Postingan tamu ini ditulis bersama oleh Lydia Lihui Zhang, Spesialis Pengembangan Bisnis, dan Mansi Shah, Insinyur Perangkat Lunak/Ilmuwan Data, di Planet Labs. Itu analisis yang menginspirasi posting ini awalnya ditulis oleh Jennifer Reiber Kyle.
Kemampuan geospasial Amazon SageMaker digabungkan dengan PlanetData satelit dapat digunakan untuk segmentasi tanaman, dan terdapat banyak penerapan serta manfaat potensial dari analisis ini pada bidang pertanian dan keberlanjutan. Pada akhir tahun 2023, Planet mengumumkan kemitraan dengan AWS untuk menyediakan data geospasialnya Amazon SageMaker.
Segmentasi tanaman adalah proses pemisahan citra satelit menjadi wilayah piksel, atau segmen, yang memiliki karakteristik tanaman serupa. Dalam postingan ini, kami mengilustrasikan cara menggunakan model pembelajaran mesin segmentasi (ML) untuk mengidentifikasi wilayah yang dipangkas dan tidak dipangkas dalam sebuah gambar.
Mengidentifikasi wilayah tanaman merupakan langkah inti untuk memperoleh wawasan pertanian, dan kombinasi data geospasial yang kaya dan ML dapat menghasilkan wawasan yang mendorong keputusan dan tindakan. Misalnya:
- Membuat keputusan pertanian berdasarkan data โ Dengan memperoleh pemahaman spasial yang lebih baik mengenai tanaman, petani dan pemangku kepentingan pertanian lainnya dapat mengoptimalkan penggunaan sumber daya, mulai dari air, pupuk, hingga bahan kimia lainnya sepanjang musim. Hal ini menjadi landasan untuk mengurangi limbah, meningkatkan praktik pertanian berkelanjutan jika memungkinkan, dan meningkatkan produktivitas sekaligus meminimalkan dampak lingkungan.
- Mengidentifikasi tekanan dan tren terkait iklim โ Karena perubahan iklim terus mempengaruhi suhu global dan pola curah hujan, segmentasi tanaman dapat digunakan untuk mengidentifikasi wilayah yang rentan terhadap tekanan terkait iklim untuk strategi adaptasi iklim. Misalnya, arsip citra satelit dapat digunakan untuk melacak perubahan di wilayah penanaman tanaman dari waktu ke waktu. Hal ini dapat berupa perubahan fisik dalam ukuran dan distribusi lahan pertanian. Perubahan tersebut juga dapat berupa perubahan kelembaban tanah, suhu tanah, dan biomassa, yang diperoleh dari berbagai indeks spektral data satelit, untuk analisis kesehatan tanaman yang lebih mendalam.
- Menilai dan memitigasi kerusakan โ Terakhir, segmentasi tanaman dapat digunakan untuk mengidentifikasi area kerusakan tanaman dengan cepat dan akurat jika terjadi bencana alam, sehingga dapat membantu memprioritaskan upaya pertolongan. Misalnya, setelah banjir, citra satelit dengan frekuensi tinggi dapat digunakan untuk mengidentifikasi area di mana tanaman terendam atau hancur, sehingga memungkinkan organisasi pemberi bantuan untuk membantu petani yang terkena dampak dengan lebih cepat.
Dalam analisis ini, kami menggunakan model K-nearest neighbours (KNN) untuk melakukan segmentasi tanaman, dan kami membandingkan hasilnya dengan citra kebenaran lapangan di wilayah pertanian. Hasil kami menunjukkan bahwa klasifikasi dari model KNN lebih akurat mewakili keadaan lahan tanaman saat ini pada tahun 2017 dibandingkan data klasifikasi kebenaran dasar pada tahun 2015. Hasil ini merupakan bukti kekuatan citra geospasial irama tinggi Planet. Lahan pertanian sering berubah, terkadang beberapa kali dalam satu musim, dan ketersediaan citra satelit frekuensi tinggi untuk mengamati dan menganalisis lahan dapat memberikan nilai yang sangat besar bagi pemahaman kita tentang lahan pertanian dan lingkungan yang cepat berubah.
Kemitraan Planet dan AWS dalam ML geospasial
Kemampuan geospasial SageMaker memberdayakan ilmuwan data dan teknisi ML untuk membangun, melatih, dan menerapkan model menggunakan data geospasial. Kemampuan geospasial SageMaker memungkinkan Anda mentransformasikan atau memperkaya kumpulan data geospasial skala besar secara efisien, mempercepat pembuatan model dengan model ML terlatih, dan menjelajahi prediksi model dan data geospasial pada peta interaktif menggunakan grafik yang dipercepat 3D dan alat visualisasi bawaan. Dengan kemampuan geospasial SageMaker, Anda dapat memproses kumpulan data besar citra satelit dan data geospasial lainnya untuk membuat model ML yang akurat untuk berbagai aplikasi, termasuk segmentasi tanaman, yang kita bahas dalam postingan ini.
Planet Lab PBC adalah perusahaan pencitraan Bumi terkemuka yang menggunakan armada satelitnya yang besar untuk menangkap citra permukaan bumi setiap hari. Oleh karena itu, data Planet merupakan sumber daya berharga untuk ML geospasial. Citra satelit beresolusi tinggi dapat digunakan untuk mengidentifikasi berbagai karakteristik tanaman dan kesehatannya dari waktu ke waktu, di mana pun di Bumi.
Kemitraan antara Planet dan SageMaker memungkinkan pelanggan mengakses dan menganalisis data satelit frekuensi tinggi Planet dengan mudah menggunakan alat ML AWS yang canggih. Ilmuwan data dapat membawa data mereka sendiri atau dengan mudah menemukan dan berlangganan data Planet tanpa berpindah lingkungan.
Pangkas segmentasi di notebook Amazon SageMaker Studio dengan gambar geospasial
Dalam contoh alur kerja ML geospasial ini, kita melihat cara membawa data Planet bersama dengan sumber data kebenaran dasar ke dalam SageMaker, dan cara melatih, menyimpulkan, dan menerapkan model segmentasi tanaman dengan pengklasifikasi KNN. Terakhir, kami menilai keakuratan hasil kami dan membandingkannya dengan klasifikasi kebenaran dasar kami.
Pengklasifikasi KNN yang digunakan dilatih dalam Notebook Amazon SageMaker Studio dengan geospasial image, dan menyediakan kernel notebook yang fleksibel dan dapat diperluas untuk bekerja dengan data geospasial.
Grafik Studio Amazon SageMaker notebook dengan gambar geospasial sudah diinstal sebelumnya dengan perpustakaan geospasial yang umum digunakan seperti GDAL, Fiona, GeoPandas, Shapely, dan Rasterio, yang memungkinkan visualisasi dan pemrosesan data geospasial langsung dalam lingkungan notebook Python. Pustaka ML umum seperti OpenCV atau scikit-learn juga digunakan untuk melakukan segmentasi crop menggunakan klasifikasi KNN, dan ini juga dipasang di kernel geospasial.
Pemilihan data
Lahan pertanian yang kami perbesar terletak di Sacramento County yang biasanya cerah di California.
Mengapa Sacramento? Pemilihan wilayah dan waktu untuk jenis masalah ini terutama ditentukan oleh ketersediaan data kebenaran dasar, dan data tersebut dalam jenis tanaman dan data batas, tidak mudah didapat. Itu Kumpulan data Survei DWR Penggunaan Lahan Sacramento County 2015 adalah kumpulan data yang tersedia untuk umum yang mencakup Sacramento County pada tahun tersebut dan memberikan batasan yang dapat disesuaikan secara manual.
Citra satelit utama yang kami gunakan adalah 4-band Planet Produk PSScene, yang berisi pita Biru, Hijau, Merah, dan IR Dekat dan dikoreksi secara radiometrik menjadi pancaran di sensor. Koefisien untuk mengoreksi pantulan pada sensor disediakan dalam metadata pemandangan, yang selanjutnya meningkatkan konsistensi antara gambar yang diambil pada waktu berbeda.
Satelit Planet's Dove yang menghasilkan citra ini diluncurkan 14 Februari 2017 (rilis berita), oleh karena itu mereka tidak mengambil gambar Sacramento County pada tahun 2015. Namun, mereka telah mengambil gambar harian di area tersebut sejak peluncurannya. Dalam contoh ini, kami menerima kesenjangan 2 tahun yang tidak sempurna antara data kebenaran dasar dan citra satelit. Namun, citra Landsat 8 dengan resolusi lebih rendah dapat digunakan sebagai jembatan antara tahun 2015 dan 2017.
Akses data Planet
Untuk membantu pengguna mendapatkan data yang akurat dan dapat ditindaklanjuti dengan lebih cepat, Planet juga telah mengembangkan Kit Pengembangan Perangkat Lunak (SDK) Planet untuk Python. Ini adalah alat yang ampuh bagi ilmuwan dan pengembang data yang ingin bekerja dengan citra satelit dan data geospasial lainnya. Dengan SDK ini, Anda dapat mencari dan mengakses banyak koleksi citra satelit resolusi tinggi Planet, serta data dari sumber lain seperti OpenStreetMap. SDK ini menyediakan klien Python ke API Planet, serta solusi antarmuka baris perintah (CLI) tanpa kode, sehingga memudahkan penggabungan citra satelit dan data geospasial ke dalam alur kerja Python. Contoh ini menggunakan klien Python untuk mengidentifikasi dan mengunduh citra yang diperlukan untuk analisis.
Anda dapat menginstal klien Planet Python di notebook SageMaker Studio dengan gambar geospasial menggunakan perintah sederhana:
Anda dapat menggunakan klien untuk menanyakan citra satelit yang relevan dan mengambil daftar hasil yang tersedia berdasarkan area minat, rentang waktu, dan kriteria pencarian lainnya. Pada contoh berikut, kita mulai dengan menanyakan berapa banyak Adegan PlanetScope (Citra harian Planet) mencakup area of โโinterest (AOI) yang sama yang kami tentukan sebelumnya melalui data darat di Sacramento, dengan rentang waktu tertentu antara 1 Juni dan 1 Oktober 2017; serta rentang cakupan awan maksimum tertentu yang diinginkan sebesar 10%:
Hasil yang dihasilkan menunjukkan jumlah adegan yang cocok yang tumpang tindih dengan bidang minat kami. Ini juga berisi metadata setiap adegan, ID gambarnya, dan referensi gambar pratinjau.
Setelah adegan tertentu dipilih, dengan spesifikasi ID adegan, jenis item, dan bundel produk (dokumentasi referensi), Anda dapat menggunakan kode berikut untuk mendownload gambar dan metadatanya:
Kode ini mengunduh citra satelit yang sesuai ke Sistem File Amazon Elastis (Amazon EFS) volume untuk SageMaker Studio.
Pelatihan model
Setelah data diunduh dengan klien Planet Python, model segmentasi dapat dilatih. Dalam contoh ini, kombinasi teknik klasifikasi KNN dan segmentasi gambar digunakan untuk mengidentifikasi area tanaman dan membuat fitur geojson yang di-georeferensi.
Data Planet dimuat dan diproses terlebih dahulu menggunakan perpustakaan dan alat geospasial bawaan di SageMaker untuk mempersiapkannya guna melatih pengklasifikasi KNN. Data kebenaran dasar untuk pelatihan adalah kumpulan data Survei DWR Penggunaan Lahan Sacramento County dari tahun 2015, dan data Planet dari tahun 2017 digunakan untuk menguji model tersebut.
Ubah fitur kebenaran dasar menjadi kontur
Untuk melatih pengklasifikasi KNN, kelas setiap piksel sebagai salah satunya crop
or non-crop
perlu diidentifikasi. Kelas ditentukan oleh apakah piksel tersebut dikaitkan dengan fitur crop pada data kebenaran dasar atau tidak. Untuk membuat penentuan ini, data kebenaran dasar terlebih dahulu diubah menjadi kontur OpenCV, yang kemudian digunakan untuk memisahkannya crop
dari non-crop
piksel. Nilai piksel dan klasifikasinya kemudian digunakan untuk melatih pengklasifikasi KNN.
Untuk mengubah fitur kebenaran dasar menjadi kontur, fitur tersebut harus diproyeksikan terlebih dahulu ke sistem referensi koordinat gambar. Kemudian fitur-fitur tersebut diubah menjadi ruang gambar, dan terakhir diubah menjadi kontur. Untuk memastikan keakuratan kontur, kontur tersebut divisualisasikan secara overlay pada gambar masukan, seperti yang ditunjukkan dalam contoh berikut.
Untuk melatih pengklasifikasi KNN, piksel crop dan non-crop dipisahkan menggunakan kontur fitur crop sebagai mask.
Masukan pengklasifikasi KNN terdiri dari dua kumpulan data: X, larik 2d yang menyediakan fitur untuk diklasifikasikan; dan y, array 1d yang menyediakan kelas (contoh). Di sini, satu pita terklasifikasi dibuat dari kumpulan data non-pangkas dan pangkas, dengan nilai pita menunjukkan kelas piksel. Nilai pita dan pita piksel gambar yang mendasarinya kemudian dikonversi ke input X dan y untuk fungsi kecocokan pengklasifikasi.
Latih pengklasifikasi tentang piksel yang dipotong dan tidak dipotong
Klasifikasi KNN dilakukan dengan scikit-belajar KNeighboursClassifier. Jumlah tetangga, sebuah parameter yang sangat mempengaruhi kinerja estimator, disetel menggunakan validasi silang di validasi silang KNN. Pengklasifikasi kemudian dilatih menggunakan kumpulan data yang telah disiapkan dan jumlah parameter tetangga yang disesuaikan. Lihat kode berikut:
Untuk menilai kinerja pengklasifikasi pada data masukannya, kelas piksel diprediksi menggunakan nilai pita piksel. Performa pengklasifikasi terutama didasarkan pada keakuratan data pelatihan dan pemisahan kelas piksel yang jelas berdasarkan data masukan (nilai pita piksel). Parameter pengklasifikasi, seperti jumlah tetangga dan fungsi bobot jarak, dapat disesuaikan untuk mengkompensasi ketidakakuratan pada fungsi pembobotan jarak. Lihat kode berikut:
Evaluasi prediksi model
Pengklasifikasi KNN yang dilatih digunakan untuk memprediksi wilayah tanaman dalam data pengujian. Data pengujian ini terdiri dari wilayah yang tidak terkena model selama pelatihan. Dengan kata lain, model tidak memiliki pengetahuan tentang area tersebut sebelum dianalisis dan oleh karena itu data ini dapat digunakan untuk mengevaluasi kinerja model secara objektif. Kami memulai dengan menginspeksi beberapa kawasan secara visual, dimulai dengan kawasan yang relatif lebih bising.
Inspeksi visual menunjukkan bahwa kelas-kelas yang diprediksi sebagian besar konsisten dengan kelas-kelas kebenaran dasar. Ada beberapa wilayah penyimpangan yang akan kami periksa lebih lanjut.
Setelah penyelidikan lebih lanjut, kami menemukan bahwa beberapa kebisingan di wilayah ini disebabkan oleh data kebenaran dasar yang kurang detail seperti yang ada pada gambar rahasia (kanan atas dibandingkan dengan kiri atas dan kiri bawah). Temuan yang sangat menarik adalah bahwa pengklasifikasi mengidentifikasi pohon-pohon di sepanjang sungai sebagai non-crop
, padahal data kebenaran dasar secara keliru mengidentifikasi mereka sebagai crop
. Perbedaan antara kedua segmentasi ini mungkin disebabkan oleh pepohonan yang menaungi wilayah tersebut di atas tanaman.
Setelah itu, kami memeriksa wilayah lain yang diklasifikasikan secara berbeda antara kedua metode tersebut. Wilayah yang disorot ini sebelumnya ditandai sebagai wilayah non-tanaman pangan dalam data kebenaran lapangan pada tahun 2015 (kanan atas) namun diubah dan ditampilkan dengan jelas sebagai lahan pertanian pada tahun 2017 melalui Planetscope Scenes (kiri atas dan kiri bawah). Sebagian besar lahan tersebut juga diklasifikasikan sebagai lahan pertanian melalui pengklasifikasi (kanan bawah).
Sekali lagi, kita melihat pengklasifikasi KNN memberikan hasil yang lebih terperinci dibandingkan kelas kebenaran dasar, dan juga berhasil menangkap perubahan yang terjadi di lahan pertanian. Contoh ini juga menunjukkan pentingnya data satelit yang diperbarui setiap hari karena dunia sering kali berubah jauh lebih cepat daripada laporan tahunan, dan metode gabungan dengan ML seperti ini dapat membantu kita menangkap perubahan yang terjadi. Kemampuan untuk memantau dan menemukan perubahan tersebut melalui data satelit, terutama di bidang pertanian yang terus berkembang, memberikan wawasan yang berguna bagi petani untuk mengoptimalkan pekerjaan mereka dan pemangku kepentingan pertanian mana pun dalam rantai nilai untuk mendapatkan gambaran musim yang lebih baik.
Evaluasi model
Perbandingan visual antara gambar kelas prediksi dengan kelas kebenaran dasar dapat bersifat subjektif dan tidak dapat digeneralisasikan untuk menilai keakuratan hasil klasifikasi. Untuk memperoleh penilaian kuantitatif, kami memperoleh metrik klasifikasi dengan menggunakan scikit-learn's classification_report
fungsi:
Klasifikasi piksel digunakan untuk membuat topeng segmentasi wilayah tanaman, menjadikan presisi dan perolehan metrik penting, dan skor F1 sebagai ukuran keseluruhan yang baik untuk memprediksi akurasi. Hasil kami memberikan metrik untuk wilayah tanaman dan non-tanaman dalam kumpulan data pelatihan dan pengujian. Namun, untuk mempermudahnya, mari kita lihat lebih dekat metrik ini dalam konteks wilayah tanaman dalam kumpulan data pengujian.
Presisi adalah ukuran seberapa akurat prediksi positif model kami. Dalam hal ini, presisi sebesar 0.94 untuk wilayah tanaman menunjukkan bahwa model kami sangat berhasil dalam mengidentifikasi dengan benar wilayah yang memang merupakan wilayah tanaman, dengan hasil positif palsu (wilayah non-tanaman sebenarnya yang salah diidentifikasi sebagai wilayah tanaman) diminimalkan. Sebaliknya, recall mengukur kelengkapan prediksi positif. Dengan kata lain, recall mengukur proporsi positif aktual yang teridentifikasi dengan benar. Dalam kasus kami, nilai recall sebesar 0.73 untuk wilayah tanaman berarti 73% dari seluruh piksel wilayah tanaman yang sebenarnya teridentifikasi dengan benar, sehingga meminimalkan jumlah negatif palsu.
Idealnya, nilai presisi dan perolehan yang tinggi lebih disukai, meskipun hal ini sangat bergantung pada penerapan studi kasus. Misalnya, jika kami memeriksa hasil ini untuk para petani yang ingin mengidentifikasi wilayah tanaman untuk pertanian, kami ingin memberikan preferensi pada daya ingat yang lebih tinggi daripada presisi, untuk meminimalkan jumlah negatif palsu (area yang diidentifikasi sebagai wilayah non-tanaman yang sebenarnya adalah kawasan tanaman pangan) untuk memanfaatkan lahan secara maksimal. Skor F1 berfungsi sebagai metrik akurasi keseluruhan yang menggabungkan presisi dan perolehan, serta mengukur keseimbangan antara kedua metrik tersebut. Skor F1 yang tinggi, seperti skor kami untuk wilayah tanaman (0.82), menunjukkan keseimbangan yang baik antara presisi dan perolehan serta akurasi klasifikasi keseluruhan yang tinggi. Meskipun skor F1 turun antara kumpulan data pelatihan dan pengujian, hal ini diperkirakan terjadi karena pengklasifikasi dilatih pada kumpulan data pelatihan. Skor F1 rata-rata tertimbang keseluruhan sebesar 0.77 cukup menjanjikan dan cukup untuk mencoba skema segmentasi pada data rahasia.
Buat masker segmentasi dari pengklasifikasi
Pembuatan masker segmentasi menggunakan prediksi dari pengklasifikasi KNN pada kumpulan data pengujian melibatkan pembersihan keluaran yang diprediksi untuk menghindari segmen kecil yang disebabkan oleh noise gambar. Untuk menghilangkan noise bintik, kami menggunakan OpenCV filter buram median. Filter ini menjaga penggambaran jalan antar tanaman lebih baik dibandingkan operasi terbuka morfologis.
Untuk menerapkan segmentasi biner ke keluaran yang di-denoisasi, pertama-tama kita perlu mengonversi data raster yang diklasifikasikan menjadi fitur vektor menggunakan OpenCV temukanKontur fungsi.
Terakhir, wilayah tanaman tersegmentasi yang sebenarnya dapat dihitung dengan menggunakan garis besar tanaman tersegmentasi.
Wilayah tanaman tersegmentasi yang dihasilkan dari pengklasifikasi KNN memungkinkan identifikasi wilayah tanaman secara tepat dalam kumpulan data pengujian. Wilayah tersegmentasi ini dapat digunakan untuk berbagai tujuan, seperti identifikasi batas lahan, pemantauan tanaman, estimasi hasil, dan alokasi sumber daya. Skor F1 yang dicapai sebesar 0.77 termasuk baik dan memberikan bukti bahwa pengklasifikasi KNN merupakan alat yang efektif untuk segmentasi tanaman pada citra penginderaan jauh. Hasil ini dapat digunakan untuk lebih meningkatkan dan menyempurnakan teknik segmentasi tanaman, sehingga berpotensi meningkatkan akurasi dan efisiensi dalam analisis tanaman.
Kesimpulan
Posting ini menunjukkan bagaimana Anda dapat menggunakan kombinasi planet irama tinggi, citra satelit resolusi tinggi dan Kemampuan geospasial SageMaker untuk melakukan analisis segmentasi tanaman, membuka wawasan berharga yang dapat meningkatkan efisiensi pertanian, kelestarian lingkungan, dan ketahanan pangan. Identifikasi wilayah tanaman secara akurat memungkinkan analisis lebih lanjut mengenai pertumbuhan dan produktivitas tanaman, pemantauan perubahan penggunaan lahan, dan deteksi potensi risiko ketahanan pangan.
Selain itu, kombinasi data Planet dan SageMaker menawarkan beragam kasus penggunaan di luar segmentasi tanaman. Wawasan ini dapat memungkinkan pengambilan keputusan berdasarkan data mengenai pengelolaan tanaman, alokasi sumber daya, dan perencanaan kebijakan di bidang pertanian saja. Dengan model data dan ML yang berbeda, penawaran gabungan ini juga dapat diperluas ke industri lain dan kasus penggunaan menuju transformasi digital, transformasi keberlanjutan, dan keamanan.
Untuk mulai menggunakan kemampuan geospasial SageMaker, lihat Memulai kemampuan geospasial Amazon SageMaker.
Untuk mempelajari lebih lanjut tentang spesifikasi citra Planet dan materi referensi pengembang, kunjungi Pusat Pengembang Planet. Untuk dokumentasi tentang SDK Planet untuk Python, lihat Planet SDK untuk Python. Untuk informasi lebih lanjut tentang Planet, termasuk produk data yang ada dan rilis produk mendatang, kunjungi https://www.planet.com/.
Pernyataan Pandangan ke Depan Planet Labs PBC
Kecuali untuk informasi historis yang terkandung di sini, hal-hal yang diuraikan dalam posting blog ini adalah pernyataan berwawasan ke depan dalam arti ketentuan โsafe harbourโ dari Undang-Undang Reformasi Litigasi Sekuritas Swasta tahun 1995, termasuk, namun tidak terbatas pada, Planet Labs Kemampuan PBC untuk menangkap peluang pasar dan mewujudkan potensi manfaat dari peningkatan produk saat ini atau di masa depan, produk baru, atau kemitraan strategis dan kolaborasi pelanggan. Pernyataan berwawasan ke depan didasarkan pada keyakinan manajemen Planet Labs PBC, serta asumsi yang dibuat oleh, dan informasi yang saat ini tersedia bagi mereka. Karena pernyataan tersebut didasarkan pada ekspektasi mengenai kejadian dan hasil di masa depan dan bukan merupakan pernyataan fakta, hasil aktual mungkin berbeda secara material dari perkiraan. Faktor-faktor yang dapat menyebabkan hasil aktual berbeda secara material dari ekspektasi saat ini termasuk, namun tidak terbatas pada faktor risiko dan pengungkapan lain tentang Planet Labs PBC dan bisnisnya yang termasuk dalam laporan berkala Planet Labs PBC, pernyataan proksi, dan materi pengungkapan lainnya yang diajukan dari waktu ke waktu. waktu dengan Komisi Sekuritas dan Bursa (SEC) yang tersedia online di www.sec.gov, dan di situs web Planet Labs PBC di www.planet.com. Semua pernyataan berwawasan ke depan hanya mencerminkan keyakinan dan asumsi Planet Labs PBC pada tanggal pernyataan tersebut dibuat. Planet Labs PBC tidak berkewajiban memperbarui pernyataan berwawasan ke depan untuk mencerminkan kejadian atau keadaan di masa depan.
Tentang penulis
Lydia Lihui Zhang adalah Spesialis Pengembangan Bisnis di Planet Labs PBC, yang membantu menghubungkan ruang demi kemajuan bumi di berbagai sektor dan berbagai kasus penggunaan. Sebelumnya, dia adalah ilmuwan data di McKinsey ACRE, sebuah solusi yang berfokus pada pertanian. Ia meraih gelar Master of Science dari MIT Technology Policy Program, dengan fokus pada kebijakan luar angkasa. Data geospasial dan dampaknya yang lebih luas terhadap bisnis dan keberlanjutan telah menjadi fokus kariernya.
Mansi Syah adalah seorang insinyur perangkat lunak, ilmuwan data, dan musisi yang karyanya mengeksplorasi ruang di mana ketelitian artistik dan keingintahuan teknis bertemu. Dia percaya bahwa data (seperti seni!) meniru kehidupan, dan tertarik pada kisah-kisah kemanusiaan yang mendalam di balik angka dan catatan.
Xiong Zhou adalah Ilmuwan Terapan Senior di AWS. Dia memimpin tim sains untuk kemampuan geospasial Amazon SageMaker. Bidang penelitiannya saat ini mencakup visi komputer dan pelatihan model yang efisien. Di waktu luangnya, ia menikmati berlari, bermain basket, dan menghabiskan waktu bersama keluarganya.
Janosch Woschitz adalah Arsitek Solusi Senior di AWS, yang berspesialisasi dalam AI/ML geospasial. Dengan pengalaman lebih dari 15 tahun, ia mendukung pelanggan secara global dalam memanfaatkan AI dan ML untuk solusi inovatif yang memanfaatkan data geospasial. Keahliannya mencakup pembelajaran mesin, rekayasa data, dan sistem terdistribusi yang dapat diskalakan, ditambah dengan latar belakang yang kuat dalam rekayasa perangkat lunak dan keahlian industri dalam domain kompleks seperti mengemudi otonom.
Sial Dhakal adalah Manajer Program Sr. dengan tim ML geospasial SageMaker yang berbasis di San Francisco Bay Area. Beliau memiliki latar belakang penginderaan jauh dan Sistem Informasi Geografis (GIS). Dia bersemangat memahami permasalahan pelanggan dan membangun produk geospasial untuk menyelesaikannya. Di waktu luangnya, dia menikmati hiking, jalan-jalan, dan bermain tenis.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 100
- 14
- 15 tahun
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- kemampuan
- Sanggup
- Tentang Kami
- mempercepat
- mengakses
- ketepatan
- tepat
- akurat
- dicapai
- diperoleh
- hektar
- di seluruh
- Bertindak
- tindakan
- sebenarnya
- sebenarnya
- adaptasi
- Disesuaikan
- mempengaruhi
- mempengaruhi
- Setelah
- Pertanian
- pertanian
- AI
- AI / ML
- Semua
- alokasi
- mengizinkan
- Membiarkan
- sendirian
- sepanjang
- juga
- Meskipun
- Amazon
- Amazon SageMaker
- geospasial Amazon SageMaker
- Studio Amazon SageMaker
- Amazon Web Services
- an
- analisis
- menganalisa
- dan
- tahunan
- Lain
- Apa pun
- di manapun
- Lebah
- Aplikasi
- aplikasi
- terapan
- Mendaftar
- arsip
- ADALAH
- DAERAH
- daerah
- susunan
- artistik
- AS
- meminta
- menilai
- Menilai
- penilaian
- aset
- membantu
- terkait
- asumsi
- At
- ditambah
- otonom
- tersedianya
- tersedia
- rata-rata
- menghindari
- menunggu
- AWS
- kembali
- latar belakang
- Saldo
- PITA
- band
- bar
- berdasarkan
- dasar
- Bola basket
- Teluk
- BE
- karena
- menjadi
- Awal
- di belakang
- makhluk
- keyakinan
- percaya
- Manfaat
- Lebih baik
- Perbaikan
- antara
- Luar
- Blog
- Biru
- mengaburkan
- kedua
- Bawah
- batas-batas
- batas
- JEMBATAN
- membawa
- lebih luas
- membangun
- Bangunan
- built-in
- bundel
- bisnis
- pengembangan bisnis
- tapi
- by
- CA
- california
- CAN
- kemampuan
- bermodalkan
- menangkap
- menangkap
- Lowongan Kerja
- kasus
- studi kasus
- kasus
- Menyebabkan
- disebabkan
- tertentu
- rantai
- perubahan
- berubah
- Perubahan
- karakteristik
- keadaan
- kelas
- kelas-kelas
- klasifikasi
- tergolong
- Pembersihan
- jelas
- Jelas
- CLF
- klien
- Iklim
- Perubahan iklim
- lebih dekat
- awan
- kode
- Kolaborasi
- koleksi
- Bertabrakan
- COM
- kombinasi
- bergabung
- menggabungkan
- bagaimana
- datang
- Komisi
- Umum
- umum
- perusahaan
- relatif
- membandingkan
- dibandingkan
- perbandingan
- kompleks
- komputer
- Visi Komputer
- Mengadakan
- Terhubung
- konsisten
- terdiri
- berisi
- mengandung
- konteks
- terus
- mengubah
- dikonversi
- mengkoordinasikan
- Core
- dikoreksi
- Sesuai
- bisa
- daerah
- menutupi
- liputan
- penutup
- membuat
- dibuat
- membuat
- penciptaan
- kriteria
- tanaman
- tanaman
- rasa ingin tahu
- terbaru
- Sekarang
- pelanggan
- pelanggan
- harian
- data
- ilmuwan data
- Data-driven
- kumpulan data
- Tanggal
- keputusan
- lebih dalam
- menetapkan
- didefinisikan
- menunjukkan
- tergantung
- menyebarkan
- Berasal
- diinginkan
- musnah
- rinci
- Deteksi
- penentuan
- ditentukan
- dikembangkan
- Pengembang
- pengembang
- Pengembangan
- penyimpangan
- berbeda
- perbedaan
- berbeda
- digital
- Transformasi digital
- langsung
- bencana
- penyingkapan
- menemukan
- ditemukan
- membahas
- jarak
- didistribusikan
- sistem terdistribusi
- distribusi
- dokumentasi
- domain
- merpati
- Download
- download
- mendorong
- penggerak
- Tetes
- dua
- selama
- setiap
- Terdahulu
- bumi
- mudah
- Mudah
- Efektif
- efisiensi
- efisien
- efisien
- upaya
- antara
- memberdayakan
- aktif
- memungkinkan
- insinyur
- Teknik
- Insinyur
- Perangkat tambahan
- cukup
- memperkaya
- memastikan
- Lingkungan Hidup
- lingkungan
- Kelestarian Lingkungan Hidup
- lingkungan
- terutama
- mengevaluasi
- Acara
- peristiwa
- bukti
- berkembang
- Memeriksa
- contoh
- Pasar Valas
- ada
- Lihat lebih lanjut
- harapan
- diharapkan
- pengalaman
- keahlian
- menyelidiki
- mengeksplorasi
- terkena
- f1
- fakta
- faktor
- palsu
- keluarga
- petani
- pertanian
- lebih cepat
- Fitur
- Fitur
- Februari
- pupuk
- beberapa
- bidang
- Fields
- File
- mengajukan
- menyaring
- Akhirnya
- Menemukan
- temuan
- fiona
- Pertama
- cocok
- ARMADA KAPAL
- fleksibel
- banjir
- Fokus
- berfokus
- berikut
- makanan
- Untuk
- sebagainya
- berwawasan ke depan
- Prinsip Dasar
- Francisco
- dari
- fungsi
- lebih lanjut
- masa depan
- mendapatkan
- celah
- geografis
- ML geospasial
- mendapatkan
- Memberikan
- diberikan
- Aksi
- Secara global
- baik
- grafis
- sangat
- Hijau
- Tanah
- Pertumbuhan
- Pertumbuhan
- Tamu
- tamu Post
- tangan
- terjadi
- Kejadian
- Memiliki
- memiliki
- he
- Kesehatan
- membantu
- bermanfaat
- membantu
- dia
- di sini
- disini
- High
- Frekuensi tinggi
- resolusi tinggi
- lebih tinggi
- Disorot
- -nya
- historis
- memegang
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTML
- http
- HTTPS
- manusia
- i
- ID
- Identifikasi
- diidentifikasi
- mengidentifikasi
- mengenali
- mengidentifikasi
- if
- gambar
- gambar
- besar
- Dampak
- penting
- memperbaiki
- meningkatkan
- meningkatkan
- in
- Di lain
- memasukkan
- termasuk
- termasuk
- Termasuk
- menggabungkan
- salah
- Pada meningkat
- meningkatkan
- memang
- indeks
- menunjukkan
- menunjukkan
- industri
- industri
- informasi
- inovatif
- memasukkan
- input
- wawasan
- terinspirasi
- install
- diinstal
- interaktif
- bunga
- tertarik
- menarik
- Antarmuka
- ke
- investigasi
- IT
- NYA
- Jennifer
- jpg
- Juni
- Menjaga
- Paket (SDK)
- pengetahuan
- kyle
- Labs
- Tanah
- besar
- besar-besaran
- sebagian besar
- Terlambat
- jalankan
- diluncurkan
- memimpin
- terkemuka
- Memimpin
- BELAJAR
- pengetahuan
- meninggalkan
- leveraging
- perpustakaan
- Hidup
- 'like'
- Terbatas
- baris
- Daftar
- Proses pengadilan
- terletak
- melihat
- mencari
- mesin
- Mesin belajar
- Makro
- terbuat
- terutama
- membuat
- Membuat
- mengelola
- pengelolaan
- manajer
- banyak
- peta
- ditandai
- Pasar
- masker
- menguasai
- sesuai
- secara material
- bahan
- Hal-hal
- maksimum
- Mungkin..
- McKinsey
- makna
- cara
- mengukur
- ukuran
- ukur
- Metadata
- metode
- metode
- metrik
- Metrik
- meminimalkan
- MIT
- meringankan
- ML
- model
- model
- Memantau
- pemantauan
- lebih
- paling
- kebanyakan
- banyak
- beberapa
- Pemusik
- harus
- banyak sekali
- Alam
- Perlu
- dibutuhkan
- kebutuhan
- negatif
- tetangga
- New
- produk baru
- tidak
- Kebisingan
- buku catatan
- Catatan
- jumlah
- nomor
- banyak sekali
- secara obyektif
- kewajiban
- mengamati
- memperoleh
- Oktober
- of
- menawarkan
- Penawaran
- sering
- on
- secara online
- hanya
- Buka
- OpenCV
- operasi
- Kesempatan
- Optimize
- or
- urutan
- perintah
- organisasi
- semula
- Lainnya
- kami
- menanggung
- menguraikan
- keluaran
- lebih
- secara keseluruhan
- sendiri
- Sakit
- parameter
- parameter
- tertentu
- khususnya
- Kemitraan
- kemitraan
- bergairah
- pola
- Melakukan
- prestasi
- dilakukan
- berkala
- fisik
- memilih
- pixel
- planet
- perencanaan
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- poin
- kebijaksanaan
- positif
- mungkin
- Pos
- potensi
- berpotensi
- kekuasaan
- kuat
- praktek
- perlu
- Ketelitian
- meramalkan
- diprediksi
- memprediksi
- Prediksi
- disukai
- Mempersiapkan
- siap
- menyajikan
- hadiah
- Preview
- sebelumnya
- terutama
- primer
- Sebelumnya
- Prioritaskan
- swasta
- Masalah
- proses
- Diproses
- pengolahan
- Diproduksi
- Produk
- produktifitas
- Produk
- secara mendalam
- program
- diproyeksikan
- menjanjikan
- proporsi
- memberikan
- disediakan
- menyediakan
- wakil
- di depan umum
- nadi
- tujuan
- Ular sanca
- kuantitatif
- Cepat
- segera
- jarak
- menyadari
- Merah
- mengurangi
- memperhalus
- mencerminkan
- Pembaruan
- wilayah
- daerah
- Pers
- relevan
- bantuan
- terpencil
- menghapus
- Pelaporan
- laporan
- wakil
- permintaan
- penelitian
- sumber
- Sumber
- mengakibatkan
- Hasil
- kembali
- mengungkapkan
- Mengungkapkan
- Kaya
- benar
- Risiko
- faktor risiko
- risiko
- Sungai
- jalan
- Run
- berjalan
- Sacramento
- pembuat bijak
- sama
- San
- San Fransisco
- satelit
- satelit
- terukur
- adegan
- adegan
- skema
- Ilmu
- ilmuwan
- ilmuwan
- scikit-belajar
- skor
- SDK
- Pencarian
- Musim
- SEC
- Sektor
- Surat-surat berharga
- Securities and Exchange Commission
- keamanan
- risiko keamanan
- melihat
- segmentasi
- segmen
- terpilih
- seleksi
- senior
- terpisah
- melayani
- Layanan
- set
- set
- menyelesaikan
- beberapa
- dia
- Menunjukkan
- ditunjukkan
- mirip
- Sederhana
- sejak
- tunggal
- Ukuran
- kecil
- Perangkat lunak
- pengembangan perangkat lunak
- kit pengembangan perangkat lunak
- Software Engineer
- rekayasa Perangkat Lunak
- tanah
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- sumber
- sumber
- Space
- spasi
- rentang
- spasial
- Bicara
- spesialis
- mengkhususkan diri
- spesifikasi
- spesifikasi
- Spektral
- Pengeluaran
- pemangku kepentingan
- stakeholder
- awal
- mulai
- Negara
- Laporan
- Status
- Langkah
- cerita
- Strategis
- Kemitraan strategis
- strategi
- tekanan
- kuat
- studio
- Belajar
- berlangganan
- sukses
- berhasil
- seperti itu
- mendukung
- Mendukung
- Permukaan
- Survei
- Keberlanjutan
- berkelanjutan
- sistem
- sistem
- Mengambil
- diambil
- pengambilan
- tim
- Teknis
- teknik
- Teknologi
- uji
- Perjanjian
- pengujian
- dari
- bahwa
- Grafik
- Daerah
- Negara
- Dunia
- mereka
- Mereka
- kemudian
- Sana.
- karena itu
- Ini
- mereka
- hal
- ini
- itu
- Melalui
- waktu
- kali
- untuk
- alat
- alat
- puncak
- terhadap
- jalur
- Pelatihan VE
- terlatih
- Pelatihan
- Mengubah
- Transformasi
- berubah
- Perjalanan
- Pohon
- Tren
- benar
- kebenaran
- mencoba
- dua
- mengetik
- pokok
- pemahaman
- melakukan
- unlocking
- sampai
- mendatang
- Memperbarui
- us
- menggunakan
- bekas
- Pengguna
- kegunaan
- menggunakan
- biasanya
- dimanfaatkan
- Berharga
- nilai
- Nilai - Nilai
- berbagai
- Luas
- sangat
- melalui
- penglihatan
- Mengunjungi
- visualisasi
- visual
- volume
- Rentan
- menunggu
- ingin
- adalah
- Limbah
- air
- we
- jaringan
- layanan web
- Situs Web
- BAIK
- adalah
- sedangkan
- apakah
- yang
- sementara
- SIAPA
- yang
- lebar
- Rentang luas
- dengan
- dalam
- tanpa
- kata
- Kerja
- alur kerja
- Alur kerja
- kerja
- dunia
- akan
- tertulis
- X
- tahun
- tahun
- Menghasilkan
- Kamu
- zephyrnet.dll
- zoom