony késleltetési idő szükségességének kielégítése érdekében Amazon ElastiCache a Lambdán keresztül küldött csempekérésekből lekért feldolgozott képek gyorsítótárazásához. A kért képek gyorsítótárban való tárolásával a késleltetés tovább csökken, és nincs szükség a képkérések újrafeldolgozására. Ez javíthatja az alkalmazások teljesítményét és csökkentheti az adatbázisokra nehezedő nyomást. Mert Amazon ElastiCache A gyorsítótárazási stratégiák, a régiók közötti replikáció és az automatikus skálázás számos konfigurációs beállítását támogatja, az agronómiai adatplatform-szolgáltatók gyorsan bővíthetik az alkalmazásigényeket, és továbbra is költséghatékonyságot érhetnek el azzal, hogy csak a szükséges összegért fizetnek.

Következtetés

Ez a bejegyzés a térinformatikai adatok feldolgozására, az ML-kompatibilis távérzékelési betekintések megvalósítására, valamint a mezőgazdasági adatplatformok AWS-en történő fejlesztésének és továbbfejlesztésének racionalizálására és egyszerűsítésére összpontosított. Számos módszert és szolgáltatást mutatott be, amelyeket az AWS-szolgáltatások agronómiai adatplatformjainak készítői használhatnak céljaik eléréséhez, ideértve a SageMaker-t, a Lambdát, az Amazon S3-at, az Open Data Exchange-et és az ElastiCache-t.

A SageMaker térinformatikai képességeit bemutató, végpontokig terjedő példajegyzetfüzet követéséhez nyissa meg a következő helyen elérhető példajegyzetfüzetet GitHub tárház. Áttekintheti a mezőgazdasági területek azonosítását az ML szegmentációs modelleken keresztül, vagy felfedezheti a már meglévő SageMaker térinformatikai modelleket és a saját modell (BYOM) funkciót olyan térinformatikai feladatokhoz, mint a földhasználat és a talajborítás osztályozása. A végponttól végpontig terjedő példajegyzetfüzetet a kísérőbejegyzés részletesen tárgyalja Hogyan gyorsította fel a Xarvio a téradatokat a digitális gazdálkodáshoz az Amazon SageMaker Geospatial segítségével?.

Kérjük, vegye fel velünk a kapcsolatot, ha többet szeretne megtudni arról, hogyan oldja meg a mezőgazdasági ágazat a globális élelmiszerellátással, nyomon követhetőségi és fenntarthatósági kezdeményezésekkel kapcsolatos fontos problémákat az AWS Cloud használatával.

---

A szerzőkről

Will Conrad az AWS mezőgazdasági megoldások részlegének vezetője. Szenvedélyesen segíti az ügyfeleket abban, hogy a technológia segítségével javítsák a gazdálkodók megélhetését, javítsák a mezőgazdaság környezeti hatását, és az élelmiszert fogyasztók fogyasztói élményét. Szabadidejében dolgokat javít, golfozik, és négy gyermekétől rendeléseket vesz fel.

Bises Adhikari az AWS prototípuskészítő csapatának gépi tanulási prototípus-készítő építésze. Az AWS-ügyfelekkel együttműködve olyan megoldásokat épít ki különféle mesterséges intelligencia- és gépi tanulási esetekre, amelyek felgyorsítják a termelés felé vezető utat. Szabadidejében szívesen túrázik, utazik, családjával és barátaival tölti az idejét.

Priyanka Mahankali az AWS Guidance Solutions Architect-je több mint 5 éve, több iparágra kiterjedő megoldások kidolgozásával, beleértve a technológiát a globális mezőgazdasági ügyfelek számára. Szenvedélyesen törekszik az élvonalbeli használati esetek előtérbe helyezése és az ügyfelek segítése az AWS stratégiai megoldásainak kidolgozásában.

Ron Osborne az AWS globális mezőgazdasági technológiai vezetője – a WWSO és vezető megoldástervező. A Ron arra összpontosít, hogy segítse az AWS agrárüzleti ügyfeleit és partnereit biztonságos, méretezhető, rugalmas, rugalmas és költséghatékony megoldások kifejlesztésében és bevezetésében. Ron a kozmológia rajongója, az ag-tech megalapozott innovátora, és szenvedélyesen pozícionálja ügyfeleit és partnereit az üzleti átalakulás és a fenntartható siker érdekében.