Questo guest post è stato scritto in collaborazione da Lydia Lihui Zhang, specialista in sviluppo aziendale, e Mansi Shah, ingegnere del software/scienziato dei dati, presso Planet Labs. IL analisi che ha ispirato questo post è stato originariamente scritto da Jennifer Reiber Kyle.
Funzionalità geospaziali di Amazon SageMaker combinato con PianetaI dati satellitari di possono essere utilizzati per la segmentazione delle colture e ci sono numerose applicazioni e potenziali vantaggi di questa analisi nei campi dell'agricoltura e della sostenibilità. Alla fine del 2023, Planet ha annunciato una partnership con AWS per rendere disponibili i propri dati geospaziali Amazon Sage Maker.
La segmentazione delle colture è il processo di suddivisione di un'immagine satellitare in regioni di pixel, o segmenti, che hanno caratteristiche di coltivazione simili. In questo post, illustriamo come utilizzare un modello di segmentazione machine learning (ML) per identificare le regioni coltivate e non coltivate in un'immagine.
Identificare le regioni coltivate è un passo fondamentale verso l’acquisizione di informazioni approfondite sull’agricoltura e la combinazione di ricchi dati geospaziali e ML può portare a informazioni che guidano decisioni e azioni. Per esempio:
- Prendere decisioni agricole basate sui dati – Acquisendo una migliore comprensione spaziale delle colture, gli agricoltori e gli altri stakeholder agricoli possono ottimizzare l’uso delle risorse, dall’acqua ai fertilizzanti ad altri prodotti chimici durante tutta la stagione. Ciò pone le basi per ridurre gli sprechi, migliorare le pratiche agricole sostenibili ove possibile e aumentare la produttività riducendo al minimo l’impatto ambientale.
- Individuazione degli stress e delle tendenze legate al clima – Poiché il cambiamento climatico continua a influenzare la temperatura globale e i modelli delle precipitazioni, la segmentazione delle colture può essere utilizzata per identificare le aree vulnerabili allo stress legato al clima per le strategie di adattamento climatico. Ad esempio, gli archivi di immagini satellitari possono essere utilizzati per tenere traccia dei cambiamenti avvenuti nel tempo in una regione di coltivazione. Questi potrebbero essere i cambiamenti fisici nelle dimensioni e nella distribuzione dei terreni coltivati. Potrebbero anche essere i cambiamenti nell’umidità del suolo, nella temperatura del suolo e nella biomassa, derivati dal diverso indice spettrale dei dati satellitari, per un’analisi più approfondita della salute delle colture.
- Valutare e mitigare i danni – Infine, la segmentazione delle colture può essere utilizzata per identificare in modo rapido e accurato le aree danneggiate dalle colture in caso di disastro naturale, il che può aiutare a dare priorità agli interventi di soccorso. Ad esempio, dopo un’alluvione, è possibile utilizzare immagini satellitari ad alta cadenza per identificare le aree in cui i raccolti sono stati sommersi o distrutti, consentendo alle organizzazioni umanitarie di assistere più rapidamente gli agricoltori colpiti.
In questa analisi, utilizziamo un modello K-nearest neighbors (KNN) per condurre la segmentazione delle colture e confrontiamo questi risultati con immagini reali su una regione agricola. I nostri risultati rivelano che la classificazione del modello KNN è più accuratamente rappresentativa dello stato dell’attuale campo coltivato nel 2017 rispetto ai dati di classificazione della verità sul terreno del 2015. Questi risultati testimoniano la potenza delle immagini geospaziali ad alta cadenza di Planet. I campi agricoli cambiano spesso, a volte più volte durante la stagione, e avere a disposizione immagini satellitari ad alta frequenza per osservare e analizzare questo territorio può fornire un valore immenso alla nostra comprensione dei terreni agricoli e degli ambienti in rapido cambiamento.
Partnership tra Planet e AWS sul machine learning geospaziale
Funzionalità geospaziali di SageMaker consentire ai data scientist e agli ingegneri ML di creare, addestrare e distribuire modelli utilizzando dati geospaziali. Le funzionalità geospaziali di SageMaker ti consentono di trasformare o arricchire in modo efficiente set di dati geospaziali su larga scala, accelerare la creazione di modelli con modelli ML preaddestrati ed esplorare previsioni di modelli e dati geospaziali su una mappa interattiva utilizzando grafica accelerata 3D e strumenti di visualizzazione integrati. Con le funzionalità geospaziali di SageMaker, puoi elaborare grandi set di dati di immagini satellitari e altri dati geospaziali per creare modelli ML accurati per varie applicazioni, inclusa la segmentazione delle colture, di cui parleremo in questo post.
PBC di Planet Labs è un'azienda leader nel settore dell'imaging della Terra che utilizza la sua vasta flotta di satelliti per acquisire quotidianamente immagini della superficie terrestre. I dati di Planet sono quindi una risorsa preziosa per il ML geospaziale. Le sue immagini satellitari ad alta risoluzione possono essere utilizzate per identificare varie caratteristiche delle colture e la loro salute nel tempo, ovunque sulla Terra.
La partnership tra Planet e SageMaker consente ai clienti di accedere e analizzare facilmente i dati satellitari ad alta frequenza di Planet utilizzando i potenti strumenti ML di AWS. I data scientist possono portare i propri dati o trovare e iscriversi comodamente ai dati di Planet senza cambiare ambiente.
Segmentazione del raccolto in un notebook Amazon SageMaker Studio con un'immagine geospaziale
In questo esempio di flusso di lavoro di ML geospaziale, esaminiamo come portare i dati di Planet insieme all'origine dati di verità in SageMaker e come addestrare, dedurre e distribuire un modello di segmentazione delle colture con un classificatore KNN. Infine, valutiamo l'accuratezza dei nostri risultati e li confrontiamo con la nostra classificazione della verità di base.
Il classificatore KNN utilizzato è stato addestrato in un file Notebook Amazon SageMaker Studio con geospaziale immagine e fornisce un kernel per notebook flessibile ed estensibile per lavorare con dati geospaziali.
Il Amazon Sage Maker Studio notebook con immagine geospaziale viene preinstallato con le librerie geospaziali di uso comune come GDAL, Fiona, GeoPandas, Shapely e Rasterio, che consentono la visualizzazione e l'elaborazione dei dati geospaziali direttamente all'interno di un ambiente notebook Python. Per eseguire la segmentazione delle colture utilizzando la classificazione KNN vengono utilizzate anche librerie ML comuni come OpenCV o scikit-learn, anch'esse installate nel kernel geospaziale.
Selezione dei dati
Il campo agricolo su cui ingrandiamo si trova nella solitamente soleggiata contea di Sacramento in California.
Perchè Sacramento? La selezione dell'area e del tempo per questo tipo di problema è definita principalmente dalla disponibilità di dati di verità sul terreno e tali dati sul tipo di coltura e sui confini non sono facili da ottenere. IL Set di dati dell'indagine DWR sull'uso del territorio della contea di Sacramento del 2015 è un set di dati disponibile al pubblico che copre la contea di Sacramento in quell'anno e fornisce confini adattati manualmente.
Le immagini satellitari principali che utilizziamo sono quelle a 4 bande del Pianeta Prodotto PSScene, che contiene le bande blu, verde, rossa e vicino IR ed è corretto radiometricamente in base alla radianza del sensore. I coefficienti per la correzione della riflettanza del sensore sono forniti nei metadati della scena, il che migliora ulteriormente la coerenza tra le immagini scattate in momenti diversi.
I satelliti Dove di Planet che hanno prodotto queste immagini sono stati lanciati il 14 febbraio 2017 (comunicato stampa), pertanto non hanno fotografato la contea di Sacramento nel 2015. Tuttavia, hanno scattato immagini quotidiane dell'area sin dal lancio. In questo esempio, ci accontentiamo del divario imperfetto di 2 anni tra i dati della verità terrestre e le immagini satellitari. Tuttavia, le immagini a bassa risoluzione Landsat 8 avrebbero potuto essere utilizzate come ponte tra il 2015 e il 2017.
Accedi ai dati del pianeta
Per aiutare gli utenti a ottenere dati accurati e utilizzabili più rapidamente, Planet ha anche sviluppato il Planet Software Development Kit (SDK) per Python. Si tratta di uno strumento potente per data scientist e sviluppatori che desiderano lavorare con immagini satellitari e altri dati geospaziali. Con questo SDK puoi cercare e accedere alla vasta raccolta di immagini satellitari ad alta risoluzione di Planet, nonché a dati provenienti da altre fonti come OpenStreetMap. L'SDK fornisce un client Python alle API di Planet, nonché una soluzione CLI (interfaccia a riga di comando senza codice), semplificando l'integrazione di immagini satellitari e dati geospaziali nei flussi di lavoro Python. Questo esempio usa il client Python per identificare e scaricare le immagini necessarie per l'analisi.
Puoi installare il client Planet Python nel notebook SageMaker Studio con immagine geospaziale utilizzando un semplice comando:
È possibile utilizzare il client per eseguire query su immagini satellitari pertinenti e recuperare un elenco di risultati disponibili in base all'area di interesse, all'intervallo di tempo e ad altri criteri di ricerca. Nell'esempio seguente, iniziamo chiedendo quanti Scene del PlanetScope (Le immagini giornaliere di Planet) coprono la stessa area di interesse (AOI) che abbiamo definito in precedenza attraverso i dati del suolo a Sacramento, dato un certo intervallo di tempo tra il 1 giugno e il 1 ottobre 2017; nonché un determinato intervallo di copertura nuvolosa massima desiderata del 10%:
I risultati restituiti mostrano il numero di scene corrispondenti che si sovrappongono alla nostra area di interesse. Contiene inoltre i metadati di ciascuna scena, il relativo ID immagine e un riferimento all'immagine di anteprima.
Dopo aver selezionato una scena particolare, specificando l'ID della scena, il tipo di articolo e i pacchetti di prodotti (documentazione di riferimento), puoi utilizzare il seguente codice per scaricare l'immagine e i relativi metadati:
Questo codice scarica l'immagine satellitare corrispondente su File system elastico Amazon (Amazon EFS) per SageMaker Studio.
Allenamento modello
Dopo che i dati sono stati scaricati con il client Planet Python, è possibile addestrare il modello di segmentazione. In questo esempio, viene utilizzata una combinazione di tecniche di classificazione KNN e segmentazione delle immagini per identificare l'area coltivata e creare caratteristiche geojson georeferenziate.
I dati del pianeta vengono caricati e preelaborati utilizzando le librerie e gli strumenti geospaziali integrati in SageMaker per prepararli all'addestramento del classificatore KNN. I dati reali per la formazione sono il set di dati del Sacramento County Land Use DWR Survey del 2015, mentre i dati Planet del 2017 vengono utilizzati per testare il modello.
Convertire le caratteristiche del terreno in contorni
Per addestrare il classificatore KNN, la classe di ciascun pixel come crop
or non-crop
deve essere identificato. La classe è determinata dal fatto che il pixel sia associato o meno a una caratteristica di ritaglio nei dati di verità a terra. Per effettuare questa determinazione, i dati reali vengono prima convertiti in contorni OpenCV, che vengono poi utilizzati per separarli crop
da non-crop
pixel. I valori dei pixel e la loro classificazione vengono quindi utilizzati per addestrare il classificatore KNN.
Per convertire le caratteristiche reali in contorni, le caratteristiche devono prima essere proiettate nel sistema di riferimento delle coordinate dell'immagine. Quindi, le caratteristiche vengono trasformate nello spazio dell'immagine e infine convertite in contorni. Per garantire la precisione dei contorni, questi vengono visualizzati sovrapposti all'immagine di input, come mostrato nell'esempio seguente.
Per addestrare il classificatore KNN, i pixel ritagliati e non ritagliati vengono separati utilizzando i contorni della funzione di ritaglio come maschera.
L'input del classificatore KNN è costituito da due set di dati: X, un array 2d che fornisce le caratteristiche su cui classificare; e y, un array 1d che fornisce le classi (esempio). In questo caso, viene creata una singola banda classificata dai set di dati non-ritaglio e ritaglio, dove i valori della banda indicano la classe di pixel. La banda e i valori della banda di pixel dell'immagine sottostante vengono quindi convertiti negli input X e y per la funzione di adattamento del classificatore.
Addestra il classificatore sui pixel ritagliati e non ritagliati
La classificazione KNN viene eseguita con il scikit-learn KNeighborsClassifier. Il numero di vicini, un parametro che influenza notevolmente le prestazioni dello stimatore, viene regolato utilizzando la convalida incrociata nella convalida incrociata KNN. Il classificatore viene quindi addestrato utilizzando i set di dati preparati e il numero ottimizzato di parametri vicini. Vedere il seguente codice:
Per valutare le prestazioni del classificatore sui dati di input, la classe di pixel viene prevista utilizzando i valori della banda di pixel. Le prestazioni del classificatore si basano principalmente sulla precisione dei dati di training e sulla chiara separazione delle classi di pixel in base ai dati di input (valori della banda di pixel). I parametri del classificatore, come il numero di vicini e la funzione di ponderazione della distanza, possono essere regolati per compensare eventuali imprecisioni di quest'ultima. Vedere il seguente codice:
Valutare le previsioni del modello
Il classificatore KNN addestrato viene utilizzato per prevedere le regioni coltivate nei dati del test. Questi dati di test sono costituiti da regioni che non sono state esposte al modello durante l'addestramento. In altre parole, il modello non ha conoscenza dell'area prima della sua analisi e quindi questi dati possono essere utilizzati per valutare oggettivamente le prestazioni del modello. Iniziamo ispezionando visivamente diverse regioni, iniziando da una regione relativamente più rumorosa.
L'ispezione visiva rivela che le classi previste sono per lo più coerenti con le classi di verità a terra. Ci sono alcune regioni di deviazione, che esaminiamo ulteriormente.
Dopo ulteriori indagini, abbiamo scoperto che parte del rumore in questa regione era dovuto alla mancanza dei dati di base dei dettagli presenti nell'immagine classificata (in alto a destra rispetto a in alto a sinistra e in basso a sinistra). Una scoperta particolarmente interessante è che il classificatore identifica gli alberi lungo il fiume come non-crop
, mentre i dati di base li identificano erroneamente come crop
. Questa differenza tra queste due segmentazioni potrebbe essere dovuta agli alberi che ombreggiano la regione sopra le colture.
Successivamente, ispezioniamo un'altra regione che è stata classificata diversamente tra i due metodi. Queste regioni evidenziate erano precedentemente contrassegnate come regioni non coltivate nei dati di base nel 2015 (in alto a destra), ma sono cambiate e mostrate chiaramente come terre coltivate nel 2017 attraverso le scene del Planetscope (in alto a sinistra e in basso a sinistra). Sono stati inoltre classificati in gran parte come terreni coltivati attraverso il classificatore (in basso a destra).
Ancora una volta, vediamo che il classificatore KNN presenta un risultato più granulare rispetto alla classe di verità sul terreno e cattura con successo anche il cambiamento che sta avvenendo nei terreni coltivati. Questo esempio dimostra anche il valore dei dati satellitari aggiornati quotidianamente perché il mondo spesso cambia molto più velocemente dei report annuali e un metodo combinato con ML come questo può aiutarci a cogliere i cambiamenti man mano che si verificano. Essere in grado di monitorare e scoprire tali cambiamenti tramite dati satellitari, soprattutto nei settori agricoli in evoluzione, fornisce informazioni utili agli agricoltori per ottimizzare il proprio lavoro e a tutti gli stakeholder agricoli nella catena del valore per ottenere un migliore impulso della stagione.
Valutazione del modello
Il confronto visivo delle immagini delle classi previste con le classi reali può essere soggettivo e non può essere generalizzato per valutare l'accuratezza dei risultati della classificazione. Per ottenere una valutazione quantitativa, otteniamo metriche di classificazione utilizzando scikit-learn classification_report
funzione:
La classificazione dei pixel viene utilizzata per creare una maschera di segmentazione delle regioni ritagliate, rendendo sia la precisione che il richiamo di metriche importanti, e il punteggio F1 una buona misura complessiva per prevedere l'accuratezza. I nostri risultati ci forniscono parametri sia per le regioni coltivate che per quelle non coltivate nel set di dati di training e test. Tuttavia, per semplificare le cose, diamo un'occhiata più da vicino a questi parametri nel contesto delle regioni coltivate nel set di dati di test.
La precisione è una misura di quanto siano accurate le previsioni positive del nostro modello. In questo caso, una precisione di 0.94 per le regioni coltivate indica che il nostro modello ha molto successo nell’identificare correttamente le aree che sono effettivamente regioni coltivate, dove i falsi positivi (regioni effettive non coltivate identificate erroneamente come regioni coltivate) sono ridotti al minimo. Il richiamo, invece, misura la completezza delle previsioni positive. In altre parole, il richiamo misura la percentuale di positivi effettivi identificati correttamente. Nel nostro caso, un valore di richiamo di 0.73 per le regioni coltivate significa che il 73% di tutti i pixel delle regioni coltivate reali sono identificati correttamente, riducendo al minimo il numero di falsi negativi.
Idealmente, sono preferiti valori elevati sia di precisione che di richiamo, sebbene ciò possa dipendere in gran parte dall'applicazione del caso di studio. Ad esempio, se esaminassimo questi risultati per gli agricoltori che desiderano identificare le regioni coltivate per l'agricoltura, vorremmo dare la preferenza a un richiamo più elevato rispetto alla precisione, al fine di ridurre al minimo il numero di falsi negativi (aree identificate come regioni non coltivate che sono in realtà regioni coltivate) per sfruttare al massimo il territorio. Il punteggio F1 funge da metrica di accuratezza complessiva che combina sia precisione che richiamo e misura l'equilibrio tra le due metriche. Un punteggio F1 elevato, come il nostro per le regioni coltivate (0.82), indica un buon equilibrio tra precisione e richiamo e un'elevata accuratezza della classificazione complessiva. Sebbene il punteggio F1 scenda tra il set di dati del treno e quello di test, ciò è previsto perché il classificatore è stato addestrato sul set di dati del treno. Un punteggio F1 medio ponderato complessivo di 0.77 è promettente e sufficientemente adeguato per provare schemi di segmentazione sui dati classificati.
Crea una maschera di segmentazione dal classificatore
La creazione di una maschera di segmentazione utilizzando le previsioni del classificatore KNN sul set di dati di test comporta la pulizia dell'output previsto per evitare piccoli segmenti causati dal rumore dell'immagine. Per rimuovere il rumore maculato, utilizziamo OpenCV filtro di sfocatura mediano. Questo filtro preserva meglio le delineazioni stradali tra le colture rispetto all'operazione morfologica aperta.
Per applicare la segmentazione binaria all'output denoizzato, dobbiamo prima convertire i dati raster classificati in caratteristiche vettoriali utilizzando OpenCV trovaContorni funzione.
Infine, le effettive regioni delle colture segmentate possono essere calcolate utilizzando i contorni delle colture segmentate.
Le regioni coltivate segmentate prodotte dal classificatore KNN consentono l'identificazione precisa delle regioni coltivate nel set di dati di prova. Queste regioni segmentate possono essere utilizzate per vari scopi, come l’identificazione dei confini del campo, il monitoraggio delle colture, la stima della resa e l’allocazione delle risorse. Il punteggio F1 ottenuto di 0.77 è buono e fornisce la prova che il classificatore KNN è uno strumento efficace per la segmentazione delle colture nelle immagini di telerilevamento. Questi risultati possono essere utilizzati per migliorare e perfezionare ulteriormente le tecniche di segmentazione delle colture, portando potenzialmente a una maggiore precisione ed efficienza nell’analisi delle colture.
Conclusione
Questo post ha dimostrato come è possibile utilizzare la combinazione di Del pianeta immagini satellitari ad alta cadenza e ad alta risoluzione e Funzionalità geospaziali di SageMaker per eseguire analisi di segmentazione delle colture, sbloccando preziose informazioni che possono migliorare l’efficienza agricola, la sostenibilità ambientale e la sicurezza alimentare. L’identificazione accurata delle regioni coltivate consente ulteriori analisi sulla crescita e sulla produttività delle colture, il monitoraggio dei cambiamenti nell’uso del suolo e l’individuazione di potenziali rischi per la sicurezza alimentare.
Inoltre, la combinazione di dati Planet e SageMaker offre un’ampia gamma di casi d’uso oltre la segmentazione delle colture. Gli approfondimenti possono consentire decisioni basate sui dati sulla gestione delle colture, sull’allocazione delle risorse e sulla pianificazione politica solo nel settore agricolo. Con diversi modelli di dati e ML, l’offerta combinata potrebbe espandersi anche in altri settori e casi d’uso verso la trasformazione digitale, la trasformazione della sostenibilità e la sicurezza.
Per iniziare a utilizzare le funzionalità geospaziali di SageMaker, vedere Inizia a utilizzare le funzionalità geospaziali di Amazon SageMaker.
Per saperne di più sulle specifiche delle immagini di Planet e sui materiali di riferimento per gli sviluppatori, visita Centro Planet Developer. Per la documentazione sull'SDK di Planet per Python, vedere Planet SDK per Python. Per ulteriori informazioni su Planet, compresi i prodotti dati esistenti e le prossime versioni dei prodotti, visitare https://www.planet.com/.
Dichiarazioni previsionali di Planet Labs PBC
Fatta eccezione per le informazioni storiche qui contenute, le questioni esposte in questo post del blog sono dichiarazioni previsionali ai sensi delle disposizioni "safe harbour" del Private Securities Litigation Reform Act del 1995, incluso, ma non limitato a, Planet Labs La capacità di PBC di cogliere opportunità di mercato e realizzare qualsiasi potenziale vantaggio derivante da miglioramenti attuali o futuri dei prodotti, nuovi prodotti o partnership strategiche e collaborazioni con i clienti. Le dichiarazioni previsionali si basano sulle convinzioni del management di Planet Labs PBC, nonché sulle ipotesi formulate e sulle informazioni attualmente a loro disposizione. Poiché tali dichiarazioni si basano su aspettative relative a eventi e risultati futuri e non rappresentano dichiarazioni di fatto, i risultati effettivi potrebbero differire sostanzialmente da quelli previsti. I fattori che potrebbero far sì che i risultati effettivi differiscano sostanzialmente dalle aspettative attuali includono, ma non sono limitati a, fattori di rischio e altre informazioni su Planet Labs PBC e le sue attività incluse nelle relazioni periodiche di Planet Labs PBC, dichiarazioni di delega e altro materiale informativo depositato di volta in volta. in tempo con la Securities and Exchange Commission (SEC), disponibile online all'indirizzo www.sec.gove sul sito web di Planet Labs PBC all'indirizzo www.planet.com. Tutte le dichiarazioni previsionali riflettono le convinzioni e le ipotesi di Planet Labs PBC solo alla data in cui tali dichiarazioni vengono rilasciate. Planet Labs PBC non si assume alcun obbligo di aggiornare le dichiarazioni previsionali per riflettere eventi o circostanze futuri.
Circa gli autori
Lydia Lihui Zhang è specialista in sviluppo aziendale presso Planet Labs PBC, dove aiuta a connettere lo spazio per il miglioramento della terra in vari settori e una miriade di casi d'uso. In precedenza, è stata data scientist presso McKinsey ACRE, una soluzione incentrata sull'agricoltura. Ha conseguito un Master of Science presso il Technology Policy Program del MIT, concentrandosi sulla politica spaziale. I dati geospaziali e il loro impatto più ampio sul business e sulla sostenibilità sono stati il focus della sua carriera.
Mansi Shah è un ingegnere informatico, scienziato dei dati e musicista il cui lavoro esplora gli spazi in cui rigore artistico e curiosità tecnica si scontrano. Crede che i dati (come l'arte!) imiti la vita ed è interessata alle storie profondamente umane dietro i numeri e le note.
XiongZhou è uno scienziato applicato senior presso AWS. È a capo del team scientifico per le funzionalità geospaziali di Amazon SageMaker. La sua attuale area di ricerca comprende la visione artificiale e l'addestramento di modelli efficienti. Nel tempo libero gli piace correre, giocare a basket e passare il tempo con la sua famiglia.
Janosch Woschitz è un Senior Solutions Architect presso AWS, specializzato in AI/ML geospaziale. Con oltre 15 anni di esperienza, supporta i clienti a livello globale nello sfruttamento dell'intelligenza artificiale e del machine learning per soluzioni innovative che sfruttano i dati geospaziali. La sua esperienza spazia dall'apprendimento automatico, all'ingegneria dei dati e ai sistemi distribuiti scalabili, arricchita da un forte background nell'ingegneria del software e dalla competenza nel settore in settori complessi come la guida autonoma.
Shital Dhakal è un Program Manager senior presso il team di geospatial ML di SageMaker con sede nell'area della Baia di San Francisco. Ha esperienza nel telerilevamento e nel sistema informativo geografico (GIS). La sua passione è comprendere i punti critici dei clienti e creare prodotti geospaziali per risolverli. Nel tempo libero gli piace fare escursioni, viaggiare e giocare a tennis.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :ha
- :È
- :non
- :Dove
- $ SU
- 1
- 10
- 100
- 14
- 15 anni
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- capacità
- capace
- WRI
- accelerare
- accesso
- precisione
- preciso
- con precisione
- raggiunto
- acquisito
- acro
- operanti in
- Legge
- azioni
- presenti
- effettivamente
- adattamento
- Rettificato
- influenzare
- che interessano
- Dopo shavasana, sedersi in silenzio; saluti;
- Agricoltura
- agricoltura
- AI
- AI / ML
- Tutti
- assegnazione
- consentire
- Consentire
- da solo
- lungo
- anche
- Sebbene il
- Amazon
- Amazon Sage Maker
- Amazon SageMaker geospaziale
- Amazon Sage Maker Studio
- Amazon Web Services
- an
- .
- analizzare
- ed
- annuale
- Un altro
- in qualsiasi
- ovunque
- API
- Applicazioni
- applicazioni
- applicato
- APPLICA
- archivio
- SONO
- RISERVATA
- aree
- Italia
- artistico
- AS
- chiedendo
- valutare
- valutare
- valutazione
- attività
- assistere
- associato
- ipotesi
- At
- aumentata
- autonomo
- disponibilità
- disponibile
- media
- evitare
- attendere
- AWS
- precedente
- sfondo
- Equilibrio
- BAND
- di band
- bar
- basato
- base
- Pallacanestro
- Baia
- BE
- perché
- stato
- Inizio
- dietro
- essendo
- credenze
- crede
- vantaggi
- Meglio
- Miglioramento
- fra
- Al di là di
- Blog
- Blu
- sfocatura
- entrambi
- Parte inferiore
- confini
- confine
- BRIDGE
- portare
- più ampia
- costruire
- Costruzione
- incassato
- pachetti sconto
- affari
- sviluppo commerciale
- ma
- by
- CA
- California
- Materiale
- funzionalità
- capitalizzare
- catturare
- cattura
- Career
- Custodie
- caso di studio
- casi
- Causare
- ha causato
- certo
- catena
- il cambiamento
- cambiato
- Modifiche
- caratteristiche
- condizioni
- classe
- classi
- classificazione
- classificato
- Pulizia
- pulire campo
- chiaramente
- CLF
- cliente
- Clima
- Cambiamento climatico
- più vicino
- Cloud
- codice
- collaborazioni
- collezione
- entrare in collisione
- COM
- combinazione
- combinato
- combinando
- Venire
- viene
- commissione
- Uncommon
- comunemente
- azienda
- comparativamente
- confrontare
- rispetto
- confronto
- complesso
- computer
- Visione computerizzata
- Segui il codice di Condotta
- Connettiti
- coerente
- consiste
- contenute
- contiene
- contesto
- continua
- convertire
- convertito
- coordinare
- Nucleo
- corretto
- Corrispondente
- potuto
- contea
- coprire
- copertura
- copertura
- creare
- creato
- Creazione
- creazione
- criteri
- raccolto
- colture
- curiosità
- Corrente
- Attualmente
- cliente
- Clienti
- alle lezioni
- dati
- scienziato di dati
- data-driven
- dataset
- Data
- decisioni
- più profondo
- definire
- definito
- dimostrato
- dipendente
- schierare
- derivato
- desiderato
- distrutto
- dettaglio
- rivelazione
- determinazione
- determinato
- sviluppato
- Costruttori
- sviluppatori
- Mercato
- deviazione
- differire
- differenza
- diverso
- digitale
- DIGITAL TRANSFORMATION
- direttamente
- disastro
- Rivelazione
- scopri
- scoperto
- discutere
- distanza
- distribuito
- sistemi distribuiti
- distribuzione
- documentazione
- domini
- colomba
- scaricare
- download
- guidare
- guida
- Gocce
- dovuto
- durante
- ogni
- In precedenza
- terra
- facilmente
- facile
- Efficace
- efficienza
- efficiente
- in modo efficiente
- sforzi
- o
- e potenza
- enable
- Abilita
- ingegnere
- Ingegneria
- Ingegneri
- miglioramenti
- abbastanza
- arricchire
- garantire
- Ambiente
- ambientale
- Sostenibilità Ambientale
- ambienti
- particolarmente
- valutare
- Evento
- eventi
- prova
- evoluzione
- esaminando
- esempio
- exchange
- esistente
- Espandere
- le aspettative
- previsto
- esperienza
- competenza
- esplora
- esplora
- esposto
- f1
- fatto
- Fattori
- falso
- famiglia
- agricoltori
- agricoltura
- più veloce
- caratteristica
- Caratteristiche
- Febbraio
- fertilizzante
- pochi
- campo
- campi
- Compila il
- depositata
- filtro
- Infine
- Trovate
- ricerca
- fiona
- Nome
- in forma
- FLOTTA
- flessibile
- alluvione
- Focus
- messa a fuoco
- i seguenti
- cibo
- Nel
- via
- lungimirante
- Fondazione
- Francisco
- da
- function
- ulteriormente
- futuro
- guadagnando
- divario
- geografico
- ML geospaziale
- ottenere
- Dare
- dato
- globali
- Globalmente
- buono
- grafiche
- molto
- Green
- Terra
- Crescita
- Crescita
- GUEST
- Ospite Messaggio
- cura
- accadere
- Happening
- Avere
- avendo
- he
- Salute e benessere
- Aiuto
- utile
- aiuta
- suo
- qui
- qui
- Alta
- Alta frequenza
- ad alta risoluzione
- superiore
- Evidenziato
- il suo
- storico
- detiene
- Come
- Tutorial
- Tuttavia
- HTML
- http
- HTTPS
- umano
- i
- ID
- Identificazione
- identificato
- identifica
- identificare
- identificazione
- if
- Immagine
- immagini
- immenso
- Impact
- importante
- competenze
- migliora
- miglioramento
- in
- In altre
- includere
- incluso
- inclusi
- Compreso
- incorporare
- in modo non corretto
- è aumentato
- crescente
- infatti
- Index
- indicare
- indica
- industrie
- industria
- informazioni
- creativi e originali
- ingresso
- Ingressi
- intuizioni
- fonte di ispirazione
- install
- installato
- interattivo
- interesse
- interessato
- interessante
- Interfaccia
- ai miglioramenti
- indagine
- IT
- SUO
- Jennifer
- jpg
- giugno
- mantenere
- Corredo (SDK)
- conoscenze
- kyle
- Labs
- Paese
- grandi
- larga scala
- maggiormente
- In ritardo
- lanciare
- lanciato
- portare
- principale
- Leads
- IMPARARE
- apprendimento
- a sinistra
- leveraging
- biblioteche
- Vita
- piace
- Limitato
- linea
- Lista
- Contenzioso
- collocato
- Guarda
- cerca
- macchina
- machine learning
- Macro
- fatto
- principalmente
- make
- Fare
- gestire
- gestione
- direttore
- molti
- carta geografica
- segnato
- Rappresentanza
- mask
- Mastercard
- corrispondenza
- materialmente
- Materiale
- Matters
- massimo
- Maggio..
- McKinsey
- significato
- si intende
- misurare
- analisi
- di misura
- Metadati
- metodo
- metodi
- metrico
- Metrica
- minimizzando
- CON
- attenuante
- ML
- modello
- modelli
- Monitorare
- monitoraggio
- Scopri di più
- maggior parte
- soprattutto
- molti
- multiplo
- Musicista
- devono obbligatoriamente:
- miriade
- Naturale
- Bisogno
- di applicazione
- esigenze
- negativi
- vicinato
- New
- prodotti nuovi
- no
- Rumore
- taccuino
- Note
- numero
- numeri
- numerose
- oggettivamente
- obbligo
- osservare
- ottenere
- ottobre
- of
- offerta
- Offerte
- di frequente
- on
- online
- esclusivamente
- aprire
- OpenCV
- operazione
- Opportunità
- OTTIMIZZA
- or
- minimo
- ordini
- organizzazioni
- originariamente
- Altro
- nostro
- orso
- lineamenti
- produzione
- ancora
- complessivo
- proprio
- Dolore
- parametro
- parametri
- particolare
- particolarmente
- Partnership
- partnership
- appassionato
- modelli
- Eseguire
- performance
- eseguita
- periodico
- Fisico
- scegliere
- pixel
- pianeta
- pianificazione
- Platone
- Platone Data Intelligence
- PlatoneDati
- gioco
- punti
- politica
- positivo
- possibile
- Post
- potenziale
- potenzialmente
- energia
- potente
- pratiche
- bisogno
- Precisione
- predire
- previsto
- previsione
- Previsioni
- preferito
- Preparare
- preparato
- presenti
- presents
- Anteprima
- in precedenza
- principalmente
- primario
- Precedente
- Dare priorità
- un bagno
- Problema
- processi
- Elaborato
- lavorazione
- Prodotto
- Prodotto
- della produttività
- Prodotti
- profondamente
- Programma
- proiettato
- promettente
- proporzione
- fornire
- purché
- fornisce
- delega
- pubblicamente
- impulso
- fini
- Python
- quantitativo
- Presto
- rapidamente
- gamma
- rendersi conto
- Rosso
- riducendo
- raffinare
- riflettere
- riforma
- regione
- regioni
- Uscite
- pertinente
- sollievo
- a distanza
- rimuovere
- Reportistica
- Report
- rappresentante
- richiesta
- riparazioni
- risorsa
- Risorse
- colpevole
- Risultati
- ritorno
- rivelare
- Rivela
- Ricco
- destra
- Rischio
- fattori di rischio
- rischi
- fiume
- strada
- Correre
- running
- Sacramento
- sagemaker
- stesso
- San
- San Francisco
- satellitare
- satelliti
- scalabile
- scena
- Scene
- schemi
- Scienze
- Scienziato
- scienziati
- scikit-impara
- Punto
- sdk
- Cerca
- Stagione
- SEC
- Settori
- Valori
- Securities and Exchange Commission
- problemi di
- rischi per la sicurezza
- vedere
- segmentazione
- segmenti
- selezionato
- prodotti
- anziano
- separato
- serve
- Servizi
- set
- Set
- risolvere
- alcuni
- lei
- mostrare attraverso le sue creazioni
- mostrato
- simile
- Un'espansione
- da
- singolo
- Taglia
- piccole
- Software
- lo sviluppo del software
- kit di sviluppo software
- Software Engineer
- Ingegneria del software
- suolo
- soluzione
- Soluzioni
- RISOLVERE
- alcuni
- Fonte
- fonti
- lo spazio
- spazi
- campate
- Spaziale
- Parla
- specialista
- specializzata
- specificazione
- Specifiche tecniche
- Spettrale
- Spendere
- delle parti interessate
- stakeholder
- inizia a
- iniziato
- Regione / Stato
- dichiarazioni
- Stato dei servizi
- step
- Storie
- Strategico
- Partnership strategiche
- strategie
- stress
- forte
- studio
- Studio
- sottoscrivi
- di successo
- Con successo
- tale
- supporto
- supporti
- superficie
- Indagine
- Sostenibilità
- sostenibile
- sistema
- SISTEMI DI TRATTAMENTO
- Fai
- preso
- presa
- team
- Consulenza
- tecniche
- Tecnologia
- test
- testamento
- Testing
- di
- che
- Il
- L'area
- Lo Stato
- il mondo
- loro
- Li
- poi
- Là.
- perciò
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- cose
- questo
- quelli
- Attraverso
- tempo
- volte
- a
- strumenti
- top
- verso
- pista
- Treni
- allenato
- Training
- Trasformare
- Trasformazione
- trasformato
- Di viaggio
- Alberi
- tendenze
- vero
- Verità
- prova
- seconda
- Digitare
- sottostante
- e una comprensione reciproca
- si impegna
- sblocco
- fino a quando
- imminenti
- Aggiornanento
- us
- uso
- utilizzato
- utenti
- usa
- utilizzando
- generalmente
- utilizzati
- Prezioso
- APPREZZIAMO
- Valori
- vario
- Fisso
- molto
- via
- visione
- Visita
- visualizzazione
- visivamente
- volume
- Vulnerabile
- aspettare
- volere
- Prima
- Rifiuto
- Water
- we
- sito web
- servizi web
- Sito web
- WELL
- sono stati
- mentre
- se
- quale
- while
- OMS
- di chi
- largo
- Vasta gamma
- con
- entro
- senza
- parole
- Lavora
- flusso di lavoro
- flussi di lavoro
- lavoro
- mondo
- sarebbe
- scritto
- X
- anno
- anni
- dare la precedenza
- Tu
- zefiro
- zoom