Deze gastpost is mede geschreven door Lydia Lihui Zhang, Business Development Specialist, en Mansi Shah, Software Engineer/Data Scientist, bij Planet Labs. De analyse die dit bericht inspireerde werd oorspronkelijk geschreven door Jennifer Reiber Kyle.
Amazon SageMaker georuimtelijke mogelijkheden gecombineerd met PlaneetDe satellietgegevens van het bedrijf kunnen worden gebruikt voor de segmentatie van gewassen, en er zijn talloze toepassingen en potentiële voordelen van deze analyse op het gebied van landbouw en duurzaamheid. Eind 2023, Planet kondigde een partnerschap aan met AWS om zijn georuimtelijke gegevens beschikbaar te maken via Amazon Sage Maker.
Gewassegmentatie is het proces waarbij een satellietbeeld wordt opgesplitst in gebieden met pixels, of segmenten, die vergelijkbare gewaskenmerken hebben. In dit bericht illustreren we hoe u een machine learning-model (ML) voor segmentatie kunt gebruiken om bijsnijd- en niet-bijsnijdgebieden in een afbeelding te identificeren.
Het identificeren van gewasregio's is een belangrijke stap in de richting van het verkrijgen van landbouwinzichten, en de combinatie van rijke geospatiale gegevens en ML kan leiden tot inzichten die beslissingen en acties aansturen. Bijvoorbeeld:
- Het nemen van datagestuurde landbouwbeslissingen – Door een beter ruimtelijk inzicht in de gewassen te krijgen, kunnen boeren en andere belanghebbenden in de landbouw het gebruik van hulpbronnen, van water tot kunstmest en andere chemicaliën, gedurende het seizoen optimaliseren. Dit legt de basis voor het verminderen van afval, het waar mogelijk verbeteren van duurzame landbouwpraktijken en het verhogen van de productiviteit terwijl de impact op het milieu wordt geminimaliseerd.
- Het identificeren van klimaatgerelateerde spanningen en trends – Omdat de klimaatverandering de mondiale temperatuur- en regenvalpatronen blijft beïnvloeden, kan gewassegmentatie worden gebruikt om gebieden te identificeren die kwetsbaar zijn voor klimaatgerelateerde stress voor klimaatadaptatiestrategieën. Satellietbeeldarchieven kunnen bijvoorbeeld worden gebruikt om veranderingen in een gewasteeltgebied in de loop van de tijd te volgen. Dit kunnen de fysieke veranderingen in omvang en verdeling van akkerlanden zijn. Het kunnen ook de veranderingen in bodemvocht, bodemtemperatuur en biomassa zijn, afgeleid van de verschillende spectrale indexen van satellietgegevens, voor diepere analyses van de gewasgezondheid.
- Schade beoordelen en beperken – Ten slotte kan gewassegmentatie worden gebruikt om bij een natuurramp snel en nauwkeurig gebieden met gewasschade te identificeren, wat kan helpen bij het prioriteren van hulpinspanningen. Na een overstroming kunnen bijvoorbeeld satellietbeelden met hoge snelheid worden gebruikt om gebieden te identificeren waar gewassen zijn ondergedompeld of vernietigd, waardoor hulporganisaties getroffen boeren sneller kunnen helpen.
In deze analyse gebruiken we een K-neast neighbours (KNN)-model om gewassegmentatie uit te voeren, en we vergelijken deze resultaten met ground-truth-beelden van een landbouwregio. Uit onze resultaten blijkt dat de classificatie van het KNN-model nauwkeuriger representatief is voor de toestand van het huidige gewasveld in 2017 dan de ground-truth-classificatiegegevens uit 2015. Deze resultaten zijn een bewijs van de kracht van Planet's geospatiale beelden met hoge frequentie. Landbouwvelden veranderen vaak, soms meerdere keren per seizoen, en het beschikbaar hebben van hoogfrequente satellietbeelden om dit land te observeren en analyseren kan van enorme waarde zijn voor ons begrip van landbouwgrond en snel veranderende omgevingen.
Het partnerschap van Planet en AWS op het gebied van geospatiale ML
SageMaker georuimtelijke mogelijkheden geef datawetenschappers en ML-ingenieurs de mogelijkheid om modellen te bouwen, trainen en implementeren met behulp van georuimtelijke gegevens. Met de geospatiale mogelijkheden van SageMaker kunt u grootschalige geospatiale datasets efficiënt transformeren of verrijken, de modelbouw versnellen met vooraf getrainde ML-modellen en modelvoorspellingen en geospatiale gegevens verkennen op een interactieve kaart met behulp van 3D-versnelde graphics en ingebouwde visualisatietools. Met de geospatiale mogelijkheden van SageMaker kunt u grote datasets met satellietbeelden en andere geospatiale gegevens verwerken om nauwkeurige ML-modellen te creëren voor verschillende toepassingen, waaronder gewassegmentatie, die we in dit bericht bespreken.
Planeet Labs PBC is een toonaangevend bedrijf voor aardafbeeldingen dat zijn grote vloot satellieten gebruikt om dagelijks beelden van het aardoppervlak vast te leggen. De gegevens van Planet zijn daarom een waardevolle bron voor geospatiale ML. De satellietbeelden met hoge resolutie kunnen worden gebruikt om verschillende gewaskenmerken en hun gezondheid in de loop van de tijd, waar dan ook op aarde, te identificeren.
Dankzij de samenwerking tussen Planet en SageMaker kunnen klanten eenvoudig toegang krijgen tot de hoogfrequente satellietgegevens van Planet en deze analyseren met behulp van de krachtige ML-tools van AWS. Datawetenschappers kunnen hun eigen data meenemen of gemakkelijk de data van Planet vinden en zich daarop abonneren zonder van omgeving te wisselen.
Segmentatie bijsnijden in een Amazon SageMaker Studio-notebook met een georuimtelijke afbeelding
In dit voorbeeld van een geospatiale ML-workflow bekijken we hoe we de gegevens van Planet samen met de ground-truth-gegevensbron in SageMaker kunnen brengen, en hoe we een gewassegmentatiemodel kunnen trainen, afleiden en inzetten met een KNN-classificator. Ten slotte beoordelen we de nauwkeurigheid van onze resultaten en vergelijken we deze met onze ground-truth-classificatie.
De gebruikte KNN-classificator was getraind in een Amazon SageMaker Studio-notebook met een geospatial image, en biedt een flexibele en uitbreidbare notebookkernel voor het werken met georuimtelijke gegevens.
De Amazon SageMaker Studio Notebook met georuimtelijke afbeelding wordt vooraf geïnstalleerd met veelgebruikte georuimtelijke bibliotheken zoals GDAL, Fiona, GeoPandas, Shapely en Rasterio, waarmee de visualisatie en verwerking van georuimtelijke gegevens rechtstreeks binnen een Python-notebookomgeving mogelijk is. Gemeenschappelijke ML-bibliotheken zoals OpenCV of scikit-learn worden ook gebruikt om gewassegmentatie uit te voeren met behulp van KNN-classificatie, en deze worden ook in de geospatiale kernel geïnstalleerd.
Gegevensselectie
Het landbouwveld waarop we inzoomen ligt in het doorgaans zonnige Sacramento County in Californië.
Waarom Sacramento? De gebieds- en tijdselectie voor dit soort problemen wordt in de eerste plaats bepaald door de beschikbaarheid van grondwaarheidsgegevens, en dergelijke gegevens over gewastypes en grensgegevens zijn niet eenvoudig te verkrijgen. De 2015 Sacramento County Land Use DWR Survey-dataset is een openbaar beschikbare dataset over Sacramento County in dat jaar en biedt met de hand aangepaste grenzen.
De belangrijkste satellietbeelden die we gebruiken zijn de 4-bands van de planeet PSScene-product, die de blauwe, groene, rode en bijna-IR-banden bevat en radiometrisch gecorrigeerd is voor de straling bij de sensor. De coëfficiënten voor het corrigeren van de reflectie bij de sensor zijn opgenomen in de metagegevens van de scène, waardoor de consistentie tussen beelden die op verschillende tijdstippen zijn gemaakt verder wordt verbeterd.
Planet's Dove-satellieten die deze beelden produceerden, werden op 14 februari 2017 gelanceerd (persbericht), daarom hebben ze Sacramento County in 2015 niet in beeld gebracht. Sinds de lancering maken ze echter dagelijks beelden van het gebied. In dit voorbeeld nemen we genoegen met de imperfecte kloof van twee jaar tussen de grondwaarheidsgegevens en de satellietbeelden. Landsat 2-beelden met een lagere resolutie hadden echter tussen 8 en 2015 als brug kunnen dienen.
Toegang tot Planet-gegevens
Om gebruikers te helpen sneller nauwkeurige en bruikbare gegevens te verkrijgen, heeft Planet ook de Planet Software Development Kit (SDK) voor Python ontwikkeld. Dit is een krachtig hulpmiddel voor datawetenschappers en ontwikkelaars die willen werken met satellietbeelden en andere georuimtelijke gegevens. Met deze SDK kunt u Planet's uitgebreide verzameling satellietbeelden met hoge resolutie doorzoeken en openen, evenals gegevens uit andere bronnen zoals OpenStreetMap. De SDK biedt een Python-client voor de API's van Planet, evenals een opdrachtregelinterface (CLI) zonder code, waardoor het eenvoudig wordt om satellietbeelden en georuimtelijke gegevens in Python-workflows op te nemen. In dit voorbeeld wordt de Python-client gebruikt om afbeeldingen te identificeren en te downloaden die nodig zijn voor de analyse.
U kunt de Planet Python-client in het SageMaker Studio-notebook met georuimtelijke afbeelding installeren met behulp van een eenvoudige opdracht:
U kunt de client gebruiken om relevante satellietbeelden op te vragen en een lijst met beschikbare resultaten op te halen op basis van het interessegebied, het tijdsbereik en andere zoekcriteria. In het volgende voorbeeld beginnen we met de vraag hoeveel PlanetScope-scènes (De dagelijkse beelden van Planet) bestrijken hetzelfde interessegebied (AOI) dat we eerder hebben gedefinieerd via de grondgegevens in Sacramento, gegeven een bepaald tijdsbereik tussen 1 juni en 1 oktober 2017; evenals een bepaald gewenst maximaal bewolkingsbereik van 10%:
De geretourneerde resultaten tonen het aantal overeenkomende scènes dat overlapt met ons interessegebied. Het bevat ook de metagegevens van elke scène, de afbeeldings-ID en een voorbeeldafbeeldingsreferentie.
Nadat een bepaalde scène is geselecteerd, met specificatie van de scène-ID, het itemtype en de productbundels (referentiedocumentatie), kunt u de volgende code gebruiken om de afbeelding en de metagegevens ervan te downloaden:
Deze code downloadt het bijbehorende satellietbeeld naar de Amazon elastisch bestandssysteem (Amazon EFS)-volume voor SageMaker Studio.
Modeltraining
Nadat de gegevens zijn gedownload met de Planet Python-client, kan het segmentatiemodel worden getraind. In dit voorbeeld wordt een combinatie van KNN-classificatie en afbeeldingssegmentatietechnieken gebruikt om het bijsnijdgebied te identificeren en gegeorefereerde geojson-functies te creëren.
De Planet-gegevens worden geladen en voorbewerkt met behulp van de ingebouwde geospatiale bibliotheken en tools in SageMaker om deze voor te bereiden op het trainen van de KNN-classificator. De grondwaarheidsgegevens voor training zijn de Sacramento County Land Use DWR Survey-dataset uit 2015, en de Planet-gegevens uit 2017 worden gebruikt voor het testen van het model.
Converteer grondwaarheidskenmerken naar contouren
Om de KNN-classificator te trainen, wordt de klasse van elke pixel als een van beide gebruikt crop
or non-crop
moet worden geïdentificeerd. De klasse wordt bepaald door het feit of de pixel al dan niet is geassocieerd met een bijsnijdkenmerk in de grondwaarheidsgegevens. Om deze bepaling te maken, worden de grondwaarheidsgegevens eerst omgezet in OpenCV-contouren, die vervolgens worden gebruikt om te scheiden crop
oppompen van non-crop
pixels. De pixelwaarden en hun classificatie worden vervolgens gebruikt om de KNN-classificator te trainen.
Om de grondwaarheidskenmerken om te zetten in contouren, moeten de kenmerken eerst worden geprojecteerd op het coördinatenreferentiesysteem van het beeld. Vervolgens worden de kenmerken omgezet in beeldruimte en uiteindelijk omgezet in contouren. Om de nauwkeurigheid van de contouren te garanderen, worden ze als overlay op de invoerafbeelding gevisualiseerd, zoals weergegeven in het volgende voorbeeld.
Om de KNN-classificator te trainen, worden bijsnijd- en niet-bijsnijdpixels gescheiden met behulp van de contouren van het bijsnijdelement als masker.
De invoer van de KNN-classificator bestaat uit twee datasets: X, een 2D-array die de kenmerken levert waarop moet worden geclassificeerd; en y, een 1d-array die de klassen levert (voorbeeld). Hier wordt één geclassificeerde band gemaakt op basis van de niet-bijgesneden en bijgesneden gegevenssets, waarbij de waarden van de band de pixelklasse aangeven. De band en de onderliggende beeldpixelbandwaarden worden vervolgens geconverteerd naar de X- en y-ingangen voor de classifier-fitfunctie.
Train de classificatie voor bijsnijd- en niet-bijsnijdpixels
De KNN-classificatie wordt uitgevoerd met de scikit-learn KNeighboursClassifier. Het aantal buren, een parameter die de prestaties van de schatter sterk beïnvloedt, wordt afgestemd met behulp van kruisvalidatie in KNN-kruisvalidatie. De classificator wordt vervolgens getraind met behulp van de voorbereide datasets en het afgestemde aantal buurparameters. Zie de volgende code:
Om de prestaties van de classificator op basis van de invoergegevens te beoordelen, wordt de pixelklasse voorspeld met behulp van de pixelbandwaarden. De prestaties van de classificator zijn voornamelijk gebaseerd op de nauwkeurigheid van de trainingsgegevens en de duidelijke scheiding van de pixelklassen op basis van de invoergegevens (pixelbandwaarden). De parameters van de classificator, zoals het aantal buren en de afstandswegingsfunctie, kunnen worden aangepast om eventuele onnauwkeurigheden in deze laatste te compenseren. Zie de volgende code:
Evalueer modelvoorspellingen
De getrainde KNN-classificator wordt gebruikt om gewasregio's in de testgegevens te voorspellen. Deze testgegevens bestaan uit regio's die tijdens de training niet aan het model zijn blootgesteld. Met andere woorden: het model heeft voorafgaand aan de analyse geen kennis van het gebied en daarom kunnen deze gegevens worden gebruikt om de prestaties van het model objectief te evalueren. We beginnen met het visueel inspecteren van verschillende regio's, te beginnen met een regio die relatief luidruchtiger is.
Uit de visuele inspectie blijkt dat de voorspelde klassen grotendeels consistent zijn met de grondwaarheidsklassen. Er zijn een paar afwijkingen, die we verder inspecteren.
Bij verder onderzoek ontdekten we dat een deel van de ruis in dit gebied te wijten was aan het ontbreken van de details in de grondwaarheidsgegevens die aanwezig zijn in het geclassificeerde beeld (rechtsboven vergeleken met linksboven en linksonder). Een bijzonder interessante bevinding is dat de classificator bomen langs de rivier identificeert als non-crop
, terwijl de grondwaarheidsgegevens ze ten onrechte identificeren als crop
. Dit verschil tussen deze twee segmenten kan te wijten zijn aan het feit dat de bomen de regio boven de gewassen in de schaduw stellen.
Hierna inspecteren we een andere regio die tussen de twee methoden anders was geclassificeerd. Deze gemarkeerde regio's waren eerder gemarkeerd als niet-gewasgebieden in de grondwaarheidsgegevens in 2015 (rechtsboven), maar veranderden en werden in 2017 duidelijk weergegeven als akkerland via de Planetscope-scènes (linksboven en linksonder). Ze werden ook grotendeels geclassificeerd als akkerland via de classificator (rechtsonder).
Opnieuw zien we dat de KNN-classificator een gedetailleerder resultaat oplevert dan de grondwaarheidsklasse, en ook met succes de veranderingen vastlegt die plaatsvinden in het akkerland. Dit voorbeeld spreekt ook over de waarde van dagelijks vernieuwde satellietgegevens, omdat de wereld vaak veel sneller verandert dan jaarverslagen, en een gecombineerde methode met ML als deze kan ons helpen de veranderingen op te pikken zodra ze zich voordoen. Het kunnen volgen en ontdekken van dergelijke veranderingen via satellietgegevens, vooral in de evoluerende landbouwgebieden, biedt nuttige inzichten voor boeren om hun werk te optimaliseren en voor alle belanghebbenden in de landbouwsector in de waardeketen om een beter beeld van het seizoen te krijgen.
Modelevaluatie
De visuele vergelijking van de afbeeldingen van de voorspelde klassen met de grondwaarheidsklassen kan subjectief zijn en kan niet worden gegeneraliseerd voor het beoordelen van de nauwkeurigheid van de classificatieresultaten. Om een kwantitatieve beoordeling te verkrijgen, verkrijgen we classificatiemetrieken met behulp van scikit-learn's classification_report
functie:
De pixelclassificatie wordt gebruikt om een segmentatiemasker van bijsnijdgebieden te creëren, waardoor zowel precisie wordt verkregen als belangrijke statistieken worden opgeroepen, en de F1-score een goede algemene maatstaf voor het voorspellen van nauwkeurigheid. Onze resultaten geven ons statistieken voor zowel gewas- als niet-gewasregio's in de trein- en testdataset. Laten we, om het simpel te houden, deze statistieken eens nader bekijken in de context van de gewasregio's in de testgegevensset.
Precisie is een maatstaf voor hoe nauwkeurig de positieve voorspellingen van ons model zijn. In dit geval geeft een nauwkeurigheid van 0.94 voor gewasregio's aan dat ons model zeer succesvol is in het correct identificeren van gebieden die inderdaad gewasregio's zijn, waarbij valse positieven (werkelijke niet-gewasregio's ten onrechte geïdentificeerd als gewasregio's) worden geminimaliseerd. Recall meet daarentegen de volledigheid van positieve voorspellingen. Met andere woorden: met de herinnering wordt het aandeel feitelijke positieven gemeten dat correct werd geïdentificeerd. In ons geval betekent een terugroepwaarde van 0.73 voor bijsnijdgebieden dat 73% van alle ware bijsnijdgebiedpixels correct worden geïdentificeerd, waardoor het aantal fout-negatieven wordt geminimaliseerd.
Idealiter wordt de voorkeur gegeven aan hoge waarden van zowel precisie als herinnering, hoewel dit grotendeels afhankelijk kan zijn van de toepassing van de casestudy. Als we deze resultaten bijvoorbeeld zouden onderzoeken voor boeren die landbouwgebieden voor de landbouw willen identificeren, zouden we de voorkeur willen geven aan een hogere terugroepactie dan aan precisie, om het aantal fout-negatieven te minimaliseren (gebieden die zijn geïdentificeerd als niet-gewasregio's die zijn feitelijk landbouwgebieden) om het land optimaal te benutten. De F1-score dient als een algemene nauwkeurigheidsmetriek die zowel precisie als herinnering combineert en de balans tussen de twee metrieken meet. Een hoge F1-score, zoals die van ons voor gewasgebieden (0.82), duidt op een goede balans tussen zowel precisie als herinnering en een hoge algemene classificatienauwkeurigheid. Hoewel de F1-score tussen de trein- en testdatasets daalt, wordt dit verwacht omdat de classificator op de treindataset is getraind. Een algehele gewogen gemiddelde F1-score van 0.77 is veelbelovend en voldoende genoeg om segmentatieschema's op de geclassificeerde gegevens uit te proberen.
Maak een segmentatiemasker van de classificatie
Het maken van een segmentatiemasker met behulp van de voorspellingen van de KNN-classificator op de testdataset omvat het opschonen van de voorspelde uitvoer om kleine segmenten te vermijden die worden veroorzaakt door beeldruis. Om spikkelruis te verwijderen, gebruiken we de OpenCV mediaan vervagingsfilter. Met dit filter blijven de wegafbakeningen tussen gewassen beter behouden dan bij de morfologische open werking.
Om binaire segmentatie toe te passen op de ruisvrije uitvoer, moeten we eerst de geclassificeerde rastergegevens converteren naar vectorobjecten met behulp van de OpenCV vindContouren functie.
Ten slotte kunnen de daadwerkelijke gesegmenteerde gewasgebieden worden berekend met behulp van de gesegmenteerde gewascontouren.
De gesegmenteerde gewasregio's geproduceerd door de KNN-classificator maken nauwkeurige identificatie van gewasregio's in de testdataset mogelijk. Deze gesegmenteerde regio's kunnen voor verschillende doeleinden worden gebruikt, zoals identificatie van veldgrenzen, gewasmonitoring, schatting van de opbrengst en toewijzing van middelen. De behaalde F1-score van 0.77 is goed en bewijst dat de KNN-classifier een effectief hulpmiddel is voor gewassegmentatie in teledetectiebeelden. Deze resultaten kunnen worden gebruikt om de technieken voor gewassegmentatie verder te verbeteren en te verfijnen, wat mogelijk kan leiden tot een grotere nauwkeurigheid en efficiëntie bij de gewasanalyse.
Conclusie
Dit bericht liet zien hoe je de combinatie van kunt gebruiken Planeet hoge cadans, satellietbeelden met hoge resolutie en SageMaker georuimtelijke mogelijkheden om gewassegmentatieanalyses uit te voeren, waardoor waardevolle inzichten worden ontsloten die de landbouwefficiëntie, ecologische duurzaamheid en voedselzekerheid kunnen verbeteren. Het nauwkeurig identificeren van gewasregio's maakt verdere analyse mogelijk van de groei en productiviteit van gewassen, monitoring van veranderingen in landgebruik en detectie van potentiële risico's voor de voedselveiligheid.
Bovendien biedt de combinatie van Planet-data en SageMaker een breed scala aan gebruiksscenario's die verder gaan dan gewassegmentatie. De inzichten kunnen alleen al in de landbouw datagestuurde beslissingen mogelijk maken over gewasbeheer, toewijzing van hulpbronnen en beleidsplanning. Met verschillende data- en ML-modellen zou het gecombineerde aanbod ook kunnen worden uitgebreid naar andere industrieën en gebruik kunnen maken van cases in de richting van digitale transformatie, duurzaamheidstransformatie en beveiliging.
Om de geospatiale mogelijkheden van SageMaker te gaan gebruiken, zie Ga aan de slag met de geospatiale mogelijkheden van Amazon SageMaker.
Ga voor meer informatie over de beeldspecificaties van Planet en referentiemateriaal voor ontwikkelaars naar Planet Ontwikkelaarscentrum. Voor documentatie over de SDK van Planet voor Python, zie Planet SDK voor Python. Ga voor meer informatie over Planet, inclusief de bestaande dataproducten en aankomende productreleases, naar https://www.planet.com/.
Toekomstgerichte verklaringen van Planet Labs PBC
Met uitzondering van de historische informatie die hierin is opgenomen, zijn de zaken die in deze blogpost worden uiteengezet toekomstgerichte verklaringen in de zin van de “veilige haven”-bepalingen van de Private Securities Litigation Reform Act van 1995, inclusief, maar niet beperkt tot, Planet Labs Het vermogen van PBC om marktkansen te benutten en de potentiële voordelen van huidige of toekomstige productverbeteringen, nieuwe producten of strategische partnerschappen en samenwerking met klanten te realiseren. Toekomstgerichte verklaringen zijn gebaseerd op de overtuigingen van het management van Planet Labs PBC, evenals op aannames gemaakt door, en op informatie die momenteel voor hen beschikbaar is. Omdat dergelijke verklaringen gebaseerd zijn op verwachtingen met betrekking tot toekomstige gebeurtenissen en resultaten en geen feitelijke verklaringen zijn, kunnen de werkelijke resultaten wezenlijk verschillen van de geprojecteerde resultaten. Factoren die ervoor kunnen zorgen dat de werkelijke resultaten wezenlijk verschillen van de huidige verwachtingen omvatten, maar zijn niet beperkt tot, de risicofactoren en andere openbaarmakingen over Planet Labs PBC en haar activiteiten die zijn opgenomen in de periodieke rapporten, proxyverklaringen en ander openbaarmakingsmateriaal van Planet Labs PBC die van tijd tot tijd zijn ingediend. op tijd met de Securities and Exchange Commission (SEC), die online beschikbaar zijn op www.sec.goven op de website van Planet Labs PBC op www.planet.com. Alle toekomstgerichte verklaringen weerspiegelen uitsluitend de overtuigingen en veronderstellingen van Planet Labs PBC op de datum waarop dergelijke verklaringen worden gedaan. Planet Labs PBC is niet verplicht om toekomstgerichte verklaringen bij te werken om toekomstige gebeurtenissen of omstandigheden weer te geven.
Over de auteurs
Lydia Lihui Zhang is de Business Development Specialist bij Planet Labs PBC, waar ze helpt ruimte te verbinden voor de verbetering van de aarde in verschillende sectoren en een groot aantal gebruiksscenario's. Voorheen was ze datawetenschapper bij McKinsey ACRE, een op de landbouw gerichte oplossing. Ze heeft een Master of Science van het MIT Technology Policy Program, met de nadruk op ruimtevaartbeleid. Georuimtelijke data en de bredere impact ervan op het bedrijfsleven en duurzaamheid zijn de focus van haar carrière geweest.
Mansi Sjah is een software-ingenieur, datawetenschapper en muzikant wiens werk de ruimtes verkent waar artistieke nauwkeurigheid en technische nieuwsgierigheid samenkomen. Ze gelooft dat data (net als kunst!) het leven imiteert en is geïnteresseerd in de diepmenselijke verhalen achter de cijfers en notities.
Xiong Zhou is een Senior Applied Scientist bij AWS. Hij leidt het wetenschapsteam voor de geospatiale mogelijkheden van Amazon SageMaker. Zijn huidige onderzoeksgebied omvat computer vision en efficiënte modeltraining. In zijn vrije tijd houdt hij van hardlopen, basketbal spelen en tijd doorbrengen met zijn gezin.
Janosch Woschitz is een Senior Solutions Architect bij AWS, gespecialiseerd in geospatiale AI/ML. Met meer dan 15 jaar ervaring ondersteunt hij klanten wereldwijd bij het inzetten van AI en ML voor innovatieve oplossingen die profiteren van georuimtelijke gegevens. Zijn expertise omvat machine learning, data-engineering en schaalbare gedistribueerde systemen, aangevuld met een sterke achtergrond in software-engineering en industriële expertise in complexe domeinen zoals autonoom rijden.
Shital Dhakal is een Sr. Programmamanager bij het SageMaker geospatial ML-team gevestigd in de San Francisco Bay Area. Hij heeft een achtergrond in teledetectie en Geografisch Informatiesysteem (GIS). Hij heeft een passie voor het begrijpen van de pijnpunten van klanten en het bouwen van geospatiale producten om deze op te lossen. In zijn vrije tijd houdt hij van wandelen, reizen en tennissen.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- : heeft
- :is
- :niet
- :waar
- $UP
- 1
- 10
- 100
- 14
- 15 jaar
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- vermogen
- in staat
- Over
- versnellen
- toegang
- nauwkeurigheid
- accuraat
- nauwkeurig
- bereikt
- verworven
- acre
- over
- Handelen
- acties
- daadwerkelijk
- werkelijk
- aanpassing
- gecorrigeerd
- invloed hebben op
- die van invloed
- Na
- agrarisch
- landbouw
- AI
- AI / ML
- Alles
- toewijzing
- toelaten
- Het toestaan
- alleen
- langs
- ook
- Hoewel
- Amazone
- Amazon Sage Maker
- Amazon SageMaker georuimtelijk
- Amazon SageMaker Studio
- Amazon Web Services
- an
- analyse
- analyseren
- en
- jaar-
- Nog een
- elke
- overal
- APIs
- Aanvraag
- toepassingen
- toegepast
- Solliciteer
- archief
- ZIJN
- GEBIED
- gebieden
- reeks
- artistiek
- AS
- vragen
- schatten
- Het beoordelen
- beoordeling
- aanwinst
- helpen
- geassocieerd
- veronderstellingen
- At
- aangevuld
- autonoom
- beschikbaarheid
- Beschikbaar
- gemiddelde
- vermijd
- wachten
- AWS
- terug
- achtergrond
- Balance
- BAND
- band's
- bars
- gebaseerde
- basis
- Basketbal
- Baai
- BE
- omdat
- geweest
- Begin
- achter
- wezen
- overtuigingen
- gelooft
- betekent
- Betere
- Verbetering
- tussen
- Verder
- Blog
- Blauw
- vervagen
- zowel
- Onder
- grenzen
- grens
- BRUG
- brengen
- bredere
- bouw
- Gebouw
- ingebouwd
- bundels
- bedrijfsdeskundigen
- zakelijke ontwikkeling
- maar
- by
- CA
- Californië
- CAN
- mogelijkheden
- kapitaliseren
- vangen
- captures
- Carrière
- geval
- case study
- gevallen
- Veroorzaken
- veroorzaakt
- zeker
- keten
- verandering
- veranderd
- Wijzigingen
- kenmerken
- situatie
- klasse
- klassen
- classificatie
- geklasseerd
- Schoonmaak
- duidelijk
- duidelijk
- CLF
- klant
- Klimaat
- Klimaatverandering
- dichterbij
- Cloud
- code
- samenwerkingen
- Collectie
- in botsing komen
- COM
- combinatie van
- gecombineerde
- combineren
- hoe
- komt
- commissie
- Gemeen
- algemeen
- afstand
- vergelijkenderwijs
- vergelijken
- vergeleken
- vergelijking
- complex
- computer
- Computer visie
- Gedrag
- Verbinden
- consequent
- bestaat uit
- bevatte
- bevat
- verband
- blijft
- converteren
- geconverteerd
- coördineren
- Kern
- gecorrigeerd
- Overeenkomend
- kon
- provincie
- deksel
- dekking
- aan het bedekken
- en je merk te creëren
- aangemaakt
- Wij creëren
- het aanmaken
- criteria
- gewas
- gewassen
- nieuwsgierigheid
- Actueel
- Op dit moment
- klant
- Klanten
- dagelijks
- gegevens
- data scientist
- Gegevensgestuurde
- datasets
- Datum
- beslissingen
- diepere
- bepalen
- gedefinieerd
- gedemonstreerd
- afhankelijk
- implementeren
- Afgeleid
- gewenste
- vernietigd
- detail
- Opsporing
- bepaling
- vastbesloten
- ontwikkelde
- Ontwikkelaar
- ontwikkelaars
- Ontwikkeling
- afwijking
- verschillen
- verschil
- anders
- digitaal
- Digitale Transformatie
- direct
- ramp
- onthulling
- Onthul Nu
- ontdekt
- bespreken
- afstand
- verdeeld
- gedistribueerde systemen
- distributie
- documentatie
- domeinen
- duif
- Download
- downloads
- rit
- aandrijving
- Drops
- twee
- gedurende
- elk
- Vroeger
- aarde
- gemakkelijk
- En het is heel gemakkelijk
- effectief
- doeltreffendheid
- doeltreffend
- efficiënt
- inspanningen
- beide
- machtigen
- in staat stellen
- maakt
- ingenieur
- Engineering
- Ingenieurs
- uitbreidingen
- genoeg
- verrijken
- verzekeren
- Milieu
- milieu
- Ecologische Duurzaamheid
- omgevingen
- vooral
- schatten
- Event
- EVENTS
- bewijzen
- evoluerende
- Onderzoeken
- voorbeeld
- uitwisseling
- bestaand
- Uitvouwen
- verwachtingen
- verwacht
- ervaring
- expertise
- Verken
- verkent
- blootgestelde
- f1
- feit
- factoren
- vals
- familie
- boeren
- landbouw
- sneller
- Kenmerk
- Voordelen
- Februari
- meststof
- weinig
- veld-
- Velden
- Dien in
- ingediend
- filter
- Tot slot
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- het vinden van
- fiona
- Voornaam*
- geschikt
- VLOOT
- flexibel
- overstroming
- Focus
- gericht
- volgend
- eten
- Voor
- voort
- toekomstgericht
- Foundation
- Francisco
- oppompen van
- functie
- verder
- toekomst
- met het verkrijgen van
- kloof
- geografisch
- Georuimtelijke ML
- krijgen
- Geven
- gegeven
- Globaal
- Wereldwijd
- goed
- grafiek
- sterk
- Groen
- Ground
- Groeiend
- Gast
- Gast Bericht
- hand
- gebeuren
- Happening
- Hebben
- met
- he
- Gezondheid
- hulp
- nuttig
- helpt
- haar
- hier
- hierin
- Hoge
- Hoge frequentie
- hoge-resolutie
- hoger
- Gemarkeerd
- zijn
- historisch
- houdt
- Hoe
- How To
- Echter
- HTML
- http
- HTTPS
- menselijk
- i
- ID
- Identificatie
- geïdentificeerd
- identificeert
- identificeren
- het identificeren van
- if
- beeld
- afbeeldingen
- onmetelijk
- Impact
- belangrijk
- verbeteren
- verbetert
- het verbeteren van
- in
- Anders
- omvatten
- inclusief
- omvat
- Inclusief
- nemen
- onjuist
- meer
- meer
- inderdaad
- index
- aangeven
- geeft aan
- industrieën
- -industrie
- informatie
- innovatieve
- invoer
- ingangen
- inzichten
- geinspireerd
- installeren
- geïnstalleerd
- interactieve
- belang
- geïnteresseerd
- interessant
- Interface
- in
- onderzoek
- IT
- HAAR
- Jennifer
- jpg
- juni
- Houden
- Pakket (SDK)
- kennis
- kyle
- Labs
- Land
- Groot
- grootschalig
- grotendeels
- Laat
- lancering
- gelanceerd
- leiden
- leidend
- Leads
- LEARN
- leren
- links
- leveraging
- bibliotheken
- Life
- als
- Beperkt
- Lijn
- Lijst
- Procesvoering
- gelegen
- Kijk
- op zoek
- machine
- machine learning
- Macro
- gemaakt
- voornamelijk
- maken
- maken
- beheer
- management
- manager
- veel
- kaart
- gemarkeerd
- Markt
- maskeren
- meester
- matching
- wezenlijk
- materieel
- Zaken
- maximaal
- Mei..
- McKinsey
- betekenis
- middel
- maatregel
- maatregelen
- het meten van
- Metadata
- methode
- methoden
- metriek
- Metriek
- minimaliseren
- MIT
- verzachtende
- ML
- model
- modellen
- monitor
- Grensverkeer
- meer
- meest
- meestal
- veel
- meervoudig
- Muzikant
- Dan moet je
- veelvoud
- Naturel
- Noodzaak
- nodig
- behoeften
- negatieven
- buren
- New
- nieuwe producten
- geen
- Geluid
- notitieboekje
- Opmerkingen
- aantal
- nummers
- vele
- objectief
- verplichting
- waarnemen
- verkrijgen
- oktober
- of
- het aanbieden van
- Aanbod
- vaak
- on
- online.
- Slechts
- open
- OpenCV
- operatie
- kansen
- Optimaliseer
- or
- bestellen
- orders
- organisaties
- oorspronkelijk
- Overige
- onze
- dragen
- outlines
- uitgang
- over
- totaal
- het te bezitten.
- Pijn
- parameter
- parameters
- bijzonder
- vooral
- Samenwerking
- partnerships
- hartstochtelijk
- patronen
- Uitvoeren
- prestatie
- uitgevoerd
- periodiek
- Fysiek
- kiezen
- pixel
- vliegtuig
- planning
- Plato
- Plato gegevensintelligentie
- PlatoData
- spelen
- punten
- beleidsmaatregelen
- positief
- mogelijk
- Post
- potentieel
- mogelijk
- energie
- krachtige
- praktijken
- nauwkeurig
- precisie
- voorspellen
- voorspeld
- het voorspellen van
- Voorspellingen
- bij voorkeur
- Voorbereiden
- bereid
- presenteren
- cadeautjes
- Voorbeschouwing
- die eerder
- in de eerste plaats
- primair
- Voorafgaand
- prioriteren
- privaat
- probleem
- Verwerkt
- verwerking
- geproduceerd
- Product
- produktiviteit
- Producten
- diep
- Programma
- geprojecteerde
- veelbelovend
- proportie
- zorgen voor
- mits
- biedt
- volmacht
- in het openbaar
- pols
- doeleinden
- Python
- kwantitatief
- Quick
- snel
- reeks
- realiseren
- Rood
- vermindering
- verfijnen
- reflecteren
- hervorming
- regio
- regio
- Releases
- relevante
- verlichting
- vanop
- verwijderen
- Rapportage
- Rapporten
- vertegenwoordiger
- te vragen
- onderzoek
- hulpbron
- Resources
- resultaat
- Resultaten
- terugkeer
- onthullen
- onthult
- Rijk
- rechts
- Risico
- risicofactoren
- risico's
- Rivier
- weg
- lopen
- lopend
- Sacramento
- sagemaker
- dezelfde
- heilige
- San Francisco
- satelliet
- satellieten
- schaalbare
- scène
- Scenes
- regelingen
- Wetenschap
- Wetenschapper
- wetenschappers
- scikit-leren
- partituur
- sdk
- Ontdek
- Seizoen
- SEC
- Sectoren
- Effecten
- Securities and Exchange Commission
- veiligheid
- veiligheidsrisico's
- zien
- segmentatie
- segmenten
- gekozen
- selectie
- senior
- apart
- bedient
- Diensten
- reeks
- Sets
- vestigen
- verscheidene
- ze
- tonen
- getoond
- gelijk
- Eenvoudig
- sinds
- single
- Maat
- Klein
- Software
- software development
- software ontwikkelingspakket
- Software Engineer
- software engineering
- bodem
- oplossing
- Oplossingen
- OPLOSSEN
- sommige
- bron
- bronnen
- Tussenruimte
- ruimten
- overspanningen
- ruimtelijke
- spreekt
- specialist
- gespecialiseerd
- specificatie
- specificaties
- Spectraal
- Uitgaven
- stakeholders
- stakeholders
- begin
- gestart
- Land
- verklaringen
- Status
- Stap voor
- Blog
- strategisch
- Strategic Partnerships
- strategieën
- spanning
- sterke
- studio
- Studie
- abonneren
- geslaagd
- Met goed gevolg
- dergelijk
- ondersteuning
- steunen
- Oppervlak
- Enquête
- Duurzaamheid
- duurzaam
- system
- Systems
- Nemen
- ingenomen
- het nemen
- team
- Technisch
- technieken
- Technologie
- proef
- testament
- Testen
- neem contact
- dat
- De
- De omgeving
- De Staat
- de wereld
- hun
- Ze
- harte
- Er.
- daarom
- Deze
- ze
- spullen
- dit
- die
- Door
- niet de tijd of
- keer
- naar
- tools
- tools
- top
- in de richting van
- spoor
- Trainen
- getraind
- Trainingen
- Transformeren
- Transformatie
- getransformeerd
- Reizend
- Bomen
- Trends
- waar
- waarheid
- proberen
- twee
- type dan:
- die ten grondslag liggen
- begrip
- onderneemt
- ontgrendelen
- tot
- komende
- bijwerken
- us
- .
- gebruikt
- gebruikers
- toepassingen
- gebruik
- doorgaans
- gebruikt
- waardevol
- waarde
- Values
- divers
- groot
- zeer
- via
- visie
- Bezoek
- visualisatie
- visueel
- volume
- Kwetsbaar
- wachten
- willen
- was
- Afval
- Water
- we
- web
- webservices
- Website
- GOED
- waren
- terwijl
- of
- welke
- en
- WIE
- waarvan
- breed
- Grote range
- Met
- binnen
- zonder
- woorden
- Mijn werk
- workflow
- workflows
- werkzaam
- wereld
- zou
- geschreven
- X
- jaar
- jaar
- Opbrengst
- You
- zephyrnet
- zoom