세계는 지정학적 갈등, 공급망 중단, 기후 변화의 결과로 전 세계 식량 부족 위험이 증가하고 있습니다. 동시에 인구 증가와 영양 및 단백질이 풍부한 식품에 초점을 맞춘 식단 변화로 인해 전반적인 수요가 증가하고 있습니다. 초과 수요를 충족하기 위해 농부들은 앞서 나가기 위해 정밀 농업 기술을 사용하여 농작물 수확량을 극대화하고 대규모 운영을 효과적으로 관리해야 합니다.
역사적으로 농부들은 물려받은 지식, 시행 착오, 비규범적 농업 조언에 의존하여 결정을 내렸습니다. 주요 결정에는 어떤 작물을 심을지, 얼마나 많은 비료를 적용할지, 해충을 방제하는 방법, 수확 시기 등이 포함됩니다. 그러나 식량에 대한 수요가 증가하고 수확량을 극대화해야 할 필요성이 대두됨에 따라 농부들은 물려받은 지식 외에도 더 많은 정보가 필요합니다. 원격 감지, IoT 및 로봇 공학과 같은 혁신적인 기술은 농부들이 과거의 의사 결정을 넘어서도록 도울 수 있는 잠재력을 가지고 있습니다. 실시간에 가까운 인사이트를 기반으로 한 데이터 기반 의사 결정을 통해 농민들은 증가하는 식량 수요에 따른 격차를 좁힐 수 있습니다.
농부들은 전통적으로 장비 및 수확량 데이터를 기록하거나 현장 관찰을 기록하여 운영에서 수동으로 데이터를 수집했지만, AWS의 농업 데이터 플랫폼 구축자는 농부들이 신뢰할 수 있는 농업 고문과 함께 작업하여 해당 데이터를 대규모로 사용할 수 있도록 지원합니다. 작은 밭과 작업을 통해 농부는 보다 쉽게 전체 밭을 보고 작물에 영향을 미치는 문제를 찾을 수 있습니다. 그러나 넓은 밭과 농장에 대해 자주 각 밭을 정찰하는 것은 불가능하며 성공적인 위험 완화를 위해서는 대규모 통찰력을 가져올 수 있는 통합 농업 데이터 플랫폼이 필요합니다. 이러한 플랫폼은 농부가 시각화 및 분석 응용 프로그램에서 사용하기 위해 여러 소스의 정보를 통합하여 데이터를 이해하도록 돕습니다. 위성 이미지, 토양 데이터, 날씨 및 지형 데이터를 포함한 지리 공간 데이터는 파종, 양분 적용 및 수확 작업 중에 농업 장비에서 수집한 데이터와 함께 계층화됩니다. 향상된 지리 공간 데이터 분석, 고급 데이터 시각화 및 AWS 기술을 통한 워크플로 자동화를 통해 통찰력을 확보함으로써 농부는 문제가 발생하는 밭과 농작물의 특정 영역을 식별하고 농작물과 운영을 보호하기 위한 조치를 취할 수 있습니다. 이러한 시의적절한 통찰력은 농부들이 신뢰할 수 있는 농업 경제학자와 더 잘 협력하여 더 많이 생산하고, 환경에 미치는 영향을 줄이고, 수익성을 개선하고, 다음 세대를 위해 토지 생산성을 유지하는 데 도움이 됩니다.
이 게시물에서는 다음에서 생성된 예측을 사용하는 방법을 살펴봅니다. Amazon SageMaker 지리 공간 기능 농업 데이터 플랫폼의 사용자 인터페이스로. 또한 소프트웨어 개발 팀이 원격 감지 알고리즘, 클라우드 마스킹(위성 이미지 내 구름 자동 감지) 및 자동화된 이미지 처리 파이프라인을 포함한 고급 기계 학습(ML) 기반 통찰력을 농경 데이터 플랫폼에 추가하는 방법에 대해 논의합니다. 이러한 추가 기능을 함께 사용하면 농업 경제학자, 소프트웨어 개발자, ML 엔지니어, 데이터 과학자 및 원격 감지 팀이 농부에게 확장 가능하고 가치 있는 의사 결정 지원 시스템을 제공할 수 있습니다. 이 게시물은 또한 예제 종단간 노트북을 제공하고 GitHub 저장소 ML 기반 농장 필드 분할 및 농업을 위한 사전 훈련된 지리 공간 모델을 포함하여 SageMaker 지리 공간 기능을 시연합니다.
농경 데이터 플랫폼에 지리 공간 통찰력 및 예측 추가
위성 이미지와 결합된 확립된 수학적 및 농경학적 모델을 통해 시간이 지남에 따라 위성 이미지로 작물의 건강과 상태를 픽셀 단위로 시각화할 수 있습니다. 그러나 이러한 확립된 모델은 이미지 품질을 저하시키는 구름이나 기타 대기 간섭에 의해 방해받지 않는 위성 이미지에 대한 액세스가 필요합니다. 각 처리된 이미지에서 구름을 식별하고 제거하지 않으면 예측과 통찰력이 크게 부정확해지고 농경 데이터 플랫폼이 농부의 신뢰를 잃게 됩니다. 농경 데이터 플랫폼 공급자는 일반적으로 다양한 지역에 걸쳐 수천 개의 농장으로 구성된 고객에게 서비스를 제공하기 때문에 농경 데이터 플랫폼에는 추가 처리 또는 분석 제공 전에 각 위성 이미지 내에서 구름 또는 기타 대기 문제를 분석, 식별 및 필터링하기 위한 컴퓨터 비전 및 자동화 시스템이 필요합니다. 고객에게.
위성 이미지에서 구름과 대기 문제를 감지하는 ML 컴퓨터 비전 모델을 개발, 테스트 및 개선하는 것은 농업 데이터 플랫폼 구축자에게 과제를 제시합니다. 첫째, 위성 이미지를 수집하기 위한 데이터 파이프라인을 구축하려면 시간, 소프트웨어 개발 리소스 및 IT 인프라가 필요합니다. 각 위성 이미지 공급자는 서로 크게 다를 수 있습니다. 위성은 종종 다양한 공간 해상도로 이미지를 수집합니다. 해상도는 픽셀당 미터에서 픽셀당 센티미터로 측정되는 초고해상도 이미지까지 다양합니다. 또한 각 위성은 서로 다른 다중 스펙트럼 대역으로 이미지를 수집할 수 있습니다. 일부 밴드는 철저한 테스트를 거쳤으며 식물 발달 및 건강 지표와 강한 상관 관계를 보여주고 다른 밴드는 농업과 관련이 없을 수 있습니다. 위성 별자리는 지구상의 같은 지점을 다른 속도로 재방문합니다. 작은 성좌는 매주 또는 그 이상 필드를 다시 방문할 수 있으며 더 큰 성좌는 같은 지역을 하루에 여러 번 다시 방문할 수 있습니다. 이러한 위성 이미지와 주파수의 차이는 API 기능과 기능의 차이로 이어집니다. 이러한 차이점이 결합되면 농경 데이터 플랫폼이 복잡한 수집 방법론으로 여러 데이터 파이프라인을 유지 관리해야 할 수도 있음을 의미합니다.
둘째, 이미지가 수집되어 원격 감지 팀, 데이터 과학자 및 농업 경제학자가 사용할 수 있게 된 후 이러한 팀은 액세스, 처리 및 각 이미지 내의 각 영역을 흐림으로 표시하는 시간 소모적인 프로세스에 참여해야 합니다. 다양한 지역에 수천 개의 필드가 분산되어 있고 필드당 여러 개의 위성 이미지가 있으므로 레이블 지정 프로세스는 상당한 시간이 소요될 수 있으며 비즈니스 확장, 새로운 고객 필드 또는 새로운 이미지 소스를 고려하여 지속적으로 교육을 받아야 합니다.
ML용 Sentinel 위성 이미지 및 데이터에 대한 통합 액세스
원격 감지 ML 모델 개발을 위해 SageMaker 지리 공간 기능을 사용하고 AWS 데이터 교환 편리하게 이용할 수 있는 공공 아마존 단순 스토리지 서비스 (Amazon S3) 버킷, AWS의 농경 데이터 플랫폼 구축자는 목표를 더 빠르고 쉽게 달성할 수 있습니다. S3 버킷에는 항상 Sentinel-1 및 Sentinel-2의 최신 위성 이미지가 있습니다. Amazon 지속 가능성 데이터 이니셔티브 위성 이미지에 대한 자동 내장 액세스를 제공합니다.
다음 다이어그램은이 아키텍처를 보여줍니다.
SageMaker 지리 공간 기능에는 토지 사용 분류 및 클라우드 마스킹과 같은 내장된 사전 훈련된 심층 신경망 모델과 위성 이미지, 지도, AWS 및 타사의 위치 데이터를 포함한 지리 공간 데이터 소스의 통합 카탈로그가 포함됩니다. 통합 지리 공간 데이터 카탈로그를 통해 SageMaker 지리 공간 고객은 복잡한 데이터 수집 파이프라인 개발의 부담을 제거하는 위성 이미지 및 기타 지리 공간 데이터 세트에 더 쉽게 액세스할 수 있습니다. 이 통합 데이터 카탈로그는 시간 통계, 리샘플링, 모자이크 및 역 지오코딩과 같은 목적에 맞게 구축된 작업을 통해 자체 모델 구축과 대규모 지리 공간 데이터 세트의 처리 및 강화를 가속화할 수 있습니다. Amazon S3에서 이미지를 쉽게 수집하고 클라우드를 자동으로 식별하고 각 Sentinel-2 위성 이미지에 점수를 매기는 SageMaker 지리 공간적 사전 훈련된 ML 모델을 사용하는 기능을 사용하면 원격 감지, 농경학 및 데이터 과학 팀을 참여시켜 수집, 처리 및 처리할 필요가 없습니다. 흐린 지역으로 수천 개의 위성 이미지에 수동으로 레이블을 지정합니다.
SageMaker 지리 공간 기능은 관심 영역(AOI) 및 관심 시간(TOI)을 정의하고, Open Data Exchange S3 버킷 아카이브 내에서 요청을 충족하는 지리 공간 교차가 있는 이미지를 검색하고, 트루 컬러 이미지를 반환하는 기능을 지원합니다. NDVI(Normalized Difference Vegetation Index), 구름 감지 및 점수, 토지피복. NDVI는 엽록소 양과 광합성 활동량 측정값을 새롭게 가공해 색으로 구분한 영상으로 시각화해 작물의 건전성을 파악하기 위해 위성영상과 함께 사용하는 공통 지표다.
SageMaker 지리 공간 기능 사용자는 사전 구축된 NDVI 인덱스를 사용하거나 자체적으로 개발할 수 있습니다. SageMaker 지리 공간 기능을 사용하면 데이터 과학자와 ML 엔지니어가 이전보다 적은 노력으로 지리 공간 데이터를 사용하여 더 빠르고 규모에 맞게 ML 모델을 더 쉽게 구축, 교육 및 배포할 수 있습니다.
농부와 농업 경제학자는 현장과 가정에서 통찰력에 빠르게 액세스해야 합니다.
처리된 이미지와 통찰력을 농부와 이해관계자에게 즉시 전달하는 것은 기업식 농업과 현장 의사 결정에 중요합니다. 중요한 시간대에 각 분야에서 작물 건강이 좋지 않은 영역을 식별하면 농부는 필요한 경우 비료, 제초제 및 살충제를 적용하여 위험을 완화하고 잠재적인 작물 보험 청구 영역을 식별할 수 있습니다. 농경 데이터 플랫폼은 웹 애플리케이션과 모바일 애플리케이션을 포함한 일련의 애플리케이션으로 구성되는 것이 일반적입니다. 이러한 응용 프로그램은 농부와 신뢰할 수 있는 이해 관계자가 집, 사무실 또는 현장에 있는 동안 각 현장과 이미지를 안전하게 검토할 수 있도록 직관적인 사용자 인터페이스를 제공합니다. 그러나 이러한 웹 및 모바일 애플리케이션은 API를 통해 처리된 이미지와 농업 통찰력을 소비하고 신속하게 표시해야 합니다.
아마존 API 게이트웨이 개발자가 대규모로 RESTful 및 WebSocket API를 쉽게 생성, 게시, 유지 관리, 모니터링 및 보호할 수 있습니다. 와 함께 API 게이트웨이, API 액세스 및 권한 부여는 AWS ID 액세스 관리 (IAM), 기본 OIDC 및 OAuth2 지원을 제공합니다. 아마존 코 그니 토. 아마존 코 그니 토 수백만 명의 사용자로 확장할 수 있는 페더레이션 옵션과 함께 보안 ID 저장소를 지원하는 비용 효율적인 고객 ID 및 액세스 관리(CIAM) 서비스입니다.
처리되지 않은 원시 위성 이미지는 매우 클 수 있으며 경우에 따라 이미지당 수백 메가바이트 또는 기가바이트가 될 수도 있습니다. 세계의 많은 농업 지역은 셀룰러 연결이 약하거나 전혀 없기 때문에 더 작은 형식과 필요한 대역폭을 제한하는 방식으로 이미지와 통찰력을 처리하고 제공하는 것이 중요합니다. 따라서 사용하여 AWS 람다 타일 서버를 배포하기 위해 성능을 저하시키는 훨씬 더 큰 파일 크기 및 유형과 달리 사용자에게 표시되는 현재 지도 보기를 기반으로 더 작은 크기의 GeoTIFF, JPEG 또는 기타 이미지 형식을 반환할 수 있습니다. Lambda 기능을 통해 배포된 타일 서버를 API 게이트웨이와 결합하여 웹 및 모바일 애플리케이션에 대한 요청을 관리함으로써 농부와 그들의 신뢰할 수 있는 이해 관계자는 대기 시간을 줄이면서 한 번에 하나 또는 수백 개의 필드에서 이미지 및 지리 공간 데이터를 소비하고 최적의 사용자를 얻을 수 있습니다. 경험.
SageMaker 지리 공간 기능은 풍부한 지리 공간 데이터 카탈로그에 쉽게 액세스하고, 데이터를 변환 및 보강하고, 목적에 맞게 구축된 모델을 교육 또는 사용하고, 예측을 위해 모델을 배포하고, 데이터를 시각화 및 탐색할 수 있는 직관적인 사용자 인터페이스를 통해 액세스할 수 있습니다. 통합지도 및 위성 이미지. SageMaker 지리 공간적 사용자 경험에 대한 자세한 내용은 다음을 참조하십시오. Xarvio가 Amazon SageMaker 지리 공간 기능을 사용하여 디지털 농업을 위한 공간 데이터 파이프라인을 가속화한 방법.
농업 데이터 플랫폼은 여러 계층의 데이터와 인사이트를 대규모로 제공합니다.
다음 예제 사용자 인터페이스는 농업 데이터 플랫폼 구축자가 SageMaker 지리 공간 기능이 제공하는 통찰력을 통합하는 방법을 보여줍니다.
이 예제 사용자 인터페이스는 농부와 농업 이해 관계자가 사용하는 일반적인 지형 공간 데이터 오버레이를 보여줍니다. 여기에서 소비자는 세 가지 개별 데이터 오버레이를 선택했습니다. 첫째, 2년 2020월에 찍은 기본 Sentinel-XNUMX 자연색 위성 이미지는 통합 SageMaker 지리 공간 데이터 카탈로그를 통해 제공됩니다. 이 이미지는 클라우드 커버를 식별하는 SageMaker 지형 공간 사전 교육 모델을 사용하여 필터링되었습니다. 두 번째 데이터 오버레이는 흰색 윤곽선으로 표시된 일련의 필드 경계입니다. 밭 경계는 일반적으로 농장 밭의 자연 지형을 반영하는 위도 및 경도 좌표의 다각형 또는 작물 계획 간에 구분되는 운영 경계입니다. 세 번째 데이터 오버레이는 NDVI(Normalized Difference Vegetation Index) 형식의 처리된 이미지 데이터입니다. 또한 NDVI 이미지는 각 필드 경계에 오버레이되고 NDVI 색상 분류 차트는 페이지 왼쪽에 표시됩니다.
다음 이미지는 클라우드 커버를 식별하는 SageMaker 사전 교육 모델을 사용한 결과를 보여줍니다.
이 이미지에서 모델은 위성 이미지 내의 구름을 식별하고 이미지 내의 각 구름 위에 노란색 마스크를 적용합니다. 추가 이미지 처리에서 마스킹된 픽셀(클라우드)을 제거함으로써 다운스트림 분석 및 제품은 정확도를 개선하고 농부와 신뢰할 수 있는 조언자에게 가치를 제공합니다.
셀룰러 커버리지가 열악한 지역에서 대기 시간을 줄이면 사용자 경험이 향상됩니다.
지리 공간 데이터 및 원격 감지 이미지를 평가할 때 대기 시간이 짧아야 할 필요성을 해결하기 위해 다음을 사용할 수 있습니다. 아마존 엘라스티캐시 Lambda를 통해 생성된 타일 요청에서 검색된 처리된 이미지를 캐시합니다. 요청된 이미지를 캐시 메모리에 저장하면 대기 시간이 더욱 줄어들고 이미지 요청을 다시 처리할 필요가 없습니다. 이를 통해 애플리케이션 성능을 개선하고 데이터베이스에 대한 부담을 줄일 수 있습니다. 왜냐하면 아마존 엘라스티캐시 캐싱 전략, 지역 간 복제 및 자동 확장을 위한 다양한 구성 옵션을 지원하므로 농경 데이터 플랫폼 공급자는 애플리케이션 요구 사항에 따라 신속하게 확장할 수 있으며 필요한 만큼만 비용을 지불함으로써 비용 효율성을 계속 달성할 수 있습니다.
결론
이 게시물은 지리 공간 데이터 처리, ML 지원 원격 감지 통찰력 구현, AWS에서 농경 데이터 플랫폼의 개발 및 향상을 간소화하고 간소화하는 방법에 중점을 두었습니다. SageMaker, Lambda, Amazon S3, Open Data Exchange 및 ElastiCache를 포함하여 AWS 서비스에서 농경 데이터 플랫폼 구축자가 목표를 달성하는 데 사용할 수 있는 몇 가지 방법과 서비스를 설명했습니다.
SageMaker 지리 공간 기능을 보여주는 종단 간 예제 노트북을 따르려면 다음에서 제공되는 예제 노트북에 액세스하십시오. GitHub 저장소. ML 세분화 모델을 통해 농업 분야를 식별하는 방법을 검토하거나 기존 SageMaker 지리 공간 모델 및 토지 사용 및 토지 피복 분류와 같은 지리 공간 작업에 대한 BYOM(Bring Your Own Model) 기능을 탐색할 수 있습니다. 종단 간 예제 노트북은 동반 게시물에서 자세히 설명합니다. Xarvio가 Amazon SageMaker Geospatial을 통해 디지털 농업을 위한 공간 데이터 파이프라인을 가속화한 방법.
농업 산업이 어떻게 AWS 클라우드를 사용하여 글로벌 식량 공급, 추적 가능성 및 지속 가능성 이니셔티브와 관련된 중요한 문제를 해결하고 있는지 자세히 알아보려면 저희에게 문의하십시오.
저자 소개
윌 콘래드 AWS의 농업 산업 솔루션 책임자입니다. 그는 고객이 기술을 사용하여 농부의 생계, 농업이 환경에 미치는 영향, 음식을 먹는 사람들의 소비자 경험을 개선하도록 돕는 데 열정적입니다. 여가 시간에는 물건을 수리하고 골프를 치며 네 자녀의 주문을 받습니다.
비셰시 아디카리 AWS 프로토타이핑 팀의 기계 학습 프로토타이핑 아키텍트입니다. 그는 AWS 고객과 협력하여 다양한 AI 및 기계 학습 사용 사례에 대한 솔루션을 구축하여 프로덕션으로의 여정을 가속화합니다. 여가 시간에는 하이킹, 여행, 가족 및 친구들과 시간을 보내는 것을 즐깁니다.
프리양카 마한칼리 전 세계 농업 고객을 위한 기술을 포함하여 산업 간 솔루션을 구축하는 데 5년 이상 AWS의 안내 솔루션 설계자입니다. 그녀는 최첨단 사용 사례를 전면에 내세우고 고객이 AWS에서 전략적 솔루션을 구축하도록 돕는 일에 열정적입니다.
론 오스본 AWS 글로벌 농업 기술 리드 – WWSO 및 수석 솔루션 설계자입니다. Ron은 AWS 농업 기업 고객 및 파트너가 안전하고 확장 가능하며 탄력적이고 탄력적이며 비용 효율적인 솔루션을 개발하고 배포하도록 돕는 데 주력하고 있습니다. Ron은 우주론 애호가이자 농업 기술 분야의 확고한 혁신가이며 비즈니스 혁신과 지속 가능한 성공을 위해 고객과 파트너를 포지셔닝하는 데 열정적입니다.
