이 게스트 게시물은 Planet Labs의 비즈니스 개발 전문가인 Lydia Lihui Zhang과 소프트웨어 엔지니어/데이터 과학자인 Mansi Shah가 공동 작성했습니다. 그만큼 이 게시물에 영감을 준 분석 원래 Jennifer Reiber Kyle이 작성했습니다.
Amazon SageMaker 지리 공간 기능 과 결합 행성의 위성 데이터는 작물 분류에 사용될 수 있으며, 농업 및 지속 가능성 분야에 대한 이 분석의 수많은 응용 프로그램과 잠재적 이점이 있습니다. 2023년 말 플래닛은 파트너쉽을 발표했다. AWS와 협력하여 지리정보 데이터를 다음을 통해 제공합니다. 아마존 세이지 메이커.
자르기 분할은 위성 이미지를 유사한 자르기 특성을 가진 픽셀 영역 또는 세그먼트로 분할하는 프로세스입니다. 이 게시물에서는 분할 기계 학습(ML) 모델을 사용하여 이미지에서 자르기 영역과 비자르기 영역을 식별하는 방법을 설명합니다.
농작물 지역을 식별하는 것은 농업 통찰력을 얻기 위한 핵심 단계이며, 풍부한 지리공간 데이터와 ML의 결합은 의사 결정과 행동을 유도하는 통찰력으로 이어질 수 있습니다. 예를 들어:
- 데이터 기반 농업 결정 내리기 – 작물에 대한 더 나은 공간적 이해를 통해 농부 및 기타 농업 이해관계자는 계절에 따라 물에서 비료, 기타 화학 물질에 이르기까지 자원 사용을 최적화할 수 있습니다. 이는 폐기물을 줄이고, 가능한 한 지속 가능한 농업 관행을 개선하며, 환경에 미치는 영향을 최소화하면서 생산성을 높이기 위한 기반을 마련합니다.
- 기후 관련 스트레스 및 추세 식별 – 기후 변화가 계속해서 지구 온도와 강우 패턴에 영향을 미치기 때문에 작물 세분화를 사용하여 기후 적응 전략을 위한 기후 관련 스트레스에 취약한 지역을 식별할 수 있습니다. 예를 들어, 위성 이미지 아카이브를 사용하여 시간 경과에 따른 작물 재배 지역의 변화를 추적할 수 있습니다. 이는 농경지의 크기와 분포의 물리적 변화일 수 있습니다. 또한 더 깊은 작물 건강 분석을 위해 위성 데이터의 다양한 스펙트럼 지수에서 파생된 토양 수분, 토양 온도 및 바이오매스의 변화일 수도 있습니다.
- 피해 평가 및 완화 – 마지막으로, 작물 세분화를 사용하면 자연재해 발생 시 작물 피해 영역을 빠르고 정확하게 식별할 수 있어 구호 활동의 우선순위를 정하는 데 도움이 될 수 있습니다. 예를 들어, 홍수 발생 후 높은 케이던스 위성 이미지를 사용하여 농작물이 물에 잠겼거나 파괴된 지역을 식별할 수 있으므로 구호 단체가 피해를 입은 농부들을 더 신속하게 지원할 수 있습니다.
이 분석에서는 KNN(K-Nearest Neighbors) 모델을 사용하여 작물 분할을 수행하고 이러한 결과를 농업 지역의 실제 이미지와 비교합니다. 우리의 결과는 KNN 모델의 분류가 2017년의 실제 분류 데이터보다 2015년 현재 작물 분야의 상태를 더 정확하게 대표한다는 것을 보여줍니다. 이러한 결과는 Planet의 높은 케이던스 지리공간 이미지의 힘을 입증합니다. 농업 분야는 자주, 때로는 계절에 여러 번 바뀌며, 이 토지를 관찰하고 분석할 수 있는 고주파 위성 이미지는 농경지와 빠르게 변화하는 환경을 이해하는 데 엄청난 가치를 제공할 수 있습니다.
지리정보 ML에 대한 Planet과 AWS의 파트너십
SageMaker 지리 공간 기능 데이터 과학자와 ML 엔지니어가 지리공간 데이터를 사용하여 모델을 구축, 교육 및 배포할 수 있도록 지원합니다. SageMaker 지리 공간적 기능을 사용하면 대규모 지리 공간 데이터 세트를 효율적으로 변환 또는 강화하고, 사전 훈련된 ML 모델로 모델 구축을 가속화하고, 3D 가속 그래픽과 내장된 시각화 도구를 사용하여 대화형 지도에서 모델 예측 및 지리 공간 데이터를 탐색할 수 있습니다. SageMaker 지리 공간적 기능을 사용하면 위성 이미지 및 기타 지리 공간 데이터의 대규모 데이터 세트를 처리하여 작물 분할을 비롯한 다양한 애플리케이션에 대한 정확한 ML 모델을 생성할 수 있습니다. 이에 대해서는 이 게시물에서 설명합니다.
플래닛 랩스 PBC 는 대규모 위성을 사용하여 매일 지구 표면의 이미지를 캡처하는 선도적인 지구 이미징 회사입니다. 따라서 Planet의 데이터는 지리공간 ML을 위한 귀중한 리소스입니다. 고해상도 위성 이미지를 사용하면 지구상 어디에서나 시간이 지남에 따라 다양한 작물 특성과 건강 상태를 식별할 수 있습니다.
Planet과 SageMaker의 파트너십을 통해 고객은 AWS의 강력한 ML 도구를 사용하여 Planet의 고주파 위성 데이터에 쉽게 액세스하고 분석할 수 있습니다. 데이터 사이언티스트는 자신의 데이터를 가져오거나, 환경을 바꾸지 않고도 편리하게 Planet의 데이터를 찾아 구독할 수 있습니다.
지리공간 이미지가 포함된 Amazon SageMaker Studio 노트북의 자르기 분할
이 지리공간 ML 워크플로 예시에서는 Planet의 데이터를 실측 데이터 소스와 함께 SageMaker로 가져오는 방법과 KNN 분류자를 사용하여 작물 분할 모델을 훈련, 추론 및 배포하는 방법을 살펴봅니다. 마지막으로 결과의 정확성을 평가하고 이를 실제 분류와 비교합니다.
사용된 KNN 분류기는 다음과 같이 훈련되었습니다. 지리정보 기능을 갖춘 Amazon SageMaker Studio 노트북 이미지를 제공하며 지리공간 데이터 작업을 위한 유연하고 확장 가능한 노트북 커널을 제공합니다.
XNUMXD덴탈의 아마존 세이지 메이커 스튜디오 지리공간 이미지가 포함된 노트북에는 GDAL, Fiona, GeoPandas, Shapely, Rasterio 등 일반적으로 사용되는 지리공간 라이브러리가 사전 설치되어 있어 Python 노트북 환경 내에서 직접 지리공간 데이터를 시각화하고 처리할 수 있습니다. OpenCV 또는 scikit-learn과 같은 일반적인 ML 라이브러리는 KNN 분류를 사용하여 자르기 분할을 수행하는 데에도 사용되며 지리공간 커널에도 설치됩니다.
데이터 선택
우리가 확대해 보는 농경지는 캘리포니아의 보통 햇볕이 잘 드는 새크라멘토 카운티에 위치하고 있습니다.
왜 새크라멘토인가? 이러한 유형의 문제에 대한 영역 및 시간 선택은 주로 실측 데이터의 가용성에 따라 정의되며, 작물 유형 및 경계 데이터와 같은 데이터는 얻기가 쉽지 않습니다. 그만큼 2015년 새크라멘토 카운티 토지 이용 DWR 조사 데이터 세트 해당 연도의 새크라멘토 카운티를 포함하는 공개적으로 사용 가능한 데이터 세트이며 수동으로 조정된 경계를 제공합니다.
우리가 사용하는 주요 위성 이미지는 Planet의 4밴드입니다. PSScene 제품, 이는 청색, 녹색, 적색 및 근적외선 대역을 포함하며 센서의 휘도에 대해 방사 측정법으로 보정됩니다. 센서 반사율을 보정하기 위한 계수는 장면 메타데이터에 제공되어 서로 다른 시간에 촬영된 이미지 간의 일관성을 더욱 향상시킵니다.
이 이미지를 생성한 Planet의 Dove 위성은 14년 2017월 XNUMX일에 발사되었습니다(보도 자료) 따라서 2015년에는 새크라멘토 카운티의 이미지를 촬영하지 않았습니다. 그러나 출시 이후 매일 해당 지역의 이미지를 촬영해 왔습니다. 이 예에서는 실제 데이터와 위성 이미지 사이의 불완전한 2년 간격을 해결했습니다. 그러나 Landsat 8의 저해상도 이미지는 2015년과 2017년 사이에 가교 역할을 할 수 있었습니다.
행성 데이터에 액세스
사용자가 정확하고 실행 가능한 데이터를 더 빠르게 얻을 수 있도록 Planet은 Python용 Planet 소프트웨어 개발 키트(SDK)도 개발했습니다. 이는 위성 이미지 및 기타 지리공간 데이터로 작업하려는 데이터 과학자 및 개발자를 위한 강력한 도구입니다. 이 SDK를 사용하면 Planet의 방대한 고해상도 위성 이미지 컬렉션은 물론 OpenStreetMap과 같은 다른 소스의 데이터를 검색하고 액세스할 수 있습니다. SDK는 Planet의 API에 Python 클라이언트와 코드 없는 명령줄 인터페이스(CLI) 솔루션을 제공하여 위성 이미지와 지리공간 데이터를 Python 워크플로에 쉽게 통합할 수 있도록 해줍니다. 이 예에서는 Python 클라이언트를 사용하여 분석에 필요한 이미지를 식별하고 다운로드합니다.
간단한 명령을 사용하여 지리공간 이미지가 포함된 SageMaker Studio 노트북에 Planet Python 클라이언트를 설치할 수 있습니다.
클라이언트를 사용하여 관련 위성 이미지를 쿼리하고 관심 영역, 시간 범위 및 기타 검색 기준을 기반으로 사용 가능한 결과 목록을 검색할 수 있습니다. 다음 예에서는 얼마나 많은지 묻는 것부터 시작합니다. PlanetScope 장면 (플래닛의 일일 이미지)는 1년 1월 2017일부터 10월 XNUMX일 사이의 특정 기간을 고려하여 새크라멘토의 지상 데이터를 통해 앞서 정의한 것과 동일한 관심 영역(AOI)을 다룹니다. 또한 원하는 최대 클라우드 적용 범위는 XNUMX%입니다.
반환된 결과에는 관심 영역과 겹치는 일치하는 장면의 수가 표시됩니다. 또한 각 장면의 메타데이터, 이미지 ID 및 미리보기 이미지 참조도 포함되어 있습니다.
특정 장면을 선택한 후 장면 ID, 품목 유형 및 제품 번들에 대한 지정(참조 문서), 다음 코드를 사용하여 이미지와 해당 메타데이터를 다운로드할 수 있습니다.
이 코드는 해당 위성 이미지를 아마존 탄성 파일 시스템 (Amazon EFS) SageMaker Studio용 볼륨.
모델 훈련
Planet Python 클라이언트를 사용하여 데이터를 다운로드한 후 분할 모델을 훈련할 수 있습니다. 이 예에서는 KNN 분류와 이미지 분할 기술의 조합을 사용하여 자르기 영역을 식별하고 지리 참조된 geojson 기능을 생성합니다.
Planet 데이터는 KNN 분류기 교육을 위해 준비하기 위해 SageMaker에 내장된 지리공간 라이브러리 및 도구를 사용하여 로드되고 사전 처리됩니다. 훈련을 위한 실측 데이터는 2015년의 Sacramento County Land Use DWR Survey 데이터세트이고, 모델 테스트에는 2017년의 Planet 데이터가 사용되었습니다.
지상 실제 특징을 등고선으로 변환
KNN 분류기를 훈련시키기 위해 각 픽셀의 클래스는 다음 중 하나입니다. crop
or non-crop
식별해야합니다. 클래스는 픽셀이 실제 데이터의 자르기 기능과 연결되어 있는지 여부에 따라 결정됩니다. 이 결정을 내리기 위해 지상 실제 데이터는 먼저 OpenCV 윤곽선으로 변환된 다음 이를 구분하는 데 사용됩니다. crop
에 non-crop
픽셀. 그런 다음 픽셀 값과 해당 분류는 KNN 분류기를 훈련하는 데 사용됩니다.
실제 특징을 윤곽선으로 변환하려면 먼저 특징을 이미지의 좌표 참조 시스템에 투영해야 합니다. 그런 다음 특징은 이미지 공간으로 변환되고 최종적으로 윤곽선으로 변환됩니다. 윤곽선의 정확성을 보장하기 위해 다음 예와 같이 입력 이미지에 겹쳐서 시각화됩니다.
KNN 분류기를 훈련시키기 위해 자르기 특징 윤곽선을 마스크로 사용하여 자르기 및 비자르기 픽셀을 분리합니다.
KNN 분류기의 입력은 두 개의 데이터 세트로 구성됩니다. X는 분류할 기능을 제공하는 2D 배열입니다. y는 클래스를 제공하는 1차원 배열(예). 여기에서는 비자르기 및 자르기 데이터세트에서 단일 분류된 밴드가 생성되며, 여기서 밴드의 값은 픽셀 클래스를 나타냅니다. 그러면 밴드와 기본 이미지 픽셀 밴드 값이 분류기 맞춤 함수에 대한 X 및 y 입력으로 변환됩니다.
자르기 및 비자르기 픽셀에 대한 분류기 학습
KNN 분류는 다음과 같이 수행됩니다. scikit-learn KNeighborsClassifier. 추정기의 성능에 큰 영향을 미치는 매개변수인 이웃 수는 KNN 교차 검증에서 교차 검증을 사용하여 조정됩니다. 그런 다음 분류기는 준비된 데이터 세트와 조정된 이웃 매개변수 수를 사용하여 훈련됩니다. 다음 코드를 참조하세요.
입력 데이터에 대한 분류기의 성능을 평가하기 위해 픽셀 밴드 값을 사용하여 픽셀 클래스를 예측합니다. 분류기의 성능은 주로 훈련 데이터의 정확성과 입력 데이터(픽셀 밴드 값)를 기반으로 한 픽셀 클래스의 명확한 분리에 기반합니다. 이웃 수 및 거리 가중 함수와 같은 분류기의 매개변수는 후자의 부정확성을 보상하기 위해 조정될 수 있습니다. 다음 코드를 참조하세요.
모델 예측 평가
훈련된 KNN 분류기는 테스트 데이터에서 작물 지역을 예측하는 데 사용됩니다. 이 테스트 데이터는 훈련 중에 모델에 노출되지 않은 영역으로 구성됩니다. 즉, 모델은 분석 이전에 해당 영역에 대한 지식이 없기 때문에 이 데이터를 사용하여 모델의 성능을 객관적으로 평가할 수 있습니다. 비교적 시끄러운 지역부터 시작하여 여러 지역을 시각적으로 검사하는 것으로 시작합니다.
육안 검사를 통해 예측된 클래스가 실제 클래스와 대부분 일치하는 것으로 나타났습니다. 몇 가지 편차 영역이 있으며 이를 추가로 조사합니다.
추가 조사를 통해 우리는 이 영역의 노이즈 중 일부가 분류된 이미지(왼쪽 상단 및 왼쪽 하단과 비교하여 오른쪽 상단)에 있는 세부 정보가 부족한 지상 실제 데이터로 인한 것임을 발견했습니다. 특히 흥미로운 발견은 분류기가 강을 따라 있는 나무를 다음과 같이 식별한다는 것입니다. non-crop
, 반면에 지상 실제 데이터는 이를 다음과 같이 잘못 식별합니다. crop
. 이 두 분할 사이의 이러한 차이는 작물 위의 지역을 가리는 나무로 인해 발생할 수 있습니다.
이어서 두 방법 간에 다르게 분류된 또 다른 영역을 검사합니다. 이러한 강조 표시된 지역은 이전에 2015년 지상 실측 데이터(오른쪽 상단)에서 비작물 지역으로 표시되었지만 Planetscope 장면(왼쪽 상단 및 왼쪽 하단)을 통해 2017년에 변경되어 농경지로 명확하게 표시되었습니다. 분류기를 통해서도 크게 농경지로 분류되었습니다(오른쪽 아래).
다시 말하지만, KNN 분류기는 Ground Truth 클래스보다 더 세부적인 결과를 제공하며 농경지에서 일어나는 변화도 성공적으로 포착합니다. 이 예는 또한 매일 업데이트되는 위성 데이터의 가치를 말해줍니다. 세상은 종종 연례 보고서보다 훨씬 빠르게 변하기 때문입니다. 이와 같은 ML과 결합된 방법은 변화가 일어나는 대로 포착하는 데 도움이 될 수 있습니다. 특히 진화하는 농업 분야에서 위성 데이터를 통해 이러한 변화를 모니터링하고 발견할 수 있으면 농부가 자신의 작업을 최적화하고 가치 사슬의 모든 농업 이해관계자가 계절의 더 나은 흐름을 파악하는 데 유용한 통찰력을 얻을 수 있습니다.
모델 평가
예측 클래스 이미지와 실제 클래스 이미지의 시각적 비교는 주관적일 수 있으며 분류 결과의 정확성을 평가하기 위해 일반화할 수 없습니다. 정량적 평가를 얻기 위해 scikit-learn을 사용하여 분류 측정항목을 얻습니다. classification_report
기능:
픽셀 분류는 자르기 영역의 분할 마스크를 생성하는 데 사용되어 정밀도와 중요한 측정항목을 재현하고 F1 점수는 정확도 예측을 위한 좋은 전체 척도가 됩니다. 우리의 결과는 학습 및 테스트 데이터세트의 작물 및 비작물 지역 모두에 대한 측정항목을 제공합니다. 그러나 작업을 단순하게 유지하기 위해 테스트 데이터세트의 자르기 영역과 관련하여 이러한 측정항목을 자세히 살펴보겠습니다.
정밀도는 모델의 긍정적인 예측이 얼마나 정확한지를 나타내는 척도입니다. 이 경우 작물 영역에 대한 정밀도 0.94는 우리 모델이 실제로 작물 영역인 영역을 올바르게 식별하는 데 매우 성공적임을 나타내며, 여기서 거짓 긍정(작물 영역으로 잘못 식별된 실제 비작물 영역)이 최소화됩니다. 반면에 회상은 긍정적인 예측의 완전성을 측정합니다. 즉, 회상은 정확하게 식별된 실제 긍정의 비율을 측정합니다. 우리의 경우 자르기 영역에 대한 재현율 값이 0.73이라는 것은 모든 실제 자르기 영역 픽셀의 73%가 올바르게 식별되어 위음성의 수를 최소화한다는 것을 의미합니다.
이상적으로는 정밀도와 재현율 모두 높은 값이 선호되지만 이는 사례 연구의 적용에 크게 좌우될 수 있습니다. 예를 들어, 농업용 농작물 지역을 식별하려는 농민에 대해 이러한 결과를 조사하는 경우 위음성(비농작물 지역으로 식별된 영역)의 수를 최소화하기 위해 정밀도보다 높은 재현율을 선호할 것입니다. 실제로 농작물 지역임) 토지를 최대한 활용하기 위해. F1 점수는 정밀도와 재현율을 결합하고 두 측정항목 간의 균형을 측정하는 전반적인 정확도 측정항목으로 사용됩니다. 농작물 지역(1)과 같이 높은 F0.82 점수는 정밀도와 재현율 간의 균형이 양호하고 전반적인 분류 정확도가 높다는 것을 나타냅니다. F1 점수가 기차 데이터 세트와 테스트 데이터 세트 사이에서 떨어지더라도 이는 분류기가 기차 데이터 세트에 대해 훈련되었기 때문에 예상되는 현상입니다. 전체 가중 평균 F1 점수 0.77은 분류된 데이터에 대한 분할 체계를 시도하기에 충분히 유망하고 적합합니다.
분류기에서 분할 마스크 만들기
테스트 데이터 세트에 대한 KNN 분류기의 예측을 사용하여 분할 마스크를 생성하려면 예측 출력을 정리하여 이미지 노이즈로 인한 작은 세그먼트를 방지해야 합니다. 스펙클 노이즈를 제거하기 위해 OpenCV를 사용합니다. 중앙값 흐림 필터. 이 필터는 형태학적 개방 작업보다 작물 간의 도로 묘사를 더 잘 보존합니다.
노이즈가 제거된 출력에 이진 분할을 적용하려면 먼저 OpenCV를 사용하여 분류된 래스터 데이터를 벡터 기능으로 변환해야 합니다. 컨투어 찾기 기능.
마지막으로, 분할된 자르기 윤곽선을 사용하여 실제 분할된 자르기 영역을 계산할 수 있습니다.
KNN 분류기에서 생성된 분할된 작물 영역을 사용하면 테스트 데이터세트에서 작물 영역을 정확하게 식별할 수 있습니다. 이렇게 분할된 지역은 포장 경계 식별, 작물 모니터링, 수확량 추정, 자원 할당 등 다양한 목적으로 사용될 수 있습니다. 달성된 F1 점수 0.77은 양호하며 KNN 분류기가 원격 감지 이미지에서 작물 분할을 위한 효과적인 도구라는 증거를 제공합니다. 이러한 결과는 작물 분할 기술을 더욱 개선하고 개선하는 데 사용될 수 있으며 잠재적으로 작물 분석의 정확성과 효율성을 높일 수 있습니다.
결론
이 게시물에서는 다음의 조합을 사용하는 방법을 보여주었습니다. 플래닛의 높은 케이던스, 고해상도 위성 이미지 및 SageMaker 지리 공간 기능 작물 세분화 분석을 수행하여 농업 효율성, 환경 지속 가능성 및 식량 안보를 향상시킬 수 있는 귀중한 통찰력을 얻습니다. 작물 지역을 정확하게 식별하면 작물 성장 및 생산성에 대한 추가 분석, 토지 이용 변화 모니터링, 잠재적인 식량 안보 위험 감지가 가능합니다.
또한 Planet 데이터와 SageMaker의 결합은 작물 세분화를 넘어 광범위한 사용 사례를 제공합니다. 통찰력을 통해 농업 분야의 작물 관리, 자원 할당 및 정책 계획에 대한 데이터 기반 결정을 내릴 수 있습니다. 다양한 데이터 및 ML 모델을 사용하면 결합된 제품이 다른 산업으로 확장될 수 있으며 디지털 전환, 지속 가능성 전환 및 보안을 향한 사용 사례도 가능합니다.
SageMaker 지리공간 기능 사용을 시작하려면 다음을 참조하십시오. Amazon SageMaker 지리공간 기능 시작하기.
Planet의 이미지 사양 및 개발자 참고 자료에 대해 자세히 알아보려면 다음을 방문하세요. 플래닛 개발자 센터. Planet의 Python용 SDK에 대한 문서는 다음을 참조하세요. Python용 플래닛 SDK. 기존 데이터 제품 및 향후 제품 출시를 포함하여 Planet에 대한 자세한 내용을 보려면 다음을 방문하세요. https://www.planet.com/.
플래닛 랩스 PBC 미래 예측 진술
여기에 포함된 과거 정보를 제외하고, 이 블로그 게시물에 명시된 사항은 Planet Labs를 포함하되 이에 국한되지 않는 1995년 증권민사소송개혁법의 "면책 조항"의 의미 내에서 미래 예측 진술입니다. 시장 기회를 포착하고 현재 또는 미래의 제품 개선, 신제품, 전략적 파트너십 및 고객 협력을 통해 잠재적인 이익을 실현하는 PBC의 능력입니다. 미래 예측 진술은 Planet Labs PBC 경영진의 신념과 가정, 현재 이용 가능한 정보를 기반으로 합니다. 이러한 진술은 미래의 사건과 결과에 대한 기대에 근거한 것이며 사실에 대한 진술이 아니기 때문에 실제 결과는 예상된 것과 실질적으로 다를 수 있습니다. 실제 결과가 현재 기대와 실질적으로 다를 수 있는 요인에는 Planet Labs PBC의 정기 보고서, 위임장 및 기타 공개 자료에 포함된 Planet Labs PBC 및 해당 사업에 대한 위험 요인 및 기타 공개가 포함되지만 이에 국한되지는 않습니다. SEC(증권거래위원회)와 시간을 맞춰 온라인으로 확인하실 수 있습니다. www.sec.gov및 Planet Labs PBC 웹사이트(www.planet.com)에서 확인할 수 있습니다. 모든 미래 예측 진술은 해당 진술이 작성된 날짜 현재 Planet Labs PBC의 신념과 가정을 반영합니다. Planet Labs PBC는 미래의 사건이나 상황을 반영하기 위해 미래 예측 진술을 업데이트할 의무가 없습니다.
저자 소개
리디아 리후이 장 Planet Labs PBC의 비즈니스 개발 전문가로서 다양한 분야와 수많은 사용 사례에 걸쳐 지구 환경 개선을 위한 공간 연결을 돕고 있습니다. 이전에는 농업 중심 솔루션인 McKinsey ACRE에서 데이터 과학자로 근무했습니다. 그녀는 MIT 기술 정책 프로그램에서 우주 정책에 중점을 두고 이학 석사 학위를 취득했습니다. 지리공간 데이터와 이것이 비즈니스 및 지속 가능성에 미치는 광범위한 영향은 그녀의 경력 초점이었습니다.
만시 샤 예술적 엄격함과 기술적 호기심이 충돌하는 공간을 탐구하는 소프트웨어 엔지니어, 데이터 과학자, 음악가입니다. 그녀는 데이터(예: 예술!)가 삶을 모방한다고 믿으며 숫자와 메모 뒤에 숨은 심오한 인간 이야기에 관심이 있습니다.
시옹 저우 AWS의 수석 응용 과학자입니다. 그는 Amazon SageMaker 지리 공간적 기능에 대한 과학 팀을 이끌고 있습니다. 현재 그의 연구 분야에는 컴퓨터 비전과 효율적인 모델 훈련이 포함됩니다. 여가 시간에는 달리기, 농구, 가족과 함께 시간을 보내는 것을 즐깁니다.
야노슈 보쉬츠 지리 공간 AI/ML을 전문으로 하는 AWS의 수석 솔루션 아키텍트입니다. 15년 이상의 경험을 바탕으로 그는 지리공간 데이터를 활용하는 혁신적인 솔루션을 위해 AI 및 ML을 활용하여 전 세계 고객을 지원합니다. 그의 전문 지식은 기계 학습, 데이터 엔지니어링, 확장 가능한 분산 시스템에 걸쳐 있으며, 소프트웨어 엔지니어링에 대한 탄탄한 배경과 자율 주행과 같은 복잡한 영역의 산업 전문 지식으로 강화되었습니다.
시탈 다칼 샌프란시스코 베이 지역에 기반을 둔 SageMaker 지리공간 ML 팀의 선임 프로그램 관리자입니다. 그는 원격탐사 및 지리정보시스템(GIS)에 대한 배경 지식을 갖고 있습니다. 그는 고객의 문제점을 이해하고 이를 해결하기 위한 지리공간 제품을 구축하는 데 열정을 쏟고 있습니다. 여가 시간에는 하이킹, 여행, 테니스를 즐깁니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :있다
- :이다
- :아니
- :어디
- $UP
- 1
- 10
- 100
- 14
- 15년
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- 능력
- 할 수 있는
- 소개
- 가속
- ACCESS
- 정확한
- 정확히
- 달성
- 획득한
- 에이커
- 가로질러
- 행동
- 행위
- 실제
- 실제로
- 적응
- 조정
- 영향을
- 에 영향을 미치는
- 후
- 농업
- 농업
- AI
- AI / ML
- All
- 배당
- 수
- 허용
- 혼자
- 따라
- 또한
- 이기는하지만
- 아마존
- 아마존 세이지 메이커
- Amazon SageMaker 지리 공간
- 아마존 세이지 메이커 스튜디오
- Amazon Web Services
- an
- 분석
- 분석하다
- 및
- 연간
- 다른
- 어떤
- 어딘가에
- API
- 어플리케이션
- 어플리케이션
- 적용된
- 신청
- 기록 보관소
- 있군요
- 지역
- 지역
- 배열
- 예술적인
- AS
- 질문
- 평가하다
- 평가
- 평가
- 유산
- 지원
- 관련
- 가정
- At
- 증강 된
- 자발적인
- 유효성
- 가능
- 평균
- 피하기
- 기다리다
- AWS
- 뒤로
- 배경
- 잔액
- 밴드
- 밴드의
- 바
- 기반으로
- 기초
- 농구
- 만
- BE
- 때문에
- 된
- 처음
- 뒤에
- 존재
- 신념
- 생각
- 혜택
- 더 나은
- 개량
- 사이에
- 그 너머
- 블로그
- 파란색
- 흐림
- 두
- 바닥
- 경계
- 경계
- 다리
- 가져
- 더 넓은
- 빌드
- 건물
- 내장
- 묶음
- 사업
- 사업 개발
- 비자 면제 프로그램에 해당하는 국가의 시민권을 가지고 있지만
- by
- CA
- 캘리포니아
- CAN
- 기능
- 투자
- 포착
- 캡처
- 채용
- 케이스
- 사례 연구
- 가지 경우
- 원인
- 발생
- 어떤
- 체인
- 이전 단계로 돌아가기
- 변경
- 변경
- 특성
- 상황
- 수업
- 수업
- 분류
- 분류 한
- 청소관련
- 선명한
- 명확하게
- CLF
- 클라이언트
- 기후
- 기후 변화
- 자세히
- 클라우드
- 암호
- 협업
- 수집
- 충돌
- COM
- 결합
- 결합 된
- 결합
- 왔다
- 제공
- 위원회
- 공통의
- 일반적으로
- 회사
- 비교적
- 비교
- 비교
- 비교
- 복잡한
- 컴퓨터
- 컴퓨터 비전
- 행위
- 연결하기
- 일관된
- 구성
- 포함
- 이 포함되어 있습니다
- 문맥
- 계속
- 변하게 하다
- 변환
- 좌표의
- 핵심
- 수정
- 동
- 수
- 군
- 엄호
- 적용 범위
- 피복
- 만들
- 만든
- 만들기
- 창조
- 기준
- 작물
- 작물
- 호기심
- Current
- 현재
- 고객
- 고객
- 매일
- 데이터
- 데이터 과학자
- 데이터 중심
- 데이터 세트
- 날짜
- 결정
- 깊이
- 밝히다
- 한정된
- 시연
- 의존하는
- 배포
- 파생
- 원하는
- 파괴
- 세부 묘사
- Detection System
- 결심
- 결정된
- 개발
- 개발자
- 개발자
- 개발
- 일탈
- 다르다
- 차이
- 다른
- 디지털
- 디지털 전환
- 직접
- 재앙
- 폭로
- 발견
- 발견
- 토론
- 거리
- 분산
- 분산 시스템
- 분포
- 선적 서류 비치
- 도메인
- 비둘기
- 다운로드
- 다운로드
- 드라이브
- 운전
- 드랍스
- 두
- ...동안
- 마다
- 이전
- 지구
- 용이하게
- 쉽게
- 유효한
- 효율성
- 효율적인
- 효율적으로
- 노력
- 중
- 능력을 키우다
- 가능
- 수
- 기사
- 엔지니어링
- 엔지니어
- 향상
- 충분히
- 높이다
- 확인
- 환경
- 환경
- 환경 지속 가능성
- 환경
- 특히
- 평가
- 이벤트
- 이벤트
- 증거
- 진화하는
- 검사
- 예
- 교환
- 현존하는
- 펼치기
- 기대
- 기대하는
- 경험
- 전문적 지식
- 탐험
- 탐구하다
- 드러난
- f1
- 사실
- 요인
- 그릇된
- 가족
- 농민
- 농업
- 빠른
- 특색
- 특징
- Feb
- 비료
- 를
- 들
- Fields
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 제출
- 필터링
- 최종적으로
- Find
- 발견
- 피오나
- 먼저,
- 맞게
- 함대
- 융통성있는
- 홍수
- 초점
- 초점
- 수행원
- 식품
- 럭셔리
- 앞으로
- 미래 지향적 인
- Foundation
- 시스코
- 에
- 기능
- 추가
- 미래
- 획득
- 갭
- 지리적 인
- 지리정보 ML
- 얻을
- 주기
- 주어진
- 글로벌
- 세계적으로
- 좋은
- 그래픽
- 매우
- 초록색
- 육로
- 성장하는
- 성장
- 손님
- 고객 포스트
- 손
- 발생
- 무슨 일이
- 있다
- 데
- he
- 건강
- 도움
- 도움이
- 도움이
- 그녀의
- 여기에서 지금 확인해 보세요.
- 여기
- 높은
- 고주파
- 높은 해상도
- 더 높은
- 강조
- 그의
- 역사적인
- 보유
- 방법
- How To
- 그러나
- HTML
- HTTP
- HTTPS
- 사람의
- i
- ID
- 식별
- 확인
- 식별하다
- 확인
- 식별
- if
- 영상
- 형상
- 광대 한
- 영향
- 중대한
- 개선
- 향상
- 개선
- in
- 기타의
- 포함
- 포함
- 포함
- 포함
- 통합
- 잘못
- 증가
- 증가
- 참으로
- 색인
- 표시
- 표시
- 산업
- 산업
- 정보
- 혁신적인
- 입력
- 입력
- 통찰력
- 영감
- 설치
- 설치
- 대화형
- 관심
- 관심있는
- 흥미있는
- 인터페이스
- 으로
- 조사
- IT
- 그
- 제니퍼
- JPG
- 유월
- 유지
- 키트(SDK)
- 지식
- 카일
- 실험실
- 땅
- 넓은
- 대규모
- 크게
- 늦은
- 시작
- 시작
- 리드
- 지도
- 오퍼
- 배우다
- 배우기
- 왼쪽 (left)
- 레버리지
- 도서관
- 생활
- 처럼
- 제한된
- 라인
- 명부
- 소송
- 위치한
- 보기
- 찾고
- 기계
- 기계 학습
- 매크로
- 만든
- 주로
- 확인
- 유튜브 영상을 만드는 것은
- 관리
- 구축
- 매니저
- .
- 지도
- 두드러진
- 시장
- 마스크
- 석사
- 어울리는
- 물질적으로
- 재료
- 사항
- 최고
- XNUMX월..
- 맥킨지
- 의미
- 방법
- 측정
- 조치들
- 측정
- 메타 데이터
- 방법
- 방법
- 메트릭
- 통계
- 최소화
- MIT
- 완화시키는
- ML
- 모델
- 모델
- 모니터
- 모니터링
- 배우기
- 가장
- 대개
- 많은
- 여러
- 음악가
- 절대로 필요한 것
- 무수한, 매우 많은
- 자연의
- 필요
- 필요
- 요구
- 부정
- 이웃
- 신제품
- 새로운 제품
- 아니
- 노이즈
- 수첩
- 노트
- 번호
- 숫자
- 다수의
- 객관적으로
- 의무
- 관찰
- 획득
- 십월
- of
- 제공
- 제공
- 자주
- on
- 온라인
- 만
- 열 수
- OpenCV
- 조작
- 기회
- 최적화
- or
- 주문
- 명령
- 조직
- 원래
- 기타
- 우리의
- 우리 것
- 요점
- 출력
- 위에
- 전체
- 자신의
- 고통
- 매개 변수
- 매개 변수
- 특별한
- 특별히
- 파트너스
- 협력
- 열렬한
- 패턴
- 수행
- 성능
- 수행
- 주기
- 물리적
- 선택
- 픽셀
- 행성
- 계획
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연주
- 전철기
- 정책
- 긍정적인
- 가능한
- 게시하다
- 가능성
- 잠재적으로
- 힘
- 강한
- 사례
- 정확한
- Precision
- 예측
- 예측
- 예측
- 예측
- 선호하는
- Prepare
- 준비
- 제시
- 선물
- 시사
- 이전에
- 주로
- 일차
- 이전에
- 우선 순위
- 사설
- 문제
- 방법
- 처리됨
- 처리
- 생산
- 프로덕트
- 생산력
- 제품
- 심오하게
- 프로그램
- 돌출한
- 장래가 촉망되는
- 비율
- 제공
- 제공
- 제공
- 대리
- 공개적으로
- 펄스
- 목적
- Python
- 정량적 인
- 빠른
- 빨리
- 범위
- 실현
- 빨간색
- 감소
- 수정하다
- 반영
- 개혁
- 지방
- 지역
- 보도 자료
- 관련된
- 구조
- 먼
- 제거
- 통계 보고서
- 보고서
- 대리인
- 의뢰
- 연구
- 의지
- 제품 자료
- 결과
- 결과
- return
- 공개
- 계시
- 풍부한
- 연락해주세요
- 위험
- 위험 요소
- 위험
- 강
- 도로
- 달리기
- 달리는
- 새크라멘토
- 현자
- 같은
- 산
- 샌프란시스코
- 위성
- 위성
- 확장성
- 장면
- 장면
- 계획들
- 과학
- 과학자
- 과학자
- 사이 킷 학습
- 점수
- SDK
- 검색
- 계절
- SEC
- 부문
- 증권
- 증권 거래위원회
- 보안
- 보안 위험
- 참조
- 분할
- 세그먼트
- 선택된
- 선택
- 연장자
- 별도의
- 봉사하다
- 서비스
- 세트
- 설정
- 해결하다
- 몇몇의
- 그녀
- 표시
- 표시
- 비슷한
- 단순, 간단, 편리
- 이후
- 단일
- 크기
- 작은
- 소프트웨어
- 소프트웨어 개발
- 소프트웨어 개발 키트
- 소프트웨어 엔지니어
- 소프트웨어 공학
- 흙
- 해결책
- 솔루션
- 풀다
- 일부
- 출처
- 지우면 좋을거같음 . SM
- 스페이스 버튼
- 공간
- 스팬
- 공간의
- 언어
- 전문가
- 전문
- 명세서
- 명세서
- 스펙트럼의
- 지출
- 이해 관계자
- 이해 관계자
- 스타트
- 시작
- 주 정부
- 문
- Status
- 단계
- 이야기
- 전략의
- 전략적 파트너십
- 전략들
- 스트레스
- 강한
- 스튜디오
- 교육과정
- 가입
- 성공한
- 성공적으로
- 이러한
- SUPPORT
- 지원
- 표면
- 설문조사
- 지속 가능성
- 지속가능한
- 체계
- 시스템은
- 받아
- 촬영
- 복용
- 팀
- 테크니컬
- 기법
- Technology
- test
- 성서
- 지원
- 보다
- 그
- XNUMXD덴탈의
- 지역
- 국가
- 세계
- 그들의
- 그들
- 그때
- 그곳에.
- 따라서
- Bowman의
- 그들
- 일
- 이
- 그
- 을 통하여
- 시간
- 시대
- 에
- 수단
- 검색을
- 상단
- 에 대한
- 선로
- Train
- 훈련 된
- 트레이닝
- 변환
- 변환
- 변환
- 여행
- 나무
- 트렌드
- 참된
- 진실
- 시도
- 두
- 유형
- 밑에 있는
- 이해
- 맡다
- 잠금 해제
- 까지
- 곧 출시
- 업데이트
- us
- 사용
- 익숙한
- 사용자
- 사용
- 사용
- 보통
- 사용
- 가치 있는
- 가치
- 마케팅은:
- 여러
- 거대한
- 대단히
- 를 통해
- 시력
- 방문
- 심상
- 시각
- 음량
- 취약
- 기다리다
- 필요
- 였다
- 낭비
- 물
- we
- 웹
- 웹 서비스
- 웹 사이트
- 잘
- 했다
- 이므로
- 여부
- 어느
- 동안
- 누구
- 누구의
- 넓은
- 넓은 범위
- 과
- 이내
- 없이
- 말
- 작업
- 워크플로우
- 워크 플로우
- 일하는
- 세계
- 겠지
- 쓴
- X
- year
- 년
- 수율
- 자신의
- 제퍼 넷
- 줌