世界は、地政学的紛争、サプライ チェーンの混乱、気候変動の結果として、世界的な食糧不足のリスクが高まっています。 同時に、人口の増加と、栄養豊富でタンパク質が豊富な食品に焦点を当てた食事の変化から、全体的な需要が増加しています. 過剰な需要を満たすために、農家は収穫量を最大化し、大規模な事業を効果的に管理し、精密農業技術を使用して一歩先を行く必要があります。
歴史的に、農家は意思決定を行うために、継承された知識、試行錯誤、および非規範的な農業アドバイスに依存してきました。 重要な決定事項には、植える作物、適用する肥料の量、害虫の防除方法、収穫時期などがあります。 しかし、食料需要の増加と収穫量の最大化の必要性に伴い、農家は継承された知識に加えてより多くの情報を必要としています。 リモート センシング、IoT、ロボティクスなどの革新的なテクノロジーは、農家が従来の意思決定を乗り越えるのに役立つ可能性を秘めています。 ほぼリアルタイムの洞察に支えられたデータ駆動型の意思決定により、農家は増加する食料需要のギャップを埋めることができます。
農業従事者は従来、機器や収穫量のデータを記録したり、フィールドの観察結果をメモしたりして、業務から手動でデータを収集していましたが、AWS の農業データ プラットフォームの構築者は、農業従事者が信頼できる農業アドバイザーと協力してそのデータを大規模に使用できるように支援しています。 小さな畑と作業により、農家は畑全体を見て、作物に影響を与える問題を探すことがより簡単になります。 ただし、大規模な畑や農場で各畑を頻繁に偵察することは現実的ではありません。リスクを適切に軽減するには、大規模な洞察をもたらすことができる統合された農業データ プラットフォームが必要です。 これらのプラットフォームは、複数のソースからの情報を統合して視覚化および分析アプリケーションで使用することにより、農家がデータを理解するのに役立ちます。 衛星画像、土壌データ、気象、地形データなどの地理空間データは、植栽、養分施用、収穫作業中に農業機器によって収集されたデータと一緒に階層化されます。 強化された地理空間データ分析、高度なデータの視覚化、および AWS テクノロジーによるワークフローの自動化を通じて洞察を解き放つことにより、農家は問題が発生している畑や作物の特定の領域を特定し、作物や事業を保護するための措置を講じることができます。 これらのタイムリーな洞察は、農家が信頼できる農学者と協力して生産量を増やし、環境フットプリントを削減し、収益性を向上させ、次世代のために土地の生産性を維持するのに役立ちます。
この投稿では、から生成された予測をどのように使用できるかを見ていきます Amazon SageMaker の地理空間機能 農業データプラットフォームのユーザーインターフェースに。 さらに、ソフトウェア開発チームが、リモート センシング アルゴリズム、クラウド マスキング (衛星画像内の雲の自動検出)、自動画像処理パイプラインなど、高度な機械学習 (ML) 主導の洞察を農業データ プラットフォームに追加する方法についても説明します。 これらの追加により、農学者、ソフトウェア開発者、ML エンジニア、データ サイエンティスト、およびリモート センシング チームは、スケーラブルで価値のある意思決定支援システムを農家に提供できます。 この投稿では、エンド ツー エンドのノートブックの例と、 GitHubリポジトリ これは、ML ベースの農場セグメンテーションや農業用の事前トレーニング済み地理空間モデルなど、SageMaker の地理空間機能を示しています。
地理空間の洞察と予測を農業データ プラットフォームに追加する
確立された数学的モデルと農業モデルを衛星画像と組み合わせることで、衛星画像による作物の健康と状態をピクセル単位で経時的に視覚化できます。 ただし、これらの確立されたモデルでは、画像の品質を低下させる雲やその他の大気干渉によって遮られていない衛星画像にアクセスする必要があります。 処理された各画像から雲を特定して除去しなければ、予測と洞察が大幅に不正確になり、農業データ プラットフォームは農家の信頼を失うことになります。 農業データ プラットフォーム プロバイダーは通常、さまざまな地域にまたがる数千の農場を含む顧客にサービスを提供するため、農業データ プラットフォームには、さらに処理したり分析を提供したりする前に、各衛星画像内の雲やその他の大気の問題を分析、特定、除外するためのコンピューター ビジョンと自動化されたシステムが必要です。顧客に。
衛星画像から雲や大気の問題を検出する ML コンピューター ビジョン モデルを開発、テスト、改善することは、農業データ プラットフォームの構築者にとって課題となります。 まず、衛星画像を取り込むためのデータ パイプラインを構築するには、時間、ソフトウェア開発リソース、および IT インフラストラクチャが必要です。 各衛星画像プロバイダーは、互いに大きく異なる場合があります。 衛星は、さまざまな空間解像度で画像を収集することがよくあります。 解像度は、ピクセルあたり数メートルからピクセルあたりセンチメートルで測定される非常に高解像度の画像までさまざまです。 さらに、各衛星は、異なるマルチスペクトル バンドの画像を収集する場合があります。 いくつかのバンドは徹底的にテストされており、植物の発育および健康指標との強い相関関係を示していますが、他のバンドは農業とは無関係である可能性があります. 衛星コンステレーションは、異なる速度で地球上の同じ場所を再訪します。 小さな星座は毎週またはそれ以上フィールドを再訪する可能性があり、大きな星座は XNUMX 日に複数回同じ領域を再訪する可能性があります。 これらの衛星画像と周波数の違いは、API の機能と機能の違いにもつながります。 これらの違いを組み合わせると、農業データ プラットフォームは、複雑な取り込み方法で複数のデータ パイプラインを維持する必要がある可能性があります。
次に、画像が取り込まれ、リモート センシング チーム、データ サイエンティスト、農学者が利用できるようになった後、これらのチームは、各画像内の各領域にアクセスして処理し、曇りとしてラベルを付けるという時間のかかるプロセスに従事する必要があります。 さまざまな地域にまたがる何千ものフィールドと、フィールドごとに複数の衛星画像があるため、ラベル付けプロセスにはかなりの時間がかかる可能性があり、ビジネスの拡大、新しい顧客フィールド、または画像の新しいソースを考慮して継続的にトレーニングする必要があります。
ML 用の Sentinel 衛星画像とデータへの統合アクセス
リモートセンシング ML モデルの開発に SageMaker 地理空間機能を使用し、 AWSデータ交換 便利に利用できる公共 Amazon シンプル ストレージ サービス (Amazon S3) バケットを使用すると、AWS での農業データ プラットフォームの構築者は、より迅速かつ簡単に目標を達成できます。 Open Data Exchange と Amazon サステナビリティ データ イニシアチブ 衛星画像への自動組み込みアクセスを提供します。
次の図は、このアーキテクチャを示しています。
SageMaker の地理空間機能には、AWS やサードパーティからの衛星画像、地図、位置データなどの地理空間データ ソースの統合カタログを備えた、土地利用分類やクラウド マスキングなどの事前トレーニング済みのディープ ニューラル ネットワーク モデルが組み込まれています。 統合された地理空間データカタログにより、SageMaker 地理空間のお客様は、衛星画像やその他の地理空間データセットに簡単にアクセスできるようになり、複雑なデータ取り込みパイプラインを開発する負担がなくなります。 この統合されたデータ カタログは、時間統計、リサンプリング、モザイク、リバース ジオコーディングなどの専用の操作を使用して、独自のモデル構築と大規模な地理空間データセットの処理と強化を加速できます。 Amazon S3 から画像を簡単に取り込み、雲を自動的に識別して各 Sentinel-2 衛星画像をスコアリングする SageMaker 地理空間事前トレーニング済み ML モデルを使用する機能により、リモートセンシング、農学、およびデータサイエンスのチームが取り込み、処理、および処理を行う必要がなくなります。何千もの衛星画像に曇りのある地域を手動でラベル付けします。
SageMaker の地理空間機能は、関心のある領域 (AOI) と関心のある時間 (TOI) を定義する機能をサポートし、Open Data Exchange S3 バケット アーカイブ内で要求を満たす地理空間交差を含む画像を検索し、トゥルー カラー画像を返します。正規化植生指数 (NDVI)、雲の検出とスコア、および土地被覆。 NDVI は、新しく処理され色分けされた画像を介してクロロフィルの量と光合成活動の測定値を視覚化することにより、作物の健康を理解するために衛星画像で使用される一般的な指標です。
SageMaker 地理空間機能のユーザーは、事前に構築された NDVI インデックスを使用するか、独自のインデックスを作成できます。 SageMaker の地理空間機能により、データ サイエンティストや ML エンジニアは、地理空間データを使用して以前よりも少ない労力で ML モデルをより迅速かつ大規模に構築、トレーニング、デプロイすることが容易になります。
農家や農学者は、現場や家庭で洞察にすばやくアクセスする必要があります
処理された画像と洞察を農業従事者や利害関係者に迅速に提供することは、アグリビジネスや現場での意思決定にとって重要です。 重要な時間帯に各畑で作物の健康状態が悪い地域を特定することで、農家は必要に応じて肥料、除草剤、殺虫剤を適用することでリスクを軽減し、作物の保険請求の可能性がある地域を特定することさえできます。 農業データ プラットフォームが Web アプリケーションやモバイル アプリケーションなどの一連のアプリケーションで構成されることは一般的です。 これらのアプリケーションは、農家とその信頼できる関係者が自宅、オフィス、または畑に立っているときに、それぞれの畑と画像を安全に確認するのに役立つ直感的なユーザー インターフェイスを提供します。 ただし、これらの Web およびモバイル アプリケーションは、API を介して、処理された画像と農業に関する洞察を利用し、すばやく表示する必要があります。
アマゾンAPIゲートウェイ 開発者は、RESTful および WebSocket API を大規模に作成、公開、維持、監視、および保護することが容易になります。 と APIゲートウェイ、API アクセスと認証は と統合されています AWS ID アクセス管理 (IAM) を提供し、ネイティブ OIDC および OAuth2 サポートを提供するだけでなく、 アマゾンコグニート. アマゾンコグニート は、費用対効果の高い顧客 ID およびアクセス管理 (CIAM) サービスであり、何百万ものユーザーに拡張できるフェデレーション オプションを備えた安全な ID ストアをサポートしています。
生の未処理の衛星画像は非常に大きくなる可能性があり、場合によっては画像ごとに数百メガバイトまたはギガバイトになることもあります。 世界の多くの農業地域では、セルラー接続が不十分またはまったくないため、画像と分析情報をより小さな形式で、必要な帯域幅を制限する方法で処理および提供することが重要です。 したがって、 AWSラムダ タイル サーバーを展開するために、パフォーマンスを低下させるはるかに大きなファイル サイズとタイプとは対照的に、ユーザーに表示されている現在のマップ ビューに基づいて、より小さいサイズの GeoTIFF、JPEG、またはその他の画像形式を返すことができます。 Lambda 関数を介してデプロイされたタイル サーバーを API Gateway と組み合わせて Web およびモバイル アプリケーションのリクエストを管理することにより、農業従事者とその信頼できる関係者は、XNUMX つまたは数百のフィールドから画像および地理空間データを一度に消費し、待ち時間を短縮し、最適なユーザーを達成できます。経験。
SageMaker の地理空間機能には、地理空間データの豊富なカタログへの簡単なアクセス、データの変換と強化、専用モデルのトレーニングまたは使用、予測用のモデルのデプロイ、データの視覚化と探索を可能にする直感的なユーザー インターフェイスからアクセスできます。統合された地図と衛星画像。 SageMaker 地理空間ユーザー エクスペリエンスの詳細については、以下を参照してください。 Xarvio が Amazon SageMaker 地理空間機能を使用してデジタル農業用の空間データのパイプラインを高速化した方法.
農業データ プラットフォームは、複数のレイヤーのデータと洞察を大規模に提供します
次のユーザーインターフェースの例は、農業データプラットフォームのビルダーが SageMaker 地理空間機能によって提供される洞察を統合する方法を示しています。
このユーザー インターフェイスの例は、農家や農業関係者が使用する一般的な地理空間データ オーバーレイを示しています。 ここでは、消費者は 2 つの個別のデータ オーバーレイを選択しています。 2020 つ目は、XNUMX 年 XNUMX 月に撮影され、統合された SageMaker 地理空間データカタログを介して利用可能になった、基礎となる Sentinel-XNUMX の自然色の衛星画像です。 この画像は、雲量を識別する SageMaker 地理空間事前トレーニング済みモデルを使用してフィルタリングされました。 XNUMX 番目のデータ オーバーレイは、一連のフィールド境界であり、白いアウトラインで表されます。 畑の境界は、通常、農地の自然の地形を反映する緯度と経度の座標のポリゴン、または作物計画を区別する操作上の境界です。 XNUMX 番目のデータ オーバーレイは、Normalized Difference Vegetation Index (NDVI) の形式で処理された画像データです。 さらに、NDVI 画像はそれぞれのフィールド境界に重ねて表示され、ページの左側に NDVI 色分類表が示されています。
次の画像は、雲量を識別する SageMaker 事前トレーニング済みモデルを使用した結果を示しています。
この画像では、モデルは衛星画像内の雲を識別し、画像内の各雲に黄色のマスクを適用します。 さらなる画像処理からマスクされたピクセル (雲) を取り除くことで、下流の分析と製品の精度が向上し、農家とその信頼できるアドバイザーに価値がもたらされます。
セルラー カバレッジが不十分な地域では、遅延を減らすことでユーザー エクスペリエンスが向上します。
地理空間データとリモート センシング画像を評価する際の低レイテンシーの必要性に対処するには、次を使用できます。 アマゾンエラスティキャッシュ Lambda を介して行われたタイル リクエストから取得した処理済みの画像をキャッシュします。 要求された画像をキャッシュ メモリに保存することで、待ち時間がさらに短縮され、画像要求を再処理する必要がなくなります。 これにより、アプリケーションのパフォーマンスが向上し、データベースへの負担が軽減されます。 なぜなら アマゾンエラスティキャッシュ キャッシング戦略、クロスリージョン レプリケーション、オート スケーリングのための多くの構成オプションをサポートしているため、農業データ プラットフォーム プロバイダーは、アプリケーションのニーズに基づいて迅速にスケールアップし、必要な分だけ支払うことでコスト効率を達成し続けることができます。
まとめ
この投稿では、地理空間データ処理、ML 対応のリモート センシング インサイトの実装、および AWS での農業データ プラットフォームの開発と強化を合理化および簡素化する方法に焦点を当てました。 SageMaker、Lambda、Amazon S3、Open Data Exchange、ElastiCache など、AWS サービス上の農業データ プラットフォームの構築者が目標を達成するために使用できるいくつかの方法とサービスを示しました。
SageMaker の地理空間機能を示すエンドツーエンドのサンプル ノートブックに従うには、次のサンプル ノートブックにアクセスしてください。 GitHubリポジトリ. ML セグメンテーションモデルを使用して農地を特定する方法を確認したり、既存の SageMaker 地理空間モデルを調べたり、土地利用や土地被覆分類などの地理空間タスクで独自のモデル (BYOM) 機能を使用したりできます。 エンド ツー エンドのサンプル ノートブックについては、関連記事で詳しく説明しています。 Xarvio が Amazon SageMaker Geospatial を使用してデジタル農業用の空間データのパイプラインを高速化した方法.
AWS クラウドを使用して、農業業界がグローバルな食料供給、トレーサビリティ、および持続可能性イニシアチブに関連する重要な問題をどのように解決しているかについて詳しくは、お問い合わせください。
著者について
ウィル・コンラッド AWS の農業業界向けソリューション責任者です。 彼は、顧客がテクノロジーを使用して農家の生活、農業の環境への影響、および食品を食べる人々の消費者体験を改善するのを支援することに情熱を注いでいます。 余暇には、修理をしたり、ゴルフをしたり、XNUMX 人の子供たちの注文を受けたりしています。
ビシェシュ・アディカリ は、AWS プロトタイピング チームの機械学習プロトタイピング アーキテクトです。 彼は AWS のお客様と協力して、さまざまな AI および機械学習のユースケースでソリューションを構築し、本番環境への移行を加速しています。 余暇には、ハイキング、旅行、家族や友人との時間を楽しんでいます。
プリヤンカ・マハンカリ AWS のガイダンス ソリューション アーキテクトとして 5 年以上にわたり、グローバルな農業顧客向けのテクノロジーを含む業界横断的なソリューションを構築しています。 彼女は、最先端のユースケースを最前線に持ち込み、顧客が AWS で戦略的ソリューションを構築するのを支援することに情熱を注いでいます。
ロン・オズボーン 農業の AWS グローバルテクノロジーリード – WWSO であり、シニアソリューションアーキテクトです。 Ron は、AWS アグリビジネスの顧客とパートナーが、安全でスケーラブルで回復力があり、弾力性があり、費用対効果の高いソリューションを開発およびデプロイするのを支援することに重点を置いています。 ロンは宇宙論の愛好家であり、アグテックの確立されたイノベーターであり、ビジネスの変革と持続可能な成功のために顧客とパートナーを位置づけることに情熱を注いでいます。
