פוסט אורח זה נכתב בשיתוף לידיה Lihui Zhang, מומחית לפיתוח עסקי, ומנסי שאה, מהנדס תוכנה/מדען נתונים, ב-Planet Labs. ה ניתוח שהיווה השראה לפוסט הזה נכתב במקור על ידי ג'ניפר רייבר קייל.
יכולות גיאו-מרחביות של Amazon SageMaker בשילוב עם כוכב לכתניתן להשתמש בנתוני הלוויין של גידול יבולים, וישנם יישומים רבים ויתרונות פוטנציאליים של ניתוח זה לתחומי החקלאות והקיימות. בסוף 2023, פלאנט הודיעה על שותפות עם AWS כדי להפוך את הנתונים הגאו-מרחביים שלה לזמינים באמצעות אמזון SageMaker.
פילוח חיתוך הוא תהליך של פיצול תמונת לוויין לאזורים של פיקסלים, או מקטעים, בעלי מאפייני חיתוך דומים. בפוסט זה, אנו ממחישים כיצד להשתמש במודל למידת מכונה של פילוח (ML) כדי לזהות אזורי חיתוך ולא חיתוך בתמונה.
זיהוי אזורי יבול הוא צעד מרכזי לקראת השגת תובנות חקלאיות, והשילוב של נתונים גיאו-מרחביים עשירים ו-ML יכול להוביל לתובנות המניעות החלטות ופעולות. לדוגמה:
- קבלת החלטות חקלאות מונעות נתונים - על ידי השגת הבנה מרחבית טובה יותר של הגידולים, חקלאים ובעלי עניין חקלאיים אחרים יכולים לייעל את השימוש במשאבים, ממים ועד דשן ועד כימיקלים אחרים לאורך העונה. זה קובע את הבסיס להפחתת הפסולת, שיפור שיטות חקלאות בנות קיימא בכל מקום אפשרי, והגדלת הפריון תוך מזעור ההשפעה הסביבתית.
- זיהוי מתחים ומגמות הקשורות לאקלים - מכיוון ששינויי האקלים ממשיכים להשפיע על דפוסי הטמפרטורה והגשם העולמיים, ניתן להשתמש בפילוח יבולים כדי לזהות אזורים הפגיעים ללחץ הקשור לאקלים עבור אסטרטגיות הסתגלות לאקלים. לדוגמה, ניתן להשתמש בארכיוני תמונות לוויין כדי לעקוב אחר שינויים באזור גידול יבול לאורך זמן. אלה יכולים להיות השינויים הפיזיים בגודל ובתפוצה של אדמות יבול. הם יכולים להיות גם השינויים בלחות הקרקע, טמפרטורת הקרקע וביומסה, הנגזרים מהאינדקס הספקטרלי השונה של נתוני לוויין, לניתוח מעמיק יותר של בריאות היבול.
- הערכה והקטנת נזקים – לבסוף, ניתן להשתמש בפילוח יבולים לזיהוי מהיר ומדויק של אזורי נזק ליבול במקרה של אסון טבע, מה שיכול לסייע בתעדוף מאמצי הסיוע. לדוגמה, לאחר שיטפון, ניתן להשתמש בתמונות לוויין בקצב גבוה כדי לזהות אזורים שבהם יבולים הושמדו או הושמדו, מה שמאפשר לארגוני סיוע לסייע לחקלאים שנפגעו מהר יותר.
בניתוח זה, אנו משתמשים במודל K-nearest neighbors (KNN) כדי לבצע פילוח יבולים, ואנו משווים תוצאות אלו עם תמונות אמת קרקעית באזור חקלאי. התוצאות שלנו מגלות שהסיווג ממודל KNN מייצג בצורה מדויקת יותר את מצב שדה היבול הנוכחי בשנת 2017 מאשר נתוני סיווג אמת הקרקע משנת 2015. תוצאות אלו הן עדות לכוחם של התמונות הגיאו-מרחביות בקדנציה גבוהה של Planet. שדות חקלאיים משתנים לעתים קרובות, לפעמים מספר פעמים בעונה, והצגת תמונות לוויין בתדירות גבוהה זמינות לצפייה ולניתוח אדמה זו יכולה לספק ערך עצום להבנתנו את הקרקע החקלאית והסביבות המשתנות במהירות.
השותפות של Planet ו-AWS בנושא ML גיאו-מרחבי
יכולות גיאו-מרחביות של SageMaker להעצים מדעני נתונים ומהנדסי ML לבנות, לאמן ולפרוס מודלים באמצעות נתונים גיאו-מרחביים. היכולות הגיאו-מרחביות של SageMaker מאפשרות לך לשנות או להעשיר ביעילות מערכי נתונים גיאו-מרחביים בקנה מידה גדול, להאיץ את בניית המודלים עם מודלים של ML מאומנים מראש ולחקור תחזיות מודל ונתונים גיאו-מרחביים על מפה אינטראקטיבית באמצעות גרפיקה מואצת בתלת-ממד וכלי הדמיה מובנים. עם היכולות הגאו-מרחביות של SageMaker, אתה יכול לעבד מערכי נתונים גדולים של תמונות לוויין ונתונים גיאו-מרחביים אחרים כדי ליצור מודלים של ML מדויקים עבור יישומים שונים, כולל פילוח יבול, עליהם נדון בפוסט זה.
Planet Labs PBC היא חברה מובילה להדמיית כדור הארץ שמשתמשת בצי הלוויינים הגדול שלה כדי לצלם תמונות של פני כדור הארץ על בסיס יומי. לכן הנתונים של Planet הם משאב רב ערך עבור ML גיאו-מרחבי. ניתן להשתמש בתמונות הלוויין ברזולוציה הגבוהה כדי לזהות מאפייני גידול שונים ובריאותם לאורך זמן, בכל מקום על פני כדור הארץ.
השותפות בין Planet ו- SageMaker מאפשרת ללקוחות לגשת ולנתח בקלות את נתוני הלוויין בתדר הגבוה של Planet באמצעות כלי ה-ML החזקים של AWS. מדעני נתונים יכולים להביא נתונים משלהם או למצוא בנוחות את הנתונים של Planet ולהירשם אליהם מבלי להחליף סביבות.
פילוח חיתוך במחברת אמזון SageMaker Studio עם תמונה גיאו-מרחבית
בדוגמה זו של זרימת עבודה גיאו-מרחבית ML, אנו בוחנים כיצד להביא את הנתונים של Planet יחד עם מקור הנתונים של אמת הקרקע לתוך SageMaker, וכיצד לאמן, להסיק ולפרוס מודל פילוח יבול עם מסווג KNN. לבסוף, אנו מעריכים את הדיוק של התוצאות שלנו ומשווים זאת לסיווג האמת הבסיסית שלנו.
מסווג KNN בו נעשה שימוש הוכשר ב- an מחברת אמזון SageMaker Studio עם גיאו-מרחבי תמונה, ומספקת גרעין מחברת גמיש וניתן להרחבה לעבודה עם נתונים גיאו-מרחביים.
השמיים סטודיו SageMaker של אמזון מחברת עם תמונה גיאו-מרחבית מגיעה מותקנת מראש עם ספריות גיאו-מרחביות נפוצות כגון GDAL, Fiona, GeoPandas, Shapely ו-Rasterio, המאפשרות הדמיה ועיבוד של נתונים גיאו-מרחביים ישירות בתוך סביבת מחברת Python. ספריות ML נפוצות כגון OpenCV או scikit-learn משמשות גם לביצוע פילוח יבול באמצעות סיווג KNN, ואלה מותקנות גם בקרנל הגיאו-מרחבי.
בחירת נתונים
השדה החקלאי שאנו מתקרבים אליו נמצא במחוז סקרמנטו שטוף השמש בדרך כלל בקליפורניה.
למה סקרמנטו? בחירת השטח והזמן לסוג זה של בעיה מוגדרת בעיקר על ידי הזמינות של נתוני אמת קרקע, ולא קל להשיג נתונים כאלה בנתוני סוג היבול והגבולות. ה 2015 מערך נתונים של סקר DWR של מחוז סקרמנטו הוא מערך נתונים זמין לציבור המכסה את מחוז סקרמנטו באותה שנה ומספק גבולות מותאמים ביד.
תמונת הלוויין העיקרית שבה אנו משתמשים היא ה-4 פס של כוכב הלכת מוצר PSScene, המכיל את הרצועות הכחול, הירוק, האדום וה-Near-IR ומתוקן רדיומטרית לקרינת החיישן. המקדמים לתיקון להחזרת החיישן בנקודת המבט מסופקים במטא נתונים של הסצינה, מה שמשפר עוד יותר את העקביות בין תמונות שצולמו בזמנים שונים.
לווייני דאב של פלנט שיצרו את התמונות האלה שוגרו ב-14 בפברואר 2017 (הודעה לעיתונות), לכן הם לא דימו את מחוז סקרמנטו בשנת 2015. עם זאת, הם צילמו תמונות יומיות של האזור מאז ההשקה. בדוגמה זו, אנו מסתפקים בפער הלא מושלם של שנתיים בין נתוני האמת הקרקעית לבין תמונות לוויין. עם זאת, תמונות של Landsat 2 ברזולוציה נמוכה יותר יכלו לשמש כגשר בין 8 ל-2015.
גישה לנתוני Planet
כדי לעזור למשתמשים לקבל נתונים מדויקים וניתנים לפעולה מהר יותר, Planet פיתחה גם את Planet Software Development Kit (SDK) עבור Python. זהו כלי רב עוצמה עבור מדעני נתונים ומפתחים שרוצים לעבוד עם תמונות לוויין ונתונים גיאו-מרחביים אחרים. עם SDK זה, אתה יכול לחפש ולגשת לאוסף העצום של Planet של תמונות לוויין ברזולוציה גבוהה, כמו גם נתונים ממקורות אחרים כמו OpenStreetMap. ה-SDK מספק לקוח Python לממשקי ה-API של Planet, כמו גם פתרון ממשק שורת פקודה ללא קוד (CLI), מה שמקל על שילוב תמונות לוויין ונתונים גיאו-מרחביים בתהליכי העבודה של Python. דוגמה זו משתמשת בלקוח Python כדי לזהות ולהוריד תמונות הדרושות לניתוח.
אתה יכול להתקין את לקוח Planet Python במחברת SageMaker Studio עם תמונה גיאו-מרחבית באמצעות פקודה פשוטה:
אתה יכול להשתמש בלקוח כדי לחפש תמונות לוויין רלוונטיות ולאחזר רשימה של תוצאות זמינות על סמך תחום העניין, טווח הזמן וקריטריוני חיפוש אחרים. בדוגמה הבאה, נתחיל בשאלה כמה סצנות PlanetScope (התמונות היומיות של כוכב הלכת) מכסים את אותו תחום עניין (AOI) שאנו מגדירים קודם לכן באמצעות נתוני הקרקע בסקרמנטו, בהינתן טווח זמן מסוים בין 1 ביוני ל-1 באוקטובר 2017; כמו גם טווח כיסוי ענן מרבי רצוי מסוים של 10%:
התוצאות שהוחזרו מציגות את מספר הסצנות התואמות החופפות לאזור העניין שלנו. הוא מכיל גם את המטא נתונים של כל סצנה, מזהה התמונה שלה והפניה לתמונה מקדימה.
לאחר שסצנה מסוימת נבחרה, עם מפרט על מזהה הסצנה, סוג הפריט וחבילות המוצר (תיעוד הפניה), תוכל להשתמש בקוד הבא כדי להוריד את התמונה והמטא נתונים שלה:
קוד זה מוריד את תמונת הלוויין המתאימה ל- מערכת הקבצים של אמזון אלסטית (Amazon EFS) נפח עבור SageMaker Studio.
אימון מודל
לאחר הורדת הנתונים עם לקוח Planet Python, ניתן לאמן את מודל הפילוח. בדוגמה זו, נעשה שימוש בשילוב של טכניקות סיווג KNN וטכניקות פילוח תמונה לזיהוי אזור היבול וליצירת תכונות geojson בעלות הפניה גיאוגרפית.
נתוני Planet נטענים ומעובדים מראש באמצעות הספריות והכלים הגיאו-מרחביים המובנים ב- SageMaker כדי להכין אותם לאימון מסווג KNN. נתוני האמת הבסיסיים לאימון הם מערך הנתונים של סקר DWR Land Use DWR של מחוז סקרמנטו משנת 2015, ונתוני Planet משנת 2017 משמשים לבדיקת המודל.
המרת מאפייני אמת קרקע לקווי מתאר
כדי לאמן את מסווג KNN, המחלקה של כל פיקסל כאחד מהם crop
or non-crop
צריך לזהות. המחלקה נקבעת לפי האם הפיקסל משויך לתכונת חיתוך בנתוני האמת הקרקעית או לא. כדי לקבוע קביעה זו, נתוני אמת הקרקע מומרים תחילה לקווי מתאר OpenCV, אשר משמשים לאחר מכן להפרדה crop
החל מ- non-crop
פיקסלים. ערכי הפיקסלים והסיווג שלהם משמשים לאחר מכן לאימון מסווג KNN.
כדי להמיר את תכונות האמת של הקרקע לקווי מתאר, יש להקרין תחילה את התכונות למערכת התייחסות הקואורדינטות של התמונה. לאחר מכן, התכונות הופכות למרחב תמונה, ולבסוף מומרות לקווי מתאר. כדי להבטיח את הדיוק של קווי המתאר, הם מוצגים בכיסוי על תמונת הקלט, כפי שמוצג בדוגמה הבאה.
כדי להכשיר את מסווג KNN, פיקסלים לחתוך ופיקסלים שאינם חיתוכים מופרדים באמצעות קווי המתאר של תכונת החיתוך כמסכה.
הקלט של מסווג KNN מורכב משני מערכי נתונים: X, מערך דו מימדי המספק את התכונות שיש לסווג עליהן; ו-y, מערך 2d המספק את המחלקות (דוגמה). כאן נוצרת פס מסווג יחיד מתוך מערכי הנתונים שאינם חיתוך וחיתוך, כאשר ערכי הלהקה מציינים את מחלקת הפיקסלים. הלהקה וערכי פס הפיקסלים הבסיסיים של התמונה מומרים לכניסות X ו-y עבור פונקציית ההתאמה של המסווג.
אמן את המסווג על פיקסלים לחתוך ולא לחתוך
סיווג KNN מתבצע עם sikit-learn KNeighborsClassifier. מספר השכנים, פרמטר המשפיע מאוד על ביצועי האומד, מכוון באמצעות אימות צולב באימות צולב של KNN. המסווג מאומן לאחר מכן באמצעות מערכי הנתונים המוכנים והמספר המכוונן של פרמטרים שכן. ראה את הקוד הבא:
כדי להעריך את הביצועים של המסווג על נתוני הקלט שלו, מחלקת הפיקסלים נחזו באמצעות ערכי פס הפיקסלים. הביצועים של המסווג מבוססים בעיקר על דיוק נתוני האימון וההפרדה הברורה של מחלקות הפיקסלים על סמך נתוני הקלט (ערכי פס הפיקסלים). ניתן לכוונן את הפרמטרים של המסווג, כגון מספר השכנים ופונקציית שקלול המרחק, כדי לפצות על אי דיוקים באחרון. ראה את הקוד הבא:
הערכת תחזיות מודל
מסווג KNN המיומן משמש כדי לחזות אזורי יבול בנתוני הבדיקה. נתוני בדיקה אלו מורכבים מאזורים שלא נחשפו למודל במהלך האימון. במילים אחרות, למודל אין ידע על השטח לפני הניתוח שלו ולכן ניתן להשתמש בנתונים אלו כדי להעריך באופן אובייקטיבי את ביצועי המודל. אנו מתחילים בבדיקה ויזואלית של מספר אזורים, החל מאזור רועש יותר באופן יחסי.
הבדיקה החזותית מגלה שהשיעורים החזויים תואמים בעיקר את שיעורי האמת הקרקעית. ישנם כמה אזורים של סטייה, אותם אנו בודקים עוד יותר.
לאחר חקירה נוספת, גילינו שחלק מהרעש באזור זה נובע מנתוני אמת הקרקע חסרים את הפירוט הקיים בתמונה המסווגת (ימין למעלה לעומת שמאל למעלה ושמאל למטה). ממצא מעניין במיוחד הוא שהסווג מזהה עצים לאורך הנהר כ non-crop
, בעוד שנתוני אמת הקרקע מזהים אותם בטעות כ crop
. ההבדל הזה בין שני הפילוחים הללו עשוי לנבוע מהעצים שמצלים את האזור מעל הגידולים.
בעקבות זאת, אנו בודקים אזור נוסף שסווג באופן שונה בין שתי השיטות. אזורים מודגשים אלו סומנו בעבר כאזורים שאינם גידולים בנתוני האמת הקרקעית בשנת 2015 (מימין למעלה) אך השתנו והוצגו בבירור כשטחי גידול בשנת 2017 דרך סצינות Planetscope (למעלה משמאל ומשמאל למטה). הם גם סווגו במידה רבה כשטחי גידול דרך המסווגן (למטה מימין).
שוב, אנו רואים שמסווג KNN מציג תוצאה מפורטת יותר ממחלקת האמת הקרקעית, והוא גם לוכד בהצלחה את השינוי המתרחש בארץ התבואה. הדוגמה הזו גם מדברת על הערך של נתוני לווין מרעננים יומיים, מכיוון שהעולם משתנה הרבה יותר מהר מהדוחות השנתיים, ושיטה משולבת עם ML כמו זה יכולה לעזור לנו לקלוט את השינויים כשהם מתרחשים. היכולת לנטר ולגלות שינויים כאלה באמצעות נתוני לוויין, במיוחד בשדות החקלאיים המתפתחים, מספקת תובנות מועילות לחקלאים כדי לייעל את עבודתם ולכל בעל עניין חקלאי בשרשרת הערך כדי לקבל דופק טוב יותר של העונה.
הערכת מודל
ההשוואה החזותית של התמונות של המעמדות החזויים למעמדות האמת הבסיסית יכולה להיות סובייקטיבית ולא ניתנת להכללה להערכת הדיוק של תוצאות הסיווג. כדי לקבל הערכה כמותית, אנו משיגים מדדי סיווג באמצעות sikit-learn's classification_report
פוּנקצִיָה:
סיווג הפיקסלים משמש ליצירת מסכת פילוח של אזורי יבול, מה שהופך למדדים חשובים של דיוק ושל זכירה, וציון F1 למדד כולל טוב לניבוי דיוק. התוצאות שלנו נותנות לנו מדדים הן עבור אזורי יבול והן עבור אזורים שאינם גידולים במערך הנתונים של הרכבת והבדיקה. עם זאת, כדי שהדברים יהיו פשוטים, בואו נסתכל מקרוב על המדדים הללו בהקשר של אזורי היבול במערך הנתונים של הבדיקה.
דיוק הוא מדד למידת הדיוק של התחזיות החיוביות של המודל שלנו. במקרה זה, דיוק של 0.94 עבור אזורי גידולים מצביע על כך שהמודל שלנו מצליח מאוד בזיהוי נכון של אזורים שהם אכן אזורי יבול, שבהם מצטמצמות למינימום תוצאות חיוביות שגויות (אזורים שאינם גידולים בפועל שזוהו באופן שגוי כאזורי יבול). ריקול, לעומת זאת, מודד את שלמות התחזיות החיוביות. במילים אחרות, ריקול מודד את שיעור התוצאות החיוביות בפועל שזוהו בצורה נכונה. במקרה שלנו, ערך ריקול של 0.73 עבור אזורי חיתוך פירושו ש-73% מכל הפיקסלים האמיתיים של אזור החיתוך מזוהים בצורה נכונה, תוך מזעור מספר השליליים השגויים.
באופן אידיאלי, ערכים גבוהים של דיוק ושל זכירה מועדפים, אם כי זה יכול להיות תלוי במידה רבה ביישום של מחקר המקרה. לדוגמה, אם היינו בוחנים את התוצאות הללו עבור חקלאים המעוניינים לזהות אזורי גידולים לחקלאות, היינו רוצים להעדיף ריקול גבוה יותר מאשר דיוק, על מנת למזער את מספר השליליים השגויים (אזורים שזוהו כאזורים שאינם גידולים אשר הם למעשה אזורי יבול) על מנת לנצל את הקרקע בצורה הטובה ביותר. ציון F1 משמש כמדד דיוק כולל המשלב גם דיוק וגם זכירה, ומודד את האיזון בין שני המדדים. ציון F1 גבוה, כמו שלנו עבור אזורי יבול (0.82), מצביע על איזון טוב בין דיוק וזיכרה לבין דיוק סיווג כללי גבוה. למרות שציון ה-F1 יורד בין מערכי הנתונים של הרכבת למבחן, הדבר צפוי מכיוון שהמסווג הוכשר על מערך הנתונים של הרכבת. ציון F1 ממוצע משוקלל של 0.77 הוא מבטיח ומספק מספיק כדי לנסות סכימות פילוח על הנתונים המסווגים.
צור מסכת פילוח מהמסווג
יצירת מסכת פילוח תוך שימוש בחיזויים ממסווג KNN במערך הנתונים של הבדיקה כרוכה בניקוי הפלט החזוי כדי למנוע מקטעים קטנים הנגרמים על ידי רעשי תמונה. כדי להסיר רעשי כתמים, אנו משתמשים ב-OpenCV מסנן טשטוש חציוני. מסנן זה שומר על תיווי כביש בין גידולים טוב יותר מהפעולה הפתוחה המורפולוגית.
כדי להחיל פילוח בינארי על הפלט המוכה, ראשית עלינו להמיר את נתוני הרסטר המסווגים לתכונות וקטוריות באמצעות OpenCV למצוא קווי מתאר פונקציה.
לבסוף, ניתן לחשב את אזורי היבול המפולחים בפועל באמצעות קווי מתאר היבול המפולחים.
אזורי היבול המפולחים המופקים ממיון KNN מאפשרים זיהוי מדויק של אזורי יבול במערך הנתונים של הבדיקה. אזורים מפולחים אלה יכולים לשמש למטרות שונות, כגון זיהוי גבול שדה, ניטור יבול, הערכת יבול והקצאת משאבים. ציון F1 שהושג של 0.77 הוא טוב ומספק עדות לכך שמסווג KNN הוא כלי יעיל לפילוח יבול בתמונות חישה מרחוק. ניתן להשתמש בתוצאות אלו כדי לשפר ולשפר עוד יותר את טכניקות פילוח היבול, מה שעלול להוביל לדיוק ויעילות מוגברת בניתוח היבול.
סיכום
פוסט זה הדגים כיצד ניתן להשתמש בשילוב של של כוכב הלכת קצב גבוה, תמונות לוויין ברזולוציה גבוהה ו יכולות גיאו-מרחביות של SageMaker לבצע ניתוח פילוח יבול, פתיחת תובנות חשובות שיכולות לשפר את היעילות החקלאית, קיימות סביבתית וביטחון תזונתי. זיהוי מדויק של אזורי יבול מאפשר ניתוח נוסף של גידול ופריון יבול, מעקב אחר שינויים בשימוש בקרקע וזיהוי סיכונים פוטנציאליים לאבטחת מזון.
יתרה מכך, השילוב של Planet Data ו- SageMaker מציע מגוון רחב של מקרי שימוש מעבר לפילוח היבול. התובנות יכולות לאפשר החלטות מונעות נתונים על ניהול יבול, הקצאת משאבים ותכנון מדיניות בחקלאות בלבד. עם נתונים ומודלים שונים של ML, ההיצע המשולב יכול להתרחב גם לתעשיות אחרות ולהשתמש במקרים לקראת טרנספורמציה דיגיטלית, שינוי קיימות ואבטחה.
כדי להתחיל להשתמש ביכולות גיאו-מרחביות של SageMaker, ראה התחל עם היכולות הגאו-מרחביות של Amazon SageMaker.
למידע נוסף על מפרטי התמונות של Planet וחומרי עזר למפתחים, בקר Planet Developer's Center. לתיעוד על ה-SDK של Planet עבור Python, ראה Planet SDK עבור Python. למידע נוסף על Planet, לרבות מוצרי הנתונים הקיימים שלה ומהדורות מוצרים קרובים, בקר https://www.planet.com/.
הצהרות צופה פני עתיד של Planet Labs PBC
למעט המידע ההיסטורי הכלול כאן, העניינים המפורטים בפוסט בבלוג זה הם הצהרות צופות פני עתיד במשמעות הוראות "הנמל הבטוח" של חוק הרפורמה בליטיגציה של ניירות ערך פרטיים משנת 1995, לרבות, אך לא רק, Planet Labs היכולת של PBC לנצל הזדמנויות בשוק ולממש כל אחת מהיתרונות הפוטנציאליים משיפורי מוצר נוכחיים או עתידיים, מוצרים חדשים או שותפויות אסטרטגיות ושיתופי פעולה עם לקוחות. הצהרות צופות פני עתיד מבוססות על האמונות של הנהלת Planet Labs PBC, כמו גם על הנחות שנעשו על ידי, ומידע הזמין כעת עבורם. מכיוון שהצהרות כאלה מבוססות על ציפיות לגבי אירועים ותוצאות עתידיות ואינן הצהרות עובדתיות, התוצאות בפועל עשויות להיות שונות מהותית מאלה החזויות. גורמים שעלולים לגרום לתוצאות בפועל להיות שונות מהותית מהציפיות הנוכחיות כוללים בין היתר את גורמי הסיכון וגילויים אחרים על Planet Labs PBC ועסקיה הכלולים בדוחות התקופתיים של Planet Labs PBC, הצהרות פרוקסי וחומרי גילוי אחרים שהוגשו מעת לעת לזמן עם רשות ניירות ערך (SEC) אשר זמינה באינטרנט בכתובת www.sec.gov, ובאתר של Planet Labs PBC בכתובת www.planet.com. כל ההצהרות צופות פני עתיד משקפות את האמונות וההנחות של Planet Labs PBC רק נכון לתאריך ההצהרות הללו. Planet Labs PBC לא מתחייבת לעדכן הצהרות צופות פני עתיד כדי לשקף אירועים או נסיבות עתידיות.
על המחברים
לידיה ליהוי ג'אנג היא מומחית לפיתוח עסקי ב-Planet Labs PBC, שם היא עוזרת לחבר חלל לשיפור כדור הארץ על פני מגזרים שונים ושלל מקרי שימוש. בעבר היא הייתה מדענית נתונים ב-McKinsey ACRE, פתרון ממוקד חקלאות. היא בעלת תואר שני במדעים מ-MIT Technology Policy Program, תוך התמקדות במדיניות חלל. נתונים גיאו-מרחביים והשפעתם הרחבה יותר על עסקים וקיימות היו מוקד הקריירה שלה.
מנסי שאה הוא מהנדס תוכנה, מדען נתונים ומוזיקאי שעבודתו חוקרת את המרחבים שבהם קפדנות אמנותית וסקרנות טכנית מתנגשים. היא מאמינה שהנתונים (כמו אמנות!) מחקים את החיים, ומתעניינת בסיפורים האנושיים העמוקים מאחורי המספרים וההערות.
שיונג ג'ואו הוא מדען יישומי בכיר ב-AWS. הוא מוביל את צוות המדע ליכולות גיאו-מרחביות של Amazon SageMaker. תחום המחקר הנוכחי שלו כולל ראייה ממוחשבת והכשרת מודלים יעילה. בזמנו הפנוי הוא נהנה לרוץ, לשחק כדורסל ולבלות עם משפחתו.
ינוש וושיץ הוא אדריכל פתרונות בכיר ב-AWS, המתמחה ב-AI/ML גיאו-מרחבי. עם למעלה מ-15 שנות ניסיון, הוא תומך בלקוחות ברחבי העולם במינוף AI ו-ML לפתרונות חדשניים המנצלים נתונים גיאו-מרחביים. המומחיות שלו משתרעת על למידת מכונה, הנדסת נתונים ומערכות מבוזרות ניתנות להרחבה, מתוגברת על ידי רקע חזק בהנדסת תוכנה ומומחיות בתעשייה בתחומים מורכבים כגון נהיגה אוטונומית.
שיטל דאקל הוא מנהל תוכנית Sr. בצוות SageMaker גיאו-מרחבי ML המבוסס באזור מפרץ סן פרנסיסקו. יש לו רקע בחישה מרחוק ומערכת מידע גיאוגרפית (GIS). הוא נלהב להבין את נקודות הכאב של הלקוחות ולבנות מוצרים גיאו-מרחביים כדי לפתור אותן. בזמנו הפנוי הוא אוהב לטייל, לטייל ולשחק טניס.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 10
- 100
- 14
- שנים 15
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- יכולת
- יכול
- אודות
- להאיץ
- גישה
- דיוק
- מדויק
- במדויק
- הושג
- נרכש
- דונם
- לרוחב
- לפעול
- פעולות
- ממשי
- למעשה
- הסתגלות
- מותאם
- להשפיע על
- משפיע
- לאחר
- חַקלָאִי
- חקלאות
- AI
- AI / ML
- תעשיות
- הַקצָאָה
- להתיר
- מאפשר
- לבד
- לאורך
- גם
- למרות
- אמזון בעברית
- אמזון SageMaker
- Amazon SageMaker גיאו-מרחבי
- סטודיו SageMaker של אמזון
- אמזון שירותי אינטרנט
- an
- אנליזה
- לנתח
- ו
- שנתי
- אחר
- כל
- בְּכָל מָקוֹם
- ממשקי API
- בקשה
- יישומים
- יישומית
- החל
- ארכיון
- ARE
- AREA
- אזורים
- מערך
- אמנותי
- AS
- לשאול
- לְהַעֲרִיך
- הערכה
- הערכה
- נכס
- לעזור
- המשויך
- הנחות
- At
- מוגבר
- אוטונומי
- זמינות
- זמין
- מְמוּצָע
- לְהִמָנַע
- לחכות
- AWS
- בחזרה
- רקע
- איזון
- להקה
- של הלהקה
- בָּר
- מבוסס
- בסיס
- כדורסל
- מִפרָץ
- BE
- כי
- היה
- ההתחלה
- מאחור
- להיות
- אמונות
- מאמין
- הטבות
- מוטב
- השבחה
- בֵּין
- מעבר
- בלוג
- כָּחוֹל
- לטשטש
- שניהם
- תַחתִית
- גבולות
- גבול
- לְגַשֵׁר
- להביא
- רחב
- לִבנוֹת
- בִּניָן
- מובנה
- צרורות
- עסקים
- פיתוח עסקי
- אבל
- by
- CA
- קליפורניה
- CAN
- יכולות
- לְנַצֵל
- ללכוד
- לוכדת
- קריירה
- מקרה
- מקרה מבחן
- מקרים
- לגרום
- גרם
- מסוים
- שרשרת
- שינוי
- השתנה
- שינויים
- מאפיינים
- בנסיבות
- בכיתה
- כיתות
- מיון
- מְסוּוָג
- ניקוי
- ברור
- בבירור
- CLF
- לקוחות
- אַקלִים
- שינוי אקלים
- קרוב יותר
- ענן
- קוד
- שיתופי פעולה
- אוסף
- התנגש
- COM
- שילוב
- משולב
- שילוב
- איך
- מגיע
- עמלה
- Common
- בדרך כלל
- חברה
- באופן יחסי
- לְהַשְׁווֹת
- לעומת
- השוואה
- מורכב
- המחשב
- ראייה ממוחשבת
- לנהל
- לְחַבֵּר
- עִקבִי
- מורכב
- הכלול
- מכיל
- הקשר
- ממשיך
- להמיר
- הומר
- לתאם
- ליבה
- תוקן
- תוֹאֵם
- יכול
- מחוז
- לכסות
- כיסוי
- כיסוי
- לִיצוֹר
- נוצר
- יוצרים
- יצירה
- הקריטריונים
- יבול
- יבולים
- סקרנות
- נוֹכְחִי
- כיום
- לקוח
- לקוחות
- יומי
- נתונים
- מדען נתונים
- נתונים מונחים
- מערכי נתונים
- תַאֲרִיך
- החלטות
- עמוק יותר
- לְהַגדִיר
- מוגדר
- מופגן
- תלוי
- לפרוס
- נגזר
- רצוי
- הרוס
- פרט
- איתור
- נחישות
- נחוש
- מפותח
- מפתח
- מפתחים
- צעצועי התפתחות
- סטייה
- נבדלים
- הבדל
- אחר
- דיגיטלי
- טרנספורמציה דיגיטלית
- ישירות
- אסון
- חשיפה
- לגלות
- גילה
- לדון
- מרחק
- מופץ
- מערכות מבוזרות
- הפצה
- תיעוד
- תחומים
- יונה
- להורדה
- הורדות
- נהיגה
- נהיגה
- טיפות
- ראוי
- בְּמַהֲלָך
- כל אחד
- מוקדם יותר
- כדור הארץ
- בקלות
- קל
- אפקטיבי
- יְעִילוּת
- יעיל
- יעילות
- מַאֲמָצִים
- או
- להסמיך
- לאפשר
- מאפשר
- מהנדס
- הנדסה
- מהנדסים
- שיפורים
- מספיק
- להעשיר
- לְהַבטִיחַ
- סביבה
- סביבתי
- שימור סביבתי
- סביבות
- במיוחד
- להעריך
- אירוע
- אירועים
- עדות
- מתפתח
- בוחן
- דוגמה
- חליפין
- קיימים
- לְהַרְחִיב
- הציפיות
- צפוי
- ניסיון
- מומחיות
- לחקור
- חוקר
- חשוף
- f1
- עובדה
- גורמים
- שקר
- משפחה
- חקלאים
- חקלאות
- מהר יותר
- מאפיין
- תכונות
- פבואר
- דשן
- מעטים
- שדה
- שדות
- שלח
- הוגש
- לסנן
- בסופו של דבר
- מציאת
- פיונה
- ראשון
- מתאים
- צי
- גמיש
- מבול
- להתמקד
- התמקדות
- הבא
- מזון
- בעד
- הָלְאָה
- צופה פני עתיד
- קרן
- פרנסיסקו
- החל מ-
- פונקציה
- נוסף
- עתיד
- זכייה
- פער
- גֵאוֹגרָפִי
- ML גיאו-מרחבי
- לקבל
- לתת
- נתן
- גלוֹבָּלִי
- ברחבי עולם
- טוב
- גרפיקה
- מאוד
- ירוק
- קרקע
- גדל
- צמיחה
- אוֹרֵחַ
- פוסט אורח
- יד
- לקרות
- מתרחש
- יש
- יש
- he
- בְּרִיאוּת
- לעזור
- מועיל
- עוזר
- לה
- כאן
- להלן
- גָבוֹהַ
- תדר גבוה
- רזולוציה גבוהה
- גבוה יותר
- מודגש
- שֶׁלוֹ
- היסטורי
- מחזיק
- איך
- איך
- אולם
- HTML
- http
- HTTPS
- בן אנוש
- i
- ID
- הזדהות
- מזוהה
- מזהה
- לזהות
- זיהוי
- if
- תמונה
- תמונות
- עָצוּם
- פְּגִיעָה
- חשוב
- לשפר
- משפר
- שיפור
- in
- באחר
- לכלול
- כלול
- כולל
- כולל
- בע"מ
- לא נכון
- גדל
- גדל
- אכן
- מדד
- להצביע
- מצביע על
- תעשיות
- תעשייה
- מידע
- חדשני
- קלט
- תשומות
- תובנות
- השראה
- להתקין
- מותקן
- אינטראקטיבי
- אינטרס
- מעוניין
- מעניין
- מִמְשָׁק
- אל תוך
- חקירה
- IT
- שֶׁלָה
- ג'ניפר
- jpg
- יוני
- שמור
- ערכה (SDK)
- ידע
- קייל
- מעבדות
- מדינה
- גָדוֹל
- בקנה מידה גדול
- במידה רבה
- מְאוּחָר
- לשגר
- הושק
- עוֹפֶרֶת
- מוביל
- מוביל
- לִלמוֹד
- למידה
- עזבו
- מינוף
- ספריות
- החיים
- כמו
- מוגבל
- קו
- רשימה
- ליטיגציה
- ממוקם
- נראה
- הסתכלות
- מכונה
- למידת מכונה
- מאקרו
- עשוי
- בעיקר
- לעשות
- עשייה
- לנהל
- ניהול
- מנהל
- רב
- מַפָּה
- מסומן
- שוק
- מסכה
- אב
- תואם
- מבחינה חומרית
- חומרים
- עניינים
- מקסימום
- מאי..
- מקינזי
- משמעות
- אומר
- למדוד
- אמצעים
- מדידת
- מידע נוסף
- שיטה
- שיטות
- מטרי
- מדדים
- מזעור
- MIT
- מקלה
- ML
- מודל
- מודלים
- צג
- ניטור
- יותר
- רוב
- בעיקר
- הרבה
- מספר
- מוסיקאי
- צריך
- מספר עצום
- טבעי
- צורך
- נחוץ
- צרכי
- תשלילים
- השכנים
- חדש
- מוצרים חדשים
- לא
- רעש
- מחברה
- הערות
- מספר
- מספרים
- רב
- באופן אובייקטיבי
- חובה
- להתבונן
- להשיג
- אוֹקְטוֹבֶּר
- of
- הצעה
- המיוחדות שלנו
- לעתים קרובות
- on
- באינטרנט
- רק
- לפתוח
- OpenCV
- מבצע
- הזדמנות
- מטב
- or
- להזמין
- הזמנות
- ארגונים
- בְּמָקוֹר
- אחר
- שלנו
- לשאת
- קווי מתאר
- תפוקה
- יותר
- מקיף
- שֶׁלוֹ
- כְּאֵב
- פרמטר
- פרמטרים
- מסוים
- במיוחד
- שותפות
- שותפויות
- לוהט
- דפוסי
- לְבַצֵעַ
- ביצועים
- ביצעתי
- תקופתי
- גופני
- לבחור
- פיקסל
- כוכב לכת
- תכנון
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- נקודות
- מדיניות
- חיובי
- אפשרי
- הודעה
- פוטנציאל
- פוטנציאל
- כּוֹחַ
- חזק
- פרקטיקות
- צורך
- דיוק
- לחזות
- חזה
- ניבוי
- התחזיות
- מועדף
- להכין
- מוּכָן
- להציג
- מתנות
- תצוגה מקדימה
- קוֹדֶם
- בראש ובראשונה
- יְסוֹדִי
- קודם
- תיעדוף
- פְּרָטִי
- בעיה
- תהליך
- מעובד
- תהליך
- מיוצר
- המוצר
- פִּריוֹן
- מוצרים
- בצורה עמוקה
- תָכְנִית
- מוקרן
- מבטיח
- פרופורציה
- לספק
- ובלבד
- מספק
- פרוקסי
- בפומבי
- דופק
- למטרות
- פיתון
- כמותי
- מָהִיר
- מהירות
- רכס
- להבין
- Red
- הפחתה
- לחדד
- לשקף
- רפורמה
- באזור
- אזורים
- עיתונות
- רלוונטי
- הקלה
- מרחוק
- להסיר
- דווח
- דוחות לדוגמא
- נציג
- לבקש
- מחקר
- משאב
- משאבים
- תוצאה
- תוצאות
- לַחֲזוֹר
- לגלות
- מגלה
- עשיר
- תקין
- הסיכון
- גורמי סיכון
- סיכונים
- נהר
- כביש
- הפעלה
- ריצה
- סקרמנטו
- בעל חכמים
- אותו
- סן
- סן פרנסיסקו
- הלוויין
- לווינים
- להרחבה
- סצינה
- סצנות
- תוכניות
- מדע
- מַדְעָן
- מדענים
- סקיקיט-לימוד
- ציון
- Sdk
- חיפוש
- עונה
- ה-SEC
- מגזרים
- ניירות ערך
- לניירות הערך
- אבטחה
- סיכוני אבטחה
- לִרְאוֹת
- פילוח
- מגזרים
- נבחר
- מבחר
- לחצני מצוקה לפנסיונרים
- נפרד
- משמש
- שירותים
- סט
- סטים
- ליישב
- כמה
- היא
- לְהַצִיג
- הראה
- דומה
- פָּשׁוּט
- since
- יחיד
- מידה
- קטן
- תוכנה
- פיתוח תוכנה
- ערכת פיתוח תוכנה
- מהנדס תוכנה
- הנדסת תוכנה
- אדמה
- פִּתָרוֹן
- פתרונות
- לפתור
- כמה
- מָקוֹר
- מקורות
- מֶרחָב
- רווחים
- משתרע
- מרחבית
- מדבר
- מומחה
- מתמחה
- מפרט
- מפרטים
- ספקטרלי
- הוצאה
- בעלי העניין
- בעלי עניין
- התחלה
- החל
- מדינה
- הצהרות
- מצב
- שלב
- סיפורים
- אסטרטגי
- שותפויות אסטרטגיות
- אסטרטגיות
- לחץ
- חזק
- סטודיו
- לימוד
- הירשמו
- מוצלח
- בהצלחה
- כזה
- תמיכה
- תומך
- משטח
- סֶקֶר
- קיימות
- בר קיימא
- מערכת
- מערכות
- לקחת
- משימות
- נטילת
- נבחרת
- טכני
- טכניקות
- טכנולוגיה
- מבחן
- ברית
- בדיקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- האזור
- המדינה
- העולם
- שֶׁלָהֶם
- אותם
- אז
- שם.
- לכן
- אלה
- הֵם
- דברים
- זֶה
- אלה
- דרך
- זמן
- פִּי
- ל
- כלי
- כלים
- חלק עליון
- לקראת
- לעקוב
- רכבת
- מְאוּמָן
- הדרכה
- לשנות
- טרנספורמציה
- טרנספורמציה
- נסיעה
- עצים
- מגמות
- נָכוֹן
- אמת
- לנסות
- שתיים
- סוג
- בְּסִיסִי
- הבנה
- מתחייב
- נעילה
- עד
- בקרוב ב
- עדכון
- us
- להשתמש
- מְשׁוּמָשׁ
- משתמשים
- שימושים
- באמצעות
- בְּדֶרֶך כְּלַל
- מנוצל
- בעל ערך
- ערך
- ערכים
- שונים
- Vast
- מאוד
- באמצעות
- חזון
- לְבַקֵר
- ראיה
- מבחינה ויזואלית
- כֶּרֶך
- פגיע
- לחכות
- רוצה
- היה
- לבזבז
- מים
- we
- אינטרנט
- שירותי אינטרנט
- אתר
- טוֹב
- היו
- ואילו
- אם
- אשר
- בזמן
- מי
- של מי
- רָחָב
- טווח רחב
- עם
- בתוך
- לְלֹא
- מילים
- תיק עבודות
- זרימת עבודה
- זרימות עבודה
- עובד
- עוֹלָם
- היה
- כתוב
- X
- שנה
- שנים
- תְשׁוּאָה
- אתה
- זפירנט
- זום