Współautorami tego wpisu gościnnego są Lydia Lihui Zhang, specjalistka ds. rozwoju biznesu i Mansi Shah, inżynier oprogramowania/naukowiec ds. danych w Planet Labs. The analiza, która zainspirowała ten post został pierwotnie napisany przez Jennifer Reiber Kyle.
Możliwości geoprzestrzenne Amazon SageMaker w połączeniu PlanetaDane satelitarne można wykorzystać do segmentacji upraw, a analiza ta ma wiele zastosowań i potencjalnych korzyści w obszarach rolnictwa i zrównoważonego rozwoju. Pod koniec 2023 r. Planet ogłosił partnerstwo z AWS w celu udostępnienia swoich danych geoprzestrzennych Amazon Sage Maker.
Segmentacja kadrowania to proces dzielenia obrazu satelitarnego na obszary pikseli lub segmenty o podobnych cechach kadrowania. W tym poście pokazujemy, jak używać modelu uczenia maszynowego segmentacji (ML) do identyfikowania obszarów przyciętych i nieprzyciętych na obrazie.
Identyfikacja regionów upraw to kluczowy krok w kierunku uzyskania wiedzy o rolnictwie, a połączenie bogatych danych geoprzestrzennych i uczenia maszynowego może prowadzić do wniosków, które będą motywować do podejmowania decyzji i działań. Na przykład:
- Podejmowanie decyzji rolniczych w oparciu o dane – Zdobywając lepsze zrozumienie przestrzenne upraw, rolnicy i inne zainteresowane strony z branży rolniczej mogą zoptymalizować wykorzystanie zasobów, od wody, przez nawozy, po inne chemikalia w ciągu sezonu. Stanowi to podstawę do ograniczania ilości odpadów, ulepszania zrównoważonych praktyk rolniczych tam, gdzie to możliwe, oraz zwiększania produktywności przy jednoczesnej minimalizacji wpływu na środowisko.
- Identyfikacja napięć i trendów związanych z klimatem – Ponieważ zmiany klimatyczne w dalszym ciągu wpływają na globalną temperaturę i wzorce opadów, segmentację upraw można zastosować do identyfikacji obszarów podatnych na stres związany z klimatem w ramach strategii adaptacji do zmiany klimatu. Na przykład archiwa zdjęć satelitarnych można wykorzystać do śledzenia zmian w regionie upraw w czasie. Mogą to być fizyczne zmiany w wielkości i rozmieszczeniu pól uprawnych. Mogą to być również zmiany wilgotności gleby, temperatury gleby i biomasy, uzyskane na podstawie różnych indeksów widmowych danych satelitarnych, na potrzeby głębszej analizy stanu upraw.
- Ocena i łagodzenie szkód – Wreszcie, segmentację upraw można wykorzystać do szybkiej i dokładnej identyfikacji obszarów szkód w uprawach w przypadku klęski żywiołowej, co może pomóc w ustaleniu priorytetów działań ratowniczych. Na przykład po powodzi zdjęcia satelitarne o dużej częstotliwości można wykorzystać do identyfikacji obszarów, w których uprawy zostały zatopione lub zniszczone, co umożliwi organizacjom humanitarnym szybsze udzielenie pomocy poszkodowanym rolnikom.
W tej analizie używamy modelu K-najbliższych sąsiadów (KNN) do przeprowadzenia segmentacji upraw i porównujemy te wyniki z podstawowymi obrazami regionu rolniczego. Nasze wyniki pokazują, że klasyfikacja z modelu KNN dokładniej odzwierciedla stan obecnych pól uprawnych w 2017 r. niż dane z podstawowej klasyfikacji z 2015 r. Wyniki te świadczą o sile obrazów geoprzestrzennych o wysokiej częstotliwości wykonywanych przez Planet. Pola rolne zmieniają się często, czasem kilka razy w sezonie, a posiadanie zdjęć satelitarnych o wysokiej częstotliwości umożliwiających obserwację i analizę tych gruntów może wnieść ogromną wartość w naszą wiedzę na temat gruntów rolnych i szybko zmieniającego się środowiska.
Partnerstwo Planet i AWS w zakresie geoprzestrzennego uczenia maszynowego
Możliwości geoprzestrzenne SageMaker Daj badaczom danych i inżynierom ML możliwość budowania, trenowania i wdrażania modeli przy użyciu danych geoprzestrzennych. Możliwości geoprzestrzenne SageMaker pozwalają efektywnie przekształcać lub wzbogacać wielkoskalowe zbiory danych geoprzestrzennych, przyspieszać budowanie modeli za pomocą wstępnie wytrenowanych modeli uczenia maszynowego oraz eksplorować prognozy modeli i dane geoprzestrzenne na interaktywnej mapie przy użyciu grafiki z akceleracją 3D i wbudowanych narzędzi do wizualizacji. Dzięki możliwościom geoprzestrzennym SageMaker możesz przetwarzać duże zbiory danych zdjęć satelitarnych i innych danych geoprzestrzennych w celu tworzenia dokładnych modeli ML do różnych zastosowań, w tym do segmentacji upraw, którą omawiamy w tym poście.
Planet Labs PBC jest wiodącą firmą zajmującą się obrazowaniem Ziemi, która codziennie wykorzystuje swoją dużą flotę satelitów do wykonywania zdjęć powierzchni Ziemi. Dane planety są zatem cennym zasobem dla geoprzestrzennego uczenia się. Zdjęcia satelitarne o wysokiej rozdzielczości można wykorzystać do identyfikacji różnych cech upraw i ich stanu zdrowia w czasie, w dowolnym miejscu na Ziemi.
Współpraca pomiędzy firmami Planet i SageMaker umożliwia klientom łatwy dostęp i analizę danych satelitarnych o wysokiej częstotliwości firmy Planet przy użyciu potężnych narzędzi ML AWS. Analitycy danych mogą przynieść własne dane lub wygodnie znajdować i subskrybować dane Planet bez konieczności zmiany środowiska.
Segmentacja upraw w notatniku Amazon SageMaker Studio z obrazem geoprzestrzennym
W tym przykładowym procesie uczenia się geoprzestrzennego przyglądamy się, jak wprowadzić dane Planet wraz ze źródłem danych podstawowych do SageMaker oraz jak trenować, wnioskować i wdrażać model segmentacji upraw za pomocą klasyfikatora KNN. Na koniec oceniamy dokładność naszych wyników i porównujemy je z naszą podstawową klasyfikacją.
Zastosowany klasyfikator KNN został przeszkolony w: Notatnik Amazon SageMaker Studio z danymi geoprzestrzennymi image oraz zapewnia elastyczne i rozszerzalne jądro notebooka do pracy z danymi geoprzestrzennymi.
Połączenia Studio Amazon SageMaker notebook z obrazem geoprzestrzennym jest fabrycznie zainstalowany z powszechnie używanymi bibliotekami geoprzestrzennymi, takimi jak GDAL, Fiona, GeoPandas, Shapely i Rasterio, które umożliwiają wizualizację i przetwarzanie danych geoprzestrzennych bezpośrednio w środowisku notatników Python. Powszechnie stosowane biblioteki ML, takie jak OpenCV lub scikit-learn, są również wykorzystywane do przeprowadzania segmentacji upraw przy użyciu klasyfikacji KNN i są one również instalowane w jądrze geoprzestrzennym.
Wybór danych
Pole uprawne, które przybliżamy, znajduje się w zwykle słonecznym hrabstwie Sacramento w Kalifornii.
Dlaczego Sacramento? Wybór obszaru i czasu w przypadku tego typu problemu jest definiowany przede wszystkim na podstawie dostępności danych o ziemi, a takie dane dotyczące rodzaju upraw i danych dotyczących granic nie są łatwe do zdobycia. The Zbiór danych z badania DWR dotyczącego użytkowania gruntów w hrabstwie Sacramento w 2015 r to publicznie dostępny zbiór danych obejmujący hrabstwo Sacramento w tym roku i zapewniający ręcznie dostosowane granice.
Podstawowymi zdjęciami satelitarnymi, których używamy, są 4-pasmowe zdjęcia planety Produkt PSScene, który zawiera pasma niebieski, zielony, czerwony i bliską podczerwień i jest radiometrycznie korygowany do jasności czujnika. Współczynniki korygujące współczynnik odbicia czujnika są zawarte w metadanych sceny, co dodatkowo poprawia spójność między zdjęciami wykonanymi w różnym czasie.
Satelity Planet's Dove, które wykonały te zdjęcia, zostały wystrzelone 14 lutego 2017 r. (informacja prasowa), dlatego w 2015 r. nie robili zdjęć hrabstwa Sacramento. Jednak od czasu premiery codziennie wykonują zdjęcia tego obszaru. W tym przykładzie zadowalamy się niedoskonałą dwuletnią luką między danymi naziemnymi a zdjęciami satelitarnymi. Jednak zdjęcia z satelity Landsat 2 o niższej rozdzielczości mogły zostać wykorzystane jako pomost między rokiem 8 a 2015.
Uzyskaj dostęp do danych planety
Aby pomóc użytkownikom szybciej uzyskać dokładne i przydatne dane, firma Planet opracowała także zestaw Planet Software Development Kit (SDK) dla języka Python. Jest to potężne narzędzie dla analityków danych i programistów, którzy chcą pracować ze zdjęciami satelitarnymi i innymi danymi geoprzestrzennymi. Dzięki temu pakietowi SDK możesz przeszukiwać i uzyskiwać dostęp do ogromnej kolekcji zdjęć satelitarnych o wysokiej rozdzielczości firmy Planet, a także danych z innych źródeł, takich jak OpenStreetMap. Pakiet SDK zapewnia klienta Pythona dla interfejsów API Planet, a także rozwiązanie interfejsu wiersza poleceń (CLI) niewymagającego kodu, co ułatwia włączanie zdjęć satelitarnych i danych geoprzestrzennych do przepływów pracy w języku Python. W tym przykładzie zastosowano klienta Python do identyfikowania i pobierania obrazów potrzebnych do analizy.
Możesz zainstalować klienta Planet Python w notatniku SageMaker Studio z obrazem geoprzestrzennym za pomocą prostego polecenia:
Możesz użyć klienta do wyszukiwania odpowiednich zdjęć satelitarnych i pobierania listy dostępnych wyników na podstawie obszaru zainteresowania, zakresu czasu i innych kryteriów wyszukiwania. W poniższym przykładzie zaczynamy od pytania, ile Sceny z PlanetScope (Codzienne zdjęcia Planet) obejmują ten sam obszar zainteresowania (AOI), który zdefiniowaliśmy wcześniej na podstawie danych naziemnych w Sacramento, biorąc pod uwagę pewien zakres czasu od 1 czerwca do 1 października 2017 r.; a także pewien pożądany maksymalny zakres zachmurzenia wynoszący 10%:
Zwrócone wyniki pokazują liczbę pasujących scen pokrywających się z naszym obszarem zainteresowania. Zawiera także metadane każdej sceny, jej identyfikator obrazu i odniesienie do obrazu podglądu.
Po wybraniu konkretnej sceny wraz ze specyfikacją identyfikatora sceny, typu przedmiotu i pakietów produktów (dokumentacja referencyjna), możesz użyć następującego kodu, aby pobrać obraz i jego metadane:
Ten kod pobiera odpowiedni obraz satelitarny do pliku System plików Amazon Elastic (Amazon EFS) wolumin dla SageMaker Studio.
Szkolenie modelowe
Po pobraniu danych za pomocą klienta Planet Python można wytrenować model segmentacji. W tym przykładzie zastosowano kombinację klasyfikacji KNN i technik segmentacji obrazu w celu zidentyfikowania obszaru uprawy i utworzenia georeferencyjnych obiektów geojson.
Dane Planet są ładowane i wstępnie przetwarzane przy użyciu wbudowanych bibliotek geoprzestrzennych i narzędzi w SageMaker w celu przygotowania ich do uczenia klasyfikatora KNN. Podstawowe dane do szkolenia to zbiór danych z badania DWR Survey w hrabstwie Sacramento z 2015 r., a dane Planet z 2017 r. służą do testowania modelu.
Konwertuj podstawowe cechy prawdy na kontury
Aby wytrenować klasyfikator KNN, należy podać klasę każdego piksela crop
or non-crop
trzeba zidentyfikować. Klasa jest określana na podstawie tego, czy piksel jest powiązany z funkcją kadrowania w podstawowych danych, czy nie. Aby to ustalić, dane podstawowe są najpierw konwertowane na kontury OpenCV, które są następnie wykorzystywane do rozdzielania crop
od non-crop
pikseli. Wartości pikseli i ich klasyfikacja są następnie wykorzystywane do uczenia klasyfikatora KNN.
Aby przekształcić cechy prawdy gruntu w kontury, należy najpierw rzutować je na układ odniesienia współrzędnych obrazu. Następnie cechy przekształcane są w przestrzeń obrazu, a ostatecznie przekształcane w kontury. Aby zapewnić dokładność konturów, są one wizualizowane nałożone na obraz wejściowy, jak pokazano w poniższym przykładzie.
Aby wytrenować klasyfikator KNN, piksele przycięte i nieprzycięte są oddzielane przy użyciu konturów elementu przycinającego jako maski.
Dane wejściowe klasyfikatora KNN składają się z dwóch zbiorów danych: X, tablicy 2d zawierającej cechy, według których należy dokonać klasyfikacji; oraz y, tablica 1d zawierająca klasy (przykład). W tym przypadku na podstawie zbiorów danych niezwiązanych z uprawami i upraw tworzony jest pojedynczy sklasyfikowany pasmo, gdzie wartości pasma wskazują klasę pikseli. Pasmo i wartości pasm pikseli obrazu bazowego są następnie konwertowane na dane wejściowe X i y dla funkcji dopasowania klasyfikatora.
Trenuj klasyfikator na pikselach przyciętych i nieprzyciętych
Klasyfikację KNN przeprowadza się za pomocą scikit-learn KNeighborsClassifier. Liczba sąsiadów, parametr mający duży wpływ na wydajność estymatora, jest dostrajana za pomocą walidacji krzyżowej w ramach walidacji krzyżowej KNN. Klasyfikator jest następnie szkolony przy użyciu przygotowanych zbiorów danych i dostrojonej liczby parametrów sąsiadów. Zobacz następujący kod:
Aby ocenić wydajność klasyfikatora na danych wejściowych, klasę pikseli prognozuje się na podstawie wartości pasm pikseli. Działanie klasyfikatora opiera się głównie na dokładności danych uczących i wyraźnym oddzieleniu klas pikseli na podstawie danych wejściowych (wartości pasm pikseli). Parametry klasyfikatora, takie jak liczba sąsiadów i funkcja ważenia odległości, można dostosować, aby skompensować wszelkie niedokładności w tej ostatniej. Zobacz następujący kod:
Oceń przewidywania modelu
Wyszkolony klasyfikator KNN służy do przewidywania obszarów upraw w danych testowych. Te dane testowe składają się z regionów, które nie były narażone na działanie modelu podczas szkolenia. Innymi słowy, model nie posiada wiedzy o obszarze przed analizą i dlatego dane te można wykorzystać do obiektywnej oceny wydajności modelu. Zaczynamy od wizualnej kontroli kilku regionów, zaczynając od regionu, który jest stosunkowo głośniejszy.
Kontrola wizualna ujawnia, że przewidywane klasy są w większości zgodne z podstawowymi klasami prawdy. Istnieje kilka obszarów odchyleń, które dokładniej sprawdzamy.
Po dalszym badaniu odkryliśmy, że część szumu w tym regionie wynikała z braku szczegółów występujących na tajnym obrazie (w prawym górnym rogu w porównaniu z lewym górnym i lewym dolnym rogu). Szczególnie interesującym odkryciem jest to, że klasyfikator identyfikuje drzewa wzdłuż rzeki jako non-crop
, podczas gdy podstawowe dane błędnie identyfikują je jako crop
. Ta różnica między tymi dwiema segmentacjami może wynikać z tego, że drzewa zacieniają region nad uprawami.
Następnie sprawdzamy inny region, który został sklasyfikowany odmiennie w obu metodach. Te wyróżnione regiony były wcześniej oznaczone jako regiony nieuprawne w danych podstawowych w 2015 r. (na górze po prawej), ale uległy zmianie i zostały wyraźnie pokazane jako pola uprawne w 2017 r. w scenach Planetscope (lewy górny i lewy dolny róg). Zostały one również sklasyfikowane głównie jako grunty uprawne za pomocą klasyfikatora (prawy dolny róg).
Ponownie widzimy, że klasyfikator KNN zapewnia bardziej szczegółowe wyniki niż klasa prawdy gruntowej, a także skutecznie rejestruje zmiany zachodzące na polach uprawnych. Ten przykład również świadczy o wartości codziennie odświeżanych danych satelitarnych, ponieważ świat często zmienia się znacznie szybciej niż raporty roczne, a łączona metoda z taką metodą uczenia maszynowego może pomóc nam wychwycić zmiany na bieżąco. Możliwość monitorowania i odkrywania takich zmian za pomocą danych satelitarnych, szczególnie w zmieniających się polach uprawnych, zapewnia rolnikom przydatne informacje umożliwiające optymalizację ich pracy, a także wszystkim zainteresowanym stronom z branży rolniczej w łańcuchu wartości, aby uzyskać lepszy puls sezonu.
Ocena modelu
Wizualne porównanie obrazów przewidywanych klas z podstawowymi klasami prawdy może być subiektywne i nie można go uogólniać w celu oceny dokładności wyników klasyfikacji. Aby uzyskać ocenę ilościową, uzyskujemy metryki klasyfikacyjne za pomocą narzędzia scikit-learn classification_report
funkcjonować:
Klasyfikacja pikseli służy do tworzenia maski segmentacji obszarów przycięcia, zapewniając zarówno precyzję, jak i zapamiętywanie ważnych wskaźników, a wynik F1 jest dobrą ogólną miarą przewidywania dokładności. Nasze wyniki dostarczają nam metryk zarówno dla regionów uprawnych, jak i nieuprawnych, w zbiorze danych pociągowych i testowych. Aby jednak wszystko było proste, przyjrzyjmy się bliżej tym metrykom w kontekście obszarów upraw w testowym zbiorze danych.
Precyzja jest miarą dokładności pozytywnych przewidywań naszego modelu. W tym przypadku dokładność dla regionów upraw wynosząca 0.94 wskazuje, że nasz model bardzo skutecznie identyfikuje obszary, które w rzeczywistości są regionami upraw, przy czym zminimalizowane są fałszywe alarmy (rzeczywiste obszary nieuprawne błędnie zidentyfikowane jako obszary upraw). Recall natomiast mierzy kompletność pozytywnych przewidywań. Innymi słowy, wycofanie mierzy odsetek faktycznie pozytywnych wyników, które zostały prawidłowo zidentyfikowane. W naszym przypadku wartość przypomnienia wynosząca 0.73 dla obszarów przycięcia oznacza, że 73% wszystkich rzeczywistych pikseli zakresu przycięcia zostało poprawnie zidentyfikowanych, co minimalizuje liczbę fałszywych negatywów.
W idealnym przypadku preferowane są wysokie wartości zarówno precyzji, jak i przypominania, chociaż może to w dużej mierze zależeć od zastosowania studium przypadku. Na przykład, gdybyśmy badali te wyniki w przypadku rolników chcących zidentyfikować regiony upraw na potrzeby rolnictwa, chcielibyśmy preferować większą liczbę przypominań niż precyzję, aby zminimalizować liczbę fałszywie negatywnych wyników (obszary zidentyfikowane jako regiony nieuprawne, które są w rzeczywistości regionami upraw), aby jak najlepiej wykorzystać grunty. Wynik F1 służy jako ogólny miernik dokładności, łączący precyzję i przypominanie oraz mierzący równowagę między tymi dwoma wskaźnikami. Wysoki wynik F1, taki jak nasz dla regionów upraw (0.82), wskazuje na dobrą równowagę między precyzją i przypominaniem oraz wysoką ogólną dokładnością klasyfikacji. Chociaż wynik F1 spada między zbiorami danych pociągowych i testowych, jest to oczekiwane, ponieważ klasyfikator został przeszkolony na zbiorze danych pociągu. Ogólny średni ważony wynik F1 wynoszący 0.77 jest obiecujący i wystarczająco odpowiedni, aby wypróbować schematy segmentacji tajnych danych.
Utwórz maskę segmentacji na podstawie klasyfikatora
Utworzenie maski segmentacji przy użyciu przewidywań klasyfikatora KNN na testowym zbiorze danych polega na oczyszczeniu przewidywanych wyników w celu uniknięcia małych segmentów spowodowanych szumem obrazu. Aby usunąć szum plamkowy, używamy OpenCV medianowy filtr rozmycia. Filtr ten lepiej zachowuje wytyczenia dróg pomiędzy uprawami niż operacja otwarcia morfologicznego.
Aby zastosować segmentację binarną do odszumionego wyjścia, musimy najpierw przekonwertować sklasyfikowane dane rastrowe na cechy wektorowe za pomocą OpenCV znajdźKontury funkcja.
Wreszcie, rzeczywiste segmentowane obszary upraw można obliczyć przy użyciu segmentowanych konturów upraw.
Segmentowane obszary upraw wygenerowane na podstawie klasyfikatora KNN pozwalają na precyzyjną identyfikację obszarów upraw w testowym zbiorze danych. Te podzielone na segmenty regiony można wykorzystać do różnych celów, takich jak identyfikacja granic pól, monitorowanie upraw, szacowanie plonów i alokacja zasobów. Uzyskany wynik F1 wynoszący 0.77 jest dobry i stanowi dowód na to, że klasyfikator KNN jest skutecznym narzędziem segmentacji upraw w obrazach teledetekcyjnych. Wyniki te można wykorzystać do dalszego udoskonalania i udoskonalania technik segmentacji upraw, co potencjalnie prowadzi do zwiększenia dokładności i wydajności analizy upraw.
Wnioski
W tym poście pokazano, jak można użyć kombinacji Planety zdjęcia satelitarne o wysokiej rozdzielczości i wysokiej częstotliwości Możliwości geoprzestrzenne SageMaker do przeprowadzenia analizy segmentacji upraw, odblokowując cenne spostrzeżenia, które mogą poprawić wydajność rolnictwa, zrównoważenie środowiskowe i bezpieczeństwo żywnościowe. Dokładna identyfikacja regionów upraw umożliwia dalszą analizę wzrostu i produktywności upraw, monitorowanie zmian w użytkowaniu gruntów i wykrywanie potencjalnych zagrożeń dla bezpieczeństwa żywnościowego.
Co więcej, połączenie danych Planet i SageMaker oferuje szeroki zakres zastosowań wykraczających poza segmentację upraw. Spostrzeżenia mogą umożliwić oparte na danych podejmowanie decyzji dotyczących zarządzania uprawami, alokacji zasobów i planowania polityki wyłącznie w rolnictwie. Dzięki różnym modelom danych i uczenia maszynowego połączona oferta może również rozszerzyć się na inne branże i wykorzystać przypadki w kierunku transformacji cyfrowej, transformacji w zakresie zrównoważonego rozwoju i bezpieczeństwa.
Aby rozpocząć korzystanie z możliwości geoprzestrzennych SageMaker, zobacz Zacznij korzystać z możliwości geoprzestrzennych Amazon SageMaker.
Aby dowiedzieć się więcej na temat specyfikacji zdjęć Planet i materiałów referencyjnych dla programistów, odwiedź stronę Centrum Deweloperów Planet. Aby zapoznać się z dokumentacją zestawu SDK firmy Planet dla języka Python, zobacz Planet SDK dla Pythona. Więcej informacji na temat firmy Planet, w tym istniejących produktów z danymi i nadchodzących wydań produktów, można znaleźć na stronie https://www.planet.com/.
Oświadczenia dotyczące przyszłości Planet Labs PBC
Z wyjątkiem informacji historycznych zawartych w niniejszym dokumencie, kwestie poruszone w tym poście na blogu są stwierdzeniami wybiegającymi w przyszłość w rozumieniu przepisów „bezpiecznej przystani” ustawy o reformie przepisów prawnych dotyczących papierów wartościowych z 1995 r., w tym między innymi Planet Labs Zdolność PBC do wykorzystania szans rynkowych i wykorzystania wszelkich potencjalnych korzyści z obecnych lub przyszłych udoskonaleń produktów, nowych produktów lub strategicznego partnerstwa i współpracy z klientami. Stwierdzenia dotyczące przyszłości opierają się na przekonaniach kierownictwa Planet Labs PBC, a także na założeniach i aktualnie dostępnych informacjach. Ponieważ stwierdzenia takie opierają się na oczekiwaniach co do przyszłych wydarzeń i wyników i nie stanowią stwierdzenia faktów, rzeczywiste wyniki mogą znacząco różnić się od przewidywanych. Czynniki, które mogą spowodować, że rzeczywiste wyniki będą znacząco różnić się od bieżących oczekiwań, obejmują między innymi czynniki ryzyka i inne ujawnienia dotyczące Planet Labs PBC i jej działalności zawarte w raportach okresowych Planet Labs PBC, oświadczeniach pełnomocnika i innych materiałach informacyjnych składanych od czasu do czasu z Komisją Papierów Wartościowych i Giełd (SEC), które są dostępne w Internecie pod adresem www.sec.govoraz na stronie internetowej Planet Labs PBC pod adresem www.planet.com. Wszystkie stwierdzenia dotyczące przyszłości odzwierciedlają przekonania i założenia Planet Labs PBC jedynie na dzień złożenia takich stwierdzeń. Planet Labs PBC nie ma obowiązku aktualizowania stwierdzeń dotyczących przyszłości w celu odzwierciedlenia przyszłych zdarzeń lub okoliczności.
O autorach
Lidia Lihui Zhang jest specjalistką ds. rozwoju biznesu w Planet Labs PBC, gdzie pomaga łączyć przestrzeń kosmiczną na rzecz poprawy stanu Ziemi w różnych sektorach i niezliczonej liczbie przypadków użycia. Wcześniej pracowała jako analityk danych w McKinsey ACRE – rozwiązaniu dla rolnictwa. Posiada tytuł magistra uzyskany w programie polityki technologicznej MIT, specjalizujący się w polityce kosmicznej. Jej kariera skupiała się na danych geoprzestrzennych i ich szerszym wpływie na biznes i zrównoważony rozwój.
Mansi Shah jest inżynierem oprogramowania, analitykiem danych i muzykiem, którego praca eksploruje przestrzenie, w których zderzają się artystyczny rygor i techniczna ciekawość. Wierzy, że dane (jak sztuka!) imitują życie i interesują ją głęboko ludzkie historie kryjące się za liczbami i notatkami.
Xiong Zhou jest starszym naukowcem stosowanym w AWS. Kieruje zespołem naukowym ds. możliwości geoprzestrzennych Amazon SageMaker. Jego obecny obszar badań obejmuje wizję komputerową i efektywne szkolenie modeli. W wolnym czasie lubi biegać, grać w koszykówkę i spędzać czas z rodziną.
Janoscha Woschitza jest starszym architektem rozwiązań w AWS, specjalizującym się w geoprzestrzennej sztucznej inteligencji/ML. Dzięki ponad 15-letniemu doświadczeniu wspiera klientów na całym świecie w wykorzystywaniu sztucznej inteligencji i uczenia maszynowego do innowacyjnych rozwiązań wykorzystujących dane geoprzestrzenne. Jego wiedza obejmuje uczenie maszynowe, inżynierię danych i skalowalne systemy rozproszone, poparte mocnym doświadczeniem w inżynierii oprogramowania i wiedzą branżową w złożonych dziedzinach, takich jak jazda autonomiczna.
Shital Dhakal jest starszym menedżerem programu w zespole geoprzestrzennym ML SageMaker z siedzibą w rejonie Zatoki San Francisco. Ma doświadczenie w teledetekcji i systemach informacji geograficznej (GIS). Jego pasją jest zrozumienie problemów klientów i tworzenie produktów geoprzestrzennych, które je rozwiązują. W wolnym czasie lubi wędrować, podróżować i grać w tenisa.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/build-a-crop-segmentation-machine-learning-model-with-planet-data-and-amazon-sagemaker-geospatial-capabilities/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 1
- 10
- 100
- 14
- 15 roku
- 15%
- 1995
- 20
- 2015
- 2017
- 2023
- 22
- 2D
- 32
- 7
- 77
- 8
- 84
- 87
- a
- zdolność
- Zdolny
- O nas
- przyśpieszyć
- dostęp
- precyzja
- dokładny
- dokładnie
- osiągnięty
- nabyty
- akr
- w poprzek
- działać
- działania
- rzeczywisty
- faktycznie
- adaptacja
- Skorygowana
- oddziaływać
- wpływający
- Po
- Rolniczy
- rolnictwo
- AI
- AI / ML
- Wszystkie kategorie
- przydział
- dopuszczać
- Pozwalać
- sam
- wzdłuż
- również
- Chociaż
- Amazonka
- Amazon Sage Maker
- Dane geoprzestrzenne Amazon SageMaker
- Studio Amazon SageMaker
- Amazon Web Services
- an
- analiza
- w czasie rzeczywistym sprawiają,
- i
- roczny
- Inne
- każdy
- nigdzie
- Pszczoła
- Zastosowanie
- aplikacje
- stosowany
- Aplikuj
- archiwum
- SĄ
- POWIERZCHNIA
- obszary
- Szyk
- artystyczny
- AS
- pytanie
- oszacować
- oceniając
- oszacowanie
- kapitał
- pomagać
- powiązany
- Założenia
- At
- zwiększona
- autonomiczny
- dostępność
- dostępny
- średni
- uniknąć
- oczekiwać
- AWS
- z powrotem
- tło
- Bilans
- ZESPÓŁ MUZYCZNY
- Zespoły
- bar
- na podstawie
- podstawa
- Koszykówka
- Zatoka
- BE
- bo
- być
- Początek
- za
- jest
- wierzenia
- uważa,
- Korzyści
- Ulepsz Swój
- Doskonalenie
- pomiędzy
- Poza
- Blog
- Niebieski
- plama
- obie
- Dolny
- Granice
- granica
- BRIDGE
- przynieść
- szerszy
- budować
- Budowanie
- wbudowany
- wiązki
- biznes
- rozwój biznesu
- ale
- by
- CA
- California
- CAN
- możliwości
- skapitalizować
- zdobyć
- przechwytuje
- Kariera
- walizka
- studium przypadku
- Etui
- Spowodować
- powodowany
- pewien
- łańcuch
- zmiana
- zmieniony
- Zmiany
- Charakterystyka
- okoliczności
- klasa
- Klasy
- klasyfikacja
- sklasyfikowany
- Sprzątanie
- jasny
- wyraźnie
- CLF
- klient
- Klimat
- Zmiana klimatu
- bliższy
- Chmura
- kod
- współpraca
- kolekcja
- Zderzać się
- COM
- połączenie
- połączony
- łączenie
- jak
- byliśmy spójni, od początku
- prowizja
- wspólny
- powszechnie
- sukcesy firma
- stosunkowo
- porównać
- w porównaniu
- porównanie
- kompleks
- komputer
- Wizja komputerowa
- Prowadzenie
- Skontaktuj się
- zgodny
- składa się
- zawarte
- zawiera
- kontekst
- ciągły
- konwertować
- przeliczone
- koordynować
- rdzeń
- poprawione
- Odpowiedni
- mógłby
- hrabstwo
- pokrywa
- pokrycie
- pokrycie
- Stwórz
- stworzony
- Tworzenie
- tworzenie
- Kryteria
- wole
- Rośliny
- ciekawość
- Aktualny
- Obecnie
- klient
- Klientów
- codziennie
- dane
- naukowiec danych
- sterowane danymi
- zbiory danych
- Data
- Decyzje
- głębiej
- określić
- zdefiniowane
- wykazać
- zależny
- rozwijać
- Pochodny
- życzenia
- zniszczony
- detal
- Wykrywanie
- determinacja
- ustalona
- rozwinięty
- Deweloper
- deweloperzy
- oprogramowania
- odchylenie
- różnić się
- różnica
- różne
- cyfrowy
- cyfrowy Transformacja
- bezpośrednio
- katastrofa
- ujawnienie
- odkryj
- odkryty
- dyskutować
- dystans
- dystrybuowane
- systemy rozproszone
- 分配
- dokumentacja
- domeny
- gołąb
- pobieranie
- pliki do pobrania
- napęd
- jazdy
- Krople
- z powodu
- podczas
- każdy
- Wcześniej
- Ziemia
- z łatwością
- łatwo
- Efektywne
- efektywność
- wydajny
- skutecznie
- starania
- bądź
- upoważniać
- umożliwiać
- Umożliwia
- inżynier
- Inżynieria
- Inżynierowie
- ulepszenia
- dość
- wzbogacać
- zapewnić
- Środowisko
- środowiskowy
- Zrównoważony Rozwój
- środowiska
- szczególnie
- oceniać
- wydarzenie
- wydarzenia
- dowód
- ewoluuje
- Badanie
- przykład
- wymiana
- Przede wszystkim system został opracowany
- Rozszerzać
- oczekiwania
- spodziewany
- doświadczenie
- ekspertyza
- odkryj
- odkrywa
- narażony
- f1
- fakt
- Czynniki
- fałszywy
- członków Twojej rodziny
- rolników
- rolnictwo
- szybciej
- Cecha
- Korzyści
- luty
- nawóz
- kilka
- pole
- Łąka
- filet
- wniesiony
- filtrować
- W końcu
- Znajdź
- znalezieniu
- fiona
- i terminów, a
- dopasować
- FLOTA
- elastyczne
- powódź
- Skupiać
- skupienie
- następujący
- jedzenie
- W razie zamówieenia projektu
- naprzód
- przyszłościowe
- Fundacja
- Francisco
- od
- funkcjonować
- dalej
- przyszłość
- zyskuje
- szczelina
- geograficzny
- Uczenie geoprzestrzenne
- otrzymać
- Dać
- dany
- Globalne
- Globalnie
- dobry
- grafika
- bardzo
- Zielony
- Ziemia
- Rozwój
- Wzrost
- Gość
- Guest Post
- ręka
- zdarzyć
- Wydarzenie
- Have
- mający
- he
- Zdrowie
- pomoc
- pomocny
- pomaga
- jej
- tutaj
- tutaj
- Wysoki
- Wysoka częstotliwość
- wysoka rozdzielczość
- wyższy
- Podświetlony
- jego
- historyczny
- posiada
- W jaki sposób
- How To
- Jednak
- HTML
- http
- HTTPS
- człowiek
- i
- ID
- Identyfikacja
- zidentyfikowane
- identyfikuje
- zidentyfikować
- identyfikacja
- if
- obraz
- zdjęcia
- ogromny
- Rezultat
- ważny
- podnieść
- poprawia
- poprawy
- in
- W innych
- zawierać
- włączony
- obejmuje
- Włącznie z
- włączać
- niepoprawnie
- wzrosła
- wzrastający
- rzeczywiście
- wskaźnik
- wskazać
- wskazuje
- przemysłowa
- przemysł
- Informacja
- Innowacyjny
- wkład
- Wejścia
- spostrzeżenia
- inspirowane
- zainstalować
- zainstalowany
- interaktywne
- odsetki
- zainteresowany
- ciekawy
- Interfejs
- najnowszych
- śledztwo
- IT
- JEGO
- Jennifer
- jpg
- czerwiec
- Trzymać
- Zestaw (SDK)
- wiedza
- Kyle
- Labs
- Kraj
- duży
- na dużą skalę
- w dużej mierze
- Późno
- uruchomić
- uruchomiona
- prowadzić
- prowadzący
- Wyprowadzenia
- UCZYĆ SIĘ
- nauka
- lewo
- lewarowanie
- biblioteki
- życie
- lubić
- Ograniczony
- Linia
- Lista
- Spór
- usytuowany
- Popatrz
- poszukuje
- maszyna
- uczenie maszynowe
- Macro
- zrobiony
- głównie
- robić
- Dokonywanie
- zarządzanie
- i konserwacjami
- kierownik
- wiele
- mapa
- wyraźny
- rynek
- maska
- mistrz
- dopasowywanie
- materialnie
- materiały
- Matters
- maksymalny
- Może..
- McKinsey
- znaczenie
- znaczy
- zmierzyć
- środków
- zmierzenie
- Metadane
- metoda
- metody
- metryczny
- Metryka
- minimalizowanie
- MIT
- łagodzenie
- ML
- model
- modele
- monitor
- monitorowanie
- jeszcze
- większość
- przeważnie
- dużo
- wielokrotność
- Muzyk
- musi
- miriada
- Naturalny
- Potrzebować
- potrzebne
- wymagania
- negatywy
- sąsiedzi
- Nowości
- Nowe produkty
- Nie
- Hałas
- notatnik
- Uwagi
- numer
- z naszej
- liczny
- obiektywnie
- obowiązek
- obserwować
- uzyskać
- październik
- of
- oferuje
- Oferty
- często
- on
- Online
- tylko
- koncepcja
- OpenCV
- działanie
- Okazja
- Optymalizacja
- or
- zamówienie
- Zlecenia
- organizacji
- pierwotnie
- Inne
- ludzkiej,
- niedźwiedź
- wytyczne
- wydajność
- koniec
- ogólny
- własny
- Ból
- parametr
- parametry
- szczególny
- szczególnie
- Współpraca
- partnerstwa
- namiętny
- wzory
- wykonać
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- wykonywane
- periodycznie
- fizyczny
- wybierać
- piksel
- planeta
- planowanie
- plato
- Analiza danych Platona
- PlatoDane
- gra
- zwrotnica
- polityka
- pozytywny
- możliwy
- Post
- potencjał
- potencjalnie
- power
- mocny
- praktyki
- precyzyjny
- Detaliczność
- przewidzieć
- Przewiduje
- przewidywanie
- Przewidywania
- Korzystny
- Przygotować
- przygotowany
- teraźniejszość
- prezenty
- Podgląd
- poprzednio
- głównie
- pierwotny
- Wcześniejszy
- Priorytet
- prywatny
- Problem
- wygląda tak
- Obrobiony
- przetwarzanie
- Wytworzony
- Produkt
- wydajność
- Produkty
- głęboko
- Program
- Przewiduje
- obiecujący
- odsetek
- zapewniać
- pod warunkiem,
- zapewnia
- pełnomocnik
- publicznie
- puls
- cele
- Python
- ilościowy
- Szybki
- szybko
- zasięg
- zrealizować
- Czerwony
- redukcja
- oczyścić
- odzwierciedlić
- Reforma
- region
- regiony
- prasowe
- ulga
- zdalny
- usunąć
- Raportowanie
- Raporty
- przedstawiciel
- zażądać
- Badania naukowe
- Zasób
- Zasoby
- dalsze
- Efekt
- powrót
- ujawniać
- ujawnia
- Bogaty
- prawo
- Ryzyko
- czynniki ryzyka
- ryzyko
- Rzeka
- droga
- run
- bieganie
- Sacramento
- sagemaker
- taki sam
- San
- San Francisco
- satelita
- Satelity
- skalowalny
- scena
- Sceny
- systemy
- nauka
- Naukowiec
- Naukowcy
- nauka-scikit
- wynik
- Sdk
- Szukaj
- Pora roku
- SEK
- Sektory
- Papiery wartościowe
- Papierów Wartościowych i Giełd
- bezpieczeństwo
- zagrożenia bezpieczeństwa
- widzieć
- segmentacja
- Segmenty
- wybrany
- wybór
- senior
- oddzielny
- służy
- Usługi
- zestaw
- Zestawy
- rozstrzygać
- kilka
- ona
- pokazać
- pokazane
- podobny
- Prosty
- ponieważ
- pojedynczy
- Rozmiar
- mały
- Tworzenie
- rozwoju oprogramowania
- zestaw programistyczny
- Software Engineer
- Inżynieria oprogramowania
- gleba
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- kilka
- Źródło
- Źródła
- Typ przestrzeni
- obowiązuje
- rozpiętości
- Przestrzenne
- Mówi
- specjalista
- specjalizujący się
- specyfikacja
- Specyfikacje
- Widmowy
- Spędzanie
- interesariuszy
- interesariusze
- początek
- rozpoczęty
- Stan
- oświadczenia
- Rynek
- Ewolucja krok po kroku
- historie
- Strategiczny
- Partnerstwo strategiczne
- strategie
- stres
- silny
- studio
- Badanie
- subskrybuj
- udany
- Z powodzeniem
- taki
- wsparcie
- podpory
- Powierzchnia
- Badanie
- Zrównoważony rozwój
- zrównoważone
- system
- systemy
- Brać
- Zadania
- biorąc
- zespół
- Techniczny
- Techniki
- Technologia
- test
- testament
- Testowanie
- niż
- że
- Połączenia
- Strefa
- Państwo
- świat
- ich
- Im
- następnie
- Tam.
- w związku z tym
- Te
- one
- rzeczy
- to
- tych
- Przez
- czas
- czasy
- do
- narzędzie
- narzędzia
- Top
- w kierunku
- śledzić
- Pociąg
- przeszkolony
- Trening
- Przekształcać
- Transformacja
- przekształcony
- Podróżowanie
- Drzewa
- Trendy
- prawdziwy
- Prawda
- próbować
- drugiej
- rodzaj
- zasadniczy
- zrozumienie
- zobowiązuje się
- odblokowywanie
- aż do
- zbliżających
- Aktualizacja
- us
- posługiwać się
- używany
- Użytkownicy
- zastosowania
- za pomocą
- zazwyczaj
- wykorzystany
- Cenny
- wartość
- Wartości
- różnorodny
- Naprawiono
- początku.
- przez
- wizja
- Odwiedzić
- wyobrażanie sobie
- naocznie
- Tom
- Wrażliwy
- czekać
- chcieć
- była
- Marnotrawstwo
- Uzdatnianie wody
- we
- sieć
- usługi internetowe
- Strona internetowa
- DOBRZE
- były
- natomiast
- czy
- który
- Podczas
- KIM
- którego
- szeroki
- Szeroki zasięg
- w
- w ciągu
- bez
- słowa
- Praca
- workflow
- przepływów pracy
- pracujący
- świat
- by
- napisany
- X
- rok
- lat
- Wydajność
- You
- zefirnet
- zoom