Ezt a vendégbejegyzést Lydia Lihui Zhang, üzletfejlesztési szakértő és Mansi Shah, a Planet Labs szoftvermérnöke/adattudósa közösen írták. A elemzés, amely ihlette ezt a bejegyzést eredetileg Jennifer Reiber Kyle írta.
Amazon SageMaker térinformatikai képességek együtt BolygóA műholdadatok felhasználhatók a termény szegmentálására, és ennek az elemzésnek számos alkalmazása és potenciális előnye van a mezőgazdaság és a fenntarthatóság területén. 2023 végén a Planet bejelentette a partnerséget az AWS-szel, hogy a térinformatikai adatait elérhetővé tegye ezen keresztül Amazon SageMaker.
A termésszegmentálás az a folyamat, amikor a műholdképet pixelekből álló régiókra vagy szegmensekre osztják fel, amelyek hasonló kivágási jellemzőkkel rendelkeznek. Ebben a bejegyzésben bemutatjuk, hogyan lehet egy szegmentáló gépi tanulási (ML) modellt használni a képen lévő kivágási és nem kivágási régiók azonosítására.
A termőterületek azonosítása alapvető lépés a mezőgazdasági ismeretek megszerzése felé, és a gazdag térinformatikai adatok és az ML kombinációja olyan meglátásokhoz vezethet, amelyek a döntéseket és a cselekvéseket ösztönzik. Például:
- Adatvezérelt gazdálkodási döntések meghozatala – A termények jobb térbeli megértésével a gazdálkodók és más mezőgazdasági érdekelt felek optimalizálhatják az erőforrások felhasználását, a víztől a műtrágyán át az egyéb vegyszerekig a szezon során. Ez megalapozza a hulladékcsökkentést, a fenntartható gazdálkodási gyakorlatok javítását, ahol csak lehetséges, és a termelékenység növelését, miközben minimalizálja a környezeti hatásokat.
- Az éghajlattal kapcsolatos stresszek és trendek azonosítása – Mivel az éghajlatváltozás továbbra is hatással van a globális hőmérsékleti és csapadékmintázatokra, a termésszegmentáció felhasználható az éghajlattal kapcsolatos stressznek kitett területek azonosítására az éghajlati alkalmazkodási stratégiák során. Például a műholdkép-archívumok segítségével nyomon követhetők a növénytermesztési régióban bekövetkezett változások az idő múlásával. Ezek lehetnek a termőterületek méretének és eloszlásának fizikai változásai. Ezek lehetnek a talaj nedvességtartalmának, a talajhőmérsékletnek és a biomasszának a változásai is, amelyek a műholdas adatok eltérő spektrális indexeiből származnak a mélyebb termés-egészségügyi elemzés érdekében.
- A károk felmérése és enyhítése – Végül a terményszegmentáció segítségével gyorsan és pontosan azonosítható a terméskárosodott területek természeti katasztrófa esetén, ami segíthet a segélyezési erőfeszítések prioritásainak meghatározásában. Például egy árvíz után nagy ütemű műholdfelvételek segítségével azonosíthatók azok a területek, ahol a termés elmerült vagy megsemmisült, így a segélyszervezetek gyorsabban tudnak segíteni az érintett gazdálkodóknak.
Ebben az elemzésben a K-legközelebbi szomszédok (KNN) modelljét használjuk a termény szegmentálására, és összehasonlítjuk ezeket az eredményeket egy mezőgazdasági régióban készült alapképekkel. Eredményeink azt mutatják, hogy a KNN-modell besorolása pontosabban reprezentálja a jelenlegi termőföld 2017-es állapotát, mint a 2015-ös alapigazság-besorolási adatok. Ezek az eredmények a Planet nagy ütemű térinformatikai képeinek erejéről tanúskodnak. A mezőgazdasági területek gyakran változnak, néha szezononként többször is, és a nagyfrekvenciás műholdfelvételek rendelkezésre állása a föld megfigyeléséhez és elemzéséhez óriási értéket jelenthet a mezőgazdasági földterületek és a gyorsan változó környezetek megértésében.
A Planet és az AWS partnersége a térinformatikai ML területén
A SageMaker térinformatikai képességei felhatalmazza az adattudósokat és az ML mérnököket, hogy térinformatikai adatokat használva modelleket építsenek, képezzenek és telepítsenek. A SageMaker térinformatikai képességei lehetővé teszik a nagy léptékű térinformatikai adatkészletek hatékony átalakítását vagy gazdagítását, a modellépítés felgyorsítását előre betanított ML-modellek segítségével, valamint a modell-előrejelzések és térinformatikai adatok felfedezését egy interaktív térképen a 3D-s gyorsított grafika és a beépített vizualizációs eszközök segítségével. A SageMaker térinformatikai képességeivel nagyméretű műholdkép- és más térinformatikai adatkészleteket dolgozhat fel, hogy pontos ML-modelleket hozzon létre különféle alkalmazásokhoz, beleértve a terményszegmentálást is, amelyet ebben a bejegyzésben tárgyalunk.
Planet Labs PBC egy vezető földi képalkotó vállalat, amely nagy műholdflottáját használja napi rendszerességgel a Föld felszínéről készült képek rögzítésére. A Planet adatai ezért értékes forrást jelentenek a térinformatikai ML számára. Nagy felbontású műholdképei felhasználhatók különféle terményjellemzők és azok egészségi állapotának időbeli meghatározására, bárhol a Földön.
A Planet és a SageMaker közötti partnerség lehetővé teszi az ügyfelek számára, hogy az AWS hatékony ML-eszközei segítségével könnyen elérjék és elemezzék a Planet nagyfrekvenciás műholdadatait. Az adattudósok hozzák magukkal saját adataikat, vagy kényelmesen megkereshetik a Planet adatait, és előfizethetnek rájuk anélkül, hogy környezetet váltanának.
Vágja le a szegmentálást egy Amazon SageMaker Studio notebookban térinformatikai képpel
Ebben a példában a térinformatikai ML munkafolyamatban megvizsgáljuk, hogyan vihetjük be a Planet adatait az alapigazság-adatforrással együtt a SageMakerbe, és hogyan lehet betanítani, következtetni és telepíteni egy terményszegmentációs modellt egy KNN osztályozóval. Végül felmérjük eredményeink pontosságát, és összehasonlítjuk az alapigazság-besorolásunkkal.
Az alkalmazott KNN osztályozót egy Amazon SageMaker Studio notebook térinformatikai adatokkal képet, és rugalmas és bővíthető notebook kernelt biztosít a térinformatikai adatokkal való munkavégzéshez.
A Amazon SageMaker Studio A térinformatikai képpel ellátott notebook előre telepítve van az általánosan használt térinformatikai könyvtárakkal, mint például a GDAL, Fiona, GeoPandas, Shapely és Rasterio, amelyek lehetővé teszik a térinformatikai adatok megjelenítését és feldolgozását közvetlenül a Python notebook környezetben. A közönséges ML-könyvtárak, például az OpenCV vagy a scikit-learn szintén használhatók a KNN osztályozással végzett terményszegmentáláshoz, és ezek szintén telepítve vannak a térinformatikai rendszermagban.
Adatok kiválasztása
A mezőgazdasági terület, amelyre nagyítunk, Kaliforniában, az általában napfényes Sacramento megyében található.
Miért pont Sacramento? Az ilyen típusú problémák terület- és időbeli megválasztását elsősorban a talajigazság-adatok elérhetősége határozza meg, és ilyen adatokhoz terménytípus- és határadatokban nem könnyű hozzájutni. A 2015 Sacramento County Land Use DWR Survey adatkészlet egy nyilvánosan elérhető adatkészlet, amely az adott évben Sacramento megyét fedi le, és kézzel korrigált határokat biztosít.
Az általunk használt elsődleges műholdkép a Planet 4 sávos felvétele PSScene termék, amely a kék, zöld, piros és közeli infravörös sávokat tartalmazza, és radiometriailag az érzékelő sugárzására korrigált. Az érzékelőnél reflexiós korrekcióhoz szükséges együtthatókat a jelenet metaadatai tartalmazzák, ami tovább javítja a különböző időpontokban készült képek közötti összhangot.
A képeket készítő Planet's Dove műholdakat 14. február 2017-én bocsátották fel (sajtóközlemény), ezért 2015-ben még nem készítettek képet Sacramento megyéről. Az indulás óta azonban naponta készítenek képeket a környékről. Ebben a példában megelégszünk a tökéletlen 2 éves különbséggel az alapigazság-adatok és a műholdképek között. A Landsat 8 kisebb felbontású képei azonban hídként szolgálhattak volna 2015 és 2017 között.
Hozzáférés a Planet adatokhoz
Annak érdekében, hogy a felhasználók gyorsabban juthassanak pontos és használható adatokhoz, a Planet kifejlesztette a Planet Software Development Kit (SDK) Python számára is. Ez egy hatékony eszköz azon adattudósok és fejlesztők számára, akik műholdképekkel és egyéb térinformatikai adatokkal szeretnének dolgozni. Ezzel az SDK-val kereshet és elérhet a Planet nagy felbontású műholdképeinek hatalmas gyűjteményében, valamint más forrásokból, például az OpenStreetMap-ből származó adatokhoz. Az SDK Python-klienst biztosít a Planet API-jaihoz, valamint kód nélküli parancssori interfész (CLI) megoldást, amely megkönnyíti a műholdképek és térinformatikai adatok beépítését a Python-munkafolyamatokba. Ez a példa a Python klienst használja az elemzéshez szükséges képek azonosítására és letöltésére.
Telepítheti a Planet Python klienst a SageMaker Studio notebookba térinformatikai képpel egy egyszerű paranccsal:
Az ügyfél segítségével lekérdezheti a releváns műholdképeket, és lekérheti az elérhető eredmények listáját az érdeklődési terület, az időtartomány és egyéb keresési feltételek alapján. A következő példában azzal kezdjük, hogy megkérdezzük, hányan PlanetScope jelenetek (A bolygó napi képei) ugyanazt az érdeklődési területet (AOI) fedik le, amelyet korábban a Sacramento-i földi adatokon keresztül határoztunk meg, adott időintervallumot 1. június 1. és október 2017. között; valamint egy bizonyos, 10%-os maximális felhőfedettségi tartomány:
A visszaküldött eredmények azt mutatják, hogy az érdeklődési területünkkel átfedő egyező jelenetek száma. Tartalmazza továbbá az egyes jelenetek metaadatait, képazonosítóját és egy előnézeti képreferenciát.
Egy adott jelenet kiválasztása után a jelenet azonosítójával, az elem típusával és a termékcsomagokkal (referencia dokumentáció), a következő kóddal töltheti le a képet és metaadatait:
Ez a kód letölti a megfelelő műholdképet a Amazon elasztikus fájlrendszer (Amazon EFS) kötet a SageMaker Studio számára.
Modellképzés
Miután az adatokat letöltötte a Planet Python klienssel, a szegmentációs modell betanítható. Ebben a példában a KNN osztályozási és képszegmentációs technikák kombinációját használjuk a kivágási terület azonosítására és a georeferált georeferált jellemzők létrehozására.
A Planet adatok betöltése és előfeldolgozása a SageMaker beépített térinformatikai könyvtáraival és eszközeivel történik, hogy előkészítsék a KNN osztályozó betanítására. A képzés alapadatai a Sacramento County Land Use DWR Survey 2015-ös adatkészlete, a 2017-es Planet adatai pedig a modell tesztelésére szolgálnak.
Alakítsa át a földi igazság jellemzőit kontúrokká
A KNN osztályozó betanításához az egyes pixelek osztályát vagy crop
or non-crop
azonosítani kell. Az osztályt az határozza meg, hogy a pixel hozzá van-e rendelve egy kivágási jellemzőhöz a földi igazságadatokban vagy sem. Ennek megállapításához az alapigazság-adatokat először OpenCV-kontúrokká konvertálják, amelyeket azután az elválasztásra használnak. crop
ból ből non-crop
pixel. A képpontértékek és azok besorolása ezután a KNN osztályozó betanítására szolgál.
Az alapigazság-jellemzők kontúrokká alakításához először a jellemzőket a kép koordináta-referenciarendszerébe kell vetíteni. Ezután a jellemzők képtérré, végül pedig kontúrokká alakulnak. A kontúrok pontosságának biztosítása érdekében a rendszer a bemeneti képen átfedve jeleníti meg őket, amint az a következő példában látható.
A KNN osztályozó betanítása érdekében a kivágás és a nem körbevágott képpontok a kivágási jellemző kontúrjainak használatával, mint maszkokkal vannak elválasztva.
A KNN osztályozó bemenete két adatkészletből áll: X, egy 2d tömb, amely biztosítja a besorolandó jellemzőket; és y egy 1d tömb, amely biztosítja az osztályokat (példa). Itt egyetlen osztályozott sáv jön létre a nem kivágás és a kivágás adatkészletekből, ahol a sáv értékei jelzik a pixelosztályt. A sáv és a mögöttes képpixelsáv értékek ezután az osztályozó illesztési funkciójának X és y bemenetére konvertálódnak.
Tanítsd meg az osztályozót kivágott és nem körbevágott képpontokon
A KNN osztályozást a scikit-learn KNeighborsClassifier. A szomszédok számát, a becslő teljesítményét nagymértékben befolyásoló paramétert a KNN keresztellenőrzésben keresztellenőrzéssel hangolják. Ezután az osztályozó betanításra kerül az előkészített adatkészletek és a szomszédos paraméterek hangolt számának felhasználásával. Lásd a következő kódot:
Az osztályozó teljesítményének értékeléséhez a bemeneti adatokon a pixelosztály előrejelzése a pixelsáv-értékek felhasználásával történik. Az osztályozó teljesítménye elsősorban a betanítási adatok pontosságán és a pixelosztályok bemeneti adatok (pixelsávértékek) alapján történő egyértelmű elkülönítésén alapul. Az osztályozó paraméterei, mint például a szomszédok száma és a távolság súlyozási függvény, beállíthatók az utóbbi esetleges pontatlanságának kompenzálására. Lásd a következő kódot:
Értékelje a modell előrejelzéseit
A betanított KNN osztályozót használják a termésterületek előrejelzésére a tesztadatokban. Ezek a tesztadatok olyan régiókat tartalmaznak, amelyek nem voltak kitéve a modellnek a képzés során. Más szóval, a modell az elemzése előtt nem ismeri a területet, ezért ezek az adatok felhasználhatók a modell teljesítményének objektív értékelésére. Kezdjük azzal, hogy vizuálisan megvizsgálunk több régiót, kezdve egy viszonylag zajosabb területtel.
A szemrevételezés azt mutatja, hogy a megjósolt osztályok többnyire összhangban vannak az alapigazság osztályokkal. Van néhány eltérési terület, amelyeket tovább vizsgálunk.
A további vizsgálat során felfedeztük, hogy a zaj egy része ebben a régióban annak köszönhető, hogy a földi igazságadatokból hiányoztak a minősített képen található részletek (jobb felső, bal felső és bal alsó résszel összehasonlítva). Különösen érdekes megállapítás, hogy az osztályozó a folyó menti fákat ként azonosítja non-crop
, míg az alapigazság adatok tévesen azonosítják őket crop
. Ez a különbség a két szegmentáció között annak tudható be, hogy a fák árnyékolják a területet a növények felett.
Ezt követően megvizsgálunk egy másik régiót, amelyet a két módszer között eltérően osztályoztak. Ezeket a kiemelt régiókat korábban nem termésterületként jelölték meg a talajigazság-adatokban 2015-ben (jobbra fent), de 2017-ben megváltoztak, és a Planetscope Scenesben (bal felső és bal alsó) egyértelműen termőterületként jelennek meg. Az osztályozón keresztül (jobbra lent) nagyrészt termőföldként is besorolták őket.
Ismét azt látjuk, hogy a KNN osztályozó részletesebb eredményt ad, mint az alapigazság osztály, és sikeresen rögzíti a termőterületen végbemenő változást is. Ez a példa is a naponta frissített műholdadatok értékéről beszél, mivel a világ gyakran sokkal gyorsabban változik, mint az éves jelentések, és az ML-hez hasonló kombinált módszer segíthet a változások azonnali felismerésében. Az ilyen változások műholdas adatokon keresztül történő nyomon követése és felderítése, különösen a fejlődő mezőgazdasági területeken, hasznos betekintést nyújt a gazdálkodók számára munkájuk optimalizálásához, és az értékláncban minden mezőgazdasági érdekelt fél számára, hogy jobb benyomást keltsen a szezonban.
Modell értékelés
Az előrejelzett osztályok képeinek vizuális összehasonlítása az alapigazság-osztályokkal szubjektív lehet, és nem általánosítható az osztályozási eredmények pontosságának megítéléséhez. A mennyiségi értékeléshez osztályozási mérőszámokat kapunk a scikit-learn's segítségével classification_report
funkció:
A pixelbesorolást a vágási régiók szegmentációs maszkjának létrehozására használják, így a pontosság és a visszahívás egyaránt fontos mérőszámok, az F1 pontszám pedig jó általános mérőszám a pontosság előrejelzéséhez. Eredményeink mérőszámokat adnak nekünk a betanítási és tesztadatkészletben szereplő terményes és nem termesztett régiókra egyaránt. Az egyszerűség kedvéért azonban nézzük meg közelebbről ezeket a mérőszámokat a tesztadatkészlet termésterületeivel összefüggésben.
A pontosság annak mértéke, hogy mennyire pontosak a modellünk pozitív előrejelzései. Ebben az esetben a termőterületekre vonatkozó 0.94-es pontosság azt jelzi, hogy modellünk nagyon sikeres azon területek helyes azonosításában, amelyek valóban termőterületek, ahol a téves pozitívumok (tényleges, nem termőterületek, amelyeket helytelenül termőterületként azonosítottak) minimalizálva vannak. A Recall viszont a pozitív előrejelzések teljességét méri. Más szóval, a visszahívás a helyesen azonosított tényleges pozitívumok arányát méri. Esetünkben a termőterületekre vonatkozó 0.73-as visszahívási érték azt jelenti, hogy az összes valódi termésterület-pixel 73%-a helyesen azonosításra kerül, minimálisra csökkentve a hamis negatívok számát.
Ideális esetben előnyben részesítjük mind a pontosság, mind a visszahívás magas értékeit, bár ez nagymértékben függhet az esettanulmány alkalmazásától. Például, ha ezeket az eredményeket olyan gazdálkodók esetében vizsgálnánk, akik mezőgazdasági termőterületeket szeretnének azonosítani, akkor a pontosságnál nagyobb visszahívást szeretnénk előnyben részesíteni, hogy minimalizáljuk a hamis negatívumok számát (a nem termőterületként azonosított területek, amelyek valójában termőterületek) a földterület lehető legjobb kihasználása érdekében. Az F1-pontszám átfogó pontossági mérőszámként szolgál, amely egyesíti a pontosságot és a visszahívást, és méri a két mutató közötti egyensúlyt. A magas F1-pontszám, mint amilyen a miénk a termőterületekre (0.82), a pontosság és a visszahívás közötti jó egyensúlyt, valamint a magas általános besorolási pontosságot jelzi. Bár az F1-pontszám csökken a vonat és a tesztadatkészlet között, ez várható, mert az osztályozót betanították a vonatadatkészletre. A 1-es általános súlyozott átlag F0.77-pontszám ígéretes és elég megfelelő ahhoz, hogy a minősített adatokon szegmentációs sémákat próbáljunk ki.
Hozzon létre egy szegmentációs maszkot az osztályozóból
Egy szegmentációs maszk létrehozása a tesztadatkészlet KNN-osztályozójából származó előrejelzések felhasználásával magában foglalja az előrejelzett kimenet megtisztítását a képzaj okozta kis szegmensek elkerülése érdekében. A foltos zajok eltávolítására az OpenCV-t használjuk medián elmosódás szűrő. Ez a szűrő jobban megőrzi a termények közötti útvonalakat, mint a morfológiai nyitott művelet.
Ahhoz, hogy bináris szegmentációt alkalmazhassunk a zajtalanított kimenetre, először az osztályozott raszteres adatokat vektoros jellemzőkké kell konvertálnunk az OpenCV segítségével kontúrok keresése funkciót.
Végül a tényleges szegmentált terményterületek kiszámíthatók a szegmentált terményvázlatok segítségével.
A KNN osztályozóval előállított szegmentált termésrégiók lehetővé teszik a termésterületek pontos azonosítását a tesztadatkészletben. Ezek a szegmentált régiók különféle célokra használhatók, például táblahatárok azonosítására, termésfigyelésre, hozambecslésre és erőforrás-allokációra. Az elért 1-es F0.77-pontszám jó, és bizonyítja, hogy a KNN osztályozó hatékony eszköz a távérzékelési képek terményszegmentálására. Ezek az eredmények felhasználhatók a termésszegmentálási technikák további javítására és finomítására, ami potenciálisan a terméselemzés pontosságának és hatékonyságának növeléséhez vezethet.
Következtetés
Ez a bejegyzés bemutatta, hogyan használhatja a kombinációt A bolygóé nagy ütemű, nagy felbontású műholdfelvételek és A SageMaker térinformatikai képességei termésszegmentálási elemzések elvégzésére, értékes betekintést nyerve a mezőgazdasági hatékonyság, a környezeti fenntarthatóság és az élelmezésbiztonság javítására. A termőterületek pontos azonosítása lehetővé teszi a termésnövekedés és a termelékenység további elemzését, a földhasználat változásainak nyomon követését és a lehetséges élelmezésbiztonsági kockázatok felderítését.
Ezenkívül a Planet adatok és a SageMaker kombinációja a terményszegmentáláson túl a felhasználási lehetőségek széles skáláját kínálja. A betekintések lehetővé teszik adatvezérelt döntések meghozatalát a termésgazdálkodással, az erőforrások elosztásával és a szakpolitikai tervezéssel kapcsolatban egyedül a mezőgazdaságban. Különböző adat- és ML-modellekkel a kombinált kínálat más iparágakra is kiterjedhet, és a digitális átalakulás, a fenntarthatósági átalakítás és a biztonság felé is használható.
A SageMaker térinformatikai képességeinek használatának megkezdéséhez lásd: Kezdje el az Amazon SageMaker térinformatikai képességeit.
Ha többet szeretne megtudni a Planet képi specifikációiról és fejlesztői referenciaanyagairól, látogasson el a webhelyre Planet Developer's Center. A Planet's Python SDK-val kapcsolatos dokumentációért lásd: Planet SDK Pythonhoz. További információért a Planetről, beleértve a meglévő adattermékeket és a közelgő termékkiadásokat, látogassa meg a webhelyet https://www.planet.com/.
A Planet Labs PBC előretekintő nyilatkozatai
Az itt található történelmi információk kivételével a blogbejegyzésben szereplő kérdések előretekintő kijelentések az 1995-ös privát értékpapír-perekre vonatkozó reformról szóló törvény „biztonságos kikötő” rendelkezései értelmében, beleértve, de nem kizárólagosan a Planet Labs-t. A PBC azon képessége, hogy megragadja a piaci lehetőségeket, és megvalósítsa a jelenlegi vagy jövőbeni termékfejlesztésekből, új termékekből vagy stratégiai partnerségekből és ügyfél-együttműködésekből származó potenciális előnyöket. Az előretekintő állítások a Planet Labs PBC vezetőségének meggyőződésein, valamint az általuk megfogalmazott feltételezéseken és a jelenleg rendelkezésükre álló információkon alapulnak. Mivel az ilyen állítások a jövőbeli eseményekre és eredményekre vonatkozó várakozásokon alapulnak, és nem tényállítások, a tényleges eredmények lényegesen eltérhetnek a tervezetttől. Azok a tényezők, amelyek miatt a tényleges eredmények lényegesen eltérhetnek a jelenlegi várakozásoktól, többek között többek között a kockázati tényezők és a Planet Labs PBC-vel és üzletével kapcsolatos egyéb információk, amelyek a Planet Labs PBC időszakos jelentéseiben, meghatalmazotti nyilatkozataiban és egyéb közzétételi anyagaiban szerepelnek. az Értékpapír- és Tőzsdefelügyelettel (SEC), amelyek online elérhetők a címen www.sec.govés a Planet Labs PBC honlapján, a www.planet.com címen. Minden előretekintő állítás csak a Planet Labs PBC meggyőződését és feltételezését tükrözi az ilyen kijelentések időpontjában. A Planet Labs PBC nem vállal kötelezettséget arra, hogy frissítse az előretekintő nyilatkozatokat a jövőbeli események vagy körülmények tükrözése érdekében.
A szerzőkről
Lydia Lihui Zhang a Planet Labs PBC üzletfejlesztési szakértője, ahol segít összekapcsolni a teret a föld jobbá tétele érdekében különböző ágazatokban és számtalan felhasználási esetben. Korábban adattudósként dolgozott a McKinsey ACRE-nél, amely egy mezőgazdasági központú megoldás. Az MIT technológiapolitikai programjában szerzett mesterdiplomát, amelynek középpontjában az űrpolitika áll. Pályafutása során a térinformatikai adatok és azok szélesebb körű hatása az üzleti életre és a fenntarthatóságra állt.
Mansi Shah szoftvermérnök, adattudós és zenész, akinek munkája azokat a tereket kutatja, ahol a művészi szigor és a technikai kíváncsiság ütközik. Úgy véli, hogy az adatok (mint a művészet!) az életet utánozzák, és érdeklik a számok és jegyzetek mögött rejlő mélyen emberi történetek.
Xiong Zhou az AWS vezető alkalmazott tudósa. Ő vezeti az Amazon SageMaker térinformatikai képességekkel foglalkozó tudományos csapatát. Jelenlegi kutatási területe a számítógépes látás és a hatékony modellképzés. Szabadidejében szívesen fut, kosárlabdázik, és a családjával tölti az idejét.
Janosch Woschitz az AWS vezető megoldási építésze, a térinformatikai AI/ML-re szakosodott. Több mint 15 éves tapasztalatával világszerte támogatja ügyfeleit a mesterséges intelligencia és az ML innovatív megoldások kiaknázásában, amelyek kihasználják a térinformatikai adatokat. Szakértelme felöleli a gépi tanulást, az adattervezést és a méretezhető elosztott rendszereket, erős szoftvermérnöki háttérrel és iparági szakértelemmel olyan összetett területeken, mint például az autonóm vezetés.
Shital Dhakal idősebb programmenedzser a SageMaker térinformatikai ML csapatánál a San Francisco-öböl térségében. Távérzékeléssel és földrajzi információs rendszerrel (GIS) szerzett múlttal rendelkezik. Szenvedélyesen törekszik arra, hogy megértse az ügyfelek fájdalmas pontjait, és térinformatikai termékeket építsen ezek megoldására. Szabadidejében szeret túrázni, utazni és teniszezni.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 14
- 15 év
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- képesség
- Képes
- Rólunk
- gyorsul
- hozzáférés
- pontosság
- pontos
- pontosan
- elért
- szerzett
- acre
- át
- törvény
- cselekvések
- tényleges
- tulajdonképpen
- alkalmazkodás
- Beállított
- érint
- érintő
- Után
- Mezőgazdasági
- mezőgazdaság
- AI
- AI / ML
- Minden termék
- kiosztás
- lehetővé
- lehetővé téve
- kizárólag
- mentén
- Is
- Bár
- amazon
- Amazon SageMaker
- Amazon SageMaker térinformatikai
- Amazon SageMaker Studio
- Az Amazon Web Services
- an
- elemzés
- elemez
- és a
- évi
- Másik
- bármilyen
- bárhol
- API-k
- Alkalmazás
- alkalmazások
- alkalmazott
- alkalmaz
- levéltár
- VANNAK
- TERÜLET
- területek
- Sor
- művészi
- AS
- kér
- értékeli
- értékelése
- értékelés
- vagyontárgy
- segít
- társult
- feltételezések
- At
- bővített
- autonóm
- elérhetőség
- elérhető
- átlagos
- elkerülése érdekében
- várják
- AWS
- vissza
- háttér
- Egyenleg
- ZENEKAR
- zenekaré
- bár
- alapján
- alap
- Kosárlabda
- öböl
- BE
- mert
- óta
- Kezdet
- mögött
- hogy
- hiedelmek
- úgy gondolja,
- Előnyök
- Jobb
- Javulás
- között
- Túl
- Blog
- Kék
- elhomályosít
- mindkét
- Alsó
- határait
- határ
- HÍD
- hoz
- tágabb
- épít
- Épület
- beépített
- kötegek
- üzleti
- üzlet fejlesztés
- de
- by
- CA
- Kalifornia
- TUD
- képességek
- tőkésít
- elfog
- fogások
- Karrier
- eset
- esettanulmány
- esetek
- Okoz
- okozott
- bizonyos
- lánc
- változik
- megváltozott
- Változások
- jellemzők
- körülmények
- osztály
- osztályok
- besorolás
- osztályozott
- Takarításra
- világos
- világosan
- CLF
- vásárló
- Klíma
- Klímaváltozás
- közelebb
- felhő
- kód
- együttműködések
- gyűjtemény
- Összeütközik
- COM
- kombináció
- kombinált
- kombinálása
- hogyan
- jön
- jutalék
- Közös
- általában
- vállalat
- viszonylag
- összehasonlítani
- képest
- összehasonlítás
- bonyolult
- számítógép
- Számítógépes látás
- Magatartás
- Csatlakozás
- következetes
- áll
- tartalmazott
- tartalmaz
- kontextus
- tovább
- megtérít
- átalakított
- koordináta
- Mag
- korrigált
- Megfelelő
- tudott
- megye
- terjed
- lefedettség
- fedő
- teremt
- készítette
- létrehozása
- teremtés
- kritériumok
- termés
- növények
- kíváncsiság
- Jelenlegi
- Jelenleg
- vevő
- Ügyfelek
- napi
- dátum
- adattudós
- adatalapú
- adatkészletek
- találka
- határozatok
- mélyebb
- meghatározott
- meghatározott
- igazolták
- függő
- telepíteni
- Származtatott
- kívánatos
- elpusztított
- részlet
- Érzékelés
- meghatározás
- eltökélt
- fejlett
- Fejlesztő
- fejlesztők
- Fejlesztés
- eltérés
- különbözik
- különbség
- különböző
- digitális
- digitális átalakítás
- közvetlenül
- katasztrófa
- közzététel
- felfedez
- felfedezett
- megvitatni
- távolság
- megosztott
- elosztott rendszerek
- terjesztés
- dokumentáció
- domainek
- galamb
- letöltés
- letöltések
- hajtás
- vezetés
- cseppek
- két
- alatt
- minden
- Korábban
- föld
- könnyen
- könnyű
- Hatékony
- hatékonyság
- hatékony
- eredményesen
- erőfeszítések
- bármelyik
- képessé
- lehetővé
- lehetővé teszi
- mérnök
- Mérnöki
- Mérnökök
- fejlesztések
- elég
- gazdagítják
- biztosítására
- Környezet
- környezeti
- Környezeti fenntarthatóság
- környezetek
- különösen
- értékelni
- esemény
- események
- bizonyíték
- fejlődik
- vizsgálva
- példa
- csere
- létező
- Bontsa
- várakozások
- várható
- tapasztalat
- szakvélemény
- feltárása
- feltárja
- kitett
- f1
- tény
- tényezők
- hamis
- család
- gazdálkodók
- mezőgazdasági
- gyorsabb
- Funkció
- Jellemzők
- február
- trágya
- kevés
- mező
- Fields
- filé
- iktatott
- szűrő
- Végül
- Találjon
- megtalálása
- Fiona
- vezetéknév
- megfelelő
- FLOTTA
- rugalmas
- árvíz
- Összpontosít
- összpontosítás
- következő
- élelmiszer
- A
- tovább
- előretekintő
- Alapítvány
- Francisco
- ból ből
- funkció
- további
- jövő
- egyre
- rés
- földrajzi
- Térinformatikai ML
- kap
- Ad
- adott
- Globális
- globálisan
- jó
- grafika
- nagymértékben
- Zöld
- Földi
- Növekvő
- Növekedés
- Vendég
- Vendég bejegyzés
- kéz
- történik
- Esemény
- Legyen
- tekintettel
- he
- Egészség
- segít
- hasznos
- segít
- neki
- itt
- leírásban
- Magas
- Magas frekvencia
- nagy felbontású
- <p></p>
- Kiemelt
- övé
- történeti
- tart
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- emberi
- i
- ID
- Azonosítás
- azonosított
- azonosítja
- azonosítani
- azonosító
- if
- kép
- képek
- óriási
- Hatás
- fontos
- javul
- javítja
- javuló
- in
- Más
- tartalmaz
- beleértve
- magában foglalja a
- Beleértve
- bele
- tévesen
- <p></p>
- növekvő
- valóban
- index
- jelez
- jelzi
- iparágak
- ipar
- információ
- újító
- bemenet
- bemenet
- meglátások
- inspirálta
- telepíteni
- telepítve
- interaktív
- kamat
- érdekelt
- érdekes
- Felület
- bele
- vizsgálat
- IT
- ITS
- Jennifer
- jpg
- június
- Tart
- Kit (SDK)
- tudás
- Kyle
- Labs
- Telek
- nagy
- nagyarányú
- nagymértékben
- Késő
- indít
- indított
- vezet
- vezető
- vezetékek
- TANUL
- tanulás
- balra
- erőfölény
- könyvtárak
- élet
- mint
- Korlátozott
- vonal
- Lista
- Pereskedés
- található
- néz
- keres
- gép
- gépi tanulás
- Macro
- készült
- főleg
- csinál
- Gyártás
- kezelése
- vezetés
- menedzser
- sok
- térkép
- megjelölt
- piacára
- maszk
- mester
- egyező
- jelentősen
- anyagok
- számít
- maximális
- Lehet..
- McKinsey
- jelenti
- eszközök
- intézkedés
- intézkedések
- mérő
- Metaadatok
- módszer
- mód
- metrikus
- Metrics
- minimalizálása
- MIT
- enyhítő
- ML
- modell
- modellek
- monitor
- ellenőrzés
- több
- a legtöbb
- többnyire
- sok
- többszörös
- Zenész
- kell
- számtalan
- Természetes
- Szükség
- szükséges
- igények
- negatívok
- szomszédok
- Új
- új termékek
- nem
- Zaj
- jegyzetfüzet
- Megjegyzések
- szám
- számok
- számos
- tárgyilagosan
- kötelezettség
- megfigyelni
- szerez
- október
- of
- felajánlás
- Ajánlatok
- gyakran
- on
- online
- csak
- nyitva
- OpenCV
- működés
- Alkalom
- Optimalizálja
- or
- érdekében
- rendelés
- szervezetek
- eredetileg
- Más
- mi
- medve
- körvonalak
- teljesítmény
- felett
- átfogó
- saját
- Fájdalom
- paraméter
- paraméterek
- különös
- különösen
- Létrehozása
- partnerségek
- szenvedélyes
- minták
- Teljesít
- teljesítmény
- teljesített
- időszakos
- fizikai
- vedd
- pixel
- bolygó
- tervezés
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- pont
- politika
- pozitív
- lehetséges
- állás
- potenciális
- potenciálisan
- hatalom
- erős
- gyakorlat
- pontos
- Pontosság
- előre
- jósolt
- előrejelzésére
- Tippek
- előnyben részesített
- Készít
- előkészített
- be
- ajándékot
- Preview
- korábban
- elsősorban
- elsődleges
- Előzetes
- Fontossági sorrendet
- magán
- Probléma
- folyamat
- Feldolgozott
- feldolgozás
- Készült
- Termékek
- termelékenység
- Termékek
- mélységesen
- Program
- tervezett
- biztató
- arány
- ad
- feltéve,
- biztosít
- meghatalmazott
- nyilvánosan
- impulzus
- célokra
- Piton
- mennyiségi
- Quick
- gyorsan
- hatótávolság
- észre
- Piros
- csökkentő
- finomítani
- tükröznie
- reform
- vidék
- régiók
- Releases
- megkönnyebbülés
- távoli
- eltávolítása
- Jelentő
- Jelentések
- reprezentatív
- kérni
- kutatás
- forrás
- Tudástár
- eredményez
- Eredmények
- visszatérés
- mutatják
- felfedi
- Gazdag
- jobb
- Kockázat
- kockázati tényezők
- kockázatok
- Folyó
- út
- futás
- futás
- Sacramento
- sagemaker
- azonos
- San
- San Francisco
- műhold
- műholdak
- skálázható
- színhely
- jelenetek
- rendszerek
- Tudomány
- Tudós
- tudósok
- scikit elsajátítható
- pontszám
- sdk
- Keresés
- Évad
- SEC
- ágazatok
- Értékpapír
- Értékpapír- és Tőzsdebizottság
- biztonság
- biztonsági kockázatok
- lát
- szegmentáció
- szegmensek
- kiválasztott
- kiválasztás
- idősebb
- különálló
- szolgálja
- Szolgáltatások
- készlet
- Szettek
- rendezni
- számos
- ő
- előadás
- mutatott
- hasonló
- Egyszerű
- óta
- egyetlen
- Méret
- kicsi
- szoftver
- szoftverfejlesztés
- szoftverfejlesztői csomag
- Software Engineer
- szoftverfejlesztés
- talaj
- megoldások
- Megoldások
- SOLVE
- néhány
- forrás
- Források
- Hely
- terek
- ível
- térbeli
- beszél
- szakember
- szakosodott
- leírás
- specifikációk
- Spektrális
- Költési
- érdekeltek
- érdekeltek
- kezdet
- kezdődött
- Állami
- nyilatkozatok
- Állapot
- Lépés
- TÖRTÉNETEK
- Stratégiai
- Stratégiai partnerségek
- stratégiák
- feszültség
- erős
- stúdió
- Tanulmány
- Iratkozz fel
- sikeres
- sikeresen
- ilyen
- támogatás
- Támogatja
- felületi
- Felmérés
- Fenntarthatóság
- fenntartható
- rendszer
- Systems
- Vesz
- meghozott
- bevétel
- csapat
- Műszaki
- technikák
- Technológia
- teszt
- végrendelet
- Tesztelés
- mint
- hogy
- A
- A terület
- Az állam
- a világ
- azok
- Őket
- akkor
- Ott.
- ebből adódóan
- Ezek
- ők
- dolgok
- ezt
- azok
- Keresztül
- idő
- alkalommal
- nak nek
- szerszám
- szerszámok
- felső
- felé
- vágány
- Vonat
- kiképzett
- Képzések
- Átalakítás
- Átalakítás
- át
- Utazó
- Fák
- Trends
- igaz
- igazság
- megpróbál
- kettő
- típus
- mögöttes
- megértés
- vállalja
- kinyitó
- -ig
- közelgő
- Frissítések
- us
- használ
- használt
- Felhasználók
- használ
- segítségével
- rendszerint
- hasznosított
- Értékes
- érték
- Értékek
- különféle
- Hatalmas
- nagyon
- keresztül
- látomás
- Látogat
- megjelenítés
- előző
- kötet
- Sebezhető
- várjon
- akar
- volt
- Hulladék
- Víz
- we
- háló
- webes szolgáltatások
- weboldal
- JÓL
- voltak
- mivel
- vajon
- ami
- míg
- WHO
- akinek
- széles
- Széleskörű
- val vel
- belül
- nélkül
- szavak
- Munka
- munkafolyamat
- munkafolyamatok
- dolgozó
- világ
- lenne
- írott
- X
- év
- év
- Hozam
- te
- zephyrnet
- gyertya